个性化推荐系统

个性化推荐系统

Internet和Web技术推动着电子商务的蓬勃发展，企业建立了大量的商业门户，提供了大量的产品信息以拓展市场，创造更多的商业机会。然而，随着电子商务提供越来越多的选择的同时，其结构也变得越来越复杂，经常出现“信息迷航”的问题，即用户会迷失在大量的商品信息空间中，无法找到自己需要的商品。解决这个问题的一个方法是发展智能推荐系统，提供个性化服务，即依据顾客的偏好或需求，为其推荐商品，以帮助顾客完成购买过程。目前几乎所有大型电子商务系统，如Amazon、eBay、新浪商城等，都不同程度地使用各种形式的个性化推荐系统。推荐系统在电子商务中取得了巨大的成功。研究表明，电子商务的销售行业在使用个性化推荐系统后，销售额能提高2％～8％。

1 相关研究

电子商务个性化推荐系统(personalized recommendation systems for e-commerce)的正式定义由Resnick等人在1997年给出：“电子商务个性化推荐系统是利用电子商务网站向用户提供产品信息和相关建议，帮助用户决定购买什么产品，通过模拟销售人员帮助用户完成购物过程的系统”。这个定义现在已经被广泛引用。目前的电子商务推荐系统主要有基于协同过滤的推荐系统如GmupLens、基于内容的推荐系统如Personal Web Watcher、基于规则的推荐系统如ILOG等类型。它们各有优缺点，在不同的应用领域所表现的性能也不同。例如基于协同过滤的推荐系统适合推荐音乐、电影这些内容比较难分析的物品；基于内容的推荐系统比较适合推荐新闻、文章及网页等。克服单一推荐技术的局限性的一种方法是采用混合推荐系统，如Schafer等人提出的元推荐系统以电影推荐为例讨论了将基于内容过滤推荐技术与基于协同过滤技术结合使用的方法。ZHANG Xi-zheng提出一个结合关联规则和分类的推荐方法，该方法先用A两硎算法产生一系列关联规则，然后用CBA-CB算法产生分类器，最后通过分类器为用户进行推荐。混合推荐系统可以同时利用更多的数据，使推荐效果更好，在一定程度上也突破了单一推荐技术在应用上的局限性。但是混合推荐系统在本质上也只是推荐技术本身的改进，在复杂、动态和充满挑战的商业环境中，推荐系统面临着更大的挑战，主要表现在以下几个方面：不能灵活提供多种推荐功能；没有充分考虑到商业策略；不能根据推荐需求的变化采用不同的推荐策略；由于推荐需求与应用系统之间的差别，推荐系统需要根据具体Web站点进行定制开发，集成代价高，系统移植性差；难以动态有效地管理和维护多个推荐工具和大量数据。这些问题限制了推荐系统在实际中的大规模应用。因此，如何构建灵活的推荐系统以适应复杂的商业环境是目前推荐系统的一个研究热点。左子叶等人提出了一个开放通用的电子商务推荐系统OARs，支持多种推荐模型并对所有推荐模型进行统一管理。杨引霞等人提出并实现了一种多模型推荐系统，该系统提供了关联规则推荐模型、热门销售推荐模型和协同过滤推荐模型三种，并提供可扩展的接口，可以方便地增加新的模型。这些多模型推荐系统在一定程度上可以满足多种推荐需要，但是系统继承代价仍然很高，系统移植性差。Weng Li-Tung等人从推荐系统市场的角度出发，提出了一个由推荐服

务用户、推荐服务提供商、推荐生产者构成的推荐系统市场，并在此市场的基础上提出了一个基于组件的推荐系统框架。它能够基于不同的商业策略生成不同的个性化推荐，这为开放性推荐系统的设计提供了很好的思路，但是提出的框架仅为了说明其推荐市场理论的实现方式，并没有进行详细的分析和设计。马辉民等人提出柔性推荐系统的概念，但是并没有深入

搜索“diyifanwen.net”或“第一范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，第一范文网，提供最新经管营销个性化推荐系统全文阅读和word下载服务。