在電子商務中基于用戶行為的推薦算法研究.pdf

1、隨著信息技術和互聯網的發(fā)展，同時帶動了電子商務行業(yè)的迅猛發(fā)展。在基于互聯網的電子商務平臺日益增多的同時，伴隨而來的是呈爆炸式增長的數據量。雖然數據量的增多可以給用戶提供更多的選擇，但同時也會導致用戶信息過載，無法從如此紛繁復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據庫，提取用戶和品牌的特征，采用隨機森林和改進的協(xié)同過濾算法，以及組合神經網絡算法對用戶下個月的購買行為進行預測。
　　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)，對推薦算法進行研究和改進，最后通過實驗仿真，驗證了本文改進算法的有效性。本文的主要研究內容如下:
　　(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據上應用的不足，

3、針對該算法的不足，提出應用多決策樹組合模型，即隨機森林模型進行預測推薦;對隨機森林模型進行了詳細介紹和分析;并且利用隨機森林模型對分析用戶行為設計的用戶和品牌特征進行了重要性評估。對用戶未交互品牌的預測，應用協(xié)同過濾算法。對傳統(tǒng)協(xié)同過濾算法進行介紹分析，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重，該權重的計算方法采用層次分析法中計算權重的方法進行。
　　(2)基

4、于RBF-BP組合神經網絡推薦算法。利用神經網絡能夠對大量復雜的非線性數據進行分析，適用于構造數據預測模型，因此本文利用了神經網絡模型對用戶有過交互行為的品牌做預測推薦。通過分析BP神經網絡和RBF神經網絡模型用于預測分析的優(yōu)缺點，提出了基于RBF-BP組合神經網絡推薦算法。為了使推薦結果更全面，把改進后的協(xié)同過濾推薦算法和組合神經網絡推薦算法結果相融合，能達到更好的推薦效果。最后對這幾種算法進行了實驗，實驗結果顯示改進算法的性能都得到