國內(nèi)電子商務(wù)個(gè)性化推薦研究進(jìn)展：核心技術(shù)

孫雨生+張晨+任潔+朱禮軍

〔摘要〕本文從用戶興趣建模、推薦機(jī)制、信息資源管理三方面闡述了國內(nèi)電子商務(wù)個(gè)性化推薦研究進(jìn)展：用戶興趣建模研究用戶興趣模型表示、初始化、進(jìn)化；推薦機(jī)制按實(shí)現(xiàn)方式分協(xié)同過濾推薦、基于內(nèi)容推薦、基于規(guī)則推薦、基于知識推薦、基于效用推薦、基于人口統(tǒng)計(jì)推薦、混合推薦；信息資源管理研究集中在數(shù)據(jù)挖掘和存儲。

〔關(guān)鍵詞〕電子商務(wù)；個(gè)性化推薦；研究進(jìn)展；用戶興趣建模；推薦機(jī)制

DOI：10.3969/j.issn.1008-0821.2017.04.024

〔中圖分類號〕TP399；G202〔文獻(xiàn)標(biāo)識碼〕A〔文章編號〕1008-0821（2017）04-0151-07

Research Development of E-Commerce Personalized

Recommendation in China：Core TechnologySun Yusheng1，2，3Zhang Chen1Ren Jie1Zhu Lijun2

（1.School of Economics and Management，HuBei University of Technology，Wuhan 430068，China；

2.Information Technology Support Center，Institute of Scientific & Technical

Information of China，Beijing 100038，China；

3.Collaborative Innovation Center of Regional Industiral Ecology Development，

HuBei University of Technology，Wuhan 430068，China）

〔Abstract〕The authors revealed research development on e-commerce personalized recommendation in china from three aspects：users interest modeling，recommendation mechanism，information resource management.Users interest modeling explore the representation，initialization and evolution of users interest model；According to the way of implementation，recommendation mechanism can be divided into collaborative filtering recommendation，content-based recommendation，rule-based recommendation，knowledge-based recommendation，utility-based recommendation，demographic statistics-based recommendation and hybrid recommendation；research on information resource management was concentrated on data mining and storage.

〔Key words〕e-commerce；personalized recommendation；research development；user interest modeling；recommendation mechanism

隨著互聯(lián)網(wǎng)應(yīng)用普及和電子商務(wù)迅猛發(fā)展，用戶個(gè)性化需求日益凸顯，客觀需為其個(gè)性化推薦商品和服務(wù)。由此，電子商務(wù)個(gè)性化推薦應(yīng)運(yùn)而生，其基于所獲取用戶需求、興趣愛好、網(wǎng)絡(luò)行為等提取特征[1]并構(gòu)建用戶興趣模型，動(dòng)態(tài)發(fā)現(xiàn)用戶潛在、個(gè)性需求并選擇推薦機(jī)制匹配候選商品[2]，提供個(gè)性化主動(dòng)信息、商品服務(wù)以提高用戶滿意度、商品銷量。

本文以知網(wǎng)、萬方的學(xué)位論文、期刊論文庫及維普的期刊論文庫為信息源，以“電子商務(wù)”、“個(gè)性化”、“推薦”為關(guān)鍵詞組合在題名中檢索相關(guān)文獻(xiàn)（截至2016年8月11日，從知網(wǎng)獲碩博論文73篇、期刊論文91篇；從萬方獲碩博論文80篇（新發(fā)現(xiàn)17篇）、期刊論文90篇（新發(fā)現(xiàn)3篇）；從維普獲期刊論文95篇（新發(fā)現(xiàn)8篇），合計(jì)192篇文獻(xiàn)），從用戶興趣建模、推薦機(jī)制、信息資源管理角度闡述國內(nèi)電子商務(wù)個(gè)性化推薦研究進(jìn)展。

