國內(nèi)電子商務(wù)個性化推薦研究進展：架構(gòu)與實踐

孫雨生++張晨++任潔++朱禮軍

〔摘要〕本文介紹了電子商務(wù)個性化推薦內(nèi)涵、核心內(nèi)容和研究框架，并從推薦模型與機理、典型應(yīng)用與技術(shù)實踐兩方面闡述了國內(nèi)電子商務(wù)個性化推薦研究進展。

〔關(guān)鍵詞〕電子商務(wù)；個性化推薦；研究進展；社會化推薦；架構(gòu)；實踐

DOI：10.3969/j.issn.1008-0821.2017.05.025

〔中圖分類號〕TP399；G202；F73〔文獻標識碼〕A〔文章編號〕1008-0821（2017）05-0151-06

Research Development of E-Commerce Personalized

Recommendation in China：Framework and PracticeSun 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〕This article introduced the connotation，core content and research framework of e-commerce personalized recommendation，and revealed its research development in china from two aspects of recommendation model and mechanism，typical applications and technology practice.

〔Key words〕e-commerce；personalized recommendation；research development；social recommendation；framework；practice

伴隨電子商務(wù)飛速發(fā)展，商品種類規(guī)模急劇增長與顧客有限商品選擇能力形成明顯反差，出現(xiàn)商品“信息超載、迷航”，導致顧客精準選擇商品、商家獲取顧客個性需求難度陡增[1]。對此，顧客希望電子商務(wù)輔助其快速[2-3]選購滿意商品[4-5]，商家希望電子商務(wù)輔助其動態(tài)精準獲取顧客需求以提升服務(wù)質(zhì)量及訪問量、顧客體驗及忠誠度，最終降低社會商業(yè)運營成本并提升效率[2-3，6]（交叉銷售[1，4-5，7-8]、變現(xiàn)）。在這種形勢下，電子商務(wù)個性化推薦應(yīng)運而生并蓬勃發(fā)展。

本文介紹電子商務(wù)個性化推薦內(nèi)涵、核心內(nèi)容和研究框架，并從推薦模型與機理、典型應(yīng)用與技術(shù)實踐兩方面闡述國內(nèi)電子商務(wù)個性化推薦研究進展。

1簡介

11定義及內(nèi)涵

廣為接受的電子商務(wù)個性化推薦定義由Resnick、Varian于1997年提出（發(fā)表于ACM通信“推薦系統(tǒng)”特刊）：用電子商務(wù)網(wǎng)站向用戶提供商品信息和建議[3，5]輔助其進行商品購買決策，模擬銷售員輔助用戶完成購買過程[4，7，9]。就內(nèi)涵而言，是在網(wǎng)站商品交易過程中，用統(tǒng)計學、數(shù)據(jù)挖掘[10]等技術(shù)動態(tài)采集并分析用戶特性[1]、行為[2]以得出其個性需求（興趣[5]），構(gòu)建并基于用戶興趣模型、推薦算法（反映用戶與商品間關(guān)系[1]）預測用戶喜好，在適當時空通過合適渠道、方式主動向用戶推薦合適商品信息及服務(wù)[10]供其選擇性瀏覽以降低搜索成本、認知負擔并提升購買決策質(zhì)量[1]、完成購買過程[2，11]，最終提升用戶網(wǎng)絡(luò)購物體驗及忠誠度[11]、商家商品成交量、商業(yè)資源配置與流動合理性。

12核心內(nèi)容與研究框架

分析現(xiàn)有文獻，筆者認為電子商務(wù)個性化推薦核心研究用戶興趣建模（包括興趣模型表示、初始化、進化）、推薦機制與技術(shù)（直接決定推薦性能[4]）、信息資源管理（包括商品數(shù)據(jù)采集、挖掘、存儲等）、推薦模型與機理、典型應(yīng)用與技術(shù)實踐、推薦性能優(yōu)化及評價等。其研究框架如圖1所示。圖1電子商務(wù)個性化推薦研究框架

2研究進展

為全面掌握國內(nèi)電子商務(wù)個性化推薦研究進展，筆者以知網(wǎng)、萬方的學位論文、期刊論文庫及維普期刊論文庫為信息源，以“電子商務(wù)”、“個性化”、“推薦”為關(guān)鍵詞組合在題名中檢索相關(guān)文獻（截至2016年12月26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192篇文獻）。

