《基于大数据的推荐系统介绍》由会员分享，可在线阅读，更多相关《基于大数据的推荐系统介绍（16页珍藏版）》请在金锄头文库上搜索。
1、参考资料：1.基于大数据技术的电子商务个性化推荐系统设计与实现北京交通大学专业硕士学位论文工程领域：软件工程2.大数据系统和分析技术综述程学旗, 靳小龙, 王元卓, 郭嘉丰, 张铁赢, 李国杰中国科学院计算技术研究所网络数据科学与技术重点实验室3. 基于大数据的电子商务个性化信息推荐服务模式研究 吉林大学作者姓名：胡一 专业名称：情报学 指导教师：张向先教授4.数据挖掘在电子商务推荐系统中的应用研究大连交通大学专业硕士学位论文研究方向：企业管理信息化姓名：贺云5 基于数据挖掘的电子商务推荐系统设计与实现电子科技大学专业学位类别：工程硕士工程领域名称：软件工程姓名：王世东指导教师：吴跃教授6.基
2、于数据挖掘技术的电子商务推荐系统的研究北京邮电大学硕士研究生学位论文专业：信息安全姓名：徐莉导师：钮心析7.基于web数据挖掘商务网站推荐系统的研究研究方向:人工智能指导教师:邱玉辉教授研究生:谢中 8大数据服务若干关键技术研究博士研究生学位论文专业：计算机科学与技术姓名：韩晶导师：宋美娜9.数据挖掘在电子商务旅游线路推荐系统中的应用研究重庆交通大学硕士研究生学位论文管理科学与工程姓名：吴春阳10.基于数据挖掘的电子商务推荐系统研究电子科技大学博士研究生学位论文计算机应用技术姓名：杨帆11.电子商务个性化推荐系统研究电子科技大学硕士学位论文计算机软件与理论姓名：雷坤12.基于数据挖掘的电子商务
3、推荐系统研究电子科技大学计算机应用技术研究生：裴蕾指导教师：陶树平教授13.基于个性化推荐的电子商务推荐系统的设计与实现吉林大学专业名称：软件工程作者姓名：单 明 指导教师：王 喆 副教授 14.大数据时代的信息技术处理作者：冯骞出版社：信息通讯 2014年08期15.电子商务推荐系统核心技术研究学科：管理科学与工程指导教师：蒋国瑞 16. 电子商务推荐系统关健技术研究院系(所):信息科学与工程学院专业:计算机软件与理论姓名：邓爱林导师：朱扬勇教授17.电子商务大数据导购系统设计与实现作者：谢少群作者单位：广东财经大学广东省电子商务市场应用技术重点实验室;18.电子商务系统中的大数据处理作者：
4、高珍谢玉婧作者单位：同济大学软件学院;19.大数据环境下电子商务个性化推荐服务发展动向作者：王倩 钱力作者单位:中国科学院 文献情报中心20.基于大数据的电子商品个性化推荐方法作者：朱燕 吴锦群专业：计算机网络技术目录：1大数据11大数据基本概念1.2大数据特征1.3大数据处理方式1.4知识计算对商务推荐系统的启示1.5社会计算对商务推荐系统的启示2电子商务推荐系统21电子商务推荐系统基本概念2.2电子商务推荐系统研究现状3电子商务推荐系统的实现3.1推荐方法实现3.2推荐系统关键技术综述3.3推荐系统目标4基于大数据的电子商务推荐系统的实现4.1电子商务推荐系统分析所需信息4.2电子商务推荐
5、系统架构4.3基于大数据的电子商务推荐系统架构4.4大数据与web的区别（待编写）5.基础知识5.1电子商务模式正文1.大数据11大数据基本概念近几年,大数据迅速发展成为科技界和企业界甚至世界各国政府关注的热点数据已经渗透到当今每一个行业和业务职能领域,成为重要的生产因素.人们对于大数据的挖掘和运用,预示着新一波生产力增长和消费盈余浪潮的到来”什么是大数据,迄今并没有公认的定义.从宏观世界角度来讲,大数据是融合物理世界(physical world)、信息空间和人类社会(human society)三元世界的纽带,因为物理世界通过互联网、物联网等技术有了在信息空间(cyberspace)中的大
