個(gè)性化推薦系統(tǒng)
前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇個(gè)性化推薦系統(tǒng)范文，相信會(huì)為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。
個(gè)性化推薦系統(tǒng)范文第1篇
.1 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1001-828X(2012)08-0-01
1.定義。隨著電子商務(wù)規(guī)模的逐漸擴(kuò)大,網(wǎng)上商品的種類和數(shù)量也快速增長(zhǎng)。商品不斷豐富,顧客購(gòu)物選擇的余地大大擴(kuò)展,但顧客往往需要花費(fèi)大量的時(shí)間才能找到合適的商品。這種瀏覽大量無關(guān)信息和商品的過程無疑會(huì)給消費(fèi)者帶來極大的不便,從而可能造成客戶流失。為了解決這些問題,個(gè)性化推薦系統(tǒng)應(yīng)運(yùn)而生。個(gè)性化推薦是根據(jù)用戶的資料信息、興趣愛好和以往購(gòu)買行為,向用戶推薦其可能感興趣的信息和商品。個(gè)性化推薦系統(tǒng)是建立在海量數(shù)據(jù)挖掘基礎(chǔ)上的一種高級(jí)商務(wù)智能平臺(tái),以幫助電子商務(wù)網(wǎng)站為其顧客購(gòu)物過程提供完全個(gè)性化的決策支持和信息服務(wù)。
2.個(gè)性化推薦的作用。成功的個(gè)性化推薦系統(tǒng),向用戶推薦他們感興趣的商品,從而促成交易,即將電子商務(wù)網(wǎng)站的瀏覽者轉(zhuǎn)變?yōu)橘?gòu)買者;在用戶購(gòu)買過程中向用戶推薦自己確實(shí)需要但在購(gòu)買過程中沒有想到的商品,有效提高電子商務(wù)系統(tǒng)的交叉銷售;為用戶提供個(gè)性化的推薦服務(wù)的同時(shí),與用戶建立長(zhǎng)期穩(wěn)定良好的關(guān)系,從而有效保留客戶,提高客戶的忠誠(chéng)度,防止客戶流失。
3.知名購(gòu)物網(wǎng)站中個(gè)性化推薦應(yīng)用。淘寶網(wǎng)站為例,在登錄已買到的寶貝頁面,除了可以查看到用戶購(gòu)物歷史記錄,還有推薦內(nèi)容,如:“您可能對(duì)這些寶貝感興趣”;購(gòu)物車頁面的推薦,如:“您可能感興趣的寶貝”“猜你喜歡的”。
當(dāng)當(dāng)網(wǎng)為例,網(wǎng)站商有個(gè)性化推薦模塊網(wǎng)站上有專門欄目“猜你喜歡”,點(diǎn)擊進(jìn)入,再分為“您可能感興趣的商品”“和您興趣相似的顧客還關(guān)注”;在已購(gòu)商品頁面,有推薦“根據(jù)您購(gòu)買的商品,當(dāng)當(dāng)猜您會(huì)喜歡”。
進(jìn)入卓越亞馬遜網(wǎng)站,提示用戶“您好,請(qǐng)登錄以獲取為您訂制的推薦”。
二、個(gè)性化推薦系統(tǒng)主要算法
完整的推薦系統(tǒng)由3個(gè)部分組成:收集用戶信息的行為記錄模塊、分析用戶喜好的模型分析模塊、推薦算法模塊。其中,推薦算法模塊是最核心的部分。根據(jù)推薦算法的不同,推薦系統(tǒng)可以分為如下幾類:
1.關(guān)聯(lián)規(guī)則推薦。關(guān)注用戶行為的關(guān)聯(lián)模式。如買了香煙的人大多會(huì)購(gòu)買打火機(jī),因此可以在香煙和打火機(jī)間建立關(guān)聯(lián)關(guān)系,通過這種關(guān)系推薦其他產(chǎn)品。這種算法最為簡(jiǎn)單直接,往往也會(huì)把用戶理解的過于簡(jiǎn)單,是不太智能的算法,所以這種算法基本被淘汰了,只有少數(shù)小規(guī)模購(gòu)物網(wǎng)站還是這種推薦模式。
2.協(xié)同過濾推薦。利用用戶的歷史信息,計(jì)算用戶之間的相似性;利用與目標(biāo)用戶相似性較高的用戶對(duì)其他產(chǎn)品的評(píng)價(jià)來預(yù)測(cè)目標(biāo)用戶對(duì)特定產(chǎn)品的喜好程度;根據(jù)喜好程度來對(duì)目標(biāo)用戶進(jìn)行推薦。協(xié)同過濾又可分為兩種:基于用戶的協(xié)同過濾和基于商品的協(xié)同過濾。
基于用戶的協(xié)同過濾是第一代協(xié)同過濾技術(shù),原理也很簡(jiǎn)單:人以群分,即在網(wǎng)站上購(gòu)買相同商品的消費(fèi)者應(yīng)該有相似的興趣偏好。系統(tǒng)找出這些有相同商品購(gòu)買記錄或?yàn)g覽記錄的用戶,然后把他們還沒購(gòu)買的商品相互推薦,如把用戶A買過、但用戶B還沒有購(gòu)買的商品推薦給B,反之亦然。當(dāng)然,在實(shí)際推薦應(yīng)用中,系統(tǒng)會(huì)找到與A相似的多位用戶,將那些A未購(gòu)買而其他人已經(jīng)購(gòu)買的商品,計(jì)算概率,再進(jìn)行排序,最后把排名靠前的商品推薦給A。
基于商品的協(xié)同過濾,是目前使用最多的個(gè)性化算法。因?yàn)榇笮偷馁?gòu)物網(wǎng)站,其用戶數(shù)量遠(yuǎn)遠(yuǎn)大于商品數(shù)量,使用基于用戶的個(gè)性化算法會(huì)造成很多問題。相應(yīng)的,基于商品的協(xié)同過濾技術(shù)的原理:物以類聚,系統(tǒng)先判斷哪些商品之間有潛在關(guān)聯(lián),再根據(jù)用戶的購(gòu)買記錄,把關(guān)聯(lián)度高的商品推薦給用戶。比如“啤酒-尿布”看似風(fēng)牛馬不相及的商品,如果在銷售記錄中同時(shí)出現(xiàn)的頻率越高,說明商品的潛在關(guān)聯(lián)就越強(qiáng),就可以向用戶推薦。
協(xié)同過濾算法可以發(fā)現(xiàn)用戶潛在的興趣偏好,從而為其推薦新信息;能推薦難以進(jìn)行內(nèi)容分析的產(chǎn)品;但由于是基于用戶對(duì)產(chǎn)品的評(píng)分,所以對(duì)新用戶進(jìn)行推薦或者是對(duì)用戶推薦新產(chǎn)品,精度不高。