縱觀現(xiàn)有成果，國內(nèi)電子商務(wù)個性化推薦研究整體處應(yīng)用起步階段且發(fā)展態(tài)勢良好，尤其是近幾年。相關(guān)成果最早是岳訓等2003年發(fā)表的《基于矩陣聚類的電子商務(wù)網(wǎng)站個性化推薦系統(tǒng)》[12]；學術(shù)研究集中在推薦模型[4，6-7，13-14]與機理、用戶興趣建模[7]、推薦機制與技術(shù)集成[2-4，7-9，11，15-16]、推薦資源管理（數(shù)據(jù)來源[7，16]、數(shù)據(jù)集成）、典型應(yīng)用[1，7]與技術(shù)實踐（系統(tǒng)應(yīng)用[4，7，9，13]及可視化[13]）、系統(tǒng)評價（含系統(tǒng)功能[4]、性能[7]、實時性、質(zhì)量[4，7，13]及奇異性[7]）、用戶體驗等方面；應(yīng)用實踐集中在信息管理（文獻推薦、搜索引擎[16]）、電子商務(wù)（B2C[17]、圖書[18]、虛擬超市[16]、（旅游[19-20]）移動電子商務(wù)）、市場營銷（二次營銷、客戶關(guān)系管理（識別潛在顧客、提高顧客忠誠度及營銷策略靈活性）[21]）、教育（遠程教育[16]、E-learning（構(gòu)建虛擬學習社區(qū)、基于社會化標簽進行推薦）[22]）、人工智能（專家系統(tǒng)[10，23]）等領(lǐng)域。

21推薦模型與機理

211體系結(jié)構(gòu)

1）B/S結(jié)構(gòu)

分表示、業(yè)務(wù)、數(shù)據(jù)3層，通過調(diào)用功能模塊實現(xiàn)層間交互，通過接口（分內(nèi)部接口（模塊間傳遞信息）、外部接口（系統(tǒng)間傳遞信息））傳遞信息[24]：表示層又稱應(yīng)用層[13]、用戶界面層[6]、Web表現(xiàn)層[24]、前臺交互層[5，20]、用戶訪問層[25]，是支持用戶訪問（注冊、登錄[20]、瀏覽、訂購）[25]、推薦結(jié)果呈現(xiàn)[6，13，20]、系統(tǒng)級管理等的人機界面；業(yè)務(wù)層又稱個性化推薦[13]或服務(wù)層[25]、業(yè)務(wù)邏輯層[24]、Web服務(wù)層[26]、推薦數(shù)據(jù)庫層（基于推薦引擎進行推薦）[5]，接受并基于業(yè)務(wù)規(guī)則處理表示層請求，與數(shù)據(jù)層交互并返回結(jié)果給表示層[20，24]，多涉及商品建模（基于類別、屬性）、用戶興趣提?。ú杉脩糇浴⑿袨樾畔⒋嫒胩卣鲙觳⑼诰?、預測用戶興趣）、用戶興趣模型管理、抽樣（基于類別概率計算用戶樣本近似效用值并抽樣）、挖掘[4，26-27]、過濾[6，26]、檢索、推薦[5，26]等模塊[25]；數(shù)據(jù)層又稱數(shù)據(jù)挖掘?qū)覽13]、數(shù)據(jù)訪問層[24]、數(shù)據(jù)源層[26]、數(shù)據(jù)操作庫層[5]，按業(yè)務(wù)層請求調(diào)用或按約束關(guān)系存儲數(shù)據(jù)[25]，體現(xiàn)為數(shù)據(jù)庫（含用戶數(shù)據(jù)庫（分基本信息庫、興趣特征庫）、管理員數(shù)據(jù)庫[20]、商品數(shù)據(jù)庫[5，20]（分基本信息庫、特征屬性庫）、交易事務(wù)數(shù)據(jù)庫[20]、推薦模型庫[4，25，27]、系統(tǒng)數(shù)據(jù)庫[20]）或文件系統(tǒng)[6]。

