个性化推荐范例(3篇)

个性化推荐范文篇1

随着互联网走进各家各户，电子商务发展越来越快，服务和产品也越来越多，这就造成信息过于冗杂，客户面对海量选择，往往要浪费很多时间来挑选自己需要的商品。为了使消费者避免浪费时间，已更加从容的心态来购买商品，电子商务推荐系统可以精确识别消费者的喜好，模拟销售人员帮助消费者完成购买，给消费者想要的推荐，让挑选变得简单。统计学、人工智能数据挖掘等技术都应用于电子商务推荐系统（RecommendationSystems）中，想要引导消费者完成购买行为，就要先分析消费者的购买意愿，所谓知己知彼百战不殆，分析消费者访问网站的行为，并最后给出令客户满意的推荐结果，来产生丰厚的利润。所以说，推荐系统的核心便是推荐结果是否准确，如果是客户需要的，则会提高顾客的购买意愿；反之如果推荐结果不合顾客的意，那便是端起石头砸自己的脚，客户也会对推荐系统产生怀疑，购买兴趣大大降低。

1推荐系统介绍

对客户行为信息进行收集的记录模块、对用户喜好进行分析的模型分析模块、推荐系统的核心推荐算法模块以及处理售后服务的反馈处理模块组成了一个完整的推荐系统。将对的商品推荐给对的人就是推荐系统的目标，常见的推荐机制算法有三种，分别是基于关联规则的算法（AssociationRule_basedRecommendation）、基于内容的推荐算法（Content-basedRecommendation）、协同过滤推荐算法（CollaborativeFilteringRecommendation）。算法数据的表示不是很复杂，一个二维表或者是一个MXN的矩阵足以。把日志或消费类的数据通过一定的预处理，所有的商品类目用列表示，所有用户用行表示。

把用户的购买需求转化成购买结果，这是一个电子商务推荐系统的终极目标，也是衡量推荐机制好坏的标准。在实际生活中，消费者去实体店购买商品，会有“导购员”进行服务，提高消费者的购买意愿，而在电子商务网站中，推荐系统就是这个“导购员”。一个好的推荐系统就像一个好的“导购员”一样，让消费者了解商品后更加愿意购买商品。主要实现一下功能：①完善用户体验，给出个性化推荐；②更好的向消费者展示商品，提高转换率；③发现消费者潜在需求，挖掘更广的市场。

网站的推荐形式多种多样，经常用到的有三种：①根据会员的历史购买记录，来进行推荐机制的营销；②由购物车或物品收藏来做相似物品推荐；③针对消费者的历史信息来做相关推荐。

个性化推荐系统能够深度挖掘电商消费者的兴趣，增强消费者持续购买的意愿，从而形成信任关系达到维系老客户，减缓以及解决现在电商平台存在消费者持续购买意愿不强的问题。我们假设一下，如果没有了推荐系统的精准推荐，消费者可能将要花更多的时间来找自己中意的商品；如果失去了系统的热门推荐，消费者将很难买到质量好价格低的产品；如果失去了推荐系统的辅助政策，消费者做出的选择往往不是最优的，这样也不会购买到自己感到满意的产品，对网站也不会有好感度，二次购买也不会再有了。这对卖家和买家来说都是损失，因此电商平台是一种双赢的表现。

2协同过滤推荐

假如两个用户过去有相似的喜好产品，那么他们现在依然有相似的喜好产品，这是基于用户（user-based）的协同过滤；假如有用户过去喜好某产品，那么他现在任然喜好与该产品类似的产品，这是基于项目（item-based）的协同过滤。传统协同过滤算法一般就分为这两种，协同过滤不需要获得产品或用户特征，而是凭借相似性度量方法和评分数据来进行预测，只要评分数据越多，预测也会变得更精准。

