2022年個性化知識總結(jié)歸納

1、一 基于協(xié)同過濾 collaborative filtering , CF的舉薦系統(tǒng)通過收集來自其他相像用戶或項(xiàng)目的評 價信息, 自動推測當(dāng)前用戶的愛好偏好； 協(xié)同過濾的基本假設(shè)是用戶會更寵愛那些相像用戶 偏愛的商品,已被廣泛應(yīng)用在一些大型的商業(yè)系統(tǒng),如亞馬遜和阿里巴巴等； 目前, 協(xié)同過濾算法主要包括基于內(nèi)存的,基于模型的以及二者相混合的舉薦技術(shù)”； 使用 最多的模型是 k 最近鄰 k-nearest neighbor ,kNN協(xié)同過濾技術(shù), 包括基于用戶舉薦和基于項(xiàng) 目舉薦兩種技術(shù)； 一般說來, 本體描述了某個應(yīng)用領(lǐng)域的概念和概念之間的關(guān)系, 使得它們具有唯獨(dú)確定的含 義,獲得該領(lǐng)域的相關(guān)

2、學(xué)問, 供應(yīng)對該領(lǐng)域?qū)W問的共同懂得, 便于用戶和運(yùn)算機(jī)之間進(jìn)行交 流； OntoECRec 舉薦模型 二 1995 年,卡內(nèi)基梅隆高校的 ARDben 等人在美國人工智能協(xié)會上提出了個化導(dǎo)航系統(tǒng) we-watcher ,真正標(biāo)志著個性化服務(wù)的開頭； 性 1997 年 3 月, communications of the AcM ；組織了個性化舉薦系統(tǒng)的專題報道,標(biāo)志著個 性化服務(wù)已經(jīng)被技術(shù)界高度重視； 1999 年,德國 Dresden 技術(shù)高校的 JTania 實(shí)現(xiàn)了個性化電子商務(wù)原型系統(tǒng) TELLIM,標(biāo)志著個性化服務(wù)開頭向全球進(jìn)展； 2022 年, NEc 爭論院的 D B Kurt 等

3、人為搜尋引擎 atesecr 增加了個性化舉薦 功能,實(shí)現(xiàn) citeseer 的個性化； 20XX 年,紐約高校 GediminaS Adomavicius 的 和 Alexander Tuzhilin 實(shí)現(xiàn)了個性化電子商務(wù)網(wǎng)站的用戶建模系統(tǒng) 1：1Pro； 個性化舉薦服務(wù)體系結(jié)構(gòu)中, 信息收集模塊是個性化服務(wù)系統(tǒng)的基礎(chǔ)模塊； 用戶 的信息包括了用戶的個人基本資料, 購買的歷史記錄及瀏覽記錄等； 個人基本資 料可以從用戶注冊表單中獲得； 購買的歷史記錄主要存放于電子商務(wù)網(wǎng)站的后臺 交易數(shù)據(jù)庫中, 包含了每位用戶以前歷次購物的詳細(xì)情形記錄, 如購物時間, 商 品清單, 價格, 折扣等, 同時也可

4、以收集用戶放入購物籃而未購買的商品記錄, 以及用戶過去瀏覽過的商品信息等； 當(dāng)然要搜集用戶的行為信息, 日志文件是必 不行少的, 如要收集服務(wù)器日志, 就要在服務(wù)器端獵取, 抽取出特定用戶的拜望 記錄；如要收集用戶瀏覽的頁面和瀏覽行為, 服務(wù)器端從用戶記錄中獲得； 就既可以在用戶端獲得, 也可以在 第 1 頁,共 12 頁IBfi QebSshereBroadY isicp8f eder. BPers. on1 l lZ 1 A n / f,q& T YB PJ 8 u A u tf ,& c L o tf“.4 &I$oIt.b6.” . u HlRlflt Pc ndy Xnwich7B

5、/ T AU .yFBillJfi &Google PCnderCshra trhc . itccr盡 管 協(xié) 同 過 濾 技 術(shù) 在個 性 化 推 薦 系統(tǒng) 中 獲 得 了極 大 的 成 功 , 但 隨 著 站 點(diǎn) 結(jié) 構(gòu) , 內(nèi)容 的復(fù) 雜 度 和 用 戶人 數(shù) 的 不 斷增 加 , 協(xié) 同 過 濾 技 術(shù) 的 一 些 缺 點(diǎn) 逐 漸 暴露 出來 , 主 要 有 ： 稀 疏 性 sparsity ： 在 許多 推 薦 系 統(tǒng) 中 , 每 個用 戶 涉 及 的 信 息 量 相 當(dāng) 有 限 , 在 一 些 大 的 系 統(tǒng) 如 亞馬遜 網(wǎng) 站 中 , 用 戶 最 多 不 過 就 評 估 了 上

