学文网推荐一个好地方作文篇1
1、今年八月的一个星期天，我和妈妈，姨娘、辰辰、还有姨夫一起去了石浦老街。
2、半个小时后，石浦渔村到了。我和弟弟抢先一步，蹦在前面。渔村的小港都是用鹅卵石铺的，面路像宽宽的梯子，在慢慢变高。两旁的房屋都是用木头建成的，沿街的屋子里开满了小卖部。小卖部里有用海螺做的喇叭、还有用海螺做成的项链或耳环等很多东西。最好看的要数那个“鬼鱼”，胖嘟嘟的身子像个圆溜溜的皮球，皮球上长满了尖锐的刺。我一看就好奇。可惜那只是只假鱼。
3、后来我和弟弟有点渴了，我们就在路边找家小店买了两瓶饮料。小店里有鱿鱼干、小黄鱼干、还有很多海鲜产品。我们又买了鱿鱼干和小黄鱼干，大家都吃得津津有味。到了下午4点左右，我们就回到家里了。今天真开心，那儿真是一个好地方！
（来源：文章屋网 ）
推荐一个好地方作文篇2
关键词：推荐系统；进化优化
中***分类号：TP311 文献标识码：A 文章编号：1009-3044（2014）10-2342-05
Abstract： Based on the theoretical analysis and recommendation system evolution， this paper has proposed a multi-objective optimization idea and an evolutionary multi-objective optimization based recommendation algorithm is proposed. This algorithm simultaneously considers the recommendation precision and novelty， it not only preserves precision but also recommend new items to user， it makes effort to obtain the tradeoff between these two objectives. This paper presents the design of algorithms and algorithmic thinking processes， and tests the algorithm with simulation data.
Key words： recommendation systems； evolutionary optimization
推荐系统是大数据处理和社会计算的一种重要技术和手段，在信息高速发展和个性化的需求之下，推荐系统地位日趋显赫。经过多年的发展，业界已涌现多种推荐算法，还有更加新颖的推荐算法被不断提出，而推荐算法效率优劣与否直接关系到推荐系统的性能及应用，从目前的参考文献分析中可以得出，这些算法没有考虑将推荐过程建模成数学优化问题，更没有考虑用优化算法去解决这种问题。该文试***从进化多目标优化的角度出发，将多目标优化融入到推荐过程中，提出了一种进化多目标优化的推荐算法。
1 设计背景
1）推荐系统定义及分类
推荐系统是在信息***的背景下应运而生的，推荐系统可以理解为自动联系用户和物品的一种工具，是一种缓解信息过载问题的技术或者平台。目前，业界对推荐系统的定义很多，但是在1997年由Resnick和Varian归纳总结得出：“推荐系统是利用电子商务网站向客户提供商品信息和购买方面的建议，辅助用户决策购买合适的产品，充当模拟销售人员的身份帮助客户完成购买过程”被广泛认可和接受。
按照推荐系统采集的用户的行为数据的类型，一般按以下五类划分推荐系统：
① CBF [1]―基于内容过滤的推荐系统。
② SRS―社会推荐系统。
③ KBRS―基于知识的推荐系统
④ HRS―混合推荐系统。
⑤ CFRS[2]―基于协同过滤的推荐系统。
2）主要推荐方法对比
如表1所示。
3）推荐系统存在的问题
推荐系统主要存在冷启动和数据稀疏两方面的问题。
① 冷启动问题
在推荐系统中，冷启动问题主要分为3类[3]：用户冷启动、项目冷启动和系统冷启动。用户冷启动，即用户刚刚使用系统，自身的信息才被记录。另外一个冷启动就是项目冷启动，即某一项目第一次出现在系统中。另外系统冷启动主要解决如何在一个新开发的系统或网站上设计个性化推荐系统。
② 系统稀疏性问题
对于一个真正的推荐系统而言，推荐系统中的物品个数要远大于用户的数目，反过来，用户更不可能去购买所有的物品，其直接导致的后果是生成的用户与物品评分矩阵是一个超级稀疏的矩阵，因此会导致在计算用户与用户之间的相似度时结果并不符合真实情况。
4）基于帕累托占优的进化多目标算法
Pareto最优的思想被引入到进化多目标优化中，是一种很好的求解多目标优化的思想。***1以两目标优化问题为例展示了Pareto占优的思想。***中所有的点表示Pareto最优解，所有的解组成的一个面叫做Pareto面，称PF面。***中，Pareto最优解A和B由于彼此不能判定谁比谁好，所以它们被称为Pareto最优解，A和B之间互相都不能支配谁。
2 算法设计
1）个体表示和适应度函数
表2给出了一个m个用户对n个物品的评分数据统计情况，第i行第j列的元素代表用户i对项目j的喜好情况评分。
表所示的矩阵数据是很多推荐系统算法的输入，即这些算法试***通过已经得到的评分矩阵通过某种方式或者策略估计用户对其他目前用户还没有评分或者购买或者使用的物品的评分，根据这些估计值来排序，从而按照排序结果给优化进行推荐。该文的设计思路却不一样，该文的算法试***让算法一次运行能够给出很多不同的推荐方案供决策者去自主选择。该文算法个体的编码方法如下：
表所示的个体编码采用的是二进制编码，这样做的好处就是易于理解，物品被推荐就用1表示，不推荐就用0表示，另外这样的编码方法很好解码，操作方便。对于一个进化多目标优化算法来讲，算法一次运行能够得到多个甚至很多个Pareto最优解，每个解都是一种推荐方案，决策者可以根据不同的用户的喜好来选择合适的方案来对用户进行推荐。
进化多目标优化通常要求待优化目标之间具有冲突或者部分冲突，对于推荐系统而言，目标函数的确立就更加至关重要了。目前关于用多目标求解推荐的算法基本就没有，因为推荐系统目前的评价指标比较少，而且现存的指标很难建模成一个多目标优化问题。该文算法力求寻找一种多目标解决方案。
按照推荐系统的推荐原则，该文设计的第一个目标函数就是精确度，精确度越高，推荐效果越好。该文设计了另外一个指标叫新颖度，此新颖度是针对用户的，不是针对物品而言的。因此，该文算法定义的多目标函数如下：
[maxf1=（R+L）/Lf2=（R-L）/R] （1）
上式中，R表示一个推荐物品列表，L表示目标用户喜欢的物品列表。从上式可以看出，若要f1最大化，理想情况就是推荐列表包含用户目前所有喜欢的物品，而f2最大化的理想情况是推荐列表不包含用户喜欢的物品，这一点正好符合多目标优化多目标的要求。该文算法力求寻找f1和f2之间的一组折中解。
2）遗传操作
本文算法中使用的交叉操作的步骤就是选择一个位置，然后从该位置开始到一个个体的最后一位，交换两个个体这个位置区域之间的编码内容。
本文算法中使用的变异操作的步骤就是选择一个位置，若随机数大于变异概率，则将个体该位置的编码由原始的0变为1或者由原始的1变为0，否则不做任何操作，该变异操作非常简单。
3）算法流程
本文算法提出的是一种进化多目标优化推荐系统解决方案。按照本文算法具体的操作步骤，下面给出了算法的整体流程***如***3所示。
按照***3的算法流程***，该文算法的具体操作步骤如下：
Step 1）数据读取：从文件读取用户―物品评分矩阵M，其中M是一个[n×m]的矩阵，n表示用户个数，m表示物品个数；
Step 2）初始化种群：将种群的每个个体随机初始化为二进制随机序列；
Step 3）保持非支配解：开辟一个外部种群，按照非支配关系确定非支配解，将非支配解存储在外部种群中；
Step 4）遗传操作：对当前种群进行遗传操作，即每隔两个个体，对该两个个体进行交叉操作，整个种叉操作完毕则对种群每个个体进行变异操作；
Step 5）适应度计算：对新产生的种群的个体计算适应度；
Step 6）更新外部种群：计算经过遗传操作之后的新种群的非支配解，并用这些非支配解更新外部种群的历史非支配解；
Step 7）终止条件：为终止条件不满足则跳至步骤4，否则输出算法得出的所有推荐方案，并且选择精确度最大的解作为最终的解。
3 实验测试
1）实验平台
1） 参数设置
种群大小popsize：100
外部种群archive：500
迭代次数loopgene：100
交叉概率pc：0.8
变异概率pm：0.2
2） 软件平台
编程工具：Matlab7.0
操作系统：Windows 7
3） 硬件平台
中央处理器：Intel（R） Core（TM） i3 CPU 3.2GHz
内存：4GB
硬盘：500G
2）实验数据
实验模拟数据是电影推荐数据。该数据是8用户观看8部电影后，给出的记录打分集合，用户及电影名称信息集如表3所示。
由于原始数据是记录的形式给出的，所以要得到矩阵数据需要对原始数据进行预处理。经过数据预处理之后得到的数据矩阵如表4所示。
3）实验结果
程序是在matlab7.0软件中实现的，最终的结果都是在matlab界面中显示的。因为程序是基于数学建模的，结果的输出区域是两个目标函数的坐标系中，该文设定的横坐标是精确度，也即目标参数f1；纵坐标是新颖度，也即是目标函数f2。输出结果是进化迭代的最后一组非支配解，也就是一系列的坐标点（f1，f2）；其数学含义是这些点互不支配，属于目标函数组的一组折中解。每个坐标点代表一种推荐方案，根据算法的设计，算法保留着这些非支配解对应的种群，种群在算法中就是一个行向量为种群大小，列向量为物品个数的矩阵。目标函数值是通过种群矩阵中的行向量与用户-物品评分列表中的行向量集合运算得到的。其中种群中行向量是一个0、1的序列，对应着用户不喜欢或喜欢该物品，所以（f1，f2）解集对应的就是针对单个用户相应的物品推荐方案，验证了本文算法一次运行得到多个推荐解的结果。
***4的PF面的结果可以看出，该文提出的算法可以得到比较理想的推荐情况，因为从进化多目标优化的角度来看，该文算法得到的PF比较光滑，而且数据之间的分布也比较均匀。
从***4可以看出，该文算法一次运行可以得到一组推荐方案，而传统方法一次运行只能得到一种推荐方案，这样就不利于决策者进行决策，而本文算法可以在保证高的正确率情况下给出多种个性化推荐方案。
4 结论
本文系统讲述了推荐系统的相关理论及知识，将推荐系统的推荐过程建模成了一个多目标优化问题，并提出了一种进化多目标求解算法。该文提出的算法一次运行就可以得到很多不同的推荐方案供决策者选择，因此本文提出的算法比传统的协同过滤推荐算法更具有意义，更适合实际应用情况。
该算法的本质是用进化多目标优化算法去优化本文建模的两个推荐系统推荐指标。虽然实验部分证明本文提出的算法是有效的，但是仍然还具有许多需要改进的地方，比如，目标函数的设计。该文设计的目标函数很简单，对于实际中的应用应该考虑一些个性化元素，将这些个性化元素融入到目标函数中，这样得到的推荐方案将会更具有个性化。另外，对于真实的推荐系统而言，由于现实中的推荐系统的数据都是很大的，而进化算法都是一类随机搜索算法，如何更好的设计算法，让算法能够处理大规模数据也是一项值得研究的内容，比如可以考虑加入局部搜索算子加速算法收敛，比如对算法进行并行化，提高算法的执行时间等。
参考文献：
[1] Koren Y， Bell R， Volinsky C. Matrix factorization techniques for recommender systems[J]. Computer， 2009， 42（8）： 30-37.
