1、一 基于協同過濾 collaborative filtering , CF的舉薦系統通過收集來自其他相像用戶或項目的評 價信息, 自動推測當前用戶的愛好偏好； 協同過濾的基本假設是用戶會更寵愛那些相像用戶 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舉薦技術”； 使用 最多的模型是 k 最近鄰 k-nearest neighbor ,kNN協同過濾技術, 包括基于用戶舉薦和基于項 目舉薦兩種技術； 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, 使得它們具有唯獨確定的含 義,獲得該領域的相關

2、學問, 供應對該領域學問的共同懂得, 便于用戶和運算機之間進行交 流； OntoECRec 舉薦模型 二 1995 年,卡內基梅隆高校的 ARDben 等人在美國人工智能協會上提出了個化導航系統 we-watcher ,真正標志著個性化服務的開頭； 性 1997 年 3 月, communications of the AcM ；組織了個性化舉薦系統的專題報道,標志著個 性化服務已經被技術界高度重視； 1999 年,德國 Dresden 技術高校的 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頭向全球進展； 2022 年, NEc 爭論院的 D B Kurt 等

3、人為搜尋引擎 atesecr 增加了個性化舉薦 功能,實現 citeseer 的個性化； 20XX 年,紐約高校 GediminaS Adomavicius 的 和 Alexander Tuzhilin 實現了個性化電子商務網站的用戶建模系統 1：1Pro； 個性化舉薦服務體系結構中, 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形記錄, 如購物時間, 商 品清單, 價格, 折扣等, 同時也可

4、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 不行少的, 如要收集服務器日志, 就要在服務器端獵取, 抽取出特定用戶的拜望 記錄；如要收集用戶瀏覽的頁面和瀏覽行為, 服務器端從用戶記錄中獲得； 就既可以在用戶端獲得, 也可以在 第 1 頁,共 12 頁IBfi QebSshereBroadY isicp8f eder. BPers. on1 l lZ 1 A n / f,q& T YB PJ 8 u A u tf ,& c L o tf“.4 &I$oIt.b6.” . u HlRlflt Pc ndy Xnwich7B

5、/ T AU .yFBillJfi &Google PCnderCshra trhc . itccr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

6、百 萬 本 書 的 1 2 , 造 成 評 估 矩 陣 數 據 相 當稀 疏 , 難 以 找 到 相像 用 戶 集 ,導 致 舉薦 效 果 大 大 降低 擴 展 性 scalability ：“ 最 近 鄰 居 ” 算 法 的 運算 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 一個完整的舉薦系統由 3 個部

7、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舉薦算法模塊 . 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 用戶不愿意向系統供應這些信息 , 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 產品和寵愛程度 . 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 . 最終是推 薦算法模塊 , 利用后臺的舉薦算法 , 實時地從產品集合中挑選出用戶

8、感愛好的產 品進行舉薦 . 其中, 舉薦算法模塊是舉薦系統中最為核心的部分 . 協同過濾舉薦系統最大的優點是對舉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 . 基于用戶的協同舉薦算法隨著用戶數量的增多 , 運算量成線性加大 , 其性能會越 來越差 . 因此有的舉薦系統接受基于產品相像性的協同過濾算法 , 在產品的數量 相對穩固的系統中 , 這種方法是很有效的 , 例如 Ama-zon 的書籍舉薦系統 但 10. 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. 基于內容的舉薦系統不行防止地受到信息獵取技術的約束

9、 , 例如自動提取多媒體 數據 圖形,視頻流,聲音流等 的內容特點具有技術上的困難 , 這方面的相關應 第 3 頁,共 12 頁用受到了很大限制 . 網絡環境下的個性化舉薦表現方式大體分為個人化舉薦, 薦三種, 社會化舉薦和基因化推 （ 1）個人化舉薦；是基于用戶過往的行為模式進行舉薦,即依據用戶的歷史行 為,判定用戶的需求和偏好,為其供應相應產品或服務； 商業網站中,比較常 見的方式是用戶最近的瀏覽歷史, 你可能比較感愛好的商品； 比較典型的是基于 個人交易和反饋數據的舉薦機制 . （ 2）社會化舉薦；是依據需求和偏好相像的用戶群的過往行為數據進行舉薦； 它不同于個人舉薦方式, 并不分別地判

