基于网络用户行为的个性化推荐研究

VIP免费

3.0 刘畅 2024-11-07 4 4 1.2MB 55 页 15积分

侵权投诉

基于网络用户行为的个性化推荐研究

摘要

电子商务是发生在Internet上的一种商务活动，目前从事电子商务的企业较多

网络打破了信息获取的时空局限性，在商品同质的情况下，电子商务企业的竞争非

常激烈。并且随着网络的不断发展，信息技术的不断进步，网络上的信息资源越来

越多，用户若想从浩瀚的信息海洋中，找到所需要的信息比较困难。若能找到一种

根据用户行为发现用户的兴趣，有针对性地为用户提供服务的技术，可以提高企业

的竞争能力，这将成为电子商务企业的一大竞争优势。在这样的背景下，本文的基

本思路是通过对网络用户行为尤其是网络用户的评分行为进行分析，从中发现用户

兴趣的特点，然后对个性化推荐技术进行改进，提高企业个性化推荐的质量。总体

来看，本文主要做了以下几个方面的工作:

首先，查阅了有关网络用户行为和个性化推荐的文献，在此基础上，对国内外

研究现状进行了综述，总结了网络用户行为和个性化推荐的研究方向，指出了将网

络用户评分行为和个性化推荐技术相结合进行研究的重要性。

其次，阐述了网络用户和网络用户行为的定义，并对网络用户行为中重要的常

见的几种行为如检索行为、浏览行为、交互行为和选择行为进行了介绍，这些行为

在某种意义上都表现了用户的兴趣，能为个性化推荐提供信息。个性化推荐技术是

一种信息过滤技术，目前主要有基于内容的推荐、关联规则推荐、协同过滤和混合

推荐技术，本文介绍了主要的个性化推荐技术，着重分析了协同过滤算法。

最后，对网络用户的评分行为进行分析，对比分析不同用户评分情况和用户自

身整体评分，指出用户的兴趣具有多样性和差异性的特点，根据这两种特点提出了

一种定义用户兴趣的综合兴趣模型，并将用户综合兴趣模型运用到协同过滤算法中

协同过滤算法是个性化推荐技术中使用最成功的技术之一，用户相似性度量是算法

中重要的步骤，本文对传统的相似性度量方法Pearson和Jaccard方法进行比较分析

提出了一种新的相似性度量方法，并将用户综合兴趣模型和新的相似性度量方法对

传统的协同过滤算法进行改进，通过Movielens数据集对改进后的方法进行了验证

实验表明用户综合兴趣模型和相似性改进方法都有助于提高个性化推荐的质量，两

者结合后使个性化推荐结果的准确性更高。

本文提出的改进算法为提高推荐算法的精度提供了研究思路，并且本文中的方

法基于网络用户的评分行为，算法简单可行。论文的研究结果对电子商务企业经营

客户关系管理、企业经济效益的提高具有一定的理论和现实意义。

关键词：网络用户行为个性化推荐协同过滤算法用户多兴趣相似性

度量

ABSTRACT

E l e c t r o n i c c o m m e r c e i s o n e b u s i n e s s a c t i v i t y o c c u r r e d i n t h e

Int e r n e t. At p r e se n t th e e l e c t r on i c co m m er c e e n t e rp r i s e b e c o m e s m o r e a n d m o re a n d

n e t w o r k b re ak t h e l i m i t a t i o n o f t i m e a n d s p a c e w h e n a c q u i r e i n f o r m a t i o n . I n t h e

commodity homogeneity situation, the competition of electronic business enterprise is

f i e r c e a n d t h e n e t w o r k i n f o r m a t i o n r e s o u r c e s b e c o m e t o o b i g t o s e a r c h w i t h t h e

continuous development of network and information technology. If the enterprise can

f i n d o n e t e c h n o l o g y w h i c h c a n i d e n t i f y t h e i n t e r e s t o f u s e r s f r o m b e h a v i o r

and provide different people with different service initiatively, it will become a good

c o m p e t i t i v e a d v a n t a g e f o r e n t e r p r i s e . U n d e r t h i s b a c k g r o u n d , t h e b a s i c i d e a o f t h i s

paper is findin g th e chara c ter i stics o f the user's in tere st thro ugh a nal ysis the ne twork

u s e r b e h a v i o r e s p e c i a l l y u s e r ' s r a t i n g b e h a v i o r t o i m p r o v e t h e p e r s o n a l i z e d

r e c o mme n d a t i o n t e c h n o l o g y a n d i n c r e a s e t h e q u a l i t y o f r e c o m m e n d r e s u l t. O v e r a l l ,

this paper is mainly devoted from following aspects:

F i r s t o f a l l , t h e r e l e v a n t l i t e r a t u r e o f n e t w o r k u s e r b e h a v i o r a n d p e r s o n a l i z e d

recommendation was consulted and the research st atus was reviewed from hom e and

a b r o a d. B a s e d o n r e c e n t r e s e a r c h, t h e a u t h o r i n t e n d e d t o s u m m a r i z e t h e r e s e a r c h

direction of network user behavior and personalized recommendation,

p o i n te d o u t i t ’ s i m p o r t a n t t o c o m b i ne t h e n e t w o r k u s e r' s r a t i n g b e h a v i o r a n d

personalized recommendation together to do research.