2）C/S結(jié)構(gòu)

分客戶端、服務(wù)器端，具體內(nèi)涵見表1。

3）基于語義推薦結(jié)構(gòu)

①基于Agent體系結(jié)構(gòu)

由多Agent基于通信語言、協(xié)議、模型、數(shù)據(jù)庫協(xié)作推薦[13]：閆艷[31]、張琰[13]等提出分交互層（含跟蹤Agent（隱式收集用戶信息、行為，實時推薦）、交互Agent（顯式收集用戶、商家信息，反饋推薦結(jié)果、商家信用）[13]）、控制層（選擇推薦算法，包括用戶興趣模型管理Agent（內(nèi)含Web日志Agent、數(shù)據(jù)轉(zhuǎn)化Agent、數(shù)據(jù)挖掘Agent、偏好分析Agent）、推薦算法庫、規(guī)則庫）、推薦層（推薦引擎調(diào)用控制層推薦算法規(guī)則進行推薦，包括推薦引擎Agent（內(nèi)含搜索Agent、推薦生成Agent、評價Agent[31]）、推薦引擎觸發(fā)Agent、源數(shù)據(jù)監(jiān)控Agent、用戶數(shù)據(jù)庫、商家數(shù)據(jù)庫）。賀桂和[32]提出基于Agent情境感知推薦體系結(jié)構(gòu)，內(nèi)含情境獲取Agent、情境處理Agent、規(guī)則匹配Agent、商品檢索Agent和商品推薦Agent。

②基于本體體系結(jié)構(gòu)

樊靜[33]提出分信息抽取層（基于電子商務(wù)領(lǐng)域本體、結(jié)合所獲取用戶興趣構(gòu)建并基于用戶個性化領(lǐng)域本體進行用戶興趣建模，提供平臺進化用戶興趣模型且支持推理、語義擴展）、本體集成和管理層（用本體映射引擎整合用戶個性化領(lǐng)域本體與行業(yè)知識庫，精確描述Web服務(wù)內(nèi)容、用戶興趣模型并基于用戶查詢、定制概念映射規(guī)則進行本體推理）、應(yīng)用服務(wù)層（基于用戶興趣模型、推薦算法推薦商品）。

212功能模塊

一般分結(jié)果輸出、推薦處理、信息輸入3模塊[4，7，13，15-16，22，27，31，34]，此外，丁建軍[2]、王衛(wèi)健[3]分用戶（偏好）建模（分用戶信息管理、用戶瀏覽查詢（按關(guān)鍵字或分區(qū)分類）、用戶反饋[3]）、推薦算法（分推薦、結(jié)果融合[3]）、推薦對象建模（商品信息管理（由管理員描述、維護、管理商品信息）[3]）3模塊；胡一[34]分用戶交互代理（界面[6]）、推薦引擎、推薦模型（根據(jù)操作篩選推薦算法）、數(shù)據(jù)操作庫（存儲商品、銷售、用戶和操作、問題記錄[5，35]等）、數(shù)據(jù)庫（存儲首次篩選數(shù)據(jù)操作庫后數(shù)據(jù)（商品屬性、購買率、點擊率等））5模塊。

1）結(jié)果輸出

顯示[6]、反饋、分析推薦結(jié)果[6，13，15，31，34]，結(jié)果為相關(guān)推薦（如項目列表（如標題、縮略圖、簡介等[9]）[7，34]，內(nèi)容含商品[4，7，27，34]、服務(wù)、廣告等[36-37]）[9，27]、項目預測分值[13，15-16，22，31]、評價（評分[2-4，7，9，13，15-16，31，34]（均值[7，27，34]）、文本[2-7，13，15-16，27，31，34，36]、等級[5，31]，來自群體或個體）、編輯推薦[7，27，34]、建議列表[5，13，15-16，22，31]（如Top-N[7，13，15，31]）等，形式為E-mail[4，7，9，18，27，34]、短信、網(wǎng)頁欄目[9，18]、用戶智能界面[20]等。此外，汪亭廷[9]認為應(yīng)說明推薦理由及分數(shù)以提升可信度。

