1. 研究目的与意义
目前我国电商行业发展已逐步成熟,线下零售市场将成为新的零售增长点。经实地调研和专业零售知识分析,选择商品是线下零售商面临的困难点之一,因此为了解决零售商选品难问题。 在电商网站里进行商品推荐，可以提高整个网站商品销售的有效转化率，增加商品销量。通过用户已经浏览、收藏、购买的记录，更精准的理解用户需求，对用户进行聚类、打标签，推荐用户感兴趣的商品，帮助用户快速找到需要的商品，适时放大需求，售卖更加多样化的商品。甚至在站外推广时，能够做个性化营销。
2. 研究内容和预期目标
商品推荐系统无论是在传统电子商务平台还是在新零售平台都发挥着至关重要的作用。商品推荐分为常规推荐、个性化推荐。常规推荐是指商家选择一些固定商品放在推荐位，或者基于商品之间的关联性，进行相关的商品推荐。例如：在用户买了奶瓶之后推荐奶粉。个性化推荐指基于用户购物习惯，根据商品特性来进行推荐。例如“看过此商品后的顾客还购买的其他商品”推荐项。 本文拟定研究内容为，如何利用深度学习更加有效地对用户兴趣进行建模，从而实现商品个性化推荐，基于此研究内容设计实现一个具体、有效、功能完整的商品推荐系统，能够同时为用户完成常规推荐和个性化推荐。
本文拟定分为六个部分：
第一部分主要介绍本文的研究背景及意义；介绍商品常规推荐和个性化推荐的研究现状，并介绍了本文在常规推荐和个性化推荐取得的研究成果。
3. 国内外研究现状
20 世纪 90 年代末，随着互联网技术的不断普及，衍生出电子商务这一商务活动，并迅速扩张，经过近二十年的发展，逐渐成了互联网技术重要的应用领域。便利是网络购物最大的优点，因此不断吸引着越来越多的用户，据 CNNIC 报告( 42 次) 截至 2018 年 6 月，我国网民规模为 8．02 亿，网络购物用户规模达到 5．69 亿。正是这数以万计的用户不断推动着电子商务的迅速发展，同时在网络中留下了数以万计的信息数据。在这海量的信息空间中，用户往往会迷失自己，不得不为寻找到自己心仪的东西而花费大量的时间和精力，这便是信息过载问题。目前，亚马逊、淘宝和京东等电子商务网站均通过建立推荐系统来应对此问题，因此电子商务领域是个性化推荐系统应用最广泛的领域。除了传统的基于协同过滤算法及其改进算法之外，众多研究者也提出了关于提高电子商务推荐系统准确性和正面体验的很多新的想法。陈梅梅等人将马斯洛需求层次理论引入电子商务推荐系统中，从用户的需求角度出发，构建了基于电子商务特点的用户体验需求层次模型，使用回归分析获取影响用户体验的需求因素，从而发现了影响推荐系统体验优劣的若干因素。将Web 日志数据与个性化推荐技术相结合对提高推荐系统准确性有一定的作用。马勇等人提出了一种改进方法，既将 Web 日志挖掘和相关性度量结合在一起并根据用户偏好来提高推荐的准确性。
协同过滤算法是如今电子商务推荐系统中最成功、使用最广泛的算法。协同过滤能够按照目标用户条件，为用户提供有着偏好相似、爱好相同的其他客户对待信息的观点。以此为依据，判定信息对于目标用户的价值，最终在得到肯定回复后，将信息推荐给用户，减少信息超载带来的负面影响、负面作用。协同过滤最大的优点在于不需要推荐项目内容，所以能够在做到新异推荐的同时，将过滤对象充分扩展到所有资源当中。该算法构建用户—项目评分矩阵，利用统计技术获知与目标用户爱好相同、品味相似、搜索相似的用户。随后根据这些相似用户对于商品评分、商品喜好情况预测商品评分数值，并将最高评分的商品反馈给目标用户。该技术运用相似爱好原理。数据搜集得越多，那么推荐质量就越好。
4. 计划与进度安排
本文计划研究利用深度学习对用户兴趣进行建模，从而实现商品个性化推荐，同时为用户完成常规推荐。对基于电子商务平台的推荐系统设计及开发过程中的所利用到的深度学习的相关知识，常规推荐及个性化推荐所使用的相关算法、知识及相关具体建模、设计进行详细介绍，并包括设计与开发的具体内容，包括开发的背景、目的、意义，开发环境的选用及搭建，系统需求分析，系统总体设计和详细设计，系统代码实现及测试。经过最后的系统测试部分，每个功能、指标都达到了设计的要求，能够在实际使用中安全、稳定、高效地运行。
本次设计拟定工作概括如下:
①通过爬虫等相关方法收集真实电子商务平台的商品购买及用户喜好数据并进行数据处理建模。
5. 参考文献
| [1]张鑫. 基于智能推荐的自动售卖系统设计[D].天津工业大学,2019. |
| [2]陈鹏达. 基于深度学习的商品推荐系统的研究与实现[D].北京邮电大学,2019. |
| [3]杜少波.基于深度学习的商品推荐系统研究[J].价值工程,2019,38(26):237-238. |
| [4]成保梅.基于协同过滤的电子商务个性化推荐算法研究[J].现代电子技术,2019,42(20):37-39 44. |
| [5]郑策,尤佳莉.电影推荐系统中基于图的协同过滤算法[J].计算机与现代化,2019(11):38-43 48. |
| [6]王敏. 基于协同过滤的电子商务个性化推荐系统设计和实现[D].广州大学,2019. |
| [7]高健. 个性化推荐算法在微信电商平台的研究与实现[D].长安大学,2019. |
| [8]范汝鑫. 基于深度神经网络的个性化商品推荐研究[D].合肥工业大学,2019. |
| [9]许银洁. 基于主题模型的个性化长尾商品推荐系统研究[D].合肥工业大学,2019. |
| [10]张俊伟,杨柳,王硕宁,王忠建.基于文本挖掘的商品推荐[J].哈尔滨商业大学学报(自然科学版),2017,33(04):463-468. |
| [11]涂海丽,唐晓波.基于标签的商品推荐模型研究[J].数据分析与知识发现,2017,1(09):28-39. |
| [12]李艳.大数据环境下个性化推荐系统的研究和应用[J].长春大学学报,2019,29(06):34-38. |
| [13]项露芬.基于个性化推荐技术的电子商务发展研究[J].无线互联科技,2019,16(13):111-112. |
| [14]Adiyansjah,Alexander A S Gunawan,Derwin Suhartono. Music Recommender System Based on Genre using Convolutional Recurrent Neural Networks[J]. Procedia Computer Science,2019,157. |
| [15]Francisco Garca-Snchez,Ricardo Colomo-Palacios,Rafael Valencia-Garca. A social-semantic recommender system for advertisements[J]. Information Processing and Management,2020,57(2). |
| [16]Rajendra Kumar Roul,Kushagr Arora. A nifty review to text summarization-based recommendation system for electronic products[J]. Soft Computing,2019,23(24). |
| [17]. The Deep Learning–Based Recommender System “Pubmender” for Choosing a Biomedical Publication Venue: Development and Validation Study[J]. Journal of Medical Internet Research,2019,21(5). |
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
