【正文】 系結(jié)構(gòu),以有效集成多種推薦工具,收集多種類型的數(shù)據(jù),提供多種推薦模型,使得不同的推薦工具組合使用,互補(bǔ)長(zhǎng)短,滿足不同類型的推薦需要。*****************************************************************//只有類型屬性時(shí)的評(píng)估標(biāo)準(zhǔn)if(getType(D_true_search)=getType(remend_list)) assess_result = 1。i7。} else continue。true_searchList[1]={null,getGender(D_true_search)}。i7。} else continue。true_searchList[1]={null,getGender(D_true_search)}。i7。} else continue。true_searchList[1]={null,getGender(D_true_search)}。i++){ if (assess_typeamp。}for(i=0。gender[i]={getType(remend_list),getGender(remend_list)}。int i。ArrayList assess_brandamp。 case 1: return女； break。remend_list[6][1]=find_item(remend_search,4)。輸出：老客戶推薦列表ArrayList remend_list[7][3]。}//根據(jù)品牌及其男女屬性對(duì)應(yīng)表得出男女屬性；procedure getGender(remend_list[i][0],D_gender):int number。remend_list[4][1]=find_item(Di,3)。for(int i=0。return result。 }//類型前五名的頻率for(int i=0。i5。 }}ArrayList hot[25][2]。i++){ type_list[i][1] = counttype(D)。、生成省份熱門(mén)表算法：算法二：生成每日省份熱度表輸入：近十五日某省份數(shù)據(jù)集Di；輸出：該省份熱度表；ArrayList brand_list[getCount][2]。i25。i++){ brand_frequency[i][0]=brand_list[i][0]。for(int i=0。 }sort(type_list[i][1])。for(int i=0。④在用戶有搜索傾向的品牌中，少部分品牌占據(jù)了大部分的搜索量，大部分品牌僅有少數(shù)人搜索。? 凌晨3~5點(diǎn)時(shí)訪問(wèn)量處于低谷。 隨機(jī)挑選情況一:有瀏覽歷史記錄的舊IP：216。從得到的有用數(shù)據(jù)中抽出出數(shù)據(jù)的三個(gè)關(guān)鍵屬性“品牌、類型、男女”，數(shù)據(jù)處理過(guò)程如下：從所得到的28000條數(shù)據(jù)中隨機(jī)抽取5%作為測(cè)試集，剩下的95%作為訓(xùn)練集。許多數(shù)據(jù)挖掘算法試圖使孤立點(diǎn)的影響最小化，或者排除它們。分類和預(yù)測(cè)的應(yīng)用十分廣泛， 例如，可以建立一個(gè)分類模型，對(duì)銀行的貸款客戶進(jìn)行分類，以降低貸款的風(fēng)險(xiǎn)；也可以通過(guò)建立分類模型，對(duì)工廠的機(jī)器運(yùn)轉(zhuǎn)情況進(jìn)行分類，用來(lái)預(yù)測(cè)機(jī)器故障的發(fā)生。因此針對(duì)特定網(wǎng)站進(jìn)行相關(guān)產(chǎn)品推薦顯得相當(dāng)有必要。 個(gè)性化推薦系統(tǒng)在為用戶帶來(lái)個(gè)性、便捷的服務(wù)的同時(shí)，也為電子商務(wù)商家?guī)?lái)巨大的經(jīng)濟(jì)利益，引導(dǎo)用戶購(gòu)買本不打算購(gòu)買的商品，既為本網(wǎng)站的商品做了宣傳，也強(qiáng)烈地刺激的用戶的消費(fèi)欲望。在用戶決定一個(gè)電子商務(wù)網(wǎng)站的前途的今天，個(gè)性化推薦系統(tǒng)就是一個(gè)為用戶而生的系統(tǒng)，商品個(gè)性化推薦具有以下重大意義：216。 絕大多數(shù)網(wǎng)購(gòu)者反應(yīng)，品牌之間的競(jìng)爭(zhēng)只是他們公司的競(jìng)爭(zhēng)，并不會(huì)影響到他們購(gòu)買的選擇。本項(xiàng)目是對(duì)某一特定的淘鞋網(wǎng)進(jìn)行研究，主要為購(gòu)買鞋的網(wǎng)購(gòu)者推薦相應(yīng)的“品牌、類型、男/女”的鞋子。通過(guò)將“根據(jù)ip判斷所在省份的熱門(mén)、訪問(wèn)日期的全國(guó)熱門(mén)、瀏覽記錄、隨機(jī)”推薦這四者，計(jì)算并比較權(quán)重，按照一定的標(biāo)準(zhǔn)進(jìn)行合適的結(jié)合，得出7條推薦數(shù)據(jù)，其中每條推薦數(shù)據(jù)中包括了“品牌、類型、男/女”這三個(gè)最重要的商品屬性，使得該商品個(gè)性化推薦系統(tǒng)更智能、更準(zhǔn)確。但消費(fèi)者網(wǎng)購(gòu)的商品中是否曾經(jīng)購(gòu)過(guò)鞋子呢？