论文部分内容阅读
随着Internet的飞速发展，近年兴起的电子商务系统对企业的服务提出了诸多新要求，其中最为突出的一个问题就是商品选购的个性化推荐。由于互联网的信息超载问题日益严重，用户本身有限的决策能力与海量增长的信息是极不相适应的。在这种背景下，信息推荐技术为提升信息整合能力提供了一个新的思路。本文主要研究基于广义可加Logistic模型的信息推荐技术，并将该技术应用于某互联网企业电子商务推荐系统，重点考察由于变量非线性函数关系带来的估计误差，并研究了系统冷启动造成的不平衡问题。研究结果表明，基于广义可加Logistic模型的信息推荐算法，可以适应变量的非线性函数关系，并且在正负例不平衡情况下也有较好表现，提高了推荐系统的推荐精度与计算效能，具有一定的学术价值与应用价值。本文主要研究成果如下：（1）提出基于经典Logistic模型的信息推荐算法。首先将信息推荐考虑成一个二元选择问题，从而提出基于Logistic模型的信息推荐，其次介绍了Logistic模型及其参数估计方法，并介绍了在重复观测下Logistic模型及其参数估计。并用对某企业提供的电子商务数据集中的4719条客户记录进行了实验，给出了实证研究结果。（2）提出基于广义可加Logistic模型的信息推荐算法，研究了参数估计的Localscoring算法，并给出推荐结果。其次，在样本集上进行重复抽样构造多个不平衡数据集，分别测试模型。结果显示，改进后的模型不仅大大提高推荐准确率，而且用不平衡数据集训练的模型系数也比较稳定。最后，简单讨论基于统计的信息推荐模型算法效率、时变性方面的问题，提出了未来研究的方向。