电子商务中的推荐系统是利用数据挖掘等技术，分析访问者在电子商务网站的访问行为，产生能帮助访问顾客访问感兴趣的产品信息的推荐结果.
电子商务系统规划与建设本来就包括数据库系统的建立，技术含量不是特高的电子商务推荐系统就是在原有的数据库系统上新添的利用数据挖掘技术对动态的客户访问所返回的数据加以分析并调出客户可能感兴趣的的产品目录。
看这里----就知道它只是在原有的系统上加了些技术模块
根据系统功能设计的要求以及功能模块的划分，数据库的设计相对较简单。除用于销售商品的电子商务网站中所必须的基本数据库表，如商品信息、用户信息、网站信息等外，还应包括：用于初始化数据设置的参数表、仅对有评分商品推荐起作用的顾客商品评分表、顾客商品购买记录表、商品聚类表、顾客聚类表、商品推荐表
随着互联网的普及和电子商务的发展，电子商务系统在为用户提供越来越多选择的同时，其结构也变得更加复杂，用户经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品。电子商务推荐系统直接与用户交互，模拟商店销售人员向用户提供商品推荐，帮助用户找到所需商品，从而顺利完成购买过程。在日趋激烈的竞争环境下，电子商务推荐系统能有效保留用户、防止用户流失，提高电子商务系统的销售。
推荐系统在电子商务系统中具有良好的发展和应用前景，逐渐成为电子商务IT技术的一个重要研究内容，得到越了来越多研究者的关注。
电子商务推荐系统在理论和实践中都得到了很大发展。但是随着电子商务系统规模的进一步扩大，电子商务推荐系统也面临一系列挑战。针对电子商务推荐系统面临的主要挑战，本文对电子商务推荐系统中推荐算法设计以及推荐系统体系结构等关键技术进行了有益的探索和研究。本文的研究内容主要包括电子商务推荐系统推荐质量研究，电子商务推荐系统实时性研究，基于Web挖掘的推荐系统研究以及电子商务推荐系统体系结构研究
一、电子商务推荐系统及构成
电子商务推荐系统(Recommendation Systems for E-Commerce)定义是：“它是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程”。
推荐系统面对的是用户(user)，任务是为用户提供对项目(item)的推荐。用户是指推荐系统的使用者，也就是电子商务活动中的客户。项目是被推荐的对象，是指电子商务活动中提供给客户选择的产品和服务，也就是最终推荐系统返回给用户的推荐内容。在一个电子商务活动中，用户数和项目数是非常多的。推荐系统面对的当前用户，称为目标用户或者活动用户。推荐系统的当前工作，就是为根据一定的算法，给出对目标用户的推荐项目。
电子商务推荐系统主要由三大部分构成：输入模块、推荐方法模块和输出模块。输入模块用来接受用户的输入信息，用户的输入信息中最重要的是用户对项目的评价(rating)数据；推荐方法模块用来根据一定算法，根据用户数据，得出对目标用户的推荐，该模块是整个推荐系统的核心部分，个性化推荐方面的研究的很大一部分，都集中在找到好的推荐方法。输出模块主要是指得到的推荐以何种形式反馈给用户。
根据项目的特点，目前主要有两种类型的推荐系统，一种是以网页为对象的个性化推荐系统，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；另一种是网上购物环境下的、以商品为推荐对象的个性化推荐系统，为用户推荐符合其兴趣爱好的各类产品，如各种书籍，音像等，这种推荐系统也称电子商务个性化推荐系统。
二、电子商务个性化推荐系统的作用
电子商务推荐系统的最大的优点在于它能收集用户兴趣资料并根据用户兴趣偏好为用户主动作出个性化的推荐，也就是说，当用户每次输入用户名和密码登录电子商务网站后，推荐系统就会按照目标用户偏好程度的高低推荐用户最喜爱的N个产品，而且系统给出的
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，也提高了企业的服务水平。
总体说来，电子商务推荐系统的作用主要表现在以下几个方面：一方面，使用户从无限的网络资源和商品世界中解脱出来，大大节约了用户采购商品的时间和成本；与此同时，推荐系统的个性化推荐服务，提高了客户对电子商务网站的忠诚度(Building Loyalty)，将更多的电子商务网站浏览者转变为商品的购买者，从而提高电子商务网站的交叉销售能力(Cross-Selling)，为电子商务企业赢得了更多的发展机会。
研究表明，在基于电子商务的销售行业使用个性化推荐系统后，能提高销售额2%-8%，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的行业，以及用户使用个性化推荐系统的程度高的行业，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(Marketing Systems)、供应链决策支持系统(Supply-Chain Decision-Support Systems)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；推荐系统最终目的帮助用户，辅助用户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多少什么产品，以及仓库应该存贮多少各类产品，其最终目的是为企业生产者服务的，而同样推荐系统是面向用户的系统。
三、电子商务个性化推荐系统的研究内容
电子商务个性化推荐的研究有四方面的问题：首先，要解决推荐系统的信息来源问题——推荐系统的基础是用户兴趣资料信息，如何在电子商务环境下尽可能获得更多用户的相关信息，并以合适的形式表示是进行个性化推荐的前提；其次，要实现被顾客接受和认可的个性化推荐，设计准确、高效率的个性化推荐算法是核心；另外，要让推荐系统为广大用户所接受，必须对推荐系统作出客观、综合的评价，尤其要注意从准确率、个性化、安全性、用户满意度等多方面进行评价；推荐系统的应用是最终研究的落脚点，推荐系统不仅能为用户提供完全个性化购物环境，更应为企业的销售决策和客户关系管理提供支持。
在电子商务环境下，用户信息收集表示是电子商务个性化推荐的基础。根据当前对电子商务环境下用户信息收集表示的研究来看，主要着眼于研究如何有效地收集能反映用户兴趣偏好的信息，以及如何通过网络数据挖掘等的方法更自动化地收集用户的隐式信息，解决用户信息收集过多的依赖于显式评价数据的问题。
个性化推荐技术是电子商务自动化推荐系统的核心问题。目前的推荐技术有协同过滤推荐(包括基于用户的和基于项目的)、基于用户人口统计信息的推荐、基于内容的推荐、基于效用的推荐、基于知识的推荐、基于规则的推荐等等。协同过滤推荐是个性化推荐中研究和应用最多的方法，广泛应用于电子商务网站、数字图书馆、网页搜索、新闻过滤等，着名的推荐系统有Tapestry、GroupLens/NetPerceptions、Ringo/Firefly等，其前提假设是存在具有相似兴趣爱好的用户群，每个用户都有与其兴趣爱好相似的邻居用户。预测用户对某一项目的偏好是根据邻居用户对该项目的偏好程度计算的，也就是说如果其邻居用户喜爱某项目，则该用户也很可能会喜爱该项目。协同过滤最大优点是不需要分析对象的特征属性，所以对推荐对象没有特殊的要求，能处理非结构化的复杂对象，如音乐、电影等。
