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，同時帶動了電子商務(wù)行業(yè)的迅猛發(fā)展。在基于互聯(lián)網(wǎng)的電子商務(wù)平臺日益增多的同時，伴隨而來的是呈爆炸式增長的數(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，但同時也會導(dǎo)致用戶信息過載，無法從如此紛繁復(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、用該算法來預(yù)測用戶的購買行為。針對某大型電商平臺提供的真實用戶行為數(shù)據(jù)庫，提取用戶和品牌的特征，采用隨機森林和改進(jìn)的協(xié)同過濾算法，以及組合神經(jīng)網(wǎng)絡(luò)算法對用戶下個月的購買行為進(jìn)行預(yù)測。
　　本文主要從用戶交互過和未交互過的品牌兩個方向出發(fā)，對推薦算法進(jìn)行研究和改進(jìn)，最后通過實驗仿真，驗證了本文改進(jìn)算法的有效性。本文的主要研究內(nèi)容如下:
　　(1)基于隨機森林和協(xié)同過濾的混合推薦算法。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、針對該算法的不足，提出應(yīng)用多決策樹組合模型，即隨機森林模型進(jìn)行預(yù)測推薦;對隨機森林模型進(jìn)行了詳細(xì)介紹和分析;并且利用隨機森林模型對分析用戶行為設(shè)計的用戶和品牌特征進(jìn)行了重要性評估。對用戶未交互品牌的預(yù)測，應(yīng)用協(xié)同過濾算法。對傳統(tǒng)協(xié)同過濾算法進(jìn)行介紹分析，針對傳統(tǒng)協(xié)同過濾算法中計算用戶和品牌相似性時對用戶行為的同等對待這一不合理性，提出了對用戶行為基于重要性賦予權(quán)重，該權(quán)重的計算方法采用層次分析法中計算權(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)測模型，因此本文利用了神經(jīng)網(wǎng)絡(luò)模型對用戶有過交互行為的品牌做預(yù)測推薦。通過分析BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測分析的優(yōu)缺點，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。最后對這幾種算法進(jìn)行了實驗，實驗結(jié)果顯示改進(jìn)算法的性能都得到