6、百 萬 本 書 的 1 2 , 造 成 評 估 矩 陣 數(shù) 據(jù) 相 當(dāng)稀 疏 , 難 以 找 到 相像 用 戶 集 ,導(dǎo) 致 舉薦 效 果 大 大 降低 擴(kuò) 展 性 scalability ：“ 最 近 鄰 居 ” 算 法 的 運(yùn)算 量 隨 著 用 戶 和 項(xiàng) 的增 加 而 大 大 增 加 , 對 于 上 百萬之 巨 的 數(shù) 目, 通 常 的 算 法 將 遭 遇 到 嚴(yán) 重 的 擴(kuò) 展 性問題 精 確 性 accuracy ： 通 過 尋 找 相 近 用 戶 來 產(chǎn)生 推 薦 集 , 在 數(shù) 量 較 大 的 情 況 下 , 推 薦 的可 信 度 隨 之降 低 四 一個完整的舉薦系統(tǒng)由 3 個部

7、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和舉薦算法模塊 . 行為記錄模塊負(fù)責(zé)記錄用戶的喜好行為 , 例如問答,評分,購買,下載,瀏覽等 . 問答和打分的信息相對好收集 , 然而有的 用戶不愿意向系統(tǒng)供應(yīng)這些信息 , 那么就需要通過其他方式對用戶的行為進(jìn)行分 析, 例如購買, 下載,瀏覽等行為 . 通過這些用戶的行為記錄分析用戶的潛在喜好 產(chǎn)品和寵愛程度 . 這就是模型分析模塊要完成的工作 . 模型分析模塊的功能能夠 對用戶的行為記錄進(jìn)行分析 , 建立合適的模型來描述用戶的喜好信息 . 最終是推 薦算法模塊 , 利用后臺的舉薦算法 , 實(shí)時地從產(chǎn)品集合中挑選出用戶

8、感愛好的產(chǎn) 品進(jìn)行舉薦 . 其中, 舉薦算法模塊是舉薦系統(tǒng)中最為核心的部分 . 協(xié)同過濾舉薦系統(tǒng)最大的優(yōu)點(diǎn)是對舉薦對象沒有特殊的要求 , 能處理音樂,電影 等難以進(jìn)行文本結(jié)構(gòu)化表示的對象 . 基于用戶的協(xié)同舉薦算法隨著用戶數(shù)量的增多 , 運(yùn)算量成線性加大 , 其性能會越 來越差 . 因此有的舉薦系統(tǒng)接受基于產(chǎn)品相像性的協(xié)同過濾算法 , 在產(chǎn)品的數(shù)量 相對穩(wěn)固的系統(tǒng)中 , 這種方法是很有效的 , 例如 Ama-zon 的書籍舉薦系統(tǒng) 但 10. 是對于產(chǎn)品數(shù)量不斷增加的系統(tǒng) , 例如 Del. lici. us 系統(tǒng) , 這種方法是不適用 的. 基于內(nèi)容的舉薦系統(tǒng)不行防止地受到信息獵取技術(shù)的約束

9、 , 例如自動提取多媒體 數(shù)據(jù) 圖形,視頻流,聲音流等 的內(nèi)容特點(diǎn)具有技術(shù)上的困難 , 這方面的相關(guān)應(yīng) 第 3 頁,共 12 頁用受到了很大限制 . 網(wǎng)絡(luò)環(huán)境下的個性化舉薦表現(xiàn)方式大體分為個人化舉薦, 薦三種, 社會化舉薦和基因化推 （ 1）個人化舉薦；是基于用戶過往的行為模式進(jìn)行舉薦,即依據(jù)用戶的歷史行 為,判定用戶的需求和偏好,為其供應(yīng)相應(yīng)產(chǎn)品或服務(wù)； 商業(yè)網(wǎng)站中,比較常 見的方式是用戶最近的瀏覽歷史, 你可能比較感愛好的商品； 比較典型的是基于 個人交易和反饋數(shù)據(jù)的舉薦機(jī)制 . （ 2）社會化舉薦；是依據(jù)需求和偏好相像的用戶群的過往行為數(shù)據(jù)進(jìn)行舉薦； 它不同于個人舉薦方式, 并不分別地判

