【正文】 這類推薦系統(tǒng)不是建立在客戶過去的參數 模型上，而是獲得和分析客戶當前的需求，然后在有關的產品中幫助他尋找最合適的一個。這類產品客戶不會像前一種產品一樣經常購買。 在收集信息階段，可以給出一個表單讓用戶明確地表示他的興趣。 （ 3）按照客戶購買頻度劃 分產品類型，可以把產品分為頻繁購買的產品和 非頻繁購買的產品 [40]。 4)用戶相關性推薦系統(tǒng)，又稱為協(xié)同過濾推薦系統(tǒng)，這種推薦系統(tǒng)首先搜索當前用戶的最近鄰居，然后根據最近鄰居的購買歷史或評分信息向當前用戶產生推薦。 3)商品相關性推薦系統(tǒng)，根據商品之間的相關性向用戶產生相應的推薦。 2)基于屬性的電子商務推薦系統(tǒng)，根據商品的 屬性特征向用戶產生推薦列表，這種推薦系統(tǒng)類似于搜索引擎，用戶需要手工輸入所需商品的屬性特征。 1)非個性化電子商務推薦系統(tǒng)，向當前用戶提供的推薦結果可能基于其他用戶對商品的平均評價，或者基于電子商務系統(tǒng)的銷售排行，或者基于電子商務系統(tǒng)的編輯推薦。 （ 2）電子商務推薦系統(tǒng)以用戶為中心，為用戶提供服務，可以根據用戶獲得推薦系統(tǒng)推薦的自動化程度和持久性程度對電子商務推薦系統(tǒng)進行分類[35][38][39]。根據這個關系，系統(tǒng)就可以對當前注冊用戶已經購買的物品來確定推薦。在用戶所屬的類里，權值較高的物品（頁面）代表是這一類用戶普遍感興趣的。 6）編輯輸出推薦：向用戶提供領域專家對商品的專業(yè)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，了解商品的性能特點，從而決定是否購買該商品。 4）平均數值評分輸出：電子商務推薦系統(tǒng)向用戶童工其他用戶對商品數值評分信息的平均值。 2）個體文本評價輸出：電子商務推薦系統(tǒng)向目標用戶提供其他用戶對商品電子商務推薦系統(tǒng)關鍵技術研究 梁銳彪 的文本評價信息個體文本評價一般是非個性化的，對每個項而言，所有用戶得到的個體文本評價均相同。 電子商務推薦系統(tǒng)的輸出 不同類型的電子商務推薦系統(tǒng)，其輸出也各不相同。 7) 用戶購買歷史輸入：推薦系統(tǒng)將用戶的購買歷史作為隱式評分數據。用戶提供的評分數據使得電子商務推薦系統(tǒng)可以為用戶提供個性化的推薦服務。 3) 關鍵字 /商品屬性輸入（ keywords and item attributes）：用戶在搜索引擎中輸入關鍵字作為推薦系統(tǒng)的輸入，或者將用戶當前正在瀏覽的商品類別作為推薦電子商務推薦系統(tǒng) 輸入模塊 推薦模塊 輸出模塊 電子商務推薦系統(tǒng)關鍵技術研究 梁銳彪 系統(tǒng)的輸入。例如： Amazon 可以根據用戶當前瀏覽的圖書項向用戶推薦相關內容的書籍。在大型的電子商務系統(tǒng)中，為了產生高質量的推薦，推薦系統(tǒng)可能需要多種類型的輸入信息。其中，推薦方法模塊是個性化推薦技術的集中體現(xiàn)，決定著推薦系統(tǒng)的性能優(yōu)劣，本文將于電子商務推薦系統(tǒng)關鍵技術研究 梁銳彪 第三章詳細論述。Varian 給出的， “ 電子商務個性化推薦系統(tǒng)是利用電子商務網站向用戶提供產品信息和相關建議，幫助用戶決定購買什么產品，通過模擬銷售人員幫助用戶完成購物過程的系統(tǒng) [32]” ，同時還指出其作用主要表現(xiàn)在三個方面： ① 將電子商務網站的瀏覽者轉變?yōu)橘徺I者 （ Converting Browsers into Buyers）； ② 提高電子商網站的交叉銷售能力（ CrossSell）； ③ 提高客戶對電子商務網站的忠誠度（ Building Loyalty）。電子商務推薦系統(tǒng)產生的推薦可以基于電子商務系統(tǒng)的銷售排行，可以基于用戶以前的購買行為，也可以基于用戶表現(xiàn)出來的興趣愛好等。在 MYCDNOW 推薦中，當用戶對推薦系統(tǒng)請求推薦時，推薦系統(tǒng)自動搜索用戶的最近鄰居，然后根據最近鄰居的評分信息向用戶提供六個推薦結果。