协同过滤作为目前最成功的推荐技术之一，已被广泛应用于各类电子商务推荐系统及互联网的相关领域，譬如国外的Amazon，eBay，NetFlix以及国内的淘宝网和当当网等等。伴随电子商务的不断发展，用户数量也飞速增加，用户―项目评分数据的维度急剧增高，可是用户给予的评价却不是很多，使得传统的协同过滤推荐面临严峻的用户评分数据稀疏性问题。同时，用户的需求也在随着时间改变，而传统协同过滤并不能很好的解决这个问题，存在着局限性。所以，如何捕捉移动的用户感兴趣的信息已经变成电子商务亟待解决的问题。

3典型应用

亚马逊作为电商平台的领头羊，推荐商品占销售总量的百分之四十，同时也是较早使用推荐系统的电子商务平台，当然他们的推荐形式也是别出心裁。例如，一位顾客买了一个相机，系统就会自动的给他推荐能用到的电池产品。但是由于商品多样化的趋势，亚马逊电商平台不断更新后数据分析能力的增强，推荐系统可以推荐购买过该产品的用户还购买的其他产品。

由于使用真实的购买数据，而不是假设消费者会购买什么商品，亚马逊能够提出非常精准的提?h。例如提示“购买此商品的用户同时购买”，就是一种很机智的营销手法，可以让消费者横向比较，开阔自己的眼界，更加容易找到自己的需要。

亚马逊使用的是“协同过滤”算法，这种算法把消费者串联起来，有相似兴趣行为的划为一组，参照消费者的购买历史，经常做到事半功倍。任何人的兴趣都不是孤立的，这就是“协同过滤”算法的出发点，应该处于一个群体所感兴趣的产品中，就是如果一群消费者对一个商品的评分很相似，那么他们对另一个商品的评分也不会相差很多。该推荐算法的核心在于采用技术找到于目标消费者有相似兴趣的消费者，然后根据相似消费者对目标商品的评分做出推荐，并且把测试评分最高的多项商品作为该消费者推荐列表。

亚马逊的页面分为非登录用户和登录用户。对于非登录用户，亚马逊会推荐各个类目的畅销品，换言之就是排行榜。查询浏览页面和详细的商品页面则会有关联推荐，比如“购买此物品还可购买”；通过人的相似兴趣来推荐，像“购买此物品的顾客也购买了”，“看过此商品的顾客购买的其他商品”。

而对于登录用户，亚马逊的推荐方式却截然不同，首页的页面会有一个今日推荐的栏目，这个栏目是由用户的历史浏览记录生成出来的，在下面是最近一次购买商品给的记录以及类似商品的推荐，如“根据浏览推荐给我的产品”，“浏览XX商品的用户会买XX的概率”，有意思的是，每个页面的最下方都会根据消费者的浏览内容给出对应的推荐，没有浏览记录的会推荐系统畅销。

4结论

个性化推荐范文

关键词：多Agent；个性化学习路径；交互；概念相关度；遗传算法

中图分类号：TP311文献标识码：A文章编号：1009-3044（2013）26-5981-04

1概述

个性化课程序列是基于网络学习的一个重要的研究领域，因为固定的学习路径并不适合所有的学生。然而，大部分的个性化学习系统在进行个性化服务时都忽略了考虑学习者的能力和推荐资源难度水平的匹配问题。而且，在实施个性化课程序列的时候，学习概念连续性也需要考虑。因为平稳连贯的学习路径可以加强概念之间的理解和学习。通常情况下，不适合的课件会给学习者带来认知负担和迷惑，因此会影响学习效果。

2系统设计

该系统设计了两种学习方式。一种是传统的e-learning学习方式，自由浏览学习模式。另一种是个性化学习路径推荐模式。并且通过实验数据来对比两种学习模式设计对学习者学习的影响。

