【正文】 是正向思維 ,即首先由用戶設定一個前提 ,然后證實或否定它 ,是用戶發(fā)揮主動性 。數(shù)據(jù)挖掘采用的技 術(shù)包括數(shù)據(jù)庫、數(shù)據(jù)倉庫和 OLAP、統(tǒng)計、機器學習、可視化、神經(jīng)元網(wǎng)絡等不同領(lǐng)域的技術(shù)，如圖 所示。也可以粗略分為：建立目標數(shù)據(jù)集、數(shù)據(jù)清理和預處理、選擇特定的數(shù)據(jù)挖掘算法、結(jié)果的解釋和評估以及知識驗證及應用等幾個過程。 （ 4）結(jié)果 解釋和評估 數(shù)據(jù)挖掘階段發(fā)現(xiàn)出來的模式，可能存在冗余或無關(guān)的模式，需要將其剔除。 4）概括（ Summarization）：為數(shù)據(jù)的一個子集給出一個簡潔的描述。典型的決策數(shù)方法如分類回歸樹，主要用于分類挖掘。 9）可視化：采用直觀的圖形方式將信息模式、數(shù)據(jù)關(guān)聯(lián)或趨勢呈現(xiàn)給決策者，決策者可以通過可視化技術(shù)交互式分析數(shù)據(jù)關(guān)系。 基于數(shù)據(jù)挖掘的推 薦系統(tǒng)根據(jù)數(shù)據(jù)挖掘技術(shù)建立用戶檔案 [44]?；陉P(guān)聯(lián)規(guī)則的商品推薦根據(jù)生成的關(guān)聯(lián)規(guī)則模型和用戶的購買行為產(chǎn)生推薦結(jié)果。 電子商務推薦系統(tǒng)關(guān)鍵技術(shù)研究 梁銳彪 圖 基于內(nèi)容的過濾示意圖 基于內(nèi)容的過濾方法主要存在如下不足 [52]： 1）特征提取的能力有限：通常只能對資源進行比較簡單的特征提取，在一些特定領(lǐng)域如圖形、圖像、視頻、音樂等媒體，目前還沒有有效的特征提取方法。協(xié)同推薦技術(shù)可以用圖 形象化的表示。顯式方式則讓用戶直接輸入用戶對商品的數(shù)字評分和文本評價信息協(xié)同過濾推薦系統(tǒng)通過用戶對項的評分信息，建立用戶檔案，然后使用不同的推薦機制提供推薦服務。在自動個性化協(xié)同過濾推薦系統(tǒng)中，系統(tǒng)自動識別用戶的最近鄰居，根據(jù)最近鄰居對項的評價產(chǎn)生推薦。 MYCDNOW 采用基于隱式評分和顯式評分的混合評分模式提供 CD 唱片推薦。 電子商務推薦系統(tǒng)（ Remendation Systems for ECommerce）正式的定義是 1997 年 Resnickamp。電子商務推薦系統(tǒng)的輸入可以是用戶當前的行為，也可以是用戶訪問過程中的歷史行為。例如 MovieFinder 的 Top10 給用戶提供了一個超鏈接列表，它包含了編輯推薦的 10 種產(chǎn)品。 6) 編輯推薦輸入（ purchase history）：將領(lǐng)域?qū)＜覍μ囟ㄉ唐返脑u價作為推薦系統(tǒng)的輸入，領(lǐng)域?qū)＜覍ι唐返男阅芴攸c進行全面詳細的介紹，用戶通過專家的專業(yè)介紹 ，可以對自己并不熟悉的商品加深認識，從而決定是否購買該商品。相關(guān)商品輸出可以基于簡單的銷售排行向用戶推薦熱門商品；也可以基于對用戶的行為特征進行深入分析，發(fā)現(xiàn)用戶的購買行為模式，從而產(chǎn)生個性化的推薦。這種輸出形式可以吸引用戶再次訪問電子商務系統(tǒng)，從而達到保留用戶，防止用戶流失的目的。站點上的物品存在一定的關(guān)聯(lián)相似關(guān)系。 根據(jù)用戶獲得推薦的自動化程度和持久性程度，可以將將電子商務推薦系統(tǒng)分為非個性化電子商務推薦系統(tǒng)，基于屬性的電子商務推薦 系統(tǒng)，商品相關(guān)性推薦系統(tǒng)和用戶相關(guān)性推薦系統(tǒng)。典型例子包括 Amazon 提供的 Delivers 推薦， Reel 提供的 Movie Map 推薦。典型例子包括 Amazon 提供的 Book Matcher 推薦， Movie Find 提供的 Web Predict 推薦。 2）非頻繁購買的產(chǎn)品 包括家用電器、耐用消費品、層次性消費品?？