个性化推荐系统
前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇个性化推荐系统范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
个性化推荐系统范文第1篇
.1 文献标识码:A 文章编号:1001-828X(2012)08-0-01
1.定义。随着电子商务规模的逐渐扩大,网上商品的种类和数量也快速增长。商品不断丰富,顾客购物选择的余地大大扩展,但顾客往往需要花费大量的时间才能找到合适的商品。这种浏览大量无关信息和商品的过程无疑会给消费者带来极大的不便,从而可能造成客户流失。为了解决这些问题,个性化推荐系统应运而生。个性化推荐是根据用户的资料信息、兴趣爱好和以往购买行为,向用户推荐其可能感兴趣的信息和商品。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台,以帮助电子商务网站为其顾客购物过程提供完全个性化的决策支持和信息服务。
2.个性化推荐的作用。成功的个性化推荐系统,向用户推荐他们感兴趣的商品,从而促成交易,即将电子商务网站的浏览者转变为购买者;在用户购买过程中向用户推荐自己确实需要但在购买过程中没有想到的商品,有效提高电子商务系统的交叉销售;为用户提供个性化的推荐服务的同时,与用户建立长期稳定良好的关系,从而有效保留客户,提高客户的忠诚度,防止客户流失。
3.知名购物网站中个性化推荐应用。淘宝网站为例,在登录已买到的宝贝页面,除了可以查看到用户购物历史记录,还有推荐内容,如:“您可能对这些宝贝感兴趣”;购物车页面的推荐,如:“您可能感兴趣的宝贝”“猜你喜欢的”。
当当网为例,网站商有个性化推荐模块网站上有专门栏目“猜你喜欢”,点击进入,再分为“您可能感兴趣的商品”“和您兴趣相似的顾客还关注”;在已购商品页面,有推荐“根据您购买的商品,当当猜您会喜欢”。
进入卓越亚马逊网站,提示用户“您好,请登录以获取为您订制的推荐”。
二、个性化推荐系统主要算法
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、推荐算法模块。其中,推荐算法模块是最核心的部分。根据推荐算法的不同,推荐系统可以分为如下几类:
1.关联规则推荐。关注用户行为的关联模式。如买了香烟的人大多会购买打火机,因此可以在香烟和打火机间建立关联关系,通过这种关系推荐其他产品。这种算法最为简单直接,往往也会把用户理解的过于简单,是不太智能的算法,所以这种算法基本被淘汰了,只有少数小规模购物网站还是这种推荐模式。
2.协同过滤推荐。利用用户的历史信息,计算用户之间的相似性;利用与目标用户相似性较高的用户对其他产品的评价来预测目标用户对特定产品的喜好程度;根据喜好程度来对目标用户进行推荐。协同过滤又可分为两种:基于用户的协同过滤和基于商品的协同过滤。
基于用户的协同过滤是第一代协同过滤技术,原理也很简单:人以群分,即在网站上购买相同商品的消费者应该有相似的兴趣偏好。系统找出这些有相同商品购买记录或浏览记录的用户,然后把他们还没购买的商品相互推荐,如把用户A买过、但用户B还没有购买的商品推荐给B,反之亦然。当然,在实际推荐应用中,系统会找到与A相似的多位用户,将那些A未购买而其他人已经购买的商品,计算概率,再进行排序,最后把排名靠前的商品推荐给A。
基于商品的协同过滤,是目前使用最多的个性化算法。因为大型的购物网站,其用户数量远远大于商品数量,使用基于用户的个性化算法会造成很多问题。相应的,基于商品的协同过滤技术的原理:物以类聚,系统先判断哪些商品之间有潜在关联,再根据用户的购买记录,把关联度高的商品推荐给用户。比如“啤酒-尿布”看似风牛马不相及的商品,如果在销售记录中同时出现的频率越高,说明商品的潜在关联就越强,就可以向用户推荐。
协同过滤算法可以发现用户潜在的兴趣偏好,从而为其推荐新信息;能推荐难以进行内容分析的产品;但由于是基于用户对产品的评分,所以对新用户进行推荐或者是对用户推荐新产品,精度不高。
