【正文】 表 52 興趣愛(ài)好表 (interest) 字 段名稱(chēng) 字段類(lèi)型 字段長(zhǎng)度 可否為空 備注 ID NUMBER(20) 20 否 自增 ID，主鍵 NAME VARCHAR2(30) 30 否 興趣名稱(chēng) 年齡表：表示收禮人的年齡段。由于年齡只有兩種情況，所以年齡不再新建表。 禮品知識(shí)庫(kù)的設(shè)計(jì) 禮品推薦有四個(gè)方面的決定因素：節(jié)日?qǐng)龊?，送禮人，收禮人和收禮人與送禮人的關(guān)系。 第 五 章 系統(tǒng)實(shí)現(xiàn) 系統(tǒng)實(shí)現(xiàn)的關(guān)鍵問(wèn)題及解決方案 禮品信息抓取 本系統(tǒng) 采用 Java 和正則表達(dá)式從 淘寶網(wǎng)上抓取 禮品信息，包括 禮品圖片，禮品名稱(chēng)， 禮品分類(lèi)， 禮品 URL，禮品所賣(mài)商家，禮品價(jià)格等信息。 表 53 包類(lèi)結(jié)構(gòu)清單 類(lèi)名 描述 BehaviorAction 用戶行為記錄控制類(lèi) GiftInfoAction 查看禮品詳細(xì)信息控制類(lèi) GiftSimilarityAction 禮品相似度推薦控制類(lèi) OccationAction 節(jié)日?qǐng)龊贤扑]控制類(lèi) PersonalAction 收禮人描述推薦控制類(lèi) RecipientAction 收禮人信息推薦控制類(lèi) SimilarityAction 禮品關(guān)聯(lián)度推薦控制類(lèi) SearchAction 禮品搜索控制類(lèi) UserAction 用戶注冊(cè)登錄控制類(lèi)，用于處理用戶的注冊(cè)和登錄 ? 包 包中的類(lèi)的描述如表 54?？刂七壿嬛饕邮芟到y(tǒng)推薦頁(yè)面出來(lái)的請(qǐng)求參 數(shù)，然后調(diào)用系統(tǒng)業(yè)務(wù)邏輯層，業(yè)務(wù)邏輯層調(diào)用系統(tǒng)數(shù)據(jù)訪問(wèn)層并最終返回?cái)?shù)據(jù)，北京郵電大學(xué)研究生畢業(yè)論文 23 控制邏輯將這些數(shù)據(jù)返回到系統(tǒng)推薦頁(yè)面。 (3) 推薦子系統(tǒng) 推薦子系統(tǒng)包括知識(shí)庫(kù)推薦，禮品搜索 和用戶交互 。 系統(tǒng) 整體架構(gòu)設(shè)計(jì) 系統(tǒng)架構(gòu)設(shè)計(jì) 互 聯(lián) 網(wǎng)知 識(shí) 庫(kù) 模 型禮 品 專(zhuān) 家S p i d e r初 始 化知識(shí)庫(kù)推薦用戶交互用 戶進(jìn) 一 步 完 善網(wǎng) 頁(yè) 抓 取 子 系 統(tǒng) 推 薦 子 系 統(tǒng)計(jì) 算 相 似 度 禮 品 相 似 度構(gòu) 建 索 引禮 品 庫(kù)禮 品 知 識(shí) 庫(kù)索 引用 戶 日 志禮品搜索知 識(shí) 庫(kù) 與 搜 索 子 系 統(tǒng)文 本 提 取 圖 43 系統(tǒng)整體架 構(gòu)設(shè)計(jì) 圖 如上圖所示，系統(tǒng)整體架構(gòu)設(shè)計(jì)圖。 4) 用戶交互模塊 用戶交互模塊包括用戶注冊(cè)登錄，用戶需求獲取和推薦結(jié)果產(chǎn)生。 2) 保證系統(tǒng)的可移植性 系統(tǒng)所有代碼采用 Java 語(yǔ)言編寫(xiě)，保證了系統(tǒng)的可移植性 。 輸入 3：用戶選擇點(diǎn)擊 禮品列表中 的 某個(gè) 禮品 。如果用戶多次用信用排序，說(shuō)明商家信用對(duì)用戶的決策影響較大，則系統(tǒng)搜索的時(shí)候優(yōu)先以信用排序。 禮品知識(shí)庫(kù)初始化包括兩步：一是人工初始化；二是系統(tǒng)完善 。 收禮者的身份不同，贈(zèng)送的禮品也會(huì)有所不同。 用 戶選 擇 節(jié) 日獲 得 節(jié) 日 推 薦 u s e s u s e s e x t e n d s 獲 得 場(chǎng) 合 推 薦 u s e s 選 擇 場(chǎng) 合 e x t e n d s u s e s 圖 31 基于 節(jié)日?qǐng)龊贤扑]用例圖 如上圖所示，基于 節(jié)日?qǐng)龊?