当前位置：搜档网 › 个性化推荐系统中的多样性综述

个性化推荐系统中的多样性综述

Software Engineering and Applications 软件工程与应用, 2019, 8(3), 172-178

Published Online June 2019 in Hans. https://www.sodocs.net/doc/2318719034.html,/journal/sea

https://https://www.sodocs.net/doc/2318719034.html,/10.12677/sea.2019.83021

A Survey of Diversity in Personalized

Recommendation Systems

Shuhao Jiang1,2, Liyi Zhang1,2, Na Zhou1

1School of Electrical and Information Engineering, Tianjin University, Tianjin

2School of Information Engineering, Tianjin University of Commerce, Tianjin

Received: June 6th, 2019; accepted: June 21st, 2019; published: June 28th, 2019

Abstract

Diversity has become one of the main directions of recommendation system research. Improving the diversity of recommendation content is not only an important way to solve the problem of over-fitting, but also a way to improve user’s experience satisfaction. In order to elaborate the work in the field of recommendation diversity, this paper introduces diversity recommendation from three aspects: the definition and evaluation of diversity, the impact of diversity on recom-mendation quality and the development of diversity algorithm.

Keywords

Personalized Recommendation, Diversity, Recommendation Quality, Evaluation

个性化推荐系统中的多样性综述

姜书浩1,2，张立毅1,2，周娜1

1天津大学电气自动化与信息工程学院，天津

2天津商业大学信息工程学院，天津

收稿日期：2019年6月6日；录用日期：2019年6月21日；发布日期：2019年6月28日

摘要

多样性已成为推荐系统研究的主要方向之一，提高推荐内容的多样性不仅是解决过度拟合问题的重要方法，也是提高用户体验满意度的方法。为了更好地阐述推荐多样性领域的工作，本文分别从多样性的定义和评价、多样性对推荐质量的影响以及多样化算法本身的发展三个方面对多样性推荐进行了介绍。

姜书浩等

关键词

个性化推荐，多样性，推荐质量，推荐算法

This work is licensed under the Creative Commons Attribution International License (CC BY).

https://www.sodocs.net/doc/2318719034.html,/licenses/by/4.0/

1. 引言

随着移动互联技术的发展，人们拥有越来越多的方法和途径随时随地地访问各种互联网内容，也能够更加便捷地直接或者间接参与到访问内容的选择中。互联网带来的另一个影响是人们可以更加便捷地接触到海量数据，但是选择过程因为数据量的增大而变得繁琐和复杂。

个性化推荐系统的出现有效地解决了这一问题，不需要用户太多互动，却能够向用户推荐其感兴趣的一系列项目内容供用户选择。推荐系统定义为通过对用户、项目以及用户和项目关联的信息进行分析来预测用户的偏好，进而推荐给特定用户最适合的项目[1]。发展推荐系统的目的是从海量数据中检索出最有价值的相关信息和服务，降低信息过载，从而提供个性化的服务。

推荐系统最早出现在上世纪80年代，随着其不断发展，研究领域不断扩展，从营销到购物，从电影到图书馆，推荐系统已经覆盖到用户需要做决定的所有方面[1]。推荐系统的研究也从简单地开发新的推荐方法发展到优化推荐算法以及如何在推荐过程中充分利用用户的个性化信息。其中一种优化的方式就是引入了多样化，多样化是相对较新的研究领域，为推荐系统的研究发展提供了很多活力，另外多样化不仅解决了过度拟合的问题，同时相对于推荐系统的其他问题更加强调以人为本的个性化服务。不同用户对多样化的感知和理解是不同的，所以多样化推荐系统模型的建立需要大量用户的参与才能完成。2. 推荐系统概述

推荐系统早期的研究诞生于信息检索和过滤技术的发展，在20实际90年代，推荐技术逐渐发展为一个独立的研究领域，并且研究人员开始专注于基于用户评分的推荐问题。推荐系统根据不同的标准有几种不同的分类标准，例如根据用户模型创建方法可以分为基于内容的推荐、协同过滤推荐、基于知识的推荐以及混合推荐等。根据特定的预测生成算法分为词向量算法[2] [3]，决策树算法[4]，贝叶斯分类树算法[3]，k最近邻算法[5]，支持向量机(SVM)算法[6] [7]等。

2.1. 推荐系统的应用范围

推荐系统的最初用于互联网文档搜索领域[8] [9] [10]。随着互联网和多媒体内容的快速增长，推荐系统迅速应用到覆盖范围更广的服务和内容领域。

随着在线存储容量的提升以及云服务出现，大量用户的自媒体内容上传到互联网，这为用户提供存储和分享这些内容的便捷方法。用户和内容项目数量的快增加，导致了智能内容检索的问题。推荐系统帮助用户从海量信息中找到最感兴趣的内容。

当用户面临大量的项目或内容选择时，同时用户也陷入了困境，海量的信息往往会阻止用户选择尝试新奇的内容。在这种情况下，个性化服务对用户有很大帮助。这些服务通过跟踪用户的浏览/购物历史，发现用户的购物偏好，为用户提供了感兴趣的商品信息。

姜书浩等

此外，个性化推荐还广泛应用于社交、电子学习、网络资讯等领域。

2.2. 推荐流程

所有的推荐系统的工作流程基本相似，首先是分析用户的可用信息。然后根据分析结果创建用户模型(或用户配置文件)，该模型包含推荐过程所需的信息，然后选择最合适的项目(s)推荐给当前用户。最后(也是最重要的)是为用户提供一个反馈机制，使得推荐系统能够跟踪用户的满意度相应地调整用户模型。

1) 用户模型

用户模型在一些推荐系统模型中作为单独的数据结构独立于算法本身[4] [11]，而在另一些模型中作为算法的一部分[12]或被作为一个项目评分向量的集合。无论如何应用，用户模型的目的是存储推荐算法所需的信息。这些信息包括用户基本信息(如性别、年龄、姓名等)，访问或者购买历史，用户的反馈(评分、评论)，以及算法的具体数据(SVM向量，特征值，最近邻居列表等等)。因此，用户模型根据推荐算法不同而不同，这些不同严重限制了用户模型在不同系统和内容类型之间的可移植性。

2) 生成推荐

当用户访问该系统时，系统生成当前用户系统模型，根据用户的在该模型中的信息并依据具体实现的算法生成推荐。算法包括基于内容的推荐(CBR)，协同过滤推荐(CF)以及其他推荐算法。无论采用哪种算法，系统计算每个项目的相关性得分，并按照从高到低的方式排序，选择列表中前N项作为最终推荐项目，推荐列表的呈现形式取决于平台的类型和内容，最后，系统还会跟踪用户是否从列表中选择任何项目，并收集反馈信息[13]。

反馈信息是推荐过程的一个重要组成部分，因为推荐系统通过分析用户与项目的交互信息来优化推荐系统模型，反馈信息包括直接反馈和间接反馈两个方面。

近年来，推荐系统领域的研究已经从简单的项目预测转移预测过程中方法的优化，个性化推荐目前遇到的挑战主要包括数据稀疏性、冷启动、大数据问题以及过度拟合等。

推荐系统成功的建立用户模型，并为用户持续的提供最适合的项目，这时就产生了新的问题，因为系统会一直根据用户的兴趣偏好进行推荐，而这种推荐所涉及的项范围往往非常窄。而当用户表现出对某一项目强烈的偏好，并提供明确的反馈时，这一问题表现得尤为显著。导致这一问题的原因是系统根据用户的偏好创建一个偏好明显的推荐模型，因此无法检测任何其他类型的新奇的项目[14]，这种情况被称为过度拟合。

3. 多样化

多样化方法的引入对于解决过度拟合提供了一个有效的解决方案，并在过去的几年里成为很多研究人员研究的热点方向，涌现出了大量的相关研究文献。多样性的重要性在于它有双重目的：提高用户对所提出推荐的满意度，有效减轻过度拟合问题。

