5.1. Main findings While the boomin

5.1. Main findings While the booming e-commerce is bringing huge transaction volumes, the problem of “information overload” also causes problems for customers and businesses. First, while customers enjoy the convenience of e-commerce virtual shopping, they are often surrounded by a large amount of product information. Second, merchants are concerned that their product information cannot be fully and systematically presented to target customers in massive amounts of information. The e-commerce recommendation system provides a good idea to solve the "information overload" problem. The recommendation system can recommend the product information that meets the user's consumption preference to the target customer and help the customer to complete the conversion from "buy what" to the actual purchase behavior. Through the understanding of personalized recommendation technology, this paper combines the actual needs of the Internet of Things e-commerce project and carries out algorithm research and improvement from solving the cold start of users and improving the accuracy of recommendation results. At the same time, this paper proposes to construct user interest classification model by using user context information to solve the problem of user cold start. In addition, this paper combines the user trust model with the collaborative filtering recommendation algorithm to improve the accuracy of recommendation results. 5.2. Theoretical implications The theoretical significance of this research mainly has the following three points. First of all, this study deeply studies the cold start problem of users in the mobile client recommendation algorithm and forms a systematic understanding of the cold start problem. On this basis, this paper proposes a method of constructing user interest classification model by using user context information to solve the user's cold start problem. By means of an existing user clicking record, the method extracts context information in different environments and constructs a user interest classification model. Meanwhile, when the new user arrives, the context information of the new user in the current environment is extracted and matched with the user interest classification model, thereby predicting the browsing interest of the new user, completing the recommendation of the product information, and solving the cold start problem of the new user. Secondly, based on the definition of trust and the existing trust model learning, the user trust model suitable for mobile e-commerce platform is constructed. At the same time, this paper divides the generation of user trust into two parts: the trust generated by social reputation and the trust generated by social similarity. By extracting the context characteristics that characterize user trust, this paper uses AHP to complete the model construction process. In order to solve the problem that the user-scoring matrix sparseness of the user-item scoring matrix is small and the accuracy of the recommendation result is low, a collaborative filtering recommendation algorithm based on the user trust model is proposed. The algorithm improvement is divided into two parts: On the one hand, through the threshold filtering method, the user's trusted nearest neighbor is merged with the user's similarity nearest neighbor, thereby achieving the purpose of matching more neighbors for the user. On the other hand, the existing score prediction formula is improved, so that the score prediction process can fully consider the influence of the user trust relationship on the recommendation result.

結果 (繁體中文) 1:

5.1。主要結論雖然蓬勃發展的電子商務帶來巨大的交易量，“信息過載”的問題也引起了消費者和企業的問題。首先，雖然客戶享受到電子商務的虛擬購物的方便，他們往往通過大量的產品信息所包圍。其次，商家擔心自己的產品信息不能全面，系統呈現給目標客戶的大量信息。電子商務推薦系統提供了一個好主意，解決“信息過載”問題。推薦系​​統可以推薦符合用戶的消費偏好，以目標客戶的產品信息，並幫助客戶完成從轉換“買什麼”實際的購買行為。通過個性化推薦技術的理解，本文結合物聯網電子商務項目的互聯網的實際需要和執行從解決用戶的冷啟動和改善推薦結果的準確性算法研究和改進。同時，本文提出了通過使用用戶上下文信息來解決用戶冷啟動的問題，構建用戶興趣分類模型。此外，本文結合協同過濾推薦算法的用戶信任模型，以提高推薦結果的準確性。5.2。理論意義本研究的理論意義主要有以下三點。首先，這項研究深入研究了移動客戶端的推薦算法，用戶和形式的冷啟動問題的一個系統的認識的冷啟動問題。在此基礎上，提出了通過使用用戶的上下文信息，解決了用戶的冷啟動問題，構建用戶興趣分類模型的方法。由現有的用戶點擊記錄的方式，在不同的環境和構建用戶興趣分類模型的方法提取上下文信息。同時，當新用戶到達，在當前的環境下，新用戶的上下文信息，並將其與用戶興趣分類模型相匹配，從而預測新用戶的瀏覽興趣，完成產品信息的建議，並解決新用戶的冷啟動問題。其次，基於信任的定義和現有的信任模型學習，適用於移動電子商務平台用戶信任模型構建。同時，本文劃分用戶信任的產生分為兩個部分：社會聲譽和社會產生相似的信任產生的信任。通過提取環境特徵的表徵用戶的信任，本文採用層次分析法來完成模型構建過程。為了解決該問題，即用戶 - 項目評分矩陣的用戶評分矩陣稀疏小並且推薦結果的精度低，基於用戶信任模型協同過濾的推薦算法。該算法的改進被分為兩部分：一方面，通過閾值濾波方法中，用戶的 小號值得信賴的近鄰合併與用戶的近鄰相似性，從而實現對用戶的匹配更多的鄰居的目的。在另一方面，現有的得分預測公式得到改善，使得分數預測處理能充分考慮對推薦結果的用戶信任關係的影響。

結果 (繁體中文) 2:

小學 貓

結果 (繁體中文) 3:

5.1條。主要研究結果在電子商務蓬勃發展帶來巨大交易量的同時，“資訊超載”問題也給客戶和企業帶來了問題。首先，顧客在享受電子商務虛擬購物便利的同時，往往被大量的產品資訊所包圍。其次，商家擔心，他們的產品資訊無法在海量資訊中完整、系統地呈現給目標客戶。電子商務推薦系統為解决資訊超載問題提供了一個很好的思路。推薦系統可以將滿足用戶消費偏好的產品資訊推薦給目標客戶，幫助客戶完成從“買什麼”到實際購買行為的轉換。本文通過對個性化推薦科技的瞭解，結合物聯網電子商務項目的實際需求，從解决用戶冷開機、提高推薦結果準確性等方面進行算灋研究和改進。同時，提出利用用戶上下文信息構建用戶興趣分類模型，解决用戶冷開機問題。此外，本文將用戶信任模型與協同過濾推薦算灋相結合，提高了推薦結果的準確性。5.2條。本研究的理論意義主要有以下三點。首先，本文深入研究了移動用戶端推薦算灋中用戶的冷開機問題，形成了對冷開機問題的系統認識。在此基礎上，提出了一種利用用戶上下文信息構建用戶興趣分類模型的方法，解决了用戶冷開機問題。該方法利用已有的用戶點擊記錄，選取不同環境下的上下文資訊，構建用戶興趣分類模型。同時，當新用戶到達時，選取當前環境下新用戶的上下文資訊，並與用戶興趣分類模型進行匹配，從而預測新用戶的瀏覽興趣，完成產品資訊的推薦，解决新用戶的冷開機問題。其次，基於信任的定義和已有的信任模型學習，構建了適合移動電子商務平臺的用戶信任模型。同時，本文將用戶信任的產生分為兩部分：社會聲譽產生的信任和社會相似性產生的信任。通過選取表徵用戶信任的上下文特徵，利用層次分析法完成模型構建過程。針對用戶項目評分矩陣的用戶評分矩陣稀疏性小、推薦結果準確性低的問題，提出了一種基於用戶信任模型的協同過濾推薦算灋。算灋改進分為兩部分：一方面，通過閾值濾波方法，將用戶的可信最近鄰與用戶的相似度最近鄰合併，從而達到為用戶匹配更多鄰居的目的。另一方面，對已有的分數預測公式進行了改進，使得分數預測過程能够充分考慮用戶信任關係對推薦結果的影響。