个性化推荐系统篇1

随着信息技术和互联网的迅速发展，人们逐渐从信息匮乏时代进入了信息过载时代。这个时代，对于信息生产者而言，如何让自己生产的信息脱颖而出，收到广大用户的关注是一件很困难的事情。对于用户而言，信息量的增大加重了找到感兴趣信息的负担，从而降低了信息的使用效率。推荐系统正是在这一环境中诞生的，它是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。

1 推荐系统概念、组成要素

目前被广泛接受的推荐系统的概念和定义是Resnick和Varian在1997年给出的：“它是利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程”。个性化推荐系统主要由三个要素组成，分别是：候选对象、用户、推荐算法。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。

2 推荐技术

推荐算法是整个推荐系统中核心的部分，在很大程度上决定了推荐系统的质量。目前主要的推荐技术基本包括以下几种：基于关联规则的推荐技术，基于内容的推荐技术，协同过滤推荐技术和混合推荐技术。

2.1 基于关联规则的推荐技术

关联规则是数据中所蕴含的一类重要规律，对关联规则进行挖掘是数据挖掘中的一项根本任务，关联规则挖掘就是从数据项目中找出所有的并发关系，这种关系也称为关联。关联规则挖掘的经典应用就是购物篮数据分析，目的是找出顾客在商场（或普通店铺）所选购商品之间的关联。

关联规则可以这样表述。设I={i1，i2，…，in}为所有项的集合，事务T表示事务集合。数据库D为事务数据库。关联规则形如XY的蕴含式，其中X、Y均为项目集，并且X、Y没有交集。关联规则的强度可以用支持度和置信度表示。支持度为同时包含X、Y 项集的事务在数据库D中的百分比。置信度为包含X的事务同时也包含Y在数据库D中的百分比。目前已有大量文献提出关联规则挖掘算法，在众多算法中，最著名的是Apriori 算法。

Apriori算法是由Agrawal等人在1994年提出来的，是一种最有影响的挖掘布尔关联规则频繁项集的算法。该算法分两步进行：第一步，生成所有繁琐项目集，繁琐项目集是支持度高于最小支持度的项目集；第二步，从繁琐项目集中生成所有可信的关联规则，可信关联规则是置信度大于最小置信度的规则。

基于关联规则的推荐技术其优点是：简单直接，领域通用性强，规则的挖掘可以离线进行，可以保证推荐算法的实时性要求。其缺点是：存在着严重的"冷启动"问题，新加入的项目由于缺少相关的用户数据，难以被系统中的规则发现，从而得不到推荐，并且随着系统项目数量的不断增加，规则也会呈出相应的增长趋势，使得规则的管理成本相应升高，降低了系统的运行效率。

2.2 基于内容的推荐技术

基于内容的推荐算法重要的是建立项目特征属性库，系统通过用户已关注项目的特征属性值，来掌握目标用户兴趣点，依据用户兴趣点与待推荐项目属性值的匹配程度进行推荐。用户兴趣点的产生依赖于系统所采用的机器学习算法，如基于向量的表示、文本挖掘、判别树、神经网络等技术。基于内容的推荐结果直观易理解，不需要过多的领域知识，但是需要有足够数据构造分类器，一些例如稀疏问题、新用户问题和复杂属性等问题不易处理。

2.3 协同过滤推荐技术

基于协同过滤推荐技术是当前主流的，应用最为广泛的一种推荐技术。该推荐技术可以分为两种，一种是基于用户的协同过滤推荐技术；另一种是基于项目的协同过滤推荐技术，这两种协同过滤推荐技术的不同之处在于两者针对的对象不同。基于用户的协同过滤推荐技术是给用户推荐和他有共同兴趣的用户喜欢的物品；基于项目的协同过滤推荐技术是给用户推荐和他之前喜欢的物品相似的物品。

2.3.1 基于用户的协同过滤推荐技术

基于用户的协同过滤技术是推荐系统中最古老的算法。该算法在1992年被提出，并应用于邮件过滤系统，1994年被GroupLens应用于新闻过滤。该算法主要包括两个步骤：第一步，找到和目标用户兴趣相似的用户集合；第二步，找到这个集合中用户喜欢的，且目标用户还没有听说过的物品，将该物品推荐给目标用户。

2.3.2 基于项目的协同过滤推荐技术

基于项目的协同过滤技术是基于这样一个假设：用户更倾向于选择与用户喜欢的项目相近的项目。该推荐过程分为两个步骤，第一，计算物品之间的相似度；第二，根据物品的相似度和用户的历史行为为用户生成推荐列表。

2.4 混合推荐技术

目前，推荐技术已经发展出了很多种，但每种推荐技术都在不同程度上存在各自的缺点，每种推荐技术在针对特定的用户或者项目时才能发挥出自己的优势。因此人们提出了混合推荐来互补推荐技术各自的不足，已达到一个理想的推荐效果。在大部分的混合推荐技术研究当中，是将基于内容的推荐技术和基于协同过滤技术相结合。相对于使用单一途径算法的推荐技术，基于混合推荐技术往往表现出更高的推荐精度和更好的推荐质量。

3 推荐系统的应用

自推荐系统诞生近20年的时间里，推荐系统的应用领域迅速扩展。从电子商务、音乐视频网站，到作为互联网经济支柱的在线广告和新颖的在线应用推荐，到处都有推荐系统的身影。下面简单介绍个性化推荐系统的应用以及该领域较成功的网站。

3.1 电子商务

电子商务网站是个性化推荐系统的一大应用领域。著名的电子商务网站亚马逊是个性化推荐系统的积极应用者和推广者，被读写网称为“推荐系统之王”。亚马逊的推荐系统深入到了各类产品中，其中最主要的应用有个性化商品推荐列表和相关商品的推荐列表。

3.2 电影和视频网站

在电影和视频网站中，个性化推荐系统能够帮助用户在大量视频信息中找到令他们满意的视频。该领域较成功的一家公司就是Netflix。Netflix在2006年开始举办著名的Netflix Prize推荐系统比赛。该比赛对推荐系统的发展起到了重要的推动作用。

3.3 个性化音乐网络电台

个性化推荐的成功应用需要具备两个条件。第一是存在信息过载的问题，第二是用户大部分时候没有明确的需求。在这两个条件下，个性化网络电台无疑是最合适的个性化推荐产品。目前国际上著名的有Pandora和Last.fm，国内的代表则是豆瓣电台。

3.4 个性化阅读

阅读文章是很多互联网用户每天都会做的事情。目前互联网上的个性化阅读工具很多，国际知名的有Google Reader，国内有鲜果网等。同时，随着移动设备的流行，移动设备上针对个性化阅读的应用也很多，其中具有代表性的有Zite和Flipboard。

[参考文献]

[1]Resnick P.Varian HR Recommender systems[外文期刊].1997（03）.

[2]许海玲.互联网推荐系统比较研究[J].软件学报，2009.20（2）：350.362.

[3]王国霞，刘贺平.个性化推荐系统综述[J].计算机工程与应用，2012，48（7）.

[4]刘兴涛，石冰，解英文.挖掘关联规则中Apriori算法的一种改进[J]. 山东大学学报，2008，43（11）：67-71.

[5]胡斌.基于高阶潜在语义分析的音乐推荐系统的研究，硕士论文.北京工业大学计算机学院，2009.

[6]Schafer JB，Konstan J，Riedl J.Recommender systems in e-commerce[M].On Electronic Commerce，1999.P367-461.