PHOAK 系統(tǒng)使用用戶隱式評分產生推薦， PHOAK 系統(tǒng)根據新聞貼的發(fā)表和閱讀情況分析出每個新聞組中最受用戶歡迎的站點。 GroupLens 是最早提出的的自動個性化協(xié)同過濾推薦系統(tǒng)，用于從大量的新聞中搜索用戶感興趣的新聞列表。與之類似， Maltz 等人提出的個性化協(xié)同過濾推薦系統(tǒng)允許用戶向自己熟悉的用戶群體主動提供推薦信息。 最簡單的協(xié)同過濾系統(tǒng)計算所有用戶對項的平均評分，選擇平均評分最高的用 戶 A 的興趣概貌 用 戶 B 的興趣概貌 用戶 A 用戶 B 電子商務推薦系統(tǒng)關鍵技術研究 梁銳彪 前 N 個項作為推薦結果推薦給用戶。由于最近鄰居對項 (電子商務中的商品 ,電影，音樂等）的評分與目標用戶非常相似，因此目標用戶對未評分項的評分可以通過最近鄰居對項評分的加權平均值逼近 [54]。 資 源 用 戶 A 的興趣概貌 用戶 A 電子商務推薦系統(tǒng)關鍵技術研究 梁銳彪 圖 協(xié)同推薦技術示意圖 和基于內容的過濾方法相比，協(xié)同過濾具有如下優(yōu)點 [52][53]： 1）適合于過濾難以分析內容的資 源：協(xié)同過濾不關心資源的具體內容，因此，在難以分析資源內容的情況下，如圖形、圖像、視頻、音樂等，協(xié)同過濾是很好的選擇。協(xié)作方常常是用戶所信任的朋友、同事等，依據他們的判斷向用戶推薦信息。即使文本資源，其特征提取方法也只能反映資源的內容，但是難以提取資源的質量、風格等信息。 協(xié)同過濾技術 基于內容的過濾（ Contentbased Filtering）根據信息的內容特性進行過濾，將信息流和用戶檔案文件進行匹配，基于匹配程序確定該信息流對用戶是否有價值。分類挖掘模型根據用戶的輸入信息將之劃分為相應類別，基于分類挖掘的推薦系統(tǒng)根據用戶輸入信息和項的特征信息，預測是否向用戶推薦該項。在電子商務領域，關聯(lián)規(guī)則挖掘根據銷售數據發(fā)現(xiàn)不同商品在銷售過程中的相關性。用戶檔案的建立可以基于對用戶長期行為的分析，如用戶的瀏覽記錄、購買歷史、性別、職業(yè)、收入、年齡等。項目是推薦系統(tǒng)提供給用戶的產品或服務，也即最終的推薦內容。 數據挖掘與推薦系統(tǒng) 電子商務推薦系統(tǒng)（ Remendation Systems for ECommerce）的正式定義由 Resnick 和 Varian 在 1997 年給出的， “電子商務個性化推薦系統(tǒng)是利用電子商務網站向用戶提供產品信息和相關建議，幫助用戶決定購買什么產品，通過模擬銷售人員幫助用戶完成購物過程的系統(tǒng) ”。 7）最近鄰技術：這種技術通過 K 個最相似的歷史紀錄的組合來辨別新的紀錄。 4）遺傳算法 ：一種新的優(yōu)化技術，基于生物進化的概念設計了一系列過程來達到優(yōu)化的目的，包括基因組合，交又，變異和自然選擇。 數據挖掘是一個多學科領域，其采用的技術來自各個不同的領域，主要的數據挖掘方法包括： 電子商務推薦系統(tǒng)關鍵技術研究 梁銳彪 1）統(tǒng)計分析方法：利用統(tǒng)計學和概率論對關系中各個屬性進行統(tǒng)計分析，找出它們之間存在的關聯(lián)。 5）依賴性模型（ Dependency Modeling）：描述變量之間的相互依賴性。大致說來，數據挖掘 中的知識可以分為如下幾類 [43]： 1）分類（ Classification）：將數據劃分到事先定義好的類別中去。也可能模式不滿足用戶要求，需要整個發(fā)現(xiàn)過程回退到前一個階段。 電子商務推薦系統(tǒng)關鍵技術研究 梁銳彪 （ 3）選擇特定的數據挖掘算法并執(zhí)行算法 首先根據對問題的定義明確挖掘的任務或目的，如分類、聚類、關聯(lián)規(guī)則現(xiàn)或序列模式發(fā)現(xiàn)等。如圖 所示。是利用各種工具在海量數據中發(fā)現(xiàn)模型和數據間關系即知識的過程，是提高決策科學性的有利工具。數據挖掘技術面向應用領域，它不僅是面向特定數據庫的簡單檢索查詢調用，而且，要對數據進行微觀、中觀、乃至宏觀的統(tǒng)計、分析、綜合和推理，以指定實際問題的求解，企圖發(fā)現(xiàn)事件間的相互關聯(lián)，甚至利用已有的數據對未來的活動進行預測。