个性化推荐知识汇总.docx

个性化推荐知识汇总.docx

《个性化推荐知识汇总.docx》由会员分享，可在线阅读，更多相关《个性化推荐知识汇总.docx（10页珍藏版）》请在冰豆网上搜索。

个性化推荐知识汇总

一

基于协同过滤（collaborativefiltering，CF）的推荐系统通过收集来自其他相似用户或项目的评价信息，自动预测当前用户的兴趣偏好。

协同过滤的基本假设是用户会更喜欢那些相似用户偏爱的商品，已被广泛应用在一些大型的商业系统，如亚马逊和阿里巴巴等。

目前，协同过滤算法主要包括基于内存的、基于模型的以及二者相混合的推荐技术”。

使用最多的模型是k最近邻（k-nearestneighbor，kNN）协同过滤技术，包括基于用户推荐和基于项目推荐两种技术。

一般说来，本体描述了某个应用领域的概念和概念之间的关系，使得它们具有唯一确定的含义，获得该领域的相关知识，提供对该领域知识的共同理解，便于用户和计算机之间进行交流。

OntoECRec推荐模型

二

1995年，卡内基·梅隆大学的A．RDben等人在美国人工智能协会上提出了个性化导航系统we-watcher，真正标志着个性化服务的开始；1997年3月，（communicationsoftheAcM）。

组织了个性化推荐系统的专题报道，标志着个性化服务已经被技术界高度重视；1999年，德国Dresden技术大学的J．Tania实现了个性化电子商务原型系统TELLIM，标志着个性化服务开始向全球发展；2000年，NEc研究院的D．B．Kurt等人为搜索引擎atesecr增加了个性化推荐功能，实现citeseer的个性化。

2001年，纽约大学的GediminaSAdomavicius和AlexanderTuzhilin实现了个性化电子商务网站的用户建模系统1：

1Pro。

个性化推荐服务体系结构中，信息收集模块是个性化服务系统的基础模块。

用户的信息包括了用户的个人基本资料、购买的历史记录及浏览记录等。

个人基本资料可以从用户注册表单中获得；购买的历史记录主要存放于电子商务网站的后台交易数据库中，包含了每位用户以前历次购物的详细情况记录，如购物时间、商品清单、价格、折扣等，同时也可以收集用户放入购物篮而未购买的商品记录，以及用户过去浏览过的商品信息等。

当然要搜集用户的行为信息，日志文件是必不可少的，如要收集服务器日志，则要在服务器端获取，抽取出特定用户的访问记录；如要收集用户浏览的页面和浏览行为，则既可以在用户端获得，也可以在服务器端从用户记录中获得。

三

尽管协同过滤技术在个性化推荐系统中获得了极大的成功，但随着站点结构、内容的复杂度和用户人数的不断增加，协同过滤技术的一些缺点逐渐暴露出来，主要有：

①稀疏性（sparsity）：

在许多推荐系统中，每个用户涉及的信息量相当有限，在一些大的系统如亚马逊网站中，用户最多不过就评估了上百万本书的1％～2，造成评估矩阵数据相当稀疏，难以找到相似用户集，导致推荐效果大大降低．

②扩展性（scalability）：

“最近邻居”算法的计算量随着用户和项的增加而大大增加，对于上百万之巨的数目，通常的算法将遭遇到严重的扩展性问题．

③精确性（accuracy）：

通过寻找相近用户来产生推荐集，在数量较大的情况下，推荐的可信度随之降低．

四

一个完整的推荐系统由3个部分组成:

收集用户信息的行为记录模块,分析用户喜好的模型分析模块和推荐算法模块.行为记录模块负责记录用户的喜好行为,例如问答、评分、购买、下载、浏览等.问答和打分的信息相对好收集,然而有的用户不愿意向系统提供这些信息,那么就需要通过其他方式对用户的行为进行分析,例如购买、下载、浏览等行为.通过这些用户的行为记录分析用户的潜在喜好产品和喜欢程度.这就是模型分析模块要完成的工作.模型分析模块的功能能够对用户的行为记录进行分析,建立合适的模型来描述用户的喜好信息.最后是推荐算法模块,利用后台的推荐算法,实时地从产品集合中筛选出用户感兴趣的产品进行推荐.其中,推荐算法模块是推荐系统中最为核心的部分.

协同过滤推荐系统最大的优点是对推荐对象没有特殊的要求,能处理音乐、电影等难以进行文本结构化表示的对象.

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,其性能会越来越差.因此有的推荐系统采用基于产品相似性的协同过滤算法,在产品的数量相对稳定的系统中,这种方法是很有效的,例如Ama-zon的书籍推荐系统[10].但是对于产品数量不断增加的系统,例如Del.lici.us系统,这种方法是不适用的.

基于内容的推荐系统不可避免地受到信息获取技术的约束,例如自动提取多媒体数据（图形、视频流、声音流等）的内容特征具有技术上的困难,这方面的相关应用受到了很大限制.

