学文网引荐信篇1
关键词：推荐系统；生物信息学
推荐系统(recommender system) [1]是个性化信息服务的主要技术之一，它实现的是“信息找人，按需服务”；通过对用户信息需要、兴趣爱好和访问历史等的收集分析，建立用户模型，并将用户模型应用于网上信息的过滤和排序，从而为用户提供感兴趣的资源和信息。生物信息学(bioinformatics)[2,3]是由生物学、应用数学和计算机科学相互交叉所形成的一门新型学科；其实质是利用信息科学的方法和技术来解决生物学问题。20世纪末生物信息学迅速发展，在信息的数量和质量上都极大地丰富了生物科学的数据资源，而数据资源的急剧膨胀需要寻求一种科学而有力的工具来组织它们，基于生物信息学的二次数据库[4]能比较好地规范生物数据的分类与组织，但是用户无法从大量的生物数据中寻求自己感兴趣的部分（著名的生物信息学网站ncbi(美国国立生物技术信息中心)，仅仅是小孢子虫(microsporidia)的dna序列就达3 399种），因此在生物二次数据库上建立个性化推荐系统，能使用户快速找到自己感兴趣的生物信息。特别是在当前生物信息数据量急剧增长的情况下，生物信息学推荐系统将发挥强大的优势。
1推荐系统的工作流程
应用在不同领域的推荐系统，其体系结构也不完全相同。一般而言，推荐系统的工作流程[5]如***1所示。
(1)信息获取。推荐系统工作的基础是用户信息。用户信息包括用户输入的关键词、项目的有关属性、用户对项目的文本评价或等级评价及用户的行为特征等，所有这些信息均可以作为形成推荐的依据。信息获取有两种类型[6]，即显式获取(explicit)和隐式获取(implicit)，由于用户的很多行为都能暗示用户的喜好，因此隐式获取信息的准确性比显式高一些。
(2)信息处理。信息获取阶段所获得的用户信息，一般根据推荐技术的不同对信息进行相应的处理。用户信息的存储格式中用得最多的是基于数值的矩阵格式，最常用的是用m×n维的用户—项目矩阵r来表示，矩阵中的每个元素rij=第i个用户对第j个项目的评价，可以当做数值处理，矩阵r被称为用户—项目矩阵。
(3)个性化推荐。根据形成推荐的方法的不同可以分为三种，即基于规则的系统、基于内容过滤的系统和协同过滤系统。基于规则的推荐系统和基于内容过滤的推荐系统均只能为用户推荐过去喜欢的项目和相似的项目，并不能推荐用户潜在感兴趣的项目。而协同过滤系统能推荐出用户近邻所喜欢的项目，通过用户与近邻之间的“交流”，发现用户潜在的兴趣。因此本文所用的算法是基于协同过滤的推荐算法。
(4)推荐结果。显示的任务是把推荐算法生成的推荐显示给用户，完成对用户的推荐。目前最常用的推荐可视化方法是top－n列表[7]，按照从大到小顺序把推荐分值最高的n个事物或者最权威的n条评价以列表的形式显示给用户。
2生物信息学推荐系统的设计
综合各种推荐技术的性能与优缺点，本文构造的生物信息学推荐系统的总体结构如***2所示。
生物信息学推荐系统实现的主要功能是在用户登录生物信息学网站时，所留下的登录信息通过网站传递到推荐算法部分；推荐算法根据该用户的用户名从数据库提取出推荐列表，并返回到网站的用户界面；用户访问的记录返回到数据库，系统定时调用推荐算法，对数据库中用户访问信息的数据进行分析计算，形成推荐列表。
本系统采用基于近邻的协同过滤推荐算法，其结构可以进一步细化为如***3所示。算法分为邻居形成和推荐形成两大部分，两部分可以***进行。这是该推荐系统有别于其他系统的优势之一。由于信息获取后的用户—项目矩阵维数较大，使得系统的可扩展性降低。本系统采用svd矩阵降维方法，减少用户—项目矩阵的维数，在计算用户相似度时大大降低了运算的次数，提高了推荐算法的效率。
(1)信息获取。用户对项目的评价是基于用户对某一个项目(为表示简单，以下提及的项目均指网站上的生物物种)的点击次数来衡量的。当一个用户注册并填写好个人情况以后，系统会自动为该用户创建一个“信息矩阵”，该矩阵保存了所有项目的id号以及相应的用户评价，保存的格式为：s+编号+用户评价，s用于标记项目，每个项目编号及其评价都以“s”相隔开；编号是唯一的，占5位；用户评价是用户点击该项目的次数，规定其范围是0~100，系统设定当增加到100时不再变化。这样做可防止形成矩阵时矩阵评价相差值过大而使推荐结果不准确。 (2)信息处理。信息处理是将所有用户的信息矩阵转换为用户—项目矩阵，使用户信息矩阵数值化，假设系统中有m个用户和n个项目，信息处理的目的就是创建一个m×n的矩阵r，r[i][j]代表用户i对项目j的评价。
(3)矩阵处理。协同过滤技术的用户—项目矩阵的数据表述方法所带来的稀疏性严重制约了推荐效果，而且在系统较大的情况下，它既不能精确地产生推荐集，又忽视了数据之间潜在的关系，发现不了用户潜在的兴趣，而且庞大的矩阵增加了计算的复杂度，因此有必要对该矩阵的表述方式做优化，进行矩阵处理。维数简化是一种较好的方法，本文提出的算法应用单值分解(singular value decomposition，svd)技术[8]，对用户—项目矩阵进行维数简化。
(4)相似度计算。得到降维以后的用户矩阵us，就可以寻找每个用户的近邻。近邻的确定是通过两个用户的相似度来度量的。本文采用pearson相关度因子[9]求相似度。
(5)计算用户邻居。该方法有两种[10]，即基于中心的邻居(center－based neighbor)和集合邻居(aggregate neighbor)。本系统采用了第一种方法，直接找出与用户相似度最高的前n个用户作为邻居，邻居个数n由系统设定，比如规定n＝5。
(6)推荐形成。推荐形成的前提是把当前用户的邻居id号及其与当前用户的相似度保存到数据库中，而在前面的工作中已找出各用户的邻居以及与用户的相似度，推荐形成部分只需要对当前登录用户进行计算。推荐策略是：对当前用户已经访问过的项目不再进行推荐，推荐的范围是用户没有访问的项目，其目的是推荐用户潜在感兴趣的项目；考虑到系统的项目比较多，用户交互项目的数量很大，所以只筛选出推荐度最大的n个项目，形成top－n推荐集，设定n＝5。
3生物信息学推荐系统的实现
生物信息学推荐系统的实现可以用***4来表示。数据库部分主要存储用户信息和项目信息，用sql server 2000实现。
数据访问层实现了与用户交互必需的存储过程以及触发器，也使用sql server 2000，主要完成以下功能：初始化新用户信息矩阵；插入新项目时更新所有用户的信息矩阵；用户点击项目时更新该用户对项目的评价；删除项目时更新所有用户的信息矩阵。用户访问层主要涉及网页与用户的交互和调用数据访问层的存储过程，在这里不做详细的介绍。
推荐算法完成整个个性化推荐的任务，用java实现。
(1)数据连接类datacon。该类完成与sql server 2000数据库的连接，在连接之前必须要***三个与sql server连接相关的包，即msutil.jar、msbase.jar和mssqlserver.jar。
(2)数据操作类datacontrol。该类负责推荐算法与数据库的数据交换，静态成员con调用datacon. getcon()获得数据库连接，然后对数据库进行各种操作。把所有方法编写成静态，便于推荐算法中不创建对象就可以直接调用。
(3)recmmendsource与currentuserneighbor。这两个类作为fcrecommand类的内部类，recmmendsource用于保存当前用户的推荐列表，包括推荐项目号和推荐度；currentuserneighbor用于保存邻居信息，包括邻居id号、相似度及其访问信息。
(4)协同过滤推荐算法fcrecommand。该类实现了整个推荐算法，主要分为邻居形成方法fcarithmetic和推荐形成方法generaterecommend。
下面给出方法fcarithmetic的关键代码：
matrix user_item=this.user_item_arry(); //获取用户—项目矩阵
user_item=this.svd_calculate(user_item); //调用svd降维方法
vector c_uservector = new vector(); //当前用户向量
vector o_uservector = new vector(); //其他用户向量
vector c_user_correlate_vector = new vector();
//当前用户与其他用户之间相似度向量
for(int i=0;i
for(int j=0;j
c_uservector.addelement(user_item.get(i,j));
//1.获得当前用户向量
for(int k=0;k
o_uservector.clear();
for(int l=0;l
o_uservector.addelement(user_item.get(k,l));
//2.获得其他用户的向量
//3.计算当前用户与其他用户的相似度
usercorrelativity=this.correlativity(c_uservector,o_uservector);
c_user_correlate_vector.addelement(usercorrelativity);
}
//4.根据当前用户与其他用户的相似度，计算其邻居
this.finduserneighbor(i,c_user_correlate_vector);
}
根据邻居形成方法fcarithmetic，可以得到每个用户的邻居。作为测试用例，***6显示用户jack与系统中一部分用户的相似度，可以看出它与自己的相似度必定最高；并且它与用户sugx访问了相同的项目，它们之间的相似度也为1，具有极高的相似度。
4结束语
在传统推荐系统的基础上，结合当前生物信息学网站的特点，提出一个基于生物信息平台的推荐系统，解决了传统生物信息网站平台信息迷茫的缺点，为用户推荐其感兴趣物种的dna或蛋白质序列。
优点在于协同过滤的推荐算法能发现用户潜在的兴趣，能促进生物学家之间的交流；推荐算法的邻居形成与推荐形成两部分可以单独运行，减少了系统的开销。
进一步的工作是分析生物数据的特点及生物数据之间的关系，增加用户和项目数量，更好地发挥推荐系统的优势。
参考文献：
［1］paul r，hal r v. recommender systems[j]munications of the acm，1997,40(3): 56－58.
