基于用戶行為的個性化推薦算法研究.pdf

1、網絡給人們生活帶來了極大便利，越來越多的消費者開始傾向于網絡購物，網絡購物的優(yōu)勢很多，首先，具有選擇多樣性，其次，就是操作簡單，最重要的是時間成本比較低，減少了顧客的出行時間。然而，傳統(tǒng)的電子商務平臺，也存在著一些不足，由于商品的種類過于豐富，顧客要找到自己稱心如意的商品并不是一件易事。即陷入所謂的“信息過載”問題。
　　為了對客戶有針對性地進行推薦，提高商品銷量，個性化推薦系統(tǒng)應運而生?；谟脩粼u分的顯式反饋的推薦算法目前得到了

2、比較廣泛的研究，而基于用戶的歷史行為數據，比如用戶停留在商品頁面的時間，瀏覽次數，加入購物車等等行為，這些都屬于隱式反饋，本文研究的主要內容便是根據用戶的隱式反饋信息設計對客戶進行有效推薦的個性化算法。
　　本文首先介紹了一些個性化推薦系統(tǒng)中的經典算法，包括基于內容的推薦，協(xié)同過濾推薦以及混合推薦策略等。然后針對電子商務領域，考慮包含時間信息的用戶行為數據，主要是“點擊、收藏、加入購物車、購買”四種行為，按照時間分段統(tǒng)計出各種行為

3、發(fā)生的次數，組成時間序列，從中提取出特征，并以此作為邏輯回歸模型的輸入參數，得到一個概率矩陣，此時再將得到的概率矩陣作為評分，利用協(xié)同過濾的推薦策略向用戶進行商品推薦。傳統(tǒng)的協(xié)同過濾方法往往忽略了用戶或產品的消費時間這一因素，本文采用考慮包含時間影響的時序行為，可以使得個性化推薦的結果更加合理。
　　實驗采用的是天貓用戶某一年四個月內的用戶行為數據，實驗表明，考慮行為序列結合協(xié)同過濾的推薦策略具有比較理想的推薦效果，同時解決了隱式