我們的調(diào)查問(wèn)卷調(diào)查結(jié)果顯示如下：調(diào)查結(jié)果顯示，大約85%的網(wǎng)購(gòu)者曾經(jīng)在網(wǎng)上購(gòu)買過(guò)鞋子，由此可見(jiàn)，我們項(xiàng)目所研究的針對(duì)淘鞋網(wǎng)推薦特定的“品牌、類型、男/女”具有重大的意義。 所以，聯(lián)系已有的相關(guān)參考文獻(xiàn)，就國(guó)內(nèi)消費(fèi)形勢(shì)而言，商品個(gè)性化推薦系統(tǒng)沒(méi)有必要考慮品牌的互斥。 優(yōu)質(zhì)的個(gè)性化推薦系統(tǒng)能為用戶發(fā)掘用戶新的興趣點(diǎn)，為用戶推薦一些他感興趣但他從沒(méi)聽(tīng)說(shuō)過(guò)的商品。近年來(lái)，如何提高商業(yè)網(wǎng)站的有效性，尤其是如何運(yùn)用個(gè)性化推薦技術(shù)實(shí)現(xiàn)電子商務(wù)個(gè)性化服務(wù)已逐漸成為一個(gè)能引起廣泛興趣的熱點(diǎn)課題。從大量商務(wù)事務(wù)記錄中發(fā)現(xiàn)有趣的關(guān)聯(lián)關(guān)系，可以幫助許多商務(wù)決策的制定。分類功能和聚類功能是不同的，分類是根據(jù)預(yù)先定好的一些特征值對(duì)對(duì)象分組，組或類是預(yù)先確定好的，而聚類是事先不知道的條件下根據(jù)對(duì)象的一些相似特征分組。(5)時(shí)間序列分析在時(shí)間序列分析中，數(shù)據(jù)的屬性值是隨著時(shí)間不斷變化的。用于幫助網(wǎng)店經(jīng)營(yíng)者提高營(yíng)銷及服務(wù)質(zhì)量，更好地挖掘潛在客戶及客戶的購(gòu)買潛能。⑤ 在這168個(gè)品牌中搜索量小于10的有76各品牌，%。所以網(wǎng)站進(jìn)行網(wǎng)絡(luò)廣告投放時(shí)應(yīng)注意時(shí)間，并且在網(wǎng)絡(luò)訪問(wèn)高峰期加強(qiáng)對(duì)服務(wù)器的維護(hù)，避免出現(xiàn)問(wèn)題。三、推薦系統(tǒng)設(shè)計(jì)、系統(tǒng)設(shè)計(jì)流程步驟一：比對(duì)數(shù)據(jù)庫(kù)，判斷訪問(wèn)該淘鞋網(wǎng)站的IP是新IP還是曾經(jīng)有歷史記錄的舊IP，并判斷該IP所在的省份。 }sort(brand_list[i][1])。i5。j5。for(int i=0。j++) { hot[i][1]=weight(brand_frequency[j][1],type_frequency[j][1])。i++){ brand_list[i][1] = countbrand(D)。for(int i=0。i++){for(int j=0。 }//品牌前五名的頻率ArrayList type_frequency[5][2]。j5。for(int i=0。 //產(chǎn)生隨機(jī)推薦表}、生成新用戶推薦列表算法：算法四：產(chǎn)生新人推薦表輸入：該搜索日期全國(guó)熱度表D，該搜索日期新人所在省份熱度表Di，隨機(jī)推薦表D_random,品牌及其男女屬性對(duì)應(yīng)表D_gender輸出：新人推薦列表ArrayList remend_list[7][3]。remend_list[5][1]=find_item(D_random,number1)。 if(number = 2) return 男； else return 女；} break。//抽取省份熱門(mén)表第一條數(shù)據(jù)；number1 = (0,getCount(random_list))。i++){ remend_list[i][2]=getGender(remend_list[i][0],D_gender)。}、評(píng)價(jià)指標(biāo)算法：算法七：評(píng)價(jià)推薦結(jié)果準(zhǔn)確性輸入：推薦結(jié)果列表remend_list，實(shí)際輸入數(shù)據(jù)集D_true_search。gender[7][2]。i++){ assess_brandamp。i7。gender[i] == true_searchList[1]) {count ++。} else continue。for(i=0。i++){ if (assess_brandamp。 break。for(i=0。i++){ if (assess_brandamp。 break。for(i=0。i++){ if (assess_brandamp。 break。else assess_result = 0。這些空值直接或間接地影響到我們數(shù)據(jù)挖掘的數(shù)據(jù)的可靠性與評(píng)估算法的準(zhǔn)確度，同時(shí)加大了處理數(shù)據(jù)的難度。 商品單一，只是針對(duì)鞋子的單一推薦。 對(duì)于一個(gè)新人，由于沒(méi)有瀏覽記錄，推薦的準(zhǔn)確率相對(duì)低。在對(duì)淘鞋網(wǎng)數(shù)據(jù)進(jìn)行分析并嘗試找出關(guān)聯(lián)的個(gè)性化推薦的過(guò)程中，對(duì)于數(shù)據(jù)分析對(duì)人們生活的影響也有了更深的認(rèn)識(shí)