个性化推荐系统篇2

一、个性化推荐

1.定义。随着电子商务规模的逐渐扩大,网上商品的种类和数量也快速增长。商品不断丰富,顾客购物选择的余地大大扩展,但顾客往往需要花费大量的时间才能找到合适的商品。这种浏览大量无关信息和商品的过程无疑会给消费者带来极大的不便,从而可能造成客户流失。为了解决这些问题,个性化推荐系统应运而生。个性化推荐是根据用户的资料信息、兴趣爱好和以往购买行为,向用户推荐其可能感兴趣的信息和商品。个性化推荐系统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过程提供完全个性化的决策支持和信息服务。

2.个性化推荐的作用。成功的个性化推荐系统,向用户推荐他们感兴趣的商品,从而促成交易,即将电子商务网站的浏览者转变为购买者;在用户购买过程中向用户推荐自己确实需要但在购买过程中没有想到的商品,有效提高电子商务系统的交叉销售;为用户提供个性化的推荐服务的同时,与用户建立长期稳定良好的关系,从而有效保留客户,提高客户的忠诚度,防止客户流失。

3.知名购物网站中个性化推荐应用。淘宝网站为例,在登录已买到的宝贝页面,除了可以查看到用户购物历史记录,还有推荐内容,如:“您可能对这些宝贝感兴趣”;购物车页面的推荐,如:“您可能感兴趣的宝贝”“猜你喜欢的”。

当当网为例,网站商有个性化推荐模块网站上有专门栏目“猜你喜欢”,点击进入,再分为“您可能感兴趣的商品”“和您兴趣相似的顾客还关注”;在已购商品页面,有推荐“根据您购买的商品,当当猜您会喜欢”。

进入卓越亚马逊网站,提示用户“您好,请登录以获取为您订制的推荐”。

二、个性化推荐系统主要算法

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、推荐算法模块。其中,推荐算法模块是最核心的部分。根据推荐算法的不同,推荐系统可以分为如下几类:

1.关联规则推荐。关注用户行为的关联模式。如买了香烟的人大多会购买打火机,因此可以在香烟和打火机间建立关联关系,通过这种关系推荐其他产品。这种算法最为简单直接,往往也会把用户理解的过于简单,是不太智能的算法,所以这种算法基本被淘汰了,只有少数小规模购物网站还是这种推荐模式。

2.协同过滤推荐。利用用户的历史信息,计算用户之间的相似性;利用与目标用户相似性较高的用户对其他产品的评价来预测目标用户对特定产品的喜好程度;根据喜好程度来对目标用户进行推荐。协同过滤又可分为两种:基于用户的协同过滤和基于商品的协同过滤。

基于用户的协同过滤是第一代协同过滤技术,原理也很简单:人以群分,即在网站上购买相同商品的消费者应该有相似的兴趣偏好。系统找出这些有相同商品购买记录或浏览记录的用户,然后把他们还没购买的商品相互推荐,如把用户A买过、但用户B还没有购买的商品推荐给B,反之亦然。当然,在实际推荐应用中,系统会找到与A相似的多位用户,将那些A未购买而其他人已经购买的商品,计算概率,再进行排序,最后把排名靠前的商品推荐给A。

基于商品的协同过滤,是目前使用最多的个性化算法。因为大型的购物网站,其用户数量远远大于商品数量,使用基于用户的个性化算法会造成很多问题。相应的,基于商品的协同过滤技术的原理:物以类聚,系统先判断哪些商品之间有潜在关联,再根据用户的购买记录,把关联度高的商品推荐给用户。比如“啤酒-尿布”看似风牛马不相及的商品,如果在销售记录中同时出现的频率越高,说明商品的潜在关联就越强,就可以向用户推荐。

协同过滤算法可以发现用户潜在的兴趣偏好,从而为其推荐新信息;能推荐难以进行内容分析的产品;但由于是基于用户对产品的评分,所以对新用户进行推荐或者是对用户推荐新产品,精度不高。

3.基于内容的推荐。基于内容的推荐是协同过滤技术的延续与发展。分别对用户和产品建立配置文件;比较用户与产品配置文件的相似度;推荐与其配置文件最相似的产品。如,在商品CD推荐中,基于内容的系统首先分析用户买过的打分较高的CD的共性(歌手、风格等), 再推荐与这些用户感兴趣的内容相似度很高的其他CD。基于内容的推荐算法根本在于信息获取和信息过滤。 基于内容的推荐算法能处理新用户、新产品的问题(冷启动);能推荐新产品和非流行产品,发现隐藏信息;但是如果两个不同的产品恰好使用了相同的描述词,这两个产品就无法区分;而且如果系统只推荐与用户的配置文件高度相关的产品

,那么推荐的只是与用户之前购买过的产品相似度很高的产品,无法实现推荐的多样性。

4.基于网络结构的推荐。要先建立用户—产品二维关联网络。把用户和产品的内容特征看成抽象的节点,所有算法利用的信息都藏在用户和产品的选择关系中。对于任意目标用户A,假设A选择过所有的产品,每种产品都具有向A推荐其他产品的能力,把所有A没有选择过的产品按照他喜欢的程度进行排序,把排名靠前的推荐给A。

基于网络结构的推荐同样面临着新用户新产品的问题。而且如果把用户与产品的所有关联关系都考虑在内,无法区分出长期兴趣和短期兴趣点,大大降低推荐准确度。

5.混合推荐。上述几种方法的有机结合,实际的推荐系统中最常见的是基于协同过滤和基于内容的结合。

三、个性化推荐技术的新应用

一般情况下,网站针对已注册用户根据用户信息或购买记录进行推荐。同时,个性化推荐还应该考虑到匿名购买者,也就是购买者不需要注册或者登录也能使用个性化推荐功能。这类技术的实现要选择合适的匿名用户行为特征识别方法,如服务器端日志挖掘技术和客户端信息采集技术等,从而实现对此类用户的个性化推荐。

针对用户存在多兴趣或兴趣发生转移情况,一些网站提出了基于项目相似性的邻居用户协同推荐算法。该算法改进了传统协同过滤算法,使之适合用户多兴趣下的个性化推荐。

个性化推荐最热门应用就是将推荐和社会网络结合起来,把社会网络加入个性化推荐系统,借助顾客的朋友、家人的评分信息来进行推荐产品。它让顾客的朋友和家人做“导购”,把他们买的而且评分较高产品推荐给顾客。

参考文献:

个性化推荐系统篇3

互联网近十来的飞速发展，使之成为了人们获取信息的主要渠道之一。人们在互联网上获取信息不仅方便，而且得到的信息量比较全面，最重要的是互联网上的信息查询不受时间和空间的限制。同时，网络信息的海量性增加了用户信息查询的负担，导致了人们很难在浩淼的信息海洋中找到自己真正感兴趣的信息。用户对信息有不同的需求，而现在互联网对用户的表达相同的信息查询需求返回的是同样的信息内容，不会考虑用户的个性化。在科技飞速发展的环境下，我们不仅要满足用户信息查询的方便性的要求，还要在实现这个前提下尽量保证返回信息的质量，这样个性化的信息服务就应时而生。个性化的信息服务因能根据用户的不同信息查询需求返回用户真正感兴趣的信息而逐渐取代了传统的信息服务模式成为一种新的信息服务方式。

1.本体的概念及应用

从20世纪90年代初ontology（本体）引入计算机领域以来，不同研究者给ontology（本体）的定义虽然形式各不相同，但从真正涵义上来讲都是统一的，他们都认为本体都是对一个共享的概念模型的形式化描述。即本体的本质是概念模型。它对某个领域的具体的现象或知识进行抽象，形成该领域人们共同认可的概念或知识及其之间的关系，最后形成计算机可读的一种描述。简而言之，Ontology（本体）就是从不同层次形式化描述领域内的概念，概念含义及之间关系的理论，是领域内部各个概念之间进行交流的语义基础，这就把简单的术语明确到了某个领域。本体是以获取所属领域内的知识，提供对该领域的共同理解为目标的。