网络环境下的个性化推荐表现方式大体分为个人化推荐、社会化推荐和基因化推荐三种，

（1）个人化推荐。

是基于用户过往的行为模式进行推荐，即依据用户的历史行为，判断用户的需求和偏好，为其提供相应产品或服务。

商业网站中，比较常见的方式是用户最近的浏览历史、你可能比较感兴趣的商品。

比较典型的是基于个人交易和反馈数据的推荐机制.

（2）社会化推荐。

是根据需求和偏好相似的用户群的过往行为数据进行推荐。

它不同于个人推荐方式，并不分离地判断一个用户的行为，而是针对偏好相似的用户群体行为进行分析，然后为用户群提供推荐。

（3）基因化推荐。

是根据产品本身的特性进行推荐。

这种推荐方式在一定程度上也基于社会学的原理：

一人的喜好是大体相互联系的，并且是相对固定的。

六

在网络购物时代，商家通过购物网站提供了大量的商品信息，消费者无法快速地了解所有的商品信息，所以，消费者需要一种电子购物助手，能根据消费者对服装的需求信息推荐给消费者可能感兴趣或者满意的商品。

个性化推荐系统就是建立在海量数据挖掘基础上的一种高级商务智能平台，它帮助网站为消费者购物提供完全个性化的决策支持和信息服务。

购物网站的推荐系统为消费者推荐商品，自动完成个性化选择商品的过程，满足消费者的个性化需求。

随着互联网的不断普及，网络成为一种不可或缺的信息来源，但相对整个互联网的全局信息空间而言，用户感兴趣的只是一个很小的领域。

信息技术的发展，使网络信息空间呈几何级数膨胀，而有限的个性化信息却显得更加分散。

人们处在信息迷航的怪圈中，很希望有个网站能够揣摩用户的心理，按照用户的需求推荐用户感兴趣的内容，给用户提供一个良好的冲浪环境，这些潜在的需求在商业网站中体现的更为淋漓尽致。

按照用户的兴趣推荐商品，

可以提高用户对网站的忠诚度，增加交叉购买力，增加商家的效益。

各种信息尤其是互联网信息的指数增长所导致的“信息过载”和“信息迷航”问题已日益制约人们高效地使用各种信息资源⋯。

个性化推荐技术正是解决这一严峻问题的有效方法，它根据用户的兴趣和特点，对信息资源进行收集、整理和分类，向用户提供和推荐符合其兴趣偏好或需求的信息。

七

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．

九

简单地说，个性化推荐系统就是根据消费者的个性化特征和需求，按照某种策略，进行产品推荐的一个辅助决策系统。

它的出现是为了解决信息过载的问题，帮助消费者在浩如烟海的产品中找到自己需要的商品，为消费者提供个性化的购物体验。

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；②提高电子商务网站的交叉销售能力；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。

电子商务推荐系统根据其所采用的推荐技术大致可以分为下面几类：

一是基于协同过滤技术的推荐系统，所采用的技术是协同过滤；二是基于内容过滤的推荐系统，所采用的技术是信息过滤；三是基于知识发现推荐系统，所采用的技术是知识发现，搜索与数据挖掘技术；四是组合技术，所采用的技术是几种推荐技术的组合；五是交互式推荐，采取的技术是用户与商家的交互；六是其他的一些非主流推荐系统，比如基于统计、效用的推荐系统，如贝叶斯网络、神经网络等。

其中使用较多的是协同过滤，内容过滤，知识发现和数据

挖掘。

规则推荐是先根据销售数据发现不同商品在销售过程中的相关性，然后基于生成的关联规则模型和用户的购买行为产生推荐结果；分类挖掘推荐方法是通过聚类、Bayesia网络、神经网络等多种机器学习方法产生分类挖掘模型，再根据用户输入信息和产品的特征信息，预测是否向用户推荐该产品

[1]曾云，陈盈盈，张岳.基于人体识别的在线虚拟试衣系统[J]．电视技术，2014，　

　38（11）：

206-210.

[2]陈利珍，邓中民．基于图像序列的三维人体建模方法研究[J]．针织工业，

2013

（1）:

54-56.

[3]吴义山,徐增波.虚拟试衣系统关键技术[J].丝绸,2014,12:

24-29.

[4]陈晓倩.虚拟试衣系统在电子商务中的应用模式探讨[J].纺织导报,2009,09:

81-

83.

[5]黄灿艺.网络化三维虚拟试衣技术构架分析[J].广西纺织科技,2010,03:

46-48.

[6]范庆玲,李继云.基于照片的三维人体模型研究与实现[J].微型电脑应用,2006,

03:

5-6+42+66.

[7]胡新蕾.浅谈虚拟试衣和电商金融产品的结合[J].经贸实践,2015,16:

38-39.

[8]胡婉月,李艳梅,王迎梅,吴小娜.虚拟试衣的发展现状及展望[J].上海工程技术

大学学报,2014,02:

162-165.

[9]丁嘉玲,王厉冰,庄梅玲,张永美.线上虚拟试衣技术构架的分析与展望[J].山东

纺织科技,2015,01:

42-45.

[1]范忠勇,张志军,张鹏飞.本体技术在个性化推荐系统中的应用研究[J].山东科学,2016,

02:

101-105.

[2]王浩.电子商务个性化信息推荐服务计量分析与发展对策研究[J].内蒙古科技与经

济,2016,08:

59-62.

