论文部分内容阅读
电子商务推荐系统帮助用户在海量的产品信息中搜寻符合其需求的产品，也帮助电子商务运营裔推销长尾产品，提高销售额。然而，已有的基于内容推荐算法和基于协同过滤推荐算法等传统推荐算法存在冷启动、数据稀疏、超高维、个性化推荐精度不高。基于效用的推荐算法虽然解决了上述问题，个性化推荐质量较高，但存在提取产品关键属性难、造成用户评分负担、智能化程度低、实时性差的应用限制。而且，网络购物情境下的顾客感知价值理论体系不完善，难以为电子商务精准营销和个性化推荐提供理论支持。 针对网络购物情境下顾客感知价值理论体系不完善的问题，本文基于顾客感知价值理论和多属性决策理论，结合文本挖掘和因子分析构建网络购物情境下产品属性和顾客感知价值的测度体系;采用问卷调查法、SPSS19.0和Amos21.0统计软件，应用结构方程模型提出了网络购物情境下产品属性对顾客感知价值和购买决策的作用机理，为设计个性化推荐算法提供理论支持。 为了改善基于效用推荐算法的应用限制，提高基于效用推荐系统的性能，本文设计了基于顾客感知价值的个性化推荐算法。将网络购物情境下的顾客感知价值理论作为设计推荐算法的原理和思想，模拟用户制定购买决策过程，依据用户实时的浏览查看行为，融合频数离散度算法、遗传算法设计了在线实时的多属性效用推荐算法:应用直觉模糊时间序列分析顾客感知价值的变动规律，结合模糊聚类和关联规则挖掘方法，设计基于顾客感知价值的离线动态推荐算法，构建云计算框架下的动态推荐系统。采用实验方法，依托淘宝网站和天猫网站提供的产品数据和用户浏览日志，验证了基于顾客感知价值个性化推荐算法在推荐效率、推荐准确性、用户满意度、用户有用性、产品目录覆盖率等系统性能上的优越性。 本文的主要研究内容以及结论如下: (1)应用文本挖掘、问卷调查和因子分析法，构建了网络购物情境下产品属性和顾客感知价值的测度体系。首先，从淘宝网和天猫网站上抽取用户评价文本，采用文本挖掘方法获取产品属性和顾客感知价值的描述词汇，设计产品属性和顾客感知价值构成的测度题项和调查问卷，对收集的数据进行因子分析，构建网络购物情境下产品属性和顾客感知价值的测度体系。结果发现，网络购物情境下，产品属性由社会属性、质量属性、品牌属性、价格属性、服务属性构成，其中品牌属性和服务属性的测量维度与传统购物情境下的测量维度大不相同。网络购物情境下的顾客感知价值由质量价值、社会价值、个人价值和价格价值构成。 (2)采用结构方程模型，构建了网络购物情境下产品属性对顾客感知价值和购买决策的作用机理模型。由网络购物情境下的产品属性和顾客感知价值测度体系，采用结构方程模型处理问卷数据。结果发现，网络购物情境下，社会属性、质量属性是直接影响顾客感知价值的核心因素，品牌属性是通过质量属性和社会属性间接影响顾客感知价值的重要因素。服务属性和价格属性对顾客感知价值的影响非常小。网络购物情境下，用户通过产品的客观属性形成主观的顾客感知价值，顾客感知价值在产品属性和购买决策之间具有完全的中介效应。 (3)根据网络购物情境下顾客感知价值的形成机理，提取产品核心属性构建多属性效用函数，设计基于顾客感知价值的在线实时推荐算法。首先依据质量属性和社会属性设计多属性效用函数，根据用户浏览行为分别采用频数离散度算法和遗传算法挖掘属性值效用和属性权重，设计在线实时的多属性效用推荐算法和多属性效用协同过滤推荐算法。实验结果表明，基于顾客感知价值的多属性效用推荐算法能够根据用户浏览查看行为实时地智能地构建用户效用函数，在推荐精度、时间消耗、用户满意度、用户有用性等系统性能上优于基于效用的传统推荐算法。多属性效用协同过滤推荐算法比多标准协同过滤推荐算法的推荐精度高，时间消耗少，改善了数据稀疏、冷启动问题。 (4)应用直觉模糊时间序列分析顾客感知价值的变动规律，设计了基于顾客感知价值的离线动态推荐算法，结合模糊聚类、关联规则挖掘构建了基于云计算的动态推荐系统。实验结果表明:基于顾客感知价值的动态推荐算法比多属性效用静态推荐算法的推荐精度高，实时性好;采用布尔矩阵法确定初始聚类数目和聚类中心，改进了离线方式下用户和项目FCM模糊聚类的有效性;将改进的FCM模糊聚类应用于推荐系统，提高了最近邻搜寻的精确度，降低了推荐系统的时间消耗;与协同过滤推荐算法相比，根据模糊聚类和关联规则设计的关联产品的动态推荐算法，在产品目录覆盖率、推荐精度等性能上表现更为优越，有助于交叉销售和配套销售。