3.基于內(nèi)容的推薦。基于內(nèi)容的推薦是協(xié)同過濾技術(shù)的延續(xù)與發(fā)展。分別對(duì)用戶和產(chǎn)品建立配置文件;比較用戶與產(chǎn)品配置文件的相似度;推薦與其配置文件最相似的產(chǎn)品。如,在商品CD推薦中,基于內(nèi)容的系統(tǒng)首先分析用戶買過的打分較高的CD的共性(歌手、風(fēng)格等), 再推薦與這些用戶感興趣的內(nèi)容相似度很高的其他CD。基于內(nèi)容的推薦算法根本在于信息獲取和信息過濾。 基于內(nèi)容的推薦算法能處理新用戶、新產(chǎn)品的問題(冷啟動(dòng));能推薦新產(chǎn)品和非流行產(chǎn)品,發(fā)現(xiàn)隱藏信息;但是如果兩個(gè)不同的產(chǎn)品恰好使用了相同的描述詞,這兩個(gè)產(chǎn)品就無法區(qū)分;而且如果系統(tǒng)只推薦與用戶的配置文件高度相關(guān)的產(chǎn)品
,那么推薦的只是與用戶之前購(gòu)買過的產(chǎn)品相似度很高的產(chǎn)品,無法實(shí)現(xiàn)推薦的多樣性。
4.基于網(wǎng)絡(luò)結(jié)構(gòu)的推薦。要先建立用戶—產(chǎn)品二維關(guān)聯(lián)網(wǎng)絡(luò)。把用戶和產(chǎn)品的內(nèi)容特征看成抽象的節(jié)點(diǎn),所有算法利用的信息都藏在用戶和產(chǎn)品的選擇關(guān)系中。對(duì)于任意目標(biāo)用戶A,假設(shè)A選擇過所有的產(chǎn)品,每種產(chǎn)品都具有向A推薦其他產(chǎn)品的能力,把所有A沒有選擇過的產(chǎn)品按照他喜歡的程度進(jìn)行排序,把排名靠前的推薦給A。
基于網(wǎng)絡(luò)結(jié)構(gòu)的推薦同樣面臨著新用戶新產(chǎn)品的問題。而且如果把用戶與產(chǎn)品的所有關(guān)聯(lián)關(guān)系都考慮在內(nèi),無法區(qū)分出長(zhǎng)期興趣和短期興趣點(diǎn),大大降低推薦準(zhǔn)確度。
5.混合推薦。上述幾種方法的有機(jī)結(jié)合,實(shí)際的推薦系統(tǒng)中最常見的是基于協(xié)同過濾和基于內(nèi)容的結(jié)合。
三、個(gè)性化推薦技術(shù)的新應(yīng)用
一般情況下,網(wǎng)站針對(duì)已注冊(cè)用戶根據(jù)用戶信息或購(gòu)買記錄進(jìn)行推薦。同時(shí),個(gè)性化推薦還應(yīng)該考慮到匿名購(gòu)買者,也就是購(gòu)買者不需要注冊(cè)或者登錄也能使用個(gè)性化推薦功能。這類技術(shù)的實(shí)現(xiàn)要選擇合適的匿名用戶行為特征識(shí)別方法,如服務(wù)器端日志挖掘技術(shù)和客戶端信息采集技術(shù)等,從而實(shí)現(xiàn)對(duì)此類用戶的個(gè)性化推薦。
針對(duì)用戶存在多興趣或興趣發(fā)生轉(zhuǎn)移情況,一些網(wǎng)站提出了基于項(xiàng)目相似性的鄰居用戶協(xié)同推薦算法。該算法改進(jìn)了傳統(tǒng)協(xié)同過濾算法,使之適合用戶多興趣下的個(gè)性化推薦。
個(gè)性化推薦最熱門應(yīng)用就是將推薦和社會(huì)網(wǎng)絡(luò)結(jié)合起來,把社會(huì)網(wǎng)絡(luò)加入個(gè)性化推薦系統(tǒng),借助顧客的朋友、家人的評(píng)分信息來進(jìn)行推薦產(chǎn)品。它讓顧客的朋友和家人做“導(dǎo)購(gòu)”,把他們買的而且評(píng)分較高產(chǎn)品推薦給顧客。
參考文獻(xiàn):
[1]劉洋.面向電子商務(wù)網(wǎng)站的個(gè)性化推薦系統(tǒng)[J].中小企業(yè)管理與科技(上旬刊),2012(01).
個(gè)性化推薦系統(tǒng)范文第2篇
【摘要】隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展，在移動(dòng)網(wǎng)絡(luò)有效獲取信息將會(huì)變得愈發(fā)的困難。個(gè)性化推薦技術(shù)的提出與應(yīng)用，使得傳統(tǒng)Internet上信息過載的局面得到了一定程度上的緩解。本文在現(xiàn)有的推薦算法的基礎(chǔ)之上提出了一種基于用戶分類與記錄可信度加權(quán)的協(xié)同過濾推薦算法。并使用J2ME技術(shù)設(shè)計(jì)了一個(gè)移動(dòng)網(wǎng)絡(luò)個(gè)性化推薦原型系統(tǒng)。
【關(guān)鍵詞】個(gè)性化推薦；移動(dòng)網(wǎng)絡(luò)；J2ME；協(xié)同過濾；記錄可信度
1.引言
近年來，隨著移動(dòng)互聯(lián)網(wǎng)的迅速發(fā)展，特別是國(guó)內(nèi)3G牌照發(fā)放后，移動(dòng)互聯(lián)網(wǎng)用戶增長(zhǎng)迅速。根據(jù)中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心（CNNIC）的《第30此中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》顯示，2012年上半年中國(guó)互聯(lián)網(wǎng)電腦網(wǎng)民規(guī)模達(dá)到5.38億，而手機(jī)網(wǎng)民數(shù)量將達(dá)到3.88億。據(jù)DDCI互聯(lián)網(wǎng)數(shù)據(jù)中心預(yù)測(cè)，到2013年中國(guó)手機(jī)網(wǎng)民將達(dá)7.2億，首次超越電腦網(wǎng)民[1]。隨之而來的是移動(dòng)互聯(lián)網(wǎng)上各類信息的爆炸式增長(zhǎng)，使得人們通過移動(dòng)網(wǎng)絡(luò)獲取信息更加方便的同時(shí)，也使得人們獲取有價(jià)值的信息愈發(fā)的困難。
為解決Internet上信息淹沒的現(xiàn)狀，個(gè)性化推薦技術(shù)得到了廣泛的應(yīng)用。針對(duì)移動(dòng)互聯(lián)網(wǎng)的特殊性，本文把傳統(tǒng)Internet上個(gè)性化推薦技術(shù)應(yīng)用到移動(dòng)互聯(lián)網(wǎng)上，提出了移動(dòng)個(gè)性化推薦的離線解決方案，并且設(shè)計(jì)了基于J2ME的移動(dòng)個(gè)性化推薦系統(tǒng)。
2.ATC與CF結(jié)合的推薦模型
2.1 相關(guān)技術(shù)概述