推荐一个好地方作文篇3
[关键词]e-learning；协同过滤技术；学习资源；个性化推荐
[中***分类号]Tp391 [文献标识码]A [文章编号]1672-0008(2011)03-0066-06
一、引言
e-learning已成为企业开展员工培训的有效方式之一。目前，许多企业在企业内部网或互联网搭建了e-learning支持系统。随着e-learning应用实践的深入，e-learning支持系统中学习资源数量日渐增多，导致员工需要花费大量的时间和精力在平台中检索和查阅符合自己需要的学习资源，甚至找不到符合自己兴趣和工作岗位需求的学习资源。
通过分析多个企业e-learning门户系统，我们发现，当前e―learning系统推送学习资源的方式有三种：
(1)Top-N推荐方式，即采取将点击率最高的前N个热门资源推荐给用户。点击率的高低在一定程度上反映学习资源的受欢迎程度，但无法实现个性化推荐。在包含多种职业领域的学习资源管理系统中，学习者对资源类别、媒体类型需求迥异，点击率较高的学习资源，只能反映部分学习者的需求和偏好。
(2)关键字查询方式。这种方式具有便捷和快速的优点，但是这种被动式资源查询方式只追求目标资源与所提供检索关键字的契合程度，无法体现目标资源质量的高低，无法实现资源主动式个性化推荐。
(3)最新资源推荐。这种方式可以将资源库的更新情况在第一时间反馈给用户，增加最新学习资源被访问机会，但是资源的质量无法保证，个性化的推荐无法实现。鉴于以上资源推送方式存在的不足，如何解决e-learning系统中学习资源的主动式个性化推荐，成为当前教育技术学研究人员面临的研究主题之一。
个性化推荐技术能克服传统资源检索方式的缺陷，其中，协同过滤推荐技术是一种应用最为广泛的个性化推荐技术。目前，协同过滤技术已成功应用于电子商务领域。本研究尝试将协同过滤推荐技术引入e-learning系统的学习资源个性化推荐中，以推进这一研究主题的深入。
二、文献综述
(一)个性化推荐技术
个性化推荐是推荐系统根据用户的个性化特征，如兴趣、爱好、职业或专业特点等，主动地向用户推送适合其学习需要或可能感兴趣的信息资源的一种推荐技术。此外，个性化推荐技术可以共享用户间的经验，为目标用户推荐其相似用户群偏好的信息资源。其工作原理是：首先根据用户信息建立用户兴趣模型；然后，在信息资源库中寻找与其匹配的资源信息并产生推荐，以满足不同用户的个性化需求。按实现算法和实现方式的不同，个性化推荐技术可分为基于关联规则的推荐、内容过滤推荐、协同过滤推荐等三种，也可以综合以上三种推荐方式产生新的混合型推荐算法。
1.基于关联规则的推荐
基于关联规则的推荐技术的工作原理：首先由管理员定制一系列的规则条目，然后利用制定的规则度量项目间的相互关联性，将关联密切的项目推送给用户。在进行推荐时，系统分析用户当前的兴趣爱好或访问记录，然后按照事先制定的规则向用户推荐其可能感兴趣的资源项目。例如，对于一个正在学习网页设计技术的学习者来说，当他点播以ASP网页设计为主题的学习资源时，系统向他推荐了与HTML技术相关的学习资源。这是因为HTML技术是网页制作的基础知识，学习者有可能并未很好掌握，或者仍有兴趣深入学习。这样就形成了一个基于关联规则的推荐。
基于关联规则的个性化推荐存在两个缺点：
(1)规则无法由系统自动生成，必须由管理员手动定制，这无法保证推荐的精确度，而且规则的制定和维护的工作量大；(2)规则在制定之后不能动态变化。制定后的规则只能为用户推荐与其原始兴趣相符的资源条目，无法为其推荐其它高质量的资源，更不能发现用户潜在的兴趣点。
2.内容过滤推荐
内容过滤推荐技术是信息过滤中最基本的一种方法，是较早被提出的一种推荐技术。内容过滤的工作原理：采用概率统计和机器学习等技术实现过滤，首先用一个用户兴趣向量表示用户的信息需求；然后对文本集内的文本进行分词、标引、词频统计加权等，生成一个文本向量；最后计算用户向量和文本向量之间的相似度，把相似度高的资源条目发送给该用户模型的注册用户。
内容过滤推荐技术适用于推荐文本类型的学习资源，不适用于推荐多媒体类型的学习资源。内容过滤推荐技术需要在分析文本资源结构的基础上，抽象出若干个代表文本特征的关键词，描述资源内容特征。对于其它形式的学习资源(动画、音频、视频等)，该技术不能用几个关键词概括它们而无法做出较高精度的推荐。另外，内容过滤推荐只能根据资源向量同用户向量的匹配程度向用户推荐相关资源，无法筛选出优质的资源。
3.协同过滤推荐
与前两种推荐技术不同，协同过滤推荐需要在分析资源内容、计算资源和用户的匹配度的基础上产生用户推荐，产生推荐的依据是用户对资源的评分。协同过滤推荐的工作原理：首先分析用户特性，如兴趣、职业等信息；然后利用相似性算法计算用户间的相似性，找出与目标用户相似性最高的k个用户；最后参照邻居对资源的评分预测目标用户对资源的评分，将预测评分最高的n个资源推荐给目标用户。
协同过滤推荐技术具有以下三个特点：(1)较好的普适性。与其它个性化推荐技术不同，协同过滤推荐算法所依赖的是用户对资源的评分，和资源的内容或者形式无关。这一特点使得协同过滤推荐不仅适用于容易抽象出特征向量的文本类资源，而且对动画、视频、音频等难以准确概括出特征向量的多媒体素材具有同样的推荐效果。(2)良好的推荐精度。用户对资源的评分反映了用户对资源的满意程度，在绝大多数情况下代表了资源的品质，使建立在评分数据基础上的协同过滤推荐具有出色的推荐准度，其推荐结果在质量上能够得到保证。(3)共享好友经验。由于协同过滤推荐通过目标用户(项目)的邻居预测评分，使得相似用户间彼此共享资源使用经验。通过分享邻居的经验发现目标用户的潜在兴趣点，能拓展其学习思路和提供学习支架，使得推荐更加高效。
三、协同过滤推荐技术
(一)概述
协同过滤概念的提出要追溯到上个世纪，在1992年由Goldberg、Oki、Nichols和Terry首次提出，首先应用在Tapestry系统中。作为协同过滤技术的第一代产品，Tapestry系统存在诸多缺陷，没有达到成熟的程度。发展至今，协同过滤技术在互联网的众多领域得到了广泛地应用，如电子商务领域的Amazon、Netflix、Taobao，国内主流的视频点播网站Youku、Tudou等。协同过滤推荐技术已成为流行的个性化推荐技术之一。
协同过滤算法分为两大类：基于存储(Memory-based)的协同过滤算法和基于模型(Model-based)的协同过滤算法。目前，大部分协同过滤算法的实际应用都属于基于存储的协同过滤算法范畴。
基于存储的协同过滤算法包括基于用户(User-based)的协同过滤算法和基于项目(Item-based)的协同过滤算法。它以用户――项目(信息资源)评分数据为基础，通过使用不同的相似性度量方法，计算用户或者项目之间的相似性值，形成邻居用户或者邻居项目集合；然后，以邻居集合中用户对项目的评分为依据，预测用户对未评分项目的评分，形成推荐项目列表，以合适的视***呈现给用户。
基于模型的协同过滤算法首先建立一个用户――项目评价模型，以此模型为依据提供对项的推荐。基于模型的协同过滤算法同基于存储的协同过滤算法的区别在于，基于模型的方法不是基于一些启发规则进行预测计算，而是基于对已有数据应用统计和机器学习生成的模型进行预测。目前，基于模型的协同过滤算法主要有聚类模型、Bayes模型、关联规则模型、语义生成模型等几种。
(二)协同过滤推荐技术的实现
协同过滤推荐基于以下假设：如果用户对一些项目的评分比较相似，则他们对其它项目的评分也比较相似；如果大部分用户对一些项目的评分比较相似，则当前用户对这些项目的评分也比较相似。协同过滤推荐系统使用统计技术搜索目标用户的若干最近邻，然后根据最近邻对项目的评分预测目标用户对项目的评分，产生对应的推荐列表。协同过滤推荐的实现流程包含三个关键步骤：获取及表示用户信息、形成邻居和产生推荐。
1.荻取及表示用户信息
用户数据包括三类：用户注册信息、用户学习数据和用户行为记录。推荐系统获取用户行为数据有显式评分和隐式评分两种方法。显式评分是指用户通过直接打分的形式给资源的评分过程。隐式评分是记录用户行为数据，将其加权转化为用户对资源的评分。显式评分和隐式评分各有其优缺点，前者比较直观，能准确反映用户对资源喜好程度，但由于评分操作可能中断用户的学习行为，所以会给用户带来一些不便；后者通过分析用户相关信息而间接得到评分，不需要增加用户额外的操作，但其缺点是相关用户数据在某些情况下不能准确地反映用户的喜好，使评分的准确性下降。
协同过滤技术将获取的数据以用户一资源评分矩阵的形式表示，如表1所示。其中，第i行第j列的元素R代表第i个用户对第i个资源的评分。
2.形成邻居
寻找目标用户的邻居是协同过滤技术的最核心步骤。所谓邻居，即与目标用户i具有相同或者相似兴趣的用户群。计算目标用户i和其他用户i之间相似性的过程：首先筛选得到用户i和用户j共同评分的所有资源集合Resli=Resln Res，，然后通过相似性度量方法计算两个用户之间的相似性。目前常用的相似性度量方法有：余弦相似性、相关相似性和修正的余弦相似性。
余弦相似性是最为传统的相似性计算方法，而修正的余弦相似性算法的计算过程为：推荐系统中的不同用户在学***历、对资源的要求、价值标准等各方面都存在较大地差异，用户对资源的评分在很大程度上建立在用户的主观判断上，所以会体现出对资源的评价尺度上的差异性，为了适应这种状况，需要适当地修正余弦相似性算法。修正的余弦相似性算法在计算用户对资源评分时减去用户对资源的平均评分，弱化由于用户间评价尺度的差异性带来的评分误差，因此较传统的余弦相似性算法得到更为准确地相似性值。
3.产生推荐
产生推荐是协同过滤推荐算法的最后一个步骤。产生推荐的计算过程是通过邻居集对资源的评分预测目标用户学习资源的评分：用户i对项目s的打分R，通过其他用户(即邻居集x中的用户)对s的打分计算得到，在预测了用户i对资源集s的评分R之后，取R值最大的前若干项资源推荐给用户i基于协同过滤的推荐算法流程如***1所示。
(三)协同过滤推荐系统的案例分析
协同过滤推荐算法作为一种高效的资源推荐技术，在电子商务及网上视频点播领域已经得到广泛、成功的应用。全球最大的***书销售网站Amazon(亚马逊)，国内最大的电子商务网站Taobao(淘宝网)，以及国内知名的视频网站Tudou(土豆网)等。在本节中，我们将Amazon网站的协同推荐算法作为案例加以分析。
Amazon网站的协同过滤推荐算法与传统的算法有一定差异，它采用的是所谓的item-to-item协同过滤算法，类似于传统协同过滤推荐算法中基于项目(itern-based)的推荐算法，其算法流程如***3所示。
与传统的协同过滤算法相比，hem-to-item~法的优点是：商品(项)之间的相似度计算可以离线进行，这提升了系统对用户请求的响应速度；同时，由于不同用户共同购买的商品数量很小，所以商品间的相似度计算更为快速。其不足之处在于：离线计算的形式不能实时地反映用户对商品的评价情况，影响了相似度计算以及推荐的精度。
我们通过一个简单的实例进一步说明该算法的计算机过程。表2中的数据是一个简化的***书购买信息表，其中“1”表示购买，“O”表示未购买。
对于上表，以“赵大”为例，说明item―t0一item协同过滤算法的计算流程：
(1)根据用户购买行为生成“资源――用户”向量。将表中以书名划分的每一个条目转化为向量，各条目及对应向量如下：《TCP／IP协议解析》：Vecl=；《算法导论》：Vee2=；《人工智能》：Vee3=；《Linux~作系统》：Vec4=；《概率统计》：Vec5=。
(2)两两计算资源条目间的相似度。此过程的计算操作可以离线进行，采用的是前文介绍的修正的余弦相似性计算方法。“赵大”购买了《TCP／IP协议解析》和《人工智能》两书，他们与其它书目的相似度为：《TCP／IP协议解析》：Sirel：=0.82，Sire=0.82，Siml4=0.82，Siml，=0.41；《人工智能》：Sim2l=0.82，Sim23=0.5，Sim24=0，Sim25=0.5。
(3)产生推荐结果。通过对比得出，与《TCP／IP协议解析》有最大相似度的是《算法导论》和《人工智能》，与《人
工智能》最为相似的是《TCP／IP协议解析》、《算法导论》、《概率统计》，最后，推荐系统取两者的交集，将《算法导论》推荐给“赵大”。
(四)协同过滤推荐算法存在的缺陷
