《電子商務推薦相關技術及其改進機制》是2014年08月05日中國財富出版社出版的圖書，作者是薛福亮。
基本介紹
- 中文名：電子商務推薦相關技術及其改進機制
- 作者：薛福亮
- 出版社：中國財富出版社
- 出版時間：2014年8月5日
- 開本：16 開
- 裝幀：平裝
- ISBN：9787504752246
內容簡介,圖書目錄,
內容簡介
目前主流協同過濾推薦多依據用戶對項目的直接評價，在具有相似偏好的用戶之間進行交叉推薦。因部分用戶不願意對項目進行評價造成了評價數據的缺失，導致稀疏性問題。
本書提出基於稀疏評價數據套用SOM神經網路對具有相似用戶進行聚類，依據同一聚類簇內用戶購物偏好的相似性，進一步套用RBFN神經網路進行預測，以獲得缺失用戶評價值，同時結合動態產品分類樹及關聯規則挖掘推薦，較好地解決了協同過濾推薦存在的稀疏性問題。
作者簡介：
天津大學管理學博士，美國加州大學富樂敦分校訪問學者。主要研究方向為電子商務推薦、數據挖掘。曾獲天津市優秀青年教師、天津財經大學十佳青年教師等稱號。
圖書目錄
目錄
第一章電子商務系統概述1
第一節電子商務的產生和發展1
一、引言1
二、電子商務產生和發展的條件3
三、電子商務發展的三個階段6
四、電子商務對社會經濟會產生哪些影響9
五、電子商務在國內外的發展情況11
第二節相關學科對電子商務的影響25
一、計算機學科與電子商務25
二、通信學科與電子商務27
三、管理學科與電子商務29
第三節電子商務的基本概念30
一、電子商務的定義30
二、電子商務的硬體工作平台32
三、電子商務的軟體工作平台33
第四節電子商務與推薦系統33
第五節電子商務推薦現階段問題35
第六節本書的主要工作37
一、本書的研究意義37
二、本書的主要內容37
三、本書的基本思路與研究方法41
第七節本書的組織結構43
第二章電子商務推薦及其相關技術評析45
第一節電子商務推薦系統45
一、電子商務推薦系統及構成46
二、電子商務個性化推薦系統的作用47
三、電子商務個性化推薦系統的研究內容48
四、推薦典型案例49
第二節國內外研究現狀53
一、基礎評價數據的完整性研究現狀53
二、推薦方法研究現狀54
三、計算複雜度研究現狀57
第三節基於內容的推薦58
一、基於內容推薦基本思想58
二、基於內容推薦過程58
第四節協同過濾推薦60
一、協同過濾技術分類66
二、基於用戶的協同過濾66
三、基於項目的協同過濾70
四、協同過濾推薦技術的優缺點72
第五節混合推薦73
第六節基於關聯規則的推薦74
第七節Web數據挖掘與電子商務推薦78
一、隱性數據挖掘80
二、隱性評價數據的處理81
第八節其他推薦方法85
第九節推薦相關技術評析86
第三章基於Vague集理論的產品分類樹89
第一節Vague集相關理論介紹89
一、Vague集相關理論產生背景89
二、Vague集理論的基本思想90
三、Vague集理論與電子商務推薦93
第二節產品特徵的提取與表示94
一、產品特徵的提取94
二、項目特徵的Vague值表示95
第三節相似產品聚類97
一、常用聚類算法比較97
二、聚類原理與過程100
第四節生成產品分類樹103
一、客戶興趣與種子類103
二、產品分類樹的生成104
三、種子類的預設107
第五節項目分類結構圖109
第四章神經網路聚類與預測補值處理110
第一節神經網路基本原理110
一、神經網路發展歷史110
二、神經網路特徵111
三、神經網路基本內容113
四、發展趨勢與套用115
第二節SOM與RBF的聚類與預測116
第三節SOM神經網路的相似用戶聚類：SOM聚類算法118
一、自組織神經網路基本原理118
二、自組織映射網路的拓撲結構122
三、SOM權值的調整域122
四、SOM網路運行原理124
五、SOM學習方法124
第四節利用SOM對評價矩陣進行預聚類126
一、SOM聚類過程126
二、Matlab實現128
第五節RBF神經網路預測補值135
一、RBF神經網路135
二、網路的訓練與設計138
第六節RBF神經網路預測補值處理140
一、RBF神經網路預測補值過程140
二、Matlab實驗及分析142
第五章協同過濾聚類及推薦的實施148
第一節相似用戶的聚類：利用K-均值聚類算法對
種子類內相似用戶聚類148
第二節推薦的實施152
一、本書推薦實施的流程152
二、鑑定最積極與最消極鄰居153
三、關聯規則挖掘154
四、推薦結果集的生成161
第六章推薦質量實驗分析及評價162
第一節實驗度量指標162
一、召回率與精度162
二、F-相關檢測、MAE-平均絕對誤差163
三、實驗方案164
第二節實驗過程164
一、實驗基本內容165
二、MAE-平均絕對誤差分析170
三、計算複雜度分析170
第七章結論與展望174
第一節本書主要內容174
一、研究網路環境下顧客購物偏好的表示與識別174
二、構造協同過濾推薦與關聯規則相結合的混合推薦模型174
三、針對因數據計算複雜所引起的推薦實時性差問題，提出改進機制175
第二節本書創新點175
第三節展望176
參考文獻179
後記197