3.基于内容的推荐。基于内容的推荐是协同过滤技术的延续与发展。分别对用户和产品建立配置文件;比较用户与产品配置文件的相似度;推荐与其配置文件最相似的产品。如,在商品CD推荐中,基于内容的系统首先分析用户买过的打分较高的CD的共性(歌手、风格等), 再推荐与这些用户感兴趣的内容相似度很高的其他CD。基于内容的推荐算法根本在于信息获取和信息过滤。 基于内容的推荐算法能处理新用户、新产品的问题(冷启动);能推荐新产品和非流行产品,发现隐藏信息;但是如果两个不同的产品恰好使用了相同的描述词,这两个产品就无法区分;而且如果系统只推荐与用户的配置文件高度相关的产品
,那么推荐的只是与用户之前购买过的产品相似度很高的产品,无法实现推荐的多样性。
4.基于网络结构的推荐。要先建立用户—产品二维关联网络。把用户和产品的内容特征看成抽象的节点,所有算法利用的信息都藏在用户和产品的选择关系中。对于任意目标用户A,假设A选择过所有的产品,每种产品都具有向A推荐其他产品的能力,把所有A没有选择过的产品按照他喜欢的程度进行排序,把排名靠前的推荐给A。
基于网络结构的推荐同样面临着新用户新产品的问题。而且如果把用户与产品的所有关联关系都考虑在内,无法区分出长期兴趣和短期兴趣点,大大降低推荐准确度。
5.混合推荐。上述几种方法的有机结合,实际的推荐系统中最常见的是基于协同过滤和基于内容的结合。
三、个性化推荐技术的新应用
一般情况下,网站针对已注册用户根据用户信息或购买记录进行推荐。同时,个性化推荐还应该考虑到匿名购买者,也就是购买者不需要注册或者登录也能使用个性化推荐功能。这类技术的实现要选择合适的匿名用户行为特征识别方法,如服务器端日志挖掘技术和客户端信息采集技术等,从而实现对此类用户的个性化推荐。
针对用户存在多兴趣或兴趣发生转移情况,一些网站提出了基于项目相似性的邻居用户协同推荐算法。该算法改进了传统协同过滤算法,使之适合用户多兴趣下的个性化推荐。
个性化推荐最热门应用就是将推荐和社会网络结合起来,把社会网络加入个性化推荐系统,借助顾客的朋友、家人的评分信息来进行推荐产品。它让顾客的朋友和家人做“导购”,把他们买的而且评分较高产品推荐给顾客。
参考文献:
[1]刘洋.面向电子商务网站的个性化推荐系统[J].中小企业管理与科技(上旬刊),2012(01).
个性化推荐系统范文第2篇
【摘要】随着移动互联网的发展，在移动网络有效获取信息将会变得愈发的困难。个性化推荐技术的提出与应用，使得传统Internet上信息过载的局面得到了一定程度上的缓解。本文在现有的推荐算法的基础之上提出了一种基于用户分类与记录可信度加权的协同过滤推荐算法。并使用J2ME技术设计了一个移动网络个性化推荐原型系统。
【关键词】个性化推荐；移动网络；J2ME；协同过滤；记录可信度
1.引言
近年来，随着移动互联网的迅速发展，特别是国内3G牌照发放后，移动互联网用户增长迅速。根据中国互联网络信息中心（CNNIC）的《第30此中国互联网络发展状况统计报告》显示，2012年上半年中国互联网电脑网民规模达到5.38亿，而手机网民数量将达到3.88亿。据DDCI互联网数据中心预测，到2013年中国手机网民将达7.2亿，首次超越电脑网民[1]。随之而来的是移动互联网上各类信息的爆炸式增长，使得人们通过移动网络获取信息更加方便的同时，也使得人们获取有价值的信息愈发的困难。
为解决Internet上信息淹没的现状，个性化推荐技术得到了广泛的应用。针对移动互联网的特殊性，本文把传统Internet上个性化推荐技术应用到移动互联网上，提出了移动个性化推荐的离线解决方案，并且设计了基于J2ME的移动个性化推荐系统。
2.ATC与CF结合的推荐模型
2.1 相关技术概述
为解决文本分类中人为因素的影响，自动文本分类（Automatic Text Cat-egorization）技术得到了快速的发展与应用。目前比较常用的有KNN，朴素贝叶斯分类，SVM等分类方法。这些方法都是建立在统计学的基础上，通过特征提取来标注文本文档，建立文档模型后不同的方法应用不同的分类器来进行文本分来处理。文本分类建立在大量文档的基础之上，从而消除了不同的人对文档文类不同的分歧，使得分类过程不受人为因素的影响。