布拉德利[2]在文章中第一次提到推荐多样性，建议在推荐过程中引入多样化方法，并设计实现和评估一种基于多样化推荐的新算法。目前多样化研究领域的研究进展主要集中在多样性的定义、多样化的影响评价以及多样化算法的优化和评价等方面。

3.1. 多样性的定义和评价

2007年由Fleder和hosanagar [15]的一项实验表明，大多数个性化推荐系统因为推荐的精确性而降低推荐项目的多样性。克拉克[16]尝试将多样性和新颖性结合为一个新的检索文档相关性的方法。2011年巴尔加斯[17]定义了一个基于递减折扣函数的项目浏览场景中的多样性评估指标。卡斯特[18]做了进一步

姜书浩等

的研究，并在确定推荐列表的多样性时同时考虑了项目的位置和相关性。胡和浦[19]的研究则主要集中在如何确定用户对推荐多样性的感知程度。Vargas[20]随后提出了一种形式化的多样化方法和评价技术，同时也考虑到推荐程序的重要性和相关性。

2013年castagos[21]进行了一项关于用户研究，通过向用户提供多样化的推荐列表，对比用户的接受度和满意度发现，更加多元化的推荐降低了用户的接受率，但同时也增加了用户对系统的满意度。Hullier[22]设计了一个音乐推荐系统并进行了类似的实验，记录用户的喜好，背景和所有音乐项目的多样性。江[23]从不同的角度讨论了多样性评价问题，并基于选择概率提出了多样性的评价方法，其研究的目标是将评价的相关性和多样性结合成一个单一的衡量标准。

3.2. 多样性对推荐质量的影响

一些研究人员把研究重点放在多样化对推荐质量的影响上，为了能够准确评价推荐质量，采用了融合多样性和现有的推荐系统评价指标(如F值、MAE和NMAE)的综合评价方式，来确定多样化对推荐系统的整体性能的影响。

Adomavicius和Kwon [24]评价几项排名技术，指出这几种推荐技术都考虑了多样化的因素，并且在推荐的准确度上仍然保持了较高的水平。Hurley和Zhang[25]也研究了多样性和准确性之间权衡的二元优化问题。Gee等[26]从一个不同的角度进行了一系列的实验，确定了推荐列表中高多样性项目的影响。Tintarev等[27]进行了一项有趣的研究，他们没有把重点放在多样化对推荐质量的影响上，而是关注多样化对不同个性特征的用户的影响，研究发现喜欢新鲜体验的用户更喜欢多样性的推荐。Aytekin和Karakaya [27]为了衡量用户的偏好和满意度，对多样性进行更为直接的控制。Ekstrand [28]等人做了进一步探讨，进行了用户评价，不仅用户包括对推荐列表多样性的反馈，而且还提供了新颖性、准确性、满意度以及个性化程度风方面的反馈。Javari等人[29]设计了一种可以在准确性和多样性之间权衡的可调节的混合推荐系统。里贝罗等人[30]将这一问题归纳为一个多目标推荐问题，目的是将多种推荐方法结合起来，力求最大限度地提高准确性和多样性。

3.3. 多样化算法

很多研究人员已经意识到，推荐系统的其他方面对于用户满意度也是至关重要的。其中一个重要的方面是推荐多样性。推荐多样性有两个层次：一个是个体层次，也就是个体多样性，另一个是系统层次，也就是总体多样性。因此对于多样性的研究法也分为个体多样性和总体多样性两方面。Boim等[31]提出了一种主题多样化的方法，使推荐列表多样化，涵盖更广泛的用户感兴趣的主题。B. Smyth和P. McClave [32]是对基于用户的协同过滤算法进行的后过滤方法。G. Adomavicius和Y. Kwon [33]提出一种基于近邻评分差异的后过滤方法。Zhang和Hurley [34]采用二次规划的方法权衡准确性和多样性。A. Pathak和B. K. Patra[35]提出了一种基于聚类后过滤方法的多样化优化策略。Vargas[36]随后提出了一种形式化的多样化方法和评价技术，同时也考虑到推荐过程的重要性和相关性。

Park提出一种基于已知评分值或评分次数进行聚类的推荐方法，提高了一些长尾商品的预测评分，进而提高推荐总体多样性[37]。Adomavicius等提出了一种改进的项目排序技术，以提高系统的总体多样性。D. Fleder等研究了推荐系统对销售多样性的影响，研究结果表明，即使是一些知名的推荐系统也可能会导致销售多样性的减少，因为这些系统都是在销售和评分基础上推荐产品[38]。Adomavicius提出用传统的协同过滤算法产生推荐列表，并通过设定阈值来过滤推荐列表中的项目，然后依据项目的流行度或平均评分对推荐列表进行重新排序，进而平衡推荐列表准确性和总体多样性[39]。另一类方法通过修改推荐模型来实现。周涛等在用户—物品二部图网络结构基础上，采用两步传递方法合理地提高推荐多样

姜书浩等

性，给用户推荐那些“不太流行的冷门项目”[40]。T. Bobadilla等提出了几种基于优化的方法，以提高总体多样性，包括贪婪算法、基于最大流的方法和整数规划方法。

Basille等人[40]提出了一种基于特殊语义特征的结合了现有的几种算法实现高多样性的方法。Ho等人[41]将多样化作为解决长尾问题中评分项目稀疏性问题的解决方法，并发现它们能够推荐更好的项目来改进用户的经验。Lee [42]提出了一种基于图论的推荐算法，该算法使用用户的评分来创建无向图，然后使用熵计算来找到新颖的和多样的推荐项目。Ren等人[43]采用跨学科的方法，提出了一种定向加权传导多样化算法，该算法以Gini指数和热传导过程为基础，以改进推荐的新颖性和多样性。Bedi等人[44]提出一种聚类方法为新闻推荐引入合理的多样性，并且也为新颖的推荐提供了解释，进一步提高了用户体验质量。Di Noia等人[45]通过用户多样性偏好建模的方式来解决多样性问题，然后使用该模型对推荐列表进行再次排序。

很多多样性方法都是通过对现有的方法生成的推荐列表进行重新排序的方法，统称为后过滤技术。

实际上现有的算法已经实现了一定程度上的多样性，再次排序的目的是进一步提升多样性。这些算法大多采用的是协同过滤[41] [42]或基于内容的推荐。Choi等[34]提出的方法明显不同于上述方法，他们是在推荐过程中进行项目的多样化。Lathia [37]并没有提出多样化的推荐方法而是着眼于在不改变任何的项目的前提下测量推荐列表的整体多样性。

4. 存在的问题

目前多样性的研究还存在两个主要的问题：第一所有研究人员都认为多样性是重要的并且应该进行正确评价，但在评价标准上却很难取得一致。一些评价指标(如推荐列表的多样性)经常会被研究人员使用，但是仍然没有一个统一的标准作为首选的多样性度量指标。第二是根据许多研究结果，多样性的增加并不一定意味着牺牲准确性，因为使用正确的方法实际上会使两者的同时增加。这是非常重要的，因为这给新算法的设计提供了更大的灵活性，也意味着还有改进的空间。多样化研究领域很多挑战依然存在，主要可以总结为下面几个方面：

1) 尽管目前的很多研究都是针对实时用户的研究，但是真正从用户的角度来研究多样性还不够充分。

用户如何定义多样性，用户如何理解和感受多样性，不同的用户对于多样性的需求又有什么不同，考虑这些内容后如何利用这些知识来制定适当的多样性措施，扩展多样性定义。所以对于对用户问题的进一步研究有助于对多样性的完整客观的认识。

2) 对于多样性的研究至少在某些方面是高度主观的，因此在研究中可能需要用到包括心理学等在内

的一些其它研究领域的知识来制定新的多样性措施。

3) 在推荐过程中应考虑多样性，而不仅仅是在后推荐过程中。如果推荐系统出现过度拟合的情况，

所推荐项目或多或少都会出现相似的情况，导致多样化过程失败。因此，多样化过程应该从推荐过程开始时开始，并贯穿整个推荐过程，包括预测评分、相似性计算等。

5. 结束语

推荐系统的多样化已成为解决过度拟合问题的主要策略之一。在很多文献中，多样性也作为一项研究挑战被提出来，证明了研究的重要性。准确性与总体多样性、准确性与个体多样性或者总体多样性与个体多样性之间的关系是未来多样性研究的重要领域，如何有效地设计推荐方法，协调三者之间的关系，这也是多样性研究的下一步内容。

基金项目

天津市自然科学基金企业科技特派员项目(17JCTPJC55100)。

姜书浩等

参考文献

[1]Salton, G. and McGill, M. (1986) An Introduction to Modern Information Retrieval. McGraw-Hill, New York.