許多數據挖掘專題會議紛紛涌現(xiàn)，如PAKDD,PKDD,DLSMDataMing 等。而數據挖掘技術具有探索性 ,是一種逆向思維 ,即由系統(tǒng)發(fā)現(xiàn)一合適的前提 ,再證實或否定 ,是系統(tǒng)在發(fā)揮主動性。 數據挖掘技術 數據挖掘 (DataMining),也叫數據庫發(fā)現(xiàn)知 識 (KDD, Knowledge Discovery in Database),就是從數據庫中提取隱含的、先前未知的、潛在有用的知識或信息模式的決策支持方法。 信息過濾技術也是實現(xiàn)推薦系統(tǒng)的關鍵技術。 表 21 信息檢索和信息過濾的區(qū)別 信 息檢索 信息過濾 信息源 相對靜態(tài)的結構化數據 動態(tài)的無結構或半結構數據 需求表示 檢索詞 興趣模板 目標 選擇相關信息 過濾掉不相關的信息 用戶特點 大范圍多用戶的短期使用 小范圍少用戶的長期使用 郵件系統(tǒng)信息過濾和新聞組信息服務是信息過濾技術的典型應用。信息過濾系統(tǒng)將動態(tài)信息與用戶檔案文件進行匹配，根據匹配結果返回用戶需要的信息。前者的例子如 中的關鍵字查詢，后者的例子如 中的 Advisor 推薦。 信息檢索技術是實現(xiàn)推薦系 統(tǒng)的關鍵技術。傳統(tǒng)的信息檢索系統(tǒng)主要使用關鍵字查詢接口，用戶根據自己的信息需求輸入一到兩個關鍵字，信息檢索系統(tǒng)根據用戶提交的關鍵字進行查詢，然后向用戶返回檢索結果。查詢技術根據用戶需求，查詢用戶需要的資源信息。 信息檢索技術主要用于相對靜止的信息存儲領域。 第 2 章 電子商務推薦系統(tǒng)相 關技術 信息檢索和信息過濾 推薦系統(tǒng)的關鍵技術主要包括信息檢索（ IR， Information Retrieval）技術和信息過濾（ IF， Information Filtering）技術。 第四章分析了電子商務推薦算法在整個推薦系統(tǒng)中的重要地位，給出了電子商務推薦算法的分類原則及其分類，然后對關聯(lián)規(guī)則推薦算法和協(xié)同過濾推薦這兩種關鍵的電子商務推薦算法進行了深入介紹。 經過多年的努力，國內外在電子商務推薦技術和系統(tǒng)的研究方面已取得較多的理論和應用成果。第 7 屆國際人工智能聯(lián)合會議 IJCAI’01 則把 EBusiness amp。 論文研究具有重要的理論意義和廣闊的應用前景。 課題研究意義 推薦算法是推薦系統(tǒng)的核心，良好的推薦算法能夠及時準確地計算出符合用戶需求的商品，為客戶提供良好的購物體驗。成功的電子電子商務推薦系統(tǒng)關鍵技術研究 梁銳彪 商務推薦系統(tǒng)會產生巨大的經濟效益。推薦系統(tǒng)在幫助了客戶的同時也提高了顧客對商務活動的滿意度，換來對商務網站的進一步支持。豐富的數據為建立多種推薦模型，產生高質量的推薦提供了可能。其中在B2C 方面，推薦系統(tǒng)（ Remender System）成為研究和應用的一個重點。 Remendation Systems。而對于系統(tǒng)架構主要分為輸入、處理和輸出三部分，各個部分都擔任著推薦系統(tǒng)的重要角色， 這 方面的分析為后面的工作提供了理論基礎。針對這一系列挑戰(zhàn)， 本文對電子商務推薦系統(tǒng)的關鍵技術進行有益的探討和研究。 本人簽名： 日期： 電子商務推薦系統(tǒng)關鍵技術研究 梁銳彪 電子商務推薦系統(tǒng)關鍵技術研究 [論文 摘要 ]隨著互聯(lián)網的普及和電子商務的發(fā)展，人類已進入信息社會和網絡經濟時代，電子商務系統(tǒng)在為用戶提供越來越多選擇的同時，其結構也變得更加復雜，用戶經常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。除文中已經注明引用的內容外，本論文不包含任何其他人或集體已經發(fā)表或撰寫過的作品或成果。 15% 格式規(guī)范 格式正確，完全符合學術規(guī)范及學院要求，打印規(guī)范清晰 。 格式不符合論文格式要求，打印不清晰，錯漏較多。 20% 格 式