对推荐系统总体性能的评价是推荐系统研究的重要组成部分。目前大都只是采用准确率、召回率等评判尺度对推荐算法进行评价，并没有真正意义上的、提升到对整个推荐系统进行的评价，尤其缺乏从个性化程度、持久性程度、系统的安全性以及用户接受程度等多方面对推荐系统进行综合的评价。
四、研究现状
推荐行为产品或其它项目的软件代理已经在许多应用中使用在电子商务领域，为了增加购买经验并满足客户需求，已经推出了充分利用消费者的访问和购买行为的推荐系统。推荐者通常通过给用户展示他们可能感兴趣的产品或服务来促进购买。例如，诸如https://www.doczj.com/doc/7f6777966.html,
就是通过利用偏好或其他用户购买信息来介绍书籍或者其它产品给用户的推荐系统。然而，使用的技术相当简单，而且并非很精确和有效。基本上，程序将当前客户购买的一系列产品与其他客户购买的一系列产品作比较，选择客户购买较多的产品与当前客户购买的产品集合的交集，最后从中选出一些尚未被客户所购买而仍然在顾客购物篮中的产品，并将它们作为推荐列表呈现给客户。该技术也用于类似于协作过滤的文本文档的信息抽取。电影或音乐唱片的推荐，例如https://www.doczj.com/doc/7f6777966.html,，通过预知一个人的偏好与其他人偏好的线性权重集合，并运用协作过滤技术来实现对于推荐系统的研究可分为三个种类：技术系统开发研究，用户行为研究和隐私问题研究。其中技术系统开发是重点。目前各种推荐技术，例如数据挖掘，代理和推理，都已经应用到了推荐系统中。现存的推荐系统从广义上可以划分为基于规则的系统和信息过滤系统。信息过滤系统又可分为基于内容过滤的系统和协作过滤系统两种。
基于规则的系统，N1如：IBM的WebSphere，BroadVi-sion，ILOG等。他们允许系统管理员根据用户的静态特征和和动态属性来制定规则，一个规则本质上是一个if-then语句，规则决定了在不同的情况下提供不同的服务。基于规则的系统，其优点是简单、直接，缺点是规则质量很难保证，而且不能动态更新。此外，随着规则的数量增多，系统将变得越来越难以管理。
基于内容过滤的系统，例如：Personal WebWather，SysKill&Webert，Letizia，CiteSeer，if Web，SIFTER，PV A，WebMate，WebACE，ELFI和WebPersonalizer等。他们利用资源与用户兴趣的相似性来过滤信息。基于内容的推荐系统通过将顾客的偏好与产品内容自动匹配来给顾客提供建议，例如网页和消息条目的推荐。在基于内容的系统中，产品由其普通属性描述。顾客偏好通过分析产品比率以及相应的产品属性来预测。基于内容过滤的系统，其优点是简单、有效。缺点是难以区分资源内容的品质和风格，而且不能为用户发现新的感兴趣的资源，只能发现和用户已有兴趣相似的资源。在基于内容的推荐系统中，一个核心问题是识别关键属性集合。如果该集合太小，显然，这对于识别用户剖面是不充分的。因此，基于内容的推荐系统不能用于仅仅实施一次购买行为新顾客，或者访问了该网站，却没有实施任何购买行为的潜在顾客，以及购买他不是特别经常购买的一种产品的顾客。
协作过滤系统如：WebWather，Let＇sBrowse，Tapestry，GroupLens，Fab，Alexa，Firefly，SELECT，LikeMinds和Site-Seer等。他们利用用户之间的相似性来过滤信息。协作性的推荐系统估计顾客对特定产品的偏好是根据顾客对该产品的偏好率以及其他顾客对同一产品的偏好率的比较来实现的。协作性的推荐系统与基于内容的推荐系统之间的主要区别是协作性的推荐系统通过跟踪一组顾客过去的行为来给该组中的个别顾客提供建议。使用该方法，顾客现在就可以接受建议，而在基于内容的推荐系统中，只要具有相似意向的其他顾客的偏好，顾客就己经具有先前预测了。基于协作过滤系统的优点是能为用Web数据挖掘的研究及其在网络学习个性化推荐中的应用户发现的新的感兴趣的信息，缺点是存在两个很难解决的问题，一个是稀疏性，亦即在系统使用初期，由于系统资源还未获得足够多的评价，系统很难利用这些评价来发现相似的用户；另一个是可扩展性，亦即随着系统用户和资源的增多，系统的性能会越来越低。协作性的过滤方法用来识别与既定客户具有相似兴趣的顾客，所推荐的产品也是这些给定客户喜欢的产品。该方法的一个主要局限是稀疏问题。在基于协作过滤的推荐系统中，很难精确确定下相似客户和识别要推荐的产品。不仅如此，系数问题的极端形式是first-rater问题，当市场引入一种新产品时，不存在可用的先前估计信息。
还有一些个性化服务系统如：WebSIFT，FAB，Anatagon-omy和Dynamic Profiler等，同时采用了基于内容过滤和协作过滤这两种技术。结合这两种过滤技术可以克服各自的一些缺点，为了克服协作过滤的稀疏性问题，可以利用用户浏览过的资源内容预期用户对其他资源的评价，这样可以增加资源评价的密度，利用这些评价再进行协作过滤，从而提高协作过
滤的性能。
近来，许多因特网公司还引进了有关信息产品的推荐系统，它包括Web站点推荐，音乐推荐，视频推荐，书籍推荐等等(例如https://www.doczj.com/doc/7f6777966.html,，以及https://www.doczj.com/doc/7f6777966.html,等等)。因特网行销代理机构运用推荐系统对某一广告公司推荐用户(例如Ac-tiveAgent Werbenetz。
https://www.doczj.com/doc/7f6777966.html,通过将书籍推荐给已经购买过特定书籍的顾客实现个性化推荐的。https://www.doczj.com/doc/7f6777966.html,.所推荐书籍概括的分为有两种：小说书籍和非小说书籍。小说书籍的推荐很简单，就是将同一作者的其它小说书籍推荐给特定用户，这样最终就将由该作者撰写的相似类别的小说书籍推荐给了有相似背景的用户。而非小说书籍的推荐将是将每个作者的相似类别的小说书籍推荐给了有相似背景的用户。
五、电子商务推荐技术存在的问题和发展方向
综合目前电子商务中个性化推荐系统的现状可以看出，现存的个性化推荐系统技术大都是基于规则的系统，基于内容过滤的系统，以及协作过滤系统三种。而且，这些个性化推荐系统所运用的技术也仅仅限于基于内容的过滤，KNN(L- Nearest Neighboring)技术，基于聚类的(Clustering-based)协作过滤，基于项目的(Item-based)协作过滤，序列模式，规则分析等等。由于这些推荐系统各自应用范围的局限，而且都不同程度的需要人工参与，因而导致目前推荐系统的推荐精确度较低。不仅如此，大多数个性化推荐系统只是给用户推荐一些不同类别的资源，这与普通的搜索引擎比较相似，而且对用户正确行为的推荐却比较少。
未来电子商务推荐技术研究的发展主要体现在以下几个方面：
1.组合推荐技术的研究
众所周知，现存的推荐技术已经得到推广和应用，但各种技术都存在一些缺陷，能否将各种推荐技术融合起来作到取长补短是未来电子商务推荐技术研究的重要课题。推荐技术准确度的研究
