O2O電子商務(wù)視角下基于用戶相似性的服務(wù)推薦研究.pdf

1、O2O電子商務(wù)獨(dú)特的線上線下相結(jié)合的模式，使其既擁有傳統(tǒng)電子商務(wù)線上消費(fèi)的諸多優(yōu)勢(shì)，又可以讓消費(fèi)者體驗(yàn)到線下消費(fèi)所帶來(lái)的樂趣，如何讓這兩方面的優(yōu)勢(shì)都發(fā)揮到最大化，是當(dāng)前 O2O電子商務(wù)發(fā)展所面臨的問題。傳統(tǒng)電子商務(wù)中服務(wù)推薦模型的應(yīng)用已經(jīng)比較成熟，它使得消費(fèi)者在購(gòu)物時(shí)更便捷地找到意向產(chǎn)品，縮短了購(gòu)物周期，不僅提高了用戶滿意度，同時(shí)增強(qiáng)了企業(yè)競(jìng)爭(zhēng)力。O2O電子商務(wù)線上購(gòu)買類似于傳統(tǒng)電子商務(wù)，因此將服務(wù)推薦模型應(yīng)用到O2O電子商務(wù)中也將取得

2、很好的效果。
　　基于以上考慮，本文通過度量用戶歷史消費(fèi)位置相似性、用戶對(duì)項(xiàng)目類別興趣度相似性和用戶評(píng)分相似性，最終確定目標(biāo)用戶的鄰居用戶，以產(chǎn)生服務(wù)推薦。在用戶歷史消費(fèi)位置相似性度量中，首先用 K-means聚類算法對(duì)所有消費(fèi)位置進(jìn)行聚類，得到若干消費(fèi)域，然后通過計(jì)算用戶訪問各消費(fèi)域次數(shù)之間的相似性，得到用戶歷史消費(fèi)位置相似性。本文改進(jìn)了傳統(tǒng)協(xié)同過濾算法，在其中融合用戶對(duì)項(xiàng)目類別興趣度相似性的度量和用戶評(píng)分相似性的度量。在用戶對(duì)

3、項(xiàng)目類別興趣度相似性度量中，先對(duì)所有項(xiàng)目分類，利用用戶對(duì)各類別的總評(píng)分次數(shù)計(jì)算用戶對(duì)各類別的興趣度，用戶對(duì)同一類別興趣度相近，其相似性就高；用戶評(píng)分相似性是通過用戶對(duì)各項(xiàng)目的評(píng)分計(jì)算得到。通過三次相似性度量產(chǎn)生鄰居用戶，利用鄰居用戶對(duì)各項(xiàng)目的評(píng)分，得到目標(biāo)用戶對(duì)未評(píng)分項(xiàng)目的預(yù)測(cè)評(píng)分，從而將預(yù)測(cè)評(píng)分較高的項(xiàng)目作為目標(biāo)用戶的推薦項(xiàng)目。
　　本文根據(jù)上述推薦思想構(gòu)建了服務(wù)推薦模型，模型對(duì)新用戶和非新用戶采用不同方法進(jìn)行服務(wù)推薦，解決了新

4、用戶進(jìn)入系統(tǒng)時(shí)產(chǎn)生的“冷啟動(dòng)”問題。此模型是針對(duì) O2O電子商務(wù)構(gòu)建的服務(wù)推薦模型，相比于傳統(tǒng)電子商務(wù)的服務(wù)推薦模型，不僅考慮到了用戶線下消費(fèi)位置可能對(duì)用戶購(gòu)買意向產(chǎn)生的影響，而且改進(jìn)了直接利用所有用戶評(píng)分進(jìn)行服務(wù)推薦導(dǎo)致的問題。將此模型應(yīng)用到O2O電子商務(wù)環(huán)境，將使推薦效率更高，結(jié)果更準(zhǔn)確，用戶使用O2O電子商務(wù)進(jìn)行線上交易時(shí)更簡(jiǎn)便和高效。
　　本文利用某團(tuán)購(gòu)網(wǎng)站的部分消費(fèi)記錄進(jìn)行實(shí)證研究，將消費(fèi)記錄進(jìn)行數(shù)據(jù)預(yù)處理，任意選取某一