基于ROCK聚类算法的农资电子商务智能推荐模型研究
【摘要】 电子商务发展至今已经成为能够和实体购物相提并论的购物模式，其涉及的领域也越来越广泛，从衣食住行到娱乐、文化等，甚至从逐渐饱和的城市转移到尚待开发的农村市场，可以说“无孔不入”，这种新的消费模式的到来为广大用户带来了极大的方便，然而它的副作用也不可忽视。以农资电子商务网站为例，农资商品信息、消费者的需求信息以及其他各种信息充斥在互联网这条信息高速路上，人们的需求和电商的供给本应该像行驶在同一条高速路的两端，通过相互碰撞得到各自的满足，而由于信息的泛滥使人们的需求和电商的供给走上了不同的高速路，偶尔的契合便如同交通事故的发生，不可预测。所以农资智能推荐技术随之而来，它将农村市场、农民用户和农资产品的特色与普通电子商务智能推荐系统相结合，理顺了电商与消费者的之间供需路径，使消费端的双方都得到了满足。论文以为农资用户提供更好的商品推荐为出发点，深入分析了农村市场、农民用户和农资产品的特性，针对普通电子商务网站智能推荐系统在农资推荐缺乏针对性的现状，设计了农资智能推荐模型的架构，提出了三种推荐模型，通过三种推荐模型的相互配合来提升用户的消费体验。通过对农资产品特性的分析，得知农资产品的项目属性是影响农资用户购买与否的关键，所以论文通过分析用户对项目的评分去确定项目属性对用户的推荐效用，并对项目属性效用进行线性叠加得到用户对项目的真实评分，使推荐更具有科学性。而基于项目的推荐算法都是存在先天缺陷的，它们无法处理新用户的问题，所以论文设计了基于用户的推荐模式，使之成为基于项目推荐模型的补充，并且通过Hadoop技术丰富了该算法的处理能力，为其应对将来可能出现的大数据等更复杂环境提前做了准备，提升了推荐系统的可扩展性。在完成了基于项目的推荐模型和基于用户的推荐模型后，农资智能推荐模型仍不能解决及时发现用户新兴趣的问题，所以论文设计了关键字搜索推荐模型，该推荐模型通过语义网络确定用户输入的有效信息即关键字，并通过TD-IDF技术对关键字进行了分类，确定关键字属于用户偏好范畴还是项目属性范畴，从而确定相应的推荐算法进行推荐，该模型使用户搜索行为变得更加高效，而且有效地避免了用户搜索过程中可能产生的错误，合理地规避了因为用户手误或其他干扰产生的错误推荐。
1 绪论
智能推荐技术发展至今已经较为成熟，尤其是在商业竞争的驱动下，使得各个电子商务网站愈发热衷于对智能推荐技术的投入，因为借助于智能推荐系统的分析，网站可以在微观上拉近与用户的距离，提升用户粘度，增加营业收入，在宏观上可以通过数据统计优化资源分配、控制企业的成本、提升企业利润、增强企业间竞争力等，最终获得企业利润和消费者满意度最大化。而智能推荐系统的推荐方式在技术深度上可以分为两类： 一类是技术深度较低的，包含的推荐方式大体分为两种：1）最新产品推荐及热销产品推荐这种方式。多应用于小型电子商务网站或网站的运营初期，某些网站也会在节假日促销时使用这种推荐方式；这是一种形式简单但是效果尚佳的推荐方式，满足了大众用户求优、求新和求性价比的心理诉求，其缺点是不能对客户进行深度挖掘，没有针对性，容易掩盖具有高价值量的客户需求。
............
2 农资电子商务智能推荐系统模型设计
2.1 农资智能推荐系统模型的设计
本文通过将多种推荐方式如基于项目、基于用户和基于关键字等不同的推荐模型相结合，分析农村市场、农业用户和农资产品的特性和普通电商推荐系统的不足，设计了一个专门针对农资产品进行推荐的智能推荐模型。 该模型以农资电子商务平台为载体，笔耕文化推荐期刊，通过网站收取的用户基本信息、购买记录、浏览信息、评分信息和搜索记录等对用户兴趣进行分析，并将三种推荐技术相结合，针对各种推荐技术的不足做出了有效的补充，使推荐的内容更具有科学性、推荐系统更加高效。本模型根据农资用户的需求进行系统设计，所应有的都是现有成熟的推荐技术，首先保证系统的可行性，并逐步使系统功能更加强大、更加稳定。在使系统稳定可行的同时，又根据信息技术发展的趋势以及可能面对的新环境，本模型对未来可能产生的其他推荐应用预留了接口[29]，增强系统的可扩展性，从而使系统能够不断更新，便于以后的发展。所以本文将hadoop 技术引入到了智能推荐系统中，使推荐系统不仅能够处理日常推荐，还能为将来农业大数据时代的到来做好准备。
2.2 农资智能推荐模型的设计
在农资智能推荐系统中，推荐算法模块的设计是核心中的核心。我们知道基于项目的协同过滤算法的优势是可以处理新产品问题，通过分析项目内容来进行推荐，也就不存在新进项目无法获得推荐的问题；但是对于新进用户，基于项目的推荐系统还是无法推荐。而基于用户的协同过滤算法能很好的缓解这一问题，它通过比较用户之间的相似性进行推荐，对于新用户只需要确定新用户的归属问题即可进行推荐。然而，基于用户的协同过滤算法也不是全面的，它同样无法对毫无历史信息的“游客”进行推荐，而且当用户对前两种推荐算法产生的推荐结果不满意时，即用户产生了新的消费思路时，前两种算法都无法很好地解决这种用户新偏好出现的问题，所以本文将基于关键字推荐算法也融入到农资智能推荐系统中，它直接分析用户输入内容区匹配所搜索的项目，并且将本次搜索输入的信息与用户基本信息相结合，修正原有推荐算法的不足、规避了用户手动输入信息时可能出现的错误，并对搜索结果按照推荐顺序进行排序，将能够很好的解决这一问题。所以我们将三者相结合，以求达到更好的推荐效果。
3 基于项目的智能推荐算法 .................... 20