2）推薦處理

推薦系統(tǒng)核心[15，34]，基于推薦算法[3]（預測模型）、用戶數(shù)據(jù)推薦商品[31]，包括用戶興趣建模、推薦模型庫生成、用戶需求分析和推薦生成[4，7]。

3）信息輸入

采集用戶（基本）信息、興趣[4]、行為[13]，多認為源自個體（注冊[2-5，7，27]、反饋[2]、行為（瀏覽[3-5，7，16，22，27]（時間）、點擊[2，7]、購買[4，7，9，15-16，20，22]、標注[15]、搜索[3，20]）[2]、掃描信息[5]，除行為外均顯式輸入）[3-5，7]、群體用戶（關(guān)鍵字/項目屬性[4-5，7，16，27]、（文本）評價[4-5，7，9，16，27]、評分[27]、編輯（專家）推薦[3，7，27]、購買歷史[5，7，27]，除購買歷史外均顯式輸入）[16，27，34]。此外，張琰[13]將輸入信息分為顯式及隱式信息、關(guān)鍵詞。

213推薦流程

1）常規(guī)流程

首先，數(shù)據(jù)采集（含預處理[20]）及用戶興趣建模：基于用戶訪問日志[9]、行為數(shù)據(jù)庫[6]、各進程時間、頁面文本等[25]抽取其興趣、行為特征[6]等并存入用戶興趣特征庫，構(gòu)建用戶興趣模型庫[20，25]；然后，推薦處理及結(jié)果生成[19]：發(fā)送請求到推薦模式庫由其選擇模式，匹配用戶興趣模型與候選項目，經(jīng)過濾、排序[6]生成推薦及預測結(jié)果（包括策略、社群、內(nèi)容[25]）并合理展現(xiàn)[6，37]；最后，根據(jù)用戶反饋優(yōu)化推薦結(jié)果、模型[6]。此外，張曉敏[27]、王偉等[14]認為包括數(shù)據(jù)預處理、推薦模型生成、推薦策略配置、推薦服務(wù)訪問（推薦產(chǎn)生[14]）、數(shù)據(jù)更新。

2）階段劃分

通常，基于用戶行為[3]推薦過程分離線處理（整合挖掘在線推薦數(shù)據(jù)）、在線推薦（利用離線挖掘結(jié)果）[11，16，30，35]：前者離線挖掘數(shù)據(jù)并形成推薦模型[9]，包括數(shù)據(jù)采集（周期采集客戶端Cookie[16，30]（含用戶信息、行為[3]）、服務(wù)器端日志[35]、商品數(shù)據(jù)（涉及屬性、訂單等[3，9，30，35]））、預處理（清洗[30]、提取[9]、轉(zhuǎn)換[3，9]、規(guī)約數(shù)據(jù)（合并[5，14]、歸一化[3]）、用戶及會話識別、事務(wù)識別[16，30]、路徑補充[16，35]并生成用戶事務(wù)文件、Web內(nèi)容文件[30]）、模型生成（用數(shù)據(jù)挖掘技術(shù)（關(guān)聯(lián)規(guī)則[9]、使用（訪問路徑[3]）聚類、事務(wù)聚類、蟻群聚類[3]等）[35]挖掘半結(jié)構(gòu)化事務(wù)（行為[3]）序列、訓練行為預測模型[3]并存入推薦模型庫）[30，36-37]；后者包括瀏覽器（接收用戶請求、反饋并返回推薦結(jié)果[9]）、Web服務(wù)器、推薦引擎[35]（基于運行環(huán)境智能[34]選擇推薦算法、策略[9，35]，調(diào)用離線挖掘結(jié)果并與用戶會話匹配，產(chǎn)生推薦集[35]并以超鏈形式加入用戶最近請求頁面[36-37]）[30]。

此外，易明[38]將本體用于離線處理（針對用戶歷史行為構(gòu)建Web領(lǐng)域本體并語義化Web使用文檔：基于Web數(shù)據(jù)預處理結(jié)果、服務(wù)器日志形成并聚類語法層交易事務(wù)文件集、基于聚類質(zhì)心點矢量形成語法層使用文檔并基于本體語義化）、在線推薦（基于本體語義化語法層用戶當前會話或基于用戶會話語義特征在本體中尋找相似對象，匹配語義層Web使用文檔形成推薦結(jié)果并轉(zhuǎn)為Web頁面）。

