基于深度学习的商品推荐系统设计与开发

随着互联网技术的发展，网络购物越来越受到大家的欢迎。电子商务这一概念大家都不在陌生。通过互联网进行的商品贸易范围越来越广泛，从经典的电子商品、到化妆品、书籍等，发展到绿色农业领域等，通过网上平台，可以宣传销售各种商品。基于深度学习的商品推荐系统的出现，解决了以往商品销售和推广的问题，为产品的处理带来新的机遇。基于深度学习的商品推荐系统的是在电子商务基础上，为用户推荐感兴趣的商品，激发用户购买热情，给企业带来一定额外收入，也给消费者带来物美价廉的商品，本网站平台提供了这样一个推荐功能，在实际的发展中具有一定意义。

基于深度学习的商品推荐系统基于JAVA开发，通过商品销售了解相关电子商务行业现状和意义。提出开发商品推荐的相关技术，对商品推荐进行需求分析，功能设计和功能实现。通过系统测试调整功能，实现可以使用的基于深度学习的商品推荐系统。商品推荐系统使用MYSQL数据库，MYECLIPSE平台搭建架构。

数据挖掘是数据库的知识发现，被称为KDD。在大量数据中，通过算法计算统计出规则，用于决策，使用分类、估计、预测、相关性分组、聚类、复杂数据类型挖掘进行分析。数据挖掘经历了四个步骤，分为电子邮件阶段、信息发布阶段、电子商务阶段、全程电子商务。目前，发展成为数据挖掘和客户关系管理硕士学科^[25]。

数据挖掘使用的算法包括分类决策树算法C4.5、K-means聚类算法、回归分析算法、关联规则算法、EM期望算法、Adaboost迭代算法、KNN机器学习算法、朴素贝叶斯、Cart分类与回归树算法。其中，我设计的数据挖掘使用的是决策树算法。

在数据挖掘中，核心思想就是关联规则，通过一定的规则把事务联系起来。有一个例子足以说明。美国曾经有家超市，在购物分类中，把尿布和啤酒排放一起，销量居高不下。看起来尿布和啤酒没有必然联系，而超市通过数据挖掘得到的结果，年前的父亲购买婴儿尿不湿后，随手会购买一些啤酒。这就是销售数据统计后得到的规则信息。关联规则可以分为布尔型、数值型；从抽象层次上，又可以分为单层和多层规则；从维度上，分为单维和多维^[26]。

目前各行业发展迅速、价格竞争激烈。通过大数据进行数据挖掘，找到企业下一部发展方向，是各行业的目标。据统计，数据挖掘在金融、零售、互联网等领域得到广泛青睐。

数据挖掘涉及到多个学科，应用的领域也越来越多，同时问题也逐渐呈现，如在大数据信息下，如何保证客户的信息隐私等，也是各学科要解决的问题之一。

协同过滤算法是电子商务推荐系统的一种主要算法。协同过滤推荐（Collaborative Filtering recommendation）是在信息过滤和信息系统中正迅速成为一项很受欢迎的技术。与传统的基于内容过滤直接分析内容进行推荐不同，协同过滤分析用户兴趣，在用户群中找到指定用户的相似（兴趣）用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测。

传统过滤算法对比，本算法有着独特的优点：

1. 可以推荐一些复杂的情况，如用户特征，用户购买喜好。

2. 可以过滤机器难易识别的内容信息。

3. 在一定的数据量范围内，有着可观的速度。

目前，使用协同过滤算法的商用网站也很多，如AMAZON的网上书店推荐系统，亚马逊精选推荐位用户推荐优质的商品信息，根据用户的浏览量，好评数，购买成交量，用户注册的个人信息相匹配等多种模式进行有效的商品推荐。使用中，效果显著。但是协同过滤算法也有着一些缺点，如：

1. 当数据量足够大的时候，运算速度慢。

2. 商品必须有至少一个用户评论后才能很好的进行推荐。也就是需要一个初始值。

3. 评论数太少的时候，有可能造成推荐信息不准确。

如需定做或者获取更多资料，请联系QQ：375279829