Secondly, this article summarized the theory of network users and the behavior of

the users. Several common network behaviors such as user retrieval behavior, browse

behavior, interactive behavior and choice behavior was described. The information of

u s e r b e h a v i o r i s n e c e s s a r y f o r p e r s o n a l i z e d r e c o m m e n da t i o n w h i c h i s o n e k i n d o f

information filtering technology. It mainly contains: based on content recommendation,

a s s o c i a t i o n r u l e s r e c o m m e n d a t i o n , c o l l a b o r a t i v e f i l t e r i n g a n d m i x e d r e c o m m e n d

technology. This paper analyzed the collaborative filtering algorithm especially.

Finally, based on analyzing the network user's rating behavior this paper presented

the user's i nterest is dive rse and different and put forward a comprehensive model to

d e f i n e t h e u s e r ' s i n t e r e s t , t h e n t h i s m o d e l w as a p p l i e d t o p e r s o n a l i z e d

r e c o m m e n d a t i o n. C o l l a b o r a t i v e f i l t e r i n g a l g o r i t h m i s o n e o f t h e m o s t s u c c e s s f u l

p e r s o n a l i z e d r e c o m m e n d a t i o n t e c h n o l o g i e s, m e a s u r em e n t o f s i m i l a r i t y b e t w e e n

users is an important part in collaborative filtering algorithm. In this paper, compared

with Pearson and Jaccard similarity measures then proposed a new similarity measure.

A p p l i e d u s e r c o m p r e h e n s i v e i n t e r e s t m o d e l a n d n e w s i m i l a r i t y m e t h o d

i nt o i m p r o v e t h e t r a d i t i o n a l c o l l a b o r a t i v e f i l t e r i n g a l g o r i t h m .

M o v i ele n s d a t a s e t w as u s e d t o t e s t w h e t h e r t h e i m p r o v e d m e t h o d w as v a l i d a t e d o r

not. Results show that the user comprehensive interest model and similarity method can

improve the quality of the personalized recommendation.

Th e i m p r o v e d a l g o r i t h m in t h i s p a p e r p r o v i d e s r e s e a r c h i d e a s t o i m p r o v e t h e

accuracy of recommendation algorithm and the method based on the network user's

r a t i n g b e h a v i o r i s s i m p l e a n d p r a c t i c a b l e . T h e r e s e a r c h r e s u l t s a r e v a l u a b l e f o r

e l e c t r o n i c b u s i n e s s e n t e r p r i s e m a n a g e m e n t; c u s t o m e r r e l a t i o n s h i p m a n a g e m e n t ; t h e

e c o n o m i c b e n e f i t s i m p r o v em e n t a n d s o o n . A b o v e a l l , t h i s p a p e r h a s t h e o r e t i ca l a n d

practical significance.

K e y w o r d s : n e t w o r k u s e r b e h a v i o r, p e r s o n a l i z e d r e c o m m e n da t i o n ,

c o l l a b o r a t i v e f i l t e r i n g a l g o r i t h m, u s e r ' s m u l t i p l e i n t e r e s t s, s i m i l a r i t y

measure

目  录
中文摘要
ABSTRACT
第一章 绪论..........................................................1
1 研究背景和意义...............................................1
1.1 研究的背景..............................................1
1.2 研究的意义..............................................2
2 国内外研究现状...............................................4
2.1网络用户行为研究现状.....................................4
2.2个性化推荐的研究现状.....................................6
3本文研究的主要内容与创新点....................................9
第二章 网络用户行为的相关理论和研究方法.............................11
1 网络用户....................................................11
2 网络用户行为................................................11
2.1 用户检索行为...........................................12
2.2 用户浏览行为...........................................14
2.3 用户交互行为...........................................15
2.4 用户选择行为...........................................16
3网络用户行为的研究方法.......................................17
4 本章小结....................................................18
第三章 个性化推荐技术...............................................19
1 基于关联规则的推荐..........................................19
2 基于内容的推荐..............................................21
3 协同过滤推荐................................................22
3.1基于内容的协同过滤......................................23
3.2基于模型的协同过滤......................................27
4 混合推荐....................................................28
5 本章小结....................................................28
第四章 用户多兴趣下的个性化推荐.....................................29
1问题描述.....................................................29
2用户综合兴趣模型.............................................30
3 用户多兴趣下的协同过滤算法..................................33
3.1用户相似性度量..........................................33
3.2评分预测................................................34
4实验过程与结果分析...........................................34
5本章小结.....................................................38
第五章 改进用户相似性度量的协同过滤.................................40
1问题描述.....................................................40
2用户相似性度量方法改进.......................................42
3改进后的协同过滤算法.........................................42
3.1 算法改进思路...........................................42
3.2 改进后的协同过滤算法推荐过程...........................43