目前的推荐技术推荐的准确性还得不到保证，准确度的研究还局限在手工实验阶段，因此，研究出自动的准确性验证理论模型就显得非常重要。数据获取方面，主要还是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。研究过于集中解决推荐算法性能的提高，对推荐系统的开发与应用，尤其是与企业其它系统的集成应用，在辅助企业的市场销售，客户管理和企业商务智能方面缺乏研究
电子商务智能推荐——基于流行服饰方向 一、智能推荐背景： （基于二维码的网上订餐推荐系统的设计与实现_刘子强） 随着信息科技的飞速发展，互联网产业也得到了迅猛的发展，相应的互联网 服务也得到了广泛的的普及。伴随着一系列互联网、物联网产物的崛起，大量的信息相关资源出现在了网络，庞大无量的信息资源充斥着整个网络，随着而来的就是过量的信息资源大大的干扰了用户们对自己关心信息的精确选择，能够迅速锁定用户群体感兴趣的目标资源变成了一个困难之事，这就是通常所说的信息过载问题。信息检索技术和搜索引擎的出现在一定程度上缓解了这一问题，但也只是通过关键字等方法表面上完成了对信息的匹配，没有从根本上解决网络资源中的信息过载问题。 电子商务作为互联网产业下的产物目前已经日益收到了人们的重视和青睐， 它已经改变了人们的生活习惯和消费方式。但是同时，这种新兴的商务模式也随着信息过载问题的出现而面临到了一些干扰和阻碍。其一表现在用户群体不能够在短时间内找到符合自己意向的商品，另一方面表现在电扇平台不能够有效的具有针对性的向用户群体提出准群信息。基于上述两点，广大用户希望电商平台通过更加人性化、智能化、简单化的方法对用户群体感兴趣的商品进行推荐，从而使用户能够实现查看商品快速化、高效化、简洁化。 因此，为了解决电商平台下的商品信息过载这一问题，推荐系统应运而生。 在一个推荐系统中，我们利用用户的一些行为，通过数学模型的推演，我们可以推测出用户可能喜欢的东西。而推荐系统可以定义为是一种针对用户输入的信息，通过相应的算法来对推荐的信息进行自主分类，并最终将生成的推荐信息提供给目标用户的系统 [14][15] 。 二、推荐算法介绍： （基于二维码的网上订餐推荐系统的设计与实现_刘子强） 1、非个性化介绍：统一推荐 2、个性化介绍：四类方法 ①、协同过滤推荐算法 协同过滤推荐算法是目前电子商务领域最广泛，最流行，最成功的推荐算法，此种推荐算法是由Group Lens 于1994 年首次提出[18]。它的基本假设思想是：如果某一用户有感兴趣的内容和事物，算法就会匹配与之相同具有共同喜好的其他
第7章电子商务网站智能推荐服务 教案 一、材料清单 （1）《R语言商务数据分析实战》教材。 （2）配套PPT。 （3）引导性提问。 （4）探究性问题。 （5）拓展性问题。 二、教学目标与基本要求 1.教学目标 主要介绍协同过滤算法在电子商务领域中实现用户个性化推荐的应用。通过对用户访问网页日志的数据进行分析与处理，采用基于物品的协同过滤算法进行建模分析，最后通过模型评价与结果分析，得到智能推荐模型。 2.基本要求 （1）熟悉网站智能推荐的步骤与流程。 （2）掌握简单的统计分析方法，运用于网页流量的统计。 （3）对某网站数据进行预处理，包括数据去重、数据变换和特征选取。 （4）使用协同过滤算法对某网站进行智能推荐。 三、问题
1.引导性提问 引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。 （1）什么是智能推荐？ （2）生活中常见的智能推荐服务有哪些？ （3）实现智能推荐的算法有哪些？ 2.探究性问题 探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。 （1）网站的推荐流程是怎么样的？ （2）协同过滤算法除了基于物品的算法外，还有哪些？ 3.拓展性问题 拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。 （1）除了协同过滤算法外，能否使用其他算法预测实现网站的智能推荐？ 四、主要知识点、重点与难点 1.主要知识点 （1）了解智能推荐服务应用场景。 （2）了解某法律网站现状与数据的基本情况。 （3）熟悉网站智能推荐的步骤与流程。 （4）分析原始数据用户点击的网页类型，得到统计分析结果。
学年论文 题目：电子商务推荐系统实现方法的分析学院：信息工程学院计算机系 专业：电子商务 班级： 学号： 姓名： 指导教师： 2011 年 5 月15 日
电子商务推荐系统基本实现方法的分析 电子商务08-01 摘要：互联网技术的迅猛发展把我们带进了信息爆炸的时代. 海量信息的同时呈现, 一方面使用户很难从中发现自己感兴趣的部分, 另一方面也使得大量少人问津的信息 成为网络中的“暗信息”, 无法被一般用户获取. 个性化推荐系统通过建立用户与信息产品之间的二元关系, 利用已有的选择过程或相似性关系挖掘每个用户潜在感兴趣的 对象, 进而进行个性化推荐, 其本质就是信息过滤. 个性化推荐系统不仅在社会经济 中具有重要的应用价值, 而且也是一个非常值得研究的科学问题. 事实上, 它是目前 解决信息过载问题最有效的工具. 文中根据推荐算法的不同, 分别介绍了协同过滤系统, 基于内容的推荐系统, 混合推荐系统, 以及最近兴起的基于用户—产品二部图网 络结构的推荐系统. 并结合这些推荐系统的特点以及存在的缺陷, 提出了改进的方法 和未来可能的若干研究方向. 推荐系统的研究受到了信息科学、计算数学、统计物理学、认知科学等多学科的关注, 它与管理科学、消费行为等研究也密切相关. 能够为不同学科领域的科研工作者研究推荐系统提供借鉴, 有助于我国学者了解该领域的主要进展. 关键词：协同过滤推荐算法；皮尔逊相关度；欧几里得距离评价；卓越亚马逊
目录 1、概述 (1) 1.1研究背景 (1) 1.2定义 (1) 2、推荐系统历史 (1) 2.1个性化推荐系统的发展历程 (1) 3、电子商务推荐系统的基本实现方法分析 (2) 3.1电子商务推荐系统的分类 (2) 3.2电子商务推荐系统的基本算法： (3) 3.2.1基于关联规则的推荐算法 (3) 3.2.2基于内容的推荐算法 (3) 3.2.3协同过滤推荐算法(Collaborative Filtering Recommendation) (3) 4、电子商务推荐系统的工作流程 (4) 4.1数据采集 (4) 4.2数据预处理 (4) 4.2.1欧几里得距离评价： (5) 4.2.2皮尔逊相关度： (5) 4.3形成推荐 (6) 4.4结果显示 (8) 4.4.1卓越亚马逊的推荐系统分析 (8) 4.4.2豆瓣网的推荐系统分析 (8) 5、电子商务推荐系统的作用 (10) 6、总结 (10) 参考文献 (10) 附录1 (12)