2.1系统结构

个性化e-learning学习系统是基于遗传算法推荐课程序列计划，该系统包括一个线下的课件建模过程，六个智能agent和四个数据库。

学习接口：提供了一个灵活的学习接口和前测过程，适应性导航和后测进行交互。前测过程是为相应的学习课件产生一个随机的测试项目，根据学习者对测试项目的错误作答来判断对于个体学习者的个性化学习序列中应包含哪些学习概念。前测过程会将个体学习者的错误作答传递给学习路径导出，用于生成一个基于遗传的推荐学习路径给学习者。适应性导航支持负责引导学习者按照学习路径导出产生的学习路径进行学习，并且存储学习者学习记录在用户档案数据库中。在学习者完成学习过程后，后测过程会产生一个最终测试。拥有账户授权机制的课件管理提供了一个应答测试项目和课件管理接口，协助教师生成新的测试项目和课程单元，上传，删除和编辑测试项目和课件到测试项目和课件数据库。四个数据库分别是：用户账户数据库，用户资料数据库，测试项目和课件数据库，教师账户数据库。系统结构图如下：

2.2课件建模过程

2.2.1课件难度参数确定

课件建模过程为个性化课件的生成和依据课件内容难度参数设计课件。该研究展示了根据computerizedadaptivetesting（CAT）理论[1]的一种基于统计的方法。通过细致的测试过程来决定课件的难度参数。如图所示。

课件建模过程是由多位经验丰富的教师组成专家组，根据每个学习概念设计相应的测试项目。测试项目被当做相应学习内容的关键特征。此外，需要数据采样来测试包含所有学习内容的测试项目。根据IRT这些测试数据会有统计的编程BILOG来进行分析得到每次测试项目的相应难度系数。测试项目数据库中的每个测试项目都有相对应的学习课件。

2.2.2评估课件间的概念相关程度

使课件概念相关性分析更加容易，所有课件数据库中的课件都遵循元数据模式的标准SharableContentObjectReferenceModel（SCORM）[2]。课件数据库中的每个课件都绑定一个XML文件以记录重要的传递主要课件概念的元数据。该研究采用接口技术来保留相关课件的SCORM元数据。为了给学习者产生一个基于前测结果的最近学习路径，SCORM元数据被应用来计算概念相关度，采用中文自然语言处理和信息检索的方法。具体的细节如下：每个元数据领域的与课件绑定的XML文件被选定为代表一个课件的学习概念。为了生成个性化课件需要计算概念相关度，由于在SCORM标准中是用自然语言汉语描述，因此需要元数据建模过程。因此元数据过程的第一个目标是用ECS逐个扫描，将句子分离成词。然后元数据过滤出无任何有用信息的非文本词（数字，符号等）和一个字术语。估计两个课件包含概念的相关度，采用向量空间模型来代表每一个课件在多维欧几里得空间的向量。在这个空间中，每一个轴都对应了一个术语。第i个课程对应第k个术语的坐标可以表示如下：

Wik表示术语k在课件i中的重要性，tfik表示术语k在课件i中出现的频率，N表示一个课程单元中所有的课件总数。dfk表示术语k在课程单元中出现的频率。假设在课件i和j中总共出现了m个术语，那么课件i和课件j之间的概念相似性可以用余弦公式获得。

根据矩阵建立了课件概念相关度矩阵后，所有的矩阵会被存储在课件概念相关度表中。用于后续的个性化学习路径的生成。

在此处键入公式。

2.3基于遗传算法的个性化学习路径的生成

2.3.1定义个体串

测试项目和课件数据库中的每个课件都被定义一个序号（从1到n）如果数据库中有n个测试项目和课件。这个整数代码被用来代表一个个性化串，也就是一个遗传算法的潜在解答[3]。由此，这个定义的序号和其它课程的序号结合生成一个数字串，这个数字串就是基因染色体的序列，也就代表生成了一个个性化学习路径。在这方面，每个个体都有一个独立的染色体排序。而课件被定义的序号就代表了染色体里的一个遗传基因。个体学习者的染色体序列表示如下：

通常原始群体的数量根据要解决的问题的复杂程度来决定，群体数量太大会降低基因算法的速度，但是可以提高高质量解法的可能性。为了给个体推荐高质量的学习路径，该项研究中的原始群体数量定义为100

