一基于協同過濾(collaborative filtering，CF)的推薦系統通過收集來自其他相似用戶或項目的評價信息，自動預測當前用戶的興趣偏好。協同過濾的基本假設是用戶會更喜歡那些相似用戶偏愛的商品，已被廣泛應用在一些大型的商業系統，如亞馬遜和阿里巴巴等。目前，協同過濾算法主要包括基于內存的、基于模型的以及二者相混合的推薦技術”。使用最多的模型是k最近鄰(k-nearest neighbor，kNN)協同過濾技術，包括基于用戶推薦和基于項目推薦兩種技術。一般說來，本體描述了某個應用領域的概念和概念之間的關系，使得它們具有唯一確定的含義，獲得該領域的相關知識，提供對該領域知識的共同理解，便于用戶和計算機之間進行交流。OntoECRec推薦模型二1995年，卡內基梅隆大學的ARDben等人在美國人工智能協會上提出了個性化導航系統we-watcher，真正標志著個性化服務的開始；1997年3月，(communications of the AcM)。組織了個性化推薦系統的專題報道，標志著個性化服務已經被技術界高度重視；1999年，德國Dresden技術大學的JTania實現了個性化電子商務原型系統TELLIM，標志著個性化服務開始向全球發展；2000年，NEc研究院的DBKurt等人為搜索引擎atesecr增加了個性化推薦功能，實現citeseer的個性化。2001年，紐約大學的GediminaS Adomavicius和Alexander Tuzhilin實現了個性化電子商務網站的用戶建模系統1：1Pro。個性化推薦服務體系結構中，信息收集模塊是個性化服務系統的基礎模塊。用戶的信息包括了用戶的個人基本資料、購買的歷史記錄及瀏覽記錄等。個人基本資料可以從用戶注冊表單中獲得；購買的歷史記錄主要存放于電子商務網站的后臺交易數據庫中，包含了每位用戶以前歷次購物的詳細情況記錄，如購物時間、商品清單、價格、折扣等， 同時也可以收集用戶放入購物籃而未購買的商品記錄，以及用戶過去瀏覽過的商品信息等。當然要搜集用戶的行為信息，日志文件是必不可少的，如要收集服務器日志，則要在服務器端獲取，抽取出特定用戶的訪問記錄；如要收集用戶瀏覽的頁面和瀏覽行為，則既可以在用戶端獲得，也可以在服務器端從用戶記錄中獲得。三盡 管 協 同 過 濾 技 術 在個 性 化 推 薦 系統 中 獲 得 了極 大 的 成 功 ， 但 隨 著 站 點 結 構 、 內容 的復 雜 度 和 用 戶人 數 的 不 斷增 加 ， 協 同 過 濾 技 術 的 一 些 缺 點 逐 漸 暴露 出來 ， 主 要 有 ： 稀 疏 性 (sparsity )： 在 許多 推 薦 系 統 中 ， 每 個用 戶 涉 及 的信 息 量 相 當 有 限 ， 在 一 些 大 的 系 統 如 亞馬遜 網 站 中 ， 用 戶 最 多 不 過 就 評 估 了 上 百 萬 本 書 的1 2 ， 造 成 評 估 矩 陣 數 據 相 當稀 疏 ， 難 以 找 到 相似 用 戶 集 ， 導 致 推薦 效 果 大 大 降低 擴 展 性 (scalability )： “ 最 近 鄰 居 ” 算 法 的 計算 量 隨 著 用 戶 和 項 的增 加 而 大 大 增 加 ， 對 于 上 百萬之 巨 的 數 目， 通 常 的 算 法 將 遭 遇 到 嚴 重 的 擴 展 性問題 精 確 性 (accuracy ) ： 通 過 尋 找 相 近 用 戶 來 產生 推 薦 集 ， 在 數 量 較 大 的 情 況 下 ， 推 薦 的可 信 度 隨 之降 低 四一個完整的推薦系統由3個部分組成:收集用戶信息的行為記錄模塊,分析用戶喜好的模型分析模塊和推薦算法模塊.行為記錄模塊負責記錄用戶的喜好行為,例如問答、評分、購買、下載、瀏覽等.問答和打分的信息相對好收集,然而有的用戶不愿意向系統提供這些信息,那么就需要通過其他方式對用戶的行為進行分析,例如購買、下載、瀏覽等行為.通過這些用戶的行為記錄分析用戶的潛在喜好產品和喜歡程度.這就是模型分析模塊要完成的工作.模型分析模塊的功能能夠對用戶的行為記錄進行分析,建立合適的模型來描述用戶的喜好信息.最后是推薦算法模塊,利用后臺的推薦算法,實時地從產品集合中篩選出用戶感興趣的產品進行推薦.其中,推薦算法模塊是推薦系統中最為核心的部分.協同過濾推薦系統最大的優點是對推薦對象沒有特殊的要求,能處理音樂、電影等難以進行文本結構化表示的對象.