电子商务推荐系统瓶颈问题研究

电子商务推荐系统瓶颈问题研究
	曾用价	88.00
	出版社	科学出版社
	版次	3101
	出版时间	2016年01月
	开本	16
	作者	李聪，马丽
	装帧	平装
	页数	168
	字数	300
	ISBN编码	9787030471581

电子商务推荐系统是解决信息超载的重要技术。协同过滤作为推荐系统中广泛使用的、*成功的推荐算法，还存在诸如稀疏性（sparsity)、冷启动（cold-start)、可扩展性（scalabilit5f)等制约其进一步发展的瓶颈问题。本书针对稀疏性问题，提出了非目标用户类型区分理论、领域*近邻理论、基于Rough集理论的用户评分项并集未评分值填补方法等；针对冷启动问题，提出了一种冷启动消除方法，包括用户访问项序理论、n序访问解析逻辑、改进的*频繁项提取算法IMIEA、用户访问项序的Markov链模型等；针对可扩展性问题，提出了适应用户兴趣变化的协同过滤增量更新机制；*后设计并实现了一个电子商务协同过滤原型系统ECRec。


目录
前言
第1章 绪论1
1.1问题的提出1
1.2研究目的与意义4
1.3电子商务推荐系统概述6
1.3.1定义及任务6
1.3.2用户偏好数据7
1.3.3相关推荐技术9
1.4国内外研究现状15
1.4.1协同过滤的起源和发展15
1.4.2协同过滤的瓶颈问题22
1.4.3稀疏性问题研究现状24
1.4.4可扩展性问题研究现状33
1.5研究内容与结构安排43
第2章 传统协同过滤及其评价方法45
2.1基于用户的协同过滤45
2.1.1表示46
2.1.2邻居用户形成46
2.1.3推荐生成49
2.2基于项目的协同过滤51
2.2.1邻居项目形成51
2.2.2推荐生成55
2.3推荐质量评价方法56
2.3.1评价标准56
2.3.2实验数据集59
2.3.3实验方案60
2.4本章小结60
第3章 面向KNN法的稀疏性缓解理论研究61
3.1相关工作分析61
3.2非目标用户类型区分理论62
3.3基于领域*近邻理论的KNN法64
3.3.1领域*近邻理论64
3.3.2基于领域*近邻的KNN法描述67
3.3.3实验结果及分析69
3.4基于Rough集理论的KNN法73
3.4.1基于Rough集理论的未评分项填补方法73
3.4.2基于Rough集理论的KNN法描述78
3.4.3实验结果及分析79
3.5本章小结87
第4章 基于用户访问项序的冷启动消除方法研究88
4.1相关工作分析88
4.2用户访问项序理论90
4.2.1用户访问项序的获取90
4.2.2n序访问解析逻辑93
4.2.3用户访问项序的相似性计算方法95
4.3基于访问项序*近邻的top-N推荐99
4.4基于Markov链模型的商品导航推荐101
4.4.1Markov链与概率转移矩阵101
4.4.2用户访问项序的Markov链模型104
4.4.3模型的训练方法105
4.5实验结果及分析106
4.5.1实验环境、数据集及评价标准106
4.5.2实验结果及分析107
4.6本章小结109
第5章 面向可扩展性的增量更新机制研究110
5.1相关工作分析110
5.2项目相似性增量更新机制111
5.2.1增量更新机制的基本思想112
5.2.2独立因子的增量值计算方法113
5.2.3计算复杂度分析118
5.2.4增量更新流程分析120
5.3实验结果及分析121
5.3.1实验环境、数据集及评价标准121
5.3.2实验结果及分析123
5.4本章小结125
第6章 电子商务协同过滤系统ECRec的设计与实现126
6.1ECRec的设计127
6.1.1系统架构设计127
6.1.2功能模块设计128
6.1.3系统内存处理设计132
6.2ECRec的实现136
6.3本章小结139
第7章 总结与展望140
7.1研究工作总结140
7.2未来研究展望142
参考文献144