2.3.2选择适应度函数

适应度函数是一个性能指标，用来判断根据遗传算法所生成的个性化学习路径的质量。为了根据前测结果为个体学习者生成一个高质量的学习路径，课件的难度系数和课件概念的相关度也包含在适应度函数中，而且还要考虑根据学习者的错误作答而映射的课件。由此适应度函数的表达式如下：

r（i-1）i代表课件i和课件i-1的概念相关度，bi是课件i的难度系数，w是可调节权重，n代表了所有的课件数量。繁衍过程是，具有大适应函数值的个体才能够繁衍后代。繁衍的目标是选择好的个体来繁衍后代[3]。

2.3.3交叉操作

这个过程是两个父母节点来生成孩子节点。在这项研究中统一的交叉方案和交叉机率被设置为0.9.同时为了避免产生非法的学习路径，例如一个学习路径包含重复的课件序号或者一个学习路径包含的课件序号超出了课件的总数，采用交叉操作可以避免产生非法路径。

2.3.4变异操作

变异操作是在一个体中随机选择两个基因在概率判断下进行强制交换。交叉操作可以避免解决方案陷入局部最优的循环中。通常情况下，一个低概率的变异可以保证得到一个收敛的遗传算法，但可能降低解决方案的质量。相反的，高机率的变异可以产生一个随机游动的遗传算法，但是降低收敛速度。在这个研究中变异被设置为0.001.

在遗传算法中，算法会重复执行繁衍，交叉操作，变异操作直到满足系统设置的终止参数。在该研究中，根据实验判断满足推荐适合的学习路径系统的终止参数被设置成200。

2.4系统实验数据

根据对采样的实验组和控制组的后测得到的数据，可以客观的反映出两个学习模式对学习者学习的不同影响。

表2中P=0.001

3结束语

这个多Agent的个性化学习路径推荐系统相对于自由浏览的e-learning学习系统更能够帮助学生提高学习效率，这种个性化的学习推荐更适合于帮助有明确学习需求，同时时间精力有限的学生快速而有效的学习，也避免自由浏览学习模式中的信息过载问题。

参考文献：

[1]puterAdaptiveTesting[J].JournalofAppliedMeasurement，2005，6（1）.

[2]OBohl.Thesharablecontentobjectreferencemodel（SCORM）-acriticalreview[J].ompterinEducation，2002（2）.

[3]RothlaufF.Representationsforgeneticandevolutionaryalgorithms[M].Heidelberg，Physica-Verlag，2006.

[4]ChenC.MPersonalizedcurriculumsequencingusingmodifieditemresponsetheoryforweb-basedinstruction[J].ExpertSystemswithApplications，2006，30（2）.

[5]MJHuang.Constructingapersonalizede-learningsystembasedongeneticalgorithmandcase-basedreasoningapproach[J].ExpertSystemswithApplications，2007（5）.

[6]ErdalCayirci.ComputerAssistedExercisesandTraining：AReferenceGuide[M]JohnWiley&Sons，2009.

[7]PaulScerri.ModulatingCommunicationtoImproveMulti-agentLearningConvergence[J].DynamicsofInformationSystems：AlgorithmicApproaches，2013（5）.

个性化推荐范文

[关键词]个性化电子商务信息推荐

一、引言

现代电子商务技术的快速发展,给人们的生活和生产带来了深刻的影响。大量传统的商品交易行为和过程都开始并持续的向网络上转移。应该说,这种改变绝非一种仅仅形式上的改变,同时,也催生了很多新的交易方法和规则,如近年来诸如淘宝店面之类的新型创业模式等。然而,正如所有的网络应用一样,现代的电子商务技术也面临着很多挑战,其中比较明显的问题就是信息过载。由于电子商务网站数量众多,内容也可以达到几乎无限大的规模,显然这是传统商业模式所无法提供的。但与此相对的是,在网络环境下,客户却常常面对着海量的信息资源,无法在有限的时间内获取和了解到自己所想要的有效内容,这在很大程度上影响了客户使用电子商务站点的信心。近年来,人们对此进行了大量的研究和探索。随着个性化推荐技术的出现和发展,在电子商务站点中使用此技术将有助于上述问题的改善。