基于用戶的協同推薦算法隨著用戶數量的增多,計算量成線性加大,其性能會越來越差.因此有的推薦系統采用基于產品相似性的協同過濾算法,在產品的數量相對穩定的系統中,這種方法是很有效的,例如Ama-zon的書籍推薦系統10.但是對于產品數量不斷增加的系統,例如Del. lici. us系統,這種方法是不適用的.基于內容的推薦系統不可避免地受到信息獲取技術的約束,例如自動提取多媒體數據(圖形、視頻流、聲音流等)的內容特征具有技術上的困難,這方面的相關應用受到了很大限制.網絡環境下的個性化推薦表現方式大體分為個人化推薦、社會化推薦和基因化推薦三種，（1）個人化推薦。是基于用戶過往的行為模式進行推薦，即依據用戶的歷史行為，判斷用戶的需求和偏好，為其提供相應產品或服務。 商業網站中，比較常見的方式是用戶最近的瀏覽歷史、你可能比較感興趣的商品。比較典型的是基于個人交易和反饋數據的推薦機制.（2）社會化推薦。是根據需求和偏好相似的用戶群的過往行為數據進行推薦。它不同于個人推薦方式，并不分離地判斷一個用戶的行為，而是針對偏好相似的用戶群體行為進行分析，然后為用戶群提供推薦。（3）基因化推薦。是根據產品本身的特性進行推薦。這種推薦方式在一定程度上也基于社會學的原理：一人的喜好是大體相互聯系的，并且是相對固定的。 六在網絡購物時代，商家通過購物網站提供了大量的商品信息，消費者無法快速地了解所有的商品信息，所以，消費者需要一種電子購物助手，能根據消費者對服裝的需求信息推薦給消費者可能感興趣或者滿意的商品。個性化推薦系統就是建立在海量數據挖掘基礎上的一種高級商務智能平臺，它幫助網站為消費者購物提供完全個性化的決策支持和信息服務。購物網站的推薦系統為消費者推薦商品，自動完成個性化選擇商品的過程，滿足消費者的個性化需求。隨著互聯網的不斷普及，網絡成為一種不可或缺的信息來源，但相對整個互聯網的全局信息空間而言，用戶感興趣的只是一個很小的領域。 信息技術的發展，使網絡信息空間呈幾何級數膨脹，而有限的個性化信息卻顯得更加分散。人們處在信息迷航的怪圈中，很希望有個網站能夠揣摩用戶的心理，按照用戶的需求推薦用戶感興趣的內容，給用戶提供一個良好的沖浪環境，這些潛在的需求在商業網站中體現的更為淋漓盡致。按照用戶的興趣推薦商品，可以提高用戶對網站的忠誠度，增加交叉購買力，增加商家的效益。各種信息尤其是互聯網信息的指數增長所導致的 “ 信息過載”和 “ 信息迷航”問題已日益制約人們高效地使用各種信息資源。個性化推薦技術正是解決這一嚴峻問題的有效方法，它根據用戶的興趣和特點，對信息資源進行收集、整理和分類， 向用戶提供和推薦符合其興趣偏好或需求的信息。七互聯 網技術 的迅猛發展把我們帶進 了信息爆炸的時代海量信息的同時呈現，一方面使用戶很難從 中發 現 自己感 興趣 的部 分 ，另 一 方 面 也使 得 大 量 少 人 問 津 的信 息成 為 網絡 中的 “ 暗信息” ，無 法被 一般用 戶獲取九簡單地說， 個性化推薦系統就是根據消費者的個性化特征和需求， 按照某種策略， 進行產品推薦的一個輔助決策系統。它的出現是為了解決信息過載的問題， 幫助消費者在浩如煙海的產品中找到自己需要的商品， 為消費者提供個性化的購物體驗。電子商務推薦系統作用主要表現在以下幾個方面： 將電子商務網站的瀏覽者轉變為購買者；提高電子商務網站的交叉銷售能力； 減少消費者成本(時間、 資金等)， 滿足顧客需求， 增加其滿意度； 增加賣家產品瀏覽度， 從而提高賣家收益。電子商務推薦系統根據其所采用的推薦技術大致可以分為下面幾類： 一是基于協同過濾技術的推薦系統， 所采用的技術是協同過濾； 二是基于內容過濾的推薦系統， 所采用的技術是信息過濾；三是基于知識發現推薦系統， 所采用的技術是知識發現， 搜索與數據挖掘技術； 四是組合技術， 所采用的技術是幾種推薦技術的組合； 五是交互式推薦， 采取的技術是用戶與商家的交互； 六是其他的一些非主流推薦系統， 比如基于統計、 效用的推薦系統， 如貝葉斯網絡、 神經網絡等。其中使用較多的是協 同過濾， 內容過濾， 知識發現和數據挖掘。規則推薦是先根據銷售數據發現不同商品在銷售過程中的相關性， 然后基于生成的關聯規則模型和用戶的購買行為產生推薦結果； 分類挖掘推薦方法是通過聚類、 Bayesi a 網絡、 神經網絡等多種機器學習方法產生分類挖掘模型， 再根據用戶輸入信息和產品的特征信息， 預測是否向用戶推薦該產品1 曾云，陳盈盈，張岳. 