[2]陈新.生物信息学简介[eb/ol].(2001).http://166.111.68.168/bioinfo/papers/chen_xin.pdf.
[3]林毅申, 林丕源.基于web services的生物信息解决方案[j]. 计算机应用研究, 2005,22(6): 157－158,164.[4]邢仲璟, 林丕源, 林毅申.基于bioperl的生物二次数据库建立及应用[j]. 计算机系统应用, 2004(11): 58－60.
[5]airia s, takahisa a, hiroya i,et al. personalization system based on dynamic learning:international semantic web conference[c].sardinia:[s.n.],2002.
[6]breese j s, heckerman d,kadie c.emperical analysis of predictive algorithms for collaborative filtering:proceedings of the fourteenth conference on university in artificial intelligence[c]. madison:wi,1998:43－52.
[7]schafer j b, konstan j,riedl j.recommender systems in e－commerce:proceeding of the acm conference on electronic commerce[c].pittsburgh:pa,1999:158－166.
[8]pryor m h. the effects of singular value decomposition on collaborative filtering[eb/ol].(1998)..cs.dartmouth.edu/reports/tr98－338.pdf.
引荐信篇2
向用户推荐他想要的
“我刚买了一本书，书名是《***道德》。其实，我从来没有听说过这本书。”创新工厂CEO李开复说，“每次，我登录亚马逊网站，它都会给我推荐很多书，而却大部分都是我想看的。”亚马逊网站如何知道李开复喜欢什么书？这赖于它使用了推荐引擎技术。
目前，全球互联网用户超过10亿，每个用户每次在进行互联网互动时都会产生大量的数据。从这些数据中找到信息之间的联系，分析出来其中规律，从规律中挖掘出用户需求，并根据需求向用户推荐满足他需求的信息，这是推荐引擎做要实现的目标。“无论你任何时候在互联网任何地方，你所需要的信息就在你面前。”效果广告平台商浪淘金CEO周杰这样评价推荐引擎。
周杰认为，互联网可以更加智能化。他总结推荐引擎的三大特点：一、推荐引擎不是被动查找，而是主动推送。推荐引擎会自动分析用户需求，找到当前用户的潜在需求，并主动推送给用户。二、推荐引擎不是***的媒体，而是媒体的网络。未来，推荐引擎不仅仅在一个媒体上，而是和众多媒体合作，建立拥有庞大接触点的推荐引擎网络。三、推荐引擎不是一个检索机制，而是主动学习过程。用户每次点击、购买、注册等都是对推荐引擎的反馈。通过和用户互动，推荐引擎会不断了解用户的偏好、品味、习惯等，从而越来越了解用户。
做精准营销
推荐引擎离我们并不遥远。每天，我们总能接触一两种推荐引擎。每次登录百度知道或者问答网站知乎时，你总能发现排在页面最前面的问题是你关注过或你想关注的话题；每次登录新浪微博或腾讯微博，网友最关注话题会出现在你首页的显眼位置。这些都是推荐引擎根据每个用户的需求推荐给用户的信息。远不止这些，在视频网站、招聘网站、旅游网站、婚恋网站，你可能都已经使用了推荐引擎的服务。
“婚恋交友网站的核心竞争力应该是精准。一个专业的婚恋网站必须在帮助用户选择方面做很多工作。”百合网CEO田范江表示，“用户初次注册后，会填写一个专业的心理测试问卷。我们会根据测试结果和用户的个人资料，给用户推荐可能和他能够共度一生的人。这利用了我们的推荐引擎，它形成百合网早期的特色。”百合网的数据显示，50%的用户与网站推荐的人确立了稳定的恋爱关系。
“***旅游网站的核心竞争力体现在对供应链的控制能力和供应链重组能力上。数据挖掘和分析能够为这个产业链带来很大的效率。”去哪儿网CEO庄辰超表示，***旅游非常依赖***营销，从***营销的角度来讲，推荐引擎非常具有竞争力，它可以更有效获取用户。
这并不难理解。准确分析出用户的需求，自然可以精准地向用户推荐他可能需要的广告信息。
“人们不是不愿意看广告，而是不愿意看不相关的广告，所以广告要精确，有针对性、个性化。推荐引擎所做的事情刚好就是这样。”李开复表示，如果一个推荐引擎和一个广告系统结合起来，意味着广告主能够很精确地把他的广告推送到那些可能想要购买这个服务的人的面前，这是所有广告主都希望做到的事情。
对实行按效果付费的广告平台浪淘金来说，推荐引擎的作用不言而喻。9月5日，浪淘金推出推荐引擎。“我们的推荐引擎方案包括以用户为核心的效果广告技术、广泛的广告展示资源和以效果为标准的收费模式。”周杰表示。
做好推荐搜索不容易
一个网站有6000万用户，每个人可能一年登录50次，每次登录可能进行几十次点击，这将产生庞大数据量。如果承载庞大数据量，并从这些数据中找到有效信息，这不是一件容易的事情。“推荐搜索要能够做到并行储存、蕴藏，并能够调动庞大数据库。一个人告诉我，他要开发推荐引擎，而他的团队里没有几十个世界级的庞大海量数据分析、并行计算的专家，那他一定是在忽悠人。”李开复坦言。
百度凤巢架构师张栋很赞成李开复的观点。他表示，要开发推荐搜索技术要克服很多困难。第一，数据比较稀疏，推荐引擎如何把人和营销匹配起来。第二，如何处理非常大的数据。如果用一两台服务器做推荐引擎的话，这个事情一定不靠谱。第三，互联网的信息每时每刻都在变化，用户的行为也是不停积累起来的，需要推荐引擎快速进行***学习。第四，怎么把人的偏见从数据当中去掉，这是很难的问题。第五，如何解决冷启动问题。面对一个新用户，网站如何向他推荐。第六，如何针对每个品类做一个特定的推荐引擎。第七，对不同应用如何采用不同的引擎。推荐引擎不是一个引擎，是很多引擎组合在一起。
引荐信篇3
[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)
引荐信篇4
当然，在此之前，我们要明确几点：
1丶微信整个平台比较封闭，不适宜做推广，比较适合客户互动，增加客户黏性
2丶微信是截止目前最经济最便捷的客户关系管理平台。您需要的粉丝一定是您的老客户或者是
跟你的品牌调性相符合的人群，而且绝大多数应该是你的老客户。你可以传递品牌文化丶维护客
户关系丶活动促销通知丶组织微信互动。
3丶粉丝添加你的微信，一定是有一些利益点触动的，不可能平白无故的。所以，不要认为挂出
一个二维码老客户就会买账。
微信增粉推广方式如下：
一丶短信渠道
1丶发货短信推荐。发货短信在保留快递公司丶快递单号等重要信息以外，其它的规定字数都可
以拿出来做微信号推荐。比如：您在XX家购买的宝贝已发货，XX快递，单号：1234567890
。***信：XXXX，发暗号“礼物”有惊喜哦。
2丶营销短信推荐。现在有不少商家将店内秒杀活动的公布渠道放到了微信，通过短信通知老客
户秒杀活动，并说明活动只在微信通知，这个对老客户有极大的触动。
3丶群发短信以短***的形式引导粉丝关注微信。群发短信由于字数限制，内容不够丰富，可以
在短信里面放置短链接，引导粉丝跳转到一个wap地址，在该页面以***文并茂的形式引导粉丝
关注微信。
二丶包裹相关