[2]Anhanger, G. and Little, T. (2001) Data Semantics for Improving Retrieval Performance of Digital News Video Sys-

tems. IEEE Transactions on Knowledge and Data Engineering, 13, 352-360.https://https://www.sodocs.net/doc/2318719034.html,/10.1109/69.929894

[3]Uchygit, G. and Clark, K. (2002) An Agent Based Electronic Program Guide. Proceedings of AH’2002Workshop

Person, Personalization in Future TV, Madrid, May 2002, 46-58.

[4]Kurapati, K., Gutta, S., Schaffer, D., Martino, J. and Zimmerman, J. (2001) A Multi Agent Recommender. Proceedings

UM 2001 Workshop Person, Personalization in Future TV, Sonthofen, 13-17 July 2001, 76-84.

[5]Bezzera, B., de Carvalho, F., Ramalho, G. and Zucker, J. (2002) Speeding up Recommender Systems with Meta-Prototypes.

In: Advances Artificial Intelligence, Springer Lecture Notes Computer Science, Springer, Berlin, 227-236.

https://https://www.sodocs.net/doc/2318719034.html,/10.1007/3-540-36127-8_22

[6]Yuan, J., Yu, Y., Xiao, X. and Li, X. (2001) Svm Based Classification Mapping for User Navigation. IEEE Transac-

tions on Knowledge and Data Engineering, 13, 352-360.

[7]Pogacnik, M. (2004) Uporabniku Prilagojeno Iskanje Multimedijskih Vsebin. PhD Thesis, Univ. of Ljubljana, Ljubl-

jana.

[8]Hand, D., Mannila, H. and Smyth, P. (2001) Principles of Data Mining. MIT Press, Cambridge.

[9]Crabtree, B. and Soltysiak, J. (1998) Identifying and Tracking Changing Interests. International Journal on Digital Li-

braries, 2, 38-53.https://https://www.sodocs.net/doc/2318719034.html,/10.1007/s007990050035

[10]Mirkovic, J., Cvetkovic, D., Tomca, N., et al. (1999) Genetic Algorithms for Intelligent Internet Search: A Survey and

a Package for Experimenting with Various Locality Types. IEEE TCCA Newsletter, 77-87.

[11]Manjunath, B., Salembier, P. and Sikora, T. (2002) Introduction to MPEG-7 Multimedia Content Description Interface.

John Wiley & Sons, Chichester.

[12]Dififino, A., Negro, B. and Chiarotto, A. (2002) A Multi Agent System for a Personalized Electronic Program Guide.

Proceedings of AH’2002 Workshop Person, Personalization in Future TV, Madrid, May 2002, 154-161.

[13]Ricci, F., Rokach, L., Shapira, B. and Kantor, P. (2011) Recommender Systems Handbook. Springer, Berlin, 1.

[14]Abbassi, Z., Amer-Yahia, S., Lakshmanan, L., Vassilvitskii, S. and Yu, C. (2009) Getting Recommender Systems to

Think outside the Box. Proceedings of the 3rd ACM Conference on Recommender Systems, New York, 23-25 October 2009, 285-288.https://https://www.sodocs.net/doc/2318719034.html,/10.1145/1639714.1639769

[15]Fleder, D. and Hosanagar, K. (2007) Recommender Systems and Their Impact on Sales Diversity. Proceedings of the

8th ACM Conference on Electronic Commerce, San Diego, 11-15 June 2007, 192-199.

https://https://www.sodocs.net/doc/2318719034.html,/10.1145/1250910.1250939

[16]Clarke, C., Kolla, M., Cormack, G., Vechtomova, O., Ashkan, A., Buttcher, S. and MacKinnon, I. (2008) Novelty and

Diversity in Information Retrieval Evaluation. International ACM SIGIR Conference on Research and Development in Information Retrieval, Singapore, 20-24 July 2008, 659-666.https://https://www.sodocs.net/doc/2318719034.html,/10.1145/1390334.1390446

[17]Vargas, S. (2011) New Approaches to Diversity and Novelty in Recommender Systems. 3rd BCS IRSG Symposium on

Future Directions in Information Access, Koblenz, 8-13.

[18]Castells, P., Vargas, S. and Wang, J. (2011) Novelty and Diversity Metrics for Recommender Systems: Choice, Dis-

covery and Relevance. Workshop on Diversity in Document Retrieval (DDR 2011) at the 33rd European Conference on Information Retrieval (ECIR 2011), Dublin, 18 April 2011, 29-36.

[19]Hu, R. and Pu, P. (2011) Helping Users Perceive Recommendation Diversity. Workshop on Novelty and Diversity in

Recommender Systems, Chicago, 23 October 2011, 43-50.

[20]Vargas, S. (2012) Novelty and Diversity Enhancement and Evaluation in Recommender Systems. Master’s Thesis,

Autonomous University of Madrid, Madrid.

[21]Castagnos, S., Brun, A. and Boyer, A. (2013) When Diversity Is Needed...But Not Expected! The 3rd International

Conference on Advances in Information Mining and Management, Lisbon, 19-24 November 2013, 44-50.

[22]L’Huillier, A., Castagnos, S. and Boyer, A. (2014) Understanding Usages by Modeling Diversity over Time. 22nd In-

ternational Conference, UMAP, Aalborg, 7-11 July 2014, 81-86.

[23]Jiang, H., Qi, X. and Sun, H. (2014) Choice-Based Recommender Systems: A Unified Approach to Achieving Rele-

vancy and Diversity. Operations Research, 62, 973-993.https://https://www.sodocs.net/doc/2318719034.html,/10.1287/opre.2014.1292

[24]Adomavicius, G. and Kwon, Y. (2012) Improving Aggregate Recommendation Diversity Using Ranking-Based Tech-

niques. IEEE Transactions on Knowledge and Data Engineering, 24, 896-911.https://https://www.sodocs.net/doc/2318719034.html,/10.1109/TKDE.2011.15 [25]Hurley, N. and Zhang, M. (2011) Novelty and Diversity in Top-n Recommendation Analysis and Evaluation. ACM

姜书浩等

Transactions on Internet Technology, 10, 14.https://https://www.sodocs.net/doc/2318719034.html,/10.1145/1944339.1944341

[26]Ge, M., Gedikli, F. and Jannach, D. (2011) Placing High-Diversity Items in Top-N Recommendation Lists. ITWP 2011,

Barcelona, 49-58.

[27]Tintarev, N., Dennis, M. and Masthoff, J. (2013) Adapting Recommendation Diversity to Openness to Experience: A

Study of Human Behaviour. Proceedings of UMAP, Rome, 10-14 June 2013, 190-202.

https://https://www.sodocs.net/doc/2318719034.html,/10.1007/978-3-642-38844-6_16

[28]Aytekin, T. and Karakaya, M. (2014) Clustering-Based Diversity Improvement in Top-N Recommendation. Interna-

tional Journal of Business Information Systems, 42, 1-18.https://https://www.sodocs.net/doc/2318719034.html,/10.1007/s10844-013-0252-9

[29]Javari, A. and Jalili, M. (2014) A Probabilistic Model to Resolve Diversity—Accuracy Challenge of Recommendation

Systems. Knowledge and Information Systems, 44, 609-627.https://https://www.sodocs.net/doc/2318719034.html,/10.1007/s10115-014-0779-2

[30]Ribeiro, M., Lacerda, A., de Moura, E., Hata, I., Veloso, A. and Ziviani, N. (2015) Multi-Objective Pareto-Efficient

Approaches for Recommender Systems. ACM Transactions on Intelligent Systems and Technology, 5, Article No. 53.

https://https://www.sodocs.net/doc/2318719034.html,/10.1145/2629350

[31]Boim, R., Milo, T. and Novgorodov, S. (2011) Diversification and Refinement in Collaborative Filtering Recommend-

er. CIKM’11, Glasgow, 24-28 October 2011, 739-744.https://https://www.sodocs.net/doc/2318719034.html,/10.1145/2063576.2063684

[32]Smyth, B. and McClave, P. (2001) Similarity vs. Diversity. In: Case-Based Reasoning Research and Development,

Springer, Berlin, 347-361.https://https://www.sodocs.net/doc/2318719034.html,/10.1007/3-540-44593-5_25

[33]Adomavicius, G. and Kwon, Y. (2008) Overcoming Accuracy-Diversity Tradeoff in Recommender Systems: A Va-

riance-Based Approach. 18th Workshop on Information Technology and Systems, Braunschweig, 141-153.

