描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787302511847
目录
第1章电子商务环境下顾客购物偏好挖掘
1.1电子商务及其发展
1.1.1电子商务的概念
1.1.2电子商务发展历程
1.1.3国内外电子商务发展现状
1.1.4我国电子商务发展面临的问题
1.2电子商务与顾客购物偏好识别
1.2.1顾客购物偏好识别的应用
1.2.2顾客购物偏好识别的数据源
1.2.3电子商务数据挖掘过程
1.3本书主要工作
1.3.1研究意义
1.3.2主要内容
1.3.3基本思路与研究方法
1.4本书的组织结构
第2章电子商务推荐系统
2.1电子商务与推荐系统
2.2电子商务推荐系统的概念
2.2.1电子商务推荐系统及构成
2.2.2电子商务个性化推荐系统的作用
2.2.3电子商务个性化推荐系统的研究内容
2.2.4推荐典型案例
2.3电子商务推荐现阶段问题
第3章电子商务推荐系统研究现状
3.1国内外研究现状
3.1.1基础评价数据的完整性研究现状
3.1.2推荐方法研究现状
3.1.3计算复杂度研究现状
3.2基于内容的推荐
3.2.1基于内容推荐的基本思想
3.2.2基于内容推荐过程
3.3协同过滤推荐
3.3.1协同过滤技术分类
3.3.2基于用户的协同过滤
3.3.3基于项目的协同过滤
3.3.4协同过滤推荐技术的优缺点
3.4混合推荐
3.5基于关联规则的推荐
3.6Web数据挖掘与电子商务推荐
3.6.1隐性数据挖掘
3.6.2隐性评价数据的处理
3.7其他推荐方法
3.8推荐相关技术评析
第4章基于Vague集理论的产品分类树
4.1Vague集相关理论介绍
4.1.1Vague集相关理论的产生背景
4.1.2Vague集理论的基本思想
4.1.3Vague集理论与电子商务推荐
4.2产品特征的提取与表示
4.2.1产品特征的提取
4.2.2项目特征的Vague值表示
4.3相似产品聚类
4.3.1常用聚类算法比较
4.3.2聚类原理与过程
4.4生成产品分类树
4.4.1用户兴趣与种子类
4.4.2产品分类树的生成
4.4.3种子类的预设
4.5项目分类结构图
第5章神经网络聚类与预测补值处理
5.1神经网络的基本原理
5.1.1神经网络的发展历史
5.1.2神经网络的特征
5.1.3神经网络基本内容
5.1.4发展趋势与应用
5.2SOM与RBF的聚类与预测
5.3SOM神经网络的相似用户聚类
5.4利用SOM对评价矩阵进行预聚类
5.4.1SOM聚类过程
5.4.2MATLAB实现
5.5RBF神经网络预测补值
5.5.1RBF神经网络
5.5.2网络的训练与设计
5.6RBF神经网络预测补值处理
5.6.1RBF神经网络预测补值过程
5.6.2MATLAB实验及分析
第6章协同过滤聚类及推荐的实施
6.1相似用户的聚类
6.2推荐的实施
6.2.1本书推荐实施的流程
6.2.2鉴定积极与消极邻居
6.2.3关联规则挖掘
6.2.4推荐结果集的生成
第7章推荐质量实验分析及评价
7.1实验度量指标
7.1.1召回率与精度
7.1.2F相关检测、MAE平均误差
7.1.3实验方案
7.2实验过程
7.2.1实验基本内容
7.2.2MAE平均误差分析
7.2.3计算复杂度分析
第8章基于信任关系改进的协同过滤推荐
8.1基于信任关系的协同过滤推荐框架
8.2推荐步骤
8.2.1确定目标用户信任用户集合
8.2.2信任用户的评分处理
8.2.3进行评分估算
8.3算例测试
8.4评价
8.4.1实验设置
8.4.2评估指标
8.4.3结果与分析
8.5方法优势
8.6帕累托主导
第9章多样性选择改进协同过滤推荐算法
9.1推荐框架
9.2模糊协同过滤
9.3多样性选择算法
9.4模糊的基于内容的过滤(模糊CBF)
9.5混合方法(模糊CFCBF)
9.6实验评价
9.6.1实验设计
9.6.2实验结果
9.7结论
第10章推荐结果与企业利润关联分析
10.1问题定义
10.2面向企业利润的多目标产品组合
10.3实验测试
10.3.1数据预处理
10.3.2实验分析
第11章结论与展望
11.1本书主要内容
11.2本书的创新点
11.3展望
参考文献
后记
前言
电子商务环境下对用户购物偏好进行挖掘并识别,并在此基础上向用户进行商品能够有效地提高电子商务网站交易量。有效的算法是提高精度的关键。
协同过滤技术是电子商务系统中为成熟也是目前为成功的一种技术,但其受稀疏性、冷启动、扩展性等问题困扰,阻碍了其质量与效率的进一步发展。本书从电子商务协同过滤质量与效率目前遇到的问题出发,从保证基础评价数据的完整性、方法的准确性、计算复杂度的适宜性3个角度分析电子商务协同过滤系统,指出协同过滤系统瓶颈的产生原因,并提出了改进机制。
针对稀疏性问题,本书提出基于用户的稀疏评价数据应用SOM神经网络对具有相似购物偏好的用户进行聚类,依据同一聚类簇内用户购物偏好的相似性,进一步应用RBFN(径向基函数神经网络)进行平滑预测处理以获得用户对未评价项目的评价值。神经网络聚类与预测有效地消除了基础评价数据的稀疏性问题,降低了基础评价数据的不完整性给系统带来的影响。针对冷启动问题,作者提出了一种基于动态产品分类树的关联规则挖掘方法。针对效率问题,作者提出将在线和离线计算相结合的方法,有效地解决了扩展性问题。
在此基础上,作者提出了将用户间信任关系应用到协同过滤中,将用户间信任关系进行量化,并对缺失的评分数据进行补值,较好地提高了质量。同时,作者尝试在精度与企业利润之间进行关联分析,在不降低精度的基础上尽可能保障企业利润。
本书可作为电子商务、信息系统管理、计算机应用和相关专业的高年级本科生、研究生及老师的教学参考书,也可作为相关学者从事电子商务系统研究设计和开发的参考资料。
感谢天津财经大学人文社会科学研究项目青年项目“电子商务环境下顾客购物偏好及企业利润挖掘”(项目编号: 13YJC630195)对本专著出版的大力支持,本专著是该项目的系列成果之一。
评论
还没有评论。