4丶包裹二维码不干胶。可张贴的位置有：a丶快递袋外部；b丶飞机盒外部；c丶商品外包装
5丶二维码印制。商品吊牌丶商品说明书，在设计时，可为微信二维码留出推广位。
6丶包裹小卡片丶售后卡放置微信二维码。设计一张小卡片，随包裹发放，引导客户。
7丶品牌宣传期刊。如有通过包裹向客户附赠品牌期刊的，可利用封面丶封二等黄金位置引导粉
丝关注微信。
8丶包裹公开信推荐。以公开信的形式进行品牌沟通，文尾就可以推荐微信二维码啦。
三丶会员群
9丶会员群不定期消息。老客户旺旺群丶QQ群在上线人数较多的情况下，可不定期推荐老
客户关注微信。
10丶会员群公告。利用旺旺群丶QQ群的公告栏宣传店铺微信。
四丶微博平台
11丶微博置顶公告推荐店铺微信。
12丶微博背景模板放置微信二维码推荐。
13丶微博活动引导粉丝关注店铺微信。在活动公告***片上，放置微信二维码。
14丶***微博不定时消息引导客户***信。
15丶与忠实品牌粉丝进行微信互动，引导粉丝在微博上传播，再由***微博进行转发。
16丶企业微博轮播***推广。
五丶淘内相关
17丶店铺动态不定时引导客户***信。
18丶店铺推广。在店铺首页丶侧边栏丶详情页底部等位置加上微信文字推广位。
19丶客户回访阶段。通过旺旺回访客户时，除了做品牌丶服务调查以外，也可以邀请客户关注
微信。
20丶上新剧透丶预告丶预览活动改到微信上进行。在爆款页面放置微信文字推广信息，做“加粉
有礼”的活动。
21丶利用活动。双11预热过程中，我们在完成各渠道的优惠券发放，对于未能领到优惠券的客
户，引导客户关注微信，通过微信自助领券。
22丶帮派推广。如前期帮派粉丝有一定积累，可在帮派以置顶公告的形式推荐粉丝关注微信。
23丶客服推荐微信。在客户完成付款后或者是老客户回购时，可以让客服以快捷短语的形式推
荐客户关注微信。
24丶老客户信息登记表。在引导客户做信息登记的时候，在登记公告处也可以加上微信推荐。
25丶常规上新券可转到微信上，客户在微信回复“券”，即可获得最新的优惠券领取链接。
六丶营销推广相关
26丶邮件群发推广店铺微信。在邮件模板设计时，可利用banner位置推荐粉丝扫描二维码直接
关注微信。
27丶邮件列表推广。如前期已引导老客户进行的新品邮件订阅，也可以通过邮件列表推广。
28丶站外广告投放时放置微信二维码。在利用聚效丶亿起发等效果平台进行广告投放时，视广
告位大小，可放置微信二维码或引导客户点击跳转到关注微信的页面。
29丶实体店铺利用广告宣传物推广微信二维码。
30丶***域名推广。为微信推广页面设置***的丶简短的丶易记的二级域名，发送推广页面给
老客户。
31丶社区推广。在蘑菇街丶美丽说等进行活动推广时，引导粉丝关注微信，发送暗号获得优惠
。
32丶消费分享论坛推广。在蝴蝶网丶爱物网丶55bbs等论坛进行活动推广时，引导粉丝关注微
信。
七丶其他新媒体平台推广
引荐信篇5
关键词：智慧旅游；数字旅游；旅游智能推荐
1 引言
随着城市智慧旅游的建设，旅游系统的旅游资源库也逐渐庞大。如何整合这些旅游资源为游客提供一个智能化、个性化的服务，让游客在短时间内找到自己想要的旅游信息，这就需要利用数据挖掘技术开发一个数字旅游服务智能推荐系统。该系统能够根据游客的喜好、历史访问记录或其他相似客户信息为游客提供个性化的旅游服务。
2 系统设计
构建一个能充分利用秦皇岛旅游资源，为游客推荐具有秦皇岛特色旅游服务的系统是秦皇岛旅游资讯服务实现个性信息化服务的有效手段。该系统运用数据挖掘技术根据需求信息结合历史访问记录向游客推荐更符合用户需求的旅游资源。通过该系统游客可以在世界的任何地方根据自己的喜好得到实时、动态和准确的旅游资源。
2.1 系统结构
该系统是基于java、Servlet、jsp、JDBC、数据库等技术实现的以 Web 技术为核心的浏览器/服务器（B/S）模式的与平台无关的大型旅游推荐系统。系统基于J2EE三层结构设计的，分为逻辑层、表达层和数据层。系统分为GUI（***形用户接口）、智能分析、推荐引擎、旅游资源库、数据挖掘处理等几个模块。游客登录网站后，系统智能分析模块调用嵌入的Web挖掘算法根据游客以往的浏览记录为用户提供贴合用户喜好的个性化页面。而当用户通过页面输入自己要查询的信息关键词提交后，智能分析模块对用户输入的关键字进行分析，分析结果交给推荐引擎，经过数据挖掘处理模块对系统用户信息库和旅游资源库进行挖掘，得出推荐页面集，最后将推荐内容返回给用户。系统各个模块之间相互依赖，互相交互得到个性化的推荐结果集。系统结构***如***1所示：
***1 系统结构***
2.2 系统功能
旅游智能推荐系统是秦皇岛旅数字旅游系统的一个子系统，系统中嵌入了数据挖掘等技术实现了智能推荐功能，使系统可以根据用户输入需要的关键词及用户的访问记录为用户感兴趣的个性化推荐页面集。具有以下方面的功能：
a.旅游详细信息浏览。b.旅游资源库更新。c.用户查询功能。
此功能包括两个子功能：
a.分析输入的检索词及用户以往浏览记录 b.通过嵌入的数据挖掘技术对数据进行分摊返回给用户端感兴趣的个性化页面。
2.3 智能分析模块设计
（1）获取用户需求，分析用户访问记录；（2）响应用户提交的搜索请求，通过关联规则挖掘分析将列出对应的搜索结果以及相关链接返回给用户。
2.4 推荐引擎设计
用户与数据库之间是通过推荐引擎模块连接的，推荐引擎作为系统的一部分实施简单运行在服务器端，推荐引擎模块应用系统协同过滤推荐法来实现初始推荐功能。推荐引擎通过GUI模块接受用户需求，经过处理得到的数据立方体，在数据立方体上进行联机分析。
2.5 数据挖掘处理模块设计
系统实现智能推荐功能的主要模块为数据挖掘处理模块，此模块继承了多种成熟的数据挖掘算法。该模块应用合理的数据挖掘算法通过对已有数据及资源库进行数据收集、数据预处理、数据分析给用户提供个性化的旅游服务。
2.5.1 数据收集
数据预处理的前提就是做好数据收集，收集的数据源包括页面、日志以及用户的访问记录和旅游资源库的数据，分析这些数据，为数据挖掘做好充分准备。
2.5.2 数据预处理
数据分析之前需要对收集到的数据做预处理，处理成符合算法的数据集。数据预处理包括数据清洗、数据集成、数据选择和数据变换四部分。数据清洗是对收集的数据进行预处理、抽取、过滤和组织重构等操作，通过数据清洗将数据整理成具有一定主题的主题数据库，如中原山水、红色之旅等，为进一步数据挖掘提供数据基础。数据集成将不同的数据源合并成一致的数据存储，对不同城市的旅游资源包括旅游路线、就去景点、酒店预订、车票预订等进行数据分析，按照数据的相似性进行集成。数据选择通过一定的算法删除数据集中的冗余数据，达到压缩数据的目的。数据转换将数据经过合适的规范化算法整理成适合不同数据挖掘算法合适的数据形式。通过对数据进行预处理可以降低数据挖掘处理的时间，提高数据挖掘的质量，进而提高系统的效率。数据预处理是数据挖掘模块必不可少的阶段，预处理的结果直接影响着系统推荐的质量。
2.5.3 数据分析
数据分析主要由成熟数据挖掘算法组成。通过数据挖掘算法对处理好的数据进行挖掘，挖掘出符合用户需求的规则，并通过推荐引擎将分析的结果处理成个性化的推荐页面返回给浏览器端。我们的系统暂时集成了聚类和关联规则挖掘算法。
2.6 开放性智能推荐系统接口设计
为了提高系统的可扩展性，使系统可以不断的集成先进的数据挖掘算法，我们定义一组标准的接口供各类人员继承和调用。接口依据Java 语言中的 interface 类型来进行定义了，所有实现此接口的算法实例都必须实现相应的方法，从而为各种算法的实现提供了统一的规范，使得不同数据算法可以方便快速的集成。系统中的接口定义如下：
public interface IRSystem {