5.4实验过程及结果分析...........................................45
5.4.1 相似性改进后的实验过程及结果分析.......................45
5.4.2 用户多兴趣和相似性改进后的实验过程及结果分析...........47
5.5 本章小结....................................................51
第六章 总结与展望...................................................52
6.1 总结........................................................52
6.2 展望........................................................53
参考文献............................................................54
在读期间公开发表的论文和承担科研项目及取得成果......................59
致 谢...............................................................60

第一章绪论

1.1 研究背景和意义

1.1.1 研究的背景

随着互联网的不断发展，信息技术的不断进步，计算机的使用已经深入人们的生

活。通过计算机的使用，人们可以进行复杂的数据处理，可以传递各种信息，可以

从事商务活动，等等。总之，互联网给人们的生活带来了便利。

电子商务不同于传统商务模式，它发生在虚拟的网络世界中，打破了传统商务

模式受空间时间的限制，它是目前重要的商务手段之一，具有较好的发展前景。

2011年与2010年相比，电子商务交易从4980.0亿元增长为7735.6亿元，参与网络购

物的网民由1.48亿人增长到1.87亿人[1][2]，中国电子商务交易增加了2755.6亿，网购

用户增加了0.39亿，与2010年相比分别增长了55.3%和26.4%。电子商务规模扩大，

网购用户也在增加，电子商务展现了广阔的发展前景。

电子商务网站繁多，例如亚马逊、京东、当当、苏宁易购、易讯、天猫，等等

不同网站提供的商品类型可能相似。网络中有大量的信息，商品信息更加透明化，

若用户不顾时间成本，总能在不同的电子商务网站中找到同样的商品，若质量一样

低价成了主要的竞争优势，但低价会缩小电子商务企业的利润空间。当电子商务网

站提供的商品价格一致、并且品质也相同，企业之间是完全竞争时，企业需要找到

自己的竞争优势，如增加用户购买的便利性，缩小用户购买商品时所花费的时间成

本；尽快发现用户的需求，主动为用户提供个性化服务；模拟传统经营模式中的销

售人员，与客户进行沟通，提高商品的交叉销售能力等等。

其实，用户在进行电子商务活动的过程中，表现出了各种各样的行为，例如，

用户对某商品感兴趣，用户直接利用关键词进行检索，对检索到的信息进行浏览，

在浏览的过程中对不清楚的内容向商务代表进行咨询，然后对各种商品进行比较做

出选择，最后决定购买或者使用某种服务。这些行为中包含了用户的兴趣特征，对

网络用户行为进行分析，可以发掘行为中隐含的兴趣，根据用户兴趣主动为用户提

供个性化服务，更好的满足顾客需要，这样可以竞争到更多的客户，有利于电子商

务企业的发展，提高电子商务企业的竞争能力。

电子商务有B2B，B2C，C2C三种商务模式，C2C的一个典型代表是阿里巴巴

创建的淘宝网，淘宝网上有数百万的店铺，每个店铺又有多种商品，淘宝网上商品

数量繁多种类多样，用户往往通过搜索引擎检索需要的产品，但用户的检索水平受

到用户检索能力的限制，检索时返回的结果数量大，并且可能不是用户真正需要的

商品，用户还需要花大量的时间对结果进行筛选。淘宝网仅是网络中的一个商务平

台，用户从中搜寻感兴趣的商品时都比较困难，当从整个互联网上搜寻感兴趣的信

息时，如大海捞针。虽然搜索引擎可以根据用户的需求对信息进行过滤，但是搜索

引擎自动化程度较低，甚至采用不同的关键字进行搜索得到的结果有时相同，用户

仍然需要花费大量的时间和精力寻找目标信息，信息过载现象比较严重，如何解决

网络中的信息过载问题成了重要的任务。

网络用户的行为暗含了大量的信息，网络中有大量的有关用户行为的数据，通

过对这些数据进行分析，根据用户行为中体现的特征预测出用户可能感兴趣的信息

商品、服务，并将预测的结果提供给用户。这样的技术是解决信息过载的一个有效

第一章绪论

途径，并且为不同用户提供的服务不同，一方面满足了用户个性化的需要，满足了

用户的需求，提高用户对企业的忠诚度；另一方面，对企业如何进行客户关系管理