1電子商務(wù)個(gè)性化推薦核心技術(shù)研究進(jìn)展

1.1用戶興趣建模

1.1.1模型表示

國內(nèi)用戶興趣模型表示多用基于向量空間模型法[3]（較復(fù)雜且精度不夠高[2，4-6]）、基于神經(jīng)網(wǎng)絡(luò)法（依賴模型學(xué)習(xí)所用神經(jīng)網(wǎng)絡(luò)類別和算法，適用范圍窄且難理解[6]）、基于案例法（反映用戶短期興趣[4-5]）、基于用戶-項(xiàng)目評價(jià)矩陣法（難反映興趣變化[4]）、基于本體法（可重用共享知識但無法避免本體設(shè)計(jì)問題[4-5，7]）、基于決策樹法、基于簡單貝葉斯概率模型法、基于關(guān)鍵詞法、基于語義網(wǎng)絡(luò)法，此外還有基于加權(quán)矢量模型法、基于類型層次結(jié)構(gòu)模型法、基于目錄結(jié)構(gòu)法等[7]。

1.1.2模型初始化

主要是用戶興趣數(shù)據(jù)采集及處理，涉及興趣學(xué)習(xí)技術(shù)（如TF-IDF、貝葉斯分類、決策樹、神經(jīng)網(wǎng)絡(luò)、聚類等[4]）。

1）興趣數(shù)據(jù)采集

獲取與用戶特征、興趣或活動(dòng)相關(guān)信息，遵循增量式、協(xié)作性、簡單性原則[7]，方式有顯式、隱式[5-6]、混合式（融合隱式、顯式采集優(yōu)點(diǎn)[6]）[4，7]。

顯式采集信息由注冊信息、評分、文本評價(jià)[6]、顯式樣本集、目標(biāo)陳述[4]等組成，簡單直接、準(zhǔn)確[5，7]、學(xué)習(xí)速度快[4]但需用戶確知興趣且參與（多不成立），無法收集全面真實(shí)數(shù)據(jù)[5-8]，即使用戶提供真實(shí)興趣，單獨(dú)顯式采集難描述用戶對項(xiàng)目復(fù)雜感知和反應(yīng)[4]，為此，代其鋒[5]、蔣罛[7]認(rèn)為應(yīng)告知用戶個(gè)性化推薦概念、作用、原理以激勵(lì)其參與。

隱式采集信息由服務(wù)器端（日志，記錄用戶IP、ID及訪問（時(shí)間、URL）、瀏覽[4，6]（瀏覽時(shí)間）、檢索[9]、購買等行為）、客戶端數(shù)據(jù)（包括用戶請求幫助、頁面停留時(shí)間、訪問項(xiàng)目次序、瀏覽、點(diǎn)擊、保存、操作時(shí)間[2，7]等[4]）組成。此外，代其鋒[5]、蔣罛[7]認(rèn)為包括反復(fù)行為、標(biāo)記行為、操作行為、瀏覽路徑、消極行為。優(yōu)點(diǎn)是不增加用戶負(fù)擔(dān)且動(dòng)態(tài)獲取海量數(shù)據(jù)（可能有冗余，計(jì)算成本和復(fù)雜度較大）[4，6]；缺陷是缺乏控制（隨機(jī)、不確定）[5，7]，需解決基于用戶導(dǎo)航行為的長、短期興趣[4]區(qū)分問題。

2）興趣數(shù)據(jù)處理

主要是數(shù)據(jù)預(yù)處理和興趣度量化。前者先預(yù)處理Web日志和用戶評分[10]（先凈化數(shù)據(jù)并識別用戶、會(huì)話、路徑、事務(wù)，再分詞、計(jì)算特征詞權(quán)重及提取特征詞集，特征化、聚類事務(wù)集[11]），得出用戶訪問情況以便量化興趣度。對于后者，李鳳慧[12]用（瀏覽時(shí)長/總瀏覽時(shí)長）×（網(wǎng)頁字節(jié)數(shù)/總信息數(shù)）量化興趣度（指標(biāo)分用戶訪問頻率[13]、持續(xù)訪問時(shí)間[14]、最近訪問時(shí)間[15]）[4]；安芳[15]、張黎黎[16]用閾值法量化興趣度；李熠[17]用購買次數(shù)量化興趣度；楊永亮[18]基于時(shí)間衰減因子，用對商品發(fā)生行為時(shí)間間隔量化興趣度；王偉等[19]預(yù)處理文本評價(jià)（用Core-NLP包詞性（POS）標(biāo)記提取特征并用WordNet計(jì)算與種子詞相似度以同義分組；給出并綜合用戶對各意見詞的積極性、消極性、客觀性值形成意見值）形成特征-意見值對，量化興趣度；鄧曉懿[20]基于支持度、置信度框架量化規(guī)則興趣度；劉晶等[3]基于虛擬個(gè)體關(guān)聯(lián)、情景關(guān)聯(lián)、行為關(guān)聯(lián)模塊量化規(guī)則興趣度。