22典型應(yīng)用與技術(shù)實踐

221典型應(yīng)用

國內(nèi)電子商務(wù)個性化推薦已有一定應(yīng)用，典型代表見表2。此外，陳健[20]提出旅游移動電子商務(wù)個性化推薦應(yīng)用（新用戶基于其特征，用點擊量及熱銷度等進行Top-N推薦，老用戶基于購買、搜索記錄并結(jié)合需要進行基于內(nèi)容的商品、服務(wù)及攻略推薦）；肖倩等[18]認為圖書類電子商務(wù)個性化推薦應(yīng)用呈現(xiàn)推薦機制豐富（基于歷史行為相似性推薦、基于用戶行為預測興趣推薦（精準度較高）、社會化推薦（較受重視）、混合推薦等，以根據(jù)用戶習慣平衡精準度、成本）、呈現(xiàn)方式多樣且放置位置靈活特點；存在新用戶、混合推薦精度不高、易引起用戶反感、難有效反映用戶當前行為[3，39]等問題；趨勢為基于用戶偏好、反饋（顯性修改及提問、隱性行為）進行交互式推薦以動態(tài)優(yōu)化推薦效果（多用社會化推薦、混合推薦，優(yōu)化推薦時機及頻次），個性化設(shè)置推薦機制，協(xié)調(diào)推薦精度與用戶體驗，智能化推薦[1]。

表2電子商務(wù)個性化推薦典型應(yīng)用

名稱說明推薦機制、策略亞馬遜基于用戶瀏覽、檢索[34]、購買[20]、多維評價（項目、項目評論）等海量歷史行為數(shù)據(jù)[22]，社會化標簽；功能有今日推薦、促銷推薦[34]、新商品推薦、相關(guān)商品推薦、定制推薦、購買過你瀏覽過商品的人還購買過、購買過此商品的用戶還購買過[22，39]、商品推薦圖表、人工推薦[22]〖〗基于內(nèi)容推薦、協(xié)同推薦[1，34]、社會化推薦[22]、混合推薦、交互式推薦等當當[40]基于購物環(huán)節(jié)所挖掘用戶行為信息；分喜好大探底（基于Flash游戲中用戶興趣自動推薦）、靠譜內(nèi)容（基于用戶屬性推薦）、用戶關(guān)注（展示收藏、好評、熱點商品）[39]、讀書社區(qū)[18]，形式有網(wǎng)頁推薦、打包購買推薦、購物車推薦、E-mail推薦[18]等基于內(nèi)容推薦、協(xié)同推薦、關(guān)聯(lián)規(guī)則推薦[2]、社會化推薦[18]等天貓基于顧客（含用戶習慣）、商品（含特性）、品牌、店鋪、營銷活動等數(shù)據(jù)；在首頁、Offer、促銷郵件、資訊文章、商品信息、搜索結(jié)果、購買過程、購物車頁面等位置，在剛來、瀏覽、搜索、點擊進入、反饋后、收藏后、交易后等時機，通過頁面、E-mail、消息、智能手機等渠道向企業(yè)、個人、顧客群等推薦商品及類目、品牌、店鋪、公司、資訊、好友等[39]；功能有榜單推薦、相關(guān)商品推薦等基于用戶協(xié)同推薦、基于內(nèi)容推薦、關(guān)聯(lián)規(guī)則推薦、混合推薦等表2（續(xù)）

名稱說明推薦機制、策略淘寶推出i淘寶，基于顧客瀏覽[34]、搜索、收藏、購買、評價[20，34]等行為推薦商品、店鋪、好友等[40]，提供找相似[34]、猜你喜歡、掌柜熱賣、購買過此商品顧客還購買過[34]等功能基于用戶協(xié)同推薦[3]、基于內(nèi)容推薦京東基于已標注瀏覽、購買、評分等行為判斷用戶興趣并推薦[40]協(xié)同推薦好樂買基于用戶瀏覽、搜索進行推薦，提供暢銷、新品、促銷推薦、在線咨詢推薦[34]，購買過此商品用戶還購買過等，形式有廣告、郵件推薦等定制推薦、社會化推薦豆瓣優(yōu)化搜索引擎支持興趣搜索，通過話題引導用戶行為，基于評價標簽構(gòu)建商品關(guān)聯(lián)性，最終拓展推薦范圍及內(nèi)容[1]社會化推薦

