基于在线购物行为的O2O推荐系统研究

作     者：莫重骥 

作者单位：上海交通大学 

学位级别：硕士

导师姓名：王东

授予年度：2015年

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：智能商圈 推荐系统 O2O模式 用户偏好建模 

摘      要：近年来,传统零售业受到来自电商的冲击,正在向智能化商圈转型。为了提高用户在商圈中的购物体验,方便用户在商圈中快速找到符合自己兴趣的点,推荐系统可以提供有效的帮助。现有的推荐系统在电子商务领域已经发展得非常成熟,得到了广泛的商业应用,然而在线下零售行业却尚无成熟的案例。现有的线下推荐系统主要分为基于热门排序以及基于位置服务,前者由于没有个性化推荐的能力,因而只适用于餐饮等行业的推荐;后者尽管是近年来学术界的热点,但是由于其严重依赖于定位数据质量,要求苛刻,因而难以在真实场景中推广。鉴于当前零售行业对个性化推荐系统的强烈需求,以及现有的推荐思路的不足,本文改变了推荐思路,提出结合O2O模式的推荐系统。O2O推荐系统可以根据用户在线上的购物行为,分析出用户的消费偏好,并基于该偏好向用户进行线下的推荐。O2O推荐系统最大的优势在于,线上数据对比线下定位数据而言,数据各方面的数量和质量都有很大的优势,因此可以分析出更准确的用户偏好。与此同时,由于推荐的过程经历了从线上到线下的流程,O2O推荐系统也将面临一系列的挑战。本文首先介绍了零售行业的现状,阐明了本文的研究背景,然后对推荐系统的技术发展路线进行了综述,介绍了当前线下基于位置推荐系统的研究。基于现有研究,得出了本文的研究思路。随后,本文提出了O2O推荐系统的概念,分析出O2O推荐系统的优势,同时也列出了基于在线购物行为的O2O推荐系统所面临的挑战。为了克服这些挑战,本文提出了O2O推荐系统所采用的一系列模型和设计,包括随时间衰退的行为得分模型、基于兴趣标签的明语义用户偏好模型、用户标签矩阵填充技术、基于相似度的线下店铺推荐模型、推荐结果多样化处理技术以及在线与离线计算分离原则。接着,本文详细描述了将这些设计转化为软件实现的过程,提出了模块化的O2O推荐系统框架、不同实时级别的分离计算原则以及同时满足持久化和实时性需求的内部数据管理体系。最后本文进行了一系列的实验,对O2O推荐系统的模型的正确性以及系统的实时性进行了验证。