协同过滤（Collaborative Filt-ering，CF），又称协作型过滤，是在信息过滤与信息发现领域非常受欢迎的技术。一个协作型过滤算法通常的做法是对一大群人进行搜索，从中找出与当前用户喜好相同的一小群人，并且对这些人的偏好内容进行考察，将结果组合起来构造出一个经过排名的推荐列表[2]。协同过滤技术分为基于用户相似性的协同过滤（User-based），基于推荐项目的协同过滤（Item-based）与基于模型的协同过滤（Model-based）三种基本方式。User-based协同过滤是发现相似用户群体，根据相似用户的浏览记录来进行兴趣发现并推荐给用户；Item-based协同过滤计算推荐项目之间的相似性，把与用户以前浏览的项目相似的项目推荐给用户；Model-based协同过滤首先建立个性化推荐的数学模型，根据数学模型来计算推荐集。
本文主要应用朴素贝叶斯分类器与基于项目的协同过滤算法来构建移动网络的个性化推荐系统。
2.2 个性化推荐模型
基于J2ME的移动网络个性化信息推荐系统整体架构如图1所示，系统模型基于C/S结构设计，客户端采用J2ME技术实现手机客户端信息浏览系统，服务器端采用Servlet实现。
由图1可以看出推荐模型可以分为四个主要部分：
1）用户信息采集分为显性的信息采集与隐性信息采集方式。显性的信息采集方式为在用户的终端浏览界面设置信息反馈栏目，在该栏目中用户可以设置自己的使用偏好信息；隐性的信息采集方式为根据用户对信息的浏览时间，对信息是否保存，对信息是否转发等情况对信息内容做出隐性的评价。本文使用5分制规则，对信息保存，转发评分为5分，根据用户对信息浏览时间的长短为信息设置1-5分的分值。
2）信息系统主要负责添加推荐信息，在此过程中使用朴素贝叶斯文本分类器对文本类别进行划分。
3）个性化推荐引擎采用基于用户背景信息分类与历史记录可信度加权的Item-Based协同过滤算法产生推荐信息集。
4）终端系统采用基于J2ME技术实现，提供信息浏览与用户偏好采集功能等。
2.3 朴素贝叶斯文本分类
文本分类是将未知的文本类型划分到规定好的类别中，从而降低人为因素的影响。朴素贝叶斯分类以古典数学理论为基础，分类效率稳定，同时模型构建简单，性能优越。因此本文选取朴素贝叶斯分类器作为文本分类的工具。
本文使用的基于朴素贝叶斯分类的文本分类过程如下：
（1）训练文本的向量空间表示
生成向量空间模型的步骤有文本分词处理，除去停用词，特征选择等。经过各个阶段，最终将确定一组特征词作为特征词空间W={w1，w2，w3，…，wm}，w表示特征词。将文本映射到该组特征词空间，使文本的表示形如T（A）={pA1，pA2，pA3，…，pAm}，pAi为文档频率法表示词wi在文档A上的权重。pAi还可以通过信息增益法，开方拟合检验等其他方法表示[3]。
（2）计算每个特征词所属类别的概概率分布
计算每个特征词属于每个类别的概率，具体计算方法：分别计算每类文件的质心，并计算出每个词能够代表每个类别的概率，最终形成如表1所示的特征词-文本类别对应矩阵。关于文件集质心的计算可以参考文献[4][5]。
（3）向量空间模型的形成
根据已选定的特征词空间，将待分类文本映射到特征词空间中，使其表示为向量空间形式：T（X）={pX1，pX2，pX3…pXm}。
（4）根据特征词的概率分布情况，计算待分类文本所属类别的概率
确定待分类文本T（X）属于分类Ck（Ck∈{C1，C2，C3…Cn}）的概率R（k），R（k）的计算方法如公式1所示。
（公式1）
（5）确定待分类文本的类别
按（4）中所提计算公式分别计算待分类文本属于每个类别的概率R（k），具有最大值R（k）的类别即为该待分类文本的最终分类。
个性化推荐系统范文第3篇
【关键词】电子商务 专家系统 电子商务个性化推荐技术
电子商务个性化推荐技术是指在电子商务网站在客户进行电子商务交易的过程中，根据用户的个性化完成对用户产品的推荐工作，通过对其网站系统内部超多的数据挖掘来有效的匹配到客户心目中的理想产品类型，为客户提供符合其个性化要求的产品购买信息以及相关服务功能。事实上，随着电子商务行业的不断进步以及发展，电子商务个性化推荐技术已经形成了专业成熟的电子商务个性化推荐系统，在电子商务网站的运营过程为客户的购买行为提供者非常重要和直观的技术支撑，保证客户个性化要求的满足。而在电子商务个性化推荐技术的组成结构中添加相应的专家系统模式，能够更加有效的分析出客户在电子商务购买行为中的购买需求、购买期望、购买目的，更好的帮助电子商务个性化推荐系统完成对不同客户的定位和识别，促进客户完成交易过程。
1 专家系统的主要内容