本体是用计算机可以理解的形式化语言来描述概念的，解决了人与计算机，计算机与计算机之间的沟通问题，所以被应用在信息交流的很多领域。本体能够明确概念的含义及概念之间的关系，所以在信息检索中引入本体理论后，用来描述查询需求的关键词之间的语义关系会更加明确，可以建立词语间的网状结构，这就提高了检索提问式的有效性和准确性。同时信息检索系统引入本体后能为用户提供多个检索口，用户不仅可以直接从自己比较熟悉的检索口进入系统查询信息，也可以比较完整地找到自己真正需要的信息。另一方面本体也为词语、术语的标准化、形式化提供了理论基础，在信息检索过程中，系统可以参照本体对异构信息进行标引，整合，解决了异构信息之间的交流问题，从而帮助用户在异构信息源中查询信息。领域本体的使用不仅使专业领域内问题的研究变地更加确定，也能够帮助多领域间的信息集成，交流和合作，即使是新用户也能简便而全面地了解本领域知识。

在知识管理中，利用本体规范知识概念及其之间的关系，能有效地将隐性知识转化为显性知识，知识的搜索和共享的几率大大提高，继而为知识共享和知识重用提供了可能。

2.个性化信息推荐系统

个性化信息推荐系统是使用多种数据分析技术，在特定类型的数据库中进行知识发现的一种应用技术，本质上是一种“信息找人”的服务模式。它根据用户的特点和兴趣主动、及时、准确地向用户提供所需信息，再根据用户对于推荐内容的反馈进一步改进推荐结果，继而达到为用户推荐真正所需信息和为用户提供更优质服务的目的。

为了缩短用户寻找到兴趣信息的时间，提高浏览的效率，个性化推荐系统向用户推荐与其兴趣模型相匹配的信息，或者是与目标用户具有相近兴趣模型的用户群浏览过的信息。个性化信息推荐系统根据推荐技术的不同可以分为三种：基于规则的系统，基于内容的系统和基于合作的系统。

2.1 基于规则的推荐系统

基于规则的推荐是根据事先生成的规则向用户推荐其感兴趣的信息的一种信息推荐方式。假如事先生成的一个规则为“如果用户对图书馆学感兴趣的话，则数字图书馆也是其感兴趣的内容”，当用户再次浏览有关图书馆学的网站信息时，系统则可以同时向用户推荐数字图书馆的相关信息。由此可以看出，一个规则本质上就是一个If-Then语句。基于规则推荐信息的基础是系统管理员根据用户访问记录所制定的推荐规则。基于规则的信息推荐系统的优点是方便，简单，直接，容易实现。其缺点是系统事先制定的推荐规则质量很难得到保证，而且随着规则的愈来愈多，系统的管理也变的越来越艰难。

2.2 基于内容的推荐系统

基于内容的推荐是指通过比较资源与用户模型的相似程度向用户推荐信息的一种信息推荐方式，最终系统把与用户兴趣模型相匹配的信息反馈给用户。这种推荐方式优点是实现简单，适合处理文本信息，推荐的结果查准率比较高。缺点是它要求内容与用户兴趣的精确匹配，所以查全率有待提高。基于内容的推荐系统的典型结构如图2.1所示：

图2.1 基于内容的推荐系统

2.3 基于合作的推荐系统

基于合作的推荐和基于内容的推荐不同，它不是通过比较资源和用户兴趣模型的相似性，而是通过比较用户兴趣之间的相似性，依据目标用户具有相同或相近兴趣的用户对资源的评价向用户推荐信息的。合作推荐是一个较常用到的一个信息推荐方式，其中具有相同或相近兴趣模型的用户可看做是一个个的用户类。系统在推荐给目标用户信息时通过参照同类用户的兴趣，不仅可以使目标用户发现新的感兴趣的信息，也能提供一些难以用具体概念表达的信息，如质量等，避免了内容分析的不完全和不准确。但是基于合作推荐的前提必须是某些信息必须被用户类中的某个或某些用户浏览过，否则不能把这些信息推荐给其他用户。如果某个人的兴趣比较特殊，不能归为任何一个用户类，则这个用户也可能无法获得个性化系统推荐的信息。基于合作的推荐的典型结构如图2.2所示：

图2.2 基于合作的推荐系统

3.引入本体后的个性化信息推荐系统

个性化信息推荐系统的目的是向具有不同兴趣的用户推荐个性化即满足其需求的信息。现有的推荐系统虽有优点但也不可避免的具有一些缺点，如基于内容的推荐中关键词之间是没有任何语义关系的，但是现实中还存在同义词等，系统是将信息和用户兴趣进行精确匹配的，所以一些表达方式不同但本质相同的信息就可能不被推荐，从而导致查全率不高等。因此为了提高系统推荐的质量，就要在信息推荐系统中引入本体的理论。本体作用是在领域中提取共同认可的词汇形成概念，进而对概念及其之间的关系进行形式化表达。它能充分考虑关键词之间的关系，这样系统在向用户进行信息推荐时就不再是单纯的关键词匹配，有助于提高推荐信息的质量。

3.1 引入本体后基于规则的推荐系统

基于规则的信息推荐系统的中的规则是系统管理员根据用户的访问记录制定的，可能每个访问记录就对应一个规则，所以规则就变得多而乱，难以管理，而且很难处理复杂抽象的用户请求。例在图书馆领域内的以下三个规则：

（1）如果用户对图书馆自动化感兴趣的话，则情报检索系统也是其感兴趣的内容。

（2）如果用户对图书馆自动化感兴趣的话，则检索系统也是其感兴趣的内容。

（3）如果用户对图书馆学感兴趣的话，则用户对检索系统也感兴趣。

在数字图书馆领域，概念“图书馆学”和概念“图书馆自动化”之间是父类和子类的关系，“情报检索系统”与“检索系统”具有相同的内涵，由此规则（1）和规则（2）其实实质相同，规则（3）中“图书馆学”是“图书馆自动化”的父类，用户在实际的选择中如果对父概念感兴趣则一定也对其对应的子概念感兴趣。而以上三个规则中认为“图书馆学”，“图书馆自动化”，“情报检索系统”和“检索系统”四个概念之间是没有任何联系的，所以就造成了规则的繁多。

在本体中我们已经定义了“图书馆学”是“图书馆自动化”的父类，“情报检索系统”与“检索系统”是同义词，所以以上三个规则就可以缩减为“如果用户对图书馆学感兴趣的话，则用户对情报检索系统也感兴趣”一条规则，如此就大大减少了规则的数量，节省了储存规则的空间，方便系统对规则进行管理。引入本体后基于规则的信息推荐模式如图3.2所示：

3.2 引入本体后基于内容的推荐系统

基于内容的推荐系统中关键词之间的匹配是精确匹配，而表达不同本质相同或者具有上下位关系的关键词之间就不能形成联系，从而影响查准率或查全率。如基于规则的信息推荐系统中的关于数字图书馆的例子，在引入本体后用户如果输入的查询关键词是“图书馆自动化”，系统则会考虑到“图书馆自动化”和“数字图书馆”的上下位关系，最终把关键词为“图书馆自动化”的信息资源也推荐给用户。本体也可以引入用户的查询语句中，如用户要查询“情报检索系统”的相关信息，系统考虑“检索系统”和“情报检索系统”的同义关系，把“检索系统”也当做用户的兴趣之一，修正用户兴趣模型。基于内容的信息推荐系统中，在用户兴趣模型和信息资源中引入本体后，表示资源的关键词和用户模型关键词之间就不再是简单的匹配，而是会考虑到关键词之间的语义关系的语义层面的匹配，推荐结果的质量大大提高。引入本体后基于内容的信息推荐系统过程如图3.4所示。

