电子商务个性化推荐研究

COmputerintegratedManufacturingSyStemS

VOl.10NO.10Oct.Z004

文章编号!1006-5911(Z004)10-1306-08

电子商务个性化推荐研究

余力1 Z 刘鲁1

(1.北京航空航天大学经济管理学院 北京100083;

Z.中国人民大学信息学院 北京10087Z)

摘要!简要介绍了电子商务推荐系统的概念~作用及组成构件 给出了推荐技术分类标准 系统综述了协同

过滤推荐~基于内容推荐~基于人口统计信息推荐~基于效用推荐~基于知识推荐和基于规则推荐等6种主要的推荐技术 对这些推荐技术的优缺点进行了比较 介绍了推荐评价技术 重点评述了电子商务个性化推荐领域中的研究热点问题 并分析了目前国内电子商务个性化推荐理论研究和应用现状 最后提出了电子商务个性化推荐领域所面临的挑战

关键词!个性化推荐;协同过滤;推荐系统;电子商务中图分类号!TP311文献标识码!A

0引言

荐给每个用户可能感兴趣且满意的商品

在这种背景下 推荐系统(recOmmenderSyS-temS)应运而生 它是根据用户的兴趣爱好 推荐符合用户兴趣爱好的对象 也称个性化推荐系统(per-SOnalizedrecOmmenderSyStemS)

1]

internet的迅猛发展将人类带入了信息社会和网络经济时代 对企业发展和个人生活都产生了深刻的影响 据预计 到Z005年 电子商务活动的总价值将达到7.5亿元 事实上 电子商务的应用远没有挖掘出来 其中固然有硬件设施滞后~用户观念未改变的原因 但更多的是企业服务不到位 电子商务的发展模式对企业服务提出了许多新要求 包括商品的质量保证~送货及时~商品选购舒适~退货方便等 其中 最为突出的问题就是商品选购

由于供应链和物流的发展 在电子商务的虚拟环境下 商家能够在网上提供的商品种类和数量非常多 但用户不可能通过一个小小的计算机屏幕很方便地发现自己感兴趣的商品 用户既不愿意花太多时间在漫无边际的网上寻找商品 也不可能像在物理环境下那样检查商品的质量 因此 用户很希望电子商务系统具有一种类似采购助手的功能来帮助其选购商品 并能根据用户的兴趣爱好自动地推

根据推荐对象

的特点 目前主要有两种类型的推荐系统 一种是以网页为推荐对象的搜索系统 主要采用Web数据挖掘的方法与技术 为用户推荐符合其兴趣爱好的网页 如GOOgle等;另一种是网上购物环境下~以商品为推荐对象的个性化推荐系统 为用户推荐符合兴趣爱好的商品 如书籍~音像等 称这种推荐系统为电子商务个性化推荐系统 简称电子商务推荐系统(recOmmenderSySteminE-cOmmerce) 11.1电子商务推荐系统简介电子商务推荐系统的概念

电子商务推荐系统的定义为: 利用电子商务网站向客户提供商品信息和建议 帮助用户决定应该购买什么产品 模拟销售人员帮助客户完成购买过

收稿日期!Z003-08-04;修订日期!Z003-10-Z0

基金项目!国家自然科学基金资助项目(70371004);教育部博士点基金资助项目(Z000000601) 作者简介!余力(1973-) 男 江西奉新人 北京航空航天大学经济管理学院博士 中国人民大学信息学院讲师 主要从事个性化推荐~数据挖掘~信息系统和电子商务等研究 E-mail:buaayuli@Sina.cOm.cn

第10期余力等 电子商务个性化推荐研究

1307

1 程 该定义现已被广泛引用 1998年7月 由美国AAAi组织各学者在威斯康辛州专门召开了 inputfunctiOnal 模块 推荐方法 recOmmendatiOnmethOd 模块和输出功能 OutputfunctiOnal 模块

输入可来自客户个人和社团群体两部分 客户个人输入 targetedcuStOmerinputS 主要指目标用户 即要求获得推荐的人 为得到推荐必须对一些项目进行评价 以表达自己的偏好 包括隐式浏览输以推荐系统为主题的会议 集中讨论了推荐系统的发展问题 目前 推荐系统已广泛运用到各行业中 推荐对象包括书籍 音像 网页 文章和新闻等 如图1

2电子商务推荐系统的作用

电子商务推荐系统最大的优点在于它能收集用

户感兴趣的资料 并根据用户兴趣偏好主动为用户作出个性化推荐 这样 当用户每次输入用户名和密码登录电子商务网站后 推荐系统就会自动按照用户偏好程度的高低推荐给用户最喜爱的N个产品 而且给出的推荐是实时更新的 也就是说 当系统中的产品库和用户兴趣资料发生改变时 给出的推荐序列会自动改变 大大方便了用户对商品信息的浏览 也提高了企业的服务水平 总的来说 电子商务推荐系统的作用主要表现在三个方面 D将电子商务网站的浏览者转变为购买者 提高电子商务网站的交叉销售能力 crOSS-Selling 提高客

户对电子商务网站的忠诚度

研究表明 电子商务的销售行业使用个性化推荐系统后 销售额能提高Z%~8% Z

尤其在书籍 电影 CD音像 日用百货等产品相对较为低廉且商品种类繁多 用户使用个性化推荐系统程度高的行业 推荐系统能大大提高企业的销售额

电子商务推荐系统和销售系统 marketingSyS-emS 供应链决策支持系统 Supply-chaindeci-On-SuppOrtSyStemS 既相似又有不同 销售系统是帮助销售人员如何把产品销售出去 推荐系统是帮助用户对购买什么产品做出决策 供应链决策支持系统是帮助生产者决定什么时候生产什么产品 以及仓库应该存贮多少某类产品 其最终目的是为企业生产者服务 同样 推荐系统是面向用户的系统 3电子商务推荐系统的组成

整个电子商务推荐系统主要可分为输入功能

入 显式浏览输入 关键词和项目属性输入以及用户购买历史等 社团群体输入 cOmmunityinputS 主要指集体形式的评价数据 包括项目属性 社团购买历史 文本评价和等级评分等

输出主要为推荐系统获得输入信息后推荐给用户的内容 主要形式有 D建议 SuggeStiOn 分为单个建议 Singleitem 未排序建议列表 unOrderedSt 和排序建议列表 OrderedliSt 典型的如TOp-N 根据客户的喜好向客户推荐最可能吸引客户的N件产品 预测 predictiOn 系统对给定项目的总体评分 个体评分 individualrating 输出其他客户对商品的个体评分 评论 RevieW 输出其他客户对商品的文本评价

推荐方法模块是推荐系统的核心部分 决定着推荐系统的性能优劣 个性化推荐技术

个性化推荐技术是电子商务推荐系统中最核心 最关键的技术 很大程度上决定了推荐系统性能的优劣 1推荐技术分类标准

文献 3 给出了区别推荐技术的两维属性 D自动化程度 degreeOfautOmatiOn 客户要得到推荐

系统的推荐是否需要显式的输入信息 持久性程度 degreeOfperSiStence 推荐系统产生推荐是基于客户当前的单个会话 SeSSiOn 还是基于客户的多个会话 也有学者认为 除了上述两个特征外 个性化程度 degreeOfperSOnalizatiOn 也是评价推荐技术的重要指标 可以用来反映推荐结果符合用户兴趣爱好的程度 2主要推荐技术