10、定一個用戶的行為, 而是針對偏好相像的 用戶群體行為進(jìn)行分析,然后為用戶群供應(yīng)舉薦； （ 3）基因化舉薦；是依據(jù)產(chǎn)品本身的特性進(jìn)行舉薦；這種舉薦方式在確定程度 上也基于社會學(xué)的原理：一人的喜好是大體相互聯(lián)系的,并且是相對固定的； 六 在網(wǎng)絡(luò)購物時代, 商家通過購物網(wǎng)站供應(yīng)了大量的商品信息, 消費(fèi)者無法快速地明白全部的 商品信息, 所以, 消費(fèi)者需要一種電子購物助手, 能依據(jù)消費(fèi)者對服裝的需求信息舉薦給消 費(fèi)者可能感愛好或者中意的商品； 個性化舉薦系統(tǒng)就是建立在海量數(shù)據(jù)挖掘基礎(chǔ)上的一種高 級商務(wù)智能平臺, 它幫忙網(wǎng)站為消費(fèi)者購物供應(yīng)完全個性化的決策支持和信息服務(wù)； 購物網(wǎng) 站的舉薦系統(tǒng)為消費(fèi)者舉

11、薦商品, 自動完成個性化挑選商品的過程, 中意消費(fèi)者的個性化需 求； 隨著互聯(lián)網(wǎng)的不斷普及, 網(wǎng)絡(luò)成為一種不行或缺的信息來源, 但相對整個互聯(lián)網(wǎng)的全局信息 空間而言,用戶感愛好的只是一個很小的領(lǐng)域； 信息技術(shù)的進(jìn)展,使網(wǎng)絡(luò)信息空間呈幾何 級數(shù)膨脹, 而有限的個性化信息卻顯得更加分散； 人們處在信息迷航的怪圈中, 很期望有個 網(wǎng)站能夠揣摩用戶的心理, 依據(jù)用戶的需求舉薦用戶感愛好的內(nèi)容, 給用戶供應(yīng)一個良好的 沖浪環(huán)境,這些潛在的需求在商業(yè)網(wǎng)站中表達(dá)的更為淋漓盡致；依據(jù)用戶的愛好舉薦商品, 可以提高用戶對網(wǎng)站的忠誠度,增加交叉購買力,增加商家的效益； 各種信息特殊是互聯(lián)網(wǎng)信息的指數(shù)增長所導(dǎo)致的

12、“ 信息過載”和 “ 信息迷航”問題已日 益制約人們高效地使用各種信息資源 .；個性化舉薦技術(shù)正是解決這一莊重問題的有效方法, 它依據(jù)用戶的愛好和特點(diǎn),對信息資源進(jìn)行收集,整理和分類, 愛好偏好或需求的信息； 七 向用戶供應(yīng)和舉薦符合其 第 4 頁,共 12 頁互聯(lián) 網(wǎng)技術(shù) 的迅猛進(jìn)展把我們帶進(jìn) 了信息爆炸的時代 海量信息的同時顯現(xiàn), 一方面使用戶很難從 中發(fā) 現(xiàn) 自己感 愛好 的部 分 ,另 一 方 面 也使 得 大 量 少 人 問 津 的信 息成 為 網(wǎng)絡(luò) 中的 “ 暗信息” ,無 法被 一般用 戶 獵取 九 簡潔地說, 個性化舉薦系統(tǒng)就是依據(jù)消費(fèi)者的個性化特點(diǎn)和需求, 依據(jù)某種策 略,

13、進(jìn)行產(chǎn)品舉薦的一個幫忙決策系統(tǒng)； 它的顯現(xiàn)是為明白決信息過載的問題, 幫忙消費(fèi)者在浩如煙海的產(chǎn)品中找到自己需要的商品, 為消費(fèi)者供應(yīng)個性化的 購物體驗(yàn)；電子商務(wù)舉薦系統(tǒng)作用主要表現(xiàn)在以下幾個方面： 將電子商務(wù)網(wǎng) 站的瀏覽者轉(zhuǎn)變?yōu)橘徺I者；提高電子商務(wù)網(wǎng)站的交叉銷售才能； 削減消 費(fèi)者成本 時間, 資金等 , 中意顧客需求, 增加其中意度； 增加賣家產(chǎn)品 瀏覽度, 從而提高賣家收益； 電子商務(wù)舉薦系統(tǒng)依據(jù)其所接受的舉薦技術(shù)大致可以分為下面幾類： 一是基于 協(xié)同過濾技術(shù)的舉薦系統(tǒng), 所接受的技術(shù)是協(xié)同過濾； 二是基于內(nèi)容過濾的推 薦系統(tǒng), 所接受的技術(shù)是信息過濾； 三是基于學(xué)問發(fā)覺舉薦系統(tǒng), 所接受