[34]Hurley, N. and Zhang, M. (2011) Novelty and Diversity in Top-N Recommendation—Analysis and Evaluation. ACM

Transactions on Internet Technology, 10, 14-21.https://https://www.sodocs.net/doc/2318719034.html,/10.1145/1944339.1944341

[35]Pathak, A. and Patra, B.K. (2015) A Knowledge Reuse Framework for Improving Novelty and Diversity in Recom-

mendations. In: Proceedings of the 2nd ACM IKDD Conference on Data Sciences, ACM, New York, 11-19.

https://https://www.sodocs.net/doc/2318719034.html,/10.1145/2732587.2732590

[36]Vargas, S. (2014) Novelty and Diversity Enhancement and Evaluation in Recommender Systems. International ACM

SIGIR Conference on Research, Gold Coast, 6-11 July 2014, 1281-1281.https://https://www.sodocs.net/doc/2318719034.html,/10.1145/2600428.2610382

[37]Park, Y.J. (2013) The Adaptive Clustering Method for the Long Tail Problem of Recommender Systems. IEEE Trans-

actions on Knowledge and Data Engineering, 25, 1904-1915.https://https://www.sodocs.net/doc/2318719034.html,/10.1109/TKDE.2012.119

[38]Fleder, D. and Hosanagar, K. (2009) Blockbuster Culture’s Next Rise or Fall: The Impact of Recommender Systems

on Sales Diversity. Management Science, 55, 697-712.https://https://www.sodocs.net/doc/2318719034.html,/10.1287/mnsc.1080.0974

[39]Adomavicius, G. and Kwon, Y. (2012) Improving Aggregate Recommendation Diversity Using Ranking-Based Tech-

niques. IEEE Transactions on Knowledge and Data Engineering, 24, 896-911.https://https://www.sodocs.net/doc/2318719034.html,/10.1109/TKDE.2011.15

[40]Basile, P., Musto, C., de Gemmis, M., Lops, P., Narducci, F. and Semeraro, G. (2014) Aggregation Strategies for

Linked Open Data-Enabled Recommender Systems. European Semantic Web Conference, Rome, 369-378.

[41]Ho, Y.-C., Chiang, Y.-T. and Hsu, Y.-J. (2014) Who Likes It More? Mining Worth-Recommending Items from Long

Tails by Modeling Relative Preference. 7th ACM International Conference on Web Search and Data Mining, New

York, 24-28 February 2014, 253-262.

[42]Lee, K. and Lee, K. (2015) Escaping Your Comfort Zone: A Graph-Based Recommender System for Finding Novel

Recommendations among Relevant Items. Expert Systems with Applications, 42, 4851-4858.

https://https://www.sodocs.net/doc/2318719034.html,/10.1016/j.eswa.2014.07.024

[43]Ren, X., Lu, L., Liu, R. and Zhang, J. (2014) Avoiding Congestion in Recommender Systems. New Journal of Physics,

16, Article ID: 063057.https://https://www.sodocs.net/doc/2318719034.html,/10.1088/1367-2630/16/6/063057

[44]Bedi, P., Agarwa, S., Singhal, A., Jain, E. and Gupta, G. (2015) A Novel Semantic Clustering Approach for Reasona-

ble Diversity in News Recommendations. The International Conference on “Computational Intelligence in Data Min-

ing”, Odisha, 5-6 December 2015, 437-445.https://https://www.sodocs.net/doc/2318719034.html,/10.1007/978-81-322-2205-7_41

[45]di Noia, T., Ostuni, V., Rosati, J., Tomeo, P. and di Sciascio, E. (2014) An Analysis of Users’ Propensity toward Di-

versity in Recommendations. 8th ACM Conference on Recommender Systems, Foster City, 6-10 October 2014,

285-288.https://https://www.sodocs.net/doc/2318719034.html,/10.1145/2645710.2645774

知网检索的两种方式：

1. 打开知网页面https://www.sodocs.net/doc/2318719034.html,/kns/brief/result.aspx?dbPrefix=WWJD

下拉列表框选择：[ISSN]，输入期刊ISSN：2325-2286，即可查询2. 打开知网首页https://www.sodocs.net/doc/2318719034.html,/

左侧“国际文献总库”进入，输入文章标题，即可查询

投稿请点击：https://www.sodocs.net/doc/2318719034.html,/Submission.aspx

期刊邮箱：sea@https://www.sodocs.net/doc/2318719034.html,

国内外大学生个性化职业生涯规划指导研究综述-陈美婧.教学总结

2013年 Vol.28 No.12南昌教育学院学报高等教育收稿日期:2013-11-21 作者简介:陈美婧(1984-,女,福建南平人,研究实习员,泉州师范学院就业指导中心科员,从事大学生就业指导工作研究。基金项目:2012年度泉州师范学院校级自选项目(项目编号2012XGB02。一、引言据测算,在整个“十二五”期间,我国高校毕业生将处于一个就业人数的高峰期,年均达到700万人左右,就业形势极为严峻。加强职业生涯规划指导工作,帮助了解并突破学生个体就业的瓶颈,引导学生主动就业,可以很大程度地缓和这一社会矛盾。目前,高校的就业指导通常是利用讲座和课程的形式介绍就业政策、求职常识等应急性内容,缺乏针对性和系统性。指导形式单一,内容单调,使得职业指导收效微弱。而大学生普遍希望学校针对其个性特点帮助设计职业人生,即为提供个性化职业生涯规划指导。个性化职业生涯规划指导是当前高等教育中一个较新的理念,它提倡以生为本,顺应科学发展观的要求,体现了高校教育从管理向服务的转变,对增强大学生职业生涯规划指导工作的针对性、有效性,提高高等教育的质量具有重要的现实意义。二、国外相关研究综述 (一理论研究相对来讲,国外职业生涯理论已逐步趋于完善和成熟,主要的相关理论有职业人格理论、职业锚理论、生涯发展理论等。西方学者的研究从各个维度涉猎了职业生涯规划指导理论的不同领域。美国作为职业指导理论的发源地,较早在学校中进行职业生涯教育,职业生涯教育已成为学校咨询活动和心理辅导的重要组成部分。美国在职业生涯规划指导相关的理论和实践研究上经历了五个发展阶段:第一阶段强调学生的特性与职业因素相

个性化推荐系统分析与设计

课程设计报告课程名称系统分析设计与开发方法课题名称个性化推荐系统的分析与设计专业信息管理与信息系统班级1002 学号201003110215 姓名黄天玲指导教师唐志航 2014年元月4 日

一、设计内容与设计要求 1．设计内容：见附录 2．设计要求： 1）．设计正确，方案合理。 2）．界面友好，使用方便。 3）．建模语言精炼，结构清晰。 4）．设计报告4000字以上，含建模语言说明，用户使用说明，UML建模图。 5）．上机演示。二、进度安排第十七周星期四下午：课题讲解，查阅资料、系统分析星期五上午：总体设计、详细设计第十八周星期一：建模，上机调试、撰写课程设计报告星期二下午：答辩附：课程设计报告装订顺序：封面、任务书、目录、正文、评分、附件（A4大小的图纸及程序清单）。正文的格式:一级标题用3号黑体,二级标题用四号宋体加粗,正文用小四号宋体;行距为22。

