電子商務推薦系統(tǒng)(E-commercerecommendersystems)是解決信息超載(informationoverload)、實現(xiàn)電子商務網(wǎng)站"一對一營銷"戰(zhàn)略的重要技術，是網(wǎng)站客戶關系管理的有益組成，已經(jīng)在許多大型網(wǎng)站得到應用。協(xié)同過濾是目前電子商務推薦系統(tǒng)中廣泛使用的、最成功的推薦算法，但還存在諸如稀疏性(sparsity)、冷啟動(cold-start)、可擴展性(scalability)等制約其進一步發(fā)展的瓶頸問題。本書針對這些問題展開研究。
更多科學出版社服務，請掃碼獲取。
目錄
前言
第1章 緒論1
1.1問題的提出1
1.2研究目的與意義4
1.3電子商務推薦系統(tǒng)概述6
1.3.1定義及任務6
1.3.2用戶偏好數(shù)據(jù)7
1.3.3相關推薦技術9
1.4國內外研究現(xiàn)狀15
1.4.1協(xié)同過濾的起源和發(fā)展15
1.4.2協(xié)同過濾的瓶頸問題22
1.4.3稀疏性問題研究現(xiàn)狀24
1.4.4可擴展性問題研究現(xiàn)狀33
1.5研究內容與結構安排43
第2章 傳統(tǒng)協(xié)同過濾及其評價方法45
2.1基于用戶的協(xié)同過濾45
2.1.1表示46
2.1.2鄰居用戶形成46
2.1.3推薦生成49
2.2基于項目的協(xié)同過濾51
2.2.1鄰居項目形成51
2.2.2推薦生成55
2.3推薦質量評價方法56
2.3.1評價標準56
2.3.2實驗數(shù)據(jù)集59
2.3.3實驗方案60
2.4本章小結60
第3章 面向KNN法的稀疏性緩解理論研究61
3.1相關工作分析61
3.2非目標用戶類型區(qū)分理論62
3.3基于領域最近鄰理論的KNN法64
3.3.1領域最近鄰理論64
3.3.2基于領域最近鄰的KNN法描述67
3.3.3實驗結果及分析69
3.4基于Rough集理論的KNN法73
3.4.1基于Rough集理論的未評分項填補方法73
3.4.2基于Rough集理論的KNN法描述78
3.4.3實驗結果及分析79
3.5本章小結87
第4章 基于用戶訪問項序的冷啟動消除方法研究88
4.1相關工作分析88
4.2用戶訪問項序理論90
4.2.1用戶訪問項序的獲取90
4.2.2n序訪問解析邏輯93
4.2.3用戶訪問項序的相似性計算方法95
4.3基于訪問項序最近鄰的top-N推薦99
4.4基于Markov鏈模型的商品導航推薦101
4.4.1Markov鏈與概率轉移矩陣101
4.4.2用戶訪問項序的Markov鏈模型104
4.4.3模型的訓練方法105
4.5實驗結果及分析106
4.5.1實驗環(huán)境、數(shù)據(jù)集及評價標準106
4.5.2實驗結果及分析107
4.6本章小結109
第5章 面向可擴展性的增量更新機制研究110
5.1相關工作分析110
5.2項目相似性增量更新機制111
5.2.1增量更新機制的基本思想112
5.2.2獨立因子的增量值計算方法113
5.2.3計算復雜度分析118
5.2.4增量更新流程分析120
5.3實驗結果及分析121
5.3.1實驗環(huán)境、數(shù)據(jù)集及評價標準121
5.3.2實驗結果及分析123
5.4本章小結125
第6章 電子商務協(xié)同過濾系統(tǒng)ECRec的設計與實現(xiàn)126
6.1ECRec的設計127
6.1.1系統(tǒng)架構設計127
6.1.2功能模塊設計128
6.1.3系統(tǒng)內存處理設計132
6.2ECRec的實現(xiàn)136
6.3本章小結139
第7章 總結與展望140
7.1研究工作總結140
7.2未來研究展望142
參考文獻144
書單推薦