14、的技 術(shù)是學(xué)問發(fā)覺, 搜尋與數(shù)據(jù)挖掘技術(shù)； 四是組合技術(shù), 所接受的技術(shù)是幾種 舉薦技術(shù)的組合； 五是交互式舉薦, 實(shí)行的技術(shù)是用戶與商家的交互； 六是 其他的一些非主流舉薦系統(tǒng), 比如基于統(tǒng)計(jì), 效用的舉薦系統(tǒng), 如貝葉斯網(wǎng) 絡(luò), 神經(jīng)網(wǎng)絡(luò)等；其中使用較多的是協(xié) 同過濾, 內(nèi)容過濾, 學(xué)問發(fā)覺和數(shù)據(jù) 挖掘； 規(guī)章舉薦是先依據(jù)銷售數(shù)據(jù)發(fā)覺不同商品在銷售過程中的相關(guān)性, 然后基于生 成的關(guān)聯(lián)規(guī)章模型和用戶的購買行為產(chǎn)生舉薦結(jié)果； 分類挖掘舉薦方法是通過 聚類, Bayesi a 網(wǎng)絡(luò), 神經(jīng)網(wǎng)絡(luò)等多種機(jī)器學(xué)習(xí)方法產(chǎn)生分類挖掘模型, 再 依據(jù)用戶輸入信息和產(chǎn)品的特點(diǎn)信息, 推測是否向用戶舉薦該產(chǎn)品

15、 1 曾云,陳盈盈,張?jiān)?. 基于人體識別的在線虛擬試衣系統(tǒng) J電視技術(shù),2022, 3811：206-210. 2 陳利珍,鄧中民基于圖像序列的三維人體建模方法爭論 J針織工業(yè), 20221:54-56. 第 5 頁,共 12 頁3 吳義山 ,徐增波 .虛擬試衣系統(tǒng)關(guān)鍵技術(shù) J.絲綢 ,2022,12:24-29. 4 陳曉倩 .虛擬試衣系統(tǒng)在電子商務(wù)中的應(yīng)用模式探討 83. J.紡織導(dǎo)報 ,2022,09:81- 5 黃燦藝 .網(wǎng)絡(luò)化三維虛擬試衣技術(shù)構(gòu)架分析 J.廣西紡織科技 ,2022,03:46-48. 6 范慶玲 ,李繼云 .基于照片的三維人體模型爭論與實(shí)現(xiàn) 03:5-6+42+66

16、. J.微型電腦應(yīng)用 ,2022, 7 胡新蕾 .淺談虛擬試衣和電商金融產(chǎn)品的結(jié)合 J.經(jīng)貿(mào)實(shí)踐 ,2022,16:38-39. 8 胡婉月 ,李艷梅 ,王迎梅 ,吳小娜 .虛擬試衣的進(jìn)出現(xiàn)狀及展望 J.上海工程技術(shù) 高校學(xué)報 ,2022,02:162-165. 9 丁嘉玲 ,王厲冰 ,莊梅玲 ,張永美 .線上虛擬試衣技術(shù)構(gòu)架的分析與展望 J.山東 紡織科技 ,2022,01:42-45. 1 范忠勇 ,張志軍 ,張鵬飛 .本體技術(shù)在個性化舉薦系統(tǒng)中的應(yīng)用爭論 J. 山東科學(xué) ,2022, 02:101-105. 2 王浩 . 電子商務(wù)個性化信息舉薦服務(wù)計(jì)量分析與進(jìn)展計(jì)策爭論 J. 內(nèi)蒙古科技

17、與經(jīng) 濟(jì) ,2022,08:59-62. 3 趙亮 ,胡乃靜 ,張守志 .個性化舉薦算法設(shè)計(jì) J.運(yùn)算機(jī)爭論與進(jìn)展 ,2022,08:986-991. 4 劉建國 ,周濤 ,汪秉宏 .個性化舉薦系統(tǒng)的爭論進(jìn)展 5 朱巖 ,林澤楠 .電子商務(wù)中的個性化舉薦方法評述 6 丁然 .大數(shù)據(jù)時代電子商務(wù)個性化舉薦進(jìn)展趨勢 7 張苗苗 ,楊瑜 .商業(yè)網(wǎng)站個性化舉薦現(xiàn)狀及計(jì)策分析 J.自然科學(xué)進(jìn)展 ,2022,01:1-15. J.中國軟科學(xué) ,2022,02:183-192. J.電子商務(wù) ,2022,04:5+7. J.情報探究 ,2022,02:36-40. 8 王 輝 , 高 利 軍 , 王 聽 忠