设计课题：个性化推荐系统的分析与设计一、问题描述：对网络购物个性化推荐系统进行分析与设计，对购物流程进行分析，对购物中关键环节进行设计，实现对商品的录入、显示、修改、排序、保存、销售、售后服务以及客户管理等操作实现推荐结果准确性、推荐结果多样性、用户交互度、系统界面设计、系统交互设计、推荐透明度(推荐解释)。二、功能要求： 1、用UML完成一个小型团购系统的分析、设计。 2、写出系统需求报告，说明系统的功能。 3、通过面向对象的分析和设计建立系统模型。 4、画出完整的用例图、类图、对象图、包图;及时序图、协作图、状态图、活动图；及组件图和配置图）三、建模提示： 1、使用Enterprise Architect 8.0建模。 2、使用 Ration Rose 或StarUML建模。四、其它对该系统有兴趣的同学可以在实现上述基本功能后，完善系统的其它功能，特别是售后以及客户关系管理。

客户关系管理研究综述

客户关系管理研究综述摘要:文章通过对国内外有关客户关系管理文献的研究，回顾了客户管理理论的发展历程，梳理了其理论发展脉络，分析了目前研究的主要成果，进而展望了客户关系管理的发展趋势。关键词：客户关系管理；管理理念；管理技术；管理体制随着新经济时代的来临, 企业的战略中心正从“以产品为核心”向“以客户为核心”转变。客户已经成为企业最重要的资源。CRM 的产生, 是市场需求和管理理念更新的需要, 是企业管理模式和企业核心竞争力提升的要求,是电子化浪潮和信息技术支持等因素推动和促成的结果。客户关系管理的理论基础来源于西方的市场营销理论,最早诞生于20 世纪90 年代的美国, 其前身是80 年代的接触管理和90 年代初的客户关怀,在美国最早产生并得以迅速发展回顾客户关系管理的提出及发展过程,国内外学者和软件企业做了大量工作,相关的研究分析主要从以下角度展开。一、基于CRM 为管理理念的研究这种观点把CRM 定义为一种管理理念, 并在此基础上展开研究。CRM 的核心思想是将企业的客户(包括最终客户、分销商和合作伙伴)视为最重要的企业资产,通过完善的客户服务和深入的客户分析来满足客户的个性化需求, 提高客户的满意度和忠诚度, 进而保证客户终生价值和企业利润增长的实现。这方面学者往往从组织结构、企业文化、战略管理、核心竞争力等角度来研究. 1.国外研究 20 世纪90 年代中期Gartner Group 率先提出客户关系管理思想。Garther Group 认为: CRM 是企业的一项商业策略, 它按照客户细分情况有效地组织企业资源, 培养以客户为中心的经营行为及实施以客户为中心的业务流程, 并以此来最大化企业的获利能力、收入及客户满意度。商业战略家和演讲家弗列德·威尔斯马在《客户联盟》中通过对大量国际上享有盛名企业的调查和细致研究,全面阐述了被这些成功企业大量运用并被证明是行之有效的新型商业运作模式—客户联盟,同时对客户关系管理及客户联盟的概念及关系做了深入的阐述;罗杰·卡特怀特的《掌握顾客关系》中指出:使顾客满意已不再是最终目标，只有让顾客感到愉悦才能带来回头客的生意,而这才是最重要的;品牌创建、发展和管理方面最杰出的世界顶级专家保罗·唐波拉,马丁·特鲁特在《与客户亲密接触:通过客户关系管理实现品牌价值最大化》一书中, 讨论了品牌建设中的CRM 原理, 想品牌获得成功,必须彻底转向以客户为中心,进行“结构思维的变化”,建立严格以客户为中心的公司,将所有精力放在客户身上,并给员工授权为客户提供好的服务。 2.国内研究国外先进管理理念的传入信息代的到来,为我国客户关系管理研究奠定了理论基础和技术支持。严格地说, CRM 的理念全面在中国传播开始于1999 年。1999 年8 月6日朗讯科技(中国) 公司商业通讯系统部在北京举办了以/ 营造完美电信呼叫中心0 为主题的研讨会, 介绍了其全新的客户关系管理( CRM ) 解决方案, 并强调指出, 商业部门必须着眼于客户关系, 提供独具特色的个性化服务, 才能在网络经济时代立于不败之地。1999年9月27 日《计算机世界》报连载Oracle 细说客户关系管理( CRM )文章。陈旭研究了CRM 的内涵和管理思想, 分析了CRM 的主要功能，辨析了CRM 与SCM 和ERP 的关系,讨论了CRM 的发展趋势;成栋、宋远方在研究当前各种客户关系管理的管理理论的基础上提出了客户关系管理的理论框架体系,以澄清客户关系管理与其他管理理论的关系；安实等分析了CRM 价值创造机理,指出目前对客户关系管理的应用研究忽视了CRM 项目的理念基础和人的因素。二、基于CRM 为管理机制的研究

个性化推荐系统研究综述

个性化推荐系统研究综述【摘要】个性化推荐系统不仅在社会经济中具有重要的应用价值，而且也是一个非常值得研究的科学问题。给出个性化推荐系统的定义，国内外研究现状，同时阐述了推荐系统的推荐算法。最后对个性化推系统做出总结与展望。【关键词】推荐系统；推荐算法；个性化 1.个性化推荐系统 1.1个性化推荐系统的概论推荐系统是一种特殊形式的信息过滤系统（Information Filtering），推荐系统通过分析用户的历史兴趣和偏好信息，可以在项目空间中确定用户现在和将来可能会喜欢的项目，进而主动向用户提供相应的项目推荐服务[1]。传统推荐系统认为推荐系统通过获得用户个人兴趣，根据推荐算法，并对用户进行产品推荐。事实上，推荐系统不仅局限于单向的信息传递，还可以同时实现面向终端客户和面向企业的双向信息传递。一个完整的推荐系统由3个部分组成：收集用户信息的行为记录模块，分析用户喜好的模型分析模块和推荐算法模块，其中推荐算法模块是推荐系统中最为核心的部分。推荐系统把用户模型中兴趣需求信息和推荐对象模型中的特征信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。 1.2国内外研究现状推荐系统的研宄开始于上世纪90年代初期，推荐系统大量借鉴了相关领域的研宄成果，在推荐系统的研宄中广泛应用了认知科学、近似理论、信息检索、预测理论、管理科学以及市场建模等多个领域的知识。随着互联网的普及和电子商务的发展，推荐系统逐渐成为电子商务IT技术的一个重要研究内容，得到了越来越多研究者的关注。ACM从1999年开始每年召开一次电子商务的研讨会，其中关于电子商务推荐系统的研究文章占据了很大比重。个性化推荐研究直到20世纪90年代才被作为一个独立的概念提出来。最近的迅猛发展，来源于Web210技术的成熟。有了这个技术，用户不再是被动的网页浏览者，而是成为主动参与者[2]。个性化推荐系统的研究内容和研究方向主要包括：（1）推荐系统的推荐精度和实时性是一对矛盾的研究；（2）推荐质量研究，例如在客户评价数据的极端稀疏性使得推荐系统无法产生有效的推荐，推荐系统的推荐质量难以保证；（3）多种数据多种技术集成性研究；（4）数据挖掘技术在个性化推荐系统中的应用问题，基于Web挖掘的推荐系统得到了越来越多研究者的关注；（5）由于推荐系统需要分析用户购买习惯和兴趣爱好，涉及到用户隐私问题，如何在提供推荐服务的