public String getAlgorithmName（）；// 数据挖掘算法名称
public String getCName（）；//获取所属公司名称
public String getAlgorithmDescription（）；// 获取算法详细描述
public String[] getRecoSets （）；//获取推荐结果
public String[] getRecoSets（String[]Keys）； // 根据输入的关键词获取推荐结果
public void init（String configFile）； // 根据配置文件对当前推荐方法进行初始化
}
3 结束语
基于数据挖掘技术的旅游智能推荐系统，能够满足用户的个性化需求，可以智能化的向用户推荐感兴趣的旅游服务，对建设智慧旅游有着重要的意义。现有系统仅仅集成了K-聚类、贝叶斯、关联规则等几种成熟的推荐算法，随着数据挖掘算法人员的研究会有更好更有效率的挖掘算法出现，为了使系统能够很好的扩展这些算法，我们提供了标准的接口来实现这一功能，提高了系统的可扩展性。
参考文献
[1]张晗，潘正运，张燕玲.智能“旅游电子超市”的研究与设计[J].微计算机信息.2005.12，3.
[2]黄解***，潘和平，万幼川.数据挖掘技术的应用研究[J].计算机工程与应用，2003.2，45-48.
[3]钱卫宁，魏藜，王焱，钱海蕾，周傲英.一个面向大规模数据库的数据挖掘系统[J].软件学报，2002.8，1540-1545页.
[4]姚罡，麦永浩，***选举，数据挖掘在电子商务推荐系统中的应用设计[J].计算机与自动化，2002.12，39-41页.
引荐信篇6
关键词：新股发行制度；保荐制；寻租；原因；对策
中***分类号：F832.5 文献标志码：A 文章编号：1002—7408（2012）010—0076—04
新股发行问题长期以来一直是全社会关心的热点问题。***在2012年全国金融工作会议上提出要深化新股发行制度市场化改革。2012年1月，证监会***郭树清在全国证券期货监管工作会议中提出，要完善预先披露和发行审核信息公开制度，落实和强化保荐机构、律师和会计师事务所等中介机构的责任。随后，针对新股询价过程中出现的问题，证监会有关部门负责人表示，正研究加强询价过程监管，敦促机构理性报价。这表明，新股发行机制中存在的问题已经引起了监管层的关注并正在加快完善的步伐。
一、保荐制度与保荐人寻租
我国新股发行现行的制度是公司上市实行保荐制，新股发行定价实行询价制，新股发行方式实行网上发行与网下配售相结合的制度。
保荐制度要求保荐机构及其保荐代表，负责发行人证券发行上市的推荐和辅导，尽职调查核实公司发行文件资料的真实、准确和完整性，协助发行人建立严格的信息披露制度。监管层推出保荐制度，旨在从源头上提高上市公司质量，保护投资者的合法权益，促进证券市场健康发展。然而，在实际操作层面，一些保荐人却不能归位尽责，反而利用现行制度的缺陷，大肆寻租。其寻租行为主要表现为：
1.掩饰问题，忽略风险，提供失真信息。为了谋取上市所带来的利益，一些保荐人对拟上市公司资产进行粉饰包装，调优财务指标，降低发行审核的风险，使一些平庸甚至劣质资产的风险被低估，导致严重的价值背离，损害投资者的利益。首批创业板上市公司网宿科技的保荐人预测该公司上市后3年内将保持50%的复合增长率，而实际上该公司2009年净利润实际增长不到5%，2010年出现下降；比亚迪的保荐人预测公司上市后3年内将保持16%的复合增长率，结果是，公司公告称上市第一年的净利润预计同比下降35%—65%；具有“高成长性”的华锐风电，在路演过程中，主承销商将其估值区间中值设置在101元/股，并以每股90元的高价发行，但其上市首日即破发行价……近两年来，由于粉饰业绩，过高估值，虚高定价，导致新股频频破发，让二级市场投资者承受了巨大的风险和损失。
2.利益共谋，操控定价，分享超募提成。保荐人和发行人、保荐人和其他中介机构通过利益合谋，操纵新股发行定价，获得超额收益。保荐人和发行人是新股发行定价的利益相关方，定价的高低直接决定相关方获利的多寡，发行人希望通过高价发行实现超募，保荐人则从超募发行中提取高额承销费，因此，在新股发行过程中，各方往往通过操纵定价，实现新股高价发行，形成现实中的“三高”现象。八菱科技和朗玛信息中止发行一事是一种让人寻味的现象。首家中止发行的八菱科技首次询价时，保荐机构“估算”出的中枢价值为36.92元，二次询价时降到23.09元，但其发行价最终定格为17.11元。其发行价格与首次的价值中枢为何相差如此悬殊？“卸妆”后重启发行并“闯关”成功的朗玛信息，最终确定的发行价为22.44元。而被中止的那一次发行，主承销商给出的“合理价格”在30元至40元，该价格远远高于当时参与询价的机构给出的参考报价区间。这两例事件中，保荐机构给出的估值都远远高出二级市场同类公司，也高于询价机构给出的估值。事实上，自2009年6月重启IPO之后，新股发行进入市场化定价时代，保荐人成了市场化定价体制下新股发行利益链上最大的受益中介。以每股148元发行的海普瑞，超额募集资金48.52亿元，承销商为此获得超过2亿元的收入；碧水源超额超募18.72亿元，保荐和承销费用较预计支出多出9000多万元。保荐机构不仅通过超募分成大肆获利，而且成为新股发行价格不断攀升的主要推手。
3.变相持股，违规直投，巧取投资暴利。保荐人在做IPO企业保荐人的同时，保荐机构或旗下直司参股该企业，待企业成功IPO之后，通过二级市场实现退出。保荐直投有两种类型，一是保代违规变相持股，二是保荐机构在相关法规允许的范围内对拟发行公司的股权进行投资参股。这种现象在创业板公司IPO过程中比较普遍，甚至成了一个潜规则。
引荐信篇7
众所周知，金杯银杯不如老百姓的口碑，客户之间的相互推荐是最好的、也是最有效的市场营销策略。然而在营销实践中，多数企业并没将其当做一个重要的营销策略来执行，而是把它当做偶尔发生的结果来看待，甚至当顾客推荐发生时，企业并不知道顾客推荐背后的原因。这些企业相信，顾客是否推荐自己的产品，不是自己所能控制的。然而，科学研究表明，人有情不自禁向朋友推荐产品、服务的本能，这深深植根于人的大脑“回路’’之中，聪明的企业则有办法按下这个回路的开关，并将引发顾客推荐的策略、技巧系统化，从而为企业带来稳定的市场回报。
市场营销专家John Jantsch新近出版的专著《引爆推荐：让你的生意自动营销》就是―本关于如何系统化运用顾客之间相互推荐的力量，确保顾客不断增长、订单源源不断的实战***书。他开门见山地写道：“尽管有关市场营销建议的***书多如牛毛，但在商业世界里没有什么秘密可言，唯一的真理是没有找到怎样运用这些建议的方法。”
拿顾客推荐这点事来说，真理简单明了，那就是要想博得顾客之间的相互推荐，先必须要让顾客快乐，这样，你的产品、服务才会通过他们的口传播给更多的消费者。向顾客王婆卖瓜似地大声嚷嚷、自卖自夸是无济于事的，你要学会尊重顾客，倾听顾客的声音，与顾客对话。你的销售团队直接面对顾客，他们是引发顾客推荐的源泉，在你的顾客推荐战略中，销售团队是至关重要的一环。当然，你还得选准意见领袖这样的乐于推荐者，这样的人群才值得你下工夫去“教育”。
Jantsch认为，引发顾客推荐的秘密在于洞悉“顾客推荐回路”，这样才会一传十，十传百。这就需要市场营销人员在顾客了解、喜欢、信任、尝试、购买、重复购买推荐产品、服务这个营销传播回路的每个环节做到最好，然后，基于口碑传播的自动营销过程才会被引爆。显然，“顾客推荐引擎”不是花一天、一周或一年的时间便可以一劳永逸地建成的，企业若是要将顾客推荐作为营销战略来执行，就必须全面检视自己的营销系统，将所有营销资源围绕着激发顾客推荐这一目标来分配。
