基于SpringBoot的协同过滤商品推荐商城系统

简介

随着网络的普及,网络资源不断丰富,网络信息量不断膨胀。用户要在众多的选择中挑选出自己真正需要的信息好比大海捞针,出现了所谓的“信息过载”的现象。信息过载是指的是社会信息超过了个人或系统所能接受、处理或有效利用的范围,并导致故障的状况。个性化推荐系统的出现是为了解决信息过载的问题,帮助消费者在浩如烟海的产品中找到自己需要的产品,为消费者提供个性化的购物体验。个性化推荐系统日益受到用户的青睐,也受到越来越多的学者和电子商务网站的关注。
个性化推荐可以作为网络营销的一种手段,能为电子商务网站带来巨大的利益。个性化推荐的目标是根据具有相似偏好的用户的观点向目标用户推荐新的商品。好的个性化推荐系统能够发掘用户喜欢的商品,并推荐给用户。对于用户而言,如果打开网站的链接并登陆,就能找到自己喜欢的商品,会省下很多翻看网页的时间和精力,而这样的网站,一定会受到用户的青睐。一个好的个性化推荐系统可以为用户提供便利,继而,使用户与网站之间有更好的粘合度,提高电子商务网站的市场竞争能力。
在众多的个性化推荐算法中,协同过滤被广泛应用,也是最成功的推荐算法。本课题旨在研究基于用户的协同过滤推荐算法在电子商务个性化商品推荐中的应用。
研究电子商务推荐系统对企业和社会具有很高的经济价值。电子商务个性化推荐系统的关键是建立用户模型。推荐系统的热点问题是推荐技术和推荐算法的研究。推荐算法是整个推荐系统的核心,它的性能决定了最终推荐结果的好坏。为了建立合理的用户模型,满足不同用户对实时性、推荐方式等的要求,产生了一系列的推荐技术和算法。涉及的技术包括基于内容的过滤技术、协同过滤技术、关联规则挖掘技术、分类和聚类技术、神经网络技术等等。
个性化的服务在商家与顾客之间建立起了一条牢固的纽带。顾客越多地使用推荐系统。推荐系统可以更适合顾客的需要,将顾客更多地吸引到自己的网站,与顾客建立长期稳定的关系。从而能有效保留用户,防止用户流失。
个性化推荐技术是电子商务推荐系统中最核心最关键的技术,很大程度上决定了电子商务推荐系统性能的优劣

基于用户的协同过滤推荐算法

功能

前台业务流程分析

前台业务是为了购买商品的用户而设计的,用户可以浏览网站中的商品和一些服务相关的内容,用户只有注册并且登录了才可以进行购物

后台功能模块设计

后台管理员管理模块包括:会员管理和商品类型管理。会员管理就是这里分为管理员对用户的操作及用户自己的操作,管理员还可以对商品和订单信息进行管理。

运行截图

基于SpringBoot的协同过滤商品推荐商城系统_第1张图片
基于SpringBoot的协同过滤商品推荐商城系统_第2张图片
基于SpringBoot的协同过滤商品推荐商城系统_第3张图片

国内外研究现状

国外研究现状的现状

随着互联网的普及以及电子商务的发展,推荐系统渐渐成为电子商务技术的一个重要研究内容,得到了越来越多的研究者的关注。
国外在这方面的研究起步较早。1997年Resnick&Varian给出了电子商务推荐系统的正式定义。从1999年开始,计算机协会ACM(Association for Computing Machinery)每年召开一次电子商务的研讨会,研究文章中关于电子商务推荐系统的占据了很大比重;该协会下面的数据挖掘特别兴趣组SIGKDD(Special Interest Group on KDD)和信息检索兴趣小组SIGIR(Special Interest Group on Information Retrieval)也分别在1999年和第24届研究发展会议上,开始把推荐系统作为一个专门的研究主题。同时,第十五届人工智能会议、第一届知识管理应用会议等也纷纷将电子商务推荐系统作为研究主题。

国内研究现状

目前个性化推荐已开始在国内电子商务领域初现端倪,PC零售业的巨头——Dell公司正是通过提供个性化推荐在电子商务活动中获得了巨大的成功。然而,在电子商务推荐系统的应用方面,国内电子商务网站与国外网站相比差距还较大,主要表现在:
(1) 缺乏个性化的推荐: 由于很多推荐笼统地粗放地面向所有用户,而非个性化的推荐,其结果与每一用户的特殊兴趣并不相符合,这是我国电子商务推荐系统最主要的缺陷。
(2) 推荐的自动化程度低:大多数的推荐功能都需要用户经过一段时间与机进行交互,输入自己感兴趣的信息,然后才能得到结果。并且,系统不能保存用户每次输入的信息。总体来说,所有的推荐策略都基本上停留在查找这一层次上,不能实现自动推荐。
(3) 推荐的持久性程度低:目前大多数的推荐策略都是建立在当前用户会话的基础上,不能利用用户以前的会话信息,因而推荐的持久性程度非常低。这也是国内推荐系统的不足之处。
(4) 推荐策略单一:大多数推荐系统所用的推荐策略基本上就是分类浏览和基于内容的检索,缺乏多种推荐策略的结合使用,尤其缺少个性化与非个性化推荐策略的混合使用。
产生以上问题的主要原因,首先是消费者对电子商务不信任的社会心理还比较普遍,不愿提供真实的个人信息。其次,是现实生活中电子商务个性化推荐不到位,管理制度不完善,无法达到消费者要求的水平,建立提供电子商务个性化推荐的系统的技术也欠发达。

电子商务推荐系统概述

电子商务对传统的商务交易产生了革命性的变化,从而要求“以产品为中心”向“面向客户”、“以客户为中心”的新的商业模式的转变,要求电子商务网站按客户群划分产品,围绕客户进行服务,为客户提供所需要的东西,所以对每个顾客提供个性化的服务成为必要。在这种背景下,推荐系统(Recommender System)应运而生,它是根据用户个人的喜好、习惯来向其推荐信息、商品的程序[7]。电子商务网站可以使用推荐系统分析客户的消费偏好,向每个客户具有针对性地推荐产品,帮助用户从庞大的商品目录中挑选真正适合自己需要的商品,尽可能为每个顾客提供个性化的服务。
个性化推荐(personalized recommendation)技术通过研究不同用户的兴趣,主动为用户推荐最需要的资源,从而更好地解决互联网信息日益庞大与用户需求之间的矛盾。目前,推荐技术被广泛应用到电子商务、数字图书馆、新闻网站等系统中。各种适用于推荐系统的技术应运而生,如协同过滤技(CF)、bayesian网技术、聚类分析技术、关联规则技术、神经网络技术和图模型技术等,其中,协同过滤是应用最为广泛的个性化推荐技术。协同过滤推荐又分为基于模型(Model-based)的协同过滤和基于用户的协同过滤。后来,sarwr教授在2001年提出基于项目的协同过滤算法。
推荐技术的分类标准:文献[11]给出了区别推荐技术的两维属性:① 自动化程度(degree of automation),客户要得到推荐系统的推荐是否需要显式的输入信息;②持久性程度(degree of persistence),推荐系统产生推荐是基于客户当前的单个会话(session)还是基于客户的多个会话。也有学者认为,除了上述两个特征外,个性化程度(degree of personalization)也是评价推荐技术的重要指标,可以用来反映推荐结果符合用户兴趣爱好的程度。

获取方式

链接直达:https://gitee.com/XiaoLin_Java/communion/blob/master/

你可能感兴趣的:(Java毕设项目,java,后端,java-ee)