从Amazon的案例分析我们看到，协同过滤推荐技术可以为用户找到与其原有兴趣点最为契合的资源。然而，该技术产生精确推荐的前提是要有足够多的评分数据，即较高的用户――资源评分率。然而，对于大型的应用系统(电子商务网站、e-learning平台等)来说，其数据库中的资源项目的数量异常庞大。目前，在Amazon网站上销售的书目已超过310万之多，每个用户访问并评价的资源数目只占其中很小的一部分，这将导致用户――资源评分矩阵极为稀疏，由此产生协同过滤算法的第一个缺陷：数据稀疏。这种情况使得系统难以成功的产生邻居用户集，用户间的相似性计算非常耗时，产生的推荐结果也难尽人意。
协同过滤推荐技术的第二个缺陷是“冷启动”问题。一方面，对于一个新注册的用户来说，由于系统中没有该用户的任何资源访问记录，所以系统无法为其找到邻居用户集，更无法对其进行推荐；同样的，对于一个新加入的资源，系统中也不存在对该资源的任何评分记录，因而无法被协同过滤算法所推荐。这两种“0评分”情况构成了协同过滤算法的“冷启动”问题。
在下一部分，笔者将综合相关学者提出的协同过滤优化算法，形成一种组合的协同过滤推荐算法，提出个性化的学习资源推荐模型，以在一定程度上降低两大问题给推荐带来的负面影响。
四、基于协同过滤技术的学习资源个性化推荐模型
(一)两大缺陷的解决思路
首先，对于“数据稀疏”问题，目前流行的有两种解决方法：一种是缺省值法，也就是将用户对未评分项目的评分统一设置设为一个固定的缺省值(通过情况下取用户对项目评分的平均值，如5分制中的2.5分)，这个方法虽然简单，但可以在一定程度上缓解数据稀疏问题；另一种方法是项目评分预测法，可通过计算资源条目之间的相似性，由用户对相似项目的评分来预测用户对未评分项目的评分，使得用户之间共同评分的项目比较多，从而有效地解决用户评分数据极端稀疏情况下传统相似性度量方法存在的不足。
其次，对于“冷启动”问题，我们引入内容过滤克服协同过滤推荐算法的不足。具体实现方法：对用户――资源的评分率设定一个阈值，当评分率小于阈值时即可认为处于“冷启动”状态，此时采用内容过滤推荐的方式。由于内容过滤是根据用户兴趣模型与资源向量空间模型的匹配来产生推荐，其对每个用户的操作都是***的而不依赖其他用户对资源的评价，因此能够比较好地解决“冷启动”问题。
(二)个性化推荐模型结构
前文我们已经对协同过滤推荐算法从算法原理到实现过程都作了细致的分析，并提出了对协同过滤算法两大问题的解决思路。在此基础上我们构建了一个基于协同过滤技术的学习资源个性化推荐系统的理论模型，该模型主要包括数据支持、协同过滤推荐引擎和新进资源推荐等三个模块，如***4所示。
1.数据支持
数据支持模块为一个信息数据库，其中包含四个数据表：用户信息表、学习行为数据表、资源信息表、资源评分数据表。(1)用户信息表：存放学习者的个人信息，包括注册时填写的基本信息，以及通过Web数据挖掘技术得到的其它相关信息，如兴趣、习惯、资源偏好等。为了提升协同过滤推荐的准确度，要求系统对用户个人信息的掌握越详细越好。(2)学习行为数据表：保存学习者在学习过程中产生的学习行为记录。系统通过跟踪、记录学习者的各种行为数据，经过分析后抽取其中能较好体现学习者对资源偏好的行为数据(如对资源的***、阅读、收藏、推荐等)记录到该数据表中。学习行为数据是用户对资源条目隐式评分的数据来源。(3)资源信息库：保存了系统中各种学习资源信息，如课件、案例、试题、新闻、文献等。(4)资源评分数据表：保存学习者对学习资源的评分信息。该表是协同过滤算法的主要数据支撑。协同过滤算法通过分析用户――资源评分数据、计算用户或者资源之间的相似度来为用户产生推荐。
2.协同过滤推荐引擎
该引擎是推荐系统的核心模块，学习资源个性化推荐实现的中枢，其实现流程如***5所示。
整个推荐引擎的算法流程可以概括为以下几步：第一步，检索数据库，形成用户――资源评分矩阵；第二步，计算数据稀疏度，在此把数据稀疏度定义为：
第三步，根据稀疏度值选择用何种方法对协同过滤算法进行修正。此处，我们设置了一个阈值，Th value’作为选择进行评分预测或者内容过滤的临界值。当SparsityTh value时，将采用评分预测算法进行修正；第四步，形成邻居，并最终对用户产生推荐。
3.新进资源推荐
该模块主要针对协同过滤推荐技术中“冷启动”问题而设计。它的主要功能是分析每个学习者的兴趣、爱好与专业(职业)类别，并为其推荐相关领域的最新资源，以提高最新资源的被访问率。协同过滤推荐的基础是用户对资源的评分，但是一个刚加入到资源库的资源如果还没有被学习者访问和评价而一直处于被访问的等待队列中，那么它将永远没有机会为系统所推荐。通过新增这一模块，能在一定程度上克服协同过滤中的冷启动问题，提高新人库的学习资源被访问的机率。
(二)隐式评分的引入
协同过滤推荐算法的一大优点是对各种不同的资源类型都具有很好的适用性，这使得该算法可以轻易地从电子商务领域移植到e-learning系统中。然而e-learning系统中学习者的学习行为有异于电子商务领域中消费者的购买行为，前者要考虑的因素更多。考虑到e-learning系统存在这样的情况：即有一部分未被评分的学习资源事实上已经被学习者点播或者学习。我们可以通过分析用户对于这一部分资源的学习行为，形成一个隐式评价模型。用户的学习行为中如果出现了表示用户对资源喜好的行为因素(***、收藏、推荐、学习时长等)，就可以把这些行为加权转化为用户对资源的隐式评分。
隐式评分是通过计算用户各特定行为或者行为组合的分值而得到的。如表3所示，为了方便期间，我们用D、c、R、T四个字母分别代表***、收藏、推荐、学习时长(>30min)等四种行为，资源评分的最高分为10分。
在e-learning系统中引入隐式评价有两个好处：第一，通过用户自身的学习行为来计算其对资源的评分，具有比预测更高的可靠性；第二，可以增加资源的评分率，使得预测算法有更多地评分数据可以参考。这将在一定程度上缓解协同过滤算法的“数据稀疏”问题，从而间接地提高了预测评分的准确性。
(三)有关模型的几个关键问题的讨论
为了满足学习者的个性化学习需求，我们从学习资源人
手，提出了基于协同过滤技术的学习资源个性化推荐系统模型。该模型能有效指导e-learning个性化学习环境的设计，提高e-learning绩效。但是，这其中有多个因素会影响个性化推荐的精度，降低算法的推荐效率，从而导致推荐结果难以满足学习者的个性化学习需求。
1.学习者兴趣偏好的获取及更新
在个性化推荐系统中，学习者的兴趣和偏好的地位相当于坐标系中的参照点。因为一个好的个性化推荐系统所推荐的资源应能够很好地符合每个用户的兴趣、偏好，所以，学习者兴趣、偏好的抽取过程与方法在推荐系统中显得极为重要。另外，由于学习者的兴趣、偏好和知识水平不是一成不变的，推荐系统应能够很好地追踪这些变化并及时地更新相关信息，以满足学习者新的个性化需求。
2.学习者学习行为的跟踪
学习者特定的学习行为能体现出学习者当前的学习偏好。例如，他学习了哪份教材第几章第几节的内容，这就说明他当前比较热衷于学习这一节所涵盖的知识点，可以对其进行有针对性地推荐。同样，学习者收藏、***、推荐学习资源的行为说明学习者对这项资源感兴趣。因此，系统应该有效跟踪这类学习行为，并将行为数据记录到数据库，作为协同过滤推荐中隐式评分的重要依据。除此之外，推荐系统应力求更全面地掌握其它能够体现用户偏好的行为要素，以期能够更为精确地掌握用户的兴趣、爱好，并对其产生最为合适的资源。
3.协同过滤推荐中两大问题的进一步研究
虽然在我们提出的组合协同过滤推荐算法中引入了项目评分预测和内容过滤推荐的方法，以解决协同过滤算法存在的“数据稀疏”和“冷启动”两大问题，但组合协同过滤推荐算法中仍有两个关键点需要进一步深入考虑：(1)阈值的选取。阈值决定了何时用项目评分预测与何时用内容过滤推荐，那么阈值在何值时才能使推荐引擎具有最优的推荐精度?这需要进一步的考证；(2)两大问题更优解决方法的探寻。诚然我们提出的组合算法能在一定程度上缓解协同过滤算法的两大问题，但是否还存在更为有效的解决办法，需要我们开展进一步的工作去探究、找寻，以期找到更为完美的解决方案
五、结论与未来研究展望
推荐一个好地方作文篇4
[关键词]书目推荐；公共***书馆；阅读推广
公共***书馆在提高中华民族整体素质，引导民众阅读方面具有重要作用。作为精神文化主阵地的***书馆，向社会宣传***书馆，推广阅读，提高人们的阅读积极性，是义不容辞的义务。近年来我国文化事业发展迅速，公共***书馆已经实现无障碍入馆，此举有效的使得社会大众有参与全面阅读的权利。北京大学王余光教授说：“热爱书本的民族将会有一种优雅的生活，虽然我们离这个生活还有些遥远，但我相信这种优雅的生活随着***书馆事业的发展会很快到来。”因此，公共***书馆应该致力于阅读推广，从而使我们的民族拥有优雅的生活。
一、推荐书目概述
（一）概念
推荐书目是一种根据不同的阅读对象指定的书目，此数目包括了阅读、了解、选择和必须书目这几种类型，这些书目需要针对某一问题精心选编，让读书的作者能有个更加深入的了解，进而引导作者知道自己应该选择什么书来读，形成系统的理论知识。推荐书目是一种快速有效帮助作者的方式，也是当前***书馆阅读推广工作的重要方法。
（二）历史
从封建社会时期开始，我国的科举制度就是推荐书目的起源，当时读书跟做官是相关系的，所以推荐书目对于考生来说非常之重要，有利于考生有计划有针对性的对科考要考得内容进行复习。这个时期是推荐书目这种阅读方式的起源。后期，它不仅仅是科举制度的附属，更多的是很多文人雅士的爱好，主要在于对自身修身养性方面有书目推荐。到了近代，科举制度的废除，殖民列强侵入，推荐书目也进入了迟缓的发展状态，直至二十一世纪，随着各种书目类型的增加，才是推荐书目发生了翻天覆地的变化。推荐书目也根据主题有了新的变化，根据推荐的载体和方式，有了更多不同于传统推荐的新内容，这可以有效弥补传统推荐的弊端。
二、推荐书目的作用及公共***书馆阅读推广工作具备的优势
个体阅读是一种自觉、自发的行为，也是一个个性特色很鲜明的行为，但是，由于种种原因，如阅读视野的局限性，可掌控的文献的有限性，阅读能力的差异性等，即使是很私密化的个体阅读也还是需要指导的，遑论以追求规模效应和群体阅读效果的社会阅读了。“推荐书目在读书活动中起着十分重要的作用，因为它解决了读什么书、怎样去读书这一首要的问题，一份推荐书目往往就是优秀***书的宣传广告”[1]。
公共***书馆在阅读推广工作中所具有的最大的优势就是读者面广，因为它是向社会开放的，具有着“社会性”，广泛的服务对象，可以凸显出公共***书馆与院校***书馆和专业***书馆的不同，这是它的特点。
三、书目推荐与公共***书馆阅读推广工作实践
书目推荐是***书馆开展导读工作的方法之一，这***书阅读推广工作中发挥着重要作用。面对巨大的馆藏数量的***书和文献，作者怎样才能进行有效和快速的搜索，并找到合适自己阅读的文献资料呢？最好的方法就是编制推荐书目，推荐好书，典型书目，评出读者们最喜欢的书目类型。开展阅读推荐，就很自然地被各个***书馆所选择。
公共***书馆与院校、专业***书馆的读者类型不相同，很多来自社会各个阶层，文化水平不一，相对于后者，公共***书馆的读者阅读和接受能力就低很多，因此，推荐书目的作用非常关键，作者想在***书馆能读到适合自己的好书，缺少不了好的推荐书目。以前的书目推荐，主要是编制的纸质书目，现在随着多媒体技术的发展，建立电子版的推荐书目，把书目放到***书馆***网站，读者在家就可以浏览，制定合适自己的读书计划，这种高效的方法，让现在书目推荐变成了自动化的学习方式，更符合现代人的学习步伐和观念。
（一）公共***书馆开展书目推荐可以采取以下几种方法
一是编制专题目录。根据法律、经济、管理、化学、物理等专题建立书目，开展专题文献的推荐。另外，可根据作者提出的要求，有针对性的编制专题书目。
二是在***书馆网站及进门电子显示屏通报近日入馆的新书。这种多媒体方法是最快捷有效的让作者能够知晓的，作者可以通过网站做公共搜索，可以查到该书是否新书，还是预定中。
三是做典型书，作者最喜欢的书的排行榜。可以月、半年、年底分别做作者借阅排行榜，网上还可以根据作者的点击率做排行，这样作者可以知道哪些书读的人多，自己也看下，是否适合自己或是否喜欢。另外点击后要能看到该书是否还能借阅，剩余几本，还有哪些书准备何时会归还***书馆，可以等待借阅。在***书馆内，可以将排行榜做到电子显示大屏中，来回滚动播放，让读者到馆后一目了然。如果要进一步扩大阅读工作的效果，则可以请媒体到***书馆报道最新的排行榜情况，想社会大众推荐排行考前的书目。这些都是非常有效，并已经有部分省份的***书馆实行了的推荐书目方法。
