基于SSM与logistics的矩阵分解的图书商城开题报告

1.1研究背景

国外电子商务网站应用发展较早，相关标准和法律比较规范健全。特别是欧美等地更是走在我们的前列。当我们还在搜索购物的时候，国外的比较购物已经比较成熟了，国外的购物搜索社区发展也更加深入，未来还将衍生出另一个网络购物的新模式即分享购物。而我国电子商务的产生从无到有，仅仅几年的时间，发展的速度却相当迅速，但是数量和质量与国外尚有差距。从1996年的燕莎友谊商场的开始到现在的百花齐放百家争鸣。我国的网民数量逐年上升。《2012年度中国网络零售市场数据监测报告》显示出2012年中国网购用户规模达2.47亿人，而2011年数据2.03亿，同比增长了21.7%预计2012年年底中国网络购物用户规模将达到3.1亿人。中国电子商务研究中心分析认为网购用户规模增长原因是：网络购物环境日趋完善与成熟；快捷方便不受地域限制；政府监管以及物流支付环境日益成熟；网购已成融入人们的生活。这说明在中国发展网上购物具有良好的群众基础，网上购物方式日趋被大家所接受。

在我国互联网即将发展到一个新的阶段，电子商务将成为互联网上的主流业务的同时，国内企业需要加大借鉴和学习国外先进技术的力度，更好的为其自身服务。以欧美国家为例，可以说电子商务业务开展的如火如荼。主要采取在线销售，消费者通过网络在网上购物、在网上支付，建立他们的交易关系，亚马逊网上书店就是属于这种典型模式。还有美国的EBay公司1998年第一季度的销售额就达1亿美元。中国的淘宝网也是这种典型模式的代表。采用这种方式，可以让用户自己进行付费、运输和验货等。

对于推荐系统来说存在两大场景即评分预测（rating prediction）与Top-N推荐（item recommendation，item ranking）。评分预测场景主要用于评价网站，比如用户给自己看过的电影评多少分（MovieLens），或者用户给自己看过的书籍评价多少分（Douban）。其中矩阵分解技术主要应用于该场景。Top-N推荐场景主要用于购物网站或者一般拿不到显式评分信息的网站，即通过用户的隐式反馈信息来给用户推荐一个可能感兴趣的列表以供其参考。其中该场景为排序任务，因此需要排序模型来对其建模。因此，我们接下来更关心评分预测任务。

对于评分预测任务来说，我们通常将用户和项目（以图书为例）表示为二维矩阵的形式，其中矩阵中的某个元素表示对应用户对于相应项目的购买记录，1表示用户购买对应的图书，0则表示没有购买对应的图书。推荐系统购买预测任务可看做是一个矩阵补全（Matrix Completion）的任务，即基于矩阵中已有的数据（observeddata）来填补矩阵中没有产生过记录的元素（unobserved data）。值得注意的是，这个矩阵是非常稀疏的（Sparse），稀疏度一般能达到90%以上，因此如何根据极少的观测数据来较准确的预测未观测数据一直以来都是推荐系统领域的关键问题。

推荐系统的购买预测场景可看做是一个矩阵补全的游戏，矩阵补全是推荐系统的任务，矩阵分解是其达到目的的手段。因此，矩阵分解是为了更好的完成矩阵补全任务（欲其补全，先其分解之）。

首先因为低秩假设，一个用户可能有另外一个用户与他线性相关（物品也一样），所以用户矩阵完全可以用一个比起原始UI矩阵更低维的矩阵表示，pureSVD就可降维得到两个低维矩阵，但是此方法要求原始矩阵稠密，因此要填充矩阵（只能假设值），因此有了funkSVD直接分解得到两个低维矩阵。因为用户,物品的偏置爱好问题所以提出了biasSVD。因为用户行为不仅有购买，且有些隐反馈（点击等），所以提出了SVD 。因为假设用户爱好随时间变化，所以提出了timeSVD。因为funkSVD分解的两个矩阵有负数，现实世界中不好解释，所以提出了NMF。为了符合TopN推荐，所以提出了WMF。推翻低秩假设，提出了LLORMA（局部低秩）。因为以上问题都未解决数据稀疏和冷启动问题，所以需要用上除了评分矩阵之外的数据来使推荐更加丰满，即加边信息。

1.2研究目的及意义

随着当今经济的迅猛发展，人们的消费观念也已经发生了翻天覆地的变化，从开始的实体店卖卖再到现在互联网的普及、智能手机的发展3G网络的应用，现如今的人们更追求一种更加方便快捷的购物方式。此时，网上购物慢慢的变成了一种时尚。基于互联网的网上图书购物商城是的图书交易变得更加简单有效且成本低廉。和实体店铺相比网购具有诸多的优势，它不受时空限制、成本低廉、客户群体无限、服务更加优质等等特点。最新的《中国互联网络热点调查报告》数据显示出我国网上购物市场潜力巨大，近年来我国出现了如果淘宝、京东、拍拍、凡客、易趣、当当等众多电子购物商城，这些电子商城不仅给人们的购物带来了便捷，而且也实现了巨大的商业利润。

个性化图书销售系统主要针对传统的图书产业在互联网上开展相关业务所需要的版块：图书销售， 图书管理等部分。可以根据用户的喜欢，用Logistic矩阵分解推荐得方法给用户推荐相关产品。