个性化推荐算法概述与展望

Hans Journal of Data Mining 数据挖掘, 2019, 9(3), 81-87 Published Online July 2019 in Hans. https://www.sodocs.net/doc/2318719034.html,/journal/hjdm https://https://www.sodocs.net/doc/2318719034.html,/10.12677/hjdm.2019.93010 Overview and Prospect of Personalized Recommendation Algorithm Xinxin Li Dalian University of Foreign Languages, Dalian Liaoning Received: Jun. 19th, 2019; accepted: Jul. 2nd, 2019; published: Jul. 9th, 2019 Abstract In recent years, the word “information overload” frequently appears in people’s vision, it has be-come a hot word in the field of computer, and it is also an important problem that researchers ur-gently need to solve. In order to solve the problem of information overload, researchers in the field of computer constantly optimize the personalized recommendation algorithm, strive to re-duce the difficulty of information retrieval for users, to provide users with the best personalized recommendation results. This paper gives a brief overview of the personalized recommendation methods which are widely used and common. Combined with the experience of using personalized recommendation algorithm to generate results in daily life, the author puts forward expectations for the development of personalized recommendation algorithm in the future. Keywords Personalized Recommendation, Collaborative Filtering, Hybrid Recommendation 个性化推荐算法概述与展望李鑫欣大连外国语大学，辽宁大连收稿日期：2019年6月19日；录用日期：2019年7月2日；发布日期：2019年7月9日摘要近年来，“信息过载”一词频繁出现在人们的视野中，它成为了计算机相关领域中的热门词汇，同时它也是研究人员急待解决的重要问题。为解决信息超载的问题，计算机领域研究人员不断优化个性化推荐

个性化推荐知识汇总

一基于协同过滤(collaborative filtering，CF)的推荐系统通过收集来自其他相似用户或项目的评价信息，自动预测当前用户的兴趣偏好。协同过滤的基本假设是用户会更喜欢那些相似用户偏爱的商品，已被广泛应用在一些大型的商业系统，如亚马逊和阿里巴巴等。目前，协同过滤算法主要包括基于内存的、基于模型的以及二者相混合的推荐技术”。使用最多的模型是k最近邻(k-nearest neighbor，kNN)协同过滤技术，包括基于用户推荐和基于项目推荐两种技术。一般说来，本体描述了某个应用领域的概念和概念之间的关系，使得它们具有唯一确定的含义，获得该领域的相关知识，提供对该领域知识的共同理解，便于用户和计算机之间进行交流。 OntoECRec推荐模型二 1995年，卡内基·梅隆大学的A．RDben等人在美国人工智能协会上提出了个性化导航系统we-watcher，真正标志着个性化服务的开始；1997年3月，(communications of the AcM)。组织了个性化推荐系统的专题报道，标志着个性化服务已经被技术界高度重视；1999年，德国Dresden技术大学的J．Tania 实现了个性化电子商务原型系统TELLIM，标志着个性化服务开始向全球发展；2000年，NEc研究院的D．B．Kurt等人为搜索引擎atesecr增加了个性化推荐功能，实现citeseer的个性化。2001年，纽约大学的GediminaS Adomavicius 和Alexander Tuzhilin实现了个性化电子商务网站的用户建模系统1：1Pro。个性化推荐服务体系结构中，信息收集模块是个性化服务系统的基础模块。用户的信息包括了用户的个人基本资料、购买的历史记录及浏览记录等。个人基本资料可以从用户注册表单中获得；购买的历史记录主要存放于电子商务网站的后台交易数据库中，包含了每位用户以前历次购物的详细情况记录，如购物时间、商品清单、价格、折扣等，同时也可以收集用户放入购物篮而未购买的商品记录，以及用户过去浏览过的商品信息等。当然要搜集用户的行为信息，日志文件是必不可少的，如要收集服务器日志，则要在服务器端获取，抽取出特定用户的访问记录；如要收集用户浏览的页面和浏览行为，则既可以在用户端获得，也可以在服务器端从用户记录中获得。

个性化推荐技术综述

个性化推荐技术综述在互联网时代，各类信息层出不穷，用户往往面临着“信息过载”的困扰，难以在大量信息中找到有价值的信息。而个性化推荐则通过用户的兴趣特点和历史行为快速高效的为用户推荐用户感兴趣的信息或商品。通常情况下，根据推荐方式的不同，推荐技术大概可以分为以下几个类型： 1.协同过滤的推荐算法协同过滤推荐算法由Goldberg、Nicols、Oki和Terry 在1992年提出，该算法应用在Tapestry系统。Breese 等人将协同过滤推荐技术分为两种类型，一种是基于内存的协同过滤方法，另一种是基于模型的协同过滤方法，各自常用的算法如图1所示。基于内存的协同推荐( memory-based collaborative filtering) 也称为启发式的协同推荐，主要直接利用用户的历史数据来提供预测结果。根据相似性度量的对象的不同，基于内存的协同过滤又分为User-based 协同过滤和Item-based协同过滤。User-based 协同过滤的基本原理是如果一些用户对一些物品评价的分数比较接近，那么通常情况下他们评价其它物品的分数也会很接近。那么我们要得到某个用户对物品的评分时，就可用和该用户评分相似的其他用户对目标物品的评分去估计。Item-based协同过滤的基本原理是如果一些物品的典型特征具有相似性，那么同一个用户对他们的评分是接近的。基于上述原则，如果我们得到用户对和目标物品相似的其它物品的评分时，那么我们就可以通过这些分数来逼近用户对目标物品的评分。基于模型（Model-based）的推荐算法是首先通过用户-项目评分矩阵训练得到一个决策模型，在为目标用户进行推荐时，利用该离线模型为用户进行预测产生推荐结果。大致理念就是通过机器学习算法，在数据中找出模式，并将用户与物品间的互动方式模式化。

个性化推荐系统的文献综述

个性化推荐系统在电子商务网站中的应用研究一、引言随着Internet的普及，信息爆炸时代接踵而至，海量的信息同时呈现，使用户难以从中发现自己感兴趣的部分，甚至也使得大量几乎无人问津的信息称为网络总的“暗信息”无法被一般用户获取。同样，随着电子商务迅猛发展，网站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。个性化推荐，被认为是当前解决信息超载问题最有效的工具之一．推荐问题从根本上说就是从用户的角度出发，代替用户去评估其从未看过的产品，使用户不只是被动的网页浏览者，而成为主动参与者。准确、高效的推荐系统可以挖掘用户的偏好和需求，从而成为发现用户潜在的消费倾向，为其提供个性化服务。在日趋激烈的竞争环境下，个性化推荐系统已经不仅仅是一种商业营销手断，更重要的是可以增进用户的黏着性。本文对文献的综述包括个性化推荐系统的概述、常用的个性化推荐系统算法分析以及个性化推荐系统能够为电子商务网站带来的价值。二、个性化推荐系统概述个性化推荐系统是指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。它是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。购物网站的推荐系统为客户推荐商品，自动完成个性化选择商品的过程，满足客户的个性化需求，推荐基于：网站最热卖商品、客户所处城市、客户过去的购买行为和购买记录，推测客户将来可能的购买行为。 1995年3月，卡内基梅隆大学的Robert Armstrong等人在美国人工智能协会首次提出了个性化导航系统Web-Watcher，斯坦福大学的Marko Balabanovic 等人在同一次会议上推出了个性化推荐系统LIRA。同年8月，麻省理工学院的