和营销战略制定也有指导意义。因而，对网络用户行为进行分析，发现用户行为中

体现的兴趣，然后对个性化推荐方法进行改进以提高个性化推荐的质量，这对电子

商务发展和客户关系管理具有重要的价值。

1.1.2 研究的意义

个性化推荐系统(Personalized Recommender Systems)的正式定义是Resnick和

Varian于1997年提出的：“个性化推荐系统是利用电子商务网站向客户提供商品信

息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过

程”[3]。个性化推荐系统不仅仅可以利用在电子商务过程中，还可以为网络用户学

习、图书馆系统建设提供帮助，它是个性化服务的模式之一。应用到电子商务中的

个性化推荐系统可以通过识别用户的需求，将用户可能感兴趣的资源推荐给客户，

可以把网站的浏览者变为购买者；可以通过网络用户行为发现具有相似兴趣的用户

为某用户推荐最近邻居喜欢的项目，这样可以提高电子商务网站的交叉销售能力和

顾客对企业的忠诚度，可以实现"长尾理论"的价值[4]。

从1999年开始，ACM每年召开一次关于电子商务的研讨会（ACM-EC），其

中电子商务推荐系统的研究文章比重逐步增大。ACM下面的信息检索特别兴趣组

SIGIR在2001年召开的第24届研究和发展会议上，开始专门把推荐系统作为一个研

讨主题[5]，由此可见，个性化推荐已经受到高度重视。个性化推荐不断发展，已经

成为一个研究领域，对它的研究涉及到信息科学、计算数学、统计物理学、认知科

学等多种学科，与管理科学、消费行为等研究也密切相关[6]。在个性化推荐的过程

中还存在各种问题，如数据的稀疏性对推荐质量的影响；信息剧增带来的推荐系统

扩展性问题；个性化推荐过程中的冷启动问题等等。如何解决这些问题是目前个性

化推荐过程中的热点，对个性化推荐技术进行研究具有学术意义。

网络用户行为是指网络用户主体为了达到某一目的而进行的特殊的行动过程，

是为了满足某一特定的需求，网络用户主体在外部信息的刺激下表现出来的一系列

活动[7]。用户在网络上的各种活动都是以一定的目的为基础的，用户的兴趣、用户

的偏好、用户的行为特征都可以被体现，网络用户行为能反映出用户的需求。了解

用户需求和用户偏好是进行个性化推荐的关键，基于用户行为分析的个性化推荐，

一方面可以快速准确的向顾客提供他们可能感兴趣的产品，信息，服务，满足用户

的个性化需求；另一方面，可以用于分析企业的需求然后向企业推荐满意的顾客群

或者是人才，帮助企业找到目标客户并判断出客户对企业的重要性程度，这对客户

关系管理有借鉴意义，对企业的市场细分和客户细分也有指导意义。所以对基于网

络用户行为的个性化推荐进行研究具有管理意义。

基于网络用户行为的个性化推荐技术，可以根据用户的行为特征对个性化推荐

算法进行优化，提高个性化推荐结果的准确性，更好的为用户推荐可能感兴趣的产

品、信息、服务等，满足用户的物质需求和精神需求，有效地增加用户实际购买行

为，培养用户忠诚度和满意度，增加了电子商务网站的销售量，给企业创造经济利

润。通过对网络用户的行为进行分析，然后对个性化推荐算法进行改进，提高了个

性化推荐的准确性，可以促进电子商务交易的顺利进行，为企业创造丰厚的利润。

所以对基于网络用户行为分析的个性化推荐进行研究可以带来经济效益。

目前很多电子商务网站或多或少的使用了个性化推荐技术。eBay，用户在使

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

15 积分 4人已下载

立即下载 VIP免费下载

摘要：

基于网络用户行为的个性化推荐研究摘要电子商务是发生在Internet上的一种商务活动，目前从事电子商务的企业较多网络打破了信息获取的时空局限性，在商品同质的情况下，电子商务企业的竞争非常激烈。并且随着网络的不断发展，信息技术的不断进步，网络上的信息资源越来越多，用户若想从浩瀚的信息海洋中，找到所需要的信息比较困难。若能找到一种根据用户行为发现用户的兴趣，有针对性地为用户提供服务的技术，可以提高企业的竞争能力，这将成为电子商务企业的一大竞争优势。在这样的背景下，本文的基本思路是通过对网络用户行为尤其是网络用户的评分行为进行分析，从中发现用户兴趣的特点，然后对个性化推荐技术进行改进，提高企业个性化...

展开>> 收起<<

基于网络用户行为的个性化推荐研究.doc

共55页,预览6页

还剩页未读，继续阅读

基于网络用户行为的个性化推荐研究

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

推荐作者

热门标签

举报选择: