推薦系統(tǒng)
　　個(gè)性化推薦系統(tǒng)簡(jiǎn)介
　　個(gè)性化推薦是根據(jù)用戶的興趣特點(diǎn)和購買行為，向用戶推薦用戶感興趣的信息和商品。隨著電子商務(wù)規(guī)模的不斷擴(kuò)大，商品個(gè)數(shù)和種類快速增長，顧客需要花費(fèi)大量的時(shí)間才能找到自己想買的商品。這種瀏覽大量無關(guān)的信息和產(chǎn)品過程無疑會(huì)使淹沒在信息過載問題中的消費(fèi)者不斷流失。為了解決這些問題，個(gè)性化推薦系統(tǒng)應(yīng)運(yùn)而生。個(gè)性化推薦系統(tǒng)是建立在海量數(shù)據(jù)挖掘基礎(chǔ)上的一種高級(jí)商務(wù)智能平臺(tái)，以幫助電子商務(wù)網(wǎng)站為其顧客購物提供完全個(gè)性化的決策支持和信息服務(wù)。購物網(wǎng)站的推薦系統(tǒng)為客戶推薦商品, 自動(dòng)完成個(gè)性化選擇商品的過程, 滿足客戶的個(gè)性化需求, 推薦基于：
　　網(wǎng)站最熱賣商品
　　客戶所處城市
　　客戶過去的購買行為和購買記錄, 推測(cè)客戶將來可能的購買行為
　　在電子商務(wù)時(shí)代, 商家通過購物網(wǎng)站提供了大量的商品, 客戶無法一眼通過屏幕就了解所有的商品,也無法直接檢查商品的質(zhì)量. 所以,客戶需要一種電子購物助手,能根據(jù)客戶自己的興趣愛好推薦客戶可能感興趣或者滿意的商品
　　
個(gè)性化推薦系統(tǒng)的發(fā)展歷程
1995年3月，卡耐基.梅隆大學(xué)的Robert Armstrong等人在美國人工智能協(xié)會(huì)上提出了個(gè)性化導(dǎo)航系統(tǒng)Web Watcher; 斯坦福大學(xué)的Marko Balabanovic等人在同一會(huì)議上推出了個(gè)性化推薦系統(tǒng)LIRA；
　　1995年8月，麻省理工學(xué)院的Henry Lieberman在國際人工智能聯(lián)合大會(huì)（IJCAI）上提出了個(gè)性化導(dǎo)航智能體Litizia；
　　1996年， Yahoo 推出了個(gè)性化入口My Yahoo；
　　1997年，AT&T實(shí)驗(yàn)室提出了基于協(xié)同過濾的個(gè)性化推薦系統(tǒng)PHOAKS和Referral Web;
　　1999年，德國Dresden技術(shù)大學(xué)的Tanja Joerding實(shí)現(xiàn)了個(gè)性化電子商務(wù)原型系統(tǒng)TELLIM；
　　2000年，NEC研究院的Kurt等人為搜索引擎CiteSeer增加了個(gè)性化推薦功能；
　　2001年，紐約大學(xué)的Gediminas Adoavicius和Alexander Tuzhilin實(shí)現(xiàn)了個(gè)性化電子商務(wù)網(wǎng)站的用戶建模系統(tǒng)1：1Pro；
　　2001年，IBM公司在其電子商務(wù)平臺(tái)Websphere中增加了個(gè)性化功能，以便商家開發(fā)個(gè)性化電子商務(wù)網(wǎng)站；
　　
個(gè)性化推薦系統(tǒng)算法簡(jiǎn)介
電子商務(wù)推薦系統(tǒng)的主要算法有：
　?。?） 基于關(guān)聯(lián)規(guī)則的推薦算法（Association Rule-based Recommendation）
　?。?） 基于內(nèi)容的推薦算法 (Content-based Recommendation)
　　內(nèi)容過濾主要采用自然語言處理、人工智能、概率統(tǒng)計(jì)和機(jī)器學(xué)習(xí)等技術(shù)進(jìn)行過濾。
　　通過相關(guān)特征的屬性來定義項(xiàng)目或?qū)ο?系統(tǒng)基于用戶評(píng)價(jià)對(duì)象的特征學(xué)習(xí)用戶的興趣,依據(jù)用戶資料與待預(yù)測(cè)項(xiàng)目的匹配程度進(jìn)行推薦，努力向客戶推薦與其以前喜歡的產(chǎn)品相似的產(chǎn)品。如新聞組過濾系統(tǒng)News Weeder。
　　基于內(nèi)容過濾的系統(tǒng)其優(yōu)點(diǎn)是簡(jiǎn)單、有效。其缺點(diǎn)是特征提取的能力有限，過分細(xì)化，純基于內(nèi)容的推薦系統(tǒng)不能為客戶發(fā)現(xiàn)新的感興趣的資源,只能發(fā)現(xiàn)和客戶已有興趣相似的資源。這種方法通常被限制在容易分析內(nèi)容的商品的推薦，而對(duì)于一些較難提取出內(nèi)容的商品，如音樂CD、電影等就不能產(chǎn)生滿意的推薦效果。
　?。?） 協(xié)同過濾推薦算法 （Collaborative Filtering Recommendation）
　　協(xié)同過濾是在信息過濾和信息系統(tǒng)中正迅速成為一項(xiàng)很受歡迎的技術(shù)。與傳統(tǒng)的基于內(nèi)容過濾直接分析內(nèi)容進(jìn)行推薦不同，協(xié)同過濾分析用戶興趣，在用戶群中找到指定用戶的相似（興趣）用戶，綜合這些相似用戶對(duì)某一信息的評(píng)價(jià)，形成系統(tǒng)對(duì)該指定用戶對(duì)此信息的喜好程度預(yù)測(cè)。
　　與傳統(tǒng)文本過濾相比，協(xié)同過濾有下列優(yōu)點(diǎn):
　　1）能夠過濾難以進(jìn)行機(jī)器自動(dòng)基于內(nèi)容分析的信息。如藝術(shù)品、音樂;
　　2）能夠基于一些復(fù)雜的，難以表達(dá)的概念（信息質(zhì)量、品位)進(jìn)行過濾;
　　3）推薦的新穎性。 正因?yàn)槿绱?，協(xié)同過濾在商業(yè)應(yīng)用上也取得了不錯(cuò)的成績。Amazon，CDNow，MovieFinder，都采用了協(xié)同過濾的技術(shù)來提高服務(wù)質(zhì)量。
　　缺點(diǎn)是:
　　1）用戶對(duì)商品的評(píng)價(jià)非常稀疏，這樣基于用戶的評(píng)價(jià)所得到的用戶間的相似性可能不準(zhǔn)確（即稀疏性問題）;
　　2）隨著用戶和商品的增多，系統(tǒng)的性能會(huì)越來越低（即可擴(kuò)展性問題）;
　　3）如果從來沒有用戶對(duì)某一商品加以評(píng)價(jià)，則這個(gè)商品就不可能被推薦（即最初評(píng)價(jià)問題）。因此，現(xiàn)在的電子商務(wù)推薦系統(tǒng)都采用了幾種技術(shù)相結(jié)合的推薦技術(shù)。

擴(kuò)展閱讀：
1.http://www.
2.http://blog.sina.com.cn/tzuo2000