课题名称

基于机器学习的商品推荐研究

指导教师

蕾

所在单位

学院

职称

讲师

学生姓名

学生学号

0

班级

班

选题来源

A

A. 导师指定B.导师项目或课题C.专业实习实践D.学年论文E.学科竞赛F.创新创业训练项目或科研训练项目G.其他

论文选题依据

一、选题背景

（一）国内外现状

在国内，成杰[1]基于权重优先的Hash Shuffle Manager调度模型优化方案主要解决了输入矩阵过于稀疏而导致的推荐不准确问题。李贤宗[2]基于双知识图谱和图卷积神经网络的商品推荐研究，利用foodmart数据集中的数据,通过知识图谱将用户信息和商品信息等更多信息有效融入到推荐系统中,结合图卷积神经网络以期提高商品推荐的准确度。冯兴杰[3]基于图神经网络与深度学习的商品推荐算法，在利用图神经网络提取关联关系的同时,利用深度学习提取评论的优势提取用户和商品的一般偏好,并进行特征融合来提升推荐效果。武晓童[4]基于用户行为和数据的商品推荐系统使用了多种算法相结合,全面覆盖实时和离线推荐,以达到用户所得到的推荐商品的个性化和准确性,同时减少了商品所面临的冷启动问题。刘洋[5]在Amazon数据集上对所提出的推荐方法进行对比实验,验证了近邻评论的思想能够有效缓解评论稀疏,并在准确性指标上优于其他模型,而且多生成器网络结构在多样性指标上的也取得了不错的效果。杨铁湃[6]基于单调行为链的商品推荐研究将传统意义上推荐系统的矩阵补全问题转换成图链接预测问题,利用了单调行为链上多个用户-商品交互阶段的数据信息,充分获取了用户和商品的多阶段的特征向量。图卷积编码的使用,从多阶段交互数据中编码得到商品和用户的低维特征向量,更好地捕获不同用户-商品交互阶段的隐式反馈和显式反馈之间的关系。

在国外，Qian Chenyue[7]提出了一种基于文本卷积神经网络和带偏项奇异值分解( Bias SVD )相结合的推荐算法，利用文本卷积神经网络( Text CNN )充分提取用户和项目的特征信息,然后利用奇异值分解方法进行推荐。Ke Gang[8]提出了基于强化学习和社交网络的跨平台动态商品推荐系统，实现了较好的链路预测精度，与已有的协同过滤推荐系统相比，精度明显提升。

（二）发展趋势

在未来，对加强对用户的认知和获取新用户信息成为商品推荐需要考虑的内容的一部分。用户的兴趣爱好往往会随着年龄的增长而发生改变，亦会随着需求发生改变，在建立用户兴趣模型时，因此用户兴趣随年龄、需求的变化也成为商品推荐研究需考虑的内容，以进行更准确的推荐。此外，社交网络中的信任关系，通过发现商品潜在的互补关系以提高推荐的准确性并解决推荐系统的数据漏洞问题也成为今后研究中需考虑的内容。

二、选题意义

（一）实践意义

本文对商品推荐的研究对购买者和商家都产生极大的好处，对于商家而言商家可以根据该关联规则的研究判断所有用户偏好，从而推荐更适合用户的商品，促进用户的购买量，增加商家的销售量；对于用户而言，在购买商品的过程中，根据系统的推荐可以购买到更多适合自己的产品，降低了用户退货的风险，同时提升了用户的购买体验。

（二）理论意义

对于不断会有新客户和新的境外商品被引入到商品系统中,可以将新引进的商品推荐给客户，也可以根据新用户的喜好推荐适合的商品。对减少消费者搜索商品的时间并帮助消费者购买到符合其心意的商品,提高用户购物体验,同时帮助企业提高网购客户的黏度提高服务质量,进而提升系统运营效率具有重要的现实意义。

论文准备情况

一、内容框架

（一）主要内容

本文共分为五章：

第1章 引言。主要介绍研究背景及意义、国内外研究现状以及介绍主要研究内容；

第2章 商品推荐核心算法。主要介绍数据挖掘以及研究数据的关联规则，以及Apriori算法、FP-Growth算法和基于协同过滤的关键算法，说明了算法的实现过程，采用Apriori关联规则算法分析商品之间的关系,通过算法中两个重要指标支持度与置信度之间的关系来衡量商品之间的关联关系,经过算法分析获得具有强相关性的产品组合，预测未来的商品之间的联系趋势；