目前主要的推荐技术如表1所示

Z.1协同过滤推荐

协同过滤推荐 cOllabOrativefilteringrecOm-mendatiOn 是目前研究最多的个性化推荐技术 它基于邻居用户的资料得到目标用户的推荐 推荐的个性化程度高 著名的系统有GrOupLenS NetPer-

li22.2.Z.1.tSi1.1308

计算机集成制造系统

第10卷

ceptiOnS4 RingO Firefly5及TapeStry6等 协同过滤的最大优点是对推荐对象没有特殊要求 能处

已评价项目的评价分 得到预测项目的预测值 并指出基于项目的推荐算法比基于用户的推荐算法还要好 且能解决基于用户的协同推荐的两个问题 但理非结构化的复杂对象 如音乐 电影

表1各种推荐技术

推荐技术背景条件

输入

主要步骤协同过滤识别U对 的评

U对 的

u的邻居用户 推荐

价

评价等级

根据其生成i的评价分

基于内容U对 的

根据U的评价分生推荐 的特征属性评价等级成项目的分类器基于人口U的人口统

关于U的识别u的相似用户统计信息计信息及对 人口统计根据其生成i的评推荐的评价

信息价分

基于效用描述U对

把效用函数用于各推荐

的特征 偏好的效

项目

用函数生成各项目的排序基于知识 的特征 对U需要计算各项目 和用推荐

如何满足用和兴趣的户的知识

描述户需要的匹配程度

基于规则U对 的浏

览或购买历浏览购买生成关联规则 推荐

史

记录

根据规则生成推荐

注!U表示用户的集合 表示所有项目的集合 u表示当前要预测的用户 i表示当前要预测的项目

协同过滤推荐主要分为两类 一是基于内存的协同过滤 memOry-baSedcOllabOrativefiltering

先用相似统计的方法得到具有相似兴趣爱好的邻居用户 所以该方法也称基于用户的协同过滤 uSer-cOllabOrativefiltering 或基于邻居的协同过

滤 neighbOr-baSedcOllabOrativefiltering 3 7 8 二是基于模型的协同过滤 mOdel-baSedcOllabOra-

vefiltering 先用历史数据得到一个模型 再用此

模型进行预测 8

基于模型的推荐广泛使用的技术包括神经网络等学习技术 潜在语义检索 latentSe-manticindeXing 和贝叶斯网络 bayeSiannet-WOrkS 训练一个样本得到模型 BreeSe教授认为基于用户的协同推荐比基于模型的协同推荐方法更

好

9

基于用户的协同推荐算法随着用户数量的增多 计算量成线性加大 其性能越来越差 并且不能对推荐结果提供很好的解释 为此 在Z001年Sar-Wr教授提出了第三种协同过滤推荐算法 即基于项目的协同推荐算法 item-baSedcOllabOrativefilte-ngalgOrithmS 该算法通过先计算已评价项目和待预测项目的相似度 以相似度作为权重 加权各

Mild教授从批判的角度重新审视了各种推荐算法 指出基于项目的协同推荐并不一定好 算法准确度与采用的实验规模数据有关 大多数情况下还是基

于用户的协同推荐好 10

虽然协同过滤作为一种典型的推荐技术有相当的应用 但其仍有许多问题需要解决 目前很多技术都是围绕协同过滤展开研究的 最典型的有稀疏

问题 SparSity 和冷开始问题 cOld-Start 11 1Z 除此之外 还有新用户问题和算法健壮性等问题

Z.Z其他推荐技术

!1\"基于内容的推荐技术!cOntent-baSedrec-mmendatiOn\"它是信息过滤技术的延续与发展 项目或对象通过相关特征的属性来定义 系统基于用户评价对象的特征学习用户的兴趣 依据用户资料与待预测项目的匹配程度进行推荐 如新闻组过

滤系统NeWSWeeder 13 14

!Z\"基于用户统计信息的推荐!demOgraphic-recOmmendatiOn\"推荐系统基于用户个人

属性对用户进行分类 再基于类对类中的用户进行

推荐 13

不要求有一个历史的用户数据 而协同过

滤和基于内容的推荐技术都需要

!3\"基于效用的推荐!utility-baSedrecOmmen-On\"它是根据对用户使用项目的效用进行计算的 核心问题是如何为每个用户创建效用函数 并考虑非产品属性 如提供商的可靠性 vendOrrelia-y 和产品的可用性 prOductavailability 等 !4\"基于知识的推荐!knOWledge-baSedrec-mmendatiOn\"在某种程度上可以看成是一种推理 inference 技术 各方法因所用的知识不同而有

明显区别 15 16

!5\"基于关联规则的推荐!aSSOciatiOnrule-recOmmendatiOn\"以关联规则为基础 把已购商品作为规则头 推荐对象作为规则体 其中关联

Z.ObaSedbaSedtidatibilitOribaSed第10期余力等 电子商务个性化推荐研究

1309

规则的发现最关键且最耗时 是算法的瓶颈 但可以离线进行 商品名称的同义性问题也是关联规则的一个难点 2.3各推荐技术比较

滤方法进行预测 Fab通过构建个人过滤器和主题过滤器 文档先用主题过滤器排序 再用个人过滤器处理 用户的反馈可以修改个人代理器和主题代理

11

文献 用协同过滤和多个个人信息过滤代器 1Z

所有推荐技术都有其优点和缺点 如表Z所示

表2推荐技术优缺点比较

推荐技术

优点

缺点

新异兴趣发现 不需要领域知识

随着时间推移性能提高 冷开始问题 稀疏问题 协同过推荐个性化 自动化程度新用户问题

滤推荐

高

质量取决历史数据集 系统开始时推荐质量差

TM处理复杂的非结构化

对象

基于内推荐结果直观 容易解稀疏问题 新用户问题 释

复杂属性不好处理 容推荐

不需要领域知识

要有足够数据构造分类器

基于用户统计新异兴趣发现 信息没有新用户问题 用户的人口信息统计资推荐

不要领域知识

料难得到

无冷开始和稀疏问题 用户必须输入效用函数 基于效对用户偏好变化敏感

推荐是静态的 灵活性用推荐

差 TM考虑非产品特性

属性重叠问题TM基于知把用户需求映射到产

品上

知识难获得 识推荐推荐是静态的

TM考虑非产品属性

基于关关联规则抽取难 耗时 TM联规划发现新兴趣点

产品名同义性问题 推荐

不要领域知识

个性化程度低

4组合推荐

由于各种推荐方法都有优缺点 所以在实际中

常采用组合推荐 hybridrecOmmendatiOn 研究

和应用最多的是内容推荐和协同推荐的组合 11 14

最简单的做法是分别用基于内容的方法和协同推荐方法 产生一个推荐预测结果 然后用某方法组合其

结果 17 文献 16

利用用户评价数据得到的文档 词矩阵 theterm-dOcumentmatriX 产生一个基于

内容用户资料的矩阵 cOntentprOfilematriX 通过潜在语义索引 LatentSemanticindeXing LSi 计算一个基于内容用户资料的排序形式 在LSi空间中 加权用户档案中的词义向量产生推荐 文献 14 用WinnOW算法从训练集中导出一个具有权重的词义向量作为用户资料模型 在此基础上 用协同过