二、个性化推荐技术

个性化推荐技术通过一种类似于一对一营销式的营销战略技术,可以对电子商务站点的内容和服务进行自动化的大规模定制,以适应不同客户的个性化要求。在过去的几年中,个性化推荐技术越来越受到人们的关注,不同的学者往往给出并不一致的定义。如有人认为个性化是一种能力,这种能力可以根据从客户偏好和行为特征中提取到的知识来对客户提供定制化的服务和内容;也有人认为个性化综合使用了网络技术和客户信息,而这些信息包含已收集来的信息和实时产生的信息,有针对性的定制商业站点以适应客户的交互行为,这会有效的降低交易的处理时间和让客户得到更为满意的产品;还有的学者认为个性化是根据已有的偏好知识和交易活动中的行为,定制交流方法的一种能力,也就是说,个性化通过建立一种一对一的有义联系,理解客户的个别需求,帮助实现在特定的环境下准确和丰富的表达客户需求特征,从而增强客户的忠诚度。综上所述,虽然定义角度略有不同,但是所阐述的观点都是一致的,即个性化推荐技术是一种促使客户访问Web站点的体验更偏向于客户喜好的技术。

二、CtoC电子商务站点中个性化推荐技术特点

与其他诸如BtoB等类型的电子商务站点相比,CtoC电子商务站点中的Web用户行为特征具有较为明显的区别,造成这种区别的主要原因在于CtoC电子商务站点用户并非专业买家或者卖家,因此不论是从商品信息的质量,还是交易过程的完成,都有自己的特殊性。基于这种原因,在使用CtoC电子商务站点中Web个性化推荐技术的时候,必须要充分考虑这些用户行为因素,来选择合适和有效的技术实现方法。

结合CtoC电子商务站点用户的诸多行为特点,该种类型站点所能采用的Web个性化推荐技术应该有如下几个特点:

一是该种Web个性化推荐技术必须可以为匿名购买者提供推荐内容,购买者不需要注册或者登录也能使用个性化推荐功能。从交易过程来看,CtoC电子商务站点所面对的Web用户群往往都是各个非专业的大型商业实体,其中很大的一部分群体都是一般的小型商家和普通消费者,通过这种类型的CtoC电子商务站点,这些用户可以直接进行线下交易。具体来说,卖方用户必须是注册用户,并需要向该站点提供自己的联系信息,同时他们还可以所要销售的商品信息。而买方用户则不需要一定注册,事实上,为了方便用户使用,很多站点都允许匿名用户浏览选择所需商品。他们只需查询这些商品的信息,并选择所需的商品。一旦选择到合适的商品,买方用户就可以根据卖方用户所提供的信息直接与卖方用户取得联系。为此,在CtoC站点中使用个性化推荐技术的时候,一定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功能。

二是该种Web个性化推荐技术应该使用图片等多媒体信息和关键词结合的推荐内容。在具体推荐过程中,对于这些不同的图片信息可以通过所在网页的URL来惟一确定。从商品的信息来看,卖方用户可以的信息往往是包括图片和关键词在内的一些商品信息,其中,图片所包含的信息相对真实性较强,买方用户可以直接根据图片内容获知对商品的喜好程度,但是图片本身并不易于检索,买方用户在搜索所需商品时,很难直接定位所需商品的图片,相反,买方用户一般都是通过站点所提供的浏览界面来逐次查看,因此,单独利用图片信息就会缺乏有效的快速检索方法。所以,卖方用户往往需要同时提供销售商品的关键词信息,它通过几个简洁的文字来标明商品的重要特征,而且买方用户可以直接利用这些关键词进行快速搜索。但是,由于卖方用户的非专业性特点,或者由于某种主观因素的影响,卖方用户可能并不能或者不愿提供准确的关键词信息,这就造成关键词查询所产生的一个问题,那就是买方用户通过关键词虽然可以快速搜索到所需商品,但是,仍然需要进一步通过图片或者更为详细的文字说明来确定该商品是否满意。所以,将这两方面结合,可以给用户提供更为准确的推荐内容。