电子商务个性化推荐技术研究 ——以电影推荐系统为例 一、项目背景 随着互联网的普及和电子商务的发展，电子商务系统在为用户提供越来越多选择的同时，其结构也变得更加复杂，用户经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品。电子商务推荐系统直接与用户交互，模拟商店销售人员向用户提供商品推荐，帮助用户找到所需商品，从而顺利完成购买过程。在日趋激烈的竞争环境下，电子商务推荐系统能有效保留用户、防止用户流失，提高电子商务系统的销售。 电子商务个性化推荐系统在电子商务系统中具有良好的发展和应用前景，逐渐成为电子商务IT技术的一个重要研究内容，得到越了来越多研究者的关注。电子商务推荐系统在理论和实践中都得到了很大发展。但是随着电子商务系统规模的进一步扩大，电子商务推荐系统也面临一系列挑战。 针对电子商务推荐系统面临的主要挑战，本文先以豆瓣网的电影推荐系统进行分析研究，并设计属于自己的个性化推荐系统。 二、豆瓣电影推荐系统的研究 （一）豆瓣电影推荐系统简介 1.豆瓣网定位 豆瓣网是一个兴趣为出发点社交网络，人与人之间的关系建立在具有共同兴趣的基础上，且人们是以获取和分享有价值的信息为目的，网站的设计与功能主要围绕围绕这几点：如何获取信息、如何发现信息、如何分享信息。 2.豆瓣人群
主要为知识分子和文艺青年。 人群特点：文化程度较高，对读书、电影、音乐有着某种偏爱。有品味、有思想，善于表达。喜欢和崇尚自由。喜欢简洁、富有内涵的生活方式。 （二）豆瓣人对电影频道的可能需求 1.了解某部电影的详细介绍：剧情、导演、演员、上映时间、别人评价、总体评分 2.了解某个影人 3.了解某个城市的影院 4.了解最近的电影资讯（最近有什么电影上线或当看到一部正在上映新片的介绍时，且被它深深吸引时，希望可以查到所在城市的放映影院和放映时间） 5.分享影评、交流观后感： 6.建立自己的电影名单，记录自己的足迹，便于对个人知识的管理（看过、想看、根据不同主题建立的豆列） 7.发现喜欢的电影（通过他人影评、他人豆列、标签类型、相同元素（导演、演员）、经典影片） 8.发现喜欢的影人 9.查看线下有没有关于电影的最新活动 （三）从不同的角度分析 1.用户在获取信息上 这里的获取指用户主动的挖掘、搜索查询信息，如用户去搜索某部电影的相关信息、某位喜欢的影人信息。豆瓣电影可给用户提供的查询功能有查询电影、查询影人、查询影院、新片的放映情况。 查询电影可通过标签（可按电影类型、区域、艺术家、年代查找）（链接）、影名、IMDb编号（输入框搜索）等方式；查询影人可通过影人职业、获奖情况、所在国家、影人名字、IMDb编号等方式；查询影院可通过搜索影院的名称、地址的方式；查询新片可通过首页的正在热映栏目和右上角的查询框选择查询。 豆瓣电影给用户提供了丰富的查询内容和查询方式，而且这些不是简单的堆砌，而应该是根据用户的需求和使用流程，在用户需要的位置提供给用户。 1）满足的用户需求：
摘要现阶段，大数据技术被广泛应用到多个行业，尤其是大数据带来的个性化推荐服务系统，在电子商务行业得到了普及并且取得了卓越成绩。 本文针对大数据背景下电子商务个性化推荐服务系统实施基础工作进行了具体阐述，以期促进电子商务服务个性化与智能化的发展实践。 关键词大数据;电子商务;个性化推荐当前，电子商务在各个行业领域的广泛应用，针对基于大数据的个性化信息推荐的服务模式也受到了学者的高度关注。 电子商务类网站除了可以为用户提供商品与服务，并且也增加了消费者在大量信息中快速、精准搜索到符合其要求的产品信息难度。 在大数据技术应用中个性化信息推荐功能可以随时、主动向用户推荐其所需求的商品和服务，不仅充分满足了用户对个性化消费需求，还在电子商务网站增加其消费者粘性、提升其服务品质以及市场竞争力等方面有着积极推进作用。 相关基础理论大数据的定义。 大数据，表示在新处理方法下可以使其决策能力、洞察外界环境变化能力和流程优化能力的大批量、高增长率等方面表现更佳，大数据在对大批量信息的获取以及对这些数据进行重新分配中提高其应用效率，大数据的具体分类如表1所示。 大数据的特征。 大数据的特征可以总结为4，具体为、、、。
用来解释数据规模较大，现有的数据规模级用来表示，而这一数据单位将会给其它更大的单位所取代，在这里面非结构化的数据会占有非常大的比例。 表述数据类型丰富，从阅读的题目、图片到消费历史再到网络日志等，都可以划分到大数据内容范畴之内。 用来解释价值密度，比如视频在连续的监控中有价值的数据寥寥无几。 用来解释操作效率，针对数据的操作环节这一过程非常迅速，中间的计算环节所需时间非常少，大数据和传统数据的明显区别在于大数据可以通过传统手段对数据进行保存、分析与整理。 电子商务个性化推荐服务的黎超广东白云学院社会与公共管理学院广州510450基金项目2012年广东省哲学社会科学十二五规划项目生命周期视角下的广东中小企业发展研究项目编号1202中图分类号713文献标识码内容摘要现阶段，大数据技术被广泛应用到多个行业，尤其是大数据带来的个性化推荐服务系统，在电子商务行业得到了普及并且取得了卓越成绩。 本文针对大数据背景下电子商务个性化推荐服务系统实施基础工作进行了具体阐述，以期促进电子商务服务个性化与智能化的发展实践。 关键词大数据电子商务个性化推荐定义。 电子商务个性化推荐系统即针对各种消费群体的不同需求为其提供针对性服务，或者电商企业主动结合消费者上网习性的异同为其
电子商务中的推荐系统是利用数据挖掘等技术，分析访问者在电子商务网站的访问行为，产生能帮助访问顾客访问感兴趣的产品信息的推荐结果. 电子商务系统规划与建设本来就包括数据库系统的建立，技术含量不是特高的电子商务推荐系统就是在原有的数据库系统上新添的利用数据挖掘技术对动态的客户访问所返回的数据加以分析并调出客户可能感兴趣的的产品目录。 看这里----就知道它只是在原有的系统上加了些技术模块 根据系统功能设计的要求以及功能模块的划分，数据库的设计相对较简单。除用于销售商品的电子商务网站中所必须的基本数据库表，如商品信息、用户信息、网站信息等外，还应包括：用于初始化数据设置的参数表、仅对有评分商品推荐起作用的顾客商品评分表、顾客商品购买记录表、商品聚类表、顾客聚类表、商品推荐表 随着互联网的普及和电子商务的发展，电子商务系统在为用户提供越来越多选择的同时，其结构也变得更加复杂，用户经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品。电子商务推荐系统直接与用户交互，模拟商店销售人员向用户提供商品推荐，帮助用户找到所需商品，从而顺利完成购买过程。在日趋激烈的竞争环境下，电子商务推荐系统能有效保留用户、防止用户流失，提高电子商务系统的销售。 推荐系统在电子商务系统中具有良好的发展和应用前景，逐渐成为电子商务IT 技术的一个重要研究内容，得到越了来越多研究者的关注。 电子商务推荐系统在理论和实践中都得到了很大发展。但是随着电子商务系统规模的进一步扩大，电子商务推荐系统也面临一系列挑战。针对电子商务推荐系统面临的主要挑战，本文对电子商务推荐系统中推荐算法设计以及推荐系统体系结
