基于用戶瀏覽軌跡的商品推薦方法研究.pdf

1、隨著電子商務網(wǎng)站迅速發(fā)展，推薦系統(tǒng)在這些網(wǎng)站中得到了廣泛的應用。目前應用最廣泛的個性化推薦算法是協(xié)同過濾推薦算法，但是此方法存在稀疏矩陣與冷啟動問題?；谟脩魹g覽記錄來預測用戶偏愛是緩解這些問題的一個重要研究方向。根據(jù)用戶在電子商務網(wǎng)站的訪問日志，提取出用戶的瀏覽序列，即用戶瀏覽軌跡，然后以用戶瀏覽軌跡為基礎，挖掘用戶偏愛，并建立偏愛模型，為用戶推薦偏愛商品，解決因為缺少歷史購買及評分記錄引起的冷啟動問題。
　　目前通過分析用戶瀏

2、覽軌跡為用戶推薦商品的方法主要從瀏覽軌跡中商品與下一個商品關系角度出發(fā)考慮，而本課題從瀏覽軌跡中被瀏覽商品與最終被購買商品關系角度出發(fā)，提出兩種推薦方法，一種基于購買轉(zhuǎn)移關系，另一種基于商品特征趨勢?；谫徺I轉(zhuǎn)移關系的推薦方法，依據(jù)瀏覽軌跡中商品與最終被購買商品轉(zhuǎn)移關系，同時考慮用戶瀏覽軌跡與購買記錄的時效性，對過時數(shù)據(jù)采用衰減策略，另外考慮瀏覽軌跡中商品的順序，對軌跡中瀏覽距離不同轉(zhuǎn)移關系應用不同的權(quán)重，構(gòu)建購買轉(zhuǎn)移概率模型，向用戶推

3、薦商品;基于商品特征趨勢的推薦方法根據(jù)商品特征屬性統(tǒng)計用戶瀏覽軌跡中商品特征趨勢，構(gòu)建Markov特征趨勢模型，當新用戶在線瀏覽商品時，根據(jù)Markov特征趨勢模型和用戶當前瀏覽軌跡中可變商品特征預測用戶偏愛商品的特征集，查找最符合這些特征的商品推薦給當前用戶，該方法也同時考慮歷史數(shù)據(jù)的時效性和特征集在瀏覽軌跡中的順序性。
　　實驗證明，這兩種方法相對于已有的基于用戶瀏覽路徑的方法有較好改進，都取得了比較好的推薦效果，提高了推薦算