专家系统指的是一种专用的智能计算机程序系统，其内部含有大量的某一领域的专家水平的知识与经验，能够通过对这种经验的分析和应用有效的解决这一领域中出现的诸多问题。事实上，专家系统的组成结构与电子商务个性化推荐系统的组成结构是较为相似的，其二者都共同存在输入模块、数据收集以及分析处理模块和最终的输出模块等等，在电子商务个性化推荐系统中添加关于专家系统的智能程序，能够有效的提升电子商务个性化推荐系统中的智能型，使其能够更加充分的面对客户在电子商务交易行为中的种种决策并提供相应的信息帮助。
2 基于专家系统的电子商务个性化推荐系统的主要组成
正如上文所述，专家系统的强大之处在于其可以利用某一领域的专家知识，模拟专家决策时候的决策方式以及相应的推理和判断方式来解决某一领域中出现的诸多问题。在电子商务个性化推荐系统中应用专家系统这一程序，首先应该确定专家系统的主要领域以及相关的信息知识内容。具体来讲，电子商务个性化推荐系统中专家系统应该包含的领域和知识内容应该包括消费领域以及心理领域等等，其具体的知识内容应该包括电子商务客户的行为需求特征分析、电子商务客户的行为适宜行为需求特征分析、电子商务客户的决策行为需求特征分析等等，而专家系统在电子商务个性化推荐系统中的主要应用流程应该包括消费者描述自身的需求、专家系统分析适合消费者的需求、专家系统提取相应的产品信息满足消费者的需求以及专家系统在最后的过程中对于产品的优点介绍和竞争优势介绍等等，为消费者的最终决策提供信息帮助。
根据上述分析，基于专家系统的电子商务个性化推荐系统的主要结构应该包含专家系统的核心规则数据库（静态数据库）和电子商务网站的商品数据库以及客户数据库（动态数据库），同时使用咨询子系统、规则子系统以及结果子系统来实现专家系统核心规则数据库以及电子商务网站动态数据库之间的有效衔接和运用。
2.1 专家系统核心规则数据库
逻辑上个性化推荐系统的静态数据库可以使用专家系统的核心规则数据库作为程序建立的核心内容，用来存放专家系统运行的领域知识结构以及内容，并设置相应的辅助参数保证专家系统核心规则数据库的良好运行。
2.1.1 规则特性
每一个规则包括四个特性，例如PREMISE规则的前提部分、ACTION规则的操作部分等等，同时注意CATEGORY规则按照上下文分类，每条规则只能用于某几个上下文，以便调用；
2.1.2 设置参数
每个设置参数应该各自存储一组属性，用来咨询以及程序调用，同时规定好每一个参数的参数组名称、参数取值范围、参数的类型结构。
2.2 动态数据库
电子商务网站的用户数据库以及产品数据库都隶属于动态数据库的存储范围，每一次客户登录或者登出的过程中，电子商务网站的动态数据库都会随之实时更新一次，添加相应的动态数据内容。动态数据库对数据的主要存储方式是根据相关对象、相关对象的具体属性以及相关对象的具体参数数值（对象可信度、对象参数、对象跟踪次数）来确定对该对象的信息存储、追踪和使用过程。
2.2.1 电子商务用户数据库
电子商务用户数据库的存储信息主要是商务网站浏览和登录登出过程中各个用户的主要信息，包括用户的性别、年龄、职位、爱好、收藏、收入、购物经历以及其他相关信息等等。
2.2.2 电子商务商品数据库
电子商务商品数据库的存储信息主要是诸多网站商户的产品细细，包括产品的名称、品牌、价格、尺寸、重量、功能、材料、生产日期、保质期、售后服务以及其他相关的产品信息等等。
2.3 资讯子系统
资讯子系统的主要功能是根据客户在电子商务网站上的登录、访问、收藏、购物等一系列信息对网站的客户数据库提供对客户的定位信息，更好的做好客户个性化产品的推荐工作，同时有效的满足客户产品咨询的功能。
2.4 规则子系统
规则子系统的主要功能是专家系统的核心规则内容，专家智能系统能够凭借自身的核心规则以及规则子系统的有效连接来实现客户的产品推荐工作。
2.5 结果子系统
结果子系统的主要功能是记录客户浏览、咨询以及最终购买的过程，为客户的可信度数值提供相应的资讯信息，并记录下客户本次的操作内容，为客户的下次购买提供信息支持。
3 结语
综上所述，本文对基于专家系统的电子商务个性化推荐系统的主要组成结构以及相关功能进行了分析，电子商务网站在应用专家系统的过程中仍然需要注意对专家系统智能模块以及网站个性化推荐模块两者之间的有效连接和应用，使专家系统能够有效的融入在电子商务个性化推荐系统中并发挥功用。
参考文献
[1]马丽.电子商务个性化推荐技术分析及比较[J].计算机系统应用.