3.3 引入本体后基于合作的推荐系统

基于合作的推荐系统是根据用户兴趣模型之间的相似度来推荐信息的。用户模型是用关键词表示的，所以分析用户兴趣模型的相似度就变成了用来表示兴趣模型关键词的匹配，可能也就会出现和基于内容的推荐一样的问题。

如某个用户的兴趣关键词之一是“图书馆，另一个用户的兴趣关键词之一是“图书馆自动化”，因为不理解两个关键词之间的上下文关系，所以系统就会认为这两个关键词是不匹配的，继而认为两个用户的感兴趣的内容是不一样的。引入本体之后，表示各个用户兴趣的关键词之间就有了语义关系，如上下位，同义词关系等，这就增加了系统分析用户兴趣的准确度，扩大了相似用户类。系统在某个用户的表示兴趣模型的关键词中引入本体分析，形成新的兴趣模型关键词集，接着与系统中储存的经过处理的其他用户兴趣模型再进行匹配，就会大大增加匹配的可能性。具体过程如图3.6所示。

4.结语

文中在分析现有个性化信息推荐系统的基础上，发现了基于规则的信息推荐技术存在规则多而繁，不易管理;基于内容和合作的信息推荐技术存在关键词之间缺乏语义关系的弊端，于是在现有个性化信息推荐技术的基础上引入了本体理论。引入本体后的信息推荐系统在用户兴趣模型的表达上考虑到了关键词之间的关系，能更为准确地表达用户的兴趣所在，用来表示文档内容的关键词之间也具备了同义或上下位等语义关系，能更详细而精确地表达信息内容。在传统信息推荐系统的基础上引入了本体的理论克服了现有三种推荐技术的不足之处，使得文档信息和用户模型的匹配成为了语义层次的匹配，提高了推荐结果的质量。

参考文献

[1]刘凯.信息可视化概念的深入探讨[J].情报杂志，2004 （12）：20-25.

[2]李健康，张春辉.本体研究及其应用进展[J].图书馆论坛，2004，24（6）：80-86.

[3]仇利克.领域Ontology的构建方法论及其存储研究[D].[硕士学位论文].青岛：中国海洋大学，2006.

[4]李衍淼.基于本体的智能信息检索系统研究[D].[硕士学位论文].山东：山东科技大学，2006.

[5]史忠植.知识发现[M].北京：清华大学出版社，2002：135-155.

[6]潘红艳.个性化信息服务的研究与实现[D].[硕士学位论文].大连：大连理工大学，2005.

个性化推荐系统篇4

随着WEB2.0时代的到来，个性化推荐系统受到越来越广泛的应用。在国内，无论是基于电子商务的淘宝、当当，还是基于网络社区的QQ、人人网、豆瓣，随处都可以看到它的身影，它为人们推荐商品进行消费，推荐友邻。淘宝在2011年3月31日提出向全球公布淘宝宏观交易数据，像国外的企业学习，在高校中建立自己的研究所，并且开展推荐算法的竞赛。

事实上早在1998 年，Amazon网站就已经开发出了自己的基于项目的个性化推荐系统，它通过用户的浏览历史、购买历史、物品的版本、他人的购买记录来得出推荐结果，如今Amazon的推荐系统为其提供了35%的商品销售额，并成为个性化推荐界的领袖。另一个知名个性化推荐例子是在线影片租赁提供商Netflix，它在2006年悬赏1百万美元把电影预测的效率提高10％以上，最终这个百万大奖由一个电脑专家、统计专家和人工智能专家组成的七人团队获得。

Hunch（预感）网站号称是一个在生活中可以帮你做决定的网站。它在2009年由麻省理工的学生开发，注册用户要先回答十个基本问题，再加上用户为推荐结果的打分，给出建议。用户如果点击推荐结果，就会链接到该产品的官方网站（例如Amazon），Hunch就可以从这些公司拿到分成。这样的模式现在被广泛用于豆瓣这样的SNS网站。

根据算法不同，目前的推荐系统可分为基于内容的推荐系统、协同过滤推荐系统以及混合推荐系统等。基于内容过滤的推荐系统通过分析资源内容与用户档案的相似度来产生推荐，但是目前无法实现对音乐图像、视频等信息的推荐。协同过滤式基于用户的评分计算相似度，所以不用分辨对象的属性也能处理各种复杂的对象。由于协同过滤和基于内容的推荐系统都有各自不足，所以将两者结合的混合推荐、神经网络推荐等算法被提了出来。

协同过滤算法就如同在实际生活中，遇到不熟悉的人事物，每个人都会先想到咨询身边熟悉的朋友，得到他们的判断和看法后，再做出自己的选择。打个比方，我们可以根据用户A的评分和评论等，在他的友邻中找出品位相似度最高的用户B、C、D，再根据B、C、D的兴趣或偏好项目集，计算出A对项目的预测评分，推荐高分项目给A，再将预测值与A的实际评分做出比较。

协同过滤技术成熟且出现时间长，但它存在许多问题。其中最严峻的是数据稀疏性问题，在实际中，用户并不会积极提供评分，即便是常年经营的电子商务网站用户评分和购买的商品也只占总商品数量的1%以下，这种极端的稀疏性使得相似性计算耗费巨大，因此难以成功定位邻居用户集，产生的推荐结果也将不理想。像Netflix、Amazon的推荐系统尚且依赖于多年积累的超大物品和用户的集体行为数据库，然而新公司要怎么样才能跟它们竞争呢？

一种借助遗传学思想的基于基因的推荐系统出现了。最早的潘多拉推荐系统就应用了这样的思维，将音乐分解成基本的基因片段，利用音乐片段之间的相似性做一个音乐推荐系统。这样电台今天已经随处可见，豆瓣网、人人网都有。它可以不需要知道用户的口味，因为它有自己的音乐DNA数据库，它可以在不知道用户喜欢什么的情况下，通过用户几次选择喜欢或不喜欢来了解用户的口味，用户只要选出一个艺人，或者一首歌，就可以建立一个始终播放类似音乐的电台，并且它还能为用户推荐其他类型的音乐，扩展兴趣面、转变用户的口味。

依靠用户注释标签的方式，这种基于基因思想的推荐方法已经被广泛用在书籍、电影、音乐等其他推荐领域。在豆瓣、淘宝，你都可以组建一系列自己的商品标签，也可以使用固定标签，通过组合你想要的标签，可以得到更个性化的、灵活的项目的推荐排名。经过一段时间的使用后，足够的标签就变为了项目的“基因”。

在不久的未来，推荐系统不将只是覆盖影视、阅读、购物的领域，而将推荐选择就读的学校、推荐合适的相亲对象，推荐实习、工作和朋友，覆盖到生活中的方方面面。未来推荐系统会“比我们更了解我们”的情节，将不再只是出现在科幻小说中。