实现如下目标 ?按地域研究用户访问时间、访问内容和访问次数等分析主题，深入了解用户对访问网站的行为和目的及关心的内容。 ?借助大量用户访问记录，发现用户的访问行为习惯，对不同需求的用户进行相关的服务页面的推荐 分析 本案例的目标是对用户进行推荐，即以一定的方式将用户与物品之间（本案例指网页）之间建立联系。为了更好地帮助用户从海量的数据中快速发现感兴趣的网页，在目前相对单一的推荐系统上进行补充，采用协同过滤算法进行推荐。 由于用户访问网站的数据记录很多，如果对数据不进行分类处理，对所有记录直接采用推荐系统进行推荐，必然出现如下问题。 数据量太大意味着物品数与用户数很多，在模型构建用户与物品的稀疏矩阵时，出现设备内存空间不够的情况，并且模型计算需要消耗大量的时间。 用户区别很大，不同的用户关注的信息不一样，因此，即使能够得到推荐结果，其推荐效果也不会很好。 为了避免出现上述问题，需要进行分类处理与分析。正常的情况下，需要对用户的兴趣爱好以及需求进行分类。因为在用户访问记录中，没有记录用户访问网页时间的长短，因此不容易判断用户的兴趣爱好。因此，本文根据用户浏览的网页信息进行分类处理，主要采用以下方法处理：以用户浏览网页的类型进行分类，然后对每个类型中的内容进行推荐。 整个分析过程可以分为如下过程 从系统中获取用户访问网站的原始记录。 对数据进行多维度分析，包括用户访问内容，流失用户分析以及用户分类等分析。 对数据进行预处理，包含数据去重、数据变换和数据分类等处理过程。 以用户访问html后缀的网页为关键条件，对数据进行处理。 对比多种推荐算法进行推荐，通过模型评价，得到比较好的智能推荐模型。通过模型对样本数据进行预测，获得推荐结果。 处理过程 数据获取 因为本案例是以协同过滤算法为主导，其他的推荐算法为辅助，而协同过滤算法的特点就是通过历史数据找到相似的用户或者网页。因此，在数据抽取的过程中，尽可能选择大量的数据，这样可以降低推荐结果的随机性，提高推荐结果的准确性，能更好地发掘长尾网页中用户感兴趣的网页。 以用户的访问时间为条件，选取三个月内（2015-02-21~2015-04-29）用户的访问数据作为原始数据集。每个地区的用户访问习惯以及兴趣爱好存在差异性，本案例抽取广州地区数据进行分析，共837453条记录，所含属性见数据集。 处理过程为：建立数据库—>导入数据（导入方法自行查阅，一般使用mysql的source 命令）—>搭建Python的数据库操作环境—>对数据进行分析—>建立模型。其中，数据库为mariaDB（免费版本的MySQL）。安装数据库后导入案例的原始数据文件raw.sql就成功配置好了数据库平台。 # 访问MySQL数据库示例程序 # 加载RMySQL包 require(RMySQL)
电子商务推荐系统研究 摘要：简要介绍了电子商务推荐系统的概念、作用及其组成模块，系统介绍了基于协同过滤的推荐技术、基于内容的推荐技术、基于效用的推荐技术、基于知识的推荐技术、基于用户统计的推荐技术等六种推荐技术，并描述了电子商务推荐系统的工作流程，重点阐述了未来电子商务推荐系统的研究方向。 关键词：推荐系统；电子商务；协同过滤 一电子商务推荐系统概念及作用 推荐系统就是一个能够在分析用户以往的使用行为的基础上，能够破解用户需求并提出建议的信息系统，该信息系统实际上市网站与用户之间的一个行为对话系统。（刘杰决策支持系统应用的一个新领域：电子商务推荐系统管理学家2008 297-299）推荐系统的有效性取决于提供个性化服务的深度和能够充分减少信息超载以及增加用户的满意度，它已经成为决策支持系统(Decision Support Systems—DSS)的一个重要的研究方向。 Resnick & Varian 在1997 年给出了电子商务推荐系统( Recommender Systems) 正式的定义，指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程。(Resnick, Varian.Recommender https://www.doczj.com/doc/7f6777966.html,munication of the ACM, 1997,40(3):56-58.)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。电子商务推荐系统作用主要表现在以下几个方面：①将电子商务网站的浏览者转变为购买者者( Converting Browsers into Buyers)；②提高电子商务网站的交叉销售能力(Cross-Sell)；③减少消费者成本（时间、资金等），满足顾客需求，增加其满意度；④增加卖家产品浏览度，从而提高卖家收益。 二电子商务推荐系统的组成 推荐系统面对的是用户（user），任务是为用户提供对项目（item）的推荐。用户是指推荐系统的使用者，也就是电子商务活动中的客户。项目是被推荐的对象，是指电子商务活动中提供给客户选择的产品和服务，也就是最终推荐系统返回给用户的推荐内容。在一个电子商务活动中，用户数和项目数是非常多的。推荐系统面对的当前用户，称为目标用户或者活动用户。推荐系统的当前工作，就是为根据一定的算法，给出对目标用户的推荐项目。 电子商务推荐系统主要由三大部分构成：输入模块、推荐方法模块和输出模块。输入模块用来接受用户的输入信息，输入主要来自个人和社团群体两部分。个人输入主要指目标用户，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。其中用户的输入信息中最重要的是用户对项目的评价（rating）数据； 推荐方法模块用来根据一定算法，根据用户数据，得出对目标用户的推荐，该模块是整个推荐系统的核心部分，个性化推荐方面的研究的很大一部分，都集中在找到好的推荐方法。 输出模块主要是指得到的推荐以何种形式反馈给用户。主要的形式有：（余力,刘鲁.电子商务个性化推荐研究.计算机集成制造系统.2004(10):1306-1309）①建议(suggestion)，分 为单个建议(single item)、未排序建议列表(unordered list )和排序建议列表(ordered list )，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；②预测(prediction), 系统对给定项目的总体评分；③个体评分( individual rat ing)，输出其他客户对商品的个体评分；④评论( Review )，输出其他客户对商品的文本评价。 二电子商务推荐系统的关键技术 电子商务系统根据其所采用推荐技术大致可以分为几类：一是基于协同过滤技术的推
电子商务推荐系统中推荐技术研究(一) 摘要]随着电子商务的不断深入发展，电子商务推荐系统的应用更加广泛。文章主要介绍了目前应用较广的几种电子商务推荐系统中的推荐技术，并对这几种推荐技术存在的问题进行了分析。 关键词]电子商务推荐系统推荐技术 一、引言 随着网络的广泛普及，电子商务对传统的商贸活动产生了革命性的变化，产生从以商品为中心到以客户为中心的商业模式的转变。新的商业环境在为企业提供新的商机的同时，也对企业提出了新的挑战。围绕客户进行服务，为客户提供所需要的商品，所以对每个客户提供个性化的服务已经成为必要。而电子商务推荐系统成为解决问题的重要途径。本文研究了电子商务推荐系统中的各类推荐技术。 二、电子商务推荐系统 电子商务推荐系统定义为：利用电子商务网站向用户提供商品信息和建议，帮助客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程。它是一个基于客户网上购物的以商品为推荐对象的个性化推荐系统，为客户推荐符合其兴趣爱好的商品。分析客户的消费偏向，向每个客户具有针对性地推荐的产品，帮助客户从庞大的商品目录中挑选真正适合自己需要的商品。电子商务推荐系统在帮助了客户的同时也提高了客户对商务活动的满意度,从而换来对电子商务站点的进一步支持。 电子商务推荐系统主要起到了三个方面的作用：首先，极大地增加了客户，可以把网站的浏览者转变为购买者，提高主动性；其次，可以提高网站相关系列产品的连带销售能力；最后，可以提高、维持客户对网站的满意度和信任度。 