四利用新的多媒体技术，推荐书目。可以跟移动电信等通讯运营商合作，设置手机***书馆，让大众读者***APP，只要手机一点，无论身在何处，都可以上***书馆，了解最新的书目情况。这样***书馆则可以通过手机向读者推介***书馆馆藏新书好书，并向随读者各种书业信息。***书馆要充分利用自己的优势，有意识地收集和掌握新书的社会影响信息，比如新书的评价，各类***书的评奖和获奖信息，权威机构或专家的新书推荐等等，及时向读者，开阔读者的阅读视野，为读者提供更多的阅读选择的机会。
（二）***书馆在阅读推广工作中应注意的问题
1、***书馆馆员的整体素质
***书推广工作在载体上很多样化，目标也很明确，但最终推广工作的效果还是在于人为操作的如何，所以馆员的素质在***书推广工作中也是至关重要的。首先，***书馆馆员要对书有爱，此种爱一种把它作为自己宝贝的无私的爱，只有爱自己的工作，爱自己工作的内容，才能做好工作。以前***书馆推荐书目工作大多是有专家学者来写，这种方法有利有弊，因为各个专家学者给出的推荐书目不一，分歧有时候比较大，难以统一，这种情况***书馆馆员就需要发挥他们的作用了。他们替代专家的角色，给作者推荐好书，当然如果不爱书，不看过书，肯定不合适当推荐人。因此，***书馆馆员的工作职能并不是做好借阅统计、开列书单等简单工作，而是要帮助读者了解不同类型阅读内容，并根据自身的见解积极进行***书馆阅读推广。其次，***书馆馆员要有善于发现和善于总结的能力，要了解读者的阅读需求。每个读者都有自己个性和需求，从而让***书推荐工作比较复杂，这就需要馆员能充分了解读者的阅读需求。例如，在省级***书馆中，可以根据公务员、企业、学生、个体户、打工者的类型来分清楚他们对阅读内容的需求。省会市跟小城市的人群需求肯定是不同的，工作和生活步骤比较快，他们所需要的东西也很多是前沿的，较新较实用的。那么***书馆馆员要深入了解各种人群的生活和工作内容，及时修正***书干馆藏结构，不可一成不变。最后，灵活应用。***书馆馆员不应是木讷不变的思维，应该会选择合适时机给读者推荐，以免读者反感。时机的把握往往比盲目的上去推荐所取得效果更好，选择恰当的时间和正确的地点，对于***书馆***书推荐是非常有效的一种方式。比如可以在周末、法定节假日、学生们放假期间都可以给不同人群推荐不同类型的书目。
总之，公共***书馆是人民文化充电的好去处，它在社会阅读活动中扮演着非常重要的角色，对于提高人民整体文化素质有很大的作用。书目推荐作为一种***书推广的方式之一，无论将来社会如何变迁，都要适时而变，让***书推荐工作更高效，更便利。
推荐一个好地方作文篇5
Abstract: Mobile Electronic Commerce has broadened consumers' choices of goods, but also induced overloading information, overburdened search job and other issues. In order to alleviate the pressure of information overloading and enhance consumer satisfaction, personalization recommendation service came into being. Mainly in the consumer purchase decisions as the research object, this paper analyzes how personalization recommendation technology affects purchase decisions, and explores application strategy of personalization recommendation system in mobile business.
关键词：个性化推荐；购买决策；认知；理理论
Key words: personalization recommendation；purchase decisions；cognition；theory of reasoned action
中***分类号：TP39 文献标识码：A文章编号：1006-4311（2010）35-0109-02
0引言
随着3G技术以及MEC（Mobile Electronic Commerce，移动电子商务）的发展，商品和消费者需求的多样性成为趋势。如何便捷、有效、低成本地帮助消费者找到最满足其个性化需求的商品，成为亟待解决的问题。个性化推荐系统恰恰能帮助MEC商家实现这一目标。但有关个性化推荐的研究大多只关注推荐系统本身，很少关注其对购买决策的影响。有鉴于此，本文主要探讨MEC环境下推荐系统如何影响购买决策，它的哪些性质会影响其作用力。进一步地，基于现状的构建个性化推荐系统的一些建议将会被提出。
1消费者购买决策
广义的消费者购买决策是指消费者为了满足某种需求，在一定购买动机的支配下，在可供选择的两个或两个以上的购买方案中，经过分析、评价、选择并且实施最佳的购买方案，以及购后评价的活动过程。[1]
消费者行为学中认知的观点认为，消费者是思维问题的解决者，会主动搜索满足其需求的产品和服务。消费者还是信息的处理者，通过对信息的处理加工形成偏好并最终形成购买意向。认知观点意识到消费者不会试***获取全部相关信息，当他们认为已得到足够支持其决策的信息时，就会停止搜索努力。
消费者的购买决策过程基本上包括需求的认知、信息搜索和评价、购买决策和行动、购买后评价四个过程。[2]如***1所示。
2个性化推荐系统对购买决策的影响
网络购物环境使消费者对商家和商品的选择增多，也使得他们更加借助信息搜索和决策辅助工具（如个性化推荐系统）。推荐系统根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品，它能将浏览者转变为购买者，提高交叉销售能力，并提高客户的忠诚度。推荐系统的主要目标在于代替消费者完成繁杂的信息处理任务，使消费者将更多的精力投入到决策中来。可以从决策过程和决策结果两个方面，探讨推荐系统对MEC消费者购买决策的影响。[3]
2.1 对决策过程的影响消费者对于商品的知识的认知是有限的，在其作决策之前常常不能深层次地了解商品。两阶段决策处理可以使决策复杂性降低。消费者先搜寻众多商品以得到商品的详尽信息，并选出最有希望购买的一部分商品。接着针对商品的重要属性进行更深入地比较，最后做出决策。
个性化推荐系统可以通过减少消费者两阶段决策中的决策努力，影响其决策过程。而消费者的决策努力通常用决策时间和产品搜索范围来衡量。推荐系统可以依据消费者的喜好参数迅速提取出最匹配的商品，从而减少总体决策时间。推荐系统还能按消费者偏好程度将商品信息依次排列，从而缩小产品搜索范围。[4]
此外，推荐系统还会影响消费者的功能偏好、商品估价、筛选策略。由于信息不对称，消费者往往事先没有形成稳定的偏好，而是在购买决策发生的同时产生，因此往往受推荐系统所推荐信息的影响。例如，消费者往往会更关注那些旁边标有更高得分或等级的产品。
2.2 对决策结果的影响应用推荐系统能增强消费者的认知能力，使其更倾向主导产品，进而减少产品转换的概率，从而提高决策质量。推荐系统的使用还能减少信息搜索的努力，减少考虑集的信息量，提高其质量，从而提高决策质量。
推荐系统有助于降低消费者产品转换的概率，有助于增加其购买决策的选项，从而增强决策信心。[5]
购买决策目标实现得越多，消费者也越满意。因此可以认为，推荐系统因其对决策目标实现的帮助，影响购买决策的满意度。
根据理理论，消费者的理念和评价影响其态度，进而影响其意愿。推荐系统会影响消费者的功能偏好和商品评价，进而影响对某商品的态度，从而影响对该商品的购买意愿，最终影响购买选择。
综上所述，推荐系统对决策结果的影响主要体现在四个方面：提高决策质量；增强决策自信；增强决策的满意度；影响最终购买选择。
3影响推荐系统效用的因素
推荐系统的效用即推荐系统对消费者购买决策过程和决策结果的影响力。推荐系统的因素、消费者的因素以及消费者与推荐系统之间的交互，都会影响推荐系统的效用。
3.1 推荐系统的角度
3.1.1 推荐系统类型的影响一般来说，推荐技术可从信息过滤角度分成三种，分别是基于内容的推荐、协同过滤推荐以及混合推荐即内容和协同过滤的组合推荐。在购买决策中，混合式推荐更能提升用户的决策自信。
3.1.2 推荐系统输入的影响推荐系统需要接收消费者的数据输入并作为推荐的主要数据依据，具体可以分为隐式浏览输入、显式浏览输入、关键词和项目属性输入、客户购买历史四类。消费者更愿意接受显式浏览输入、关键词和项目属性输入等可控方式所推荐的信息。
3.1.3 推荐系统输出的影响推荐系统输出的主要形式有建议、预测、评分、评论。输出内容的详细程度、透明度、个性化等，输出形式方面推荐的数量和产品信息的编排都会影响消费者对推荐系统及其推荐信息的信任，并因此影响购买决策。
3.1.4 推荐系统推理过程的影响进度显示模块使信息搜索的过程更加直观，反馈时间会影响消费者对推荐系统的使用意向，缩短消费者可感知的等待时间，改善消费者的情绪，促进推荐系统的效用。
3.1.5 其他相关因素的影响信息来源的可靠性即推荐系统所在网站的可靠性直接影响消费者对推荐系统的评价高低。
3.2 消费者的角度消费者对于所选产品的知识越丰富，则在购买决策过程中进行越少的信息搜索，对推荐系统等决策辅助工具的感知有用性就越小，决策自信也就越小。与此相反，当消费者具备较少的产品知识和经验时，更难相信自己能做出正确的选择，更有可能去寻找他人的建议。
消费者对风险的感知也会影响推荐系统对决策质量和决策努力的影响，即当用户感知风险越大，推荐系统对提高决策质量和减少决策努力的影响力会更明显。
消费者特性对系统效用的影响如***2所示。
3.3 消费者与推荐系统交互的角度消费者与推荐系统之间的交互对推荐系统作用效果具备作用力，主要从消费者与推荐系统的相似性、消费者对推荐系统的熟悉度两方面来考虑。
消费者与推荐系统的关系强度（包括熟悉程度、亲密程度、支持度和结交）决定了推荐的效果。用户与推荐系统在各产品属性权重的相似性将带来更好的决策质量，同时减少信息搜索量。
4个性化推荐系统应用的不足
对比上述影响因素，我们不难发现当前移动电子商务环境下个性化推荐系统应用中的一些不足。这些不足主要包括：①战略上不够重视，体系结构不完善，大部分的个性化推荐系统都只是一个单一的工具，只能提供一种推荐模型；②功能还不够完善，个性化程度不够高；③易用性不高，信息杂乱无章；④对推荐结果缺乏解释，缺少有效的方法向用户解释产生推荐的原因；⑤网站本身形象不好，影响消费者认知；⑥消费者获取推荐信息的途径单一，推荐结果的形式不够灵活。
5对个性化推荐系统应用的建议
5.1 提高对推荐系统的战略认知推荐系统在MEC领域的应用既能影响消费者的购买决策，又有助于商家实时追踪消费者购买行为和兴趣偏好，挖掘其潜在需求，并以此不断创新产品和营销模式。[6]我们建议MEC商家提高对推荐系统的战略认知，重视它的战略意义。
5.2 完善个性化推荐功能个性化是影响认知价值最主要的因素，我们建议MEC商家实时追踪消费者需求的变化，并尽最大努力推荐符合消费者需求的产品，使推荐的产品在功能、外观、价格、售后等方面最大程度地满足消费者的偏好与标准。
5.3 加强信息排列的合理性推荐系统提供信息的排列会影响其作用效果。若消费者能更方便地获取相关信息，则会更加信任推荐系统，也更易受推荐系统影响。我们建议MEC商家对各类推荐信息做合理的编排，便于消费者获取。
5.4 增进消费者的熟悉程度消费者对推荐系统的熟悉程度（包括推荐形式、信息排列、推荐原理等）能影响消费者对推荐系统的信任，并因此间接影响推荐系统的作用效果。我们建议MEC商家增进与消费者的互动，提供个性化推荐服务的有奖体验等，以提升消费者对推荐系统的信任和推荐系统的影响力。
5.5 擢升网站自身形象网站的形象显著影响消费者对推荐系统的认知价值和信任，并间接影响决策影响力。我们建议MEC商家提高自身网站的知名度、声誉度，改善网站的美观性、易用性。
5.6 拓展产品推荐的渠道获取推荐信息的渠道也会影响推荐系统的作用效果。我们建议MEC商家拓宽产品推荐的渠道，如提供邮件定制、短信定制、首页定制、推荐定制等多渠道服务，以方便消费者获取相关信息。
参考文献：
[1]王长征.消费行为学[M].武汉:武汉大学出版社，2003:26-27.