在美国主流媒体上，不乏对这本书：的溢美之词。全球知名服装电子商务网站Zappos的首席执行官Tony Hsieh在为该书写的推荐语中这样写道：“在Zappos，打造卓越的顾客体验意味着在品牌与消费者之间建立个性化的、情感上的联系，它涉及到顾客与雇员两个方面，他们愿意在自己的亲戚朋友、家庭成员圈子内分享、讨论这种体验。这本书会告诉你如何为别人提供讨论的话题。”的确，对于那些仍在花大量资金做广告却未见明显效果的广告主来说，是时候考虑建造“顾客推荐引擎”来提振销售业绩与市场表现了。而对于那些没有太多营销预算的中小企业主来说，仔细研读这本书一定会有非凡的收获。总之，这是一本坐下来两三个小时便可读完，却要花一生的时间去实践的书。
引荐信篇8
关键词：保荐代表人；证券上市保荐制度；保荐机构；完善措施
一、引言
保荐人制度是指由具有资质的保荐代表人及保荐机构负责对发行人的上市进行推荐和辅导，核实公司公开披露信息并确保信息的真实性、及时性、完整性和准确性，协助发行人建立完善规范、严格的信息披露制度，承担风险、防范责任，并在公司上市后规定的持续督导期内协助发行人规范的法人治理结构的建立完善，督促公司遵守规定、完成承诺，并对上市公司所披露信息的情况负有连带责任的一种信用担保制度。
中国证券监督管理委员会（简称：中国证监会）于2003年12月28日《证券发行上市保荐制度暂行办法》,并决定于2004年2月1日开始正式施行,将保荐制度引入我国。2006年1月1日正式施行的《中华人民共和国证券法》（以下简称：《证券法》）以法律的形式确立了保荐制度, 并对该制度的适用条件与范围,保荐代表人以及保荐机构的职责权限、资格资质及法律责任做出了更为详尽的规定。目前，保荐制度在我国施行至今已经8年，历经了股权分置改革、中小板创立、创业板开板以及全球金融危机冲击的考验，对提高我国上市公司质量和促进证券市场健康发展起到了巨大的作用。但是，在实践中，现行保荐制度的一些问题也逐渐显现，应引起各方面的重视。在此仅对 “双重保荐”中的保荐代表人方面存在的问题及其完善措施进行探讨。
二、保荐代表人存在问题及其产生原因
（一）保荐代表人与保荐机构之间的关系问题
1、保荐代表人与保荐机构所处地位极不平等我国的证券发行上市保荐制度实行的是双重责任制,即保荐机构和保荐代表人都要承担各自相应的保荐职责，但双方所处的地位却是极其不平等的。
一方面,保荐代表人的***性较差。根据《证券发行上市保荐制度暂行办法》规定,对于个人申请注册登记为保荐代表人的情况,必须出具载有其所任职机构的董事长或者总经理签名的推荐函。当保荐机构撤回推荐函或者保荐代表人调离保荐机构时,保荐代表人将会被中国证监会做除名处理。因此，保荐代表人就在***性上极大的受制于其所任职的保荐机构,否则保荐代表人将面临失去其执业资格的窘境。
另一方面,相对于保荐代表人，保荐机构责任不够明确。保荐代表人和保荐机构在权力义务的履行和法律责任的承担上模棱两可、界限模糊。保荐代表人相对于保荐机构的***性较差,却面临承担与保荐机构相同甚至更加严重责任的风险。这样在一定程度上，名义上的保荐制度在我国变成了实际上的“单纯保荐代表人制度”。
2、保荐责任无法落实归位
保荐制度实施的初衷是落实对上市公司质量审核的责任，避免当时我国资本市场的责任虚置问题。但是在保荐制度实施以来，由于保荐代表人的稀缺，保荐代表人已经成为证券公司的“特权阶层”，不但增加了保荐机构内部的管理难度，而且无法督促其承担起上市公司质量保荐责任。就我国的现状看，保荐代表人薪酬居高不下，加重了证券公司的运营成本。中国证监会的公开信息显示，截至2012年6月8日正式注册的保荐代表人为2147人，耗费券商近30亿元人民币的成本。同时，保荐代表人个人的业务水平不高，甚至出现 “高薪低能不作为”的现象。反映出保荐机构和保荐代表人之间的责任义务分配比例不合理，保荐权责在二者之间无法明晰、落实等问题。
（二）保荐代表人的选拔与任用制度不合理
1、保荐代表人选拔方式的非市场化
我国的保荐代表人胜任能力考试为保荐资格准入设立了较高的选拔门槛，看似有利于提升保荐代表人的整体水平，而这种考试代替实践的准入规则却违背了市场化选拔人才的基本原则，最终弱化了保荐制度的优势。同时，我国保荐代表人胜任能力考试难度水平不稳定，导致每年新增保荐代表人人数变化较大，不利于我国保荐制度的平稳有序发展。
2、保荐代表人任用选择的非理性化
一些中小证券公司为维持保荐资格，高薪挖来保荐代表人满足最低4人的要求，盲目抬高转会费，有点甚至已达200万元每次。高额转会费直接导致保荐代表人不专心做项目，而热衷于通过跳槽赚钱，为低劣项目的产生提供了温床，严重侵害投资者的利益。
（三）保荐代表人自身行为方面存在的问题
1、保荐代表人未尽到其应尽义务
第一，保荐代表人疏于对上市公司的审慎核查。审慎核查是保荐代表人必须尽到的义务。然而，由于一些保荐代表人缺乏责任感，追求成功上市数量带来的利润，忽视了对公司发行上市的审查质量，有相当数量的企业在上市后不久便出现了发展后劲不足、财务状况不佳等问题。也应该指出，保荐代表人在履行审慎核查义务的过程中需要的资料无法通过律授权自由获取，这种信息不对称也是致使保荐代表人审核效果不尽如人意的客观因素之一。
第二，保荐代表人未能尽到持续督导义务。据深圳证券交易所2011年年度报告显示，我国部分保荐代表人未能在持续督导方面勤勉履责。表现为：（1）辅导培训内容的安排缺少计划性、具体的实施缺乏组织性以及事后考核检查环节的缺失。（2）忽视上市公司生产经营，仅仅关注上市公司在募集资金使用情况、对外担保的合规性等方面，造成信息掌握的片面性、表面性，问题发现的滞后等问题，不能做到防患于未然。
引荐信篇9
信息环境下，海量教育信息资源与用户快速获取个性化教育信息资源之间的矛盾日益凸显，导致无处不在的学习演变为无处不在的搜索，学习者之间信息素养的差异使得个性化教育信息资源得不到有效利用，学习者不能同等享有优质教育信息资源，引发了信息环境下新的教育不公平。剖析个性化信息推荐服务，结合其研究现状，构建教育信息资源个性化推荐服务模式，探求其在教育领域的应用前景，为教育信息资源的主动服务提供解决策略，把合适的教育信息资源呈现给适合的用户，从而在一定程度上缓解数字化学习背景下的教育不公平，促进个性化教育。
【关键词】 教育信息资源；个性化推荐；教育公平；个性化教育
【中***分类号】 G434 【文献标识码】 A 【文章编号】 1009―458x（2016）02―0005―05
一、问题的提出
大数据时代，教育信息资源的爆炸式增长和学习者个性化需求快速得到满足之间的矛盾引领着信息服务模式的变革。现代科技的发展促成全球信息总量以几何级数增长，2020年全球数据量将达到35ZB，为2009年的44倍[1]，这使得信息技术促进教育公平的同时也带来了巨大的挑战。面对海量的资源，学习者如何快速获取优质个性化教育信息资源的难题越发凸显。
第一，学习者需要花费大量精力搜索、鉴别和分析杂乱无序的教育信息资源。2010年6月，《纽约时报》做了一次相关民调，在45岁以下的受访者当中，近三分之一的人表示消耗巨额时间和精神成本，却依然迷失在浩瀚的信息空间中，找不到符合自己需要的资源。目前，教育信息资源的海量、静态和杂乱无章严重加大了学习者搜集资源的时间和精力成本，让无处不在的泛在学习演变成了无处不在的搜索。
第二，信息时代，个体间的“信息素养沟”演变成为“知识沟”。互联网技术的快速发展提升了用户的信息素养，也扩充了教育信息资源。然而，用户的认知容量有限，且认知能力的增长总体较为平缓，故信息素养得不到突破性提升，但教育信息资源却呈指数级增长，不断走向海量化。这就逐渐导致信息素养高的用户可以在海量资源中搜集到优质资源，而对信息素养低的用户来说，则较为困难，“优者更优，贫者更贫”的现象日趋严重，造成信息时代下的“知识沟”，加剧教育不公平。