1.1.3模型進(jìn)化

1）進(jìn)化內(nèi)容

用戶興趣模型隨用戶活躍度、興趣變化，基于用戶顯隱式反饋、興趣衰減自適應(yīng)進(jìn)化[4，7，9，16]，主要包括興趣項(xiàng)目和興趣度：前者基于用戶注冊、反饋信息提取興趣項(xiàng)目（生成并合并顯、隱式興趣項(xiàng)目向量）并排序[7]，張建偉[11]基于交易事務(wù)鏈接前后Web頁特征詞變化進(jìn)化用戶興趣；后者基于用戶評分修改[7]、閾值比較判斷是否進(jìn)化。

2）進(jìn)化方法

現(xiàn)有模型進(jìn)化方法常按固定頻率更新，動(dòng)態(tài)跟蹤、高效獲取用戶興趣變化能力有限，影響模型精度。李曉昀[4]提出信息增補(bǔ)法（基于用戶反饋進(jìn)化，分直接增補(bǔ)法（不剔除不再感興趣項(xiàng)目，有精度不高、存儲空間浪費(fèi)問題）、權(quán)重調(diào)整增補(bǔ)法（性能受新信息選擇方法、增量影響））、自然進(jìn)化法（按生態(tài)系統(tǒng)優(yōu)勝劣汰法進(jìn)化，需針對性設(shè)計(jì)適應(yīng)度函數(shù)和染色體編碼法）和神經(jīng)網(wǎng)絡(luò)法（調(diào)整網(wǎng)絡(luò)連接權(quán)重自適應(yīng)進(jìn)化，須以神經(jīng)網(wǎng)絡(luò)為學(xué)習(xí)法）；楊靜[9]、張黎黎[16]提出主動(dòng)進(jìn)化法（更新興趣項(xiàng)目并調(diào)整權(quán)重、次序，維護(hù)知識分類體系及資源類型目錄）和基于用戶反饋?zhàn)詣?dòng)進(jìn)化法（胡一[1]、蔣罛[7]又根據(jù)顯式、隱式分直接進(jìn)化（影響瀏覽，參與者有限）和間接進(jìn)化法（基于瀏覽行為、日志挖掘等））；楊永亮[18]基于用戶行為指紋算法（哈希處理用戶行為記錄并通過記錄權(quán)重隨時(shí)間衰減模擬興趣進(jìn)化）進(jìn)化；蔣罛[7]提出線性衰減法進(jìn)化（興趣度衰減到零時(shí)淘汰項(xiàng)目）；俞正驕[21]遞進(jìn)挖掘序列模式間興趣度進(jìn)化基于規(guī)則推薦中用戶興趣。

1.2推薦機(jī)制

電子商務(wù)個(gè)性化推薦核心及性能直接決定因素，由推薦引擎基于用戶會(huì)話、推薦機(jī)制，推薦離線挖掘結(jié)果和動(dòng)態(tài)內(nèi)容（鏈接、廣告、文本、商品、服務(wù)等[8]）[22]，主流推薦機(jī)制（按實(shí)現(xiàn)方式分類）優(yōu)劣勢見表1。

1.2.1協(xié)同過濾推薦

研究最多也最成功[23-24]，又稱社會(huì)過濾、協(xié)作過濾、合作過濾[10，14]，算法分析用戶對商品評價(jià)（點(diǎn)擊、購買歷史[21]）、興趣度，發(fā)現(xiàn)興趣相近用戶、關(guān)系相似項(xiàng)目，基于近鄰歷史偏好進(jìn)行推薦[2，4，7-8，10，17，20-21，23，25-29，32，35]，主要研究近鄰方法和基于項(xiàng)目、用戶特征評級的潛在因素模型，分基于記憶（分基于用戶、基于項(xiàng)目）、基于模型兩類，對比見表2，代表系統(tǒng)為Tapestry、Ringo/Firefly、GroupLens/Netperceptions、Movielens[23]。

