浅析电子商务推荐系统

随着互联网的普及和电子商务的发展,商品推荐系统逐渐成为电子商务IT技术的一个重要研究内容,越来越多地受到研究者的关注。本文探讨了电子商务系统的构成、研究内容、研究现状,分析了目前有的推荐系统存在的缺陷和问题,提出了未来电子商务推荐系统研究的发展方向。     

我国B2C电子商务个性化商品推荐服务实证研究

优质的个性化推荐系统带来了巨大的经济价值和社会价值的同时,也能提高B2C电子商务在当今激烈的市场竞争环境下的存活能力。在简要介绍电子商务个性化推荐系统模型的基础上,详细分析比较了亚马逊、当当网、天猫三家B2C电子商务个性化商品推荐服务,最后对B2C电子商务推荐系统的进一步发展方向进行了展望。     

基于顾客交易数据的电子商务推荐方法研究

文章首先简要介绍了电子商务个性化推荐系统的概念、分类及作用,并综述了几种主要的协同过滤推荐技术;然后针对当前推荐系统的缺点提出了基于顾客交易数据的协同过滤推荐方法;最后简单评述了电子商务个性化推荐领域所面临的挑战及需解决的问题。     

基于关联规则的推荐系统在电子商务中的应用

电子商务的发展加剧了企业的竞争。为了充分应用商务网站的信息,本文提出了建立基于关联规则的电子商务的推荐系统;探讨了电子商务推荐系统模型、生成关联规则和形成推荐集的过程。主要应用FP-Tree算法挖掘客户的行为模式和购买组合,根据用户的兴趣度和置信度产生相应的推荐侯选集,实现网站的个性化服务。根据挖掘的客户知识,网站可以制定针对目标客户的营销方案,从而提高客户的忠诚度,增加商务网站的赢利水平和竞争能力。     

个性化推荐系统综述

随着信息时代的不断发展,信息过载是目前互联网用户面临的一个严重问题,个性化推荐系统就是解决这一问题的重要工具。为了解国内对个性化推荐领域的研究现状与发展趋势,通过对相关文献进行收集处理并借用VOSviewer、Excel对发文量、发文期刊、发文作者、关键词进行现状分析,同时对个性化推荐系统的关键技术用户兴趣模型和推荐算法进行阐述介绍。最后指出了未来个性化推荐系统的挑战与研究重点。     

面向电子商务网站的个性化推荐系统

个性化推荐系统是电子商务个性化服务的核心技术,它是根据网络消费者的历史购买记录或当前浏览行为捕获其潜在偏好,进而为其推荐符合其当前偏好的商品。个性化推荐可以有效的过滤大量无关商品,降低消费者的选择成本,提高商品交易效率。本文立足于个性化推荐系统,分类总结了近年来提出的个性化推荐系统的核心思想,讨论了有代表性的研究成果,深入分析了个性化推荐系统亟待解决的基本问题,并总结展望了当今的发展方向。     

个性化推荐系统对移动电子商务消费者购买决策的影响力及其应用策略

移动电子商务为消费者拓宽了对商品的选择空间,同时也诱发了信息过载、搜索负担过重等问题。为了缓解信息过载的压力,提升消费者的满意度,个性化推荐服务应运而生。主要以消费者购买决策为研究对象,分析了个性化推荐技术如何影响购买决策,并探析了个性化推荐系统在移动电子商务中的应用策略。     

基于协同过滤在高校学习资源个性化推荐系统中应用研究

文章针对目前高校学习资源信息过剩问题而无法向学习者进行个性推荐资源。文章鉴于电子商务个性化推荐模型研究启示,尝试将协同过滤技术应用在高校学习资源中进行个性化推荐技术研究。文章分析了协同过滤技术个性推荐系统类型以及基于项目个性推荐系统模型流程,最后结合案例分析了基于项目协同过滤技术在高校学习资源应用整个流程;并针对协同过滤算法存在问题,提出了改进方法。     

基于信息用户的新闻推荐系统特点及构建

现今信息大爆炸的时代,每天有大量的新闻发布,如何在众多的新闻中,为用户推荐适合的新闻,增加用户的阅读舒适度有重要的意义。新闻推荐系统根据用户和新闻的特点,经过推荐模块采用不同的推荐算法进行新闻推荐。文章对新闻推荐系统进行了概述,给出了主要的流程图和主要算法。     