三是该种Web个性化推荐技术只负责内容推荐,不负责辅助交易行为的完成,甚至都无法实现主动推送功能。由于大部分CtoC站点的买卖双方都没有完善的网络交易渠道,真实的货款和商品交易往往都不在该站点上进行,站点只是一个沟通的媒介。所以,在提供个性化推荐内容时,站点并不需要事实上也不可能采用信息推送的推荐方法来向用户信息,更多的实际情况是在用户浏览商品信息时,站点能够在浏览页面上向当前用户展示推荐的商品信息内容。值得注意的是,近年来随着网络技术的快速发展,电子商务平台也越来越多的开始集成在线支付等电子业务,如阿里巴巴的支付宝等。

除此以外,CtoC电子商务站点中Web个性化推荐技术还需考虑很多其他因素,比如由于每种个性化推荐技术都存在一定的局限性,所以可以综合运用多种个性化技术来处理不同的推荐内容和方法,以达到更好的推荐效果等。

三、发展与展望

首先,从用户兴趣模式表达上看,未来的发展趋势之一就是结合语义智能分析。用户个性化推荐技术的关键内容在于准确和有效的表达用户兴趣模型,并基于此模型来计算与推荐客体的相关度,因此,如何有效和准确表达用户的个性化特征成为所有个性化推荐方法的基础和重要影响因素。目前,常见的方法主要分为两大类:一类是基于关键词表达(Keyword-based)的用户兴趣模型,这种方法出现较早,简单易行,它主要使用与当前用户个性化特征相关的关键词序列来表达用户兴趣模型;另一类是基于语义表达(Semantic-based)的用户兴趣模型,该方法在基于关键词表达的方法之上,利用词语概念和彼此之间的语义联系来构造较为完整的语义层次模型或者语义网络模型。由于该方法可以更好的处理一词多义和多词一义的各种语言现象,所以近年来逐渐受到学者的广泛关注。对于如何表达这种语义特征,伴随着用户本体理论的研究和发展,很多学者都尝试使用XML数据结构来表达用户个性化信息,并以此来构造语义信息更为丰富的用户兴趣模型。

其次,从个性化推荐技术的应用领域看,目前的个性化推荐技术主要应用于Web站点之中。此时,在个性化服务中起到基础作用的用户兴趣模式却往往分散于各个Web应用系统中,虽然每个Web站点都会给自己的用户提供和存储相应的用户兴趣模式,但是这种用户兴趣模式却不能共享于其他相关的应用领域,所以用户往往需要不断的维护在各个Web站点上的不同兴趣模式,这显然增加了用户的使用成本。由此,用户对自己的兴趣模式难以形成十分确切的概念,也难以在用户心中形成一个统一的印象,更难以让用户对自己的兴趣模式进行有效的控制。事实上,已有的一些系统已经开始对此进行研究,通过制定标准来允许用户对自己的个性化兴趣模式进行有效的管理。近年来随着移动设备的快速发展,个性化服务的范围也逐渐扩大到移动网络服务中,这种方式被称为便携式个性化信息服务(PortablePersonalizationInformationService)。通过与移动设备的有效结合,并在各种移动终端设备上存储相关用户兴趣模式信息,才能更有效的发挥这种用户模式的复用性。如有的系统使用一种被称为“简化卡(SimplicityCard)”的智能体,其中存储有用户的兴趣模式信息和个人数据,同时可以和移动设备结合起来,很多用户将这种智能体看成是一种个人标志,并且认为它极大的扩展了用户自身。所以,这种新型的便携式个性化推荐服务开始逐渐成为现实。对于CtoC电子商务站点而言,这显然是一个发展潜力很大的空间。

参考文献:

[1]Schafer,J.B.,J.A.Konstan,andJ.Riedl.E-commercerecommendationapplications

DataMiningandKnowledgeDiscovery,5(1/2):115～153,2001

[2]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,2008,(12)

[3]Adomavicius,Tuzhilin.Personalizationtechnologies:Aprocess-orientedperspective[J].CommunicationsoftheACM,48,10(2005)

[4]PersonalizedGiftsandPersonalizedGiftIdeasfromPersonalizationMall.省略/,2005～3～24