222技術(shù)實踐

1）基于數(shù)據(jù)挖掘技術(shù)類

首先，用Web數(shù)據(jù)挖掘技術(shù)實現(xiàn)，相關(guān)學者有王海超[36]（用交叉Web挖掘技術(shù)、IPAM算法（分析用戶行為）獲取用戶興趣并推薦）、馮麗橋[37]（用動態(tài)直接聚類算法和聚類Markov技術(shù)、基于Web使用挖掘進行推薦）、岳訓[12]（用矩陣聚類算法分類顧客群并挖掘其特征進行推薦）、安芳[25]（基于PRMPR模型學習、跟蹤瀏覽用戶行為并量化其興趣、推薦信息）等；其次，用FP增長關(guān)聯(lián)規(guī)則算法實現(xiàn)，相關(guān)學者有陳志剛等[19]（針對旅游構(gòu)建用戶興趣模型，基于概念層次樹、FP增長關(guān)聯(lián)規(guī)則挖掘并進行移動推薦）、汪亭廷[9]（針對美味網(wǎng)）；最后，用混合機制實現(xiàn)，相關(guān)學者有王輝[11]（基于項目屬性值矩陣算法充實稀疏矩陣，基于改進k-means聚類算法發(fā)現(xiàn)鄰居，基于用戶項目類偏好算法預測項目評分，基于用戶需求選擇推薦策略進行推薦）、王衛(wèi)健[3]（混合基于用戶行為推薦、協(xié)同推薦、基于內(nèi)容推薦）。

2）基于語義技術(shù)類

首先，基于Agent實現(xiàn)（結(jié)合Web日志挖掘，多Agent協(xié)作推薦），相關(guān)學者有閆艷[31]、張琰[13]、賀桂和等[32]。其次，基于本體實現(xiàn)，相關(guān)學者有賀桂和等[32]（基于本體語義描述、推理情境與商品信息，由Agent獲取情境信息并基于本體構(gòu)建工具形成情境本體、構(gòu)建情境模型，基于匹配規(guī)則、本體進行推薦）、樊靜[33]（基于本體構(gòu)建動態(tài)用戶興趣模型并進行推薦）；再次，基于專家系統(tǒng)（識別用戶、分析其需求）實現(xiàn)，相關(guān)學者有羅亞[23]（基于咨詢系統(tǒng)所獲信息構(gòu)建靜態(tài)、動態(tài)數(shù)據(jù)庫，結(jié)合靜態(tài)數(shù)據(jù)庫、專家系統(tǒng)進行推薦）、劉麗峰[35]；此外，楊帆[6]基于BP網(wǎng)絡(luò)，融合LDA和改進的隱語義模型（LFM）進行推薦，李曉昀[41]收集并用模糊語義法處理Web信息，基于ART模型聚類數(shù)據(jù)以基于用戶隱性反饋自適應(yīng)推薦，羅亞[5]認為電子商務(wù)個性化推薦系統(tǒng)應(yīng)按人類心理和行為活動設(shè)置過濾機制（先構(gòu)建主題知識庫，含主題文本特征（如關(guān)鍵詞、相關(guān)概括及特殊語句等），再用知識庫中主題文本特征統(tǒng)計和權(quán)值運算文本中詞匯完成首次過濾，再深入分析相關(guān)主題語句，明確文本關(guān)鍵詞并和用戶給出過濾主題對比以提升其需求滿足度）。