為解決文本分類中人為因素的影響，自動(dòng)文本分類（Automatic Text Cat-egorization）技術(shù)得到了快速的發(fā)展與應(yīng)用。目前比較常用的有KNN，樸素貝葉斯分類，SVM等分類方法。這些方法都是建立在統(tǒng)計(jì)學(xué)的基礎(chǔ)上，通過特征提取來標(biāo)注文本文檔，建立文檔模型后不同的方法應(yīng)用不同的分類器來進(jìn)行文本分來處理。文本分類建立在大量文檔的基礎(chǔ)之上，從而消除了不同的人對(duì)文檔文類不同的分歧，使得分類過程不受人為因素的影響。
協(xié)同過濾（Collaborative Filt-ering，CF），又稱協(xié)作型過濾，是在信息過濾與信息發(fā)現(xiàn)領(lǐng)域非常受歡迎的技術(shù)。一個(gè)協(xié)作型過濾算法通常的做法是對(duì)一大群人進(jìn)行搜索，從中找出與當(dāng)前用戶喜好相同的一小群人，并且對(duì)這些人的偏好內(nèi)容進(jìn)行考察，將結(jié)果組合起來構(gòu)造出一個(gè)經(jīng)過排名的推薦列表[2]。協(xié)同過濾技術(shù)分為基于用戶相似性的協(xié)同過濾（User-based），基于推薦項(xiàng)目的協(xié)同過濾（Item-based）與基于模型的協(xié)同過濾（Model-based）三種基本方式。User-based協(xié)同過濾是發(fā)現(xiàn)相似用戶群體，根據(jù)相似用戶的瀏覽記錄來進(jìn)行興趣發(fā)現(xiàn)并推薦給用戶；Item-based協(xié)同過濾計(jì)算推薦項(xiàng)目之間的相似性，把與用戶以前瀏覽的項(xiàng)目相似的項(xiàng)目推薦給用戶；Model-based協(xié)同過濾首先建立個(gè)性化推薦的數(shù)學(xué)模型，根據(jù)數(shù)學(xué)模型來計(jì)算推薦集。
本文主要應(yīng)用樸素貝葉斯分類器與基于項(xiàng)目的協(xié)同過濾算法來構(gòu)建移動(dòng)網(wǎng)絡(luò)的個(gè)性化推薦系統(tǒng)。
2.2 個(gè)性化推薦模型
基于J2ME的移動(dòng)網(wǎng)絡(luò)個(gè)性化信息推薦系統(tǒng)整體架構(gòu)如圖1所示，系統(tǒng)模型基于C/S結(jié)構(gòu)設(shè)計(jì)，客戶端采用J2ME技術(shù)實(shí)現(xiàn)手機(jī)客戶端信息瀏覽系統(tǒng)，服務(wù)器端采用Servlet實(shí)現(xiàn)。
由圖1可以看出推薦模型可以分為四個(gè)主要部分：
1）用戶信息采集分為顯性的信息采集與隱性信息采集方式。顯性的信息采集方式為在用戶的終端瀏覽界面設(shè)置信息反饋欄目，在該欄目中用戶可以設(shè)置自己的使用偏好信息；隱性的信息采集方式為根據(jù)用戶對(duì)信息的瀏覽時(shí)間，對(duì)信息是否保存，對(duì)信息是否轉(zhuǎn)發(fā)等情況對(duì)信息內(nèi)容做出隱性的評(píng)價(jià)。本文使用5分制規(guī)則，對(duì)信息保存，轉(zhuǎn)發(fā)評(píng)分為5分，根據(jù)用戶對(duì)信息瀏覽時(shí)間的長(zhǎng)短為信息設(shè)置1-5分的分值。
2）信息系統(tǒng)主要負(fù)責(zé)添加推薦信息，在此過程中使用樸素貝葉斯文本分類器對(duì)文本類別進(jìn)行劃分。
3）個(gè)性化推薦引擎采用基于用戶背景信息分類與歷史記錄可信度加權(quán)的Item-Based協(xié)同過濾算法產(chǎn)生推薦信息集。
4）終端系統(tǒng)采用基于J2ME技術(shù)實(shí)現(xiàn)，提供信息瀏覽與用戶偏好采集功能等。
2.3 樸素貝葉斯文本分類
文本分類是將未知的文本類型劃分到規(guī)定好的類別中，從而降低人為因素的影響。樸素貝葉斯分類以古典數(shù)學(xué)理論為基礎(chǔ)，分類效率穩(wěn)定，同時(shí)模型構(gòu)建簡(jiǎn)單，性能優(yōu)越。因此本文選取樸素貝葉斯分類器作為文本分類的工具。
本文使用的基于樸素貝葉斯分類的文本分類過程如下：
（1）訓(xùn)練文本的向量空間表示
生成向量空間模型的步驟有文本分詞處理，除去停用詞，特征選擇等。經(jīng)過各個(gè)階段，最終將確定一組特征詞作為特征詞空間W={w1，w2，w3，…，wm}，w表示特征詞。將文本映射到該組特征詞空間，使文本的表示形如T（A）={pA1，pA2，pA3，…，pAm}，pAi為文檔頻率法表示詞wi在文檔A上的權(quán)重。pAi還可以通過信息增益法，開方擬合檢驗(yàn)等其他方法表示[3]。
（2）計(jì)算每個(gè)特征詞所屬類別的概概率分布
計(jì)算每個(gè)特征詞屬于每個(gè)類別的概率，具體計(jì)算方法：分別計(jì)算每類文件的質(zhì)心，并計(jì)算出每個(gè)詞能夠代表每個(gè)類別的概率，最終形成如表1所示的特征詞-文本類別對(duì)應(yīng)矩陣。關(guān)于文件集質(zhì)心的計(jì)算可以參考文獻(xiàn)[4][5]。
（3）向量空間模型的形成
根據(jù)已選定的特征詞空間，將待分類文本映射到特征詞空間中，使其表示為向量空間形式：T（X）={pX1，pX2，pX3…pXm}。
（4）根據(jù)特征詞的概率分布情況，計(jì)算待分類文本所屬類別的概率
確定待分類文本T（X）屬于分類Ck（Ck∈{C1，C2，C3…Cn}）的概率R（k），R（k）的計(jì)算方法如公式1所示。
（公式1）
（5）確定待分類文本的類別
按（4）中所提計(jì)算公式分別計(jì)算待分類文本屬于每個(gè)類別的概率R（k），具有最大值R（k）的類別即為該待分類文本的最終分類。
個(gè)性化推薦系統(tǒng)范文第3篇
【關(guān)鍵詞】電子商務(wù) 專家系統(tǒng) 電子商務(wù)個(gè)性化推薦技術(shù)
電子商務(wù)個(gè)性化推薦技術(shù)是指在電子商務(wù)網(wǎng)站在客戶進(jìn)行電子商務(wù)交易的過程中，根據(jù)用戶的個(gè)性化完成對(duì)用戶產(chǎn)品的推薦工作，通過對(duì)其網(wǎng)站系統(tǒng)內(nèi)部超多的數(shù)據(jù)挖掘來有效的匹配到客戶心目中的理想產(chǎn)品類型，為客戶提供符合其個(gè)性化要求的產(chǎn)品購(gòu)買信息以及相關(guān)服務(wù)功能。事實(shí)上，隨著電子商務(wù)行業(yè)的不斷進(jìn)步以及發(fā)展，電子商務(wù)個(gè)性化推薦技術(shù)已經(jīng)形成了專業(yè)成熟的電子商務(wù)個(gè)性化推薦系統(tǒng)，在電子商務(wù)網(wǎng)站的運(yùn)營(yíng)過程為客戶的購(gòu)買行為提供者非常重要和直觀的技術(shù)支撐，保證客戶個(gè)性化要求的滿足。而在電子商務(wù)個(gè)性化推薦技術(shù)的組成結(jié)構(gòu)中添加相應(yīng)的專家系統(tǒng)模式，能夠更加有效的分析出客戶在電子商務(wù)購(gòu)買行為中的購(gòu)買需求、購(gòu)買期望、購(gòu)買目的，更好的幫助電子商務(wù)個(gè)性化推薦系統(tǒng)完成對(duì)不同客戶的定位和識(shí)別，促進(jìn)客戶完成交易過程。