电子商务推荐系统具有良好的发展和应用前景。在日趋激烈的竞争环境下，电子商务推荐系统能有效保留客户，提高电子商务网站系统能大大提高企业的销售额。成功的电子商务推荐系统将会产生巨大的经济效益和社会效应。 三、电子商务推荐技术 目前,电子商务推荐系统中使用的主要推荐技术有基于内容推荐,协同过滤推荐,基于知识推荐,基于效用推荐，基于关联规则推荐,混合推荐等等。 1.基于内容的推荐。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，系统基于商品信息,包括商品的属性及商品之间的相关性和客户的喜好来向其推荐。基于商品属性主要是基于产品的属性特征模型推荐。 内容推荐技术分析商品的属性及其相关性可以脱机进行，因而推荐响应时间快。缺点是难以区分商品信息的品质和风格，而且不能为用户发现新的感兴趣的商品，只能发现和用户已有兴趣相似的商品。 2.协同过滤推荐。协同过滤推荐是目前研究最多、应用最广的电子商务推荐技术。它基于邻居客户的资料得到目标客户的推荐,推荐的个性化程度高。利用客户的访问信息,通过客户群的相似性进行内容推荐,不依赖于内容仅依赖于用户之间的相互推荐,避免了内容过滤的不足,保证信息推荐的质量。
电子商务推荐智能系统分析与设计 随着信息化的发展，提供全方位、个性化的服务已成为增强企业竞争力有力的手段。本文以介绍电子商务推荐智能系统为契机，拟定系统设计过程，以期为系统分析与设计的研究做出贡献。 1 引言 随着信息化水平的提高，网络己成为人们学习、工作和生活的重要组成部分。如何在浩瀚的知识海洋中找到所需信息，己经越来越引起人们的关注。 传统的网络服务没有考虑到用户差异，而以拓展信息范围，增加信息深度的方法为不同用户提供相同的信息空间。面对巨大的数据源，用户迫切需要一种能够根据自身特点自动组织和调整信息的服务模式，这就为电子商务推荐智能系统的产生和发展提供了契机。 2 电子商务推荐智能系统简介 电子商务推荐智能系统是一种根据用户个人喜好向其推荐商品的程序。它基于电子商务网站，通过构建推荐系统模型，分析用户消费偏好，提供个性化产品，提高用户对商务服务的满意程度。 现阶段的电子商务推荐智能系统还不够完善，用户需要分类测览自主选择喜好的商品。少数电子商务网站能够在这种机械式的产品展示的同时融入个性化的成分，提供：热门产品、同类商品、其他用户评价等服务，引导用户进一步选择。然而这种推荐针对全体用户，而未强调推荐类型和方法的差异性，不利于智能化推荐的实施。 3 电子商务推荐智能系统功能分析 3.1 电子商务智能推荐系统应具备的基本功能 （1）客户端。登陆注册：功能性网站获取用户信息的主要方式。以次确定用户访问权限，获取用户信息集，完成对网站的管理控制。 分类测览：根据产品规格和类型划分分类目录，通过收集和展示海量信息确保信息空间的全面稳定。它己成为衡量企业网站规模的可测评指标。 购物车：电子商务网站专有用户操作平台。顾客在测览网页的同时将初选物品暂存于购物车中以便后期操作。操作中包含用户信息、帐户信息、己购商品信息、待购商品信息，同时也应包含用户与金融机构、配送机构的交互，譬如：支付方式、交付手段等。 信息检索：从数据库中查找与用户输入的字符相匹配的信息和数据，返回目标结果集。在电子商务环境下主要用于对所需商品的查询。 （2）企业端。传统电子商务网站仅实现商品交易的功能，其销售系统与生产制造系统相互分离，降低了系统的利用率和使用空间。 在客户管理方面，人们过多的局限于注册信息的获取，忽视了用户需求变更，使用户资料成为单一的文本信息储备。 3.2 电子商务推荐智能系统 在具备基本功能之外，还应具备下列特征： （1）客户端。个性化推荐：构建匹配模型，寻找邻居用户，根据邻居用户的需求变动推测原用户喜好，向其推荐相关商品；根据用户喜好有针对性的组合推荐商品，使用户方便
浅析电子商务个性化推荐技术 【摘要】随着互联网的普及和电子商务的发展，电子商务系统在为用户提供越来越多选择的同时，其结构也变得更加复杂，用户经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品。电子商务推荐系统利用人工智能、统计学、数据挖掘等技术，直接与用户交互，帮助用户更好、更快的找到需要的商品。本文着重介绍并分析了目前常用的几种个性化推荐技术，包括基于关联规则的推荐技术、基于最近邻居的协同过滤技术和基于内容的推荐技术。并对今后个性化推荐技术的研究热点和发展方向进行了展望。 【关键词】个性化；推荐技术；电子商务 1 电子商务推荐系统的概念 电子商务推荐系统定义为：利用电子商务网站向用户提供商品信息和建议，帮助客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程。它是一个基于客户网上购物的以商品为推荐对象的个性化推荐系统，为客户推荐符合其兴趣爱好的商品。分析客户的消费偏向，向每个客户具有针对性地推荐的产品，帮助客户从庞大的商品目录中挑选真正适合自己需要的商品。电子商务推荐系统在帮助了客户，提高了客户对商务活动的满意度。同时，还能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，提高客户对电子商务网站的忠诚度，从而换来对电子商务站点的进一步支持。 2 电子商务推荐系统的关键技术分析 电子商务推荐系统主要由三大部分构成：输入模块、推荐方法模块和输出模块。输入模块用来接受用户的输入信息，用户的输入信息中最重要的是用户对项目的评价（rating）数据；推荐方法模块用来根据一定的算法和用户数据，得出对目标用户的推荐，该模块是整个推荐系统的核心部分，个性化推荐方面的研究的很大一部分，都集中在找到好的推荐方法。输出模块主要是指得到的推荐以何种形式反馈给用户。 电子商务推荐系统使用的技术主要有：内容推荐技术、关联规则，聚类，Horting图，协同过滤技术等。 2.1 基于关联规则的推荐技术 关联规则可以寻找在同一个事件中出现的不同项的相关性，比如在客户所购买不同商品之间的相关性。利用这些关联，就可以得到客户的购买特性，并根据发现的这些规律采取有效的行动。这对店铺的市场定位、商品的采购等决策问题都有重大的指导意义。同时，也能为商品推荐提供帮助。 关联规则的目标是在数据项目中找出所有的并发关系，这种关系也称为关
