商務推薦系統(tǒng)的設計研究.pdf

1、隨著互聯(lián)網(wǎng)時代的到來，信息過載問題日益突出。在這樣的背景下，20世紀90年代初，研究者們開發(fā)了最早的推薦系統(tǒng)，從紛繁蕪雜的信息中選擇用戶所感興趣的信息，推薦給用戶，以幫助解決信息過載問題。在很短時間內(nèi)，推薦系統(tǒng)從單純的信息過濾領域，擴展到了多個應用領域，包括對音樂、電影、書籍等各種項目的推薦。10年后的現(xiàn)在，或簡單或復雜的各種推薦系統(tǒng)，已經(jīng)成為一個信息網(wǎng)站或電子商務系統(tǒng)，所必不可少的組件之一。現(xiàn)在的推薦系統(tǒng)，其功能已經(jīng)從簡單幫助用戶進行

2、項目甄別，拓展成為商務領域促進銷售，提升品牌形象的重要手段。對于推薦系統(tǒng)的研究，也成為了理論界關注的熱點，研究者們提出了協(xié)同過濾算法、基于內(nèi)容的推薦算法、混合算法等不同的算法來提供更好的推薦，并不斷吸收數(shù)據(jù)挖掘領域、機器學習領域的新方法，將其應用到對推薦算法的改進上來。一些領域內(nèi)領先的研究小組，開發(fā)了各種實驗性系統(tǒng)，如MovieLens等，作為其改進推薦算法的平臺。 當前對于推薦系統(tǒng)的研究，基本上都專注于對推薦算法的改進，很少有

3、研究者從信息系統(tǒng)的角度，討論推薦系統(tǒng)的設計實現(xiàn)的方法與原則，這與推薦系統(tǒng)實用性很強的應用背景不符。此外不同研究者對于推薦系統(tǒng)的研究中，往往針對不同的應用場景，提出不同的評判標準，算法與算法之間很難相互比較。 針對上述情況，本文首先將研究主體界定為向用戶推薦產(chǎn)品，以促進產(chǎn)品銷售為目的的商務推薦系統(tǒng)。選擇商務推薦系統(tǒng)的設計作為研究對象，期望能夠提出一些商務推薦系統(tǒng)設計中的通用方法和原則，為實際系統(tǒng)的開發(fā)提供理論指導。 本文從

4、最本質的推薦問題定義開始全文的討論，完成了以下工作。 1)提供了更清晰的推薦問題定義，基于度量理論和效用理論，分析了現(xiàn)在主流推薦算法求解推薦問題存在的偏差。提出了利用區(qū)別推薦系統(tǒng)和推薦算法功能，來求解推薦問題的新思路。這種新方法，帶來的明顯優(yōu)勢之一是可以廓清傳統(tǒng)研究中對于推薦效果評判準則的混亂，可以統(tǒng)一采用機器學習理論中的兩種客觀評判標準：預測精確度與分類精確度來評判推薦算法的結果，在不同的推薦算法之間能夠互相對比(這是本文第2

5、章的工作)。 2)討論了對推薦算法和推薦系統(tǒng)的不同評判標準，同時提出，使用用戶滿意度指標來評判推薦效果，對于推薦系統(tǒng)設計并不是必須的，我們提出一種“交流式改進”的方法指導系統(tǒng)對推薦效果的改進(這是本文第3章的工作)。 3)基于以上兩種通用方法的指導，按照商務推薦系統(tǒng)所應實現(xiàn)的兩個目標(促進銷售，和提升系統(tǒng)的品牌價值)，設計了一個智能商務推薦系統(tǒng)框架(這是本文第4章的工作)。 4)按照Whiffen的信息系統(tǒng)架構，

6、進一步從數(shù)據(jù)角度、接口角度、流程角度、系統(tǒng)算法角度等各個信息系統(tǒng)構件層面，討論了商務推薦系統(tǒng)設計中的一些基本原則和方法(這是本文第5章的工作)。 5)從多種推薦算法融合和推薦算法改進兩個方面深入討論了系統(tǒng)應用構件中推薦算法的設計。其中對推薦算法的改進上，我們引入支持向量機和貝葉斯網(wǎng)絡來實現(xiàn)基于內(nèi)容的推薦算法，實驗結果表明，與傳統(tǒng)的協(xié)同過濾算法相比，兩種方法能夠高效的給出優(yōu)于或近似于傳統(tǒng)協(xié)同過濾算法相近的預測精度。顯示了以上兩種工