面向电子商务网站的个性化推荐系统

《面向电子商务网站的个性化推荐系统》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、面向电子商务网站的个性化推荐系统：个性化推荐系统是电子商务个性化服务的核心技术，它是根据X络消费者的历史购买记录或当前浏览行为捕获其潜在偏好，进而为其推荐符合其当前偏好的商品。个性化推荐可以有效的过滤大量无关商品，降低消费者的选择成本，提高商品交易效率。本文立足于个性化推荐系统，分类总结了近年来提出的个性化推荐系统的核心思想，讨论了有代表性的研究成果，深入分析了个性化推荐系统亟待解决的基本问题，并总结展望了当今的发展方向。　　关键词：电子商务个性化推荐预测偏好　　近年来，随着X络经济的发展，越来越多的企业开始重视

2、X络营销的重要性，随之而来的是电子商务X站及产品信息成指数增长。商品信息量的急剧增加在拓展了消费者选择空间的同时也增加了其选择满意商品的成本。为了解决信息过载问题，国内外学者提出各种信息过滤技术。推荐系统作为一种典型的信息过滤技术收到各类电子商务企业的青睐。TapestrySystem是最早服务于邮件过滤的推荐系统，随后，各种各样的推荐系统应运而生，如GroupLens、Video、Ringo等。　　所谓的个性化推荐系统是指依据X络消费者的浏览行为和历史购买记录提取X络消费者的潜在偏好，在此基础上为其推荐满足其当

3、前偏好的商品。目前，根据提取消费者偏好的方法还划分，个性化推荐系统可分为基于协同过滤的推荐系统、基于关联规则的推荐系统和基于内容的推荐系统。其中，协同过滤推荐算法是推荐系统中应用最为广泛的一种技术，它是利用群组中其他用户对商品的偏好预测当前用户对其它商品的偏好，并选择满足当前用户偏好的N个商品推荐给用户。它又分为基于用户的协同过滤推荐系统和基于项目的协同过滤推荐系统两种，基于用户的协同过滤推荐系统是依据邻居用户对项目的评分对当前用户的未评分项目进行预测，而基于项目的协同过滤推荐系统是依据项目的相似性评估X络消费者

4、的偏好。这两种方法都是依据用户对项目的历史评分，由于用户对项目的评分存在较大的随意性，而且在大规模电子商务环境下经用户评分的项目非常稀少，因此基于协同过滤的方法存在很大的缺陷。主要体现在以下几个方面：①数据稀疏问题，在大规模电子商务环境下，经同时被多个用户评分的项目非常稀少，从而导致邻居用户的计算不够精确，推荐精度低；②可扩展性和实时性差，随着用户数量的增加，算法执行时间成线性增长；③冷启动问题，对于已经存在于电子商务系统中的项目，系统能够较好的得到推荐，而对于新进项目或很少被用户评分项目却很难被及时推荐给用户，

5、这就导致推荐的商品过于陈旧。　　对于数据稀疏性问题，最常用的方法是给缺省值赋予固定值或平均值，增加用户共同评分的项目数，但是这种方法忽略了用户对项目偏好的差异性特征，因此很少使用。于是，研究者又提出基于奇异值分解法和主成分分析法的推荐系统，通过降低项目空间维度提高评分密度，但是在维度较高情况下极易导致数据的丢失，使得找到的最近邻居用户不够精确。为了防止有效数据的丢失，基于项目评分预测的协同过滤算法应运而生，该方法是通过计算项目间相似性评估用户对未评分项目的值，在一定程度上解决了数据稀疏性问题，然而在计算相似性时仍

6、使用传统的度量方法，在数据量极端稀疏情况下，对同一项目具有共同评分的用户又是极为稀少，因此评估的评分值仍不够精确。对于可扩展性和冷启动问题，做常用的方法就是将多种推荐模型有机结合，建立混合的推荐系统，但是在构建时面临较大的复杂性。　　为了解决基于协同过滤的推荐系统存在的上述缺陷，研究者又提出将数据挖掘技术引入到电子商务个性化推荐系统中，从而出现了基于关联规则的推荐系统。基于规则的技术中的规则可以由用户自己来定或利用基于关联规则的挖掘技术定,通过已生成的规则向用户实现推荐服务。一个规则本质上是一个If-Then语句

7、,规则可以利用用户静态属性或用户动态信息来建立。其优点是简单、快捷。但是利用规则来推荐信息与规则的质量和数量密切相关，其缺点是随着规则的数量增多，系统将变得越来越难以管理。典型基于规则的系统有IBM的ate、WebACE等。　　个性化推荐在电子商务营销领域发挥着巨大的作用，服务于人们的工作、学习、生活。虽然国内外学者提出了诸多个性化推荐系统，但均有其各自的优缺点，如何更好的结合各自的优势或者探索更好的推荐系统，仍是个性化推荐领域研究的核心课题。　　本文受桂林电子科技大学自然科学研究基金(UF08026Y)资助。