联硕教育电商学院 https://www.doczj.com/doc/7f6777966.html,/index.html 电子商务的智能化发展趋势主要有的特点 互联网大变革的时代带来了新的科技，无形的互联网让每个不熟悉的人联系在一起，覆盖下的世界成为一个新的社会化趋势，电子商务的智能是不仅给企业和用户带来了经济利益，也带来了便捷的服务，这让没有使用的用户看到了一个新的市场，一个无形的市场，你看到了么?它的特点有哪些你知道么? 一、电子商务决策的智能化 电子商务决策智能化需求的实现取决于商务智能技术的应用。从企业决策的层次模型来看，商务智能技术对企业决策的各个层次作用与影响是不尽相同的二、电子商务档案管理的智能化电子商务档案是电子商务活动过程中各经济主体直接形成的具有保存价值的各种形式的原始记录。随着电子商务时代的来临，众多的电子商务活动将产生包括电子邮件、电子签名、电子合同、支付回执、产品订单、交易记录、产品资料等大量的有别于纸质文件的数字文件。 三、电子商务订单管理的智能化 与传统商务订单处理业务相比，电子商务订单处理业务更加复杂，它不但包括商品交易的基本信息，还包括与被交易商品相关的物流配送等处理信息。因此，它的智能化需求更高。 四、电子商务交易管理的智能化 电子商务交易管理的智能化主要体现为应用商务智能原理。“智能化的交易管理能够通过商业智能技术的分析和判断及时发现可能存在的欺诈手段和系统的安全漏洞，采取多种途径发现交易中存在的安全威胁，帮助电子商务企业建立完善的防火墙体系，实现电子商务交易环境的安全可靠性。” 五、客户关系管理的智能化 建立良好的客户关系是电子商务企业健康发展的一个不可忽视的环节，在企业从事电子商务的过程中，电子商务系统将提供一种商家与客户进行交流的新方式，这就要求企业管理者以全新的思维来看待客户关系管理。客户关系管理源于“以客户为中心”的新型商业模式，是企业树立以客户为中心的发展战略的核心部分。而这一切的实现都依赖于智能化的客户关系管理系统、智能化的客户数据库的开发与应用。 电子商务现在是比较智能化的，社会化的大背景，网络的覆盖让双方在不熟悉的情况下进行交流。成为彼此的交流通道和商业通道。 选择银通，起跳人生。
专业硕士学位论文 基于大数据技术的电子商务个性化推荐系统设计与实现Design and Realization for Customized Recommendation System of E-Commerce based on Big Data Technology 作者：XXX 导师：XXX 北京交通大学 2015年8月
学位论文版权使用授权书 本学位论文作者完全了解北京交通大学有关保留、使用学位论文的规定。特授权北京交通大学可以将学位论文的全部或部分内容编入有关数据库进行检索，提供阅览服务,并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复印件和磁盘。 （保密的学位论文在解密后适用本授权说明） 学位论文作者签名：导师签名： 签字日期：年月日签字日期：年月日
中图分类号：XXXX UDC：XXXX 学校代码：XXXX 密级：公开
北京交通大学 专业硕士学位论文 基于大数据技术的电子商务个性化推荐系统设计与实现Design and Realization for Customized Recommendation System of E-Commerce based on Big Data Technology 作者姓名：XXX学号：XXX 导师姓名：XXX职称：教授 工程领域：软件工程学位级别：硕士 北京交通大学 2015年8月
致谢 三年充实而又紧张的研究生生活即将结束，在硕士毕业论文完成之际，我要向所有关心、支持、帮助过我的人表示最真诚的感谢！ 本论文的工作是在我的导师XXX老师的悉心指导下完成的。在论文选题、实验进展以及文章修改等环节，XXX老师的言传身教使我受益匪浅。三年来，XXX 老师在生活、工作、学习方面给予了我很大的关怀，给我一切课可以学习锻炼的机会。同时，XXX老师科学的工作方法和严谨的治学态度给了我很大的影响和帮助。我的每一点成绩，每一步成长都凝聚着老师的心血。XXX老师果断的工作作风，严谨的治学态度，敏锐的洞察力，扎实深厚的学识功底都是值得我学习的地方。谨向XXX老师致以深深的谢意！ 在实验室工作及撰写论文期间，XXX等同学也给予了我热情的帮助，在此向他们表达我的真挚的感谢。他们在我失落的时候鼓励开导我，帮助我恢复信心。他们对我无微不至的关怀，是支持我完成学业的精神动力。他们鼓励我不停向前，当我取得好成绩的时候又告诉我要戒骄戒躁；当我遇到困难和挫折时，他们告诉我要永不气馁，勇往直前。 除此之外，我还要感谢我的家人。我的父母不仅哺育我成长，更在我低落的时候给我关怀与鼓励。他们一直在支持着我，在我取得一些成绩的时候，赞扬我，同时又告诫我要踏实谦虚。我要在这里说声：妈妈爸爸，你们辛苦了。 最后感谢评审老师能在百忙之中评审我的论文。
大数据背景下电商推荐系统研究 发表时间：2019-07-23T12:16:52.093Z 来源：《知识-力量》2019年9月34期作者：高婕 [导读] 大数据时代下，海量信息已渗透到各行的发展模式当中，如何更好地利用这些数据来创造行业中新的价值，是学者们需要持续研究的内容。推荐系统正是利用这些有价值的数据来挖掘用户的偏好，为其推荐合适的商品，从而为电商行业创造出更多价值。本文通过研究电商推荐系统中的几种主流的推荐算法，探析其大数据特征，从而提出一些符合当今时代特点的发展对策。 （广州工商学院计算机科学与工程系） 摘要：大数据时代下，海量信息已渗透到各行的发展模式当中，如何更好地利用这些数据来创造行业中新的价值，是学者们需要持续研究的内容。推荐系统正是利用这些有价值的数据来挖掘用户的偏好，为其推荐合适的商品，从而为电商行业创造出更多价值。本文通过研究电商推荐系统中的几种主流的推荐算法，探析其大数据特征，从而提出一些符合当今时代特点的发展对策。 关键词：大数据；推荐系统；电子商务 1电商推荐系统简介 推荐系统是一种预测用户对商品和信息的喜好或评分的模型，它以电子商务网站为依托，以海量的数据为依据，来挖掘用户感兴趣的信息和商品。该模型主要包含协同过滤方法、基于内容的推荐系统和基于知识的推荐系统等多种类型[1]。 （1）协同过滤推荐方法 协同过滤方法的主要思想是通过处理大量用户的评分来预测遗失的评分[1]。例如，大量用户的购买信息或评分行为可以用来对这些用户进行聚类，相似爱好的用户被归为一组，同类群体所喜好的物品就可以对组内其他个体做推荐。其中又包含基于用户的协同过滤算法以及基于物品的协同过滤算法两种类型[2]。 此方法突破了上文所述推荐算法无法给用户推荐其没有消费过的商品领域的瓶颈，在预测用户偏好未知商品时很有用。 （3）基于知识的推荐算法 上文所介绍的两种算法都要求提取用户浏览、购买或评分的大量历史记录，但如果需要购买产品高度定制的商品时，则不适用。例如，汽车、房产、旅游产品、金融产品、昂贵的奢侈品等等，这些物品很少有购买记录，并且无法获取到充足的评分、购买记录。基于知识的推荐算法可以让用户通过网页表格输入自己想要的属性值，比如用户被问到一系列问题，来明确自己的初始偏好，接着对该用户推送相关的产品。 此方法利用与用户之间的交互反馈，了解用户的兴趣方向，突破了以上几种方法若不挖掘用户兴趣模型就无法推荐的问题以及冷启动问题。 2 电商推荐系统的大数据特性 根据上文对电子商务推荐系统几种主流推荐算法的探讨，本文结合推荐算法中的数据提取以及推送结果等环节，以当前大数据时代为背景，分析该系统的特性，有以下几点。 （1）复杂性 电子商务中的消费者兴趣与物品特性等数据，具有差异化、多样性等特点，在预测消费者需求时，又具有非线性、模糊性等特点。这些都体现了该系统的复杂性大数据特性。 （2）即时性 由于消费者的购买动机、喜好与需求会跟着时间、季节、以及潮流的变化而变化，因此，为了保证数据有效并算出更加准确的商品排名，一般来说获取的数据都具有即时性。 （3）相关性 用户与用户、用户与数据、数据与数据之间通过网络平台的交互作用使得这些因素被连成一个网状结构，可以通过同类别的用户来预