第三，盛行的普适性教育信息资源不具有个性化，并非能满足所有用户的个性化学习需求。非主流的优质教育信息资源往往因主流教育信息资源的频繁使用而被覆盖，越来越严重的掩埋效应造成资源的浪费。在海量的教育信息资源中快速获取和有效利用优质个性化教育信息资源，是现代学习者的需求。当这种需求得不到满足时，必然鼓励着新的信息服务方式和工具的出现，个性化信息推荐服务也便应运而生。
二、个性化信息推荐服务
个性化信息推荐服务能够在用户信息迷茫、没有明确需求时及时为用户提供其感兴趣的信息，有效缓解“信息超载”引起的用户认知负荷和信息迷航等问题。它就像是商场优秀的导购员，不仅熟悉每一个商品的属性和特征，而且能记住顾客历史偏好并发现其最新偏好，为顾客推荐适合的优质商品，为商品找到最合适的买家，增加顾客的依赖度和商家的盈利。
（一）个性化信息推荐服务概述
个性化信息推荐服务的实质是以用户需求为中心，通过分析用户（user）与项目（item，如信息、资源、商品等）之间的二元关系帮助发现其可能感兴趣的内容，并生成个性化推荐结果，进而为用户提供区别与差异化的服务[2]。其精准化推荐的实现主要依赖于个性化信息推荐系统。根据不同的推荐算法，个性化推荐系统主要分为：基于协同过滤的推荐系统、基于内容的推荐系统以及混合式的推荐系统。基于协同过滤的推荐系统主要依据用户相似性或项目关联度的推荐，即用户信息（包括个人资料以及对项目的评价、收藏、购买等行为信息）的相关性，判断或者由用户群的行为信息计算出项目间关联度。基于内容的推荐系统则主要根据项目本身的特征属性，在项目库中搜索满足用户需求的项目。混合式的推荐系统则是基于以上两种方式的推荐，根据用户相似性、项目关联性及特征，利用“群体智慧”通过分析某一款产品的所有顾客购买记录，推测用户感兴趣的商品。最终不仅从用户浏览和接收的角度来呈现推荐结果，更从用户需求、商品标签以及相似用户的使用度等方面来增加推荐结果的可信度，为用户主动接受推荐结果提供依据。
（二）个性化信息推荐服务研究现状
个性化信息推荐服务最初是在电子商务领域迅速发展起来的，应用成效也尤为显著，而它在教育领域的应用仍处于探索阶段。郭亚***曾基于用户需求、信息产品、用户关系管理构建个性化信息服务钻石模型来实现资源的个性化推荐服务[3]；李宝等人提出利用学习者的静态数据与动态数据来构建学习者特征模型，采用协同过滤与相似度匹配的方式促进资源的推荐服务[4]；刘通江、王陆研制小学课程的个性化课件生成系统，预先测验学生的认知水平和学习风格，然后根据测验结果为学习者推荐自适应的内容、资源和活动[5]；柏宏权构建适应性智能教学系统，为学习者提供自适应的教学内容和学习策略，以满足其个性化学习需求[6]；刘媛筠等人认为在当代***书馆信息服务中，信息推荐服务能够将用户定制的资源随时推送给用户，方便其获取信息[7]。这些在教育领域的研究虽已取得相关成就，但其应用还不够成熟。在国家基础教育资源网中，学习者根据信息导航进行需求细化和纵向浏览，但系统经过筛选后呈现的资源参差不齐，依旧需要学习者花费大量时间和精力进行甄别，信息服务的个性化程度不高。此外，我国“985高校”***书馆的个性化服务除了查看、修改或定制信息外，大多还只限于记录读者的借阅行为、预约、续借、新书通报等功能，还不能根据用户动态的个性化需求实现及时推荐的功能。
由此可见，个性化信息推荐服务虽已引起不少教育研究者的关注和研究，但它在教育领域中应用的广泛度和个性化程度均不及在商业领域的应用。究其原因，以往的个性化信息推荐服务研究主要侧重于推荐算法本身，其推送的内容与学习者的个性匹配程度以及服务个性化程度有待提高，其理论支撑相对单薄，对学习者间的差异和个性化需求掌握不够准确。因此，迫切需要设计有效的教育信息资源个性化推荐服务模式来改善当前信息推荐服务在教育领域的应用，以提高其应用成效。
三、教育信息资源个性化推荐服务模式
信息过载引起用户认知负荷，导致优质资源浪费，其本质是用户无法准确、及时地获取满足自己个性化需求的优质资源。结合目前个性化推荐服务的研究成果，针对教育信息资源的系统性、关联性和不断进化等特征，试***通过构建教育信息资源个性化推荐服务模式来提高优质资源的使用率，为用户提供差异化服务，促进数字化学习时代下的个性化教育。
（一）教育信息资源个性化推荐服务模式构建依据
根据学习者个体特征、学习倾向、学习目标以及学习情境，对个体心态、思维、学习能力、创造力、知识技能水平等进行综合分析、测试和诊断。同时，根据教育信息资源的课程体系、关联进化、重组与重构等特征，构建教育信息资源个性化信息推荐服务模式，为学习者量身定制学习任务、学习策略和学习方案，整合并推荐符合其独特学习需求的个性化教育信息资源，从而形成自适应的个性化服务，帮助学习者自我成长、自我超越。
信息技术对教育发展具有***性的影响[8]，利用现代技术手段，通过分析与决策系统为学习者提供小众化、个性化的信息资源服务，其效益甚至会超过那些大众化信息资源[9]。不同学习者之间的差异性和独特性是客观存在的，而网络环境下普适性的教育信息资源往往没有与学习者的这种个性化相适应。学习者的个体差异其实也是一种教学资源，在某种程度上促使学习者对个性化教育信息资源的无限渴望，同时差异性的存在也对资源建设者提出了更高要求，激发其开发和建设用户满意的优质个性化教育信息资源。尊重每一位学习者的差异，利用个性化推荐服务模式为其提供差异化服务，满足其个性化的学习需求，促使每位学习者都能同等地享有适合自己的个性化优质教育信息资源，从而推动教育公平，促进个性化教育。
（二）教育信息资源个性化推荐服务模式构建
教育信息资源个性化推荐服务旨在满足学习者的个性化学习需求，为其提供个性化的教育信息资源。尊重学习者的个体差异性和学习者的主体地位，同时根据教育信息资源的特征模型，以提高教育信息资源使用率为主要驱动力，构建教育信息资源个性化推荐服务模式，以推动信息时代下的教育公平，促进个性化教育，如***1所示。
***1 教育信息资源个性化推荐服务模式
从学习者和教育信息资源库两条主线构建该模式。根据学习者基本信息、行为信息和差异化的需求信息，将兴趣相投、偏好一致的用户聚合、归类，构建学习者模型；根据资源基本特征、标签和价值信息（其他学习者对该资源的有效评价信息），将特征相近、关联度高的资源聚类，构建资源模型。随着技术的快速发展，推荐方式和策略层出不穷且不断得到完善，分析与决策系统能够利用现代技术手段感知学习情境，识别学习者特征，挖掘其潜在需求和模糊需求，准确定位其个性化需求。同时，通过分析学习者模型与资源模型的匹配程度，能够选择合适的推荐方式，形成高效的推荐机制，从而对教育信息资源进行整合和重组，挖掘优质的个性化资源，并将与学习者认知水平高度相近的教育信息资源主动提供给学习者。在此过程中，学习者模型和资源模型将随着学习者信息和资源信息进行实时动态更新，不断完善个性化推荐机制，促使资源进行自我调整，主动服务于学习者，形成自适应的个性化服务。
（三）教育信息资源个性化推荐服务模式内涵
1. 尊重学习者个体间差异，定位内在学习需求，提升学习体验。该模式能够尊重不同学习者之间的差异，感知学习情境，准确定位个性化学习需求，从而提升学习体验，缓解学习者认知负荷，促进个性化教育。人是有思想、有情感的独特个体，教育要培养的不是批量生产的产品，而是具有独特个性的个体。因此，该模式的构建将个体的独特个性纳入其中，向学习者推荐的资源内容能够具有很大的灵活性。