1.2.2基于內(nèi)容推薦

用機(jī)器學(xué)習(xí)法學(xué)習(xí)用戶信息（興趣[27]、需求等）和已評價(jià)商品特征[36]（通過項(xiàng)目屬性定義特征并基于數(shù)學(xué)模型[27]用特征值表示候選項(xiàng)目和用戶興趣模型[2，4，6，8，10，17，21，24-25，28，31-35]），用自然語言、人工智能、概率統(tǒng)計(jì)、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、鄰居函數(shù)分析等技術(shù)計(jì)算用戶與項(xiàng)目相似度[21]進(jìn)行推薦[27]并基于用戶反饋進(jìn)化用戶興趣模型。常用推薦方法有基于商品特征分類[31]、基于商品關(guān)聯(lián)、基于文本[21]分類、基于語義法[27]，此外，王星[24]按用戶興趣模型表示分基于向量空間模型、基于關(guān)鍵詞分類、基于領(lǐng)域分類和基于潛在語義索引等推薦法；代表系統(tǒng)有Personal WebWatcher、LIBRA、LyricTime、SIFTS、Letizia、InfoFinder、Newsweeder、WebMate、WebACE等。

表2協(xié)同過濾推薦類型對比

基于記憶（內(nèi)存）基于用戶基于項(xiàng)目基于模型比較對象用戶項(xiàng)目用戶依據(jù)啟發(fā)規(guī)則、用戶-項(xiàng)目評分矩陣用戶行為模型目的預(yù)測目標(biāo)用戶未評分項(xiàng)目評分預(yù)測目標(biāo)項(xiàng)目評分預(yù)測目標(biāo)用戶評分相似性計(jì)算用戶相似性項(xiàng)目相似性無方法統(tǒng)計(jì)學(xué)、相似性計(jì)算、最近鄰統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘

1.2.3基于規(guī)則推薦

基于所選規(guī)則前件（用戶己購商品或興趣[4，5，17，25，28，35]）個(gè)性化推薦規(guī)則后件（推薦對象）[2，21，24]。規(guī)則由用戶定制或基于用戶關(guān)聯(lián)關(guān)系[27]挖掘[4]（基于用戶事務(wù)數(shù)據(jù)庫，挖掘滿足最小支持度及可信度的關(guān)聯(lián)規(guī)則[17，23，27，35]），代表系統(tǒng)有WebSphere、BroadVi2sion、SurfLen、ASARM[2]。

1.2.4基于知識推薦

用基于案例推理、數(shù)據(jù)挖掘[23，27]技術(shù)挖掘項(xiàng)目間關(guān)聯(lián)知識進(jìn)行推薦，按所用知識形式（如功能知識（滿足特定用戶需求且可解釋需求和推薦間關(guān)系[2]）、用戶信息（支持推理知識結(jié)構(gòu)[4-5，25，33，35]或詳細(xì)用戶需求表示））分?jǐn)?shù)據(jù)庫知識發(fā)現(xiàn)、基于案例推理、知識推理[23]。

1.2.5基于效用推薦

計(jì)算商品對用戶效用（基于商品屬性分值和效用函數(shù)權(quán)值分析內(nèi)容、K均值得出效用函數(shù)并隨用戶興趣動(dòng)態(tài)調(diào)整[37]）[34]，用受限滿足技術(shù)匹配用戶需求和項(xiàng)目[2，25，30，33]進(jìn)行Top-N推薦并評估效果[25，35，37]，核心是用效用函數(shù)代表用戶興趣模型。

1.2.6基于人口統(tǒng)計(jì)推薦

基于用戶顯式屬性分類用戶，結(jié)合人口統(tǒng)計(jì)信息進(jìn)行推薦[25，27，30，35]。

1.2.7混合推薦

綜合各推薦方法優(yōu)勢提升推薦性能，較成功是協(xié)同過濾推薦與基于內(nèi)容推薦組合[17，25]，難點(diǎn)是組合對象選取方法及組合方式[31]，組合方式有加權(quán)[17]、變換[28]、混合[6]、特征組合、層疊、特征擴(kuò)充[17，31]、元層次性[29，32-33，35]。此外，楊永亮[18]提出時(shí)間敏感物質(zhì)擴(kuò)散算法（計(jì)算資源間相似度時(shí)考慮資源屬性、流行度隨時(shí)間變化）并與基于項(xiàng)目協(xié)同推薦算法混合；用最長公共子序列算法計(jì)算用戶相對次序下行為最長序列以度量用戶消費(fèi)軌跡相似度，提取并計(jì)算基于時(shí)間敏感用戶間非公共興趣列表對用戶興趣貢獻(xiàn)度，與基于用戶協(xié)同推薦算法線性加權(quán)混合。

