基于BP網(wǎng)絡(luò)融合的電子商務個性化推薦模型研究.pdf

1、計算機科學與互聯(lián)網(wǎng)的發(fā)展，使人們生活的方方面面發(fā)生了深刻的變革，與此同時網(wǎng)絡(luò)可用信息呈現(xiàn)出爆炸式的增長，已遠遠超出人們所能接受的范圍，導致信息過載。電子商務網(wǎng)站由于物品種類繁多、數(shù)量龐大，往往會對用戶形成信息淹沒，使用戶不能充分發(fā)掘自己喜歡的物品，導致商品銷售出現(xiàn)“80％的銷售額來自于20％的商品”這一現(xiàn)象。而個性化推薦正是解決這一問題的一種有效措施。
　　本文首先對個性化推薦系統(tǒng)的架構(gòu)和工作原理作了簡單描述，分析了傳統(tǒng)基于內(nèi)容的

2、推薦算法和基于內(nèi)存的鄰域推薦算法在面對用戶量巨大、商品種類繁多的電商應用場景時所表現(xiàn)出的局限性。在此基礎(chǔ)上，利用機器學習和最優(yōu)化理論，從物品的屬性出發(fā)，分析了基于奇異值分解的LFM模型，并結(jié)合用戶在電子商務網(wǎng)站購物的具體情形，將購物過程中不同的用戶行為對應于不同的隱性反饋信息，并映射為不同的評分比重，從而改進了現(xiàn)有的只考慮了單一隱反饋信息的LFM模型，降低了評分預測誤差。
　　接著，從用戶興趣群體的角度出發(fā)，將文本挖掘領(lǐng)域基于概率

3、分布的LDA模型應用于評分預測問題中，并取得了良好的預測效果。在上述工作基礎(chǔ)上，鑒于單一推薦模型性能的瓶頸，采用人工神經(jīng)網(wǎng)絡(luò)將LDA和改進的LFM模型進行融合，以此探究多模型融合對于推薦性能提升的影響。實驗表明融合后的模型較單一模型在評分預測問題中，能夠獲得更低的均方根誤差值。之后，本文將評分預測問題轉(zhuǎn)化為實際的Top N推薦問題，并通過實驗證明，均方根誤差值的小幅度降低，卻能帶來推薦精度的顯著提高。
　　最后對全文的研究工作作了