理 协同过滤基于当前用户的个人代理和其他用户集上

在组合方式上 文献 16 提出了七种组合思路 !1\"加权!Weight\"加权多种推荐技术结果 !Z\"变换!SWitch\"根据问题背景和实际情况采用不同的推荐技术

!3\"混合!miXed\"同时采用多种推荐技术给出多种推荐结果 为用户提供参考

!4\"特征组合!featurecOmbinatiOn\"组合来自不同推荐数据源的特征被另一种推荐算法所采用 !5\"层叠!caScade\"先用一种推荐技术产生一种粗糙的推荐结果 第二种推荐技术在此推荐结果的基础上进一步作出更精确的推荐

!6\"特征扩充!featureaugmentatiOn\"一种技术产生附加的特征信息嵌入到另一种推荐技术的特征输入中

!7\"Meta-level用一种推荐方法产生的模型作为另一种推荐方法的输入

尽管理论上有很多种推荐组合方法 但在某一具体问题中并不见得都有效 组合推荐一个最重要的原则 就是通过组合后要能避免或弥补各自推荐技术的弱点 如对于基于内容和协同过滤的技术 不论如何组合 总是存在初始化 ramp-up 问题 因为它们都要求有一个历史的评价数据 但若把基于协同过滤与基于知识或基于效用的技术相结合 则能有效解决初始化问题 因为后两种技术不需要许多用户历史数据 推荐评价

推荐评价也是推荐领域的一个重要问题 总体

上推荐评价可以有两种方法 6

一是上线评价 二是

下线评价 上线评价是在线调查用户对推荐系统的评价 K.SWearingen把推荐系统做出的评价和朋

友做出的推荐做了比较 18

实验结果表明 朋友的推荐往往比推荐系统的推荐更好 而推荐系统给出的推荐比朋友的推荐更新 并辨别出了几个推荐设计的关键因素 下线评价用一个已知的数据集来评价推荐系统的性能 目前一般采用美国数字设备公司 digitaleCuipmentcOrpOratiOn 系统研究中心提

32.1310

计算机集成制造系统

第10卷

供的一个专用实验数据库 该库收集了1996~1997年共7Z916个用户对16Z8部电影的Z45667618个项目值的评价信息 评价采用离散型的等级分 0 Z 4 6 8 10 该库可从公司网上下载

衡量预测值一般采用预测值和实际值的平均绝对误差 MeanAbSOluteErrOr MAE

N目前 大多采用机器学习中的分类概念来解决

7 15

稀疏问题 用初始评价矩阵的奇异值分解 Sin-

gularvaluedecOmpOSitiOn 维度压缩技术去抽取一些本质的特征 利用评价数据阵中的潜在结构可极大地减少维数 使数据变得更为稠密 实验表明 这种方法的性能好于以前其他的协同过滤算法 最近 AggarWal等利用一种新的图论方法来解决这个

Z1

问题 能较好地避免以前一些算法的局限性 在

NTOp-N推荐质量的衡量一般采用信息检索领MAE=

i=1

E|

pi-gi|

数据稀疏情况下 预测计算的准确性更高 文献 采用基于内容的软件代理自动生成评价分 这13

域评价系统的标准 用准确率 preciSiOn 和召回率

recall 衡量

实际值 预测值

否定数

K定数否定数

abK定数

dpreciSiOn=正确推荐的项目数所有推荐的项目数=

db+d

recall=正确推荐的项目数所有有用的项目数=d +d

准确率和召回率在一定程度上是一对相对矛盾的指标 准确率高意味着召回率低 为了平衡两者 通常采用综合评价指标F-meaSure

F-meaSure=

Z>preciSiOn>recallpreciSiOn+recall

=

Z1 preciSiOn+1

recall

为了控制对准确率和召回率的偏好 引入了E

-meaSurer指标

E-meaSure= 1 1preciSiOn +

1- 1 recall 文献

19 认为用典型实验数据库EachMOvie下线评价所有推荐算法不一定正确 尤其当考虑到日期和时间时 用下线评价推荐很不适合从用户满意度出发去评价推荐效果 主要研究热点1稀疏问题

稀疏问题 SparSity 是推荐技术中的重要问题

之一 19 Z0

每个用户一般都只对很少的项目作出

评价 整个数据阵变得非常稀疏 一般都在1%以下 这种情况带来的问题是得到用户间的相似性不准确 邻居用户不可靠

些技术增加了数据集的稠密性 4.2冷开始问题

冷开始问题称第一评价问题 firStrater 或新项目问题 neW-item 如果一个新项目没有人去评价它 或都不去评价它 则这个项目肯定得不到推荐 推荐系统就失去了作用 这在协同推荐技术问题上最为突出

目前 解决的办法主要是组合各种方法 最为常用的是组合协同过滤和基于内容的推荐 Fab系统

就是基于这一思想建立的 11

它分析用户评价项目的内容建立基于内容的用户兴趣资料 然后通过用户协同过滤技术发现具有相似兴趣爱好的邻居用户 GrOupLenS研究小组正在应用用户协同过滤技

术去组合其他用户的意见和个人信息过滤代理 1Z

也有学者采用激励理论的方法来解决冷开始问题 4.3奇异发现问题

推荐系统另一个重要的问题是奇异发现 Ser-endipity 也就是说 系统要推荐给用户的 是用户真正不知道的东西 如果推荐的东西用户本来就很熟悉 推荐效果就很不好 解决这个问题的整体思路 一是用关联规则的思想 二是嵌入关于项目的知识 其本质是一个基于内容的推荐和协同过滤的混合系统 4.4健壮性分析

有时商家为了竞争的需要 破坏竞争对手的推荐系统 人为地制造假数据 MichaelO MahOny等率先做了开创性的工作 文献 ZZ 用概率方法从准确性和稳定性两方面对推荐系统健壮性进行了分析 给出了两种分析模型 得出了在考虑假数据的情况下推荐正确的概率 但此分析有很多的假设条件 4.5评价数据模型

在评价数据模型上 典型的推荐都是在一张用户 项目二维的数据表上进行的 文献 Z3

突破这个44.第10期余力等 电子商务个性化推荐研究

1311

国内外电子商务网站推荐策略比较

超星

中国数字

当当网上

新浪亚马逊商城

书店

限制9结合数据仓库和OLAP的概念9提出了一般的多维数据模型O使用这种模型有两个好处 从横向看9推荐可以考虑到多方面的情况9如产品的生产时间\\销售地点等9从纵向看9推荐的层次更方便9因为在现实中对产品的描述有多个层次O文献 提Z4 出了用基于产品语义结构的知识构建推荐系统的原型9应用用户产品的相关属性来刻划产品9用户购买的产品及其相关属性组成了用户的知识9用来给用户推荐新产品O这种做法不仅可以为用户发现新的表3相关的推荐方法数字

图书馆图书馆书店

分类浏览内容搜索

销售最好/流行的商品

个性化推荐最近的浏览历史+++--++---+++-++++--+++

+产品9解决基于内容的推荐的不足9而且还可以解释推荐O文献 Z4

使用基于内容和协同过滤的推荐算法处理这个问题9在基于内容的方法上9在商品三层分类 类\\子类\\商品 的基础上9结合了分类和关联规则的方法9聚类产品只在类层进行9关联在类和子类层上进行O其推荐模型由一个用户模型和一个产品模型组成 用户模型由一向量表示9向量的每个分量表达了某个用户在所有商品子类上的购买行为9产品模型也由一向量表示9向量的每个分量反映了某个产品与子类的关系O通过产品模型和用户模型匹配即可得到产品的推荐9但该方法的推荐结果依赖于参数O