第3章 系统设计。主要介绍设计思想和系统框架。

第4章 实验与分析。

第5章 总结与展望。主要内容有所做的工作与回顾，成果以及研究意义以及对未来的进一步工作。

（二）设计（研究）思路

第1章 引言

1.1 研究背景及意义

1.2 国内外研究现状

1.3 主要研究内容

第2章 商品推荐核心算法

2.1 数据挖掘

2.2 关联规则

2.2.1 Apriori算法

2.2.2 FP-Growth算法

2.2.3 基于协同过滤的关键算法

第3章 系统设计

3.1 设计思想

3.2 系统框架

第4章 实验与分析

4.1 实验

4.2 分析

第5章 总结与展望

5.1 总结

5.2 展望

二、研究方法

1. 多元素融合技术的研究：利用商品的种类、商品的品牌等多种元素来生成更多商品信息。

2. 状态分组机制的研究：把与每位用户相关的各个商品设计一种同等的维度，以便于根据相似性预测相关商品用来减少计算量。

3. 基于相似度划分的推荐算法研究：在发展过程中，不断会有新客户和新的境外商品被引入到商品系统中,如何向新客户推荐商品,如何将新商品推荐给客户,提出了基于相似度划分得到的聚簇并对聚簇进行关联分析得到推荐规则,提出相应的推荐算法。经过相似度划分聚簇后的关联分析所得到推荐规则相比于没有聚簇的关联分析具有更高的置信度,能够更好地提高推荐结果的准确性,同时也能够很好地解决新用户和新商品的引入而产生的问题,对提升客户黏度和提高客户满意度有着重要的作用。

4.基于单调行为链的商品推荐研究：利用用户与商品之间“单调行为链”的交互结构找到了隐式反馈和显式反馈之间的联系,并将其融合在图神经网络、注意力机制神经网络和基于邻域影响序列的模型中,提出了三种基于单调行为链的商品推荐模型。

三、资料准备情况

1. 文献阅读

从知网等网站上下载阅读与课题研究相关的中英文文献。

2. 商品数据收集

从Kaggle等网站上获取数据集。

3. 编程实验

(1) 采用python进行数据预处理以及算法运算。Python的Apriori库要求采用的数据集采用列表的形式，所以需要将整个数据集设置成一个列表，数据集中的每个事务都是外部大列表中的内部列表，散乱的数据将被整理的更加清楚。该算法是关联规则算法一种数据挖掘的算法，包含了两个概念：(1)支持度：代表两个事件A、B同时发生的概率.(2)置信度（confidence）：确定B在包含A的事务中出现的频繁程度。

(2) 利用协同过滤算法进行推荐。推荐系统是一种信息过滤系统，能根据用户的档案和历史购买记录，得出用户的兴趣爱好，预测出用户对给定商品的偏好，加强了和用户之间的交互性。首先导入用户商品数据，形成用户-商品矩阵，定义相似性度量和相似度矩阵，首先初始化相似度矩阵，计算相似度进行填充，然后基于一种方式进行算法推荐。

四、进度安排

2022.11-2022.12  完成开题报告的撰写

2022.12-2023.02  完成论文初稿

2023.03-2023.04  完成论文的修改

2023.04-2023.05  完成论文终稿

参考文献

[1] 成杰. 基于Spark大数据平台的商品推荐算法研究[D]. 黑龙江大学, 2022.

[2] 李贤宗. 基于双知识图谱和图卷积神经网络的商品推荐研究[D]. 吉林大学, 2022

[3] 冯兴杰, 生晓宇. 基于图神经网络与深度学习的商品推荐算法[J]. 计算机应用研究, 2021, 38(12): 3617-3622.

[4] 武晓童. 基于用户行为和数据的商品推荐系统的设计和实现[D]. 北方工业大学, 2021.

[5] 刘洋. 面向用户多样性需求的个性化商品推荐方法研究[D]. 辽宁大学, 2021.

[6] 杨铁湃. 基于单调行为链的商品推荐研究[D]. 黑龙江大学, 2021.

[7] Chen Y, Jin Y, Teng X. Research on Commodity Recommendation System Based on Deep Learning[J]. Journal of Physics: Conference Series, 2021, 1865(4), 1742-6596.

[8] Ke G, Du H, Chen Y. Cross-platform dynamic goods recommendation system based on reinforcement learning and social networks[J]. Applied Soft Computing Journal, 2021, 104, 1016-1072.

指导教师意见

该生基于机器学习对商品推荐进行研究，课题研究具有较好的理论及实际意义。参考国内外相关领域的文献和书籍等，内容安排合理，逻辑关系清晰；拟采用的研究方法具有一定的合理性。前期准备较充分，开题报告的撰写符合要求，同意开题。

指导教师签名：