个性化推荐系统范文第4篇
[关键词] 电子商务 体育营销 个性化推荐系统
近年来，电子商务的快速发展极大地改变了传统的贸易模式，为企业和消费者提供了一个相互交流的便捷平台。本文旨在提出一个适合于体育营销的个性化推荐模式，以期使电子商务能广泛、高效地为发展体育事业服务。
一、国内电子商务个性化推荐系统的现状
目前个性化推荐已开始在国内电子商务领域初现端倪，PC零售业的巨头――Dell公司正是通过提供个性化推荐在电子商务活动中获得了巨大的成功。然而，在电子商务推荐系统的应用方面，国内电子商务网站与国外网站相比差距还较大，主要表现在：
1.缺乏个性化的推荐： 由于很多推荐笼统地粗放地面向所有用户，而非个性化的推荐，其结果与每一用户的特殊兴趣并不相符合，这是我国电子商务推荐系统最主要的缺陷。
2.推荐的自动化程度低： 大多数的推荐功能都需要用户经过一段时间与计算机进行交互，输入自己感兴趣的信息，然后才能得到结果。并且，系统不能保存用户每次输入的信息。总体来说，所有的推荐策略都基本上停留在查找这一层次上，不能实现自动推荐。
3.推荐的持久性程度低： 目前大多数的推荐策略都是建立在当前用户会话的基础上，不能利用用户以前的会话信息，因而推荐的持久性程度非常低。这也是国内推荐系统的不足之处。
4.推荐策略单一： 大多数推荐系统所用的推荐策略基本上就是分类浏览和基于内容的检索，缺乏多种推荐策略的结合使用，尤其缺少个性化与非个性化推荐策略的混合使用。
产生以上问题的主要原因，首先是消费者对电子商务不信任的社会心理还比较普遍，不愿提供真实的个人信息。其次，是现实生活中电子商务个性化推荐不到位，管理制度不完善，无法达到消费者要求的水平，建立提供电子商务个性化推荐的网络系统的技术也欠发达。
二、电子商务个性化推荐系统及其分类
电子商务个性化推荐系统（Personalized Recommendation Systems for E -Commerce）的正式定义由Resnick & Varian在1997年给出：“电子商务个性化推荐系统是利用电子商务网站向用户提品信息和相关建议，帮助用户决定购买什么产品，通过模拟销售人员帮助用户完成购物过程的系统”。这个定义现在已被广泛引用，推荐系统的使用者是用户（电子商务活动中的用户）（user），推荐的对象是项目（item）。项目是推荐系统提供给用户的产品或推荐，也即最终的推荐内容。
根据推荐对象的特点，目前存在的推荐系统可以大致分为两类：一类是以网页为主要推荐对象的推荐系统，它主要采用Web数据挖掘，尤其是使用Web日志挖掘的方法来分析用户的兴趣，向用户推荐符合其兴趣爱好的网页链接。另一类推荐系统的推荐对象主要是产品，这种系统主要在电子商务网络购物环境中使用，帮助用户找出他真正想要的产品。
三、电子商务个性化推荐系统模块
1.输入模块（Input）：主要负责对用户信息的收集和更新。输入来源按时间划分，可分为用户当前行为输入和用户访问过程中的历史行为输入；也可以分为个人输入和群体输入两部分。输入形式主要包括：用户注册信息输入、隐式浏览输入、关键字输入、编辑推荐输入、用户购买历史输入等等。
2.推荐方法模块（Recommendation method）是整个推荐系统的核心部分，它直接决定着推荐系统的性能优劣。推荐方法模块是以推荐技术和推荐算法为技术支撑。
3.输出模块（Output）负责将推荐结果输出给用户。输出形式主要包括相关产品输出、个体评分输出、相关推荐输出等。
四、电子商务个性化推荐系统的体系结构
与传统的网站系统相比，个性化的电子商务系统有一个很大不同之处：个性化的电子商务网站一般都没有静态页面，这是由HTTP协议的“无状态性”所决定的。浏览器与Web推荐器之间的一个交互过程如图1所示。