推薦的用例圖，用戶根據(jù) 自己的需求選擇送禮節(jié)日或場(chǎng)合，系統(tǒng)調(diào)用節(jié)日?qǐng)龊贤评硐蛴脩暨M(jìn)行禮品 推薦。 3. 禮品知識(shí)庫(kù)推薦 系統(tǒng)要提供一個(gè)良好的知識(shí)庫(kù)推薦接口，此接口能夠準(zhǔn)確描述用戶的需求， 并使用戶獲得準(zhǔn)確的 禮品 推薦和良好的用戶體驗(yàn)。當(dāng)請(qǐng)求返回時(shí)，就可以使用 JavaScript和 CSS來(lái)相應(yīng)地更新 UI，而不是刷新整個(gè)頁(yè)面。 3) 運(yùn)用 XML實(shí)現(xiàn)數(shù)據(jù)交換和操作。最后，雖然 Lucene 使用 Java 語(yǔ)言寫(xiě)成，但是開(kāi)放源代碼社區(qū)的程序員正在不懈的將之使用各種傳統(tǒng)語(yǔ)言實(shí)現(xiàn)（例如 . framework），在遵守 Lucene 索引文件格式的基礎(chǔ)上，使得 Lucene 能夠運(yùn)行在 各種各樣的平臺(tái)上，系統(tǒng)管理員可以根據(jù)當(dāng)前的平臺(tái)適合的語(yǔ)言來(lái)合理的選擇。 （ 3）優(yōu)秀的面向?qū)ο蟮南到y(tǒng)架構(gòu)，使得對(duì)于 Lucene 擴(kuò)展的學(xué)習(xí)難度降低，方便擴(kuò)充新功能。 Lucene 的原作者是 Doug Cutting，他是一位資深全文索引 /檢索專(zhuān)家，曾經(jīng)是 VTwin 搜索引擎的主要開(kāi)發(fā)者，后在 Excite 擔(dān)任高級(jí)系統(tǒng)架構(gòu) 設(shè)計(jì)師，目前從事于一些 Inter 底 層 架 構(gòu) 的 研 究 。 最后可通過(guò) ()方法驗(yàn)證字符序列與所編譯的正則表達(dá)式是否相匹配。 都符合這個(gè)特征。和任意個(gè) 39。 缺點(diǎn)： 一種 知識(shí)發(fā)現(xiàn) 的 算法 只能適應(yīng)某一領(lǐng)域的數(shù)據(jù)，而更換領(lǐng)域后知識(shí)發(fā)現(xiàn)的算法就不太適用了，因此需要重新定義 規(guī)則或算法。 1. 數(shù)據(jù)挖掘技術(shù)的應(yīng)用 數(shù)據(jù)挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的實(shí)際應(yīng)用數(shù)據(jù)中 , 提取隱含在其中的但又是潛在有用的信息和知識(shí)的過(guò)程 [22]。很難定義商品 屬性和用戶特征的類(lèi)別 ,那么也就很難做出精確的匹配。內(nèi)容過(guò)濾分為兩種 :基于新產(chǎn)品和基于新用戶的內(nèi)容過(guò)濾 [20]。 2. 基于產(chǎn)品的協(xié)同過(guò)濾推薦 (CF I) 基于產(chǎn)品的協(xié)同過(guò)濾技術(shù)也 是應(yīng)用比較廣泛和成功的推薦技術(shù)，它與基于用戶的協(xié)同過(guò)濾推薦的不同是它計(jì)算的是產(chǎn)品之間的相似度，向用戶推薦的是于用戶已經(jīng)購(gòu)買(mǎi)的商品相似度最高的商品。 第二章 個(gè)性化推薦算法 及系統(tǒng) 實(shí)現(xiàn) 關(guān)鍵 技術(shù)介紹 北京郵電大學(xué)研究生畢業(yè)論文 6 協(xié)同過(guò)濾 (Collaborative FilteringCF) 協(xié)同過(guò)濾 (Collaborative FilteringCF)技術(shù) 是基于一組興趣相同的用戶進(jìn)行推薦。設(shè)計(jì)良好 用戶體驗(yàn)的推薦交互界面準(zhǔn)確全面地表達(dá)用戶的需求，從 節(jié)日?qǐng)龊?，收禮人興趣愛(ài)好和收禮人描述 向 用戶進(jìn)行推薦。每個(gè)送禮人都希望送出一份個(gè)性化的禮品，每個(gè)收禮人都希望收到一份適合自己的禮品。 根據(jù) 國(guó)內(nèi)著名互聯(lián)網(wǎng)分析機(jī)構(gòu)艾瑞咨詢調(diào)查顯示，淘寶網(wǎng)占據(jù)國(guó)內(nèi)電子商務(wù) 80%以上的市場(chǎng)份額 。 