10、定一個用戶的行為, 而是針對偏好相像的 用戶群體行為進行分析,然后為用戶群供應舉薦； （ 3）基因化舉薦；是依據產品本身的特性進行舉薦；這種舉薦方式在確定程度 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, 商家通過購物網站供應了大量的商品信息, 消費者無法快速地明白全部的 商品信息, 所以, 消費者需要一種電子購物助手, 能依據消費者對服裝的需求信息舉薦給消 費者可能感愛好或者中意的商品； 個性化舉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, 它幫忙網站為消費者購物供應完全個性化的決策支持和信息服務； 購物網 站的舉薦系統為消費者舉

11、薦商品, 自動完成個性化挑選商品的過程, 中意消費者的個性化需 求； 隨著互聯網的不斷普及, 網絡成為一種不行或缺的信息來源, 但相對整個互聯網的全局信息 空間而言,用戶感愛好的只是一個很小的領域； 信息技術的進展,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, 很期望有個 網站能夠揣摩用戶的心理, 依據用戶的需求舉薦用戶感愛好的內容, 給用戶供應一個良好的 沖浪環境,這些潛在的需求在商業網站中表達的更為淋漓盡致；依據用戶的愛好舉薦商品, 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； 各種信息特殊是互聯網信息的指數增長所導致的

12、“ 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 .；個性化舉薦技術正是解決這一莊重問題的有效方法, 它依據用戶的愛好和特點,對信息資源進行收集,整理和分類, 愛好偏好或需求的信息； 七 向用戶供應和舉薦符合其 第 4 頁,共 12 頁互聯 網技術 的迅猛進展把我們帶進 了信息爆炸的時代 海量信息的同時顯現, 一方面使用戶很難從 中發 現 自己感 愛好 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 獵取 九 簡潔地說, 個性化舉薦系統就是依據消費者的個性化特點和需求, 依據某種策 略,

13、進行產品舉薦的一個幫忙決策系統； 它的顯現是為明白決信息過載的問題, 幫忙消費者在浩如煙海的產品中找到自己需要的商品, 為消費者供應個性化的 購物體驗；電子商務舉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才能； 削減消 費者成本 時間, 資金等 , 中意顧客需求, 增加其中意度； 增加賣家產品 瀏覽度, 從而提高賣家收益； 電子商務舉薦系統依據其所接受的舉薦技術大致可以分為下面幾類： 一是基于 協同過濾技術的舉薦系統, 所接受的技術是協同過濾； 二是基于內容過濾的推 薦系統, 所接受的技術是信息過濾； 三是基于學問發覺舉薦系統, 所接受

14、的技 術是學問發覺, 搜尋與數據挖掘技術； 四是組合技術, 所接受的技術是幾種 舉薦技術的組合； 五是交互式舉薦, 實行的技術是用戶與商家的交互； 六是 其他的一些非主流舉薦系統, 比如基于統計, 效用的舉薦系統, 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, 學問發覺和數據 挖掘； 規章舉薦是先依據銷售數據發覺不同商品在銷售過程中的相關性, 然后基于生 成的關聯規章模型和用戶的購買行為產生舉薦結果； 分類挖掘舉薦方法是通過 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 依據用戶輸入信息和產品的特點信息, 推測是否向用戶舉薦該產品

15、 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,2022, 3811：206-210. 2 陳利珍,鄧中民基于圖像序列的三維人體建模方法爭論 J針織工業, 20221:54-56. 第 5 頁,共 12 頁3 吳義山 ,徐增波 .虛擬試衣系統關鍵技術 J.絲綢 ,2022,12:24-29. 4 陳曉倩 .虛擬試衣系統在電子商務中的應用模式探討 83. J.紡織導報 ,2022,09:81- 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 ,2022,03:46-48. 6 范慶玲 ,李繼云 .基于照片的三維人體模型爭論與實現 03:5-6+42+66