[2]李双双，文，李江予.消费者网上购物决策模型分析[J].心理科学进展，2006，14（2）：294-29.
[3]Haubl，G.& Trifts，V.Consumer Decision Making in Online Shopping Environments：The Effects of Interactive Decision Aids[J]. Marketing Science, 2000，l（19）：4-21.
[4]Xiao B. & Benbasat I. E-commerce Product Recommendation Agents: Use, Characteristics, and Impact[J]. MIS Quarterly, 2007, 31(1):137.
推荐一个好地方作文篇6
关键词 社会网络；好友推荐；相似度
中***分类号TP39 文献标识码A 文章编号 1674-6708（2013）100-0224-02
0引言
随着互联网以及信息技术的出现和快速发展，信息时代已经到来，用户通过互联网可以获取大量的信息，满足了用户在对各种信息的需求，但是互联网的发展壮大也带来了负面的作用，互联网所提供的信息量越来越大，在海量的数据信息面前，用户在想获取自己需要的信息时，将面临耗费很多时间寻找需要信息的难题。虽然信息量增大，但是信息的利用率降低了很多，这就是信息超载的问题（information overload）。
为了解决信息超载的问题，推荐系统逐渐受到重视与发展，推荐系统有效地解决了信息超载的问题，通过对用户感兴趣的信息进行推送，让用户免去了大量浏览信息和搜索信息的过程。推荐系统根据用户的个人信息，以及用户的一些行为爱好，会将一些用户可能使用到的信息，感兴趣的信息推送给用户，引导用户发现自己需要的信息。推荐系统会让用户感受到互联网信息的全面与获取信息的便捷。
目前，互联网中主要应用的推荐方法有：基于内容推荐、基于关联规则推荐、协同过滤推荐、基于知识推荐、基于效用推荐和组合推荐[1]。
1相关工作
社会网络服务（Social Networking Services）是指在互联网服务中，用户和用户之间的关系网络，也称为SNS网站，这种网站是基于社会网络关系系统思想，目的是为了帮助人们建立社会性网络关系，并且可以使用户充分利用互联网应用服务。如信息的共享，资源的共享，也可以方便用户之间的联系。社交网站旨在帮助用户在网上建立起自己的“朋友圈子”[2]，正极大地改变着当今社会人们之间的信息共享与交流方式；以Facebook、Twitter、开心网、人人网等为代表的众多社交网络平台，吸引了各个年龄段的成千上万用户的参与。社会性网络中好友的推荐可以使用户之间的联系更紧密，提高信息的传播速度与信息的共享率。
本文是基于Widrow和Hoff所提出的最小均方误差算法（LMS），利用用户的资料信息，计算出用户的兴趣偏好特征向量，然后根据相似度计算公式进行相似度计算；同时结合地理位置这一特征，即计算用户之间的地理位置相似度，进行用户之间的综合相似度计算。这种计算方法增加了推荐系统的精确度，提高了用户之间的共同特性，使被推荐的用户可以提供和分享更多用户所需要的信息，如交通，天气，新闻等信息。
2 推荐算法及模型
2.1基于LMS算法的用户偏好特征向量
Widrow和Hoff提出的最小均方误差算法（LMS）[3]是指使输出信号与期望输出之间的误差的均方值为最小，因此称为最小均方算法。最小均方误差算法（LMS）在实践中的应用非常广泛，例如LMS自适应滤波器，它在设计的时候不需要考虑到输入信号和噪声的统计特征，可以在工作的过程中估计出需要的统计特性，同时调整自身的参数，可以达到最佳的效果。因此最小均方算法（LMS）具有的优点是计算量小，较高的实现可行性，提高了挖掘用户偏好的精确性。算法的输入量是用户的初始兴趣偏好评分向量，输出量是符合最小均方误差算法（LMS）条件的用户偏好特征向量。
最小均方误差算法（LMS）的用户建模方法是使用梯度下降训练的模型，可以使得到的用户偏好特征向量的误差达到最小的状态，这种模型会不断地调整网络的权值以及阈值来达到这个目的。最小均方误差算法（LMS）的执行是在用户和推荐系统的交互过程实现的，它在描述用户的信息中的模型是动态的，如果用户对某些信息进行评分以后，最小均方误差（LMS）算法也会更新用户的描述信息，这些基于用户兴趣偏好的描述信息的表示方式是用户偏好特征向量。每个用户都拥有一个自己的偏好特征向量，通过用户的偏好特征向量和相似度计算公式可以计算用户之间的相似度。
2.2基于用户特征向量的相似度度量方法
进行好友推荐的主要衡量指标为用户的共同性，本文中用户的共同性是利用用户的兴趣偏好特征向量表示的，从而根据用户的兴趣偏好特征向量进一步计算用户之间的相似度，来实现用户之间的好友推荐。由3.1的计算过程可以得到用户的兴趣偏好特征向量，进行相似度计算，定义计算用户之间兴趣偏好相似度的公式[3]：
2.3 地理位置相似度计算：欧几里德距离（Euclidean Distance）
本文将应用欧几里德距离计算用户之间地理位置的距离度，然后通过用户之间的距离度计算用户的地理位置相似度，欧几里德距离公式用来计算欧几里德空间中两个点的距离，假设 x，y 是 n 维空间的两个点，它们之间的欧几里德距离是：
可以看出，当维度n=2 时，欧几里德距离就是计算平面上两个点之间的距离。当用欧几里德距离计算地理位置相似度时，一般采用下面的公式进行转换：即距离越小，地理位置相似度越大。
计算地理位置相似度的范围：[0，1]，s的值越大，说明d越小，也就是说用户之间的距离越近，则用户之间的地理位置相似度的值越大。
本文将利用用户所处位置的经纬度计算用户间距离，然后利用欧几里德距离，最终计算出用户之间的地理位置相似度。
3 基于用户行为的好友推荐计算方法过程是：
3.1用户之间地理位置相似度
获取用户的地理位置数据，通过欧式相似度计算，计算用户之间的地理位置相似度，作为好友推荐的一个重要特性。具体算法如下：
用户A的地理位置为X，用户B地理位置为Y，A与B之间的欧几里德距离是：d（X，Y），用户之间的地理位置相似度为1/d（X，Y）。欧几里德距离的单位可根据实际需求确定，如果需求粒度很大，可以设为比较大的距离单位
3.2用户之间兴趣偏好相似度
首先收集用户兴趣偏好类别的数据，然后进行量化处理，再利用最小均方误差算法（LMS），根据得到的用户的兴趣偏好评分矩阵，计算出用户的兴趣偏好特征向量。计算的过程的输入量为用户的指标评分向量，输出量为用户的偏好特征向量，即用户的兴趣模式。
在这个算法过程的基础上，推荐算法进一步用户之间的相似度，相似度计算的输入量为上一步计算出的用户的偏好特征向量，输出即为用户之间的兴趣偏好相似度。具体算法如下：
选取用户资料信息中的某些类别作为实验算法计算过程的原数据（如用户对于运动方面各个项目的评分，足球，篮球，羽毛球等的评分）。
例如对A进行好友推荐[3]：首先计算用户输入的兴趣偏好矩阵的最大特征值；然后计算用户A的兴趣偏好特征向量，使用初始特征向量U（0）和输入数据可以计算得到最优的U（n）作为用户的兴趣偏好特征向量，同理，利用这个方法可以计算出其他用户的兴趣偏好特征向量；最后计算用户A与其他用户之间的兴趣偏好相似度，具体过程是根据第二步计算得到的用户偏好特征向量，通过上文所介绍的兴趣偏好相似度计算公式计算用户之间的兴趣偏好相似度。
3.3用户之间用户行为相似度
把地理位置信息相似度与用户之间兴趣偏好相似度结合，根据权重计算推荐度，按照推荐度排列推荐的用户，进行相似度排名为top N的好友推荐。总体相似度S=a*d（X，Y）+b*n，当需要对用户地理位置信息依赖性较高的时候，可以适当调整a的值，使相似度的变化较高依赖于地理位置，当需要对用户的兴趣偏好依赖性较高的时候，可以适当调整b值，使相似度的变化较高依赖兴趣偏好。
4 结论
本文论述了基于用户行为的好友推荐计算方法的理论过程。用户的行为包括用户的地理位置信息以及用户的兴趣偏好；计算方法包括基于Widrow和Hoff提出的最小均方误差算法（LMS）用来计算用户兴趣偏好相似度，以及基于欧几里德距离的用户地理位置相似度，计算方法结果是结合两种方法计算用户之间的整体相似度，进行好友推荐计算。随着互联网的发展，推荐方法应用越来越广泛，本文提出的基于用户行为的好友推荐计算方法的过程有一定的可行性，可以进一步进行试验及应用。
参考文献
[1]吴丽花，刘鲁.个性化推进系统用户建模技术综述[J].情报学报，2004，25（1）：55-62.
推荐一个好地方作文篇7
关键词 公共***书馆 书目推荐 阅读套餐化 个性化阅读 阅读推广
分类号 G252.1
DOI 10.16810/ki.1672-514X.2016.12.010
Books Recommended Package Services of Public Libraries in the Era of Big Data
Wang Hui
Abstract Recommending and promoting reading bibliography is particularly important for public libraries to help the readers find suitable books to read， and to lead the public to carry out more and deeper reading. According to the readers’reading behavior and through the experts’recommendation， the readers’ interaction， and data mining etc.， the public libraries try to relate the books by topics and demands， in order to form the aggregations of different types of books and form the package of recommended bibliography to the readers according to different types of readers with different reading purposes， interest and independent requirements. This will be the development of reading promotion service in the era of big data.
Keywords Public library. Bibliographic recommendation. Reading package. Personalized reading. Reading promotion.
