【正文】 ，用戶類必須要有比較操作，因此封裝之后的單例模式的 用戶類如 圖 。用戶類的類圖結(jié)構(gòu)如 圖 所示 。 對于系統(tǒng)中的用戶 X 和用戶 Y，下列的值代表的意義如下所示： (1)sumX2：用戶 X 的所有偏好值的平方和 ； (2)sumY2：用戶 X 的所有偏好值的平方和 ； (3)sumXY：是指那些用戶 X 和用戶 Y 都給予評分的項(xiàng)目上，用戶 X 和用戶 Y的偏好值的和 。用戶類在相關(guān)性以及近鄰用戶算法中非常重要。 + g e t I t e m ( ) I D : i n t N a m e : s t r i n gG e n e r i c I t e m 圖 資源項(xiàng)類 在個(gè)性化推薦系統(tǒng)中，需要注意的是 需要 保證在任何時(shí)候任何地方，都要保證用戶數(shù)據(jù)只能至多存在一個(gè)實(shí)例在進(jìn)行訪問。 實(shí)現(xiàn)協(xié)同過濾系統(tǒng)的基于項(xiàng)目和基于用戶的個(gè)性化推薦算法，并根據(jù) Slope One 算法思想和用戶聚簇算法的思想，實(shí)現(xiàn)具體功能。了解 協(xié)同過濾 工作流程， 目的在于 推薦 引擎的模型設(shè)計(jì)提供理論基礎(chǔ)；了解 協(xié)同過濾推薦 算法的核心思想及其暴露出來的瓶頸問題，并熟悉一些改進(jìn)思想， 為 解決這些問題 尋找突破口。設(shè)想一下，對于一個(gè)擁有上百萬用戶的網(wǎng)站來說，每計(jì)算一個(gè)用戶都將涉及到上百萬次的比較，更不要說其中會帶來的大量數(shù)據(jù)庫 I/O 操作 的開銷。與傳統(tǒng)關(guān)聯(lián)規(guī)則針對全部數(shù)據(jù)進(jìn)行挖掘不同的是，此方法僅對最近鄰用戶的購買記錄進(jìn)行關(guān)聯(lián)規(guī)則挖掘。NiRR? ? ???? ? ? 公式 () 回歸模型的兩個(gè)參數(shù) ? 和 ? 是通過仔細(xì)檢查兩個(gè)評分向量來決定的， ? 是該回歸模型的誤差。 顧名思義，這種方法通過計(jì)算該用戶在與項(xiàng)目 i相似項(xiàng)目上的評分總和來計(jì)算用戶 u 對項(xiàng)目 i 的評分預(yù)測，每一個(gè)評分是根據(jù)項(xiàng)目 i 與項(xiàng)目 j 之間的相似度來做加權(quán)的。將為項(xiàng)目 i 和 j 均評分的評分預(yù)測 推薦結(jié)果 評分 Ri,j TOPN推薦 輸入評分矩陣 協(xié)同過濾算法 輸出接口 基于客戶資料挖掘的電子商務(wù)網(wǎng)站的設(shè)計(jì)與實(shí)現(xiàn) 第二章 協(xié)同過濾推薦系統(tǒng) 11 用戶集表示為 U，那么相關(guān)相似度可表示為 , 22,( ) ( )( , )( ) ( )u i i u j juUiju U u i i u U u j jR R R Rsi m i j c orrR R R R???????????????? 公式 () 在這里 ,uiR 表示用戶 u 對項(xiàng)目 i的評分，而 _iR 則是第 i個(gè)項(xiàng)目的評分平均值。例如項(xiàng)目 i和項(xiàng)目 j 之間相似性計(jì)算的本質(zhì)是首先去找出對這兩個(gè)項(xiàng)目都已經(jīng)評價(jià)的用戶集，然后利用相似性計(jì)算技術(shù)來產(chǎn)生相似 度 。這種數(shù)據(jù)語義上的歧義性是數(shù)據(jù)集成的最大難點(diǎn)。在數(shù)據(jù)中消除錯(cuò)誤和不一致，并解決對象識別問題的過程。 另外一種被認(rèn)為更有效的方法是 “隱式評分”方法。 在協(xié)同過濾算法的典型的應(yīng)用場景中，系統(tǒng)擁有 m個(gè)用戶 12{ , ... }mU us e r us e r us e r? 和 n 個(gè)資源項(xiàng) 12{ , ... }nL ite m ite m ite m? ，每個(gè)用戶 iu 都會擁有一個(gè)可以表示自己的評分列表 uiI ，所以用戶評分?jǐn)?shù)據(jù)可以用一個(gè) mn? 的評分矩陣 mnR? 來表示， m行代表 m個(gè)用戶， n 列代表 n 個(gè)資源，第 i行第 j 列的元素 ,ijR 表示第 i個(gè)用戶 iuser 對第 j 個(gè)資源項(xiàng) iitem 的評分。對于通常的互聯(lián)網(wǎng)應(yīng)用來說，提供的 資源 項(xiàng) 數(shù)量相對較為穩(wěn)定。因此將這些用戶做為基準(zhǔn)來向你推薦內(nèi)容。 第四章主要分析了利用明尼蘇達(dá)大學(xué)的 MovieLens 數(shù)據(jù)集進(jìn)行協(xié) 同過濾算法之間性能的比較。 由于電子商務(wù)技術(shù)龐大而復(fù)雜，本課題選取了其中的核心技術(shù)個(gè)性化推薦予以研究分析。大部分推薦技術(shù)在保證實(shí)時(shí)性要求的同時(shí)，是以犧牲推薦系統(tǒng)的推薦質(zhì)量為前提的。模型分析模塊的 功能則實(shí)現(xiàn)了對用戶行為記錄的分析，采用不同算法建立起模型描述用戶的喜好信息。盡管從理論上有很多種推薦組合方法，但在某一具體問題中并不見得都有效，組合推薦一個(gè)最重要原則就是通過組合后要能避免或彌補(bǔ)各自推薦技術(shù)的弱點(diǎn)。 4． 基于效用推薦 基于效用的推薦 (Utilitybased Remendation)是建立在對用戶使用項(xiàng)目的效用情況上計(jì)算的，其核心問題是怎么樣為每一個(gè)用戶去創(chuàng)建一個(gè)效用函數(shù)，因此，用戶資料模型很大程度上是由系統(tǒng)所采用的效用函數(shù)決定的。用戶的資料模型取決于所用學(xué)習(xí)方法，常用的有決策樹、神經(jīng)網(wǎng)絡(luò)和基于向量的表示方法等。這就大大提高了電子商務(wù)活動的簡便性和有效性，同時(shí)也提高了企業(yè)的服務(wù)水平。目前，國外已經(jīng)推出了多個(gè)實(shí)現(xiàn)初步個(gè)性化服務(wù)的原型系統(tǒng)，如 SyskilI amp。這時(shí)，如果商家能夠把滿足用戶模糊需求的商品推薦給用戶，就可以把用戶的潛在需求轉(zhuǎn)化為現(xiàn)實(shí)的需求，從而提高產(chǎn)品的銷售量。 