在電子商務(wù)中基于用戶行為的推薦算法研究.pdf

1、隨著信息技術(shù)和互聯(lián)網(wǎng)的發(fā)展，同時(shí)帶動(dòng)了電子商務(wù)行業(yè)的迅猛發(fā)展。在基于互聯(lián)網(wǎng)的電子商務(wù)平臺(tái)日益增多的同時(shí)，伴隨而來(lái)的是呈爆炸式增長(zhǎng)的數(shù)據(jù)量。雖然數(shù)據(jù)量的增多可以給用戶提供更多的選擇，但同時(shí)也會(huì)導(dǎo)致用戶信息過(guò)載，無(wú)法從如此紛繁復(fù)雜的信息中快速提取自己想要的信息。推薦系統(tǒng)就是基于用戶和平臺(tái)的這種需求而誕生的。推薦系統(tǒng)中最關(guān)鍵和最核心的模塊是推薦算法，推薦算法的好壞直接決定了整個(gè)推薦系統(tǒng)的性能。
　　本文主要研究基于用戶行為的推薦算法，利

2、用該算法來(lái)預(yù)測(cè)用戶的購(gòu)買行為。針對(duì)某大型電商平臺(tái)提供的真實(shí)用戶行為數(shù)據(jù)庫(kù)，提取用戶和品牌的特征，采用隨機(jī)森林和改進(jìn)的協(xié)同過(guò)濾算法，以及組合神經(jīng)網(wǎng)絡(luò)算法對(duì)用戶下個(gè)月的購(gòu)買行為進(jìn)行預(yù)測(cè)。
　　本文主要從用戶交互過(guò)和未交互過(guò)的品牌兩個(gè)方向出發(fā)，對(duì)推薦算法進(jìn)行研究和改進(jìn)，最后通過(guò)實(shí)驗(yàn)仿真，驗(yàn)證了本文改進(jìn)算法的有效性。本文的主要研究?jī)?nèi)容如下:
　　(1)基于隨機(jī)森林和協(xié)同過(guò)濾的混合推薦算法。分析了決策樹模型在本文原始數(shù)據(jù)上應(yīng)用的不足，

3、針對(duì)該算法的不足，提出應(yīng)用多決策樹組合模型，即隨機(jī)森林模型進(jìn)行預(yù)測(cè)推薦;對(duì)隨機(jī)森林模型進(jìn)行了詳細(xì)介紹和分析;并且利用隨機(jī)森林模型對(duì)分析用戶行為設(shè)計(jì)的用戶和品牌特征進(jìn)行了重要性評(píng)估。對(duì)用戶未交互品牌的預(yù)測(cè)，應(yīng)用協(xié)同過(guò)濾算法。對(duì)傳統(tǒng)協(xié)同過(guò)濾算法進(jìn)行介紹分析，針對(duì)傳統(tǒng)協(xié)同過(guò)濾算法中計(jì)算用戶和品牌相似性時(shí)對(duì)用戶行為的同等對(duì)待這一不合理性，提出了對(duì)用戶行為基于重要性賦予權(quán)重，該權(quán)重的計(jì)算方法采用層次分析法中計(jì)算權(quán)重的方法進(jìn)行。
　　(2)基

4、于RBF-BP組合神經(jīng)網(wǎng)絡(luò)推薦算法。利用神經(jīng)網(wǎng)絡(luò)能夠?qū)Υ罅繌?fù)雜的非線性數(shù)據(jù)進(jìn)行分析，適用于構(gòu)造數(shù)據(jù)預(yù)測(cè)模型，因此本文利用了神經(jīng)網(wǎng)絡(luò)模型對(duì)用戶有過(guò)交互行為的品牌做預(yù)測(cè)推薦。通過(guò)分析BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)分析的優(yōu)缺點(diǎn)，提出了基于RBF-BP組合神經(jīng)網(wǎng)絡(luò)推薦算法。為了使推薦結(jié)果更全面，把改進(jìn)后的協(xié)同過(guò)濾推薦算法和組合神經(jīng)網(wǎng)絡(luò)推薦算法結(jié)果相融合，能達(dá)到更好的推薦效果。最后對(duì)這幾種算法進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果顯示改進(jìn)算法的性能都得到