个性化服务——一些内涵

个性化服务是一种有针对性的服务方式，根据用户的设定来实现，依据各种渠道对资源进行收集、整理和分类，向用户提供和推荐相关信息，以满足用户的需求。从整体上说，个性化服务打破了传统的以被动服务模式，能够充分利用各种资源优势，主动开展以满足用户个性化需求为目的的全方位服务。个性化服务，作为一种服务思想和经营理念，不同的学者都提出了自己的见解。史丹（2006）指出所谓个性化服务（Personal Service），是指以顾客需求为中心，在满足顾客共性需求的基础上，针对顾客的个性特点和特殊需求，主动积极的为顾客提供差异性的服务，让顾客有一种自豪感、满足感，留下深刻的印象，赢得他们的忠诚而成为回头客。[14] 苏洪文（2002）认为个性化服务，是服务人员根据每位宾客的特别要求，提供相应的优质服务，使其在接受服务的同时满足生理、心理要求。[3] 邱萍（2004）认为个性化服务又称特殊服务，是服务人员在标准化的服务基础上，针对客人不同的兴趣爱好和个别要求所提供的服务，具有鲜明的针对性和灵活性。张延、金惠君（2005）认为：个性化服务( Personalized Service 或Individualized Service)有两层含义:一是指以标准化服务为基础,但不囿于标准,而是以客人需要为中心去提供各有针对性的差异化服务及超常规的特殊服务,以便让接受服务的客人有一种自豪感和满足感,并赢得他们的忠诚;二是指服务企业提供有自己个性和特色的服务项目。[23] 以上所列的四种定义是比较有代表性的。业界对个性化服务没有统一的定义，很多研究者都认为个性化服务是针对客人的个别的、特殊的需求提供的。邱萍和张延等人认为个性化服务是以标准化服务为基础，苏洪文认为个性化服务是满足客人生理、心理要求的优质服务，把心理要求的满足突出来。史丹则是从顾客需求的角度，指出个性化服务能够使顾客获得自豪感和满足感而成为回头客，这是个性化服务的结果和目标。相比苏洪文，史丹把客人心理精神方面的满足更加具体化。张延的定义还扩展到饭店本身的个性和特色项目，比起其它三个定义内涵进一步扩展，这个定义也更加符合个性化服务的发展方向。二、个性化服务内涵苏洪文（2002）认为个性化服务内涵包括两个方面：满足顾客的个性化需求和体现员工的个性。并把它分为：灵活服务、癖好服务、意外服务、自选服务、心理服务和全能大师服务。苏洪文从员工与顾客的服务关系的角度来说明个性化服务的内涵，并且最先把个性化服务的内容分为六种形式，基本把个性化服务的内容包括进去。和苏洪文的观点不同，李晴（2006）认为个性化服务的内涵有3层：一是服务人员根据服务对象的特别需要提供有针对性的服务，并对客人的各种个别的需要进行归类、整理与分析,推出符合不同客人个性要求的服务；二是针对客人个性需要提供“特别关照”和“区别对待”的服务；三是既满足客人的个性化,又发挥企业和服务人员的个性特色。以上三方面的内容比起苏洪文内涵扩大了，指出要对客人的各种需求进行个归类、整理分析，找出规律以便为更多客人提供个性化服务。

个性化推荐算法概述与展望

个性化推荐算法概述与展望近年来，随着网络信息技术的不断发展与进步，网民数量激增，网络覆盖率日益增高。互联网行业发展迅速，购物、出行、医疗、教育等生产生活中的方方面面都有着“互联网+”的影子。在这个网络化、信息化的时代，网络技术已经在潜移默化地影响着、改变着人们的生活方式与思想观念。“信息过载”一词频繁出现在人们的视野中，它成为了计算机相关领域中的热门词汇，同时它也是研究人员急待解决的重要问题。为解决信息超载的问题，计算机领域研究人员不断优化个性化推荐算法，力求降低用户的信息检索难度，为用户提供最优的个性化推荐结果。在汉斯出版社《数据挖掘》期刊中，有论文对于应用范围较广、较为常见的个性化推荐方法做出简要的概述，并结合日常生活中使用个性化推荐算法生成结果的经历，对未来个性化推荐算法的发展提出期望。基于信息超载的情况，个性化推荐算法应运而生。个性化推荐系统通过挖掘用户在网络上留下的“信息足迹”，采集并分析用户的网络行为与消费偏好，根据不同的推荐算法将精准的、契合度高的内容推荐给用户。个性化推荐算法的产生与发展极大地便利了人们的生产与生活，对于用户而言，不用再为在海量的信息中检索需要的内容而苦恼，对于商家而言能够更好地分析用户行为，提高竞争力与实现经济效益的最大化增长。个性化推荐方法分为协同过滤推荐、基于内容的推荐以及混合推荐。协同过滤推荐主要思想是通过现有的用户群以往的意见和行为，对当前用户最有可能感兴趣的物品进行预测。基于内容推荐是指通过掌握的物品特征的描述和描述了用户历史兴趣的记录，确定最能匹配用户喜爱的物品并推荐给用户。混合推荐算法来提高推荐结果的准确程度，是为克服协同过滤算法、基于内容算法等其他算法的局限性、提高个性化推荐结果的精准度，研究者将两种

个性化推荐系统的文献综述

个性化推荐系统的文献综述个性化推荐系统在电子商务网站中的应用研究一、引言随着Internet的普及，信息爆炸时代接踵而至，海量的信息同时呈现，使用户难以从中发现自己感兴趣的部分，甚至也使得大量几乎无人问津的信息称为网络总的“暗信息”无法被一般用户获取。同样，随着电子商务迅猛发展，网站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。个性化推荐，被认为是当前解决信息超载问题最有效的工具之一．推荐问题从根本上说就是从用户的角度出发，代替用户去评估其从未看过的产品，使用户不只是被动的网页浏览者，而成为主动参与者。准确、高效的推荐系统可以挖掘用户的偏好和需求，从而成为发现用户潜在的消费倾向，

为其提供个性化服务。在日趋激烈的竞争环境下，个性化推荐系统已经不仅仅是一种商业营销手断，更重要的是可以增进用户的黏着性。对文献的综述包括个性化推荐系统的概述、常用的个性化推荐系统算法分析以及个性化推荐系统能够为电子商务网站带来的价值。二、个性化推荐系统概述个性化推荐系统是指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。它是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。购物网站的推荐系统为客户推荐商品，自动完成个性化选择商品的过程，满足客户的个性化需求，推荐基于：网站最热卖商品、客户所处城市、客户过去的购买行为和购买记录，推测客户将来可能的购买行为。1995年3月，卡内基?梅隆大学的Robert Armstrong等人在美国人工智能协会首次提出了个性化导航系统

个性化推荐系统中的多样性综述

Software Engineering and Applications 软件工程与应用, 2019, 8(3), 172-178 Published Online June 2019 in Hans. https://www.sodocs.net/doc/2318719034.html,/journal/sea https://https://www.sodocs.net/doc/2318719034.html,/10.12677/sea.2019.83021 A Survey of Diversity in Personalized Recommendation Systems Shuhao Jiang1,2, Liyi Zhang1,2, Na Zhou1 1School of Electrical and Information Engineering, Tianjin University, Tianjin 2School of Information Engineering, Tianjin University of Commerce, Tianjin Received: June 6th, 2019; accepted: June 21st, 2019; published: June 28th, 2019 Abstract Diversity has become one of the main directions of recommendation system research. Improving the diversity of recommendation content is not only an important way to solve the problem of over-fitting, but also a way to improve user’s experience satisfaction. In order to elaborate the work in the field of recommendation diversity, this paper introduces diversity recommendation from three aspects: the definition and evaluation of diversity, the impact of diversity on recom-mendation quality and the development of diversity algorithm. Keywords Personalized Recommendation, Diversity, Recommendation Quality, Evaluation 个性化推荐系统中的多样性综述姜书浩1,2，张立毅1,2，周娜1 1天津大学电气自动化与信息工程学院，天津 2天津商业大学信息工程学院，天津收稿日期：2019年6月6日；录用日期：2019年6月21日；发布日期：2019年6月28日摘要多样性已成为推荐系统研究的主要方向之一，提高推荐内容的多样性不仅是解决过度拟合问题的重要方法，也是提高用户体验满意度的方法。为了更好地阐述推荐多样性领域的工作，本文分别从多样性的定义和评价、多样性对推荐质量的影响以及多样化算法本身的发展三个方面对多样性推荐进行了介绍。