1 專家系統(tǒng)的主要內(nèi)容
專家系統(tǒng)指的是一種專用的智能計(jì)算機(jī)程序系統(tǒng)，其內(nèi)部含有大量的某一領(lǐng)域的專家水平的知識(shí)與經(jīng)驗(yàn)，能夠通過對(duì)這種經(jīng)驗(yàn)的分析和應(yīng)用有效的解決這一領(lǐng)域中出現(xiàn)的諸多問題。事實(shí)上，專家系統(tǒng)的組成結(jié)構(gòu)與電子商務(wù)個(gè)性化推薦系統(tǒng)的組成結(jié)構(gòu)是較為相似的，其二者都共同存在輸入模塊、數(shù)據(jù)收集以及分析處理模塊和最終的輸出模塊等等，在電子商務(wù)個(gè)性化推薦系統(tǒng)中添加關(guān)于專家系統(tǒng)的智能程序，能夠有效的提升電子商務(wù)個(gè)性化推薦系統(tǒng)中的智能型，使其能夠更加充分的面對(duì)客戶在電子商務(wù)交易行為中的種種決策并提供相應(yīng)的信息幫助。
2 基于專家系統(tǒng)的電子商務(wù)個(gè)性化推薦系統(tǒng)的主要組成
正如上文所述，專家系統(tǒng)的強(qiáng)大之處在于其可以利用某一領(lǐng)域的專家知識(shí)，模擬專家決策時(shí)候的決策方式以及相應(yīng)的推理和判斷方式來解決某一領(lǐng)域中出現(xiàn)的諸多問題。在電子商務(wù)個(gè)性化推薦系統(tǒng)中應(yīng)用專家系統(tǒng)這一程序，首先應(yīng)該確定專家系統(tǒng)的主要領(lǐng)域以及相關(guān)的信息知識(shí)內(nèi)容。具體來講，電子商務(wù)個(gè)性化推薦系統(tǒng)中專家系統(tǒng)應(yīng)該包含的領(lǐng)域和知識(shí)內(nèi)容應(yīng)該包括消費(fèi)領(lǐng)域以及心理領(lǐng)域等等，其具體的知識(shí)內(nèi)容應(yīng)該包括電子商務(wù)客戶的行為需求特征分析、電子商務(wù)客戶的行為適宜行為需求特征分析、電子商務(wù)客戶的決策行為需求特征分析等等，而專家系統(tǒng)在電子商務(wù)個(gè)性化推薦系統(tǒng)中的主要應(yīng)用流程應(yīng)該包括消費(fèi)者描述自身的需求、專家系統(tǒng)分析適合消費(fèi)者的需求、專家系統(tǒng)提取相應(yīng)的產(chǎn)品信息滿足消費(fèi)者的需求以及專家系統(tǒng)在最后的過程中對(duì)于產(chǎn)品的優(yōu)點(diǎn)介紹和競(jìng)爭(zhēng)優(yōu)勢(shì)介紹等等，為消費(fèi)者的最終決策提供信息幫助。
根據(jù)上述分析，基于專家系統(tǒng)的電子商務(wù)個(gè)性化推薦系統(tǒng)的主要結(jié)構(gòu)應(yīng)該包含專家系統(tǒng)的核心規(guī)則數(shù)據(jù)庫(kù)（靜態(tài)數(shù)據(jù)庫(kù)）和電子商務(wù)網(wǎng)站的商品數(shù)據(jù)庫(kù)以及客戶數(shù)據(jù)庫(kù)（動(dòng)態(tài)數(shù)據(jù)庫(kù)），同時(shí)使用咨詢子系統(tǒng)、規(guī)則子系統(tǒng)以及結(jié)果子系統(tǒng)來實(shí)現(xiàn)專家系統(tǒng)核心規(guī)則數(shù)據(jù)庫(kù)以及電子商務(wù)網(wǎng)站動(dòng)態(tài)數(shù)據(jù)庫(kù)之間的有效銜接和運(yùn)用。
2.1 專家系統(tǒng)核心規(guī)則數(shù)據(jù)庫(kù)
邏輯上個(gè)性化推薦系統(tǒng)的靜態(tài)數(shù)據(jù)庫(kù)可以使用專家系統(tǒng)的核心規(guī)則數(shù)據(jù)庫(kù)作為程序建立的核心內(nèi)容，用來存放專家系統(tǒng)運(yùn)行的領(lǐng)域知識(shí)結(jié)構(gòu)以及內(nèi)容，并設(shè)置相應(yīng)的輔助參數(shù)保證專家系統(tǒng)核心規(guī)則數(shù)據(jù)庫(kù)的良好運(yùn)行。
2.1.1 規(guī)則特性
每一個(gè)規(guī)則包括四個(gè)特性，例如PREMISE規(guī)則的前提部分、ACTION規(guī)則的操作部分等等，同時(shí)注意CATEGORY規(guī)則按照上下文分類，每條規(guī)則只能用于某幾個(gè)上下文，以便調(diào)用；
2.1.2 設(shè)置參數(shù)
每個(gè)設(shè)置參數(shù)應(yīng)該各自存儲(chǔ)一組屬性，用來咨詢以及程序調(diào)用，同時(shí)規(guī)定好每一個(gè)參數(shù)的參數(shù)組名稱、參數(shù)取值范圍、參數(shù)的類型結(jié)構(gòu)。
2.2 動(dòng)態(tài)數(shù)據(jù)庫(kù)
電子商務(wù)網(wǎng)站的用戶數(shù)據(jù)庫(kù)以及產(chǎn)品數(shù)據(jù)庫(kù)都隸屬于動(dòng)態(tài)數(shù)據(jù)庫(kù)的存儲(chǔ)范圍，每一次客戶登錄或者登出的過程中，電子商務(wù)網(wǎng)站的動(dòng)態(tài)數(shù)據(jù)庫(kù)都會(huì)隨之實(shí)時(shí)更新一次，添加相應(yīng)的動(dòng)態(tài)數(shù)據(jù)內(nèi)容。動(dòng)態(tài)數(shù)據(jù)庫(kù)對(duì)數(shù)據(jù)的主要存儲(chǔ)方式是根據(jù)相關(guān)對(duì)象、相關(guān)對(duì)象的具體屬性以及相關(guān)對(duì)象的具體參數(shù)數(shù)值（對(duì)象可信度、對(duì)象參數(shù)、對(duì)象跟蹤次數(shù)）來確定對(duì)該對(duì)象的信息存儲(chǔ)、追蹤和使用過程。