国内电子商务个性化推荐研究和应用现状

目前9国内在推荐技术方面研究较多的是基于

内容的推荐9典型的如各种搜索引擎的研究9但在个性化推荐和自动化推荐方面的理论研究几乎处于空

白9以关键词G推荐系统7\\G个性化推荐7在中国期刊网上搜索9只能发现极少数与此相关的文章9严重影响了个性化推荐技术在我国的应用O

为此9笔者对国内各电子商务个性化推荐的应用情况进行了调查O为方便比较9选择了国内四个在书籍方面有影响的电子商务网站9并和国外著名电子商务网站AmazOn进行了比较分析O从分析结果来看9国内主要使用的推荐策略有 D分类浏览9按商品类别进行逐层次的查找9 基于关键词的搜索9对要查找内容的关键词进行搜索9 流行推荐9推荐最畅销的商品9 基于某一商品的推荐9推荐与该商品有关的商品9 信函式推荐9系统下线以ail形式回答用户要查找的商品O各电子商务网站所采用的推荐技术如表3所示O

编辑修改用户的评价资料

----+折扣最大的--+--新书推荐--+-+通过下线信函推荐

+----书的基本信息+++++详细信息

-++-+让用户给出描述性评价基+-+-+于用户给出等级评价一--+-+本查看其他用户的评价

书--+++的促销信息

推---+-荐

买过此商品又购买过的--+-+按主题寻找相似书的链接---

++购买过该作者作品的还买过以下作者作品的

--+

-

-

注!G+7号表示该网站有对应的推荐功能9G-7号表示没有对应的推荐功能O

从表3可以看出9与AmazOn相比9国内电子商务网站的推荐存在以下问题 D缺乏个性化的推荐9不能根据不同用户的兴趣爱好给出不同的产品推荐9 推荐的自动化程度低9由于所采用的推荐技术主要是基于内容的搜索和分类浏览技术9用户想要得到相关的信息9必须输入搜索的关键词或是按商品的所属类别逐层查找9 推荐的持久性程度低9国内绝大多数电子商务网站给出的推荐都是基于用户一次登录得到的9不能收集用户每次浏览网页时给出的兴趣偏好信息9并据此信息对用户作出个性化的推荐9 推荐方法单一9大多数电子商务网站基本都是采用分类浏览和基于内容的检索9 不能在线推荐O

上述比较表明9我国电子商务网站并没有采用真正意义上的个性化推荐技术9所使用的仅仅是一些查找技术9这些技术的个性化程度和自动化程度都很低9表明我国个性化推荐技术的应用还处于低水平或空白阶段O

5Em131Z 研究展望

计算机集成制造系统

第10卷

4 将电子商务推荐系统由虚拟的销售人员转变为市场分析工具 目前的电子商务推荐系统主要面向用户 未来电子商务系统除为用户作出个性化推荐服务外 还应增强其市场分析能力

5 开发销售方的电子商务推荐系统 为商家的产品定价 促销活动及交叉销售等提供推荐 为增强推荐系统的功能 未来的电子商务推荐系统应集成企业销售系统 客户关系管理系统和供应链系统等企业信息系统 共同为企业的产品定价 销售等提电子商务的个性化推荐研究是一个新兴的领域 尽管目前已取得了很好的研究成果 但还存在很多问题 如数据获取主要依赖用户的显式评价 在自动获得用户的隐式信息方面做得不够 对稀疏问题及冷开始问题等经典问题缺乏有效的解决方法 对推荐系统的开发与应用 尤其是与企业其他系统的集成应用研究不够 推荐技术应用集中在网上购物 没有运用到其他行业等 未来电子商务推荐研究应有以下热点与方向

1 数据的多样化 推荐系统利用各种隐式和

显式数据作出推荐 尤其要将数据挖掘技术及Web挖掘技术应用到电子商务推荐系统中 产生完全自动化的推荐 使用户感受到完全个性化的购物体验 目前 基于协同过滤的推荐系统一般以用户的显式评价信息作为推荐的原始信息 这种收集信息的方法要求用户对一些产品做出偏好评价 以反映用户的兴趣偏好 收集用户兴趣资料的自动化程度低 而且很多用户不愿特意对一些产品做出评价 未来推荐系统除了显式收集用户信息外 还要在Web挖掘技术收集用户的隐式浏览信息方面 使收集信息的自动化程度提高

Z 对推荐算法的进一步改进 提高推荐算法的运算性能及实时性 以使推荐系统能产生更精确 实时的推荐 尽管目前对协同过滤技术的研究很多 但实际效果并不很理想 尤其在处理稀疏和冷开始问题上缺乏真正有效的方法 随着internet的普及 用户评价数据库不断增大 对推荐算法的运算性能提出了新要求 要求提高推荐算法的速度 加强算法的推荐实时性 同时 提高推荐的准确性也是研究推荐算法的主要任务 目前个性化推荐系统没有真正普及 尤其在一些价格相对昂贵的产品方面 用户并不使用个性化推荐系统 主要原因就是目前推荐系统推荐的准确度并不高 用户不是很依赖推荐系统

3 坚持以客户为中心的推荐研究 从单一客户推荐的研究转向支持客户群推荐 目前的推荐系统都是支持单一用户的个性化推荐 未来的推荐系统应该支持多用户推荐 包括为某用户群作出推荐及用户群之间互相推荐 主要的研究问题是用户群之间 用户之间如何共享兴趣资料信息 推荐算法模型的设计等

供决策支持 参考文献!

1 ReSnickandVarian.RecOmmenderSyStemS

J .COmmunica-tiOnSOftheACM 1997 40

3 56-58. Z LAWRENCERD ALMASiGS KOTLYARV etal.Per-SOnalizatiOnOfSupermarketprOductrecOmmendatiOnS R .iBMReSearchRepOrt Z000.

3 SARWARBM KARYPiSG KONSTANJA etal.Analy-SiSOfrecOmmendatiOnalgOrithmSfOre-cOmmerce A .PrO-ceedingSOftheACMEC00COnference C .MinneapOliS MN. Z000.158-167.

4 RESNiCKP iACOVOUN SUCHAKM etal.GrOuplenS

anOpenarchitecturefOrcOllabOrativefilteringOfnetneWS A .PrOceedingSOftheCOnferenceOnCOmputerSuppOrtedCOOper-ativeWOrk C .ChapelHill NC 1994.175-186.

5 SHARDANANDU MAESP.SOcialinfOrmatiOnfiltering

algOrithmSfOrautOmating WOrdOfmOuth A .inPrOceed-ingSOftheACMCHiCOnference CHi95 C .1995.

6 GOLDBERGD NiCHOLSD OKiBM etal.USingcOllabOra-tivefilteringtOWeaveaninfOrmatiOnapeStry J .COmmunica-tiOnSOftheACM 199Z 35 1Z 61-70.

7 SCHAFERJB KONSTANJ RiEDLJ.RecOmmenderSyS-temSine-cOmmerce A .PrOceedingSOftheFirStACMCOn-ferenceOnElectrOnicCOmmerce C .Denver CO 1999.158-166.