1.3信息資源管理

主要分?jǐn)?shù)據(jù)采集、挖掘、表示、存儲、更新，主要管理用戶[26]、項(xiàng)目、推薦過程產(chǎn)生信息。

1.3.1數(shù)據(jù)采集

現(xiàn)有研究集中在用戶特征顯式、隱式采集（通過網(wǎng)絡(luò)爬蟲[2]采集信息、分析日志，獲取用戶瀏覽內(nèi)容、行為信息）。對于采集內(nèi)容，李婷[10]、馬瑞敏等[28]認(rèn)為有用戶信息（注冊、評分）、商品屬性；汪亭廷[23]、辛勤芳[26]認(rèn)為有用戶背景知識、評論、反饋及行為（網(wǎng)站訪問、購物[23]）等；劉晶等[3]從移動(dòng)端流式采集網(wǎng)絡(luò)、視頻、傳感等數(shù)據(jù)；劉慶華[35]認(rèn)為有概念、關(guān)聯(lián)規(guī)則、時(shí)間序列模式、最頻繁購物路徑。此外，商品信息多用人工錄入、系統(tǒng)導(dǎo)入、自動(dòng)設(shè)備采集等方式。

1.3.2數(shù)據(jù)挖掘

電子商務(wù)數(shù)據(jù)挖掘主要針對Web數(shù)據(jù)，多通過關(guān)聯(lián)規(guī)則、分類[31]離線挖掘以支持在線推薦，前沿是基于本體的語義Web挖掘[34]。

1）Web數(shù)據(jù)挖掘

基于海量、復(fù)雜Web信息（多半結(jié)構(gòu)化[1，8]、不完整、有噪聲）、異構(gòu)數(shù)據(jù)庫環(huán)境[1，13]，通過分析用戶習(xí)慣、興趣，基于其心理變化，通過挖掘算法發(fā)現(xiàn)蘊(yùn)涵、未知、有潛在應(yīng)用價(jià)值、新穎、易理解及非平凡模式過程（用于指定挖掘任務(wù)，如描述所挖掘數(shù)據(jù)一般特性、預(yù)測[38]趨勢和行為、檢測偏差、支持決策[1]），常用人工智能、計(jì)算語言學(xué)、信息學(xué)、統(tǒng)計(jì)學(xué)等領(lǐng)域知識[13，32]，按挖掘?qū)ο蠓諻eb內(nèi)容（文本、多媒體）挖掘、Web結(jié)構(gòu)（超鏈接、內(nèi)容、URL）挖掘、Web使用記錄（日志）挖掘[1，8，11，13，22，32，38]（三者可融合）[38]，挖掘流程見表3。此外，宋偉國[14]用數(shù)據(jù)倉庫處理、集成與裝載、分析數(shù)據(jù)以支持?jǐn)?shù)據(jù)挖掘；劉蓓琳[30]用降維、稠密化和標(biāo)準(zhǔn)化方法預(yù)處理數(shù)據(jù)。

2）關(guān)聯(lián)規(guī)則挖掘

分頻繁項(xiàng)集發(fā)現(xiàn)、關(guān)聯(lián)規(guī)則生成[20，33，38]，后者支持商業(yè)決策（廣告、商品推薦）、網(wǎng)站商品陳列調(diào)整，算法有Apriori、改進(jìn)Apriori、AprioriTid、DHP、FP-tree、Tree Projection等[9，10，14，21，23，29，34]。

3）分類挖掘

基于機(jī)器學(xué)習(xí)法，用分類器（基于訓(xùn)練集產(chǎn)生并隨訓(xùn)練集動(dòng)態(tài)變化，可離線進(jìn)行）分類對象[10]，常見類型見表4（還有決策樹、SVM等）。為更好推薦，需將目標(biāo)用戶分到與其較相似用戶所在簇[32]；黃瑩[29]、陳曉紅[32]基于與簇相關(guān)度加權(quán)目標(biāo)用戶與所在簇關(guān)系強(qiáng)度[10，13]；王海超[38]提出用聚類離線預(yù)處理最近鄰算法以縮小計(jì)算范圍、分布計(jì)算、提高尋找相似簇性能、推薦擴(kuò)展性[38]但質(zhì)量不太高。