最后 用戶還可以加入豆瓣的興趣小組，這樣同興趣小組成員的推薦更加精準(zhǔn)，更加符合用戶的興趣。 浙江大學(xué)的孫小華針 對(duì)協(xié)同過(guò)濾 在無(wú)法得 到項(xiàng)目的內(nèi)容信息和用戶個(gè)人信息的情況下，在數(shù)據(jù) 稀疏和冷啟動(dòng)情況下提高預(yù)測(cè)準(zhǔn)確性方面采用了 屬于特征遞增型的 Pear After_SVD 方法和屬于轉(zhuǎn)換型的 LCM STI 方法。 Ringo 系統(tǒng)可以向用戶推薦他們喜歡的音樂(lè)，預(yù)測(cè)用戶不喜歡的音樂(lè)，也可以預(yù)測(cè)用戶對(duì)特定音樂(lè)的評(píng)分。因此，即使是面對(duì)大規(guī)模數(shù) 據(jù)集也有較快的運(yùn)行速度 [8]。 研究現(xiàn)狀 國(guó)外研究現(xiàn)狀 在 推薦 用戶模型方面，常用的用戶建模技術(shù)有向量空間模型 [4]、用戶評(píng)價(jià)矩陣 [5]，以及機(jī)器學(xué)習(xí)技術(shù) [6]。s log. In Chapter 1, the background of remendation system, the significance of the study, and the methods and contents of the study is introduced. In Chapter 2, we describe the main algorithms and key technologies that involved. Requirements analysis, includes overview of the work, the demand of requirement and environment is described in Chapter 3. The main content in Chapter 4 is the system design, which is divided into two parts, the function part and the construction part. Chapter 5 is the detailed description of the key problems and solutions in the process of system construction. In Chapter 6, functional testing and performance testing of the system is operated. The last Chapter is a summary of our work and further prospects. KEY WORDS:gifts remendation, knowledge base,similarity, personalized,search 北京郵電大學(xué)碩士研究生畢業(yè)論文 目錄 V 目錄 北京郵電大學(xué)研究生畢業(yè)論文 1 第一章 緒論 研究背景 隨著 互聯(lián)網(wǎng)和電子商務(wù) 的迅速發(fā)展，人類(lèi)己步入網(wǎng)絡(luò)信息時(shí)代。第二章介紹了主要的推薦算法和本系統(tǒng)所涉及的關(guān)鍵技術(shù)。學(xué)校有權(quán)保留并向國(guó)家 有關(guān)部門(mén)或機(jī)構(gòu)送交論文的復(fù)印件和磁盤(pán)，允許學(xué)位論文被查閱和借閱；學(xué)?？梢怨紝W(xué)位論文的全部或部分內(nèi)容，可以允許采用影印、縮印或其它復(fù)制手段保存、匯編學(xué)位論文。與我一同工作的同志對(duì)本研究所做的任何貢獻(xiàn)均已在論文中作了明確的說(shuō)明并表示了謝意。首先在調(diào)研了禮品信息和禮品贈(zèng)送知識(shí)后構(gòu)建禮品知識(shí)庫(kù)，然后禮品專(zhuān)家通過(guò)人工方式對(duì)禮品知識(shí)庫(kù)進(jìn)行初始化，最后系統(tǒng)根據(jù)禮品的基本信息計(jì)算出禮品綜合相似度對(duì)禮品知識(shí)庫(kù)進(jìn)一步完善。