个性化推荐系统篇5

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2017）17-0069-03

据统计，目前我国大多数高校，在社团管理和推广方面仍然处理比较人工的工作方式。大多数社团一般是开学展示一次社团，之后就再没有社团介绍工作了。其次对于社团活动的推广，也仅仅是通过qq空间、个人发传单和去自习室宣传等工作效率较低的方式。此等方式耗时耗力，而且还造成学生学习时间的占用以及资源的浪费。为此我研究了此社团个性化推荐系统。在这里，学生进入之后可以选择自己喜好的社团进行浏览和收藏，每个社团包括自身的宣传信息和活动介绍。该系统通过收集每个学生的社团收藏的所有数据分析，每次推荐所有与之类型相关的社团，从而实现校园社团的个性化推荐。除此之外，系统会实时更新当前每个社团的活动情况，并且依照时间顺序和热搜顺序进行活动排序，方便学生浏览和参与当前比较热门的社团活动。该方式不仅改变了学院社团的推广方式，也极大地提高了社团活动宣传的效率。不仅如此，学生也可以在活动下面进行评论，可以提高学生之间的互动交流，促进友谊。

本系统采用JDBC框架、MySQL等技术，以用户端和服务器的框架来进行数据交互及。用户端则为学生登录界面，服务端则是社团和活动管理。服务器以java语言编写后台脚本，响应用户端的要求，以及数据返回。

1系统设计相关技术

1.1大数据

该系统初步借用大数据的概念，对用户的社团操作进行简单的数据分析。

对大数据的处理分析工作正成为新一代信息技术融合应用的结点。移动互联网、物联网、社交网络、数字家庭、电子商务等是新一代信息技术的应用形态，这些应用不断产生大数据。云计算服务为这些海量、多样化的大数据提供存储和运算平台。通过对不同来源数据的管理、处理、分析与优化，将结果反馈到上述应用中，将创造出巨大的经济和社会价值。

正是基于大数据的数据分析和统计工作，从而实现用户爱好的分析和统计工作，进而为实现个性化推荐提供帮助。

1.2个性化推荐

基于内容的推荐算法（Content-based Recommendation）内容过滤主要采用自然语言处理、人工智能、概率统计和机器学习等技术进行过滤。通过相关特征的属性来定义项目或对象，系统基于用户评价社团的特征学习用户的兴趣，依据用户资料与社团属性的匹配程度进行推荐，努力向学生推荐与之类似的社团。

基于内容过滤的系统其优点是简单、有效。尤其对于推荐系统常见的冷启动（Cold Start）问题，Content-based方法能虮冉虾玫亟行解决。因为该算法不依赖于大量用户的点击日志，只需要使用待推荐对象（item）本身的属性、类目、关键词等特征，因此该方法在待推荐对象数量庞大、变化迅速、积累点击数稀少等应用场景下有较好的效果。但该方法的缺点是对推荐物的描述能力有限，过分细化，推荐结果往往局限与原对象相似的类别中，无法为客户发现新的感兴趣的资源，只能发现和客户已有兴趣相似的资源。这种方法通常被限制在容易分析内容的商品的推荐，而对于一些较难提取出内容的商品，如音乐CD、电影等就不能产生满意的推荐效果。

2系统设计

2.1设计思路

本系统通过各社团提交社团信息以及活动信息，然后网站管理人员给予收录，然后依次添加到网页的信息之中。然后有着本校的社团简介和人员信息。外人可以通过注册账号，然后查阅本校的社团信息。其次社团还会将各自要举办的活动发送管理员，然后管理员予以添加活动，之后用户可以在网页上找到相应的社团活动，通过联系方式，可以报名参加。这种方法可以有效扩大活动的宣传能力。其次每个活动的下面有活动评论栏，用户可以在这里评论。最后每个社团有着独特的标签系统，用户在喜欢的社团里点击收藏之后，可以在个人信息里看到系统的个性化推荐，推荐所有与用户喜欢的类型相似的社团，实现社团的个性化推荐。

2.2系统结构

本系统分为管理员页面和用户页面两部分组成。管理员页面主要负责社团信息的注册，其中包括写人社团信息的修改以及活动的创建及修改之类信息。管理员写入之后会将信息存入数据库，然后会在管理员页面进行显示。用户页面，用户须先注册用户登录，之后可以在查看主页的近期活动社团等信息，然后也可以选择喜欢的社团进行查看和收藏。然后点击活动列表，查看活动的信息介绍和举办时间来计划参加与否，还可以进行评论等操作。用户对社团收藏之后，可以在个人中心看到类似的社团推荐，方便用户得到类似的社团推荐。最后用户也可以对网站进行留言。并且可以看到别人的留言信息。如图1所示的系统结构图。

2.3数据库设计

本系统使用的是MySQL关系型数据库，结合系统需求可以抽取相关实体，其中包含有用户注册表，社团表，活动表，活动评论表，网页留言表。从图2数据库ER图可以看出各个表之间的关系，以及表与表之间的相互联系。

3系统主要模块和功能设计

本系统主要有5大功能模块：用户注册模块、社团和活动管理模块、用户评论模块、主页活动推荐模块、用户社团个性化推荐模块。其中用户社团个性化推荐模块是主要功能模块，给用户更多类似社团推荐，达到社团推广的目的。

3.1用户注册模块

此处是负责用户验证，方便活动评论和网页留言处查找用户评论。通过身份验证，绑定用户评论和搜索。其次通过用户个人爱好标签，来为用户推荐各种用户所喜欢的社团。实现用户社团个性化推荐模块。

3.2社团和活动管理模块

该模块主要通过管理员通过后台页面管理。通过收取学校社团提供的社团简介进行注册社团信息，之后各个社团提供活动信息，从而获取活动信息，管理员予以添加活动。其中管理员负责社团和活动的信息修改和注册。

3.3用户评论管理模块

此模块有两部分，一是活动评论，二则是网页用户留言。用户登录过后，可在相应的活动页面之下评论，也可以在网页留言页面进行评论，评论管理则依靠数据库进行数据的维护。

3.4主页活动推荐模块

此模块主要通过对活动表的搜索进行推荐。分为最近活动推荐，人气活动推荐。

前者依靠日期进行列举最近的活动，后者通过截止日期和评论数量进行列举。

3.5用户社团个性化推荐模块

此模块实现主要通过将社团划分为一个个的标签类型，然后用户对自己喜欢的社团进行收藏。然后用户的个人爱好里面就有了相应社团的爱好标签，然后系统会有依次推荐用户所收藏的爱好社团。其中个人爱好用户可以自己手动输入添加或者删除。

3.6系统总体设计

本系统以Web服务器为中转，实现社团和活动数据的互换。管理端实现社团和活动信息的维护。用户端实现对社团信息和活动信息的查看功能，以及对活动及网页评论。除此之外则是通过对社团进行标签划分从而对用户实现个性化推荐社团的功能。

4系统实现

4.1管理端实现

4.1.1管理端界面实现

管理端主页如图3，然后可以点击修改进入编辑页面，点击搜索直接进入社团界面。

4.1.2管理端功能实现

通过直接使用函数调用sql语句对数据库进行操作，从而实现社团和活动表的增删改查等操作。其次对于评论表，通过管理人员对数据进行维护，实现用户评论表的管理。

4.2用户端实现

4.2.1用户端界面实现

用户端界面依次有主页、用户个人中心、用户个人信息编辑、网页留言、社团信息、社团活动等6个页面。除此之外，还有着学校的一些官方微博和官网的跳转。用起来十分流畅，给人一种舒适之感。

4.2.2用户端功能实现

1）用户端主页

主页通过对数据库中活动表的时间和活动评论表的数量两者来决定主页活动推荐的顺序。至于主页社团顺序，主要通过字母序来排列。

2）用户个人中心

此处主要实现用户个人信息的管理和社团推荐。通过信息编辑，修改用户的爱好和其他的人信息。社团推荐则主要通过搜索所有符合标签的社团，然后将其一一列举出来，并提供跳转的标签。

3）网页留言

此处主要是按时间排序获取所有的用户留言。以及提供用户评论网页留言的功能。给用户留言的功能。

4）社团页面

此页面主要实现用户个人爱好收藏的目的。用户可在此处点击收藏，实现个人爱好的添加功能。从而给系统实现社团推荐的功能。其次则是列举该社团的简介以及所有活动。

5）活动页面

个性化推荐系统篇6

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2014）10-2446-04

Abstract： On the base of social computing personalized recommendation system design， design of the acquisition module is a data source， but also the basis for system data analysis， related to the quality of the system. Therefore， a collection module as a personalized recommendation system， play a decisive role， this paper makes a detailed study of the module， which provides a theoretical foundation for designing the back modules， and also provides some useful experience in development and design for the system.