公共***书馆为之努力的目标，应该如印度***书馆学之父阮冈纳赞所提出的“书是为了用的，每个读者有其书，每本书有其读者，节省读者时间……”那么怎样才能让读者找到适合自己的***书阅读呢？对于向大众开放的公共***书馆而言，推荐和推广阅读书目就显得尤为重要。这是现在公共***书馆关于阅读推广的一项重要工作。笔者结合多年的公共***书馆服务的实践，提出书目推荐套餐化的设想，以便让我们的阅读引领工作更具主动性和拓展性。
1 书目推荐套餐化服务的社会意义
所谓书目推荐套餐化，顾名思义，是指公共***书馆根据读者的阅读行为，通过数据挖掘，探索尝试按不同类型的读者群的不同阅读目的、兴趣或自主要求，按主题或需求进行关联，形成若干类型***书的集合体，形成各类书目给读者进行选择或推荐给读者进行阅读。
书目推荐套餐化是全民阅读发展到一定历史阶段的必然选择。首先它是适应大众化阅读的需要。大众阅读带有很大的盲目性，许多人对自己究竟需要读什么书、怎么读，并不了然，需要馆员的引导；其次是适应公民深度阅读的需要。公民受教育程度大幅度提高，深度阅读也成为必然。但如何开展深度阅读，好多读者也很茫然。馆员为其量身定制阅读套餐可以起到事半功倍的效果；最后套餐化书目推荐也是适应多元社会化阅读的需要。过去，大众阅读书目重复率很高，以文学作品为例，以前先是红色作品、经典名著一统天下，后来是言情小说、武侠小说先后受到热捧。但现在很难有某一类作品还像以前那样能覆盖几乎所有的读者群。
公共***书馆开展套餐化书目推荐有利于阅读推广[1]，让读者少走弯路，使阅读效果最大化。首先最直接的优点能最大限度满足读者的个性化需求，可以激发读者的阅读兴趣和热情，有利于读者延伸阅读，关联阅读，帮助读者拓宽阅读视野，促进读者全面阅读。其次，套餐化书目推荐有利于阅读的专业化。通过某一专业的***书推荐书目套餐，引导读者探究其专业的学科热点和发展趋向，体会阅读的兴趣，推动阅读直接产生生产力。最后，也是更为重要的是套餐化书目推荐有利于价值阅读的形成。一方面，虽然能够进入公共***书馆的***书总体上讲都能体现或者说至少在大原则上不违背社会的主流价值观，但具体到每本书的时候，每本书呈现出来的认知观、价值观千差万别。对一个理论、学说、流派，读者只读其中一部分，自然就会受到其片面观点的影响。那么通过套餐化书目推荐，可以让读者读到同一主题的不同观点的作品，从而产生对事物、对各种理论、价值观的全面认识。另一方面，套餐书目的制作过程本身就在一定程度上体现了制作推荐者的价值取向，可以让读者在最短的时间内读到正确的书，让正确的观点先在读者脑子里生根，让正确的观点去抵消和矫正不正确的观点，形成正确的阅读价值取向，这对于弘扬主流价值观，有着十分重要的作用。
开展书目推荐套餐化服务，可以促进***书外借服务从被动提供到主动引导的转变，实现从泛化服务到个性化服务的转变。长期以来，公共***书馆虽然在改进服务方式方面在新时期有所转变，但与社会的发展和人民群众多样化、个性化的***书阅读需求还有很大的差距。开展套餐化书目推荐服务，是进一步转变作风，回应人民群众新需求的有效载体和实现方式。近几年，从上到下，大力推进全民阅读，虽然有些地方***书馆在导读上做了一些探索，但具体地如何让广大人民群众都来读书、多多读书、读更好的书、更有效地读书及通过读书更加有效地推动社会实践、催生现实生产力，在这方面，具体、有效的措施不多。所以说，推进好公共***书馆书目推荐套餐化服务，满足不同层次读者多样化、个性化的阅读需求，对于推动全民阅读向纵深发展也是有力的载体。
2 书目推荐套餐化服务的总体思路和基本方法
套餐化书目推荐在总体思路上宜采取以下几个方面的原则、策略：一是要先特殊后一般。即先做一些个性化鲜明的套餐吸引读者，取得实效后来再向一般意义上的套餐层面普及；二是先基础后普遍。即先做一些基础性的书目推荐套餐，大众需求量高，容易取得广泛认可和良好社会效果。三是先热点后长期。即根据不同时期热点问题做一些套餐，激发读者的好奇心，推动读者自己提出套餐需求；四是先简单后复杂。即先做一些简单的套餐化书目，然后根据读者的阅读需求不断充实和完善，编排一些复杂的组合套餐，形成一个循序渐进的模式。
在具体操作上，可以按照以下几个方面进行套餐编排。
（1）按读者人群需求分。可以有基础套餐、专业套餐、名人套餐、名师套餐、热点问题套餐、定制套餐等多种类型。基础套餐是指作为一般读者需要读的哪些书目，文学类的，社科类的，科普类的，史志类的，等等。让读者知道，人的一生，或在不同的时期，要读哪些书籍，哪些是必读的，哪些是要选读的，哪些是需要知道的。而对于带着一定专业目的来的读者，可以根据其读书目的编排一些套餐，如家教方面的，育儿方面的，资格考试方面的，维权方面的，等等。名人套餐，则是根据大众关注的名人，把不同的名人读过的书或正在读的书编成套餐供读者选择，利用名人效应引导读者读更多的书。名师套餐则是请著名学校校长、老师编排的套餐，带动青少年有计划地阅读人生有价值的书籍。热点问题套餐是根据不同时期社会热点问题编制的套餐，回应读者对热点问题深度了解的需要。定制套餐则是根据特定读者特定的读书目的编制的套餐，解决读者读书不知从何下手的问题。
（2）按阅读周期分。可以有临时套餐、短期套餐和长期套餐三种。临时套餐是根据读者临时需要编制的套餐，如某地即将举办航模大赛，当地读者对航空航天知识关注度上升，即可编制这方面的临时套餐满足读者的需求。又如，中央电视台春晚上演了一个机器人表演的节目，读者很可能对机器人事业感兴趣，也可以编制一个这方面的套餐，便于读者阅读。短期套餐是指人在不同时期内应该阅读的书目，长期套餐则是一个人终生要读的书目。这样的套餐列出来，不仅让读者知道要读哪些书，而且让读者读书有了计划性，同时又有了阅读的紧迫感。
（3）按***书属性分。可以有作者类别套餐、获奖类别套餐、风格类别套餐、主题类别套餐、区域类别套餐、版本类别套餐等多种选择性套餐。可以让不同的读者根据阅读习惯、目的选择自己喜欢的套餐阅读，使其在阅读之初就能从宏观上了解自己的阅读方向，从而有一个阅读的整体感、方位感及层次感。3 开展书目推荐套餐化服务过程中需注意的问题
书目推荐套餐化服务是一项实用性很强的工作，它的核心是书目的选择。推荐书目需要分析阅读对象，确定主题、从众多的文献中挑选出优秀的资源，然后再在各类书目的基础上进行优化组合推荐给读者，是一个系统工程[2]。在大数据时代，尤其是在当前Web2.0开放互动的环境下，为了增强推荐书目套餐的实效性，提高推荐书目的科学性与合理性，促进推荐书目的发展[3]，笔者认为需要注重以下几个方面问题。
3.1 注重各自领域专家的推荐和推广书目
由于专家对每个专业和领域都研究到一定的深度和广度，很多编制的推荐书目是专家们多年学术研究的结晶，在推荐书目质量上具有权威性和实用性，是引导读者读什么书的指南。但我们也应该注意到由于专家编制的推荐书目专业性强，不可避免地带有自己的主观性和偶然性，因此通常来说，公共***书馆在邀请专家参加制定推荐书目时，首先要摸清本地的发展状况，摸清各位专家的专业特长[2]，与他们建立良好的学术信息资源交流渠道，然后择期邀请专家来***书馆评定和审核推荐书目，同时在尊重专家的意见的基础上，及时把读者的意见反馈给他们，并提出可能的修改建议和意见，以便进一步修订完善阅读推荐书目。
3.2 注重搜集读者之间交流沟通与互动阅读信息
现代社会是一个知识大爆炸的信息社会，各种新知识层出不穷，要求人们不断调整知识结构适应社会发展的需求。在此背景下，***书馆更多的是构筑读者和读者之间的网状结构，提供一个相互交流、及时更新的阅读平台，将一对多的模式转化为多对多的模式，有意识地让读者之间进行交流沟通与互助，让他们可以第一时间把自己阅读过的、实用性强的、有帮助、有意义的***书推荐出来，共享自己的阅读经验与阅读书目。如在***书馆网站、微博和微信等现代交互工具上开设“好书推荐”栏目，在各借阅窗口和书店布置“好书由你荐”登记表[2]。这样，***书馆可随时或定期掌握读者阅读动向和阅读热点，及时了解哪些***书具有推荐价值，整理汇编出各类热门、流行与实用的书目清单，使书目推荐套餐化服务更加全面，更加有效。
3.3 注重读者阅读行为和阅读评价的数据挖掘
随着大数据时代到来和随之发展起来的数据收集、储存、处理和利用技术，使得我们可以将各种***书信息、读者信息、评价信息科学合理地利用到推荐书目的编纂过程中来，使得推荐书目更具客观性、公正性、及时性。如许多***书网站的读者个性化推荐书目，则主要基于对读者阅读习惯的跟踪和不同读者之间的协同过滤和推荐产生的[4]。公共***书馆作为文化信息资源传播中心，更有必要在大数据技术环境下采取相应的技术措施来促进推荐书目信息的推广与服务。（1）通过***书借阅流量所形成的数据进行统计，编制出借阅率较高的***书目录。这些借阅排行榜反映了某一阶段本馆读者的阅读情况，借阅率比较高的***书可能就是某些经典的著作或能够体现社会风气、学科前沿、社会热点等作品[2]；（2）组织馆员对网络、书店上各种推荐书目进行甄别、筛选，建立适用于本馆的推荐书目数据库，使推荐书目信息更加客观、专业[5]；（3）采用多种Web2.0技术，通过Wiki、Tag、Mashup等技术程序软件，采集广泛的***书评价、评述，形成基于读者自我体验的推荐书目[3]；（4）通过***书馆的集成管理系统定期对读者的阅读习惯、喜好、阅读痕迹进行跟踪，从大量的读者阅读行为数据中进行数据挖掘，了解读者的个性化需求，为读者提供更加专业的针对性的个性化书目推荐服务。
4 结语
大数据时代下，***书馆的推荐书目面临着千载难逢的机遇，如何不断提升推荐书目质量、内涵和价值，提高阅读推荐服务深度、广度和品质，将是***书馆推荐书目建设和阅读推广发展的关键。推荐书目对公共***书馆来说，应是常规工作，又是新的课题。***书馆应该抓住机遇，借助大数据时代的各种数据挖掘技术，根据读者的内心需求和现实需要[6]，开展种类多样化、内容层次化、形式多样化的书目推荐套餐化服务，最大限度地满足读者多元化的阅读需求，才能让广大读者在阅读的过程中形成符合社会主流的正确的文化价值观，更好地推动全民阅读发展，营造书香社会，建设更加和谐的精神家园。
参考文献：
[ 1 ] 张鹤明试论推荐书目与***书馆阅读推广[J].***书馆界，2013（6）：92-94.
[ 2 ] 石云霜.公共***书馆推荐书目工作探析[J].公共***书馆，2013（12）：90-93.
[ 3 ] 陈红艳.数字时代推荐书目的发展特征及策略探析[J].
***书馆建设，2009（10）：49-52.
[ 4 ] 丁文t.大数据时代下的推荐书目与经典阅读推荐[J].
大学***书情报学刊，2014，32（6）：21-23.
[ 5 ] 吕健.公共***书馆“推荐书目与导读工作”的微创新：以大连***书馆为例[J].***书馆学刊，2014（3）：86-88.
[ 6 ] 郑琪.基于推荐书目的***书馆阅读推广[J].农业***书情报学刊，2014，26（9）：93-95.