3）基于社會化技術(shù)類

張秀杰[42]基于信任偏好實現(xiàn)（綜合考慮用戶標注、評分及偏好時效性因素，基于用戶間直接、衍生信任關(guān)系網(wǎng)絡(luò)進行推薦），李熠[15]基于引入信任（衡量用戶間興趣相符度并補充傳統(tǒng)相似度，為二部圖算法分出近鄰網(wǎng)絡(luò)）的二部圖實現(xiàn)（差異化商品初始資源配置并用信任和相似度復合值傳輸路徑賦權(quán)，分別區(qū)別用戶對商品、其他用戶推薦結(jié)果的喜愛度）；曹高輝等[17]基于協(xié)同標注實現(xiàn)（用概念生成器生成標簽概念空間、形成標簽地圖，進行商品推薦、用戶導航、概念搜索），王偉等[14]基于概率回歸模型確定整體評價與特征評價間關(guān)系、挖掘文本評價中評價者權(quán)重偏好，基于KNN算法確定與目標用戶興趣相似評價者集并進行TOP-N推薦。

4）其他

部分學者基于高性能計算技術(shù)實現(xiàn)：馬瑞敏等[43]線性組合基于Hadoop的MapReduce并行化協(xié)同過濾算法所得相關(guān)性系數(shù)得到最近鄰進行推薦；董月[8]提出量子粒子群聚類模型協(xié)同推薦算法（結(jié)合基于用戶、項目協(xié)同推薦算法并融合經(jīng)量子粒子群算法優(yōu)化后的k-means聚類算法形成用戶和項目雙重聚類協(xié)同推薦算法）并基于Hadoop并行處理海量數(shù)據(jù)、MapReduce優(yōu)化推薦處理流程。此外，張？等[26]基于案例推理實現(xiàn)（基于用戶需求特征、按相似度匹配案例進行推薦）。

3結(jié)束語

綜上，本文介紹了電子商務(wù)個性化推薦內(nèi)涵、核心內(nèi)容和研究框架，并從推薦模型與機理、典型應(yīng)用與技術(shù)實踐兩方面闡述了國內(nèi)電子商務(wù)個性化推薦研究進展：模型與機理涉及體系結(jié)構(gòu)（多用B/S、C/S結(jié)構(gòu)，部分引入語義技術(shù)）、功能模塊（多分結(jié)果輸出、推薦處理、信息輸入）和推薦流程（多為信息采集及用戶興趣建模、推薦處理、結(jié)果生成及用戶反饋，多分離線處理、在線推薦兩部分）；現(xiàn)有應(yīng)用集中在亞馬遜、當當網(wǎng)、天貓等主流電子商務(wù)網(wǎng)站，實現(xiàn)技術(shù)分基于數(shù)據(jù)挖掘技術(shù)、基于語義技術(shù)、基于社會化技術(shù)3類，部分學者用高性能計算技術(shù)實現(xiàn)。

接下來，筆者將系統(tǒng)分析電子商務(wù)個性化推薦性能優(yōu)化及評價研究成果，以供相關(guān)研究參考。

參考文獻

[1]李芳，王松.電子商務(wù)個性化推薦的發(fā)展與應(yīng)用評析[J].電子商務(wù)，2015，（12）：60-61.

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

[3]王衛(wèi)健.基于數(shù)據(jù)挖掘的電子商務(wù)商品個性化推薦技術(shù)研究[D].成都：電子科技大學，2014.

[4]楊智奇.協(xié)同過濾技術(shù)在電子商務(wù)個性化推薦系統(tǒng)中的研究與應(yīng)用[D].成都：電子科技大學，2009.

[5]羅亞.淺談電子商務(wù)個性化推薦系統(tǒng)[J].現(xiàn)代經(jīng)濟信息，2015，（15）：335-335，337.

[6]楊帆.基于BP網(wǎng)絡(luò)融合的電子商務(wù)個性化推薦模型研究[D].杭州：杭州電子科技大學，2015.

[7]李亞欣.基于協(xié)同過濾的電子商務(wù)個性化推薦算法研究[D].大連：東北財經(jīng)大學，2012.

[8]董月.基于Hadoop的個性化推薦系統(tǒng)在電子商務(wù)的應(yīng)用[D].北京：華北電力大學，2015.

[9]汪亭廷.美味網(wǎng)電子商務(wù)個性化推薦系統(tǒng)的設(shè)計與實現(xiàn)[D].成都：電子科技大學，2014.

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

[11]王輝.基于混合機制的電子商務(wù)個性化推薦研究[D].大連：大連海事大學，2009.

[12]岳訓，苗良，鞏君華，等.基于矩陣聚類的電子商務(wù)網(wǎng)站個性化推薦系統(tǒng)[J].小型微型計算機系統(tǒng)，2003，24（11）：1922-1926.