8 BENJ KONSTANJA JOHNR.E-cOmmercerecOmmen-datiOnapplicatiOnS R .UniverSityOfMinneSOta Z001. 9 BREESEJ HECKERMAND KADiEC.EmpiricalanalySiS

OfpredictivealgOrithmSfOrcOllabOrativefiltering A .inPrO-ceedingSOfthe14thCOnferenceOnUncertaintlyinArtificialintelligence C .1998.43-5Z.

10 PREMM RAYMONDJ RAMADASSN.COntent-bOOSted

cOllabOrativefilteringfOrimprOvedrecOmmendatiOnS R .DepartmentOfCOmputerScienceS UniverSityOfTeXaSAuS-tin T 7871Z. 11 MARKOB YOAVS.FAB cOntent-baSedcOllabOrativerecOmmendatiOn J .COmmunicatiOnSOftheACM 1997 40 3 66-7Z.

1Z GOODN SCHAFERJB KONSTANJ etal.COmbining

cOllabOrativefilteringWithperSOnalagentSfOrbetterrecOm-

第10期余力等 电子商务个性化推荐研究

1313

mendatiOnS A .PrOceedingSOfAAAi 99 C .1999.

13 learningtOfilterneWS A .PrO-LANGK.NeWSWeeder

ceedingSOfthe1ZthinternatiOnalCOnferenceOnMachineLearning C .1995.331-339.

14 cOntent-PAZZANiMJ.AframeWOrkfOrcOllabOrative

baSedanddemOgraphicfiltering J .Artificialintelligence RevieW 13 5 6 393-408.

15 PAZZANiM.LearningcOllabOrativeinfOrma-BiLLSUSD

tiOnfilterS A .PrOceedingSOftheinternatiOnalCOnferenceOnMachineLearning C .MOrganKaufmannPubliSherS 1998.

16 SurveyandeXperi-ROBiNB.HybridrecOmmenderSyStemS

mentS R .DepartmentOfinfOrmatiOnSyStemSandDeciSiOnCalifOrniaStateUniverSity FullertOn.ScienceS

17 COHENR.HybridrecOmmenderSyStemSfOrelec-TRANT

trOniccOmmerce R .KnOWledge-BaSedElectrOnicMarketS PaperSfrOmtheAAAiWOrkShOp AAAiTechnicalRepOrtWS-00-04.MenlOPark CA AAAiPreSS 78-83.

18 RASHMiS KiRSTENS.COmparingrecOmmendatiOnSmadebyOnlineSyStemSandfriendS R .SiMS UniverSityOfCalifOrnia Z001.

19 etal.HOrtingAGGARWALCA WOLFJL WUKL

hatcheSanegg aneWgraph-theOreticapprOachtOcOllabOra-tivefiltering A .PrOceedingSOfACMSiGKDDinternatiOnalCOnferenceOnKnOWledgeDiScOveryandDataMining C .1999.

Z0 DEANP.CluSteringmethOdSfOrcOllabOrativefil-LYLEH

tering A .WOrkShOpOnRecOmmendatiOnSyStemSattheC .1998.15thNatiOnalCOnferenceOnArtificialintelligence

Z1 iCHAELO NEiLH NiCHOLASK etal.COllabOrativeM

recOmmendatiOn arObuStneSSanalySiS A .ACMTranSac-tiOnSOninternet

TechnOlOgy SpecialiSSueOf

Machine

LearningfOrtheinternet C .Z00Z.

ZZ TUZHiLiNA.EXtendingrecOmmenderADOMAViCiUSG

amultidimenSiOnalapprOach A .PrOceedingSOftheSyStemS

FifthACMCOnferenceOnDigitalLibrarieS C .Z001.115-1Z3.

Z3 ANDRESF.BuildingrecOmmenderSyStemSuSingRAYiDG

R .ChicagO Accen-aknOWledgebaSedOfprOductSemanticS tureTechnOlOgyLabS Z001.

Z4 RiEDLJ.ReSearchreSOurceSfOrrecOm-KONSTANJA

menderSyStemS C .inCHi 99WOrkShOpinteractingWithRecOmmenderSyStemS 1999.

Z5 GAOWen LiJintaO.RealtimeperSOnalizatiOnWANGShi

baSedOnclaSSificatiOn J .JOurnalOfCOmputerS Z00Z Z5 王8 845-85Z inChineSe . Z00Z Z5 8 845-85Z.

Z6 ZHANGShOuzhi.AlgOrithmde-ZHAOLiang HUNaijing

SignfOrperSOnalizatiOnrecOmmendatiOnSyStemS J .JOurnal OfCOmputerReSearchandDevelOpment Z00Z 39 8 986-赵991 inChineSe .

亮 胡乃静 张守志.个性化推荐算法

设计 J .计算机研究与发展 Z00Z 39 8 986-991.

实 高文 李锦涛.基于

分类方法的Web站点实时个性化推荐 J .计算机学报

ResearchonpersonalizedrecommendationsinE-business

YULi1 Z

L ULu1

1.Sch.OfEcOnOmicS&Management BeihangUniv. Beijing100083 China

Z.Sch.OfinfO. RenminUniv.OfChina Beijing10087Z China

Abstract TOmakeE-buSineSSSyStemactivelyrecOmmendprOductStOuSerSaccOrdingtOtheirintereStS reSearchOnE-buSineSSrecOmmendedSyStemSWaSfirStlydeScribed.COnceptS functiOnSandcOnStituentSOfE-buSineSSrecOmmendedSyStemWerebrieflyintrOduced.ThetechnicalrecOmmendatiOnStandardWaS

iXmainrecOmmendtechnOlOgieSSuchaScOllabOrativefilteringrecOmmendatiOn recOmmendatiOngiven.S

baSedOncOntentS efficiency infOrmatiOnandruleSWerementiOned.AdvantageSpOpulatiOnStatiSticS anddiSadvantageSOftheSeabOve-mentiOnedtechnicalrecOmmendatiOnSWereprOvided.RecOmmendatiOn

evaluatiOnWaSalSOintrOduced.HOttOpicSinperSOnalizedE-buSineSSrecOmmendatiOnreSearchWereem-eXiStingprOblemSOnperSOnalizedrecOmmendatiOninChinaWereanalyzed.Futurere-phaSized.Then

SearchchallengeSfacingE-buSineSSperSOnalizedrecOmmendatiOnWerepreSentedatlaSt.Keywords cOllabOrativefiltering recOmmendedSyStemS E-buSineSSperSOnalizedrecOmmendatiOn

Received04Aug.Z003 acceptedZ0Oct.Z003.

FOundatiOnitemS PrOjectSuppOrtedbytheNatiOnalNaturalScienceFOundatiOn China NO.70371004 andPhDPrOgramFOundatiOnOfMOE

China NO.Z000000601 .