第32卷 第2期 武汉纺织大学学报 V ol.32 No.2 2019年04月 J O U R N A L O F W U H A N T E X T I L E U N I V E R S I T Y Ap r. 2019 ________________________________ *通讯作者：张春明（1981-），男，副教授，博士，硕士生导师，研究方向：服装文化与品牌营销. 基金项目：中国博士后科学基金项目（2018M632624）；中国纺织工业联合会高等教育教学改革项目（2017BKJGX102）；青岛大学教学研究与改革项目 （2018） . 司梦楚，张春明* TS941.2 A 2095－414X(2019)02－0033－06 随着互联网的高速发展、电子商务与物流产业的日益成熟，我国电商行业的市场规模也发生了天翻地覆的变化。早在2010年，淘宝网的在线商品数已达到8亿。同年首届双11，在当时网购蔚然成风的情况下，仍创造了一天5000万的销售额。根据近五年中国电子商务研究中心监测数据显示，2012到2017年中国电子商务市场交易规模翻了近4倍（见图1），大多数人对网购已经习以为常。中国网络购物用户规模也呈直线式增长（如图2），5年内网购用户规模翻了一倍，即在中国接近一半人口会使用网购。根据表1显示的各年龄消费者网络购物喜好排行，不难发现服装类产品是网购人群的重要占比类。值得注意的是，服装品类占据了电商B2C 销售规模的35%，网购渗透率达到36.9%。 商品种类与数量爆炸式增长，可想而知消费者在选购自己心仪商品时会面临信息超载的难题。对于类似C2C 、B2C 电子商务网站来说，消费者想要从海量信息中筛选出自己想要的商品信息不是易事。但对于 B2B 、C2M 类似的电子商务平台来说，生产商和经营方让自己厂商的产品引起注意更加困难[2]。“人找信息” 的服务模式已经不适用于信息过剩的现代社会，急需一种依据用户本人信息与历史数据而自动组织和筛选服务模式。推荐系统应运而生，它的做法不止是把消费者作为网站内容的浏览者，同时更是网站内容的制造者。目前，像淘宝、京东这类电商平台已经应用了简单的个性化推荐功能，主要是为了实现商家营销目
电子商务协同过滤推荐系统的研究与进展 张富国 江西财经大学信息管理学院江西南昌330013 redbird_mail@https://www.doczj.com/doc/7f6777966.html, 摘要：个性化推荐系统的出现提供了一个解决电子商务网站的商品信息过载问题的强大工具，而协同过滤技术被认为是最有前途的个性化推荐技术之一。文章从协同过滤技术的基本原理出发，系统评述了协同过滤各类常用算法的特点，分析了其中存在的数据稀疏性、冷启动、“托”攻击和灵活性等问题，最后指出了协同过滤技术将来的研究方向。 关键词：协同过滤，推荐系统，个性化，信任 1 引言 网络所带来的便捷的信息传递和信息服务推动着电子商务的蓬勃发展，人们在逐渐享受由此带来的巨大惊喜的同时，也面临着从传统购物方式向网络虚拟购物方式转变的挑战：面对Web商家如此众多的商品，用户发觉自己很难通过一个小小的计算机屏幕方便地发现自己感兴趣的商品。个性化推荐系统的出现为用户提供了一个解决Web商品信息过载问题的强大工具，承担了在识别客户消费偏好的基础上，模拟商店销售人员向客户提供商品信息和建议，帮助客户完成购买过程，从而使客户避免信息“超载”所带来的麻烦，顺利完成购买过程的功能[1]。在实际应用中，许多电子商务网站，如Amazon、eBay和CDNow等网站已经充分领略到了推荐系统带来的好处。 基于内容的过滤技术根据信息的内容和用户偏好之间的相关性向用户推荐信息，它的缺点是不能处理难以进行机器自动内容分析的信息，比如，艺术品、电影等，也不能基于一些复杂的、难以表达的概念比如质量、品位等进行过滤推荐。另外，由于它是一种基于经验的方法，只能发现和用户已有兴趣相似的信息，而不能为用户发现新的感兴趣的资源[2]。关于协同过滤技术的第一个研究报告在1994年出版[3]，从那以后，对协同过滤的研究和商业运用开始出现。鉴于协同过滤推荐技术克服了基于内容的过滤技术的以上所列缺点，使得对个性化推荐系统的研究有了长足的进步，是到目前为止相对较为成功的一种推荐方法[4]，已被用于许多站点。被认为是最有前途的推荐技术之一。但协同过滤推荐技术还有很多问题需要克服，目前也出现了一些新的发展趋势，本文主要分析和评述了个性化推荐技术取得的研究成果以及存在的问题，并对基于协同过滤技术的推荐系统发展方向进行了展望。 2 基本原理分析 协同过滤技术的出发点是任何人的兴趣都不是孤立的，应处于某个群体所关心的兴趣当中，如果某些用户对一些项目的评分比较相似，则他们对其他项目的评分也比较相似。该推荐方法实现的基本思想是采用某种技术找到目标用户的若干最近邻居(与目标用户有相似兴趣的用户)，然后根据最近邻居对目标项目的评分产生推荐，把预测评分值最高的多项商品作为该用户的推荐列表。 协同过滤推荐系统可以通过显式评分或隐式评分两种方式取得用户对项目的兴趣程度。显式评分是指推荐系统需要用户直接对某些项目进行评分；而隐式评分则是通过用户的使用日志来获得，比如说，如果一个用户购买了某本书，则说明该用户喜欢该书[5]。 不同的协同过滤推荐算法的推荐模型均可归属于如图一所示模型，模型分成用户层和项目层，两者用用户对项目的评分联系起来。各个算法通过不同程度地利用该两层模型来预测用户对项目的评分。如基于邻居用户的协同过滤算法考虑了用户层中用户间的相似性，但不考虑项目层的项目相似性，而基于项目的协同过滤算法则相反。
尚硅谷大数据技术之电商推荐系统 第1章项目体系架构设计 1.1 项目系统架构 项目以推荐系统建设领域知名的经过修改过的中文亚马逊电商数据集作为依托，以某电商网站真实业务数据架构为基础，构建了符合教学体系的一体化的电商推荐系统，包含了离线推荐与实时推荐体系，综合利用了协同过滤算法以及基于内容的推荐方法来提供混合推荐。提供了从前端应用、后台服务、算法设计实现、平台部署等多方位的闭环的业务实现。 用户可视化：主要负责实现和用户的交互以及业务数据的展示，主体采用AngularJS2进行实现，部署在Apache服务上。 综合业务服务：主要实现JavaEE层面整体的业务逻辑，通过Spring进行构建，对接业务需求。部署在Tomcat上。 【数据存储部分】 业务数据库：项目采用广泛应用的文档数据库MongDB作为主数据库，主要负
责平台业务逻辑数据的存储。 缓存数据库：项目采用Redis作为缓存数据库，主要用来支撑实时推荐系统部分对于数据的高速获取需求。 【离线推荐部分】 离线统计服务：批处理统计性业务采用Spark Core + Spark SQL进行实现，实现对指标类数据的统计任务。 离线推荐服务：离线推荐业务采用Spark Core + Spark MLlib进行实现，采用ALS算法进行实现。 【实时推荐部分】 日志采集服务：通过利用Flume-ng对业务平台中用户对于商品的一次评分行为进行采集，实时发送到Kafka集群。 消息缓冲服务：项目采用Kafka作为流式数据的缓存组件，接受来自Flume的数据采集请求。并将数据推送到项目的实时推荐系统部分。 实时推荐服务：项目采用Spark Streaming作为实时推荐系统，通过接收Kafka 中缓存的数据，通过设计的推荐算法实现对实时推荐的数据处理，并将结构合并更新到MongoDB数据库。 1.2 项目数据流程