推荐一个好地方作文篇8
电子商务系统规划与建设本来就包括数据库系统的建立，技术含量不是特高的电子商务推荐系统就是在原有的数据库系统上新添的利用数据挖掘技术对动态的客户访问所返回的数据加以分析并调出客户可能感兴趣的的产品目录。
看这里----就知道它只是在原有的系统上加了些技术模块
根据系统功能设计的要求以及功能模块的划分，数据库的设计相对较简单。除用于销售商品的电子商务网站中所必须的基本数据库表，如商品信息、用户信息、网站信息等外，还应包括：用于初始化数据设置的参数表、仅对有评分商品推荐起作用的顾客商品评分表、顾客商品购买记录表、商品聚类表、顾客聚类表、商品推荐表
随着互联网的普及和电子商务的发展，电子商务系统在为用户提供越来越多选择的同时，其结构也变得更加复杂，用户经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品。电子商务推荐系统直接与用户交互，模拟商店销售人员向用户提供商品推荐，帮助用户找到所需商品，从而顺利完成购买过程。在日趋激烈的竞争环境下，电子商务推荐系统能有效保留用户、防止用户流失，提高电子商务系统的销售。
推荐系统在电子商务系统中具有良好的发展和应用前景，逐渐成为电子商务IT技术的一个重要研究内容，得到越了来越多研究者的关注。
电子商务推荐系统在理论和实践中都得到了很大发展。但是随着电子商务系统规模的进一步扩大，电子商务推荐系统也面临一系列挑战。针对电子商务推荐系统面临的主要挑战，本文对电子商务推荐系统中推荐算法设计以及推荐系统体系结构等关键技术进行了有益的探索和研究。本文的研究内容主要包括电子商务推荐系统推荐质量研究，电子商务推荐系统实时性研究，基于Web挖掘的推荐系统研究以及电子商务推荐系统体系结构研究。
一、电子商务推荐系统及构成
电子商务推荐系统(Recommendation Systems for E-Commerce)定义是：“它是利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程”。
推荐系统面对的是用户(user)，任务是为用户提供对项目(item)的推荐。用户是指推荐系统的使用者，也就是电子商务活动中的客户。项目是被推荐的对象，是指电子商务活动中提供给客户选择的产品和服务，也就是最终推荐系统返回给用户的推荐内容。在一个电子商务活动中，用户数和项目数是非常多的。推荐系统面对的当前用户，称为目标用户或者活动用户。推荐系统的当前工作，就是为根据一定的算法，给出对目标用户的推荐项目。
电子商务推荐系统主要由三大部分构成：输入模块、推荐方法模块和输出模块。输入模块用来接受用户的输入信息，用户的输入信息中最重要的是用户对项目的评价(rating)数据；推荐方法模块用来根据一定算法，根据用户数据，得出对目标用户的推荐，该模块是整个推荐系统的核心部分，个性化推荐方面的研究的很大一部分，都集中在找到好的推荐方法。输出模块主要是指得到的推荐以何种形式反馈给用户。
根据项目的特点，目前主要有两种类型的推荐系统，一种是以网页为对象的个性化推荐系统，主要采用Web数据挖掘的方法与技术，为用户推荐符合其兴趣爱好的网页；另一种是网上购物环境下的、以商品为推荐对象的个性化推荐系统，为用户推荐符合其兴趣爱好的各类产品，如各种书籍，音像等，这种推荐系统也称电子商务个性化推荐系统。
二、电子商务个性化推荐系统的作用
电子商务推荐系统的最大的优点在于它能收集用户兴趣资料并根据用户兴趣偏好为用户主动作出个性化的推荐，也就是说，当用户每次输入用户名和密码登录电子商务网站后，推荐系统就会按照目标用户偏好程度的高低推荐用户最喜爱的N个产品，而且系统给出的推荐是实时更新的，也就是说当系统中的产品库和用户兴趣资料发生改变时，给出的推荐序列会自动改变，大大方便了用户，也提高了企业的服务水平。
总体说来，电子商务推荐系统的作用主要表现在以下几个方面：一方面，使用户从无限的网络资源和商品世界中解脱出来，大大节约了用户采购商品的时间和成本；与此同时，推荐系统的个性化推荐服务，提高了客户对电子商务网站的忠诚度(Building Loyalty)，将更多的电子商务网站浏览者转变为商品的购买者，从而提高电子商务网站的交叉销售能力(Cross-Selling)，为电子商务企业赢得了更多的发展机会。
研究表明，在基于电子商务的销售行业使用个性化推荐系统后，能提高销售额2%-8%，尤其在书籍、电影、CD音像、日用百货等产品相对较为低廉且商品种类繁多的行业，以及用户使用个性化推荐系统的程度高的行业，推荐系统能大大提高企业的销售额。
电子商务推荐系统和销售系统(Marketing Systems)、供应链决策支持系统(Supply-Chain Decision-Support Systems)既相似又有不同。销售系统是帮助销售人员如何把产品销售出去；推荐系统最终目的帮助用户，辅助用户购买什么产品做出决策。供应链决策支持系统是帮助生产者决定什么时候生产多少什么产品，以及仓库应该存贮多少各类产品，其最终目的是为企业生产者服务的，而同样推荐系统是面向用户的系统。
三、电子商务个性化推荐系统的研究内容
电子商务个性化推荐的研究有四方面的问题：首先，要解决推荐系统的信息来源问题——推荐系统的基础是用户兴趣资料信息，如何在电子商务环境下尽可能获得更多用户的相关信息，并以合适的形式表示是进行个性化推荐的前提；其次，要实现被顾客接受和认可的个性化推荐，设计准确、高效率的个性化推荐算法是核心；另外，要让推荐系统为广大用户所接受，必须对推荐系统作出客观、综合的评价，尤其要注意从准确率、个性化、安全性、用户满意度等多方面进行评价；推荐系统的应用是最终研究的落脚点，推荐系统不仅能为用户提供完全个性化购物环境，更应为企业的销售决策和客户关系管理提供支持。
在电子商务环境下，用户信息收集表示是电子商务个性化推荐的基础。根据当前对电子商务环境下用户信息收集表示的研究来看，主要着眼于研究如何有效地收集能反映用户兴趣偏好的信息，以及如何通过网络数据挖掘等的方法更自动化地收集用户的隐式信息，解决用户信息收集过多的依赖于显式评价数据的问题。
个性化推荐技术是电子商务自动化推荐系统的核心问题。目前的推荐技术有协同过滤推荐(包括基于用户的和基于项目的)、基于用户人口统计信息的推荐、基于内容的推荐、基于效用的推荐、基于知识的推荐、基于规则的推荐等等。协同过滤推荐是个性化推荐中研究和应用最多的方法，广泛应用于电子商务网站、数字***书馆、网页搜索、新闻过滤等，着名的推荐系统有Tapestry、GroupLens/NetPerceptions、Ringo/Firefly等，其前提假设是存在具有相似兴趣爱好的用户群，每个用户都有与其兴趣爱好相似的邻居用户。预测用户对某一项目的偏好是根据邻居用户对该项目的偏好程度计算的，也就是说如果其邻居用户喜爱某项目，则该用户也很可能会喜爱该项目。协同过滤最大优点是不需要分析对象的特征属性，所以对推荐对象没有特殊的要求，能处理非结构化的复杂对象，如音乐、电影等。
对推荐系统总体性能的评价是推荐系统研究的重要组成部分。目前大都只是采用准确率、召回率等评判尺度对推荐算法进行评价，并没有真正意义上的、提升到对整个推荐系统进行的评价，尤其缺乏从个性化程度、持久性程度、系统的安全性以及用户接受程度等多方面对推荐系统进行综合的评价。
四、研究现状
推荐行为产品或其它项目的软件已经在许多应用中使用在电子商务领域，为了增加购买经验并满足客户需求，已经推出了充分利用消费者的访问和购买行为的推荐系统。推荐者通常通过给用户展示他们可能感兴趣的产品或服务来促进购买。例如，诸如Amazon就是通过利用偏好或其他用户购买信息来介绍书籍或者其它产品给用户的推荐系统。然而，使用的技术相当简单，而且并非很精确和有效。基本上，程序将当前客户购买的一系列产品与其他客户购买的一系列产品作比较，选择客户购买较多的产品与当前客户购买的产品集合的交集，最后从中选出一些尚未被客户所购买而仍然在顾客购物篮中的产品，并将它们作为推荐列表呈现给客户。该技术也用于类似于协作过滤的文本文档的信息抽取。电影或音乐唱片的推荐，例如Moviefrnder，通过预知一个人的偏好与其他人偏好的线性权重集合，并运用协作过滤技术来实现对于推荐系统的研究可分为三个种类：技术系统开发研究，用户行为研究和隐私问题研究。其中技术系统开发是重点。目前各种推荐技术，例如数据挖掘，和推理，都已经应用到了推荐系统中。现存的推荐系统从广义上可以划分为基于规则的系统和信息过滤系统。信息过滤系统又可分为基于内容过滤的系统和协作过滤系统两种。
基于规则的系统，N1如：IBM的WebSphere，BroadVi-sion，ILOG等。他们允许系统管理员根据用户的静态特征和和动态属性来制定规则，一个规则本质上是一个if-then语句，规则决定了在不同的情况下提供不同的服务。基于规则的系统，其优点是简单、直接，缺点是规则质量很难保证，而且不能动态更新。此外，随着规则的数量增多，系统将变得越来越难以管理。
基于内容过滤的系统，例如：Personal WebWather，SysKill&Webert，Letizia，CiteSeer，if Web，SIFTER，PVA，WebMate，WebACE，ELFI和WebPersonalizer等。他们利用资源与用户兴趣的相似性来过滤信息。基于内容的推荐系统通过将顾客的偏好与产品内容自动匹配来给顾客提供建议，例如网页和消息条目的推荐。在基于内容的系统中，产品由其普通属性描述。顾客偏好通过分析产品比率以及相应的产品属性来预测。基于内容过滤的系统，其优点是简单、有效。缺点是难以区分资源内容的品质和风格，而且不能为用户发现新的感兴趣的资源，只能发现和用户已有兴趣相似的资源。在基于内容的推荐系统中，一个核心问题是识别关键属性集合。如果该集合太小，显然，这对于识别用户剖面是不充分的。因此，基于内容的推荐系统不能用于仅仅实施一次购买行为新顾客，或者访问了该网站，却没有实施任何购买行为的潜在顾客，以及购买他不是特别经常购买的一种产品的顾客。
协作过滤系统如：WebWather，Let＇sBrowse，Tapestry，GroupLens，Fab，Alexa，Firefly，SELECT，LikeMinds和Site-Seer等。他们利用用户之间的相似性来过滤信息。协作性的推荐系统估计顾客对特定产品的偏好是根据顾客对该产品的偏好率以及其他顾客对同一产品的偏好率的比较来实现的。协作性的推荐系统与基于内容的推荐系统之间的主要区别是协作性的推荐系统通过跟踪一组顾客过去的行为来给该组中的个别顾客提供建议。使用该方法，顾客现在就可以接受建议，而在基于内容的推荐系统中，只要具有相似意向的其他顾客的偏好，顾客就己经具有先前预测了。基于协作过滤系统的优点是能为用Web数据挖掘的研究及其在网络学习个性化推荐中的应用户发现的新的感兴趣的信息，缺点是存在两个很难解决的问题，一个是稀疏性，亦即在系统使用初期，由于系统资源还未获得足够多的评价，系统很难利用这些评价来发现相似的用户；另一个是可扩展性，亦即随着系统用户和资源的增多，系统的性能会越来越低。协作性的过滤方法用来识别与既定客户具有相似兴趣的顾客，所推荐的产品也是这些给定客户喜欢的产品。该方法的一个主要局限是稀疏问题。在基于协作过滤的推荐系统中，很难精确确定下相似客户和识别要推荐的产品。不仅如此，系数问题的极端形式是first-rater问题，当市场引入一种新产品时，不存在可用的先前估计信息。
还有一些个性化服务系统如：WebSIFT，FAB，Anatagon-omy和Dynamic Profiler等，同时采用了基于内容过滤和协作过滤这两种技术。结合这两种过滤技术可以克服各自的一些缺点，为了克服协作过滤的稀疏性问题，可以利用用户浏览过的资源内容预期用户对其他资源的评价，这样可以增加资源评价的密度，利用这些评价再进行协作过滤，从而提高协作过滤的性能。