基于人體識別的在線虛擬試衣系統J電視技術，2014， 38(11)：206-210.2 陳利珍，鄧中民基于圖像序列的三維人體建模方法研究J針織工業， 2013(1):54-56.3 吳義山,徐增波.虛擬試衣系統關鍵技術J.絲綢,2014,12:24-29.4 陳曉倩.虛擬試衣系統在電子商務中的應用模式探討J.紡織導報,2009,09:81- 83.5 黃燦藝.網絡化三維虛擬試衣技術構架分析J.廣西紡織科技,2010,03:46-48.6 范慶玲,李繼云.基于照片的三維人體模型研究與實現J.微型電腦應用,2006, 03:5-6+42+66.7 胡新蕾.淺談虛擬試衣和電商金融產品的結合J.經貿實踐,2015,16:38-39.8 胡婉月,李艷梅,王迎梅,吳小娜.虛擬試衣的發展現狀及展望J.上海工程技術 大學學報,2014,02:162-165.9 丁嘉玲,王厲冰,莊梅玲,張永美.線上虛擬試衣技術構架的分析與展望J.山東 紡織科技,2015,01:42-45.1范忠勇,張志軍,張鵬飛.本體技術在個性化推薦系統中的應用研究J.山東科學,2016, 02:101-105.2王浩.電子商務個性化信息推薦服務計量分析與發展對策研究J.內蒙古科技與經 濟,2016,08:59-62.3 趙亮,胡乃靜,張守志.個性化推薦算法設計J.計算機研究與發展,2002,08:986-991.4 劉建國,周濤,汪秉宏.個性化推薦系統的研究進展J.自然科學進展,2009,01:1-15.5 朱巖,林澤楠.電子商務中的個性化推薦方法評述J.中國軟科學,2009,02:183-192.6 丁然.大數據時代電子商務個性化推薦發展趨勢J.電子商務,2015,04:5+7.7 張苗苗,楊瑜.商業網站個性化推薦現狀及對策分析J.情報探索,2012,02:36-40.8王輝,高利軍,王聽忠.個性化服務中基于用戶聚類的協同過濾推薦J.計算機應 用,2007,05:1225-1227.9林霜梅,汪更生,陳弈秋.個性化推薦系統中的用戶建模及特征選擇J.計算機工 程,2007,17:196-198+230.造型 色彩 面料 輔料 結構 工藝 圖案 部件 裝飾 配飾 形式 搭配不可否認的是，關于推薦系統的研究仍然存在一些問題，具體包括】【i2】：(1)實時性和推薦質量之間的問題。推薦系統的推薦精度和實時性是一對矛盾，要提高推薦精度會不可避免地降低系統的實時性，而要提高系統的實時性又不能不產生較低的推薦精度。所以，在提供推薦系統服務的同時，如何在推薦精度和實時性之間找個較好的平衡點，是需要繼續研究的問題。(2)系統模型單一。由于推薦系統體系結構不完善，導致大部分推薦系統只能提供一種系統模型使用。但鑒于推薦系統本身的復雜性，需要多種不同類型的模型來適應不同的場合，滿足用戶的不同要求。(3)推薦方法的缺乏?，F在一般的電子商務系統的推薦方法是向用戶提供商品排行榜，以及其它用戶對這個商品的評價程度來讓用戶判斷是否具有購買性。無疑地，需要更加多樣的推薦形式來向用戶解釋產生推薦的原因，讓客戶更加信任推薦的結果。(4)用戶類型的轉變。對商務網站商品進行購買的用戶一般都只是注冊用戶，而沒有注冊的用戶僅僅具有瀏覽功能?，F在的推薦系統并未考慮到這部分訪問者?！? l】BSchafer,JAKonstan,JRiedl，ECommerce RecommendationApplications，Data Mining and Knowledge Discovery,20011，5(1)：115153【121Kohvai，Mining E-commerce Data：the Good,the Bad,and the Ugly,Proceedings ofthe 7th ACM SIGKDD international conference on Knowledge discovery and data mining，San Francisco，California，2001，8-13推薦系統在電子商務中的作用主要體現在以下幾個方耐11】：(1)將網站的瀏覽者轉為購買者消費者起初瀏覽網站并不想購買東西，而且因為電子商務網站擁有大量的商品，用戶很難在短時間內在這些商品中找到自己所喜歡的產品。這時候，如果推薦系統能夠根據用戶的相關信息向用戶有針對性地推薦產品的話，很有可能會引基于粗糙集和論域最近鄰的協同過濾推薦系統研究與實現 第i章緒論起用戶的興趣，產生購買的欲望，從而將網站的瀏覽者變為購買者，這無疑會大大提