电子商务个性化推荐研究

作者：作者单位：刊名：英文刊名：年，卷(期)：被引用次数：

余力， 刘鲁

余力(北京航空航天大学经济管理学院,北京,100083;中国人民大学信息学院,北京,100872)， 刘鲁(北京航空航天大学经济管理学院,北京,100083)计算机集成制造系统

COMPUTER INTEGRATED MANUFACTURING SYSTEMS2004,10(10)167次

1.Resnick;Varian Recommender systems 1997(03)

2.Lawrence R D;ALMASI G S;KOTLYAR V Personalization of supermarket product recommendations 20003.SARWAR B M;KARYPIS G;KONSTAN J A Analysis of recommendation algorithms for e-commerce 20004.RESNICK P;IACOVOU N;SUCHAK M Grouplens:an open architecture for collaborative filtering of netnews 1994

5.SHARDANAND U;MAES P Social information filtering: algorithms for automating \"word of mouth\" 19956.Goldberg D;NICHOLS D;OKI B M Using collaborative filtering to weave an information apestry1992(12)

7.SCHAFER J B;KONSTAN J;RIEDL J Recommender systems in e-commerce 19998.Ben J;KONSTAN J A;JOHN R E-commerce recommendation applications 2001

9.BREESE J;HECKERMAN D;KADIE C Empirical analysis of predictive algorithms for collaborativefiltering 1998

10.PREM M;RAYMOND J;RAMADASS N Content-boosted collaborative filtering for improved recommendations11.MARKO B;YOAV S FAB:content-based collaborative recommendation 1997(03)

12.GOOD N;SCHAFERJB;KONSTAN J Combining collaborative filtering with personal agents for betterrecommendations 1999

13.LANG K Newsweeder:learning to filter news' 1995

14.Pazzani M J A framework for collaborative,content-based and demographic filtering'15.BILLSUS D;PAZZANI M Learning collaborative information filters 199816.Robin B Hybrid recommender systems:survey and experiments17.Tran T;COHEN R Hybrid recommender systems for electronic commerce

18.RASHMI S;KIRSTEN S Comparing recommendations made by online systems and friends 200119.AGGARWAL C A;WOLF J L;WU K L Horting hatches an egg:a new graph-theoretic approach tocollaborative filtering 1999

20.LYLE H;DEAN P Clustering methods for collaborative filtering 1998

21.MICHAEL O;NEIL H;NICHOLAS K Collaborative recommendation:a robustness analysis 200222.ADOMAVICIUS G;TUZHILIN A Extending recommender systems:a multidimensional approach 200123.RAYID G;ANDRES F Building recommender systems using a knowledge based of product semantics 200124.KONSTAN J A;RIEDL J Research resources for recommender systems 1999

25.Wang Shi;GAO Wen;LI Jintao Real time personalization based on classification 2002(08)

26.赵亮,胡乃静,张守志 个性化推荐算法设计[期刊论文]-计算机研究与发展 2002(8)

1. 闫妍.刘晓.Yan Yan.Liu Xiao 客户偏好对电子商务供应链的影响研究[期刊论文]-仪器仪表学报2006,27(z3)2. 闻丹岩.夏国平.WEN Dan-yan.XIA Guo-ping 电子商务中的不可否认和隐私保护协议[期刊论文]-北京工业大学学报2007,33(6)

1.崔海波 基于云书签服务的个性化推荐WebOS系统[期刊论文]-数字技术与应用 2015(04)

2.张柱,李卿,方贤进 基于用户模型和属性扩散的混合个性化推荐[期刊论文]-安徽理工大学学报（自然科学版）2015(01)

3.陈龙飞,赵雪 关于农资产品个性化推荐的研究[期刊论文]-电子世界 2013(24)4.蔡斌强 电子商务个性化推荐研究[期刊论文]-中国电子商务 2013(24)

5.金淳,张一平 基于Agent的顾客行为及个性化推荐仿真模型[期刊论文]-系统工程理论与实践 2013(02)6.周雪芳 个性化推荐系统用户偏好获取及兴趣建模[期刊论文]-知识经济 2012(18)7.刘芳先,宋顺林 改进的协同过滤推荐算法[期刊论文]-计算机工程与应用 2011(08)8.王丽丽 基于信任机制的电子商务个性化推荐技术研究[期刊论文]-电子商务 2011(12)9.张浩 基于商品基因和遗传算法的个性化推荐系统[期刊论文]-计算机系统应用 2011(12)

10.王世云,王志军,李运杰 一种基于网络书签的个性化信息推荐方法[期刊论文]-计算机系统应用 2011(05)11.金艳云,李玉萍 个性化学习系统中用户访问兴趣度量方法改进[期刊论文]-电脑知识与技术 2010(34)

12.王志军,岳训,付冬菊,苗良 基于Web投票机制的免疫协同过滤推荐技术研究[期刊论文]-农业网络信息 2010(01)13.王丽丽 基于信任机制的电子商务个性化推荐技术研究[学位论文]硕士 201014.胡慧蓉 电子商务推荐系统中推荐技术研究[期刊论文]-科技信息 2009(04)

15.姚忠,吴跃,常娜 集成项目类别与语境信息的协同过滤推荐算法[期刊论文]-计算机集成制造系统 2008(07)16.闫艳,王锁柱 基于多Agent的电子商务个性化推荐系统模型研究[期刊论文]-情报杂志 2007(05)17.罗孟儒,胡国良 基于虚拟机会网络的个性化推荐[期刊论文]-软件导刊 2015(5)

18.朱映波,刁建伟,康波,刘胜强 基于标签对家庭IPTV业务个性化推送机制的用户体验优化研究[期刊论文]-电信科学 2014(7)

19.李秋艳 服装个性化推荐方法研究[学位论文]硕士 2014

20.邵康,张建伟 基于BM25F模型的Web文本挖掘个性化推荐研究[期刊论文]-情报理论与实践 2013(11)21.刘芳先,李国 基于项目簇偏好的用户聚类算法[期刊论文]-现代计算机（专业版） 2013(12)22.隋占丽 基于协同过滤算法的音乐推荐系统[学位论文]硕士 2013

23.刘玉峰,贺昌政 基于RBFN-项目聚类的协同过滤推荐算法研究[期刊论文]-科技管理研究 2012(17)24.李国,张智斌,刘芳先,姜波,姚文伟 非线性组合的协同过滤推荐算法[期刊论文]-计算机应用 2011(11)25.张富国,徐升华 基于信任的电子商务推荐多样性研究[期刊论文]-情报学报 2010(02)26.金亚亚 一种基于改进信任度的协同过滤算法[学位论文]硕士 2010

27.王晗,夏自谦 基于蚁群算法和浏览路径的推荐算法研究[期刊论文]-中国科技信息 2009(07)

28.夏秀峰,殳晶莹 一种基于中间商品兴趣度的滞销商品推荐模型[期刊论文]-沈阳航空工业学院学报 2009(05)

29.刘丹,褚蓓蓓,郑丽娟 基于协同过滤的个性化推荐算法研究与实践[期刊论文]-石家庄铁路职业技术学院学报2008(02)

30.曹毅,罗新星 电子商务推荐系统关键技术研究[期刊论文]-湘南学院学报 2008(05)31.龚松杰 电子商务中协同过滤推荐技术研究[期刊论文]-商场现代化 2008(03)

32.刘妮,唐慧佳 Web挖掘在基于标签的个性化推荐中的应用[期刊论文]-成都信息工程学院学报 2007(04)33.游明英 基于多Agent的个性化电子商务解决方案[期刊论文]-商场现代化 2007(28)34.张富国 基于协同过滤技术的电子商务推荐系统初探[期刊论文]-科技广场 2006(08)35.徐莉 协同过滤推荐系统研究[学位论文]硕士 2006