蛻粝群唵未_定他所需要的產(chǎn)品類型，形容出產(chǎn)品特征或要求的特殊功能；推薦系統(tǒng)比較數(shù)據(jù)庫中的產(chǎn)品與客戶要求的產(chǎn)品之間的相似處，選出一些與客戶要求最為匹配的產(chǎn)品；然后客戶對這些預推薦產(chǎn)品的某些特征進行修正，或者增加或減少某些特征的需要程度；推薦系統(tǒng)根據(jù)修改后的要求提供新的推薦產(chǎn)品。這種方式是獲得初次訪問客戶興趣參數(shù)的最為有效的方法。用戶相關(guān)推薦一般不需要用戶顯式輸入信息?；趯傩缘碾娮由虅胀扑]系統(tǒng)需要用戶顯式輸入商品的屬性特征，因此屬于手工方式推薦。 ① 自動化程度，按照用戶為了得到推薦系統(tǒng)的推薦是否需要顯式的輸入信息，自動化程度分為自動化方式和手工方式。在這一類用戶中權(quán)值較高和已經(jīng)購買該物品（瀏覽過的頁面）的用戶對它 的平均評價值也高的物品（頁面），就是系統(tǒng)推薦給用戶的對象。這種輸出形式具有簡潔明了的優(yōu)點，用戶可以立即獲得對該商品的總體評價。大型電子商務系統(tǒng)可以同時向用戶產(chǎn)生多種不同形式的輸出。 5) 用戶文本（ text）評價輸入：用戶對已經(jīng)購買的商品或自己熟悉的商品以文本的形式進行個人評價，推薦系統(tǒng)本身并不能判斷這些評價的好壞。 2) 顯式瀏覽輸入（ explicit navigation）：也是將用戶的瀏覽行為作為電子商務推薦系統(tǒng)的輸入，但與隱式瀏覽輸入不同，用戶的顯式瀏覽輸入是有目的的向電子商務推薦系統(tǒng)提供自己的興趣愛好。 圖 電子商務推薦系統(tǒng)結(jié)構(gòu)圖 電子商務 推薦系統(tǒng)的輸入 不同類型的電子商務推薦系統(tǒng)，其輸入信息也不相同。電子商務不僅為用戶提供了便利的交易方式和廣泛的選擇，同時也為商家提供了更加深 入了解用戶需求和購物行為特征的可能性。研究表明這種技術(shù)可以 有效識別站點的受歡迎程度。在上述協(xié)同過濾推薦系統(tǒng)中，用戶之間必須了解對方的興趣愛好，因此一般只適用于用戶數(shù)量比較小的場合。 協(xié)同過濾推薦通過用戶對項的評分信息產(chǎn) 生推薦，用戶對項的評分信息可以通過隱式和顯式兩種方式得到。協(xié)同過濾方法對用戶的行為進行分析，并不關(guān)心信息的實際內(nèi)容。例如 INFOSCOPE 利用基于規(guī)則的 Agent 分析用戶的使用風格、監(jiān)測信息的內(nèi)容特征、判斷其是否是用戶感興趣的，并向用戶提供建議。關(guān)聯(lián)規(guī)則挖掘在電子商務推薦系統(tǒng)中的應用主要包括定點廣告投放和商品推薦。 電子商務推薦系統(tǒng)是將數(shù)據(jù)挖掘技術(shù)應用于電子商務領(lǐng)域的范例 [44]隨著電子商務的應用，數(shù)據(jù)庫中可以收集到大量的用戶數(shù)據(jù)，如用戶交易數(shù)據(jù)，用戶注冊數(shù)據(jù)、用戶評分評價數(shù)據(jù)、用戶投票數(shù)據(jù)等 。可以用于聚類分析、偏差分析等。 2）人工神經(jīng)網(wǎng)絡：模仿生物神經(jīng)網(wǎng)絡，通過訓練進行學習的非線性預測模型，可以完成分類，聚類等多種數(shù)據(jù)挖掘任務。 2）回歸（ Regression）：將數(shù)據(jù)項映射到若干預定義的變量上。確定挖掘任務后，進行算法的選擇。 一般來說，數(shù)據(jù)挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數(shù)據(jù)中 ，提取隱含在其中的，人們事先不知道的，但又潛在有用的信息和知識的過程。 目前，數(shù)據(jù)挖掘技術(shù)在理論和應用上都已經(jīng)得到了巨大的發(fā)展。數(shù)據(jù)挖掘是 20 世紀 90 年代初針對 “數(shù)據(jù)爆炸 ,知識貧乏 ”這一問題而出現(xiàn)的一種新技術(shù) ,是處理海量信息的有效手段。在新聞組信息服務中，用戶輸入自己感興趣的一組關(guān)鍵詞，新聞組信息服務通過關(guān)鍵詞建立用戶檔案。 信息過濾 信息過濾技術(shù)一般用戶用戶需求相對不變，但信息動態(tài)呢更新比較頻繁的情況。