16、. J.微型電腦應用 ,2022, 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 ,2022,16:38-39. 8 胡婉月 ,李艷梅 ,王迎梅 ,吳小娜 .虛擬試衣的進出現狀及展望 J.上海工程技術 高校學報 ,2022,02:162-165. 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 ,2022,01:42-45. 1 范忠勇 ,張志軍 ,張鵬飛 .本體技術在個性化舉薦系統中的應用爭論 J. 山東科學 ,2022, 02:101-105. 2 王浩 . 電子商務個性化信息舉薦服務計量分析與進展計策爭論 J. 內蒙古科技

17、與經 濟 ,2022,08:59-62. 3 趙亮 ,胡乃靜 ,張守志 .個性化舉薦算法設計 J.運算機爭論與進展 ,2022,08:986-991. 4 劉建國 ,周濤 ,汪秉宏 .個性化舉薦系統的爭論進展 5 朱巖 ,林澤楠 .電子商務中的個性化舉薦方法評述 6 丁然 .大數據時代電子商務個性化舉薦進展趨勢 7 張苗苗 ,楊瑜 .商業網站個性化舉薦現狀及計策分析 J.自然科學進展 ,2022,01:1-15. J.中國軟科學 ,2022,02:183-192. J.電子商務 ,2022,04:5+7. J.情報探究 ,2022,02:36-40. 8 王 輝 , 高 利 軍 , 王 聽 忠

18、 . 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 ,2022,05:1225-1227. 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 ,2022,17:196-198+230. 第 6 頁,共 12 頁#JBe&AaB8ARB&YB&AB%#JTJL#R:aa, suaa. aaaaxs za- aa *eas, x. ssoaaasX aao. . n.sxaaaeaoasna.p , g, Q & A2&R&esa. +ssna

19、saaaxz. a+aa+eesx.ae-o. 26 &.6&Q& fiQB. &2&R6. BB1K&. B69 &t Xl&B&. Q&mfAG4&N8B2BB& 64&Bb. 6&.C&2. M&. 469FAAb. B4 PA4O&A R& & . 86N4&8&Q. dQ%6B&bC6A&6#BQ. 8YB&BR& &TTe 3-lO Afi&m M AeImvJ ofCo*sseae., . .o&8&GB BA en. a.sa. xa, .造型 顏色 面料 輔料 結構 工藝 圖案 部件 裝飾 配飾 形式 搭配 第 8 頁,共 12 頁不行否認的是,關于舉薦系統的爭論仍然存在一些

20、問題,詳細包括 .】【 i2】： 1實時性和舉薦質量之間的問題；舉薦系統的舉薦精度和實時性是一對矛 盾,要提高舉薦精度會不行防止地降低系統的實時性,而要提高系統的實時性又 不能不產生較低的舉薦精度；所以,在供應舉薦系統服務的同時,如何在舉薦精 度和實時性之間找個較好的平穩點,是需要連續爭論的問題； 2系統模型單一；由于舉薦系統體系結構不完善,導致大部分舉薦系統只 能供應一種系統模型使用；但鑒于舉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,中意用戶的不同要求； 3舉薦方法的缺乏；現在一般的電子商務系統的舉薦方法是向用戶供應商 品排行榜,以及其它用戶對這個商品的評判程度來讓用戶判

21、定是否具有購買性； 無疑地,需要更加多樣的舉薦形式來向用戶說明產生舉薦的緣由,讓客戶更加信 任舉薦的結果； 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；現在的舉薦系統并未考慮到這部分拜望 者；【 1 l】 B Schafer,J A Konstan,J Riedl, E Commerce Recommendation Applications , Data Mining and Knowledge Discovery,2022 1, 51： 115 153 【121 Kohvai, Mining E-commerce Data ： th

22、e Good,the Bad,and the Ugly,Proceedings of the 7th ACM SIGKDD international conference on Knowledge discovery and data mining , San Francisco,California , 2022 , 8-13 舉薦系統在電子商務中的作用主要表達在以下幾個方耐 11】： 第 10 頁,共 12 頁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,而且由于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寵愛的產品；這時候,假如推 薦系統能夠依據用戶的相關信息向用戶有針對性地舉薦產品的話,很有可能會引 基于粗