電子商務平台之商品推薦系統基本概念探討

  • 陳 奕伶

Student thesis: Master's Thesis

Abstract

目前大多數電子商務網站使用的推薦系統(Recommender System),多為協同過濾(Collaborative Filtering CF)演算法之Memory-based模式,其優點是能夠快速實現商品推薦之?能,但缺點為1 當資料庫增大時,因複雜度太高(Complexity O(g(n)))而無法擴展(scalability)的問題,造成推薦的效能不佳;2 此演算法仰賴用戶對商品的評價,故當用戶成?交易後,若無給予商品評價,或因用戶和商品大量時,皆會因評價數不足造成數據稀疏性(Data Sparsity),因而影響鑑別商品之推薦度問題;3 而另一個因數據稀疏性引申的問題,則是在新用戶和新商品加入時,因無法判定其用戶喜好或用戶對商品的評價,也會造成冷啟始(Cold-start)狀況。 為改進以上之缺陷,本研究中針對現有的技術與文獻進行探討後,提出一C2C(customers to customers)購物網站-IMI Lab Global,提供用戶販售與購買商品,針對Memory-based的缺點,提出三大解決方法:1 為因應用戶與商品巨量資料(Big Data)的擴展性問題,本研究除了RDB關聯性資料庫,也使用Apache開放原始碼之Hadoop環境,以HDFS架構處理NoSQL資料,即可加速巨量資料的處理速度,實現高吞吐量和低延遲性;2 為減少因用戶不願或忘記評價導致評價數不足,亦即數據稀疏性的問題,本研究提出一個時間過濾評價(Rating time-filter)方法,補足用戶購買後無評價造成的缺陷;3 在新用戶和新商品加入時,造成的冷啟始問題。本研究提出之方法,可結合社群網路(Social Network),提供用戶多樣的登入口,並除註冊會員資料外不同面向提取用戶資訊,來做為用戶之背景資料分析。
Date of Award2014 Sep 10
Original languageChinese
SupervisorShang-Liang Chen (Supervisor)

Cite this

電子商務平台之商品推薦系統基本概念探討
奕伶, 陳. (Author). 2014 Sep 10

Student thesis: Master's Thesis