2013―2014年我国数字图书馆个性化服务研究综述_1711

2013―2014年我国数字图书馆个性化服务研究综述数字图书馆的个性化服务就是以用户为中心，在研究用户行为、兴趣、爱好、专业和习惯的基础上，根据用户的个性化需求而开展的信息服务。它具有很强的针对性、主动性、易用性、知识性、专业性和安全性，能够充分提高用户对数字图书馆信息服务的满意度。国内对数字图书馆个性化服务研究始于21世纪初，研究成果丰硕，近几年更是达到了高峰，为了从总体上了解国内数字图书馆个性化服务的研究状况，通过搜集整理2013-2014年间我国数字图书馆个性化服务研究领域发表的论文，揭示该领域研究的发展轨迹、研究重点和热点、学术成果及存在的问题等，加强对数字图书馆个性化服务研究基本情况的了解，为后续研究者提供依据和参考。 1.论文统计分析本文研究选择CNKI中国期刊全文数据库作为信息来源，检索高校有关数字图书馆个性化服务的研究文献。本研究检索的主题分为“数字图书馆”和“个性化服务”两部分，检索时间调整为2013.01.01-2014.12.31，根据检索结果可知：2013-2014年国内关于数字图书馆个性化服务研究的文献发表共计117篇，2013年发表69篇，7篇硕士论文，62篇期刊论文；2014年发表48篇，3篇硕士论文，

45篇期刊论文。论文主要涉及图书情报与数字图书馆、计算机软件与计算机应用、档案及博物馆、医学教育与医学边缘学科、医药卫生方针政策与法律法规研究、民商法与计算机硬件技术学科，在这些论文中，国家自然科学基金支持的有6篇，浙江省教委科研基金支持的有2篇，国家社会科学基金支持的有2篇，江苏省教育厅人文社会科学研究基金与甘肃省教委科研基金支持的各1篇。 2.数字图书馆个性化服务研究内容分析论文的研究主题在一定程度上反映了数字图书馆个性化服务研究领域的热点和重点，有助于了解该领域的研究现状和水平，帮助研究人员正确预测该领域的发展趋势和方向。本文对2013-2014年国内关于数字图书馆个性化服务研究的论文进行统计分析，根据统计结果将论文研究内容分为三大主题，即综述类研究、技术类研究、建模类研究，本文限于篇幅原因，仅对每类研究主题中的典型文章进行概述。 2.1综述类研究冯新民从高校移动数字图书馆个性化服务的现状入手，针对个性化服务发展中存在资源的严重匮乏、个性化信息服务应用规模小、数量少等问题予以分析，研究了我国高校移动数字图书馆个性化服务的预约服务模式、信息检索个性化服务模式、课题协助服务模式、远程

个性化推荐系统在当当网中的运用分析

目录一、摘要二、当当网概述 1）当当网简介三、个性化推荐系统营销理论综述及原因 1）个性化推荐系统营销概念及分类 a 基于内容的推荐系统 b 协同过滤推荐系统 c 混合推荐系统 2）个性化推荐系统的发展历程 3）当当网使用个性化推荐系统的原因四、个性化推荐系统的结构及在当当网运用中的具体表现 1）个性化推荐系统在电子商务网站中的结构 a 输入功能模块 b推荐引擎模块 c输出功能模块 2）个性化推荐系统在当当网中的具体运用 a商品信息页面 b购物车、收藏夹 c Email邮件 d独立的个性化页面 3）个性化推荐系统在当当网中的新运用 4）个性化推荐系统在当当网未来的发展趋势五、个性化推荐系统在当当网运用中的特点 1）“当当推荐”系统功能分析及推荐效果评价 a 当当推荐系统功能 b 推荐效果评价 2）当当网特性化推荐2.0 六、个性化推荐系统在当当网运用中的不足与风险 1）个性化推荐系统在当当网运用中的不足 2）当当网个性化推荐运用中的风险

3）在个性化推荐上当当网和亚马逊的对比分析七、通过当当网浅谈个性化推荐系统对电子商务发展的影响 1）电子商务新时代的到来 2）由推网的兴起八、结语与建议九、注解与参考文献

个性化推荐系统在当当网中的运用分析摘要：在完善用户购物体验方面，当当网还针对用户需求推出了“为你推荐”功能，通过对顾客历史数据的分析，根据不同顾客的购物习惯向他们推荐针对其个人的商品。这样的定制推荐把用户从海量的商品信息中解放出来，极大的减少了用户的时间成本，通过强大的系统分析，实际上做到了顾客给自己推荐商品，成为自己的顾问。一个好的个性化推荐就好像网站里的智能导购员一样，只不过它是隐形的，对于购物者来说，它是无处不在的。它能将隐形而无处不在的特性发挥到极致，让购物者不讨厌它，也时刻能使用到它，最终，它能够为网站创造更多的销量。关键词：个性化推荐；当当网；应用；电子商务；信息超载。 Personalized recommendation system in dangdang network analysis of the application Abstract: To improve the user shopping experience,dangdang also according to user needs introduced a \"recommend\" function,through the analysis of the historical data of customers,according to different customers' shopping habits to their recommended according to the personal goods.This custom recommend the user from mass of commodity information liberate, greatly reduce the user's time cost, through the powerful system analysis, in fact do the customer to recommend commodities, to become their own advisers. A good personalized recommend like website intelligent shopping guide，only it is invisible, for shoppers for, it is everywhere. It can store and the ubiquity of characteristics to acme, let shoppers don't hate it, time can be used to it, eventually, it can create more sales for the web site Key words:Personalized recommendation ; dangdang; apply ; electronic commerce；information overload

基于信任机制的电子商务个性化推荐算法研究文献综述(全)

基于信任机制的电子商务个性化推荐算法研究文献综述一、引言互联网技术的迅猛发展把我们带进了信息爆炸的时代。海量信息的同时呈现，用户很难从中发现自己感兴趣的部分，传统的搜索算法只能呈现给所有的用户一样的排序结果，无法针对不同用户的兴趣爱好提供相应的服务。信息的爆炸使得信息的利用率反而降低。同样，随着电子商务迅猛发展，网站在为用户提供越来越多选择的同时，其结构也编的更加复杂，用户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。个性化推荐，被认为是当前解决信息系统超载问题最有效的工具之一。推荐问题从根本上说就是从用户的角度出发，代替用户去评估其从未看过的产品，使用户不只是被动的网页浏览者，而成为主动参与者。准确、高效的推荐系统可以挖掘用户的偏好和兴趣，从而成为发现用户潜在的消费倾向，为其提供个性化服务。在日趋激烈的竞争环境下，个性化推荐系统已经不仅仅是一种商业营销手断，更重要的是可以增进用户的黏着性。但是推荐系统存在各种缺陷，Rashmi等人提出，相对于使用推荐系统来说，人们更愿意从自己认识的朋友或者熟悉的人那边获取推荐信息[1]。这体现了在互联网环境下，人们更加倾向于从自己信任的人获取推荐信息。本文对文献的综述包括个性化推荐系统的概述、常用的个性化推荐系统算法分析以及信任概念、信任模型。二、个性化推荐系统概述个性化推荐研究直到20世纪90年代才被作为一个独立的概念提出来。电子商务个性化推荐系统的正式定义由Resniek&Varian在1997年给出：电子商务个性化推荐系统是利用电子商务网站向用户提供产品信息和相关建议，帮助用户决定购买什么产品，通过模拟销售人员帮助用户完成购物过程的系统。这个定义现在已经被广泛的应用。推荐系统的使用者是用户(电子商务活动中的用户)，推荐的对象是项目。项目是推荐系统提供给用户的产品和服务，也即最终的推荐内容。个性化推荐系统是指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。它是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。购物网

个性化推荐系统中的多样性综述

国内外大学生个性化职业生涯规划指导研究综述-陈美婧.教学总结

个性化推荐系统分析与设计

推荐系统调研报告及综述

客户关系管理研究综述

个性化推荐系统研究综述

个性化推荐算法概述与展望

个性化推荐知识汇总

个性化推荐技术综述

个性化推荐系统的文献综述

个性化服务——一些内涵

个性化推荐算法概述与展望

个性化推荐系统的文献综述

个性化推荐系统中的多样性综述

2013―2014年我国数字图书馆个性化服务研究综述_1711

推荐系统调研报告及综述

个性化推荐系统在当当网中的运用分析

基于信任机制的电子商务个性化推荐算法研究文献综述(全)

相关文档

最新文档