Key words： acquisition； module； system

基于社会计算的个性化推荐系统的采集模块，关系到系统的质量，为系统的性能指标提供可靠的保证。采集模块实现了对网页文档信息的自动采集“爬虫”功能，能够基于用户的信息关键词来搜索。

采集模块由网页文档信息采集模块、lucene索引建立模块和搜索推荐主干模块构成，分别从模块的描述、功能、输入项、输出项、流程逻辑和接口详细介绍了其实现的原理。

1 网页文档信息采集模块

1）模块描述

本模块的重点之一是网络爬虫的编制。网络爬虫需要实现自动地抓取网页文档，提取网页地址，并且循环进行。尽管网络资源在同一个域之内，但为了提高爬取效率，还需要实现多线程才能保证更新的效率。另外，对于抓取到的文本存储路径相对于网页的网址，必须进行转换，才能更快速地在本地数据库中搜寻到该网页。而对于 IP地址则要做一个判断，以实现在规定范围的搜索。

2）模块功能

主要功能由start函数实现，其原型为：Start（UribaseURI ，intthreads） ，UribaseURI参数是表示需要下载的链接，后面的函数表示线程数量。路径的转换则需要通过转换字符实现。基本功能如表1网页文档信息采集功能表所示：

3）模块输入项

模块输入主要是对爬虫参数的设置，爬虫参数的设置要求如表2爬虫参数设置说明表所示：

4）模块输出项

本系统主要进行新浪博客的网页文档抓取，数据采集结果主要包括该博客网页文档以及该博客的地址，博客的题目、内容、作者以及采集的时间等。

5）模块逻辑流程

本模块的逻辑流程：首先分析源地址，然后获得地址列表，接下来反复循环每个地址，并调用相关方法来获取内容，通过计算，并得到文章相关信息，最后将获得的信息保存在数据库中。

6）模块接口

数据的采集是从新浪服务端将博客网页文档数据存储到本地数据库的过程，模块的接口如图1所示。

2 lucene索引建立模块

1）模块描述

索引建立模块独立于运行平台，实现了文档的解析和索引的创建，在本系统中解析的文档类型主要是html文档。

以 IndexWriter 建立索引 IndexWriter 的构造函数有三种接口，针对目录 Directory 文件 File文件路径 String 三种情况在索引结束时使用 Lucene 的 wirter. optimize（ ） 方法优化索引。

2）模块功能

实现模块功能之前需要利用IKAnalyzer中文分词器对文档内容进行分词。分词器IKAnalyzer可以进行文档的筛选，获取目标文档，无用部分则剔除掉。其常用接口有org ，apache， Lucene， analysis，Analyzer 虚构类。

在该模块中主要利用格式转换类的方法，对格式文件采用与其相对应的解析方式来实现格式的转换，HTML文档利用 POI 解析。下一步则是将实现了转换的文件作为分词器的输入，对其进行处理，最后编写框架为所有文档实现索引的创建，通过为字节流创建索引来实现为所有文档建立索引的目标，如表3索引建立模块功能表所示。

3）模块输入项

a）采用IKAnalyzer分析器进行目标文档筛选；

b）利用POI对HTML文档进行解析；

a）后台管理页面数据输入手动操作，下达“索引创建”命令；

d）执行框架语句，通过为字节流创建索引来实现为所有文档建立索引。

4）模块输出项

此模块的操作是通过登入系统后台管理，在建立索引页面下达命令，进行索引的创建，自动生成，如图2 索引创建界面图所示。

5）模块逻辑流程

本模块的逻辑流程是：首先从本地数据库中获取数据，得到待筛选文档，通过判断该文档信息是否为目标文档。如果不是的话，就剔除，重新原有的操作，如果是目标文档，则将目标文档进行格式转换，从而来建立索引。

6）模块接口

从模块逻辑流程可以知道，本模块的接口也是由本地数据库，通过后台管理程序来自动完成索引的建议，其模块的接口如图3所示。

3 搜索推荐主干模块

1）模块描述

模块中包含服务器 Action 类， Action 类有对应的 Service 类和 Lucene 搜索类。连接应用服务器，下达命令之后可以从索引文件中搜寻出目标文档，其整体框架如图4搜索推荐主干模块整体框架图所示。

服务器接收命令，传递给对应的 Action 类， 然后Action 类调用对应的 Service 类，再利用 Lucene 搜索类从找到目标文档，最后在JSP 页面显示搜索结果。此过程中采用 Action 类解析方法，把字节流以JSP 页面高亮显示出来，检索目标文档则是利用 Lucene 的检索接口 Query 与QueryParser 实现。采用QueryParser.parse 完成对搜索结果的排序，通过org.apache.Lucene.search.Sort 实现，。

2）模块功能

服务器可以利用搜索模块传递文档 URL，进而搜寻到文档的位置，并采用文件系统将文档解析到一个动态页面，即一个可以显示不同文档内容的页面。最后是将搜索结果，即找到的目标文档 URL 集合倒排展示，并且对输入的关键词，以及关键词出现次数等，以高亮显示出来，如表4搜索推荐主干功能表所示。

3）模块输入项

a）前台页面数据输入：名称：搜索关键词；标识：keyword；数据类型：varchar；数据来源：用户键盘输入。

b）模块类调用命令：

服务器识别用户提交的关键词，传递给对应的 Action 类，Action 类再调用对应的的 Service 类，然后交给 Lucene 的搜索类处理。

4）模块输出项

Jsp界面将搜索结果推荐出来，以高亮显示博客作者，搜索关键词以及关键词出现次数等，如图5搜索结果推荐页面图所示：

5） 模块流程逻辑

本模块的逻辑流程是：首先从接收搜索命令获得搜索的目标，传递给Action类，从而找出其对应的Service类，再通过Lucene搜索类来实现目标文档的推荐，最后以设置好的高量度形式显示出来。

6） 模块接口

本模块主要是把数据存储层的数据，通过业务逻辑层的业务处理，来实现表示层的表示，从而实现目标文档的搜索推荐功能，其接口如图6 搜索推荐主干模块接口图所示。

4 模块管理

为了更好的实现资源的统一管理，将其设计在后台统一界面进行管理，其管理页面结构如图7统一管理结构图所示。

参考文献：

个性化推荐系统篇7

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2013）26-5981-04

1 概述

个性化课程序列是基于网络学习的一个重要的研究领域，因为固定的学习路径并不适合所有的学生。然而，大部分的个性化学习系统在进行个性化服务时都忽略了考虑学习者的能力和推荐资源难度水平的匹配问题。而且，在实施个性化课程序列的时候，学习概念连续性也需要考虑。因为平稳连贯的学习路径可以加强概念之间的理解和学习。通常情况下，不适合的课件会给学习者带来认知负担和迷惑，因此会影响学习效果。

2 系统设计

该系统设计了两种学习方式。一种是传统的e-learning学习方式，自由浏览学习模式。另一种是个性化学习路径推荐模式。并且通过实验数据来对比两种学习模式设计对学习者学习的影响。

