英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
摘要
近年来，网上购物变得越来越流行。为了方便购买过程，许多网上商店为其消费者提供了购物推荐系统。到目前为止，一般的推荐系统主要是根据消费者的购买历史来考虑他/她的偏好。但是，我们注意到，从产品补充或经济采购的角度来看，购买产品与正确时机并没有关系。因此，我们通过结合两个额外的考虑因素，即产品补货和产品促销为网上杂货购物开发了一个新的推荐方案。我们相信，这样一个新的方案应该能够提供一个更好的推荐列表，以满足消费者的愿望、需求和预算考虑，最终成功促进交易。
1 导言
买菜无疑是每个家庭最频繁、最必需的事项之一。但随着生活节奏变得越来越快，人们越来越不可能花费时间和精力去做这件事。幸运的是，得益于电子商务的蓬勃发展，人们现在可以通过网购来完成这项工作。此外，随着近来信息技术的发展，人们不仅可以使用电脑，还可以使用各种类型的手持设备，例如PDA、智能手机和平板电脑，来浏览网站，使购物更加方便。因此，网上购物变得越来越流行。在这种情况下，如何使网上采购快速、高效成为电子商务中的一个至关重要问题。
有鉴于此，大多数网上商店都为其消费者提供了购物推荐系统，以方便他们进行网上购物。这类系统的核心是一种个性化推荐算法。该算法对消费者的购物行为进行建模，并在消费者进行在线购买时向其推荐商品。由于没有明确的产品评级可用于杂货店购物，系统不得不从消费者的购买历史来估算他们的偏好。协同过滤(CF)是开发推荐算法的主要技术之一。然而，由于用户评级太少而导致的稀疏性问题可能会使邻域的形成不准确，从而导致较差的推荐。
本文采用了一种基于随机游动和二分网络的方法[9]来缓解稀疏性问题。据我们所知，传统模型不能直接应用于我们的食品杂货购物的目标应用中。还应考虑一些其他因素。例如，杂货店的大多数产品都是日用品，是可消耗的，而且是定期购买的。因此，除了用户偏好，也还必须考虑产品补货。况且，在现实生活中，产品价格强烈影响着消费者的购买意愿，尤其是对于预算型消费者而言。因此，产品推广对于决策具有非常重要的作用。换句话说，一个人可能很容易理解，一个不考虑产品推广的推荐系统对于杂货购物的应用是不实用的。
考虑到上述问题，我们在只考虑产品相似性和个人兴趣的一般推荐系统的基础上，结合产品补充和产品促销这两个额外的考量，开发了一个新的杂货店购物推荐方案。此外,为了提高对消费者个人兴趣的估算,我们将消费者在线购买行为划分为“查看产品信息”、“向购物篮中添加产品”和“购买产品”三个步骤,这样的新方案应该能够提供更合适的推荐列表,以满足消费者的欲望、需求和预算考虑。
本文的剩余部分组织如下。第2节回顾了初步工作和相关工作。第三节介绍了我们提出的用于估计消费者偏好的方法和方案。第四节探讨了我们提出的网上购物推荐系统的原型。最后，本文以第五节为结束语。
2 预备知识
第2.1节探讨了常见的推荐技术。此外，在第2.2节中还回顾了以前关于支持消费者购物过程的工作。
2.1 常用推荐技术
近年来，推荐系统的开发吸引了大量的研究兴趣，特别是在电子商务领域。在推荐系统中，估计用户偏好以便为用户提供推荐项目列表。具体来说，可以基于用户购买日志或来自其他具有类似偏好的用户的推断来做出推荐。示例应用程序包括在亚马逊上推荐书籍、CD和礼物[10]。
基于项目的CF[5][11]是推荐系统中最流行的技术之一，与基于用户的CF[8][12]相比，它表现出了更好的性能。基于项目的CF在项目空间中进行相似度计算，以降低大规模数据集的维数[7]。这是因为在许多实际应用程序中，消费者的数量通常比项目的数量大得多。然而，基于项目的CF仍然存在稀疏性问题。为了解决这一问题，以往的许多技术都专注于寻找消费者偏好的更多隐含指标[6]，如购买行为[1]。