从上图可见，客户机浏览器与Web推荐器之间采用TCP连接，并且该连接状态在此次连接过程中尚能保持。但是，Web推荐器在发送给客户机应答信息后，便“遗忘”了此次交互，无论Web推荐器和客户端浏览器都不会记忆上一次连接的状态。目前，解决这个问题的方法一般有两种：
1.使用Cookie。Cookie是存储在Web客户端机器上的一个小文本文件。Web推荐器端的处理程序可以创建一个Cookie，然后让推荐器把该信息发送给客户端的浏览器。浏览器收到信息后即把数据存储在客户端的硬盘上。以后，当该客户再次访问该站点时，推荐器的处理程序向客户机的浏览器请求该Cookie。 通过Cookie，可以使推荐器端的处理程序具有交互性。
2.采用全动态的页面。“全动态”是指在获取用户的身份信息后，在用户访问的每一个页面中都写入系统分配给顾客的一个唯一标识，当用户向推荐器提交推荐请求时，这个标识也一起传送到了推荐器。这样，推荐器端的处理程序可以从这个标识中获取用户的身份信息。采用这种方式，不同的用户拥有不同的标识，不同的顾客也就有了一套不同的页面。这些页面只可能通过处理程序来动态生成。
因此，一个个性化的电子商务系统一般是没有静态页面的。综上所述，一个个性化电子商务网站的基本结构如图2所示。
五、个性化处理单元的设计
1.个性化处理部分：这是个性化处理单元中一个很重要的部分，它与接口部分协作，完成了个性化网页的生成工作。个性化处理部分一个大致的工作流程如下：(1)确认用户身份，以便对不同的用户提供不同的推荐。如果由于输入错误或其他一些原因，用户可能无法通过身份认证，对此系统可以有不同的处理方式。(2)获取用户配置信息。用户在通过认证后，系统将从后台数据库中获得用户配置信息，如用户的兴趣、爱好等等。根据系统的不同，需要的用户配置信息也会有所不同。(3)生成动态页面。匹配中心根据用户的配置信息，与相应的数据库进行交互，动态生成页面。 最后通过连接管理模块将结果页面发送给Web推荐器，最终由推荐器将页面返回给发送请求的用户。
2.管理部分;其工作是在后台管理整个系统的运行，对于一个个性化系统来说，管理部分还有一些特殊的地方:(1)管理工作的内容比较繁杂。管理工作有的是直接为访问网站的用户推荐的，有的是为网站后台应用服务的。(2)进行管理工作的人员也比较复杂。在一个个性化的系统中,高级决策人员、销售人员、网页维护人员等都可以进行相应的管理工作。正因为如此,管理部分成为个性化系统中一个不可缺少的部分。管理部分共有内容管理模块、规则管理模块、后台管理模块三大块,每个模块的功能都不相同。
3.接口部分：这一部分包括接入管理模块和数据库接口两部分。个性化处理单元处于Web推荐器与后台数据库之间，它通过接口部分与Web推荐器和数据库连接。因此，接口部分在 Web推荐器、个性化处理单元和数据库间起到了一个“桥梁”的作用。(1)接入管理模块。接入管理模块的主要功能是接收Web推荐器发送的请求信息，并将产生的结果页面返回Web推荐器。根据Web推荐器中HTP网关的不同，接入管理模块可以是一个外部的应用程序，或者是一个连接入推荐器的模块。(2)数据库接口。数据库的接口大致可以分为两类：通用接口和专用接口。通用接口，如ODBC， JDBC等，可以连接到多种数据库。专用接口只能对应于某种专用的数据库。但通用接口在速度方面不如专用接口。根据网站规模的不同、经营项目的不同、硬件设备的不同，库接口都会有所不同，这需要具体问题具体分析。
六、结束语
电子商务网站为终端客户和分销商等商业个体提供商业信息交流的平台，如何对系统留下的大量冗余的商业数据再利用是一个具有挑战性的问题。随着数据挖掘技术的成熟，尤其是Web挖掘技术的产生，如何提供电子商务网站个性化推荐越来越受企业关注，也是保障企业生存发展的重要因素之一。
参考文献:
[1]余力:电子商务个性化――理论、方法与应用.清华大学出版社,(2006）
个性化推荐系统范文第5篇