第1章绪论
1.1问题的提出
随着互联网(Internet)和电子商务的迅猛发展.人类已经进入信息社会时代.中国的电子商务市场发展潜力巨大.同时保持了持续高速增长势头.截至2015年6月.中国网民规模已达6.68亿人.互联网普及率为48.8%.较2014年年底提升了0.9个百分点[1].2014年中国网络购物市场研究报告.[2]的数据显示.2014年中国网络零售交易额为2.79万亿元(继续保持全球**).同比增长49.7%.相当于同期社会消费品零售总额(26.2万亿元)的10.6%.网络购物用户规模达3.61亿人.较2013年增长19.7%.网民使用网络购物的比例从48.9%提升至55.7%.中国网络购物市场依然保持着较高的活跃度.全年交易总次数为173亿次.年度人均交易次数为48次.网络购物金额占日常消费采购支出比例的平均值则为14.2%.
电子商务网站不仅使企业节省了传统经营模式下必要的实体投资成本.而且还拥有一个巨大的优势.即消除了传统店面的商品陈列空间限制.为购物者提供了一个庞大的(也可以说是无限大)商品陈列柜台供其选择.人们通过访问电子商务网站.可以享受足不出户选购商品的快乐和方便.
但是.面对电子商务网站提供的大量商品.顾客无法通过小小的计算机屏幕在短时间内浏览所有商品.并且也缺少现实商店中促销人员的精心导购.从而面临“信息超载”(informationoverload)[3].信息超载指网站为用户提供的商品信息量过多.导致其难以迅速找到所需商品.并且在这之电子商务推荐系统瓶颈问题研究前难免会浏览大量不相关信息.从而很容易使用户产生疲劳直至失去购物兴趣并离开.基于上述情况.电子商务网站面临着一个严峻的问题:如何在用户浏览网站时将适合该用户的商品推荐到他/她面前.克服信息超载带来的不利影响.从而促成更多的交易以增加企业销售额？
电子商务推荐系统(E-commercerecommendersystems)就是解决信息超载问题的一种方案[4]一种实现电子商务网站“一对一营销”(one-to-onemarketing)战略的技术[5].可作为网站客户关系管理(customerrelationshipmanagement.CRM)的有益组成部分[6].早在1982年.美国计算机学会主席Denning[7]就指出需要将注意力从“制信息”(generatinginformation)更多地集中到接收信息(receivinginformation.即控制和过滤信息并使其传到必须使用它们的人)上来.美国学者Pine[8]则指出.现代企业应该从大规模生产(标准化产品)向大规模定制(为多类客户的多样需求提供多种商品)转变.并列出了五种达到大规模定制的方法.其中有四种都能通过电子商务推荐系统来实现.包括“围绕标准化的产品和服务来定制服务”“创建可定制的产品和服务”“提供交货点定制”和“提供整个价值链的快速响应”.因此电子商务推荐系统也是电子商务网站进行自动化大规模定制的一条关键途径[4].它使得网站能适应每一个消费者并为其提供具有个性化的商品展现平台和购物体验.由于用户对自身需求不甚明确时.其注意力并不专注于某特定目标.因此推荐系统所给建议被用户采纳的概率将相对较大.正如JeffBezos(***公司CEO)所言:“如果我在网络上有300万个用户.我就应有300万个网上商店”[5.9].具体而言.电子商务推荐系统的作用表现在三个方面[5].
(1)将电子商务网站浏览者转变为购买者(convertingbrowsersintobuyers)
电子商务网站的访问者经常只是浏览一下.并没有购买商品的意愿.电子商务推荐系统能够帮助这些浏览用户找到他们愿意购买的商品.从而将浏览者转变为购买者.
(2)提高电子商务网站交叉销售能力(increasingcross-sell)交叉销售在现代商业中应用非常普遍.通过交叉销售.能够引导用户发现和购买自己确有潜在需求但在购买过程中未曾想到的商品.电子商务推荐系统可以在用户浏览某商品时根据用户购物车(shoppingcart)中的商品向其推荐该商品的相关产品.从而提高销售量.
(3)建立电子商务网站客户忠诚度(buildingloyalty)赢得客户忠诚度是一项基本的商业策略.在互联网上.用户只需要点击一两下鼠标.便能从当前的电子商务网站转到其竞争对手网站.电子商务推荐系统通过建立网站与客户之间的增值关系(value-addedrelationship)来提高客户忠诚度.一方面.电子商务推荐系统通过了解和学习客户的兴趣偏好来推荐满足其需求的合适商品.另一方面.客户越多地使用电子商务推荐系统.系统就越能了解其兴趣偏好.从而给出的推荐结果质量越高.这种良性循环一旦形成.将大大增加客户忠诚度.提高客户和网站之间的“黏性”(stickiness).