目前，许多推荐技术都是基于用户评分的，用户评分是由用户明确指定的，以表示其偏好的程度。评级通常以离散的数字尺度表示，从最低（最不喜欢）到最高（最喜欢）值。然而，对于我们的目标应用杂货购物，由于物品相对更便宜和更常见，因此获得用户评级相当困难。因此，以往基于用户评级的推荐技术不能直接应用在本作品中。
2.2 购物推荐技术
以前的一些工作利用关联规则和聚类分析来解决杂货购物中没有显式评级的问题。就像其名称一样，关联规则被使用来判断某些产品是否有可能一起购买[4]。因此，当要购买相应的产品时，可以推荐相关的产品。另一方面，聚类分析是将具有相似购买历史的消费者分组，因为他们可能具有相同的偏好。因此，喜欢的产品可以推荐给同组的其他成员[3]。
其他一些先前的工作将购买历史建模为一个二分网络[9]。如图1所示，在这样的二分网络中有两种类型的节点，即消费者和产品，边只位于不同类型的节点之间。此外，该网络中的边E(Ci，Pj)的强度可用于表示消费者Ci购买产品Pj的次数。
图1 显示消费与产品关系的二分网络。
两个相同类型的节点，即两个产品或两个消费者之间的相关性或相似度，可以使用随机游走法计算[13]。即使两个产品从未一起购买过，这也起作用[9]，从而缓解了稀疏性的问题。鉴于此，本文采用相应的技术对产品相似性和个体兴趣进行估计。
3 在线杂货店购物的建议方案
第3.1节介绍我们提出的方法的一般概念。第3.2节说明了相应的技术细节。此外，在线杂货购物的整体推荐方案在3.3节中给出。
3.1 拟议方法的一般概念
对于杂货购物，消费者偏好可以通过个人兴趣、产品补货和产品促销三个方面综合形成。一旦偏好能够被精确地估算出来，相应的推荐技术就具有很大的应用潜力。
首先，基于所有用户的购买历史构造一个二分网络来估计个体的兴趣。注意，消费者很可能会接受与他们之前购买过的产品相似的产品推荐。此外，可以观察到的是人们愿意接受来自相似品味消费者的推荐。通过引入随机游走方法,可以估计出特定消费者对产品的喜爱程度。
其次，大部分日用品都是易耗品，是购物的对象。因此，消费者可能会重复购买同一产品。这被视为“产品补充”。注意，消耗性产品通常具有恒定的消耗率。然后人们会定期购买它们。当某样东西即将耗尽时，消费者的购买意愿就会变得坚定。在本研究中，我们因此提出一个统计模型来估算产品补货的这个因素。
最后，一个最常见的增加产品销量的策略是促销。人们总是喜欢降价购买商品。因此，在推荐系统中考虑产品推广的效果是必要的。具体而言，我们通过对产品促销程度以及消费者对省钱的敏感度进行建模，来估算消费者购买特定产品的意愿。
3.2 消费者偏好估算
如前几节所述，可以根据二分网络中所有边的权重来计算产品相似度。假设得到一个乘积相似度矩阵P，然后使用随机游走法。迭代公式（1）被用来获得基于消费者篮子中当前项目的所有产品的排名分数[9]。
在（1）式中，Rbasket是用于对所有产品进行排序的基于basket的排序得分向量，如果第i个产品在basket中，那么初始向量Ubasket的第i个条目为1/m，否则为0，d sube; (0，1)是阻尼因子，m是当前basket中的产品数。
由于从等式（1）的迭代中得出的排名分数向量Rbasket是基于basket中的产品的，因此，在其basket中具有相同内容的两个消费者具有相同的待推荐的items-list。从消费者个性化的角度来看，这种情况是不合理的。为了向消费者提供个性化的推荐，与Rbasket相比，个体兴趣向量被赋予不同的权重。即，特定消费者的个人兴趣向量I由等式（2）计算。
为了建立方程(2)，消费者k的在线购买过程被分为“查看产品信息”、“向购物篮中添加产品”和“购买产品”三个阶段[4]。Nv是观看产品i的消费者k的数量。Nb是将产品i添加到购物篮中的消费者k的数量。NP是购买产品i的消费者k的数量。因此，I(ck，Pi)是消费者k与产品I的兴趣向量。总之，通过对Rbasket排序得分向量和个体兴趣向量I求和得到消费者偏好CP1。