2.2.1 電子商務(wù)用戶數(shù)據(jù)庫(kù)
電子商務(wù)用戶數(shù)據(jù)庫(kù)的存儲(chǔ)信息主要是商務(wù)網(wǎng)站瀏覽和登錄登出過程中各個(gè)用戶的主要信息，包括用戶的性別、年齡、職位、愛好、收藏、收入、購(gòu)物經(jīng)歷以及其他相關(guān)信息等等。
2.2.2 電子商務(wù)商品數(shù)據(jù)庫(kù)
電子商務(wù)商品數(shù)據(jù)庫(kù)的存儲(chǔ)信息主要是諸多網(wǎng)站商戶的產(chǎn)品細(xì)細(xì)，包括產(chǎn)品的名稱、品牌、價(jià)格、尺寸、重量、功能、材料、生產(chǎn)日期、保質(zhì)期、售后服務(wù)以及其他相關(guān)的產(chǎn)品信息等等。
2.3 資訊子系統(tǒng)
資訊子系統(tǒng)的主要功能是根據(jù)客戶在電子商務(wù)網(wǎng)站上的登錄、訪問、收藏、購(gòu)物等一系列信息對(duì)網(wǎng)站的客戶數(shù)據(jù)庫(kù)提供對(duì)客戶的定位信息，更好的做好客戶個(gè)性化產(chǎn)品的推薦工作，同時(shí)有效的滿足客戶產(chǎn)品咨詢的功能。
2.4 規(guī)則子系統(tǒng)
規(guī)則子系統(tǒng)的主要功能是專家系統(tǒng)的核心規(guī)則內(nèi)容，專家智能系統(tǒng)能夠憑借自身的核心規(guī)則以及規(guī)則子系統(tǒng)的有效連接來實(shí)現(xiàn)客戶的產(chǎn)品推薦工作。
2.5 結(jié)果子系統(tǒng)
結(jié)果子系統(tǒng)的主要功能是記錄客戶瀏覽、咨詢以及最終購(gòu)買的過程，為客戶的可信度數(shù)值提供相應(yīng)的資訊信息，并記錄下客戶本次的操作內(nèi)容，為客戶的下次購(gòu)買提供信息支持。
3 結(jié)語
綜上所述，本文對(duì)基于專家系統(tǒng)的電子商務(wù)個(gè)性化推薦系統(tǒng)的主要組成結(jié)構(gòu)以及相關(guān)功能進(jìn)行了分析，電子商務(wù)網(wǎng)站在應(yīng)用專家系統(tǒng)的過程中仍然需要注意對(duì)專家系統(tǒng)智能模塊以及網(wǎng)站個(gè)性化推薦模塊兩者之間的有效連接和應(yīng)用，使專家系統(tǒng)能夠有效的融入在電子商務(wù)個(gè)性化推薦系統(tǒng)中并發(fā)揮功用。
參考文獻(xiàn)
[1]馬麗.電子商務(wù)個(gè)性化推薦技術(shù)分析及比較[J].計(jì)算機(jī)系統(tǒng)應(yīng)用.
個(gè)性化推薦系統(tǒng)范文第4篇
[關(guān)鍵詞] 電子商務(wù) 體育營(yíng)銷 個(gè)性化推薦系統(tǒng)
近年來，電子商務(wù)的快速發(fā)展極大地改變了傳統(tǒng)的貿(mào)易模式，為企業(yè)和消費(fèi)者提供了一個(gè)相互交流的便捷平臺(tái)。本文旨在提出一個(gè)適合于體育營(yíng)銷的個(gè)性化推薦模式，以期使電子商務(wù)能廣泛、高效地為發(fā)展體育事業(yè)服務(wù)。
一、國(guó)內(nèi)電子商務(wù)個(gè)性化推薦系統(tǒng)的現(xiàn)狀
目前個(gè)性化推薦已開始在國(guó)內(nèi)電子商務(wù)領(lǐng)域初現(xiàn)端倪，PC零售業(yè)的巨頭――Dell公司正是通過提供個(gè)性化推薦在電子商務(wù)活動(dòng)中獲得了巨大的成功。然而，在電子商務(wù)推薦系統(tǒng)的應(yīng)用方面，國(guó)內(nèi)電子商務(wù)網(wǎng)站與國(guó)外網(wǎng)站相比差距還較大，主要表現(xiàn)在：
1.缺乏個(gè)性化的推薦： 由于很多推薦籠統(tǒng)地粗放地面向所有用戶，而非個(gè)性化的推薦，其結(jié)果與每一用戶的特殊興趣并不相符合，這是我國(guó)電子商務(wù)推薦系統(tǒng)最主要的缺陷。
2.推薦的自動(dòng)化程度低： 大多數(shù)的推薦功能都需要用戶經(jīng)過一段時(shí)間與計(jì)算機(jī)進(jìn)行交互，輸入自己感興趣的信息，然后才能得到結(jié)果。并且，系統(tǒng)不能保存用戶每次輸入的信息。總體來說，所有的推薦策略都基本上停留在查找這一層次上，不能實(shí)現(xiàn)自動(dòng)推薦。
3.推薦的持久性程度低： 目前大多數(shù)的推薦策略都是建立在當(dāng)前用戶會(huì)話的基礎(chǔ)上，不能利用用戶以前的會(huì)話信息，因而推薦的持久性程度非常低。這也是國(guó)內(nèi)推薦系統(tǒng)的不足之處。
4.推薦策略單一： 大多數(shù)推薦系統(tǒng)所用的推薦策略基本上就是分類瀏覽和基于內(nèi)容的檢索，缺乏多種推薦策略的結(jié)合使用，尤其缺少個(gè)性化與非個(gè)性化推薦策略的混合使用。
產(chǎn)生以上問題的主要原因，首先是消費(fèi)者對(duì)電子商務(wù)不信任的社會(huì)心理還比較普遍，不愿提供真實(shí)的個(gè)人信息。其次，是現(xiàn)實(shí)生活中電子商務(wù)個(gè)性化推薦不到位，管理制度不完善，無法達(dá)到消費(fèi)者要求的水平，建立提供電子商務(wù)個(gè)性化推薦的網(wǎng)絡(luò)系統(tǒng)的技術(shù)也欠發(fā)達(dá)。
二、電子商務(wù)個(gè)性化推薦系統(tǒng)及其分類
電子商務(wù)個(gè)性化推薦系統(tǒng)（Personalized Recommendation Systems for E -Commerce）的正式定義由Resnick & Varian在1997年給出：“電子商務(wù)個(gè)性化推薦系統(tǒng)是利用電子商務(wù)網(wǎng)站向用戶提品信息和相關(guān)建議，幫助用戶決定購(gòu)買什么產(chǎn)品，通過模擬銷售人員幫助用戶完成購(gòu)物過程的系統(tǒng)”。這個(gè)定義現(xiàn)在已被廣泛引用，推薦系統(tǒng)的使用者是用戶（電子商務(wù)活動(dòng)中的用戶）（user），推薦的對(duì)象是項(xiàng)目（item）。項(xiàng)目是推薦系統(tǒng)提供給用戶的產(chǎn)品或推薦，也即最終的推薦內(nèi)容。