基于深度学习的商品推荐系统研究

随着移动互联网和电子商务的快速发展,网上购物已经成为人们生活的一部分。商品推荐系统可以提升用户体验,同时增加商品销售量。深度学习技术更加精准的分析、计算用户曾经浏览或购买的商品,因此基于深度学习技术的商品推荐系统可以更加精准的为用户提供服务。     

个性化推荐系统中Web使用挖掘技术的研究

Web挖掘技术在处理海量数据和稀疏数据上有着先天的优势,所以在推荐系统中Web挖掘技术得到了越来越广泛的研究和应用。文章从Web挖掘的概念着手,介绍几种个性化推荐技术,并指出了推荐系统未来的研究热点和发展方向。     

一种新的基于用户的协作过滤推荐算法

协作过滤是应用最为广泛的推荐技术，通常提供预测评分作为推荐。提出一种新的协作过滤算法，采用概率形式．即预测用户喜欢商品的概率来推荐。算法采用基于用户的思路，扩展最近邻算法，通过训练建立预测值和概率形式之间的映射模型，考察相似用户的评价提供概率形式的推荐。实验结果表明该算法能够提供比较准确的预测。     

基于用户-产品-标签三元关系的个性化推荐系统研究

本文主要是在张子柯,周涛,张翼成[1]研究的"基于用户-产品-标签三分图的整合扩散的推荐算法"的基础上进行改进,在用户-产品扩散过程中,使用用户对产品的评分等级进行加权扩散,在产品-标签扩散过程中,使用简单的平均分配扩散,然后进行用户-产品-标签三分图上的简单整合,最终把得分最高的一些产品推荐给用户,提高了推荐的效率和准确性。     

Recommendation system using feature extraction and pattern recognition in clinical care systems

Medical information systems have been increasingly facilitating and improving the quality of health monitoring, disease-trend modelling and early intervention with evidence-based medical treatment by data mining and feature extraction. Such systems are part of the enterprise information system of the healthcare organisations. We proposed a new algorithm fb-kNN towards recommendation algorithms based on analysis of the patterns of diseases with patterns in human body, which was then implemented in Healthcare 4.0 for the recommendation of diagnosis and treatment. Our developed tool is a complete package solution for the Enterprise Management System (ERP) which shows improvement in healthcare, reducing chronic diseases and mortality rates.     

协同主推的“泰山”品牌培育模式研究

本文把"协同主推"的理念引入工商企业协同机制中,通过建立协同主推品牌培育模式,确定协同合作领域与工作流程,并通过多项协作保障措施,以期实现"泰山"品牌在市场中的有效突破,塑造起大品牌形象。     

人才中心毕业生推荐管理系统的分析与设计

近年来，高校毕业生人数逐年增加，各大高校就业推荐工作量也越来越大。合理搭建一个公开的信息化平台，能够提高就业指导部门工作的效率，降低企业用人成本，便于毕业生求职。组织力量自行开发适合于本校的就业信息网站，对于实现毕业生就业服务信息化、网络化，提高就业指导质量与管理水平，具有重要的现实意义。     

协同过滤推荐算法综述

推荐系统是电子商务系统中最重要的技术之一,协同过滤推荐技术是目前应用最广泛和最成功的推荐技术。本文首先介绍了协同过滤的基本概念和原理,然后总结了协同过滤推荐算法中的关键问题和相关解决方案,最后介绍了协同过滤推荐算法需要进一步解决的问题和可能的发展方向。     

基于离散选择模型的推荐系统改进算法

准确地预估用户的点击率,并根据该概率对商品排序以供用户选择在推荐系统领域有着重要的意义。推荐系统中常用的因子分解机等机器学习模型一般只考虑用户选择单个商品的概率,忽略了候选商品之间的相互影响,离散选择模型则考虑将商品候选集作为整体进行考虑。提出了使用深度学习模型来改进离散选择模型,模型使用相对特征层、注意力机制等网络结构帮助深度学习模型进行不同商品间的特征比较,研究结果表明引入离散选择模型的深度学习模型表现优于梯度提升决策树、因子分解机等模型。