1.3.3數(shù)據(jù)表示

主要表示用戶、商品信息。楊靜[9]、安芳[15]、張黎黎[16]基于商品信息（分類、編碼）、用戶信息提取商品屬性、用戶屬性并用特征向量表示。

1.3.4數(shù)據(jù)存儲

用數(shù)據(jù)庫[6]工具構(gòu)建資源庫存儲用戶及商品、推薦過程信息，分靜態(tài)、動(dòng)態(tài)數(shù)據(jù)庫，核心是電子商務(wù)元數(shù)據(jù)，含數(shù)據(jù)存儲、分類、被訪問信息等。此外，丁建軍[6]分別用數(shù)據(jù)庫、分布式文件系統(tǒng)存儲顯式、隱式采集的用戶興趣。

1）用戶數(shù)據(jù)庫

即存儲用戶基本、行為信息，包括用戶ID、用戶名、密碼、姓名、性別、年齡、出生地[27]、教育背景、興趣、收入、工作單位、住址、郵箱[28]、電話、有效期、級別[39-40]，上次登錄時(shí)間、購物記錄、商品評分（含用戶ID、商品ID、評分、時(shí)間戳[28]）[16]等。此外還有管理員數(shù)據(jù)庫[36]。

2）商家數(shù)據(jù)庫

含商品（庫存）、商家、訂單等信息表[25]，商品及商家數(shù)據(jù)涉及商品ID、名稱、品牌、簡介[28]、規(guī)格、價(jià)格、狀態(tài)、上架時(shí)間、更新日期、售后服務(wù)、庫存、操作員ID、備注、商家信用度[9，26-27，35，40]等。陳健[36]認(rèn)為庫存信息表涉及項(xiàng)目ID、商品ID、當(dāng)前庫存量、提醒閾值、最近一次入庫量、最近一次入庫時(shí)間、操作員ID、備注等；汪亭廷[23]認(rèn)為訂單信息表涉及訂單ID、用戶ID、商品ID、名稱、價(jià)格、數(shù)量、總額、評分、姓名、電話、地址、是否支付、當(dāng)前狀態(tài)、狀態(tài)變更時(shí)間、操作員ID、訂單結(jié)束時(shí)間、備注等。

3）推薦處理類數(shù)據(jù)庫

涉及規(guī)則庫（存儲規(guī)則、概念模式等，支持推理）[40]、推薦場景庫（支持任務(wù)分解）、推薦算法庫（存儲推薦算法及組合，支持算法求解[25]）、用戶興趣模型庫[26]、隨機(jī)數(shù)據(jù)庫（記錄過程性信息及獲得方式（用戶回答（注意次序）、推理（需解釋））[41]。此外，單明[39]、汪亭廷[23]認(rèn)為推薦規(guī)則信息表包括推薦內(nèi)容表（推薦ID、規(guī)則ID、商品ID、當(dāng)前狀態(tài)、狀態(tài)變更時(shí)間、備注[39]）和推薦規(guī)則表（規(guī)則ID、狀態(tài)、年齡、性別、工作、條件、結(jié)果、興趣、支持度、置信度、備注[23，39]）；劉麗峰[40]、羅亞[41]認(rèn)為需存儲專家知識、產(chǎn)生式規(guī)則、商品數(shù)據(jù)和咨詢記錄（描述為系列參數(shù)（規(guī)則特性、參數(shù)[40]、函數(shù)、上下文特性）并以對象-屬性-值（值、取值可信度、參數(shù)被跟蹤次數(shù)）形式存儲）。

1.3.5數(shù)據(jù)更新

用戶興趣更新主要基于用戶興趣模型進(jìn)化機(jī)制實(shí)現(xiàn)，商品信息主要通過數(shù)據(jù)庫自帶程序自動(dòng)更新[14]。楊靜[9]、安芳[15]、張黎黎[16]跟蹤用戶訪問行為以更新用戶信息庫；辛勤芳[26]挖掘隱式評分等修改用戶評分并存入數(shù)據(jù)庫，觸發(fā)推薦系統(tǒng)調(diào)用推薦算法，基于新信息更新用戶興趣模型庫、推薦模型。