6、数据反映,而人类社会则借助人机界面、脑机界面、移动互联等手段在信息空间中产生自己的大数据映像.从信息产业角度来讲,大数据还是新一代信息技术产业的强劲推动力.所谓新一代信息技术产业本质上是构建在第三代平台上的信息产业,主要是指大数据、云计算、移动互联网(社交网络)等。1.2大数据特征人们将大数据的特征总结为 5 个 V,即体量大(volume)、速度快(velocity)、模态多(variety)、难辨识(veracity)和价值大密度低(value).但大数据的主要难点并不在于数据量大,因为通过对计算机系统的扩展可以在一定程度上缓解数据量大带来的挑战.其实,大数据真正难以对付的挑战来自于数据类
7、型多样(variety)、要求及时响应(velocity)和数据的不确定性(veracity).因为数据类型多样使得一个应用往往既要处理结构化数据,同时还要处理文本、视频、语音等非结构化数据,这对现有数据库系统来说难以应付;在快速响应方面,在许多应用中时间就是利益.在不确定性方面,数据真伪难辨是大数据应用的最大挑战.追求高数据质量是对大数据的一项重要要求,最好的数据清理方法也难以消除某些数据固有的不可预测性.1.3大数据处理方式目前,人们对大数据的处理形式主要是对静态数据的批量处理,对在线数据的实时处理,以及对图数据的综合处理.其中,在线数据的实时处理又包括对流式数据的处理和实时交互计算两种。
8、批量数据处理的典型应用场景包括电子商务:电子商务中产生大量的购买历史记录、商评论、商品网页的访问次数和驻留时间等数据,通过批量分析这些数据,每个商铺可以精准地选择其热卖商品,从而提升商品销量;这些数据还能够分析出用户的消费行为,为客户推荐相关商品,以提升优质客户数量。1.4知识计算对商务推荐系统的启示基于大数据的知识计算是大数据分析的基础.知识计算是国内外工业界开发和学术界研究的一个热点. 要对数据进行高端分析,就需要从大数据中先抽取出有价值的知识,并把它构建成可支持查询、分析和计算知识库.目前,世界各国各个组织建立的知识库多达50 余种以及一些基于维基百科等在线百科知识构建的知识库,如 .除
9、此之外,一些著名的商业网站、公司和政府也发布了类似的知识搜索和计算平台,在国内,中文知识图谱的构建与知识计算也有大量的研究和发工作.代表性工作有中国科学院计算技术研究所的 Open KN,百度推出了中文知识图谱搜索,搜狗推出的知立方平台,支持知识计算的基础是构建知识库,这包括 3 个部分,即知识库的构建、多源知识的融合与知识库的更新.知识库的构建就是要构建几个基本的构成要素,包括抽取概念、实例属性和关系.从构建方式上,可以分为手工构建和自动构建。电子商务推荐系统可以基于这个理念，对商品进行分类编写介绍，讲平台做成商品百科，商品成分百科，健康百科等。1.5社会计算对商务推荐系统的启示社会计算 以
10、 Facebook、Twitter、新浪微博、微信等为代表的在线社交网络和社会媒体正深刻改变着人们传播信息和获取信息的方式，人的互联成为信息互联的载体和信息传播的媒介,社会媒体的强交互性、时效性等特点使其在信息的产生、消费和传播过程中发挥着越来越重要的作用,成为类重要信息载体.大家关注的问题包括了对在线社会网络结构、信息传播以及信息内容的分析、建模与挖掘等一系列问题. 社会媒体中信息检索与数据挖掘，社会媒体的出现对信息检索与数据挖掘的研究提出了新的挑战.不同于传统的 Web 数据,社会媒体中的数据呈现出一些新的特征:(1) 信息碎片化现象明显,文本内容特征越发稀疏;(2) 信息互联被人的互联所
11、取代,社会媒体用户形成的社会关系网络的搜索和挖掘过程中的重要组成部分;(3) 社会媒体的易参与性使得人人具有媒体的特征,呈现出自媒体现象,个人影响力、情感与倾向性掺杂其中.针对这些特点,研究人员在传统信息检索与数据挖掘技术基础上提出了一系列的新模型. 鉴于用户所创造的信息往往具有很强的时效性,Yang 等人提出了一种时间序列聚类的方法,从 Twitter 数据中挖掘热门话题发展趋势的规律因为用户的状态和评论中包含了大众的观点和态度,所以 Bollen 等人通过对 Twitter 中用户的信息进行情感分析,将大众情绪的变化表示为 7 种不同的情绪时间序列,进而发现这些序列能够预测股票市场的走势.