根據(jù)推薦對(duì)象的特點(diǎn)，目前存在的推薦系統(tǒng)可以大致分為兩類：一類是以網(wǎng)頁為主要推薦對(duì)象的推薦系統(tǒng)，它主要采用Web數(shù)據(jù)挖掘，尤其是使用Web日志挖掘的方法來分析用戶的興趣，向用戶推薦符合其興趣愛好的網(wǎng)頁鏈接。另一類推薦系統(tǒng)的推薦對(duì)象主要是產(chǎn)品，這種系統(tǒng)主要在電子商務(wù)網(wǎng)絡(luò)購(gòu)物環(huán)境中使用，幫助用戶找出他真正想要的產(chǎn)品。
三、電子商務(wù)個(gè)性化推薦系統(tǒng)模塊
1.輸入模塊（Input）：主要負(fù)責(zé)對(duì)用戶信息的收集和更新。輸入來源按時(shí)間劃分，可分為用戶當(dāng)前行為輸入和用戶訪問過程中的歷史行為輸入；也可以分為個(gè)人輸入和群體輸入兩部分。輸入形式主要包括：用戶注冊(cè)信息輸入、隱式瀏覽輸入、關(guān)鍵字輸入、編輯推薦輸入、用戶購(gòu)買歷史輸入等等。
2.推薦方法模塊（Recommendation method）是整個(gè)推薦系統(tǒng)的核心部分，它直接決定著推薦系統(tǒng)的性能優(yōu)劣。推薦方法模塊是以推薦技術(shù)和推薦算法為技術(shù)支撐。
3.輸出模塊（Output）負(fù)責(zé)將推薦結(jié)果輸出給用戶。輸出形式主要包括相關(guān)產(chǎn)品輸出、個(gè)體評(píng)分輸出、相關(guān)推薦輸出等。
四、電子商務(wù)個(gè)性化推薦系統(tǒng)的體系結(jié)構(gòu)
與傳統(tǒng)的網(wǎng)站系統(tǒng)相比，個(gè)性化的電子商務(wù)系統(tǒng)有一個(gè)很大不同之處：個(gè)性化的電子商務(wù)網(wǎng)站一般都沒有靜態(tài)頁面，這是由HTTP協(xié)議的“無狀態(tài)性”所決定的。瀏覽器與Web推薦器之間的一個(gè)交互過程如圖1所示。
從上圖可見，客戶機(jī)瀏覽器與Web推薦器之間采用TCP連接，并且該連接狀態(tài)在此次連接過程中尚能保持。但是，Web推薦器在發(fā)送給客戶機(jī)應(yīng)答信息后，便“遺忘”了此次交互，無論Web推薦器和客戶端瀏覽器都不會(huì)記憶上一次連接的狀態(tài)。目前，解決這個(gè)問題的方法一般有兩種：
1.使用Cookie。Cookie是存儲(chǔ)在Web客戶端機(jī)器上的一個(gè)小文本文件。Web推薦器端的處理程序可以創(chuàng)建一個(gè)Cookie，然后讓推薦器把該信息發(fā)送給客戶端的瀏覽器。瀏覽器收到信息后即把數(shù)據(jù)存儲(chǔ)在客戶端的硬盤上。以后，當(dāng)該客戶再次訪問該站點(diǎn)時(shí)，推薦器的處理程序向客戶機(jī)的瀏覽器請(qǐng)求該Cookie。 通過Cookie，可以使推薦器端的處理程序具有交互性。
2.采用全動(dòng)態(tài)的頁面。“全動(dòng)態(tài)”是指在獲取用戶的身份信息后，在用戶訪問的每一個(gè)頁面中都寫入系統(tǒng)分配給顧客的一個(gè)唯一標(biāo)識(shí)，當(dāng)用戶向推薦器提交推薦請(qǐng)求時(shí)，這個(gè)標(biāo)識(shí)也一起傳送到了推薦器。這樣，推薦器端的處理程序可以從這個(gè)標(biāo)識(shí)中獲取用戶的身份信息。采用這種方式，不同的用戶擁有不同的標(biāo)識(shí)，不同的顧客也就有了一套不同的頁面。這些頁面只可能通過處理程序來動(dòng)態(tài)生成。
因此，一個(gè)個(gè)性化的電子商務(wù)系統(tǒng)一般是沒有靜態(tài)頁面的。綜上所述，一個(gè)個(gè)性化電子商務(wù)網(wǎng)站的基本結(jié)構(gòu)如圖2所示。
五、個(gè)性化處理單元的設(shè)計(jì)
1.個(gè)性化處理部分：這是個(gè)性化處理單元中一個(gè)很重要的部分，它與接口部分協(xié)作，完成了個(gè)性化網(wǎng)頁的生成工作。個(gè)性化處理部分一個(gè)大致的工作流程如下：(1)確認(rèn)用戶身份，以便對(duì)不同的用戶提供不同的推薦。如果由于輸入錯(cuò)誤或其他一些原因，用戶可能無法通過身份認(rèn)證，對(duì)此系統(tǒng)可以有不同的處理方式。(2)獲取用戶配置信息。用戶在通過認(rèn)證后，系統(tǒng)將從后臺(tái)數(shù)據(jù)庫(kù)中獲得用戶配置信息，如用戶的興趣、愛好等等。根據(jù)系統(tǒng)的不同，需要的用戶配置信息也會(huì)有所不同。(3)生成動(dòng)態(tài)頁面。匹配中心根據(jù)用戶的配置信息，與相應(yīng)的數(shù)據(jù)庫(kù)進(jìn)行交互，動(dòng)態(tài)生成頁面。 最后通過連接管理模塊將結(jié)果頁面發(fā)送給Web推薦器，最終由推薦器將頁面返回給發(fā)送請(qǐng)求的用戶。
2.管理部分;其工作是在后臺(tái)管理整個(gè)系統(tǒng)的運(yùn)行，對(duì)于一個(gè)個(gè)性化系統(tǒng)來說，管理部分還有一些特殊的地方:(1)管理工作的內(nèi)容比較繁雜。管理工作有的是直接為訪問網(wǎng)站的用戶推薦的，有的是為網(wǎng)站后臺(tái)應(yīng)用服務(wù)的。(2)進(jìn)行管理工作的人員也比較復(fù)雜。在一個(gè)個(gè)性化的系統(tǒng)中,高級(jí)決策人員、銷售人員、網(wǎng)頁維護(hù)人員等都可以進(jìn)行相應(yīng)的管理工作。正因?yàn)槿绱?管理部分成為個(gè)性化系統(tǒng)中一個(gè)不可缺少的部分。管理部分共有內(nèi)容管理模塊、規(guī)則管理模塊、后臺(tái)管理模塊三大塊,每個(gè)模塊的功能都不相同。
3.接口部分：這一部分包括接入管理模塊和數(shù)據(jù)庫(kù)接口兩部分。個(gè)性化處理單元處于Web推薦器與后臺(tái)數(shù)據(jù)庫(kù)之間，它通過接口部分與Web推薦器和數(shù)據(jù)庫(kù)連接。因此，接口部分在 Web推薦器、個(gè)性化處理單元和數(shù)據(jù)庫(kù)間起到了一個(gè)“橋梁”的作用。(1)接入管理模塊。接入管理模塊的主要功能是接收Web推薦器發(fā)送的請(qǐng)求信息，并將產(chǎn)生的結(jié)果頁面返回Web推薦器。根據(jù)Web推薦器中HTP網(wǎng)關(guān)的不同，接入管理模塊可以是一個(gè)外部的應(yīng)用程序，或者是一個(gè)連接入推薦器的模塊。(2)數(shù)據(jù)庫(kù)接口。數(shù)據(jù)庫(kù)的接口大致可以分為兩類：通用接口和專用接口。通用接口，如ODBC， JDBC等，可以連接到多種數(shù)據(jù)庫(kù)。專用接口只能對(duì)應(yīng)于某種專用的數(shù)據(jù)庫(kù)。但通用接口在速度方面不如專用接口。根據(jù)網(wǎng)站規(guī)模的不同、經(jīng)營(yíng)項(xiàng)目的不同、硬件設(shè)備的不同，庫(kù)接口都會(huì)有所不同，這需要具體問題具體分析。