2.1系统结构

个性化e-learning 学习系统是基于遗传算法推荐课程序列计划，该系统包括一个线下的课件建模过程，六个智能agent和四个数据库。

学习接口：提供了一个灵活的学习接口和前测过程，适应性导航和后测进行交互。前测过程是为相应的学习课件产生一个随机的测试项目，根据学习者对测试项目的错误作答来判断对于个体学习者的个性化学习序列中应包含哪些学习概念。前测过程会将个体学习者的错误作答传递给学习路径导出，用于生成一个基于遗传的推荐学习路径给学习者。适应性导航支持负责引导学习者按照学习路径导出产生的学习路径进行学习，并且存储学习者学习记录在用户档案数据库中。在学习者完成学习过程后，后测过程会产生一个最终测试。拥有账户授权机制的课件管理提供了一个应答测试项目和课件管理接口，协助教师生成新的测试项目和课程单元，上传，删除和编辑测试项目和课件到测试项目和课件数据库。四个数据库分别是：用户账户数据库，用户资料数据库，测试项目和课件数据库，教师账户数据库。系统结构图如下：

2.2课件建模过程

2.2.1 课件难度参数确定

课件建模过程为个性化课件的生成和依据课件内容难度参数设计课件。该研究展示了根据computerized adaptive testing（CAT）理论[1]的一种基于统计的方法。通过细致的测试过程来决定课件的难度参数。如图所示。

课件建模过程是由多位经验丰富的教师组成专家组，根据每个学习概念设计相应的测试项目。测试项目被当做相应学习内容的关键特征。此外，需要数据采样来测试包含所有学习内容的测试项目。根据IRT 这些测试数据会有统计的编程BILOG来进行分析得到每次测试项目的相应难度系数。测试项目数据库中的每个测试项目都有相对应的学习课件。

2.2.2 评估课件间的概念相关程度

使课件概念相关性分析更加容易，所有课件数据库中的课件都遵循元数据模式的标准Sharable Content Object Reference Model（SCORM）[2]。课件数据库中的每个课件都绑定一个XML文件以记录重要的传递主要课件概念的元数据。该研究采用接口技术来保留相关课件的SCORM元数据。为了给学习者产生一个基于前测结果的最近学习路径，SCORM元数据被应用来计算概念相关度，采用中文自然语言处理和信息检索的方法。具体的细节如下：每个元数据领域的与课件绑定的XML文件被选定为代表一个课件的学习概念。为了生成个性化课件需要计算概念相关度，由于在SCORM标准中是用自然语言汉语描述，因此需要元数据建模过程。因此元数据过程的第一个目标是用ECS逐个扫描，将句子分离成词。然后元数据过滤出无任何有用信息的非文本词（数字，符号等）和一个字术语。估计两个课件包含概念的相关度，采用向量空间模型来代表每一个课件在多维欧几里得空间的向量。在这个空间中，每一个轴都对应了一个术语。第i个课程对应第k 个术语的坐标可以表示如下：

Wik表示术语k 在课件i 中的重要性，tfik表示术语k 在课件i中出现的频率，N表示一个课程单元中所有的课件总数。dfk表示术语k 在课程单元中出现的频率。假设在课件i和j 中总共出现了m 个术语，那么课件i和课件j 之间的概念相似性可以用余弦公式获得。

根据矩阵建立了课件概念相关度矩阵后，所有的矩阵会被存储在课件概念相关度表中。用于后续的个性化学习路径的生成。

在此处键入公式。

2.3基于遗传算法的个性化学习路径的生成

2.3.1定义个体串

测试项目和课件数据库中的每个课件都被定义一个序号（从1到n）如果数据库中有n个测试项目和课件。这个整数代码被用来代表一个个性化串，也就是一个遗传算法的潜在解答[3]。由此，这个定义的序号和其它课程的序号结合生成一个数字串，这个数字串就是基因染色体的序列，也就代表生成了一个个性化学习路径。在这方面，每个个体都有一个独立的染色体排序。而课件被定义的序号就代表了染色体里的一个遗传基因。个体学习者的染色体序列表示如下：

通常原始群体的数量根据要解决的问题的复杂程度来决定，群体数量太大会降低基因算法的速度，但是可以提高高质量解法的可能性。为了给个体推荐高质量的学习路径，该项研究中的原始群体数量定义为100

2.3.2选择适应度函数

适应度函数是一个性能指标，用来判断根据遗传算法所生成的个性化学习路径的质量。为了根据前测结果为个体学习者生成一个高质量的学习路径，课件的难度系数和课件概念的相关度也包含在适应度函数中，而且还要考虑根据学习者的错误作答而映射的课件。由此适应度函数的表达式如下：

r（i-1）i代表课件i 和课件i-1 的概念相关度，bi是课件i 的难度系数，w是可调节权重，n代表了所有的课件数量。繁衍过程是，具有大适应函数值的个体才能够繁衍后代。繁衍的目标是选择好的个体来繁衍后代[3]。

2.3.3交叉操作

这个过程是两个父母节点来生成孩子节点。在这项研究中统一的交叉方案和交叉机率被设置为0.9.同时为了避免产生非法的学习路径，例如一个学习路径包含重复的课件序号或者一个学习路径包含的课件序号超出了课件的总数，采用交叉操作可以避免产生非法路径。

2.3.4 变异操作

变异操作是在一个体中随机选择两个基因在概率判断下进行强制交换。交叉操作可以避免解决方案陷入局部最优的循环中。通常情况下，一个低概率的变异可以保证得到一个收敛的遗传算法，但可能降低解决方案的质量。相反的，高机率的变异可以产生一个随机游动的遗传算法，但是降低收敛速度。在这个研究中变异被设置为0.001.

在遗传算法中，算法会重复执行繁衍，交叉操作，变异操作直到满足系统设置的终止参数。在该研究中，根据实验判断满足推荐适合的学习路径系统的终止参数被设置成200。

2.4 系统实验数据

根据对采样的实验组和控制组的后测得到的数据，可以客观的反映出两个学习模式对学习者学习的不同影响。

表2中P=0.001

3 结束语

这个多Agent的个性化学习路径推荐系统相对于自由浏览的e-learning学习系统更能够帮助学生提高学习效率，这种个性化的学习推荐更适合于帮助有明确学习需求，同时时间精力有限的学生快速而有效的学习，也避免自由浏览学习模式中的信息过载问题。

参考文献：

[1] puter Adaptive Testing[J].Journal of Applied Measurement， 2005，6（1）.

[2] O Bohl.The sharable content object reference model （SCORM） - a critical review[J].ompter in Education，2002（2）.

[3] Rothlauf F.Representations for genetic and evolutionary algorithms[M].Heidelberg，Physica-Verlag，2006.

[4] Chen C.M Personalized curriculum sequencing using modified item response theory for web-based instruction[J]. Expert Systems with Applications， 2006， 30（2）.

[5] MJ Huang. Constructing a personalized e-learning system based on genetic algorithm and case-based reasoning approach[J]. Expert Systems with Applications， 2007（5）.

[6] Erdal Cayirci. Computer Assisted Exercises and Training： A Reference Guide[M] John Wiley & Sons，2009.