36.黄晓斌 数字图书馆推荐系统研究[期刊论文]-情报资料工作 2005(04)37.吴晓英 国内电子商务研究热点分析[期刊论文]-电子商务 2015(1)

38.白娟,闫新庆 基于JavaEE的电子商务推荐系统的设计与实现[期刊论文]-华北水利水电学院学报 2012(03)39.王巧容,赵海燕,曹健 个性化服务中的用户建模技术[期刊论文]-小型微型计算机系统 2011(01)

40.薛伟莲,王蕴慧 一种基于对话的电子商务推荐系统[期刊论文]-辽宁师范大学学报（自然科学版） 2011(02)41.易明,王学东 基于领域本体的数字图书馆信息过滤模型研究[期刊论文]-中国图书馆学报 2009(03)42.解亚萍,牛广文 用户聚类的电子商务推荐系统研究[期刊论文]-兰州工业高等专科学校学报 2009(03)43.张浩 基于商品基因和GA的智能商品推荐系统研究[学位论文]硕士 200944.王辉 基于混合机制的电子商务个性化推荐研究[学位论文]硕士 200945.蒋翀 电子商务个性化推荐系统研究[学位论文]硕士 2009

46.潘宇,林鸿飞,杨志豪 基于用户聚类的电子商务推荐系统[期刊论文]-计算机应用与软件 2008(04)47.余力,董斯维,郭斌 电子商务推荐攻击研究[期刊论文]-计算机科学 2007(05)48.耿荣娜 电子商务中个性化信息自主推送技术的研究[学位论文]硕士 200749.邹丽霞 基于关联规则挖掘的Web个性化推荐研究[学位论文]硕士 2006

50.易欣,王自力,郭武士 基于专家系统的电子商务个性化推荐技术[期刊论文]-科技通报 2014(01)

51.曾怡,吕慧,朱江楠 基于协同过滤推荐技术的作业资源个性化推荐系统的设计与研究[期刊论文]-电子世界2013(11)

52.汪伦,金朵,刘明月 基于用户兴趣度的协同过滤算法[期刊论文]-电脑知识与技术 2012(19)53.查文琴,梁昌勇,曹镭 基于用户聚类的协同过滤推荐方法[期刊论文]-计算机技术与发展 2009(06)54.李俊薇 基于协同过滤的校园教育资源网个性化推荐研究[学位论文]硕士 2009

55.黄光球,魏芳 基于贝叶斯动态预测模型的商品推荐方法[期刊论文]-微计算机信息 2007(15)56.张琰 基于多Agent的电子商务个性化推荐系统研究[学位论文]硕士 2007

57.黄晓斌 基于协同过滤的数字图书馆推荐系统研究[期刊论文]-大学图书馆学报 2006(01)

58.杨丽娜,颜志军,孟昭宽 基于个性化推荐思想的虚拟社区学习共同体动态构建[期刊论文]-现代教育技术2012(01)

59.汪彦红 基于组合算法的个性化推荐系统的研究和应用[学位论文]硕士 2011

60.郑华,彭欣 第三方电子商务的个性化信息推荐系统[期刊论文]-计算机工程与设计 2009(12)

61.李杰,徐勇,王云峰,朱昭贤 面向个性化推荐的强关联规则挖掘[期刊论文]-系统工程理论与实践 2009(08)62.李伟 基于关联规则B2C图书销售网站个性化推荐系统研究[学位论文]硕士 2007

63.邹婷婷 浅析虚拟社区知识共享中存在的问题及对策[期刊论文]-科技情报开发与经济 2006(16)

64.乐承毅,代风,吉祥,潘凯,顾新建,彭本红 基于流程驱动的领域知识主动推送研究[期刊论文]-计算机集成制造系统 2010(12)

65.王静蕾,高继勋 电子商务环境中个性化信息推荐服务的发展[期刊论文]-河南工程学院学报（自然科学版）2008(02)

66.王岚,翟正军 Web使用挖掘在网络环境下的个性化信息服务[期刊论文]-现代电子技术 2007(02)67.夏同胜 基于WUM的电子商务推荐研究[学位论文]硕士 2007

68.汤鹏,吴国栋,许瑞瑞 用户偏好模型构建研究[期刊论文]-石家庄学院学报 2014(06)69.刘昱宏 在线礼品制作的个性化信息推送服务研究[期刊论文]-电子世界 2014(23)

70.姜保庆,王奇伟,韩景景 基于社交网络的一种个性化推荐算法[期刊论文]-网络安全技术与应用 2014(03)71.杨毅,王晓荣,胡迎春 基于客户顾目的聚类协同过滤组合推荐算法研究[期刊论文]-广西工学院学报 2011(04)72.李杰,徐勇,王云峰 面向大规模定制的个性化推荐研究[期刊论文]-河北工业大学学报 2008(04)73.李姣燕 基于协同过滤的个性化推荐系统研究[学位论文]硕士 200874.安芳 电子商务个性化信息推荐服务的研究[学位论文]硕士 2006

75.牟乃夏,刘文宝,张灵先,孙翠羽 空间信息服务的个性化问题[期刊论文]-测绘科学 2011(03)76.张丽杰,刘建成,朱慧云 开放实验室系统的分析与设计[期刊论文]-实验技术与管理 2009(08)

77.张成,魏法杰,贾素玲 基于Agent的用户偏好决策模型及其应用[期刊论文]-计算机工程与应用 2007(25)78.丁延玲 基于顾客交易数据的协同过滤推荐方法研究[学位论文]硕士 200779.贺卫红,曹毅 基于向量空间模型文本过滤算法[期刊论文]-系统工程 2005(10)80.张智 基于J2EE的校园电子商务平台的研究与实现[学位论文]硕士 200981.庞秀丽 基于主题的电子商务推荐方法研究[学位论文]博士 200882.齐文 基于聚类免疫算法的个性化推荐系统研究[学位论文]硕士 200983.张瑜 一种基于知识分类树的个性化推荐方法[学位论文]硕士 200784.王巍巍 电子商务中的个性化信息服务研究[学位论文]硕士 2006

85.汪人杰 面向PLM的海洋工程标准管理系统的设计与实现[学位论文]硕士 201286.林霞 个性化信息检索技术在勘探门户中的应用研究[学位论文]硕士 201187.陈丽丽 个性化推荐系统在B2C教育网站上的应用[学位论文]硕士 2008

88.HE Weihong,CAO Yi An E-Commerce Recommender System Based on Content-Based Filtering[期刊论文]-武汉大学学报（英文版） 2006(05)

89.王浩伟 数据挖掘技术在单一来源研究数据中的应用[学位论文]硕士 200690.吴星佐 基于日志挖掘的IETM数据模块推荐模型研究[学位论文]硕士 201391.刘华 基于关联规则的个性化推荐系统研究与应用[学位论文]硕士 2011

92.李忠俊,周启海,帅青红 一种基于内容和协同过滤同构化整合的推荐系统模型[期刊论文]-计算机科学 2009(12)93.盖亮 电子商务推荐系统的研究与实现[学位论文]硕士 2006

94.曾子明,周红 科技文献中基于主题的社会化推荐研究[期刊论文]-情报理论与实践 2015(03)95.赵国化 小型数字音乐图书馆的设计与实现[学位论文]硕士 201196.吴逸明 协同过滤系统中稀疏性问题研究[学位论文]硕士 2011