目前，越來越多的信息檢索系統(tǒng)提供動態(tài)查詢接口。例如，當用戶在數(shù)字圖書館中進行檢索時，用戶提交關(guān)鍵字電子商務推薦系統(tǒng)關(guān)鍵技術(shù)研究 梁銳彪 反映了用戶當前的信息需求，數(shù)字圖書館中的搜索引擎根據(jù)預先建立好的內(nèi)容檢索，檢索出用戶需要的信息。在協(xié)同過濾算法中，首先對協(xié)同過濾算法所使用的用戶數(shù)據(jù)的收集做了簡要的描述，然后詳細介紹了 Userbased協(xié)同過濾算法， Itembased 協(xié)同過濾算法。 the Intelligent Web 作為一個獨立的研討小組。本文對目前應用最廣泛的協(xié)同過濾推薦算法進行研究，并嘗試對其進行改進，使推薦結(jié)果的實時性更好，推薦質(zhì)量更高。因此，近年來推薦系統(tǒng)在電子商務的應用越來越多，幾乎所有大型的電子商務系統(tǒng)，如Amazon、 eBay、當當網(wǎng)等，都不同程度的使用了各種形式的推薦系統(tǒng)。在海量的商品信息中，推薦系統(tǒng)模擬商店銷售人員向用戶提供商品推薦，幫助用戶找到所需商品，從而順利完成購買過程，因此可以有效保留用戶，提高電子商務系統(tǒng)的銷售；商家也可以通過推薦系統(tǒng)保持與客戶的聯(lián)系，重建客戶關(guān)鍵。 最后，對推薦算法 中兩個關(guān)鍵算法技術(shù) 進行探討分析 ，包括 關(guān)聯(lián)規(guī)則推薦算法和協(xié) 同過濾推薦算法。電子商務推薦系統(tǒng)直接與用戶交互，模擬商店銷售人員向用戶提供商品推薦，幫助用戶找到他們真正需要購買的商品，從而 順利完成購買過程。 10% 答辯情況 答題正確，重點突出，論述全面，緊扣主題，表達流暢，具有很強的說服力。 格式正確，符合學院論文格式的要求，打印清晰。 及視角水平均一般，所得出的結(jié)論無價值。 20% 創(chuàng) 新 與 論 證 法進行調(diào)查研究，采用的資料較新，研究結(jié)果有獨創(chuàng)性。 學生簽名： 梁銳彪 2021 年 11 月 15 日 指導教師意見： 同意開題（ ） 修改后開題（ ） 重新開題（ ） 指導教師簽名： 年 月 日 表二 本科 畢業(yè)論文（設計）過程檢查情況記錄表 指導教師分階段檢查論文的進展情況（要求過程檢查記錄不少于 3 次）： 第 1 次檢查 學生總結(jié)： 開始撰寫論文，整體思路大致已經(jīng)完成。 本科生畢業(yè)論文（設計） 題 目： 電子 商務推薦系統(tǒng)關(guān)鍵技術(shù) 研究 學 系： 信息科學系 專 業(yè)： 計算機科學與技術(shù) 學生姓名： 學 號： 06052030 指導教師： （職 稱） 二〇一〇 年 四 月 表一 本科 畢業(yè)論文（設計）開題報告 論文（設計）題目： 電子商務推薦系統(tǒng)關(guān)鍵技術(shù)研究 （簡述選題的目的、思路、方法、相關(guān)支持條件及進度安排等） 目的： 隨著互聯(lián)網(wǎng)的普及和電子商務的發(fā)展，電子商務系統(tǒng)在為用戶提供越來越多選擇的同時，其結(jié)構(gòu)也變得更加復雜，用戶經(jīng)常會迷失在大量的商品信息空間中，無法順利找到自己需要的商品。 進步安排 ： 第一階段（ 10 月 —12 月）：收集大量資料，準備論文所需材料； 第二階段（ 1 月 —2 月）：撰寫論文，并完成論文體系結(jié)構(gòu)； 第三階段（ 3 月 —4 月）：歸納總結(jié)，修改并完善論文。 選題不當，沒有意義。 不夠嚴密，超過 20%的篇幅表述不清楚。 20% 格 式 規(guī) 范 格式正確，完全符合學術(shù)規(guī)范及學院的要求，打印規(guī)范清晰。 15% 格式規(guī)范 格式正確，完全符合學術(shù)規(guī)范及學院要求，打印規(guī)范清晰 。 本人簽名： 日期： 電子商務推薦系統(tǒng)關(guān)鍵技術(shù)研究 梁銳彪 電子商務推薦系統(tǒng)關(guān)鍵技術(shù)研究 [論文 摘要 ]隨著互聯(lián)網(wǎng)的普及和電子商務的發(fā)展，人類已進入信息社會和網(wǎng)絡經(jīng)濟時代，電子商務系統(tǒng)在為