[3]赵亮,胡乃静,张守志.个性化推荐算法设计[J].计算机研究与发展,2002,08:

986-991.

[4]刘建国,周涛,汪秉宏.个性化推荐系统的研究进展[J].自然科学进展,2009,01:

1-15.

[5]朱岩,林泽楠.电子商务中的个性化推荐方法评述[J].中国软科学,2009,02:

183-192.

[6]丁然.大数据时代电子商务个性化推荐发展趋势[J].电子商务,2015,04:

5+7.

[7]张苗苗,杨瑜.商业网站个性化推荐现状及对策分析[J].情报探索,2012,02:

36-40.

[8]王辉,高利军,王听忠.个性化服务中基于用户聚类的协同过滤推荐[J].计算机应

用,2007,05:

1225-1227.

[9]林霜梅,汪更生,陈弈秋.个性化推荐系统中的用户建模及特征选择[J].计算机工

程,2007,17:

196-198+230.

造型色彩面料辅料结构工艺图案部件装饰配饰形式搭配

不可否认的是，关于推荐系统的研究仍然存在一些问题，具体包括⋯】【i2】：

（1）实时性和推荐质量之间的问题。

推荐系统的推荐精度和实时性是一对矛

盾，要提高推荐精度会不可避免地降低系统的实时性，而要提高系统的实时性又

不能不产生较低的推荐精度。

所以，在提供推荐系统服务的同时，如何在推荐精

度和实时性之间找个较好的平衡点，是需要继续研究的问题。

（2）系统模型单一。

由于推荐系统体系结构不完善，导致大部分推荐系统只

能提供一种系统模型使用。

但鉴于推荐系统本身的复杂性，需要多种不同类型的

模型来适应不同的场合，满足用户的不同要求。

（3）推荐方法的缺乏。

现在一般的电子商务系统的推荐方法是向用户提供商

品排行榜，以及其它用户对这个商品的评价程度来让用户判断是否具有购买性。

无疑地，需要更加多样的推荐形式来向用户解释产生推荐的原因，让客户更加信

任推荐的结果。

（4）用户类型的转变。

对商务网站商品进行购买的用户一般都只是注册用户，

而没有注册的用户仅仅具有浏览功能。

现在的推荐系统并未考虑到这部分访问

者。

【1l】．B．Schafer,J．A．Konstan,J．Riedl，E·CommerceRecommendation

Applications，DataMiningandKnowledgeDiscovery,2001．1，5

（1）：

115—153．

【121．＆Kohvai，MiningE-commerceData：

theGood,theBad,andtheUgly,Proceedingsof

the7thACMSIGKDDinternationalconferenceonKnowledgediscoveryanddatamining，

SanFrancisco，California，2001，8-13．

推荐系统在电子商务中的作用主要体现在以下几个方耐11】：

（1）将网站的浏览者转为购买者

消费者起初浏览网站并不想购买东西，而且因为电子商务网站拥有大量的商

品，用户很难在短时间内在这些商品中找到自己所喜欢的产品。

这时候，如果推

荐系统能够根据用户的相关信息向用户有针对性地推荐产品的话，很有可能会引

基于粗糙集和论域最近邻的协同过滤推荐系统研究与实现第i章绪论

起用户的兴趣，产生购买的欲望，从而将网站的浏览者变为购买者，这无疑会大

大提高网站的销量。

（2）提高网站的交叉销售（cross．sell）能力

当顾客购买一种商品的时候，电子商务推荐系统的学习能力可以找到与这个

商品相关联或相似的其他种类商品向客户推荐，这样的话用户可以找到属于自己

购买需求但又在购买过程中没有想到的商品，从而提高网站的交叉销售能力。

（3）提高客户的网站忠诚度

获得客户对网站的忠诚无疑会为这个网站提高很大的竞争力。

通过推荐系统

的学习能力，向客户提供高效高质量的推荐，这会让客户再一次的光临网站进行

商品选购。

客户光临的次数越多，他的忠诚度也就越高。

同时，推荐系统可以帮

助志趣相投的客户建立联系，因为他们会到这个网站与认识的朋友进行商品推

荐，无疑也会让他们的忠诚度得以提高。

（4）节省用户的浏览时间

如果没有推荐系统向用户推荐产品的话，那么用户在电子商务网站中从成千

上万的商品中挑选一两件自己喜欢的商品是非常困难以及非常浪费时间和精力

的。

无疑，从推荐系统提供的商品中进行选择可以大大提高用户购买率，能够在

短时间内抓住用户的需求兴趣所在，节省用户的购买时间。

（5）提高学术价值

从理论研究方面来说，对推荐系统的应用会提升相关的理论研究水平。

从

1997年以来个性化推荐系统和协同过滤推荐系统被国际学术界广泛关注，并被

逐渐应用与各个行业。

系统推荐的产品也可以看成是推荐算法的结果，目前对推

荐算法的稀疏性，扩展性，实时性以及精确性等问题是国内外推荐系统领域研究

的重点以及热点，其较高的商业应用价值无疑大大提高了这个领域的理论研究价

值。