97.陈定权,武立斌 社会网络视角下的信息推荐[期刊论文]-情报杂志 2007(11)

98.马辉民,周凤林 电子商务下的柔性推荐系统[期刊论文]-武汉理工大学学报（信息与管理工程版） 2007(02)99.余力,刘鲁,李雪峰 用户多兴趣下的个性化推荐算法研究[期刊论文]-计算机集成制造系统 2004(12)100.张佳乐,梁吉业,庞继芳,王宝丽 基于行为和评分相似性的关联规则群推荐算法[期刊论文]-计算机科学2014(03)

101.张宇 基于用户情景模糊聚类的协同推荐研究及应用[学位论文]硕士 2013102.马丽 电子商务个性化推荐技术分析及比较[期刊论文]-计算机系统应用 2008(12)103.蔡孟松 基于社交用户标签的混合个性化推荐研究[学位论文]硕士 2013104.王昆 一种基于Bayesian CBR的推荐系统研究[学位论文]硕士 2011105.郑直 VOD系统应用服务器中Web挖掘技术的研究与应用[学位论文]硕士 2010106.郭会林 基于市场模型的WEB个性化推荐研究[学位论文]硕士 2009107.张胜楠 B2C电子商务推荐方式对顾客忠诚的影响研究[学位论文]硕士 2008108.魏超 基于会员制的个性化推荐系统的设计与实现[学位论文]硕士 2011109.蔡浩 基于Web使用挖掘的协同过滤推荐算法研究[学位论文]硕士 2010110.徐清 B2C电子商务中商品推荐模型研究[学位论文]硕士 2007111.王枭雄 基于关联规则的软件开发推荐技术研究[学位论文]硕士 2013112.赵琴琴 基于内存的协同过滤推荐算法研究[学位论文]硕士 2011

113.杨本植 基于粗糙集的电子商务推荐及可视化研究与实现[学位论文]硕士 2010114.查文琴 基于用户聚类的项目多内容协同过滤推荐[学位论文]硕士 2009115.刘华 基于关联规则的个性化推荐系统研究与应用[学位论文]硕士 2011

116.徐建华 面向营销数据库的用户聚类策略及用户兴趣模式研究[学位论文]硕士 2008117.崔亚洲 一种B2C模式下多模型推荐系统的研究[学位论文]硕士 2006118.吴则则 支持动态演进的用户兴趣模型挖掘方法研究[学位论文]硕士 2010119.胡军刚 基于统计视角的数据挖掘应用研究[学位论文]硕士 2008120.韩冰 垂直搜索引擎个性化推荐研究与应用[学位论文]硕士 2009

121.胡斌 基于用户和资源权重的协同过滤推荐系统的研究与设计[学位论文]硕士 2009122.邵波,宋继伟 国内外电子商务个性化服务研究分析[期刊论文]-情报杂志 2008(07)123.周洋 个性化推荐系统推荐引擎原型系统研究[学位论文]硕士 2007124.邓婕 基于匿名用户使用挖掘的个性化信息推荐研究[学位论文]硕士 2009125.关腾 一个心理在线测评及推荐服务的设计与实现[学位论文]硕士 2011126.何秀娟 基于信任的协同过滤推荐模型研究[学位论文]硕士 2010127.黄诗诗 基于AJAX和RSS商情网站的设计[学位论文]硕士 2006

128.汤显 基于类别相似性和分类方法的个性化推荐方法研究[学位论文]硕士 2005129.仵雪婷 基于知识情境的知识个性化推送技术的研究与应用[学位论文]硕士 2010130.季昀 基于协同过滤推荐算法电影网站的构建[学位论文]硕士 2009

131.张娜 电子商务环境下的个性化信息推荐服务及应用研究[学位论文]硕士 2007132.翁小兰 WEB挖掘在VOD系统中的研究与应用[学位论文]硕士 2006

133.舒珊 基于全局和局部相似性度量的协同过滤推荐研究[学位论文]硕士 2014134.桂辉 WEB日志挖掘在网站推荐服务中的应用研究[学位论文]硕士 2011

135.张校慧 基于Web日志与聚类分析的协同过滤算法的设计与实现[学位论文]硕士 2008136.张富国 基于信任的电子商务个性化推荐关键问题研究[学位论文]博士 2009137.王鹏举 基于聚类的协同过滤算法研究[学位论文]硕士 2011138.谢名亮 B2C电子商务中商品推荐算法研究[学位论文]硕士 2010139.刘青 基于Web日志挖掘的个性化推荐系统研究[学位论文]硕士 2010140.陈晓红 面向电子商务的个性化推荐技术研究[学位论文]硕士 2007141.余静 基于Agent的信息推送系统的研究[学位论文]硕士 2007142.蒋其恩 基于内容的个性化房产信息推荐研究[学位论文]硕士 2008

143.张静肖 基于关联规则挖掘与协同过滤算法的个性化推荐系统的设计与实现[学位论文]硕士 2006144.林理达 基于混合推荐算法的网上银行社区营销推荐系统的研究与实现[学位论文]硕士 2011145.方杰 聚类算法及其在页面聚类中的应用研究[学位论文]硕士 2009146.余力 电子商务个性化推荐若干问题研究[学位论文]博士 2004147.季昀 基于协同过滤推荐算法电影网站的构建[学位论文]硕士 2009

148.王育才 基于人工免疫网络的电子商务个性化推荐算法研究[学位论文]硕士 2006149.李婷 基于用户兴趣与合作的个性化电子商务推荐系统研究[学位论文]硕士 2006150.杨红磊 基于内容与社会过滤的好友推荐算法研究[学位论文]硕士 2013151.刘青 基于Web日志挖掘的个性化推荐系统研究[学位论文]硕士 2010152.高明 电子商务网站质量评价研究[学位论文]硕士 2007

153.陈广正 WEB环境下电子商务个性化服务研究[学位论文]硕士 2007

154.王巧容,赵海燕,曹健 个性化服务中的用户建模技术[期刊论文]-小型微型计算机系统 2011(01)155.杨华 数据挖掘在高校图书馆个性化推荐中的应用研究[学位论文]硕士 2009156.孙洁丽 基于案例推理的个性化推荐系统研究[学位论文]博士 2008157.曹毅 基于内容和协同过滤的混合模式推荐技术研究[学位论文]硕士 2007158.马琳 安全角度下协同过滤推荐算法研究[学位论文]硕士 2009

159.温泉 商业银行金融产品推荐系统的模型和推荐策略研究[学位论文]博士 2008160.李春喜 一种混合模式电子商务推荐技术的研究[学位论文]硕士 2010161.胡军刚 基于统计视角的数据挖掘应用研究[学位论文]硕士 2008162.李聪 电子商务推荐系统中协同过滤瓶颈问题研究[学位论文]博士 2009163.梅喜雪 网络资源交易与推荐模型研究[学位论文]硕士 2010164.何秀娟 基于信任的协同过滤推荐模型研究[学位论文]硕士 2010165.陈广正 WEB环境下电子商务个性化服务研究[学位论文]硕士 2007166.孙小华 协同过滤系统的稀疏性与冷启动问题研究[学位论文]博士 2005

167.薛福亮 电子商务协同过滤推荐质量影响因素及其改进机制研究[学位论文]博士 2012

引用本文格式：余力.刘鲁 电子商务个性化推荐研究[期刊论文]-计算机集成制造系统 2004(10)