基于圖的商品推薦算法研究.pdf

1、隨著信息技術(shù)和互聯(lián)網(wǎng)的迅速發(fā)展，選擇網(wǎng)絡(luò)購物的人群越來越龐大，電商平臺的商品信息也越來越繁雜，這種爆炸式的商品增長使用戶陷入了信息迷航，很難快速準(zhǔn)確的檢索出自己想要的商品。為解決這一問題，個性化推薦算法發(fā)揮了重要作用。眾多推薦算法中，基于圖的推薦算法脫穎而出，越來越多的學(xué)者開始投入研究，但仍存在一些問題。本文改進兩種基于圖的推薦算法，分別解決推薦過程中“興趣漂移”、“長尾效應(yīng)”以及構(gòu)建圖的過程中圖節(jié)點對象考慮不周全導(dǎo)致推薦性能下降的問題

2、。
　　為了解決興趣漂移問題，我們將用戶、商品以及能反應(yīng)商品屬性的關(guān)鍵字構(gòu)成三部圖，融合遺忘機制，將遺忘機制作為三部圖邊權(quán)值計算的依據(jù)；為了解決推薦過程中經(jīng)常出現(xiàn)的長尾效應(yīng)問題，我們將物質(zhì)擴散理論與由遺忘機制加權(quán)的三部圖融合。分析當(dāng)下對推薦算法的主流要求，將推薦的多樣性和推薦列表排序的準(zhǔn)確性作為算法性能的評價指標(biāo)，對Movielens-10M數(shù)據(jù)集進行整理，驗證了算法的合理性和有效性。
　　為了解決傳統(tǒng)圖推薦方法構(gòu)圖過程中簡

3、化平臺中實體對象，弱化平臺中的實體關(guān)系，導(dǎo)致推薦準(zhǔn)確性低的問題，我們將電商平臺中存在的多種對象構(gòu)成混合圖，構(gòu)建過程不考慮對象的異構(gòu)性；節(jié)點的轉(zhuǎn)移過程將系統(tǒng)日志、用戶行為和商戶付費等信息結(jié)合，既考慮了用戶歷史行為又將用戶當(dāng)下訴求以及商戶、平臺的利益考慮在內(nèi)。提升用戶體驗，增加商戶滿意度的同時提升了平臺的收益。將算法應(yīng)用在地方性電商網(wǎng)站并爬取數(shù)據(jù)進行實驗驗證，證明了算法的準(zhǔn)確率、查全率以及它們調(diào)和值的優(yōu)越性。
　　本文改進的兩種算法均