[13]張琰.基于多Agent的電子商務(wù)個性化推薦系統(tǒng)研究[D].南京：南京師范大學，2007.

[14]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)個性化推薦方案[J].湘潭大學自然科學學報，2016，38（1）：97-100，9.

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

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

[17]曹高輝，毛進.基于協(xié)同標注的B2C電子商務(wù)個性化推薦系統(tǒng)研究[J].圖書情報工作，2008，52（12）：126-128，38.

[18]肖倩，董占山，張聰.圖書類電子商務(wù)網(wǎng)站上的個性化推薦應(yīng)用研究[J].科技與出版，2014，（8）：94-97.

[19]陳志剛，陳健.基于旅游業(yè)移動電子商務(wù)的個性化推薦模型研究[J].湖北工業(yè)大學學報，2014，29（6）：36-39.

[20]陳健.基于個性化推薦的旅游移動電子商務(wù)平臺設(shè)計研究[D].武漢：湖北工業(yè)大學，2015.

[21]丘珂瑋.個性化推薦技術(shù)在電子商務(wù)客戶關(guān)系管理中的二次營銷應(yīng)用[J].中國科技縱橫，2014，（1）：285-285.

[22]任宇.E-Learning個性化系統(tǒng)的推薦策略研究——來自電子商務(wù)推薦系統(tǒng)的啟示[D].長春：東北師范大學，2011.

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

[24]王亮，吳昀昆，袁鋒玉，等.基于B/S三層架構(gòu)的電子商務(wù)個性化推薦系統(tǒng)[J].福建電腦，2013，（5）：11-13，40.

[25]安芳.電子商務(wù)個性化信息推薦服務(wù)的研究[D].北京：對外經(jīng)濟貿(mào)易大學，2006.

[26]張，夏國平，李雪峰.基于案例推理的電子商務(wù)個性化推薦系統(tǒng)[J].計算機工程，2007，33（20）：187-189.

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

[28]楊靜.電子商務(wù)個性化推薦系統(tǒng)的構(gòu)建[J].現(xiàn)代計算機：專業(yè)版，2012，（28）：50-53.

[29]李聰.ECRec：基于協(xié)同過濾的電子商務(wù)個性化推薦管理[J].現(xiàn)代圖書情報技術(shù)，2009，（10）：34-39.

[30]熊宇.協(xié)同過濾的電子商務(wù)個性化服務(wù)推薦系統(tǒng)的研究[D].成都：電子科技大學，2014.

[31]閆艷.基于多Agent技術(shù)的電子商務(wù)個性化推薦系統(tǒng)的設(shè)計與實現(xiàn)[D].北京：首都師范大學，2009.

[32]賀桂和，曾奕棠.基于情境感知的電子商務(wù)平臺個性化推薦模型研究[J].情報理論與實踐，2013，36（6）：81-84，26.

[33]樊靜.基于OBUIM的電子商務(wù)個性化推薦模型研究[J].現(xiàn)代商貿(mào)工業(yè)，2009，（19）：278-279.

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

[35]邢紅剛，阮勝利.基于Web的個性化電子商務(wù)推薦系統(tǒng)研究[J].華人時刊：中旬刊，2014，（11）：156-156.

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

[37]馮麗橋.基于Web挖掘技術(shù)的電子商務(wù)個性化推薦算法研究[D].天津：河北工業(yè)大學，2013.

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

[39]郭偉光.我國B2C電子商務(wù)個性化商品推薦服務(wù)實證研究[J].價值工程，2014，（30）：25-27.

[40]李曉麗.電子商務(wù)個性化推薦系統(tǒng)的設(shè)計與實現(xiàn)[D].開封：河南大學，2013.

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

[42]張秀杰.基于信任偏好的電子商務(wù)個性化項目推薦研究[D].天津：天津大學，2012.

[43]馬瑞敏，卞藝杰，陳超，等.基于Hadoop的電子商務(wù)個性化推薦算法——以電影推薦為例[J].計算機系統(tǒng)應(yīng)用，2015，24（5）：1-7.

（本文責任編輯：郭沫含）