interest . It has bee an important means to meet the individual needs of individual modity information. Remendation system is one of the most important techniques used in ECommerce. Many remendation systems employ collaborative filtering to generate remendations. The thesis summarizes and realizes the classical algorithms of collaborative filtering system ,such as userbased and itembased collaborative filtering system. With the gradual increase of users and modities in ECommerce, the timeconsuming nearest neighbor search of the target user in the total user space resulted in the failure of ensuring the realtime requirement of remendation system. A collaborative filtering remendation algorithm based on user clustering was proposed in this paper to solve this problem. Users are clustered based on users’ ratings on items, each cluster has a cluster center. Based on the similarity between target user and cluster centers, the nearest neighbors of target user can be found in the user clusters that most similar to the target user. The system analyzes the performance and quality of the different CF algorithms with the biggest data set MovieLens provided by Minnesota university. Experimental results indicate that this algorithm can effectively improve the realtime performance of remendation systems. KEY WORDS: ECommerce , remendation systems , collaborative filtering , clustering 基于客戶資料挖掘的電子商務(wù)網(wǎng)站的設(shè)計(jì)與實(shí)現(xiàn) 第一章 緒論 1 第一章 緒論 隨著 因特網(wǎng) 的日益普及，人們的購物方式已經(jīng)發(fā)生了巨大的變化，已經(jīng)由傳統(tǒng)到商店直接購買轉(zhuǎn)到 因特網(wǎng) 去訂購，這樣也改變了銷售商和客戶之間的關(guān)系，客戶所追求的不再是購買場所是否方便，而關(guān)心的是商品的價(jià)值，當(dāng)然客戶選擇商品還有他自己的偏好，這樣電子銷售商就必需了解客戶的網(wǎng)上行為、價(jià)值取向、興趣愛好，從而來提高自己產(chǎn)品的市場競爭力。 26 數(shù)據(jù)集 8 最近鄰搜索 5 論文組織結(jié)構(gòu) 1 研究背景與現(xiàn)狀 II 第一章 緒論 作者簽名： 日期： 年 月 日 學(xué)位論文版權(quán)使用授權(quán)書 本學(xué)位論文作者完全了解學(xué)校有關(guān)保留、使用學(xué)位論文的規(guī)定，同意學(xué)校保留并向國家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。 本科生畢業(yè)論文（設(shè)計(jì)） 題 目 基于客戶資料挖掘的電子商務(wù)網(wǎng)站的設(shè)計(jì)與實(shí)現(xiàn) 畢業(yè)設(shè)計(jì)（論文）原創(chuàng)性聲明和使用授權(quán)說明 原創(chuàng)性聲明 本人鄭重承諾：所呈交的畢業(yè)設(shè)計(jì)（論文），是我個(gè)人在指導(dǎo)教師的指導(dǎo)下進(jìn)行的研究工作及取得的成果。本人完全意識到本聲明的法律后果由本人承擔(dān)。 I ABSTRACT 12 協(xié)同過濾推薦系統(tǒng)的缺點(diǎn) 14 協(xié)同過濾推薦系統(tǒng)的總體設(shè)計(jì) 14 協(xié)同過濾推薦系統(tǒng)總體框架 14 數(shù)據(jù)管理 DataManager 的模塊設(shè)計(jì) 16 數(shù)據(jù)管理模塊 30 第五章 總結(jié)與展望 關(guān)鍵詞 ： 電子商務(wù)，個(gè)性化推薦，協(xié)同過濾，聚類 II ABSTRACT With the highspeed development of inter and improvement of people’s living, because of the exponential increment of products and services information, information overload and information disorientation are obstructions which restrain people from using inter information efficiently. Personalized remendation system can remend information automatically according to users39。而且，從現(xiàn)實(shí)經(jīng)驗(yàn)來看，用戶的需求經(jīng) 常是不明確的、模糊的，可能會對某類商品有著潛在的需求，但并不清楚什么商