摘 要

近年来，随着国家互联网 政策的执行，这大大促进了互联网的快速发展，其数据的规模和体量也越来越大，用户很难快速找到自己所需要的信息，为了处理和优化这种问题，推荐系统应用而生。推荐系统可以说是一种预测系统，它能够将用户和用户之间，用户和信息之间很好的联系起来。推荐系统的工作原理是构建用户模型，针对用户的信息需求进行分析，再通过特定的推荐算法将用户可能需要的信息推荐给用户。

推荐系统多种多样，其功能也不尽相同，本文只讨论它在电子商务领域的研究和实现，通过用户购买历史所记录的数据，为用户额外推荐指定的产品和服务。本文首先介绍了推荐系统是什么，之后详细说明了life-stage的概念，并将其引入到电子商务商品推荐系统推荐系统。然后开始详细说明了在我们的基于电子商务商品的推荐系统中使用了哪几种策略，包括基于物品的协同过滤和基于用户的协同过滤。还有相似度计算方法的分析以及选择，最后是介绍了基于life-stage的电子商务商品推荐系统的评测指标。

关键词：推荐系统；life-stage；相似度算法；协同过滤

Abstract

In recent years, with the implementation of the national Internet policy, which greatly contributed to the rapid development of the Internet, the data size and volume is also growing, it is difficult for users to quickly find their own information, in order to deal with and optimize this Kind of problem, recommended system application. The recommendation system can be said to be a predictive system that provides a good link between users and users, between users and information. The recommended working principle of the recommendation system is to build the user model, analyze the information needs of the user, and then recommend the information that the user may need to recommend to the user through the specific recommendation algorithm.

This system that it only discusses its research and implementation in the field of e-commerce, through the user to buy the history of the recorded data for the user to recommend the specified products and services.This article first introduced the recommendation system is what, after a detailed description of the concept of life-stage, and its introduction to the e-commerce commodity recommendation system recommended system. And then begins with a detailed description of which strategies are used in our e-commerce-based referral system, including object-based collaborative filtering and user-based collaborative filtering. As well as the analysis and selection of the similarity calculation method. Finally, it introduces the evaluation index of the e-commerce commodity recommendation system based on life-stage.

Keywords:recommendation system; life stage; similarity algorithm; collaborative filtering

目 录

第1章 绪论 1

1.1 研究背景及研究意义 1

1.1.1 研究背景 1

1.1.2 研究意义 1

1.2 基于life-stage的推荐系统的研究现状 2

1.3 论文的主要工作 2

第2章 相关技术 3

2.1开发平台（软件）介绍 3

2.1.1 Visual Studio Code简介 3

2.1.2 NodeJs运行环境简介 3

2.2开发技术介绍 4

2.2.1 前端技术选型及介绍 4

2.2.2 后端技术选型及介绍 4

第3章 推荐算法及实验结果 5

3.1数据集分析和处理 5

3.2推荐算法模型 6

3.2.1 推荐算法模型综述 6

3.2.2 推荐系统用户模型建立 7

3.3协同过滤算法及相似度计算方法选择 8

3.3.1协同过滤推荐算法 8

3.3.2相似度计算方法分析和选择 10

3.4实验结果 15

3.5本章小结 16

第4章 推荐系统设计与实现 17

4.1推荐系统概述 17

4.2基于life-stage的推荐系统架构 17

4.3推荐系统的评价方案 19

4.3.1 推荐算法评测指标 20

4.3.2 推荐系统的不足与改进 22

第5章 总结与展望 24

5.1总结 24

5.2展望 24

参考文献 25

致谢 26

第1章 绪论

1.1 研究背景及研究意义

1.1.1 研究背景

市场研究人员和社会学家已经认识到消费者在不同的人生阶段会产生不同的购买行为。这也是基于数据挖掘的推荐系统在商业上取得了的较大成功的原因之一^[7]。例如，淘宝、亚马逊、沃尔玛等在线网店根据用户的历史购买记录，为用户额外推荐指定的产品和服务^[5]。众所周知，这些推荐十分重要，并且对消费者的在线购物体验有很大的影响^[14]。

另一方面，市场研究者和社会学家多年来认识到生命阶段对消费者购买行为的重要性。例如，消费者经历不同的生活阶段，如光棍阶段（即年轻和单身），新婚夫妇（年轻，没有孩子），全巢（已婚夫妇与依赖的孩子），空巢（即没有子女的老年夫妇同居）。全巢期可以进一步分为一些子阶段,这很大程度上取决于抚养的孩子的年龄,而空巢阶段可以进一步分为子阶段,如仍在就业,退休了,独自在世(即鳏寡)等。众所周知，持久性产品和短期消费品对生命周期阶段的变化非常敏感.。