六、結(jié)束語
電子商務(wù)網(wǎng)站為終端客戶和分銷商等商業(yè)個(gè)體提供商業(yè)信息交流的平臺(tái)，如何對(duì)系統(tǒng)留下的大量冗余的商業(yè)數(shù)據(jù)再利用是一個(gè)具有挑戰(zhàn)性的問題。隨著數(shù)據(jù)挖掘技術(shù)的成熟，尤其是Web挖掘技術(shù)的產(chǎn)生，如何提供電子商務(wù)網(wǎng)站個(gè)性化推薦越來越受企業(yè)關(guān)注，也是保障企業(yè)生存發(fā)展的重要因素之一。
參考文獻(xiàn):
[1]余力:電子商務(wù)個(gè)性化――理論、方法與應(yīng)用.清華大學(xué)出版社,(2006）
個(gè)性化推薦系統(tǒng)范文第5篇
【關(guān)鍵詞】多Agent；電子市場(chǎng)；個(gè)性化推薦系統(tǒng)；用戶行為
隨著互聯(lián)網(wǎng)的普及應(yīng)用，線上購(gòu)物優(yōu)點(diǎn)的突顯，其已逐漸成為一種普遍的購(gòu)物方式，各電商網(wǎng)站為了吸引更多的用戶，通常致力于各種推薦策略促銷手段的應(yīng)用，如何根據(jù)用戶行為，挖掘用戶特點(diǎn)實(shí)施潛在的、有效的個(gè)性化推薦成為了電子市場(chǎng)的熱點(diǎn)研究問題。本文引入多Agent技術(shù)，利用其自下而上的建模方法，結(jié)合動(dòng)態(tài)情境進(jìn)行用戶進(jìn)行數(shù)據(jù)分析，通過模型顯現(xiàn)分析和預(yù)測(cè)用戶行為特性，構(gòu)建以商品為推薦對(duì)象的個(gè)性化推薦系統(tǒng)，為用戶推薦符合興趣愛好的商品。
1 多Agent技術(shù)
1.1 Agent技術(shù)概念及特征
Agent技術(shù)源于人工智能領(lǐng)域，指具有目標(biāo)驅(qū)動(dòng)能力、自制能力及智能，能夠通過各種學(xué)習(xí)、推理等方法感知和適應(yīng)復(fù)雜的動(dòng)態(tài)環(huán)境，并能夠主動(dòng)最親目標(biāo)的能動(dòng)實(shí)體[1]。具有一定程度的擬人性，中文可譯為智能體，具有一定“擬人”屬性，能夠代替或協(xié)助人完成一定的工作，因而采用Agent技術(shù)構(gòu)建個(gè)性化電子市場(chǎng)推薦系統(tǒng)具有一定的可行性和先進(jìn)性。
Agent具有如下特征[2]：
智能性：具有推理能力，能有針對(duì)性地分析解決問題，提供準(zhǔn)確信息，進(jìn)行復(fù)雜任務(wù)的分解、分析、預(yù)測(cè)用戶意圖。
社會(huì)性：通過通信語言與Multi-Agent進(jìn)行交互，協(xié)調(diào)任務(wù)、消解矛盾，通過與其他 Agent 協(xié)同工作執(zhí)行和完成獨(dú)自無法解決的復(fù)雜工作。
反應(yīng)性：自主感知外部環(huán)境，并作出及時(shí)的反應(yīng)。
自適應(yīng)性：根據(jù)計(jì)算環(huán)境，針對(duì)不同系統(tǒng)終端，自動(dòng)采取行為，進(jìn)行自主學(xué)習(xí)，自動(dòng)識(shí)記用戶信息，進(jìn)行自主決策，將用戶興趣、愛好、習(xí)慣等情境信息進(jìn)行主動(dòng)存儲(chǔ)，建立用戶日志，提供主動(dòng)服務(wù)。
能動(dòng)性：無需外界操作控制自主運(yùn)行控制自身行為及內(nèi)部狀態(tài)。
1.2 多Agent系統(tǒng)
Agent的社會(huì)性特征，采用多Agent進(jìn)行系統(tǒng)架構(gòu)，通過對(duì)單個(gè)Agent系統(tǒng)的優(yōu)化組合，多Agent系統(tǒng)能夠?qū)崿F(xiàn)系統(tǒng)目標(biāo)、資源的合理統(tǒng)籌，能夠最大限度的實(shí)現(xiàn)不同的目標(biāo)[3]。同時(shí)，由于單個(gè)Agent系統(tǒng)具有一定的獨(dú)特性，自治性，將多個(gè)Agent進(jìn)行協(xié)同工作時(shí)，能夠構(gòu)成多個(gè)節(jié)點(diǎn)，在獨(dú)立工作的同時(shí)又形成求解網(wǎng)絡(luò)，較大程度的提高了系統(tǒng)的工作效率，因此，多Agent信息推薦系統(tǒng)對(duì)于個(gè)性化信息推薦具有極大的優(yōu)勢(shì)。
2 基于用戶行為的multi-Agent電子市場(chǎng)個(gè)性化推薦系統(tǒng)的整體架構(gòu)
本文提出了基于用戶行為的multi-Agent電子市場(chǎng)個(gè)性化推薦系統(tǒng)（multi-Agent E-Commerce personalized recommendation system based on user behavior，MACPRSUB）。電子市場(chǎng)交易活動(dòng)，受當(dāng)前情境影響，如消費(fèi)者用戶個(gè)性特征（年齡，收入，偏好等）、網(wǎng)絡(luò)狀態(tài)、購(gòu)買經(jīng)歷、市場(chǎng)服務(wù)等內(nèi)外部情境。MACPRSUB的主要功能為，通過分析用戶行為，購(gòu)買經(jīng)歷，建立用戶日志，分析用戶興趣，行為偏好，建立用戶模型，進(jìn)而進(jìn)行商品服務(wù)推薦，刺激和幫助用戶做出購(gòu)買決策實(shí)施購(gòu)買行為。由于用戶在購(gòu)買決策的過程中會(huì)處于動(dòng)態(tài)情境中，發(fā)生不斷的變化，因此本文基于Agent的特征構(gòu)建了如下圖所示的多Agent共同協(xié)作的動(dòng)態(tài)MACPRSUB推薦系統(tǒng)，結(jié)構(gòu)如圖1所示。