【关键词】多Agent；电子市场；个性化推荐系统；用户行为
随着互联网的普及应用，线上购物优点的突显，其已逐渐成为一种普遍的购物方式，各电商网站为了吸引更多的用户，通常致力于各种推荐策略促销手段的应用，如何根据用户行为，挖掘用户特点实施潜在的、有效的个性化推荐成为了电子市场的热点研究问题。本文引入多Agent技术，利用其自下而上的建模方法，结合动态情境进行用户进行数据分析，通过模型显现分析和预测用户行为特性，构建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。
1 多Agent技术
1.1 Agent技术概念及特征
Agent技术源于人工智能领域，指具有目标驱动能力、自制能力及智能，能够通过各种学习、推理等方法感知和适应复杂的动态环境，并能够主动最亲目标的能动实体[1]。具有一定程度的拟人性，中文可译为智能体，具有一定“拟人”属性，能够代替或协助人完成一定的工作，因而采用Agent技术构建个性化电子市场推荐系统具有一定的可行性和先进性。
Agent具有如下特征[2]：
智能性：具有推理能力，能有针对性地分析解决问题，提供准确信息，进行复杂任务的分解、分析、预测用户意图。
社会性：通过通信语言与Multi-Agent进行交互，协调任务、消解矛盾，通过与其他 Agent 协同工作执行和完成独自无法解决的复杂工作。
反应性：自主感知外部环境，并作出及时的反应。
自适应性：根据计算环境，针对不同系统终端，自动采取行为，进行自主学习，自动识记用户信息，进行自主决策，将用户兴趣、爱好、习惯等情境信息进行主动存储，建立用户日志，提供主动服务。
能动性：无需外界操作控制自主运行控制自身行为及内部状态。
1.2 多Agent系统
Agent的社会性特征，采用多Agent进行系统架构，通过对单个Agent系统的优化组合，多Agent系统能够实现系统目标、资源的合理统筹，能够最大限度的实现不同的目标[3]。同时，由于单个Agent系统具有一定的独特性，自治性，将多个Agent进行协同工作时，能够构成多个节点，在独立工作的同时又形成求解网络，较大程度的提高了系统的工作效率，因此，多Agent信息推荐系统对于个性化信息推荐具有极大的优势。
2 基于用户行为的multi-Agent电子市场个性化推荐系统的整体架构
本文提出了基于用户行为的multi-Agent电子市场个性化推荐系统（multi-Agent E-Commerce personalized recommendation system based on user behavior，MACPRSUB）。电子市场交易活动，受当前情境影响，如消费者用户个性特征（年龄，收入，偏好等）、网络状态、购买经历、市场服务等内外部情境。MACPRSUB的主要功能为，通过分析用户行为，购买经历，建立用户日志，分析用户兴趣，行为偏好，建立用户模型，进而进行商品服务推荐，刺激和帮助用户做出购买决策实施购买行为。由于用户在购买决策的过程中会处于动态情境中，发生不断的变化，因此本文基于Agent的特征构建了如下图所示的多Agent共同协作的动态MACPRSUB推荐系统，结构如图1所示。
每位进入电子市场的线上购物用户都会获得一个用户Agent，监听用户行为，反馈给相关联的终端Agent，由终端Agent建立用户日志，进行基于行为的用户偏好建模，进行用户细分。辅助Agent在推荐系统中与用户及电子市场MACPRSUB推荐系统数据库相互关联，互相提供信息，用户通过辅助Agent获得市场信息进行搜索等操作，电子市场通过辅助Agent获得用户信息，决定和改善推荐策略。
图1 MACPRSUB推荐系统整体架构
下面对MACPRSUB推荐系统中的各Agent的功能进行具体的描述。
2.1 用户Agent