18、 . 個 性 化 服 務(wù) 中 基 于 用 戶 聚 類 的 協(xié) 同 過 濾 推 薦 J. 計(jì) 算 機(jī) 應(yīng) 用 ,2022,05:1225-1227. 9 林 霜 梅 , 汪 更 生 , 陳 弈 秋 . 個 性 化 推 薦 系 統(tǒng) 中 的 用 戶 建 模 及 特 征 選 擇 J. 計(jì) 算 機(jī) 工 程 ,2022,17:196-198+230. 第 6 頁,共 12 頁#JBe&AaB8ARB&YB&AB%#JTJL#R:aa, suaa. aaaaxs za- aa *eas, x. ssoaaasX aao. . n.sxaaaeaoasna.p , g, Q & A2&R&esa. +ssna

19、saaaxz. a+aa+eesx.ae-o. 26 &.6&Q& fiQB. &2&R6. BB1K&. B69 &t Xl&B&. Q&mfAG4&N8B2BB& 64&Bb. 6&.C&2. M&. 469FAAb. B4 PA4O&A R& & . 86N4&8&Q. dQ%6B&bC6A&6#BQ. 8YB&BR& &TTe 3-lO Afi&m M AeImvJ ofCo*sseae., . .o&8&GB BA en. a.sa. xa, .造型 顏色 面料 輔料 結(jié)構(gòu) 工藝 圖案 部件 裝飾 配飾 形式 搭配 第 8 頁,共 12 頁不行否認(rèn)的是,關(guān)于舉薦系統(tǒng)的爭論仍然存在一些

20、問題,詳細(xì)包括 .】【 i2】： 1實(shí)時性和舉薦質(zhì)量之間的問題；舉薦系統(tǒng)的舉薦精度和實(shí)時性是一對矛 盾,要提高舉薦精度會不行防止地降低系統(tǒng)的實(shí)時性,而要提高系統(tǒng)的實(shí)時性又 不能不產(chǎn)生較低的舉薦精度；所以,在供應(yīng)舉薦系統(tǒng)服務(wù)的同時,如何在舉薦精 度和實(shí)時性之間找個較好的平穩(wěn)點(diǎn),是需要連續(xù)爭論的問題； 2系統(tǒng)模型單一；由于舉薦系統(tǒng)體系結(jié)構(gòu)不完善,導(dǎo)致大部分舉薦系統(tǒng)只 能供應(yīng)一種系統(tǒng)模型使用；但鑒于舉薦系統(tǒng)本身的復(fù)雜性,需要多種不同類型的 模型來適應(yīng)不同的場合,中意用戶的不同要求； 3舉薦方法的缺乏；現(xiàn)在一般的電子商務(wù)系統(tǒng)的舉薦方法是向用戶供應(yīng)商 品排行榜,以及其它用戶對這個商品的評判程度來讓用戶判

21、定是否具有購買性； 無疑地,需要更加多樣的舉薦形式來向用戶說明產(chǎn)生舉薦的緣由,讓客戶更加信 任舉薦的結(jié)果； 4用戶類型的轉(zhuǎn)變；對商務(wù)網(wǎng)站商品進(jìn)行購買的用戶一般都只是注冊用戶, 而沒有注冊的用戶僅僅具有瀏覽功能；現(xiàn)在的舉薦系統(tǒng)并未考慮到這部分拜望 者；【 1 l】 B Schafer,J A Konstan,J Riedl, E Commerce Recommendation Applications , Data Mining and Knowledge Discovery,2022 1, 51： 115 153 【121 Kohvai, Mining E-commerce Data ： th

22、e Good,the Bad,and the Ugly,Proceedings of the 7th ACM SIGKDD international conference on Knowledge discovery and data mining , San Francisco,California , 2022 , 8-13 舉薦系統(tǒng)在電子商務(wù)中的作用主要表達(dá)在以下幾個方耐 11】： 第 10 頁,共 12 頁1將網(wǎng)站的瀏覽者轉(zhuǎn)為購買者 消費(fèi)者起初瀏覽網(wǎng)站并不想購買東西,而且由于電子商務(wù)網(wǎng)站擁有大量的商 品,用戶很難在短時間內(nèi)在這些商品中找到自己所寵愛的產(chǎn)品；這時候,假如推 薦系統(tǒng)能夠依據(jù)用戶的相關(guān)信息向用戶有針對性地舉薦產(chǎn)品的話,很有可能會引 基于粗