第七章是 工作總結(jié)和進(jìn)一步的展望。另外，用戶每次獲取信息，都要輸入大量、煩瑣的檢索條件，而信息系統(tǒng)不能通過(guò)服務(wù)歷史和服務(wù)過(guò)程掌握用戶需求，信息系統(tǒng)不能產(chǎn)生對(duì)用戶持久的吸引力。 Gery Linden， Brent Smith和 Jeremy York主導(dǎo)開(kāi)發(fā)的 集研究與應(yīng)用于一體的推薦系統(tǒng)， 采用項(xiàng)目 項(xiàng)目協(xié)同 過(guò)濾算法，根據(jù)用戶己購(gòu)買(mǎi)和己評(píng)分項(xiàng)目尋找相似項(xiàng)目，將相似度高的項(xiàng)目列入到推薦列表中。MovieLens采用了基于用戶的協(xié)同過(guò)濾和關(guān)聯(lián)規(guī)則相結(jié)合的技術(shù)，計(jì)算用戶的相似度并根據(jù)相似度分析用戶的“鄰居”，這些“鄰居”是具有相似興趣愛(ài)好的“鄰居區(qū)”， “鄰居”們對(duì)電影的評(píng)分?jǐn)?shù)據(jù)被用來(lái)為目標(biāo)用戶生 成個(gè)性化推薦項(xiàng)目 [10]。 北京郵電大學(xué)研究生畢業(yè)論文 3 Gift Ideas()是一個(gè)專(zhuān)業(yè)的個(gè)性化禮品推薦網(wǎng)站， 網(wǎng)站的禮品知識(shí)庫(kù)非常專(zhuān)業(yè)，推薦頁(yè)面用戶體驗(yàn)性非常好。 實(shí)驗(yàn)結(jié)果表明 ， 算法在用戶評(píng)分?jǐn)?shù)據(jù)極端稀疏的情況下 ， 仍能取得較理想的推薦質(zhì)量 [16]。 北京郵電大學(xué)研究生畢業(yè)論文 4 研究意義 電子商務(wù)網(wǎng)站是推薦系統(tǒng)應(yīng)用 最 廣泛的地方。 凡客誠(chéng)品 20xx年銷(xiāo)售的衣服達(dá)到了4000萬(wàn)件。 本文工作 研究路線和方法 本文從淘寶網(wǎng) 上抓取數(shù)千禮品信息， 然后采用正則表達(dá)式進(jìn)行文本提取，將提取的文本信息保存到數(shù)據(jù)庫(kù)形成禮品庫(kù)。 禮品知識(shí)庫(kù)的初始化和完善：用禮品專(zhuān)家的禮品知識(shí) 對(duì)禮品知識(shí)庫(kù)進(jìn)行初始化 ， 然后采用 一定的算法 對(duì)禮品知識(shí)庫(kù)進(jìn)行完善 。 首先利用用戶的歷史記錄如搜索記錄、瀏覽記錄、評(píng)分評(píng) 價(jià)等對(duì)用戶特征進(jìn)行分析和建模。 內(nèi)容過(guò)濾 (Content Based FilteringCBF) 為了應(yīng)對(duì)協(xié)同過(guò)濾的稀疏性問(wèn)題出現(xiàn)了內(nèi)容過(guò)濾 。 3. 內(nèi)容過(guò)濾的優(yōu)缺點(diǎn) 優(yōu)點(diǎn)： 正如內(nèi)容過(guò)濾出現(xiàn)的原因 內(nèi)容過(guò)濾 對(duì)推薦結(jié)果的解釋更換 在 一定程度上解決了 協(xié)同過(guò)濾方法中的用戶多偏好和產(chǎn)品內(nèi)容多樣的問(wèn)題， 可以讓用戶提供一定的初始化信息 ,輔助系統(tǒng)做出更好的推薦。 知識(shí)發(fā)現(xiàn) 將用戶請(qǐng)求視作一個(gè)查詢 ,然后基于用戶需求和偏好進(jìn)行推薦。 關(guān)聯(lián)規(guī)則推薦方法是先根據(jù)銷(xiāo)售數(shù)據(jù)發(fā)現(xiàn)不同商品在銷(xiāo)售過(guò)程中的相關(guān)性 ,然后基北京郵電大學(xué)研究生畢業(yè)論文 8 于生成的關(guān)聯(lián)規(guī)則模型和用戶的購(gòu)買(mǎi)行為產(chǎn)生推薦結(jié)果 。 簡(jiǎn)單的說(shuō)，正則表達(dá)式就是用一個(gè) “ 字符串 ” 來(lái)描述一個(gè)特征，然后去驗(yàn)證另一個(gè) “ 字符串 ”是否符合這個(gè)特征。abb39。 在 JAVA 中使用正則表達(dá)式匹配字符串的典型調(diào)用語(yǔ)句是 Pattern p = (a*b)； Matcher m = (aa