近来，许多因特网公司还引进了有关信息产品的推荐系统，它包括Web站点推荐，音乐推荐，视频推荐，书籍推荐等等(例如Amazon，以及CDNow等等)。因特网行销机构运用推荐系统对某一广告公司推荐用户(例如Ac-tiveAgent Werbenetz。
Amazon通过将书籍推荐给已经购买过特定书籍的顾客实现个性化推荐的。Amazon.所推荐书籍概括的分为有两种：小说书籍和非小说书籍。小说书籍的推荐很简单，就是将同一作者的其它小说书籍推荐给特定用户，这样最终就将由该作者撰写的相似类别的小说书籍推荐给了有相似背景的用户。而非小说书籍的推荐将是将每个作者的相似类别的小说书籍推荐给了有相似背景的用户。
推荐一个好地方作文篇9
[关键词] 电子商务 推荐系统 推荐技术
随着互联网的广泛普及，电子商务获得迅猛发展。与传统商业模式不同,电子商务交易双方是不谋面的,商家不能直观地了解客户,能获得的只是大量的相关数据(如用户注册信息、历史购买记录等)。这样通过对数据的分析来尽可能地揣摩客户,在适当的时间向适当的客户推荐适当的商品或服务就显得尤为重要，电子商务推荐系统正是针对这一需求应运而生的。
一、电子商务推荐系统简介
电子商务推荐系统是一个基于网上购物环境、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。其定义为：利用电子商务网站向客户提供商品信息和建议,帮助用户决定应该购买什么产品,模拟销售人员帮助客户完成购买过程。
电子商务推荐系统使得电子商务网站主动适应每个客户的特定需求,为每个客户创建适应该客户个性化需求的电子商店,从而为每个客户提供完全不同的个性化购物环境,为电子商务系统实现“一对一营销”的个性化服务提供了可能。
电子商务推荐系统和销售系统、决策支持系统既相似又有不同。销售系统是帮助销售人员如何把产品销售出去；决策支持系统是帮助生产者决定什么时候生产什么产品，其目的是为企业生产者服务；推荐系统是帮助用户对购买什么产品做出决策，是面向用户的系统。
二、电子商务推荐系统的作用
电子商务推荐系统的最大优势在于它能够根据客户的兴趣、爱好、习惯,以及各个客户之间的相关性主动为客户做出推荐。推荐的形式包括向客户推荐商品,提供个性化的商品信息、及其他客户的喜恶等，并且给出的推荐也是实时更新的。即当系统中的产品库和客户的兴趣等资料发生改变时，给出的推荐信息也会自动改变。广义而言,推荐系统使得网站更具个性化(网站会调整某些信息以迎合不同的客户)。总的来说，电子商务推荐系统的作用主要表现在三个方面:①将电子商务网站的浏览者转变为购买者。有时客户只是看看网站的内容而没有购买的意思，推荐系统可以帮客户找到他们感兴趣的、愿意买的商品。②提高电子商务网站的交叉销售能力。基于用户已经购买的商品,推荐客户购买一些相关的商品。③提高客户对电子商务网站的忠诚度。推荐系统可以提供符合客户个性化需求的购物信息，因此能够吸引老客户访问网站。
三、电子商务推荐技术
目前，电子商务推荐系统所采用的推荐技术大致可以分为三类：信息检索、内容过滤、协同过滤。
1.信息检索：响应用户提交的搜索请求，返回相应的查询结果。网络搜索引擎如yahoo，google等采用的都是这种技术。信息检索技术一般对文本内容建立全文索引或摘要索引，对非文本内容如***片、视频等根据一些特征进行索引。信息检索技术容易实现，检索速度快，但其不足在于：①提交一个查询往往返回数以千计的结果，有些是相关的，但大多数并不相关，用户需要花费时间和精力去挑选；②只能回答用户询问的问题，不能主动、增量的向用户提供知识。
2.内容过滤：基于商品信息,包括商品的属性及商品之间的相关性和客户的喜恶来向其推荐。基于商品属性主要是基于产品的属性特征模型推荐。例如,对在购物车以往记录中或有多张打折CD的客户就可以向其推荐一些打折CD。基于商品间的关联性是根据客户感兴趣的产品推荐相关的产品。例如,服装的搭配,商品的系列或配套件。内容过滤技术分析商品的属性及其相关性可以脱机进行，所以推荐响应时间快，其弊端在于不能为用户发现新的感兴趣的商品,只能发现和用户已有兴趣相似的商品；不能为新客户形成合适的推荐,因为客户还没有购物经历,基于内容过滤的推荐系统得不到参考输入。
3．协同过滤：基于协同过滤技术的电子商务推荐系统并不分析商品之间的相似性,而是学习目标用户和历史用户之间购买行为的相似性,从而根据相似历史用户的购买行为生成推荐结果。协同过滤技术不需要商品特征的描述,它学习的是用户购买行为之间的相似性,而不依赖商品的特征,因此它可以推荐从表面特征上看上去不同但实际上有很大相关性的商品。所以其优点是:①能为用户发现新的感兴趣的商品；②不需要考虑商品的特征,任何形式的商品都可以推荐。缺点是:①用户对商品的评价非常稀疏，这样基于用户的评价所得到的用户间的相似性可能不准确(即稀疏性问题)；②随着用户和商品的增多,系统的性能会越来越低(即可扩展性问题)；③如果从来没有用户对某一商品加以评价,则这个商品就不可能被推荐(即最初评价问题)。
四、电子商务推荐系统的实现
电子商务推荐系统的实现过程主要包括推荐输入、推荐分析、推荐输出三部分。
1．推荐输入是为推荐分析提供的数据准备，主要的输入形式有：①隐式浏览输入：如客户的浏览行为在客户不知道的情况下被记录作为推荐系统的输入；②显式浏览输入：客户的浏览行为是有目的向推荐系统提供自己的爱好，如对商品的评价等；③关键词和项目属性输入：客户输入关键词或项目的有关属性以得到推荐系统的有价值推荐；④客户购买历史：客户过去的购买记录。
2．推荐分析是推荐系统的核心部分，所采用的推荐技术决定着推荐系统的性能优劣。在实际应用中,电子商务推荐系统一般采用多种推荐技术的组合，尽量利用各种推荐技术的优点而避免其缺点,提高推荐系统的性能和推荐质量。比如,为了克服协同过滤的稀疏性问题,可以利用用户浏览过的商品预期用户对其他商品的评价,这样可以增加商品评价的密度,再进行协同过滤,从而提高协同过滤的性能。
3．推荐输出是推荐系统基于推荐输入的数据进行有效的推荐分析之后，以适当的形式将推荐结果展示给用户，主要的输出形式有:①建议，典型的如Top－N，能够根据客户的喜好向客户推荐最可能吸引客户的N件产品；②预测，系统对给定项目的总体评分；③个体评分，输出其他客户对商品的个体评分；④评论，输出其他客户对商品的文本评价。
五、结束语
电子商务领域中，通过推荐系统实现个性化服务一方面有助于电子商务网站内容和结构自适应性的实现，另一方面在帮助用户快速定位感兴趣的商品的同时也为企业实现了增值。电子商务推荐系统作为有利的分析工具和促销手段，已成为电子商务网站的竞争工具，必将获得广泛的应用和发展。
参考文献:
[1]周惠宏等:推荐技术在电子商务中的运用综述[J].计算机应用研究,2004,(1)
推荐一个好地方作文篇10
推荐信的内容推荐信一般应包括下列内容：
1.被推荐人的基本情况介绍。侧重于个人的毕业时间、学校、所获学位以及个人的专业经历。
2.推荐人对被推荐人的基本评价。侧重于被推荐人的专业基础、个性、特点、工作态度和在学术上的前途估计。若是推荐研究生，推荐人还需进一步说明其深造学习的基础和当前所具备的研究能力。显然，恰如其分地评价被推荐人的基础、能力和前途，比言过其实的赞誉更令人情服，更具有实际意义。
3.推荐人可以着重介绍被推荐人曾经获得的奖励，发表过的论文，参加过的重要学术会议，以及曾在学生组织或学术团体中的任职等来支持自己的评价。
4.推荐人还必须清楚地表明被推荐人留学的身份是研究生还是访问学者，专业领域和研究方向是什么。
如果大学提供了现成的推荐表格，则必须按这类表格认真逐项填写。推荐表格中一般有学生综合评估的一项，即要求推荐人说明该生在所教的学生中应列为前5%，10%，或25%等。这种评估是指教授的个人评价，可以稍高一点。另外，推荐表格上常有许多难以填写的项目，遇到该情形可填I dont know，亦不致对该生的评价有何严重影响。
如何写推荐信推荐信是留学申请过程中，最难由自己掌握的部分，也由于他是众多申请材料中少数能从第三者的可观角度评关申请者的文件，因此有重要的地位。我们可以从三个方向着手：
1.就学校方面
首先，必须先了解申请专业的特点(推荐信内容可以强调此特点);整理各校对推荐信内容的要求，即可得到关于评估的基本要求(例如，学术研究能力、创造力等)，以及特殊要求(例如，对研究领域的适应度等)。试想：你认为录取委员会希望由推荐信获取那些关于你的信息。
2.就个人方面
分析自己的优缺点，在校成绩以及工作表现，有无特殊经历可以展现自己在此研究领域的潜力，或拥有那些特殊的能力,依此作为选择老师写推荐信及提供了解你的基础。并以明确具体的证据来支持证明自己的特殊能力和个人特点(例如，试验成果、研究计划、学术出版物、课外活动等)。
3.就推荐者方面
推荐信是了解申请人的重要依据，在研究生课程中尤其如此。申请人可以选择现在或以前的老师、教授或雇主。推荐人必须熟悉学生的学习情况，了解学生的学习目的是否明确，在学术上是否有前途，以及学生的适应能力、创造能力、品行和特长。书写推荐信的最理想的人选是一封由系主任写，一封由专业课教授写，一封由自己的导师写。不过，对方若无规定，则除了自己的亲属之外，任何人皆可为推荐人。推荐人一般应具备高级技术职称，如教授、副教授、研究员、副研究员等。如果推荐人在国内外学术界享有盛誉，或者被申请就读学校聘为客座教授，或者曾经在该校讲过学，那么这样的推荐人写的推荐信就具有很强的效力了。
注意事项一般而言，推荐信需要三封，最好三封各有其强调的重点，以完全申请人的特点与才华，推荐信的基本组成除信头、发信日期、收信人性命、地址、称呼、签名、推荐人性命、职务等外，信件内容还应包括以下各项：
1.被推荐者全名：不可全文都只写Mr. Huang和Mi He,需要明确写出被推荐者的全明至少一次。
2.认识期间：何时认识?或认识多久?
3.认识程度：偶尔见面或者密切接触，例如任课老师或者班主任等。
4.与申请人之间的关系：老师或者部门主管等。
5.学业成绩：讨论申请人擅长与不擅长的学习领域。
6.个人成就：在学校、工作或家庭中的特殊表现。如曾经获得某种奖学金、工作中表现优秀等。
7.特殊才能：语言、艺术、体育等方面的特殊能力。
留学推荐信范文我非常荣幸的为某某某同学出具这份正式的推荐信。我是XX交通大学土木建筑学院的副教授，毕业于上海同济大学并获得博士学位，目前在XX交通大学土木建筑学院教授道路工程专业课程。某某某同学参加我教授的道路工程专业的学习已经将近两年了，所以我对该同学还是相当了解的。最近得知，某某某同学准备出国留学深造，并希望我能为他写一封推荐信，我感到非常高兴和欣慰。作为一名我最优秀的学生之一，某某某应该受到更好的教育和更专业的指导。因此，我很荣幸的向贵校推荐该同学。
某某某同学是我校土木建筑学院20xx级道路工程专业的一名学生，在其读大三后，我一直教授某某某同学道路工程专业知识。在我教授专业知识期间，他以他的刻苦好学以及强大的求知欲给我留下了深刻的印象。每次上课他都会有很多问题提出，而且不全部释疑决不罢休。他勤于预习复习，并且对于一些较难的知识点，他总是认真记录笔记并和我一起讨论。在学业后期的课程设计中，他总是对自己设计的方案进行反思，并积极向我请教，然后回去进行调整，然后在反思。总之，某某某同学在做设计时追求每一个细节的尽善尽美。在我看来，他是一名十分有上进心的同学。所以我很希望某某某同学能够继续他的学业，受到更高学术成就老师的指导。
鉴于某某某的同学、我的同事以及我本人对某某某都有很高的评价，我真诚的向贵校推荐他，希望他能够入选贵校的学习项目。如果您对于某某某本人的情况以及这封推荐信有任何译文，欢迎您按照下方所提供的联系方式联系我。
谢谢!
XX交通大学土木建筑学院：XXX
转载请注明出处学文网 » 推荐一个好地方作文10篇