每位進(jìn)入電子市場(chǎng)的線上購(gòu)物用戶都會(huì)獲得一個(gè)用戶Agent，監(jiān)聽用戶行為，反饋給相關(guān)聯(lián)的終端Agent，由終端Agent建立用戶日志，進(jìn)行基于行為的用戶偏好建模，進(jìn)行用戶細(xì)分。輔助Agent在推薦系統(tǒng)中與用戶及電子市場(chǎng)MACPRSUB推薦系統(tǒng)數(shù)據(jù)庫(kù)相互關(guān)聯(lián)，互相提供信息，用戶通過輔助Agent獲得市場(chǎng)信息進(jìn)行搜索等操作，電子市場(chǎng)通過輔助Agent獲得用戶信息，決定和改善推薦策略。
圖1 MACPRSUB推薦系統(tǒng)整體架構(gòu)
下面對(duì)MACPRSUB推薦系統(tǒng)中的各Agent的功能進(jìn)行具體的描述。
2.1 用戶Agent
用戶Agent主要有兩個(gè)任務(wù)，一個(gè)是通過終端Agent獲取商品信息，終端Agent提供搜索功能；例外一個(gè)是向終端Agent傳遞用戶信息，便于終端Agent分析和建立用戶日志，進(jìn)行偏好建模，進(jìn)而決定和改善推薦策略。
用戶Agent由連接參數(shù)（Connection Parameters，CPS）和用戶配置文件組成（User Configuration File，UFC）組成。鏈接參數(shù)里面主要由用戶終端Agent數(shù)量構(gòu)成，每個(gè)用戶根據(jù)其訪問記錄配置N不同的終端；用戶電子市場(chǎng)會(huì)話行為數(shù)據(jù)記錄在用戶配置文件中，主要根據(jù)用戶訪問的不同終端及節(jié)點(diǎn)，以及訪問的商品內(nèi)容，記錄和分析用戶的情景偏好興趣度（SIW）。
2.2 終端Agent
終端Agent用于鏈接用戶Agent和輔助Agent，進(jìn)而與MACPRSUB推薦系統(tǒng)建立關(guān)聯(lián)。終端Agent通過輔助Agent向用戶Agent傳遞電子市場(chǎng)的商品信息，通過與用戶Agent的關(guān)聯(lián)建立用戶日志，分析用戶偏好，建立用戶模型，進(jìn)而進(jìn)行用戶細(xì)分，同時(shí)可以對(duì)用戶進(jìn)行智能跟蹤計(jì)算，通過輔助Agent，向推薦系統(tǒng)提出改善和決策建議。
終端Agent由用戶配置文件和終端配置文件組成。當(dāng)用戶在某一終端進(jìn)行電子市場(chǎng)會(huì)話時(shí)，對(duì)商品C進(jìn)行相關(guān)操作時(shí)，其歷史用戶文件會(huì)自動(dòng)進(jìn)行匹配及更新操作，由此建立和更新用戶配置文件。用戶在進(jìn)行的與商品C相關(guān)的電子市場(chǎng)行為耗時(shí)t越長(zhǎng)，表明其對(duì)商品C的興趣度IW越高。
2.3 電子市場(chǎng)數(shù)據(jù)庫(kù)和輔助Agent
電子市場(chǎng)數(shù)據(jù)庫(kù)包含所有在線商品及商鋪列表，與輔助Agent共同生成商品（商鋪）列表，輔助Agent主要包含商品商鋪列表、全局配置文件集，配置文件接收映射器。當(dāng)用戶u在終端t進(jìn)行電子市場(chǎng)商務(wù)會(huì)話時(shí)，與之相關(guān)聯(lián)的終端（tagent）會(huì)將終端配置文件傳輸給市場(chǎng)Agent，根據(jù)用戶細(xì)分，將分配一個(gè)輔助Agent與之相關(guān)聯(lián)。在基于內(nèi)容的推薦過程中，輔助Agent與電子市場(chǎng)數(shù)據(jù)庫(kù)相結(jié)合創(chuàng)建一個(gè)符合當(dāng)前用戶u的商品商鋪列表CSL，并記錄在用戶配置文件UFC中，同時(shí)傳送給輔助Agent，進(jìn)而根據(jù)用戶偏好系數(shù)IW將商品商鋪列表進(jìn)行降序排列。在協(xié)同過濾推薦過程中，為了與使用相同終端t的用戶相比較，輔助Agent會(huì)將用戶u的商品列表與用戶m的商品列表相比較生成新的商品列表CSLi，并將其歸屬于與用戶u具有最小差異性的n個(gè)用戶的訪問列表。
3 實(shí)驗(yàn)與結(jié)果
本系統(tǒng)檢測(cè)以Repast[4]的多Agent系統(tǒng)為仿真平臺(tái)，采用JAVA編程語言，在實(shí)驗(yàn)過程中設(shè)置生成100個(gè)用戶，并邀請(qǐng)了不同結(jié)構(gòu)層次的用戶參與了該推薦系統(tǒng)的電子市場(chǎng)對(duì)話行為，進(jìn)行了數(shù)據(jù)記錄，建立用戶元組（Ca，Cb，t，r），用戶電子市場(chǎng)會(huì)話軌跡從商品Ca到商品Cb，在各個(gè)頁面的停留時(shí)間t，及對(duì)商品的評(píng)分r，并創(chuàng)建用戶的初始配置文件UCF。每個(gè)用戶根據(jù)分配的元組生成一個(gè)商品推薦列表L（n），并驗(yàn)證Ca是否在列表中，結(jié)果保存為值？資唬
？資=0，b？埸L（n）1，b∈L（n）
表2 推薦系統(tǒng)前后購(gòu)買率
上表展示了不同結(jié)構(gòu)層次下三種情況下S1、S2、S3的實(shí)驗(yàn)結(jié)果，從表中可以清楚的了解到MACPRSUB具有較為優(yōu)秀的推薦性能，能夠最大程度的促成用戶的電子市場(chǎng)購(gòu)買行為。
多Agent電子市場(chǎng)MACPRSUB推薦系統(tǒng)，根據(jù)用戶的不同情境，如使用的不同終端設(shè)備接入電子市場(chǎng)，系統(tǒng)會(huì)根據(jù)用戶歷史配置文件進(jìn)行自適應(yīng)推薦，并同時(shí)進(jìn)行更新，并根據(jù)用戶的歷史日志自計(jì)算預(yù)測(cè)用戶的當(dāng)前及外來會(huì)話走向，發(fā)送推薦預(yù)約。但是本系統(tǒng)還可以進(jìn)行更為深入的優(yōu)化，如根據(jù)情境定義用戶聚類問題，稀疏數(shù)據(jù)的準(zhǔn)確推薦問題，用戶配置文件的自更新計(jì)算問題。
【參考文獻(xiàn)】
[1]危世民，戴牡紅.多Agent協(xié)同的電子商務(wù)推薦系統(tǒng)模型[J].計(jì)算機(jī)應(yīng)用，2014，34（4）：1118-1121.
[2]閆燕，王鎖柱.基于多Agent的電子商務(wù)個(gè)性化推薦系統(tǒng)模型研究[J].情報(bào)雜志，2007，5：59-61.
