基于Web使用挖掘的瀏覽興趣預(yù)測及個性化推薦策略研究.pdf_第1頁
已閱讀1頁,還剩61頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、隨著計算機(jī)的廣泛普及和互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展,越來越多的消費者開始關(guān)注并選擇了網(wǎng)上購物這一新興但卻方便快捷的購物方式,享受了足不出戶就能買到自己心儀產(chǎn)品的購物體驗。但迅速膨脹起來的網(wǎng)上購物大軍也給電子商務(wù)網(wǎng)站帶來了考驗,這種考驗一方面來自消費者對其產(chǎn)品質(zhì)量、交易信用等硬件條件的要求,另一方面則來自這些電子商務(wù)網(wǎng)站生存和進(jìn)一步發(fā)展所依托的技術(shù)發(fā)展。
  正是在這樣的背景下,基于Web挖掘的個性化推薦系統(tǒng)的設(shè)計和實現(xiàn)逐漸成為了學(xué)者們研究

2、的熱點問題,它不但可以幫助電子商務(wù)平臺對消費者的個性化需求做出快速的反應(yīng),還可以通過恰當(dāng)準(zhǔn)確的推薦減少用戶的消費成本而增加消費者的滿意度。目前,很多學(xué)者都把研究的重點放在了個性化推薦系統(tǒng)中的關(guān)鍵技術(shù)——用戶瀏覽行為的預(yù)測上,對如何提高預(yù)測的精度和響應(yīng)的時間做出了許多有益的分析和研究,精確的預(yù)測不僅能完成網(wǎng)頁的預(yù)取、提高網(wǎng)站的性能,更能對用戶進(jìn)行興趣頁面的推薦、為其提供個性化的服務(wù)。其中Markov模型因為其較高的預(yù)測精度得到了廣泛的應(yīng)用

3、,但如何解決一階Markov鏈和多階Markov鏈之間運算速度與預(yù)測精度間的矛盾問題仍然需要進(jìn)一步的探討。
  因此,本文主要圍繞基于Web使用挖掘的瀏覽行為預(yù)測模型的設(shè)計而展開,并在國內(nèi)外研究成果的基礎(chǔ)上提出了基于動態(tài)聚類的混合Markov模型。首先引入用戶瀏覽興趣作為聚類的參量,綜合考慮用戶瀏覽行為和頁面特征對用戶瀏覽興趣的影響,并根據(jù)因子分析的結(jié)果構(gòu)建了用戶瀏覽興趣的Logistic預(yù)測模型。然后在用戶動態(tài)聚類分析的基礎(chǔ)上為

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論