用户Agent主要有两个任务，一个是通过终端Agent获取商品信息，终端Agent提供搜索功能；例外一个是向终端Agent传递用户信息，便于终端Agent分析和建立用户日志，进行偏好建模，进而决定和改善推荐策略。
用户Agent由连接参数（Connection Parameters，CPS）和用户配置文件组成（User Configuration File，UFC）组成。链接参数里面主要由用户终端Agent数量构成，每个用户根据其访问记录配置N不同的终端；用户电子市场会话行为数据记录在用户配置文件中，主要根据用户访问的不同终端及节点，以及访问的商品内容，记录和分析用户的情景偏好兴趣度（SIW）。
2.2 终端Agent
终端Agent用于链接用户Agent和辅助Agent，进而与MACPRSUB推荐系统建立关联。终端Agent通过辅助Agent向用户Agent传递电子市场的商品信息，通过与用户Agent的关联建立用户日志，分析用户偏好，建立用户模型，进而进行用户细分，同时可以对用户进行智能跟踪计算，通过辅助Agent，向推荐系统提出改善和决策建议。
终端Agent由用户配置文件和终端配置文件组成。当用户在某一终端进行电子市场会话时，对商品C进行相关操作时，其历史用户文件会自动进行匹配及更新操作，由此建立和更新用户配置文件。用户在进行的与商品C相关的电子市场行为耗时t越长，表明其对商品C的兴趣度IW越高。
2.3 电子市场数据库和辅助Agent
电子市场数据库包含所有在线商品及商铺列表，与辅助Agent共同生成商品（商铺）列表，辅助Agent主要包含商品商铺列表、全局配置文件集，配置文件接收映射器。当用户u在终端t进行电子市场商务会话时，与之相关联的终端（tagent）会将终端配置文件传输给市场Agent，根据用户细分，将分配一个辅助Agent与之相关联。在基于内容的推荐过程中，辅助Agent与电子市场数据库相结合创建一个符合当前用户u的商品商铺列表CSL，并记录在用户配置文件UFC中，同时传送给辅助Agent，进而根据用户偏好系数IW将商品商铺列表进行降序排列。在协同过滤推荐过程中，为了与使用相同终端t的用户相比较，辅助Agent会将用户u的商品列表与用户m的商品列表相比较生成新的商品列表CSLi，并将其归属于与用户u具有最小差异性的n个用户的访问列表。
3 实验与结果
本系统检测以Repast[4]的多Agent系统为仿真平台，采用JAVA编程语言，在实验过程中设置生成100个用户，并邀请了不同结构层次的用户参与了该推荐系统的电子市场对话行为，进行了数据记录，建立用户元组（Ca，Cb，t，r），用户电子市场会话轨迹从商品Ca到商品Cb，在各个页面的停留时间t，及对商品的评分r，并创建用户的初始配置文件UCF。每个用户根据分配的元组生成一个商品推荐列表L（n），并验证Ca是否在列表中，结果保存为值？资唬
？资=0，b？埸L（n）1，b∈L（n）
表2 推荐系统前后购买率
上表展示了不同结构层次下三种情况下S1、S2、S3的实验结果，从表中可以清楚的了解到MACPRSUB具有较为优秀的推荐性能，能够最大程度的促成用户的电子市场购买行为。
多Agent电子市场MACPRSUB推荐系统，根据用户的不同情境，如使用的不同终端设备接入电子市场，系统会根据用户历史配置文件进行自适应推荐，并同时进行更新，并根据用户的历史日志自计算预测用户的当前及外来会话走向，发送推荐预约。但是本系统还可以进行更为深入的优化，如根据情境定义用户聚类问题，稀疏数据的准确推荐问题，用户配置文件的自更新计算问题。
【参考文献】
[1]危世民，戴牡红.多Agent协同的电子商务推荐系统模型[J].计算机应用，2014，34（4）：1118-1121.
[2]闫燕，王锁柱.基于多Agent的电子商务个性化推荐系统模型研究[J].情报杂志，2007，5：59-61.
