基于Web挖掘的电子商务个性化推荐机理与方法研究

论文摘要

在当前高度竞争的电子商务环境中,个性化推荐已经成为电子商务站点吸引新用户、保持老用户的重要手段。然而,我国的电子商务个性化推荐相对国外存在较大差距,而理论研究的落后是影响其发展的直接原因。本文正是在这种背景下,将Web挖掘理论与方法应用到电子商务个性化推荐中,并利用全信息理论和信息运动过程模型,对基于Web挖掘的电子商务个性化推荐机理与方法展开全面系统的研究。本文首先从数据输入、数据预处理、模式发现和在线推荐四个环节分析了基于Web挖掘的电子商务个性化推荐流程,以此为基础,应用全信息理论和信息运动过程模型,从“点击流”信息资源开发与利用的角度,建立了基于Web挖掘的电子商务个性化推荐模型,提出了基于语法、语义和语用三种层次的电子商务个性化推荐方法体系。其二,分析了语法层次的Web用户偏好分析与推荐问题。首先,描述了语法层次的Web用户偏好分析与推荐框架,然后分析了从Web日志数据中提取Web交易事务集的过程,以此为基础,重点阐述了基于Web交易事务聚类的用户偏好分析与推荐方法。其三,分析了语义层次的基于Web文本挖掘的推荐规则获取与匹配问题。首先,构建了基于Web文本挖掘的推荐规则获取与匹配模型,然后利用基于向量空间模型的Web文本表示方法对Web文本数据进行预处理,以此为基础,提出了一种基于Web特征词条聚类的推荐规则获取与匹配方法。其四,分析了整合Web语义知识的电子商务个性化推荐方法,它属于语义层次的电子商务个性化推荐方法。首先,提出了整合Web语义知识的电子商务个性化推荐框架,然后利用我国学者提出的领域本体构建方法阐述了当当网Web领域本体构建过程,并以当当网Web领域本体为例,通过构造约简的语义层次的Web使用文档和用户当前会话,利用Web领域本体概念相似性比较方法,提出了一种基于Web领域本体的电子商务个性化推荐方法。最后,分析了语用层次的Web用户效用函数构建问题。首先重点讨论了如何利用用户隐式反馈——用户点击行为所体现的效用权重来构建效用函数,然后,假定针对特定商品(台式电脑)的一般用户效用函数已经构建,以此为基础构建先验贝叶斯网络,接着重点分析了如何利用贝叶斯网络的学习机制来构建针对特定用户的面向此次站点访问的效用函数。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 本文研究的背景
• 1.2 本文研究的目的与意义
• 1.2.1 本文研究的目的
• 1.2.2 本文研究的意义
• 1.3 WEB 挖掘的研究现状
• 1.3.1 Web 结构挖掘
• 1.3.2 Web 内容挖掘
• 1.3.3 Web 使用挖掘
• 1.3.4 语义Web 挖掘
• 1.4 电子商务个性化推荐的研究现状
• 1.4.1 传统的个性化推荐方法
• 1.4.2 基于Web 挖掘的个性化推荐方法
• 1.4.3 小结
• 1.5 本文的研究内容与方法
• 1.5.1 本文的研究内容
• 1.5.2 本文的结构
• 1.5.3 本文的研究方法
• 1.6 本文的主要创新点
• 2 基于WEB 挖掘的电子商务个性化推荐机理
• 2.1 基于WEB 挖掘的电子商务个性化推荐流程
• 2.1.1 数据输入
• 2.1.2 数据预处理
• 2.1.3 模式分析
• 2.1.4 在线推荐
• 2.2 信息运动视角的电子商务个性化推荐模型
• 2.2.1 全信息理论
• 2.2.2 “点击流”信息的层次
• 2.2.3 “点击流”信息运动过程
• 2.3 电子商务个性化推荐的方法体系
• 2.3.1 语法层次的电子商务个性化推荐方法
• 2.3.2 语义层次的电子商务个性化推荐方法
• 2.3.3 语用层次的电子商务个性化推荐方法
• 2.4 本章小结
• 3 语法层次的WEB 用户偏好分析与推荐
• 3.1 语法层次的WEB 用户偏好分析与推荐框架
• 3.2 WEB 交易事务集的提取
• 3.2.1 数据过滤
• 3.2.2 用户识别
• 3.2.3 会话识别
• 3.2.4 路径补充
• 3.3 基于WEB 交易事务聚类的用户偏好分析
• 3.3.1 交易事务的表示
• 3.3.2 交易事务聚类
• 3.3.3 导出Web 使用文档
• 3.3.4 生成用户偏好页面集
• 3.4 基于频繁WEB 页面集的用户偏好视图
• 3.4.1 提取频繁Web 页面集
• 3.4.2 生成用户偏好视图
• 3.5 本章小节
• 4 语义层次的基于WEB 文本挖掘的推荐规则获取与匹配
• 4.1 基于WEB 文本挖掘的推荐规则获取与匹配模型
• 4.2 基于向量空间模型的WEB 文本表示
• 4.2.1 Web 页面的净化
• 4.2.2 Web 文本特征粒度的选择
• 4.2.3 Web 文本特征的抽取
• 4.2.4 Web 文本特征的选择
• 4.3 基于WEB 特征词条聚类的文本挖掘
• 4.3.1 交易事务的特征词条表示
• 4.3.2 基于特征词条的交易事务聚类
• 4.3.3 导出Web 文本文档
• 4.3.4 生成匹配文档
• 4.4 WEB 文本关联规则获取与匹配
• 4.4.1 基于关联规则的频繁Web 特征词条集
• 4.4.2 生成匹配文档
• 4.5 本章小结
• 5 整合WEB 语义知识的电子商务个性化推荐方法
• 5.1 整合WEB 语义知识的电子商务个性化推荐框架
• 5.2 WEB 领域本体的构建
• 5.2.1 本体的基本理论
• 5.2.2 本体构建的一般方法
• 5.2.3 Web 领域本体的构建过程
• 5.3 基于WEB 领域本体的电子商务个性化推荐方法
• 5.3.1 导出语义层次的Web 使用文档
• 5.3.2 生成个性化推荐页面集
• 5.4 本章小结
• 6 语用层次的WEB 用户效用函数构建
• 6.1 引言
• 6.1.1 语用层次的电子商务个性化推荐方法的核心问题
• 6.1.2 面向此次站点访问的用户效用函数构建方法
• 6.2 基于用户反馈的效用函数
• 6.2.1 用户反馈
• 6.2.2 基于用户显式反馈的效用函数
• 6.2.3 基于用户隐式反馈的效用函数
• 6.3 基于贝叶斯网络学习机制的效用函数构建
• 6.3.1 贝叶斯网络
• 6.3.2 基于一般用户效用函数的先验贝叶斯网络构建
• 6.3.3 基于一般用户效用函数的贝叶斯网络学习
• 6.4 本章小结
• 7 全文总结与研究展望
• 7.1 全文总结
• 7.2 研究展望
• 致谢
• 参考文献
• 附录1 攻读博士学位期间发表论文目录
• 附录2 攻读博士学位期间参加及完成的科研课题