基于某淘鞋网的商品个性化推荐毕业论文(编辑修改稿)

基于某淘鞋网的商品个性化推荐毕业论文(编辑修改稿)内容摘要：

有少数人搜索。 网站可以着重加强对搜索量较大的品牌的议价能力，丰富这些品牌的品种并且使价格具有竞争力。 对于搜索量较小的小众 品牌要丰富品牌线，争取做到用户搜索想要的品牌不会搜索不到的情况 ⑤ 北京与广东是淘鞋网的两大购鞋大省，为购鞋主力，并且这两个省份的购买力较强，应加强对这两个省份的广告如线下实 体广告的投放以增加用户忠诚。 13 / 30 三、 推荐 系统设计 、 系统 设计流程 步骤一：比对数据库，判断访问该淘鞋网站的 IP 是新 IP 还是曾经有历史记录的旧 IP，并判断该 IP 所在的省份。 步骤二：将数据进行预处理，筛选出 IP 所在的省份热门的品牌、类型，并选出访问日期那时候，筛选出全国热门的品牌、类型。 步骤三：对于一个新 IP，通过比较权重，分别从省份热门、全国热门、随机挑选，选出前 3 条、 2 条、 2 条数据作为品牌以及品牌所对应的类型推荐数据。 步骤四：对于一个旧 IP，通过比较权重，分别从浏览历史记录、省份热门、全国热 门、随机挑选，选出 4 条、 1 条、 1 条、 1 条作为品牌以及品牌对应的类型作为推荐数据。 具体算法流程图如下 Y N 开始 输入 IP 新 IP? 4 条浏览历史 1 条省热门 1 条全国热门 1 条随机 3 条省热门 2 条全国热门 2 条随机 03 天访问历史 315 天访问历史 15 天访问历史 处理方法 14 / 30 、 生成全国热门表算法 ： 算法一：生成每日全国热度表 输入 ：近十五日数据集 D； 输出 ：全国热度表； ArrayList brand_list[getCount(brand)][2]。 for(int i=0。 igetCount(brand)。 i++) { brand_list[i][1] = countbrand(D)。 } sort(brand_list[i][1])。 //品牌频数和排序； ArrayList type_list[getCount(type)][2]。 for(int i=0。 igetCount(type)。 i++) { type_list[i][1] = counttype(D)。 } sort(type_list[i][1])。 //类型频数和排序； ArrayList hot_temp[5][5]。 for(int i=0。 i5。 i++) { for(int j=0。 j5。 j++) { hot[i][j]={brand_list[i][0],type_list[j][0]}。 } } ArrayList hot[25][2]。 for(int i=0。 i25。 i++) {for(int j=0。 j5。 j++) { hot[i][0]={hot_temp[j][0]+,hot_temp[0][j]}。 }//产生无排序的热度备选数组； ArrayList brand_frequency[5][2]。 for(int i=0。 i5。 i++) 15 / 30 { brand_frequency[i][0]=brand_list[i][0]。 brand_frequency[i][1]=getfrequency(brand_list[i][1])。 }//品牌前五名的频率 ArrayList type_frequency[5][2]。 for(int i=0。 i5。 i++) { type_frequency[i][0]=type_list[i][0]。 type_frequency[i][1]=getfrequency(type_list[i][1])。 }//类型前五名的频率 for(int i=0。 i25。 i++) { for(int j=0。 j5。 j++) { hot[i][1]=weight(brand_frequency[j][1],type_frequency[j][1])。 } }//产生热度表条目的权重 sort（ hot)。 //根据权重产生全国热度表 procedure weight(brand_frequency[j][1],type_frequency[j][1]) double result。 result=brand_frequency[j][1]*type_frequency[j][1]。 return result。 、生成省份热门表算法： 算法二：生成每日省份热度表 输入： 近十五日某省份数据集 Di； 输出： 该省份热度表； ArrayList brand_list[getCount][2]。 for(int i=0。 igetCount。 i++) { brand_list[i][1] = countbrand(D)。 } sort(brand_list[i][1])。 //品牌频数和排序； ArrayList type_list[getCount][2]。 for(int i=0。 igetCount。 i++) { type_list[i][1] = counttype(D)。 } 16 / 30 sort(type_list[i][1])。 //类型频数和排序； ArrayList hot_temp[5][5]。 for(int i=0。 i5。 i++) { for(int j=0。 j5。 j++) { hot[i][j]={brand_list[i][0],type_list[j][0]}。 } } ArrayList hot[25][2]。 for(int i=0。 i25。 i++) {for(int j=0。 j5。 j++) { hot[i][0]={hot_temp[j][0]+,hot_temp[0][j]}。 }//产生无排序的热度备选数组； ArrayList brand_frequency[5][2]。 for(int i=0。 i5。 i++) { brand_frequency[i][0]=brand_list[i][0]。 brand_frequency[i][1]=getfrequency(brand_list[i][1])。 }//品牌前五名的频率 ArrayList type_frequency[5][2]。 for(int i=0。 i5。 i++) { type_frequency[i][0]=type_list[i][0]。 type_frequency[i][1]=getfrequency(type_list[i][1])。 }//类型前五名的频率 for(int i=0。 i25。 i++) { for(int j=0。 j5。 j++) { hot[i][1]=weight(brand_frequency[j][1],type_frequency[j][1])。 } }//产生热度表条目的权重 sort（ hot)。 //根据权重产生该省份热度表 procedure weight(brand_frequency[j][1],type_frequency[j][1]) double result。 result=brand_frequency[j][1]*type_frequency[j][1]。 return result。 17 / 30 、 生成随机推荐表算法 算法三：产生随机推荐表 输入： 品牌数据集 D_brand,各品牌对应类型数据集 Di_type。 输出： 随即推荐数据表 ArrayList random_list[][] = brand_list。 for(int i=0。 igetCount(brand)。 i++) { random_list[i][1] = find_TopData_itemset(Di_Type)。 //产生随机推荐表 } 、 抽取历史记录生成推荐表算法： 算法四：产生随机推荐表 输入： 品牌数据集 D_brand,各品牌对应类型数据集 Di_type。 输出： 随即推荐数据表 ArrayList random_list[][] = brand_list。 for(int i=0。 igetCount(brand)。 i++) { random_list[i][1] = find_TopData_itemset(Di_Type)。 //产生随机推荐表 } 、生成新用户推荐列表算法： 算法四：产生新人推荐表 输入： 该搜索日期全国热度表 D，该搜索日期新人所在省份热度表 Di，随机推荐表 D_random,品牌及其男女属性对应表 D_gender 输出： 新人推荐列表 ArrayList remend_list[7][3]。 remend_list[0][1]=find_item(D,1)。 remend_list[1][1]=find_item(D,2)。 //抽取全国热门表前两条数据； remend_list[2][1]=find_item(Di,1)。 remend_list[3][1]=find_item(Di,2)。 remend_list[4][1]=find_item(Di,3)。 //抽取省份热门表前三条数据； number1 = (0,getCount(random_。