基于邏輯回歸的推薦技術(shù)研究及應(yīng)用.pdf

1、作為現(xiàn)代電子商務(wù)平臺(tái)的一個(gè)重要組成部分，推薦技術(shù)的表現(xiàn)決定了其電商平臺(tái)的表現(xiàn)?？萍嫉倪M(jìn)步帶來(lái)互聯(lián)網(wǎng)領(lǐng)域的突飛猛進(jìn)發(fā)展，它也將紛繁的各種信息展現(xiàn)給我們。面對(duì)如此多的信息，我們會(huì)思考：怎么找到自己感興趣或者自己有用的信息呢。一切的實(shí)際情況表明：想要發(fā)現(xiàn)對(duì)自己有價(jià)值的片段，無(wú)疑變得非常困難，即使只是全瀏覽一遍這些信息也是不現(xiàn)實(shí)的。個(gè)性化推薦系統(tǒng)的發(fā)展始于二十世紀(jì)九十年代的一次美國(guó)人工智能會(huì)議，當(dāng)時(shí)參加會(huì)議的卡耐基.梅隆大學(xué)的RobertArm

2、strong等人提出了一種個(gè)性化導(dǎo)航系統(tǒng)：WebWatcher。隨后，來(lái)自斯坦福大學(xué)的MarkoBalabanovic等人也于該會(huì)議提出了個(gè)性化推薦系統(tǒng)－LIRA的思想。從此拉開(kāi)了個(gè)性化推薦系統(tǒng)的發(fā)展序幕。從最開(kāi)始的基于內(nèi)容的推薦系統(tǒng)，到后來(lái)的基于協(xié)同過(guò)濾的推薦系統(tǒng)的發(fā)展，經(jīng)歷了短短的20多年，到如今隨著我國(guó)互相網(wǎng)絡(luò)基礎(chǔ)建設(shè)的完善，網(wǎng)絡(luò)帶寬的擴(kuò)大，使得推薦系統(tǒng)的發(fā)展更加迅速。推薦系統(tǒng)的發(fā)展所經(jīng)歷的時(shí)間不算長(zhǎng)，但是其帶來(lái)的影響卻是巨大的。

3、在這個(gè)過(guò)程中先后出現(xiàn)了多種推薦算法，最主要的代表有：協(xié)同過(guò)濾算法、基于內(nèi)容的推薦算法和基于網(wǎng)絡(luò)結(jié)構(gòu)的推薦算法等。它們的出現(xiàn)，以及發(fā)展延伸，為未來(lái)推薦系統(tǒng)的發(fā)展起到了鋪墊作用。
　　本文為了研究特征屬性在推薦系統(tǒng)中起到的影響作用，我們想到了邏輯回歸模型。邏輯回歸也就是邏輯回歸的分析，一般情況是在流行性疾病學(xué)中應(yīng)用比較多。本文的研究?jī)?nèi)容為：
　　首先，我們的研究重心是在推薦算法模塊，利用后臺(tái)的推薦算法，實(shí)時(shí)地從產(chǎn)品集合中篩選出用

4、戶(hù)感興趣的產(chǎn)品進(jìn)行推薦。通過(guò)邏輯回歸模型建立場(chǎng)景模型，分析數(shù)據(jù)集，從分析結(jié)果中選擇最優(yōu)的特征。邏輯回歸函數(shù)可以進(jìn)行參數(shù)的自我優(yōu)選，即是輸入一系列參數(shù)，最后訓(xùn)練得到的參數(shù)為對(duì)該數(shù)據(jù)集影響較大的特征。
　　其次，研究邏輯回歸場(chǎng)景模型的預(yù)測(cè)效果。通過(guò)兩個(gè)步驟來(lái)對(duì)場(chǎng)景預(yù)測(cè)效果分析，第一步研究離線(xiàn)情況下的參數(shù)選取效果，也就是建立回歸模型引擎訓(xùn)練參數(shù)；第二步，優(yōu)化后的參數(shù)應(yīng)用到在線(xiàn)測(cè)試站測(cè)試效果，即應(yīng)用到推薦系統(tǒng)，并分析其結(jié)果。
　　最

5、后，研究不同數(shù)據(jù)集在采用了邏輯回歸場(chǎng)景引擎技術(shù)的推薦系統(tǒng)中的效果。用戶(hù)購(gòu)買(mǎi)的行為分為自我行為和商品的行為。我們研究?jī)烧叩母髯蕴卣黧w現(xiàn)的用戶(hù)興趣所在，基于以前方法的推薦并不能指出不同電子商務(wù)環(huán)境的不同特征的影響。挖掘用戶(hù)和商品特征，同時(shí)研究不同特征對(duì)不同數(shù)據(jù)集的影響可以解釋推薦物品的原因，更能體現(xiàn)用戶(hù)的個(gè)人偏好。
　　通過(guò)把本文的方法和標(biāo)準(zhǔn)的協(xié)同過(guò)濾推薦技術(shù)相比較，我們發(fā)現(xiàn)：前者在推薦的準(zhǔn)確率和召回率有一定的提高，且F1指標(biāo)也提高了