12、此外,基于用户在协作平台上所贡献的内容和标签等信息往往蕴含有丰富的大众知识和智慧这一现象,Hu 等人利用 Wikipedia 中的文章和类别信息来确定用户的查询意图,进而辅助信息检索.社会媒体的检索与挖掘研究在国内也受到了越来越多的重视,包括北京大学、清华大学、哈尔滨工业大学、上海交通大学、浙江大学、复旦大学、中国科学院、微软亚洲研究院等大学和研究机构已经取得了一定的进展,涉及的研究内容包括社会化标签系统中的标签学习和排序、信息抽取和分类、社会化多媒体检索、协作搜索和推荐等等. 基于这些研究，可以使电子商务推荐系统更加专门化，人性化，可以利用社交网络，根据用户个人喜好更加全面的进行推送。2.1
13、电子商务推荐系统基本概念电子商务的飞速发展增加了消费者的可选择性，拓展了消费选择的宽度和广度，激发他们的购买欲望的同时，却又使消费面对海量商品感到茫然，难以抉择自己想要的产品，甚至使他们陷入数据丰富而知识贫乏的境地。推荐系统的目的模拟现实生活中销售员向消费者推荐商品的过程，协助消费找到自己所满意的商品。现有电子商务推荐算法往往是依据用户浏览行为将用户聚类，以相似用户行为作为推荐依据，这一过程忽略了用户对商品的情感态度。而实际上，当用户对商品持积极情感时则会提高用户满意度，否则用户满意度则会降低。2.2电子商务推荐系统研究现状推荐系统的主要任务是通过分析用户所产生的信息获取他们的兴趣度和偏好，从
14、而发现他们潜在的兴趣偏好，为主动向用户推荐他们感兴趣的内容，总体来说，推荐系统属于信息过滤的范畴。推荐系统不同于信息检索，信息检索是由用户主动发起是一种“pull”的过程，而推荐系统则可以主动向用户推荐用户可能感兴趣的内容，一种“push”过程。尽管，信息检索的过程由于用户的参与目的性较强，但是，用户却不得从检索的内容中人工查找他们所感兴趣的内容，在某些情形下，用户陷入“信息迷航”的尴尬境地。而“push”的过程，是根据用户的历史信息以及用户的相似性分析用户的兴趣，从而挖掘出用户可能的兴趣需求。 推荐算法可分为基于内容的过滤算法以及协同过滤算法两大类。基于内容过滤的推荐算法其关键技术多为信息检
15、索技术，其主要目的在于分析项目内容，对现有资源进行建模，完成信息推荐。在这一过程中记录用户所产生信息内容以及用户的浏览行为，依据用户所产生的信息进行兴趣度建模。在推荐过程中，对比用户的兴趣度的相似性，对于兴趣度高相似且未产生浏览行为的用户进行推荐。 目前为止，大量网站以及科研机构仍采用基于内容的推荐方法。其中，麻省理工学院采用基于内容的过滤方法在邮件发送以及接收双方实现了电子邮件过滤。 Balabanovic等构建了一个智能推荐系统 LIRA 专门用于网页推荐。LIRA 推荐过程中首先利用检索方法对网络进行内容搜索，判断搜索结果，若满足预先制定的条件则推荐给用户，否则不予以推荐。为了完成个性推荐，LIRA 还设置了反馈机制。用户依据推荐结果与自己的兴趣度进行评价，LIRA 依据用户的评价结果更新搜索规则，从而不断学习训练完善系统，最终达到满足用户个性化推荐的目的。Lieberman以用户浏览行为作为依据构建用户兴趣度模型 Letizia，并基于该模型后台搜索网页，将符合用户兴趣的网页推荐给用户。这一过程是一个主动学习过程，无需