2結(jié)束語

綜上，本文從用戶興趣建模、推薦機(jī)制、信息資源管理角度闡述了國內(nèi)電子商務(wù)個(gè)性化推薦核心技術(shù)研究進(jìn)展：現(xiàn)有研究集中在推薦機(jī)制，其余兩者需加強(qiáng)；用戶興趣建模研究用戶興趣模型表示（多為表示方法）、初始化（多為用戶興趣采集、處理）、進(jìn)化（多為進(jìn)化內(nèi)容、方法）；推薦機(jī)制按實(shí)現(xiàn)方式分協(xié)同過濾推薦、基于內(nèi)容推薦、基于規(guī)則推薦、基于知識推薦、基于效用推薦、基于人口統(tǒng)計(jì)推薦和混合推薦；信息資源管理研究集中在數(shù)據(jù)挖掘（多為關(guān)聯(lián)規(guī)則、分類挖掘）、存儲（分用戶、商家、推薦處理類數(shù)據(jù)庫）。

下一步，筆者將系統(tǒng)分析國內(nèi)電子商務(wù)個(gè)性化推薦系統(tǒng)體系架構(gòu)與技術(shù)實(shí)現(xiàn)研究成果，以供相關(guān)研究與系統(tǒng)實(shí)現(xiàn)參考。

參考文獻(xiàn)

[1]胡一.基于大數(shù)據(jù)的電子商務(wù)個(gè)性化信息推薦服務(wù)模式研究[D].長春：吉林大學(xué)，2015.

[2]蔡斌強(qiáng).電子商務(wù)個(gè)性化推薦研究[J].中國電子商務(wù)，2013，（24）：18-19.

[3]劉晶，李妍，侯會(huì)茹.移動(dòng)電子商務(wù)多源關(guān)聯(lián)個(gè)性化推薦架構(gòu)[J].情報(bào)理論與實(shí)踐，2014，37（4）：98-100.

[4]李曉昀.基于隱性反饋的個(gè)性化自適應(yīng)電子商務(wù)推薦系統(tǒng)研究[D].衡陽：南華大學(xué)，2008.

[5]代其鋒.基于電子商務(wù)的個(gè)性化推薦研究[D].合肥：中國科學(xué)技術(shù)大學(xué)，2011.

[6]丁建軍.面向電子商務(wù)個(gè)性化推薦系統(tǒng)的Web數(shù)據(jù)挖掘應(yīng)用研究[D].杭州：浙江理工大學(xué)，2015.

[7]蔣罛.電子商務(wù)個(gè)性化推薦系統(tǒng)研究[D].長沙：中南大學(xué)，2010.

[8]何志敏.基于數(shù)據(jù)挖掘的電子商務(wù)個(gè)性化推薦算法的研究及應(yīng)用[D].貴陽：貴州大學(xué)，2011.

[9]楊靜.電子商務(wù)中個(gè)性化推薦模型的研究[D].天津：天津師范大學(xué)，2007.

[10]李婷.基于用戶興趣與合作的個(gè)性化電子商務(wù)推薦系統(tǒng)研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2007.

[11]張建偉.基于WEB文本挖掘的電子商務(wù)網(wǎng)站個(gè)性化推薦研究[D].淮南：安徽理工大學(xué)，2014.

[12]李鳳慧.基于用戶瀏覽行為挖掘的電子商務(wù)個(gè)性化推薦系統(tǒng)[J].濰坊學(xué)院學(xué)報(bào)，2004，4（2）：66-67，71.

[13]李明晶.基于Web挖掘的電子商務(wù)個(gè)性化推薦系統(tǒng)研究[D].北京：北京交通大學(xué)，2008.

[14]宋偉國.基于CF的個(gè)性化電子商務(wù)推薦系統(tǒng)研究[D].蘭州：蘭州大學(xué)，2010.

[15]安芳.電子商務(wù)個(gè)性化信息推薦服務(wù)的研究[D].北京：對外經(jīng)濟(jì)貿(mào)易大學(xué)，2006.

[16]張黎黎.電子商務(wù)個(gè)性化推薦模型研究[D].重慶：重慶大學(xué)，2009.

[17]李熠.引入信任的二部圖電子商務(wù)個(gè)性化推薦算法改進(jìn)研究[D].成都：電子科技大學(xué)，2015.

[18]楊永亮.基于時(shí)間敏感的電子商務(wù)個(gè)性化推薦方法研究[D].哈爾濱：哈爾濱工程大學(xué)，2015.