不同类型和层次的学习者对信息需求的广度和深度各不相同。系统能够分析不同学习者的信息，构建包含学习者档案、动态需求和相似学习者信息的学习者模型，感知学习情境，全面定位其个性化需求。同时，通过剖析学习者模型与资源模型的匹配程度，做出正确的分析和精准的决策，从而帮助过滤无效信息，推荐适合的优质个性化教育信息资源，提升学习者的学习体验。在教育领域，学生、教师和科研人员对教育信息资源的需求存在着很大差异。例如，学生在学习过程中希望能得到针对自己特殊学习问题的及时服务和帮助；教师在教学设计过程中希望能快速获取与教学活动相关的教学资源；科研人员则希望得到更多学科范围内新的思想观点、学术前沿、理论热点及事实性材料等。该系统能够根据这种需求差异，进行资源过滤和重组，帮助其在混沌无序的资源中获取优质个性化教育信息资源，从而广、快、准地满足学习者的个性化需求。
2. 指引资源，挖掘优质个性化资源，催生更优资源。根据个性化的学习需求，利用该模式挖掘优质个性化教育信息资源，用最短的路径和最少的时间为学习者提供指引服务，指导资源建设者开发个性化的优质教育信息资源，催生更优资源。那么，什么样的资源才是优质资源呢？斯蒂芬・P・罗宾斯认为，质量是产品或服务达到预期要求并满足顾客期望的能力[10]。所以，教育信息资源质量则是由满足用户需求的程度决定的，用户满意且充分尊重个体差异的个性化资源才是优质资源。
依据KWL学习策略，通过分析学习者的个性化需求，利用资源的关联信息和进化信息，挖掘被大众化教育信息资源掩埋的优质个性化教育信息资源，实现资源的自我价值，缓解资源的掩埋效应。其中，K代表系统能分析出用户知道什么（Know what），从而激活其原有知识，巩固先前所学内容，为学习新内容做准备；W代表系统能精准判断用户想要知道什么（Want to learn），并为其推荐适合的学习内容和资源；L则指系统根据用户对知识的掌握程度（Learning level）为其推荐符合其能力的学习资源和任务。同时，学习者也可以参与编辑、丰富和标记教育信息资源，由资源的消费者转变为创造者，实现资源的动态发展，促使资源与资源之间产生连接，实现资源的关联进化，形成资源关系网。教育信息资源不同于一般商品，它具有一定的课程体系，所以系统可以根据其内在教学规律和资源间关联性挖掘潜在的个性化教育信息资源。
3. 提供自适应的个性化服务，推动教育公平，促进个性化教育。该模式能够将适合的教育信息资源（在用户认知能力和最邻近发展区范围内，与个体差异化特征相匹配，符合其个性化需求的教育信息资源）推荐给合适的学习者，为其提供自适应的个性化服务，促进个性化教育。只有符合个体兴趣和发展需要的学习任务，个体才会积极投入；反之，个体则往往消极应对。因此，准确把握“度”成为关键，而对不同学习者来说，这种“度”必然是有差异的，它主要由学习者模型、资源模型以及系统监测与感知所决定，构建三维坐标系并探讨对“度”的掌控，分析自适应个性化服务系统影响因子及其之间的关系，如***2所示。
***中的A、B、C、D四个点代表资源的个性化程度分别由系统监测与感知，学习者模型和系统监测与感知，学习者模型、资源模型和系统监测与感知，资源模型和系统监测与感知所决定。自适应个性化服务提供的资源应该高度符合学习者模型、资源模型以及系统监测与感知信息，即处于坐标中C点位置的资源是最符合也是最适合的优质资源，而以C点为球心的球与该立方体的重合部分即为相对较为适合该学习个体的资源。系统通过综合分析学习者特征、行为信息以及资源属性等数据，掌控适合学习者个体的“度”，从而向其推荐处于C点位置或距该点最近并在其认知弹性能力范围内、符合最邻近发展区（指学习者通过***学习与教师教授所获得的知识之间的差距）的教育信息资源，适时、适度地提供个性化学习服务。如果学习者在某个问题上停滞时间太长，系统可以实时地进行动态干预，关注和分析学习者的表现，从中发现他们独特的认知特征和动机倾向，进而调整C点位置，设定适合该学习者的“度”，以保证推荐的资源能够自适应地满足学习者的个性化需求。
（四）教育信息资源个性化推荐服务模式应用
利用教育信息资源个性化推荐服务模式不仅节省学习者搜索资源所花费的时间和精力，快速推动学习者个性化需求的满足和自我价值的实现，避免教育信息资源的浪费和掩埋，还可以激励学习者提出更高需求，促使资源建设者开发更优资源，充分发挥学习者的主动性和创造性，这也正是存在主义哲学的精神。
Springer 出版公司作为世界上最著名的科技出版集团之一，其提供的“CiteULike”个性化服务能够根据学习者的学习兴趣、相似学习者的行为记录以及资源之间的关联性，帮助学习者准确查找相似资源、发现兴趣偏好相似的其他学习者以及相关领域的研究人员，实现协作学习。此外，爱课程网（iCourse）是我国***、***“十二五”期间启动实施的“高等学校本科教学质量与教学改革工程”支持建设的高等教育课程资源共享平台。它拥有丰富的教育信息资源，能够根据学习者的基本信息和学习行为记录实时推荐相关课程。在学习过程中，系统定时向学习者发送邮件推荐课程信息，调查学习者的满意度，并根据反馈完善资源，提高用户体验度。爱课程网推荐的课程资源主要包括热门课程、热门教师、热门学习群组以及最热资源和最新资源。然而，系统的推荐并不能完全满足独特个体的个性化需求，与学习者兴趣爱好的匹配不够精准。也就是说，学习资源的选取与推送存在盲点，系统不能精准地感知学习情境来有效挖掘适合学习者的个性化优质资源，为学习者适时推荐适度的教育信息资源。虽然该教育信息资源个性化推荐服务模式已得到初步应用，但还需要提升其应用价值和效果，这也是下一步研究的重点。
四、教育信息资源个性化推荐
服务模式应用前景分析
个性化教育是教育公平的最终目标，利用该模式促进个性化教育，是大众所需，也是大势所趋。如今***教育已经成为终身教育的一种主要模式[11]，将该个性化推荐服务模式嵌入其中可以充分关注学习者个体差异和不同学习需求，体现个性化***教育的特点，激发学习者的主动意识和学习动机。同时，该服务模式还可以用于移动终端，更好地服务于泛在学习和碎片化学习。此外，小到课程资源的推荐，大到高考志愿填报和未来职业规划，根据不同学习者差异化和个性化需求，可以将该模式应用到智能服务填报高考志愿、***书馆资源荐购、网络招聘、教育信息管理等方面，实现“靶标式”资源和任务的主动定向推荐。例如，在智能服务填报高考志愿中，通过分析高考分数、考生类别、报考院校、专业及录取的相关规则和相似考生报考情况，得出供考生决策的相关参数；在***书馆资源荐购方面，根据学习者的浏览和购买记录，推测学习者个性化学习需求，为***书馆资源的荐购提供参考；在网络招聘中，通过分析求职者的资料、浏览记录以及招聘单位的招聘条件，将合适的职位推荐给适合的求职者；在教育信息管理系统中，通过挖掘和分析数据为管理者提供智慧决策来破解信息管理过程中的难题，以提高信息管理的成效。
五、结语
将该模式应用到教育领域，对于学习者，可以激活其隐性需求，满足显性需求，从浩如烟海的资源中获取符合其认知风格和知识基础的资源，减少时间和精力成本，增强学习体验，提升学习成就感；对于资源，可以促进资源的最大化利用、知识的流动和聚集及其价值的增值，保证将最好的知识推送给最需要的人；对于资源的提供者，可以提升经济效益，帮助其更好地理解用户需求，促使其开发的资源更加精细化和差异化，开拓服务市场，让更多的学习者来使用和购买资源。后续我们将深度剖析个性化信息推荐服务的成功商业案例，研究现代感知技术，比较常用推荐策略，完善个性化推荐机制，并结合实证研究来分析其在教育领域应用的必要性和可行性。
[参考文献]
[1] Villars R L， Olofson C W， Eastwood M. Big data： What it is and why you should care[J]. White Paper， IDC， 2011：1.