3.1 数据的预处理 ................... 22
3.2 基于项目属性的推荐算法的设计 ...................... 25
3.3 实验分析 ...................... 26
4 基于用户的智能推荐算法 ......................... 29
4.1 相关技术 .......................... 30
4.2 基于用户推荐模型的设计 ................... 33
4.3 ROCK 聚类分析 ............................. 35
4.4 实验分析 ..................... 38
5 基于关键字搜索的推荐算法 ........................ 44
5.1 推荐流程和存在的问题 ........................... 45
5.2 针对关键字分类问题的解决办法 ................... 46
5 基于关键字搜索的推荐算法
5.1 推荐流程和存在的问题
通过以上的分析，我们可以确定基于关键字搜索推荐模型在接收到输入信息后的推荐流程，简述如下： 1），对用户输入信息进行处理，得到关键字； 2），对关键字进行分析，确定所在类： 3），运用所在分类的推荐算法进行推荐，将推荐结果返回给搜索界面。 其推荐流程如图5.1所示。对关键字进行分类的处理是需要特别注意的，因为相同的关键字对于不同的用户而言的意义是不一样的，比如：从两个用户输入内容中都分析得到了关键字“病虫害”，而两个用户分别是棉农和果农，其用意一定不同。所以本文在对关键字分类时 TD-IDF 技术与用户信息进行了结合，使分类结果更加切合用户的实际需求。
5.2 针对关键字分类问题的解决办法
通过对推荐流程的分析，我们发现亟需解决的问题是第二个，即，针对不同的用户判断关键字属于用户偏好分类还是项目属性分类，从而判断使用什么样的推荐算法进行推荐。由于从流程 1 得到的关键字是文本，所以本文需要通过文本分类方法对其分类，传统的文本分类方法有很多，统计类技术如贝叶斯分类、TF-IDF方法和 CHI 统计法等，其他类型的分类方法还有如向量空间模型(VSM)、基于支持向量机( SVM) 和神经网络等方法。除 TF-IDF 算法外，其他的分类技术方法都要求规模较大的数据集，而为了使分类结果具有个性化，本文将根据每一个用户数据作为分析对象，单个用户的信息量是达不到那些算法的要求的，所以本文选用TF-IDF作为关键字分类的方法。
.........
总结与展望
本文以建立农资智能推荐模型为目的，通过分析农资产品、农村市场、农民用户的特性，将其与普通智能推荐系统相结合，使之能够对农资产品进行推荐。在本章中首先介绍了智能推荐的研究现状和农业电子商务智能推荐系统的研究现状；然后针对普通电子商务推荐系统缺乏农资产品的针对性的问题，提出了农资智能推荐系统模型的架构设计；最后针对农资智能推荐系统中推荐模块的设计进行了详细的分析，并通过实验验证了三个推荐模式的可行性。以下是对全文内容的详细描述：
1）在文章的第二章中，本文将智能推荐模型分成了三个模块，分别是输入模块、输出模块和推荐算法模块，其中推荐算法模块是设计的核心。本文根据功能的不同将该模块细分为三个次级模块，即数据分析（Data Analysis）、数据预处理（Data preprocessing）和算法设计模块（Algorithm Design），将基于对象的设计思想融入其中，使推荐过程更加细化的同时方便了系统的扩展与删减。
2）在基于项目的协同过滤算法中，项目内容是影响推荐的重要因素，所以针对项目内容改良算法将会具有非常重要的意义，而如果将项目属性作为分析对象，通过数据挖掘技术得到某些项目属性对用户的推荐效应，找到能够影响用户购买的那些属性，将会在很大程度上提升基于项目的协同过滤算法的推荐效果。
.........
参考文献:
[1] 孙凯,艾丽蓉. 基于项目属性和项目度的BGPR算法[J]. 计算机工程. 2012(16)
[2] 王荣,王飞戈,吴坤芳. 基于改进ROCK算法的个性化推荐系统研究[J]. 河南科学. 2011(11)
[3] 卓广平,孙静宇,李鲜花,余雪丽. 一种基于CBR的个性化推荐算法[J]. 广西师范大学学报(自然科学版). 2011(03)
[4] 蒋翀,费洪晓. 个性化推荐系统中的混合用户偏好获取[J]. 计算机系统应用. 2010(10)
[5] 陈婷,韩伟力,杨珉. 基于隐私保护的个性化推荐系统[J]. 计算机工程. 2009(08)
[6] 李快追,孙艳玲. 个性化推荐系统在农业网站中的运用研究——以四川农经网为例[J]. 市场论坛. 2009(02)
[7] 刘建国,周涛,汪秉宏. 个性化推荐系统的研究进展[J]. 自然科学进展. 2009(01)
[8] 刘辉,桑金歌. 基于聚类协作过滤的个性推荐系统的实现[J]. 微计算机信息. 2008(24)
[9] 陈雪峰,李树刚. 基于BP神经网络的虚拟物品个性化设计推荐[J]. 计算机工程. 2008(10)
[10] 王文兴. 基于Web的用户可扩展兴趣表示模型[J]. 计算机工程与应用. 2007(34)
本文编号：10935
本文链接：https://www.wllwen.com/jingjilunwen/dianzishangwulunwen/10935.html
