协同过滤推荐技术和基于商品属性的推荐技术是比较流行的个性化推荐方法,但是前者存在数据稀少和新对象问题,后者也存在无法挖掘用户潜在兴趣的问题。本文采用基于区域用户的相邻用户进行数据评分的矩阵填充,并采用商品之间的关联规则应用和解释来向用户推荐产品。测试表明,本方法解决了新商品的问题,并且在推荐的准确度、新颖性和覆盖度上有了较好的效果推荐算法是当前使用最为频繁也最有效果的个性化定制销售策略，可以利用消费者之间的共性向目标用户推荐已知用户的兴趣偏好［1］。CF算法一般利用用户对商品的评价信息和用户信息来构造用户－商品矩阵的个性推荐算法-电动折弯机数控滚圆机钢管滚弧机张家港液压滚圆机滚弧机，根据用户之间的相似性产生邻居用户集，进而产生推荐数据集［2］。针对目标用户的推荐过程就是使用矩阵数据进行预测，评估用户对未接触过产品的评分情况、即感兴趣度，由此在大量数据集中计算出推荐列表。CF的推荐算法的主要实现过程则如图1所示。对其内容可描述为:(1)生成用户－商品矩阵;(2)采集相近用户数据集;(3)推荐结果集合。用户对商品的评价可分为显式评价和隐式评价。其中，显式评价是指用户对自己感兴趣的商品进行有意识的评分。本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name隐式评价［3］是用户在网页中的驻留时间，对某一商品的消费记录等方式。现阶段针对企业的营销，多是采用显式和隐式相结合的方式来获取信息。图1推荐流程数据稀疏问题CF算法中的评分分布存在分散性问题，即数据稀疏问题，因数据量太少会引起寻找邻居用户时的困难，进而将无从保证个性化的推荐效果。在用户－商品矩阵中，空缺的评分可设置为一个固定值，顾客使用该商品推荐系统，扫描商品的NFC标签以获取商品的详细信息，有效节省了翻看系列商品的保质期及生产日期的时间。图4商品展示界面图5商品推荐界面Fig．结束语本文提出的基于协同过滤和室内定位的商品推荐系统，可在利用室内定位技术实时定位到用户的当前位置后，再根据用户购买商品的历史数据分析获取用户对每个种类下各款不同商品的喜好，进而借助协同过滤算法向用户推荐其喜欢的商品。本推荐系统能对顾客购买商品做出有效的推荐，提升顾客体验，是商家提高服务水平和促销盈利的有效手段。未来工作中，本系统在推荐的精准度方面还有待进一步的改进与完善。的个性推荐算法-电动折弯机数控滚圆机钢管滚弧机张家港液压滚圆机滚弧机本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name