[2] 杨丽娜，颜志***，孟昭宽. 基于个性化推荐思想的虚拟社区学习共同体动态构建[J]. 现代教育技术，2012，（01）：88-92.
[3] 郭亚***. 个性化数字信息服务模式研究[J]. 情报理论与实践， 2011，34（7）：56-59.
[4] 李宝，张文兰. 智慧教育环境下学习资源推送服务模型的构建[J]. 远程教育杂志，2015，（03）：41-48.
[5] 刘通江，王陆. 基于信息理论的个性化教学系统的研究[J]. 计算机工程与应用，2004，（9）：074.
[6] 柏宏权，李艺. 利用适应性超媒体技术建构智能网络课程[J]. 电化教育研究，2004，（4）：41-44.
[7] 刘媛筠，李志民. 当代***书馆的三种信息服务模式[J]. ***书馆杂志，2013，（1）：26-31.
[8] 熊才平，何向阳，吴瑞华. 论信息技术对教育发展的***性影响[J]. 教育研究，2012，（6）：22-29.
[9] 何向阳，熊才平，郑娟. 论网络信息资源的再生与利用[J]. 电化教育研究，2013，201（3）：4.
[10] 斯蒂芬・P・罗宾斯，玛丽・库尔特. 管理学[M]. 李原，孙健敏，黄小勇，译. 北京：中国人民大学出版社，2012：518.
[11] 蒋志辉. 网络环境下个性化学习的模式建构与策略优化[J]. 中国远程教育，2013，（3）：48-51.
收稿日期：2015-05-30
引荐信篇10
随着科技的进步和网络的发展，人们不得不面对海量的信息数据，这些信息一般具有海量性、多态性、异构性、动态性、无结构化等特性。本文主要研究各种主流的推荐算法的优缺点，并在工程上设计推荐引擎组合。在对H adoop平台上的分布式文件系统HDFS和计算模型Map/Reduce进行深入分析和研究的基础上，给出基于H adoop平台的云计算混合推荐系统。
【关键词】云计算 H adoop HDFS Map/Reduce 混合推荐系统
1 引言
推荐系统的设计与实现也面临这样的问题，现有的许多用户数据都是从网站日志里来获取，而对于流量非常之大的电子商务网站来说，数据量是非常之大的。而通常用户信息以及商品数据如果使用单机进行处理，那是不可完成的任务。所以推荐系统中算法以及数据的存储都需要分布式框架来进行处理。目前出现的大数据处理框架当中，Hadoop毫无疑问是最流行的框架之一，HDFS分布式存储框架以及MapRedu。
2 Hadoop平台研究
Hadoop是一个分布式系统基础架构，是一个可以更容易开发和运行处理大规模数据的软件平台。Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。HDFS有着高容错性（fault-tolerent）的特点，并且设计用来部署在低廉的（low-cost）硬件上。而且它提供高传输率（high throughput）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。HDFS放宽了（relax）POSIX的要求（requirements）这样可以流的形式访问（streaming access）文件系统中的数据。
HDFS 是采用主从架构模式的。在 HDFS 中有两种节点：一个名字节点（namenode）和多个数据节点（datanode）。
名字节点负责管理文件系统的命名空间，维护着文件系统结构树和其中的所有文件和索引目录。另外，名字节点还记录着每个文件的每个数据块所在的数据节点的位置，这些信息会随着每次系统启动时重新建立。客户端用户通过访问名字节点，获得所需数据在相应的数据节点的位置来访问整个文件系统。所以用户在编程时不需要知道名字节点和数据节点及其所在位置。
3 推荐算法的混合
由于各种推荐方法都有优缺点，所以在实际中，组合推荐（Hybrid Recommendation）经常被采用。研究和应用最多的是内容推荐和协同过滤推荐的组合。
4 基于Hadoop平台的混合推荐系统的设计
整个系统是基于Hadoop实现的，Hadoop是一个分布式的大数据计算系统，主要由Mster阶段和DataNode节点构成，Master节点负责管理整个整个分布式系统包括MapRedcue任务的计算以及Hadoop分布式文件系统的元数据管理（通常都是交由Master管理，也可以另外设定），而DataNode负责存储数据以及Map任务以及Reduce任务的计算。Hadoop的工作机制和在第三章已经有相似的阐述。其他的工作模块是依赖于Hadoop来实现的，如***5-6所示。每个模块在启动数据处理和数据访问（获取HDFS或者HBase的数据）的时候都首先向Master请求，并在Master处理请求之后和DataNode进行交互。
推荐引擎内部的算法通常都是面对大数据量并且算法可以进行切分并行计算，将算法以Map和Reduce方式进行切割，并且设计好key和value。对于算法的相似设计会在推荐系统的实现部分根据具体算法进行描述。对Hadoop的使用通常都使用Hadoop封装好的client程序包来进行调用。由client向Master进行请求，然后根据数据切分Map任务，把各个Map任务分配到不同的节点上运行，运行完之后reduce任务把相应的数据结果拉去过来继续计算。完成之后生成最终的结果。
5 结语
对于基于Hadoop的推荐系统的设计，使用了软件设计模式的一些思想来对设计进行指导。比如使用了策略模式，工厂模式等等。这些主要在算法的实现部分有阐述。另外整个系统是进行分层设计的。
在实现部分，论文着重阐述了数据预处理模块的实现，以及推荐引擎的实现，并是运用了策略模式来实现推荐引擎的可扩展。本论文还详细描述了各个推荐引擎的实现。
论文还可以朝以下几个方面进行探索和研究：
（1） 系统的冷启动，在这方面可以使用用户的注册数据以及商品的数据使用基于内容的推荐系统进行推荐。但需要研究具体的实现。
（2）为用户做推荐的时候没有将实时性考虑进去，后续的研究工作当中会着重研究如何根据提取日志数据来对实时性进行考虑。
参考文献
[1]Amazon Elastic Compute Cloud，http：///ec2/.
[2]邓倩妮，陈全.云计算及其关键技术[J].高性能计算发展与应用，2009（1）.