消费者补充消耗品的概率密度分布作为同一类别产品的连续两次购买之间的时间间隔t的函数，可能是伽马分布[2][14]。伽马分布的概率密度函数可以表述为方程（3）。
在式（3）中，alpha;为形状参数，beta;为尺度参数。在本研究中，我们根据消费者的购买历史来计算特定产品的平均购买时间间隔，参数alpha;和beta;。然后将这些值输入到建立的gamma分布模型中进行计算，得到在这次访问中购买同一产品的概率。这里，购买的概率为消费者偏好CP2。这个概率是基于这样一个条件，即到目前为止，这个特定的产品已经t天没有被购买。在实践中，消费者可以在每次购买时购买不同数量的产品。因此，考虑平均购买数目和平均购买间隔是非常重要的。
注意，产品价格和省钱强烈影响消费者的购买意愿。但传统的购物推荐系统没有考虑这些因素。由于这些因素的缺失，购物推荐系统无法为消费者，特别是预算型消费者提供精确的推荐。因此，在本工作中，我们将价格和省钱这两个因素的影响建模为消费者偏好CP3的第三部分。
促销时购买产品的意愿与产品的折扣率(D)和消费者的省钱敏感度(S)有关。由于有些产品经常打折，有些产品很少打折，因此在计算产品的折现率(D)时，应同时考虑实际节省的金钱和平均价格。例如，一个原价100美元的产品，但相当经常以10%的折扣率出售。此外，该产品全年的平均价格为95美元。对于这种情况，如果这个产品现在的价格是90美元，那么它的折扣率是(100-90)/95=10.5%。另一方面，很少打折的产品可能在推荐项目列表中具有更高的优先级。
412
此外，不同的消费者对存钱的敏感度可能不同。从直觉上看，对于一个每周消费200美元的消费者来说，节省40美元的敏感度是很高的，而对于一个每周消费2000美元的消费者来说，敏感度是很低的。因此，敏感度(S)可以设置为储蓄的价值除以消费者的每周平均消费。消费者偏好CP3是通过将上述两种心理效应与分配给这两种心理效应的不同权重相加来计算的。
通常情况下，消费者在选择一种产品并将其放入购物篮之前，他/她可能会考虑该对该产品的喜爱程度，以及补货的必要性和促销程度。为了有效地模拟这个思维过程，我们根据第一消费者偏好CP1的等级来选择一定数量的产品。然后，我们基于消费者偏好CP1、CP2和CP3重新排列这些产品的序列，并为每个选择的产品分配一个新的排序值(rank-a、rank-b、rank-c)。之后，我们将每个产品的三个排名值(rank-a、rank-b、rank-c)加在一起，得到最终的排名值，以生成最终的推荐列表。
3.3 我们的推荐方案
如图2所示，我们提出的方案可以分为四个部分，包括信息管理器、数据库、分析器和推荐器。每个部分的功能说明如下。
- 信息管理器：这个部分构建消费者档案如性别、年龄、职业等，另一方面，当消费者登录购买产品时，信息管理器开始记录包括浏览时间和点击量在内的消费者行为日志。
- 数据库：存储消费者的所有在线购买行为和购买历史记录。同时，所有产品的促销计划都被存储起来。
- 分析器：对数据库内容进行分析，得到产品相似度、个人兴趣、补货时间间隔、促销程度，从而估算消费者偏好。我们用消费者偏好来综合评估一个消费者的需求。
- 推荐器：这部分是根据分析结果，针对特定消费者产生推荐列表。推荐列表显示了最有可能购买的产品。一般来说，这份清单不仅包括补货商品，还包括促销上的产品。
4 建议方案的原型
在第4.1节中将介绍了拟议方案的原型。此外，第4.2节提供了一个案例研究。
4.1 制作在线食品杂货推荐系统的原型
在这项工作中，我们开发了一个所提出方案的原型，以方便实证研究。注意，产品信息是从真实的网店获取的。消费者由此可以浏览到所有真实产品的最新信息。用户界面如图3所示。消费者可以搜索感兴趣的产品或选择一个产
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[260425]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