[19]王偉，徐平平，王華君，等.基于概率回歸模型和K-最近鄰的電子商務(wù)個(gè)性化推薦方案[J].湘潭大學(xué)學(xué)報(bào)：自然科學(xué)版，2016，38（1）：97-100，119.

[20]鄧曉懿.移動(dòng)電子商務(wù)個(gè)性化服務(wù)推薦方法研究[D].大連：大連理工大學(xué)，2012.

[21]俞正驕.面向電子商務(wù)個(gè)性化推薦的序列關(guān)聯(lián)挖掘研究[D].天津：河北工業(yè)大學(xué)，2015.

[22]易明.基于Web挖掘的電子商務(wù)個(gè)性化推薦機(jī)理與方法研究[D].武漢：華中科技大學(xué)，2008.

[23]汪亭廷.美味網(wǎng)電子商務(wù)個(gè)性化推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].成都：電子科技大學(xué)，2014.

[24]王星.個(gè)性化推薦系統(tǒng)在電子商務(wù)網(wǎng)站中的應(yīng)用研究[J].商，2013，（7Z）：156-156.

[25]張曉敏.電子商務(wù)個(gè)性化推薦系統(tǒng)中協(xié)同過濾技術(shù)及應(yīng)用研究[D].重慶：重慶大學(xué)，2007.

[26]辛勤芳.電子商務(wù)個(gè)性化推薦系統(tǒng)研究[D].泉州：華僑大學(xué)，2012.

[27]翟爍.基于協(xié)同過濾的電子商務(wù)個(gè)性化推薦的研究與分析[D].北京：北京工業(yè)大學(xué)，2015.

[28]馬瑞敏，卞藝杰，陳超，等.基于Hadoop的電子商務(wù)個(gè)性化推薦算法——以電影推薦為例[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2015，24（5）：111-117.

[29]黃瑩.經(jīng)濟(jì)昆蟲電子商務(wù)系統(tǒng)的實(shí)現(xiàn)與個(gè)性化推薦技術(shù)研究[D].昆明：昆明理工大學(xué)，2007.

[30]劉蓓琳.電子商務(wù)用戶個(gè)性化推薦技術(shù)接受影響因素研究[D].徐州：中國礦業(yè)大學(xué)，2011.

[31]朱巖，林澤楠.電子商務(wù)中的個(gè)性化推薦方法評述[J].中國軟科學(xué)，2009，（2）：183-192.

[32]陳曉紅.面向電子商務(wù)的個(gè)性化推薦技術(shù)研究[D].揚(yáng)州：揚(yáng)州大學(xué)，2007.

[33]吳昕方.基于特征的個(gè)性化電子商務(wù)網(wǎng)站推薦系統(tǒng)的研究與實(shí)現(xiàn)[D].上海：華東師范大學(xué)，2006.

[34]鄒晶晶.基于大數(shù)據(jù)的電子商務(wù)個(gè)性化商品推薦方法[J].電子制作，2014，（10）：97-97，96.

[35]劉慶華.個(gè)性化推薦技術(shù)及其在電子商務(wù)中的應(yīng)用[D].南昌：南昌大學(xué)，2008.

[36]陳健.基于個(gè)性化推薦的旅游移動(dòng)電子商務(wù)平臺設(shè)計(jì)研究[D].武漢：湖北工業(yè)大學(xué)，2015.

[37]鮑麗倩，陳思璇.基于效用理論的電子商務(wù)個(gè)性化推薦[J].科技情報(bào)開發(fā)與經(jīng)濟(jì)，2011，21（24）：150-153.

[38]王海超.基于Web挖掘的電子商務(wù)個(gè)性化推薦技術(shù)研究[D].贛州：江西理工大學(xué)，2010.

[39]單明.基于個(gè)性化推薦的電子商務(wù)推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].長春：吉林大學(xué)，2014.

[40]劉麗峰.芻議基于專家系統(tǒng)的電子商務(wù)個(gè)性化推薦技術(shù)[J].電子技術(shù)與軟件工程，2015，（10）：191-191.

[41]羅亞.基于專家系統(tǒng)的電子商務(wù)個(gè)性化推薦技術(shù)[J].制造業(yè)自動(dòng)化，2012，34（10）：100-102.