个性化推荐系统篇8

近年来，电子商务的快速发展极大地改变了传统的贸易模式，为企业和消费者提供了一个相互交流的便捷平台。本文旨在提出一个适合于体育营销的个性化推荐模式，以期使电子商务能广泛、高效地为发展体育事业服务。

一、国内电子商务个性化推荐系统的现状

目前个性化推荐已开始在国内电子商务领域初现端倪，PC零售业的巨头——Dell公司正是通过提供个性化推荐在电子商务活动中获得了巨大的成功。然而，在电子商务推荐系统的应用方面，国内电子商务网站与国外网站相比差距还较大，主要表现在：

1.缺乏个性化的推荐： 由于很多推荐笼统地粗放地面向所有用户，而非个性化的推荐，其结果与每一用户的特殊兴趣并不相符合，这是我国电子商务推荐系统最主要的缺陷。

2.推荐的自动化程度低： 大多数的推荐功能都需要用户经过一段时间与计算机进行交互，输入自己感兴趣的信息，然后才能得到结果。并且，系统不能保存用户每次输入的信息。总体来说，所有的推荐策略都基本上停留在查找这一层次上，不能实现自动推荐。

3.推荐的持久性程度低： 目前大多数的推荐策略都是建立在当前用户会话的基础上，不能利用用户以前的会话信息，因而推荐的持久性程度非常低。这也是国内推荐系统的不足之处。

4.推荐策略单一： 大多数推荐系统所用的推荐策略基本上就是分类浏览和基于内容的检索，缺乏多种推荐策略的结合使用，尤其缺少个性化与非个性化推荐策略的混合使用。

产生以上问题的主要原因，首先是消费者对电子商务不信任的社会心理还比较普遍，不愿提供真实的个人信息。其次，是现实生活中电子商务个性化推荐不到位，管理制度不完善，无法达到消费者要求的水平，建立提供电子商务个性化推荐的网络系统的技术也欠发达。

二、电子商务个性化推荐系统及其分类

电子商务个性化推荐系统（Personalized Recommendation Systems for E -Commerce）的正式定义由Resnick & 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”。这个定义现在已被广泛引用，推荐系统的使用者是用户（电子商务活动中的用户）（user），推荐的对象是项目（item）。项目是推荐系统提供给用户的产品或推荐，也即最终的推荐内容。

根据推荐对象的特点，目前存在的推荐系统可以大致分为两类：一类是以网页为主要推荐对象的推荐系统，它主要采用Web数据挖掘，尤其是使用Web日志挖掘的方法来分析用户的兴趣，向用户推荐符合其兴趣爱好的网页链接。另一类推荐系统的推荐对象主要是产品，这种系统主要在电子商务网络购物环境中使用，帮助用户找出他真正想要的产品。

三、电子商务个性化推荐系统模块

1.输入模块（Input）：主要负责对用户信息的收集和更新。输入来源按时间划分，可分为用户当前行为输入和用户访问过程中的历史行为输入；也可以分为个人输入和群体输入两部分。输入形式主要包括：用户注册信息输入、隐式浏览输入、关键字输入、编辑推荐输入、用户购买历史输入等等。

2.推荐方法模块（Recommendation method）是整个推荐系统的核心部分，它直接决定着推荐系统的性能优劣。推荐方法模块是以推荐技术和推荐算法为技术支撑。

3.输出模块（Output）负责将推荐结果输出给用户。输出形式主要包括相关产品输出、个体评分输出、相关推荐输出等。

四、电子商务个性化推荐系统的体系结构

与传统的网站系统相比，个性化的电子商务系统有一个很大不同之处：个性化的电子商务网站一般都没有静态页面，这是由HTTP协议的“无状态性”所决定的。浏览器与Web推荐器之间的一个交互过程如图1所示。

从上图可见，客户机浏览器与Web推荐器之间采用TCP连接，并且该连接状态在此次连接过程中尚能保持。但是，Web推荐器在发送给客户机应答信息后，便“遗忘”了此次交互，无论Web推荐器和客户端浏览器都不会记忆上一次连接的状态。目前，解决这个问题的方法一般有两种：

1.使用Cookie。Cookie是存储在Web客户端机器上的一个小文本文件。Web推荐器端的处理程序可以创建一个Cookie，然后让推荐器把该信息发送给客户端的浏览器。浏览器收到信息后即把数据存储在客户端的硬盘上。以后，当该客户再次访问该站点时，推荐器的处理程序向客户机的浏览器请求该Cookie。 通过Cookie，可以使推荐器端的处理程序具有交互性。

2.采用全动态的页面。“全动态”是指在获取用户的身份信息后，在用户访问的每一个页面中都写入系统分配给顾客的一个唯一标识，当用户向推荐器提交推荐请求时，这个标识也一起传送到了推荐器。这样，推荐器端的处理程序可以从这个标识中获取用户的身份信息。采用这种方式，不同的用户拥有不同的标识，不同的顾客也就有了一套不同的页面。这些页面只可能通过处理程序来动态生成。

因此，一个个性化的电子商务系统一般是没有静态页面的。综上所述，一个个性化电子商务网站的基本结构如图2所示。

五、个性化处理单元的设计

1.个性化处理部分：这是个性化处理单元中一个很重要的部分，它与接口部分协作，完成了个性化网页的生成工作。个性化处理部分一个大致的工作流程如下：(1)确认用户身份，以便对不同的用户提供不同的推荐。如果由于输入错误或其他一些原因，用户可能无法通过身份认证，对此系统可以有不同的处理方式。(2)获取用户配置信息。用户在通过认证后，系统将从后台数据库中获得用户配置信息，如用户的兴趣、爱好等等。根据系统的不同，需要的用户配置信息也会有所不同。(3)生成动态页面。匹配中心根据用户的配置信息，与相应的数据库进行交互，动态生成页面。 最后通过连接管理模块将结果页面发送给Web推荐器，最终由推荐器将页面返回给发送请求的用户。

2.管理部分;其工作是在后台管理整个系统的运行，对于一个个性化系统来说，管理部分还有一些特殊的地方:(1)管理工作的内容比较繁杂。管理工作有的是直接为访问网站的用户推荐的，有的是为网站后台应用服务的。(2)进行管理工作的人员也比较复杂。在一个个性化的系统中，高级决策人员、销售人员、网页维护人员等都可以进行相应的管理工作。正因为如此，管理部分成为个性化系统中一个不可缺少的部分。管理部分共有内容管理模块、规则管理模块、后台管理模块三大块，每个模块的功能都不相同。

3.接口部分：这一部分包括接入管理模块和数据库接口两部分。个性化处理单元处于Web推荐器与后台数据库之间，它通过接口部分与Web推荐器和数据库连接。因此，接口部分在 Web推荐器、个性化处理单元和数据库间起到了一个“桥梁”的作用。(1)接入管理模块。接入管理模块的主要功能是接收Web推荐器发送的请求信息，并将产生的结果页面返回Web推荐器。根据Web推荐器中HTP网关的不同，接入管理模块可以是一个外部的应用程序，或者是一个连接入推荐器的模块。(2)数据库接口。数据库的接口大致可以分为两类：通用接口和专用接口。通用接口，如ODBC， JDBC等，可以连接到多种数据库。专用接口只能对应于某种专用的数据库。但通用接口在速度方面不如专用接口。根据网站规模的不同、经营项目的不同、硬件设备的不同，库接口都会有所不同，这需要具体问题具体分析。

六、结束语

电子商务网站为终端客户和分销商等商业个体提供商业信息交流的平台，如何对系统留下的大量冗余的商业数据再利用是一个具有挑战性的问题。随着数据挖掘技术的成熟，尤其是Web挖掘技术的产生，如何提供电子商务网站个性化推荐越来越受企业关注，也是保障企业生存发展的重要因素之一。

参考文献

个性化推荐系统篇9

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。

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。

2000年，我国正式开始了个性化推荐的研究，清华大学的陆海明等提出了基于Agent多混合智能实现个性化推荐；2001年清华大学的冯翱等人提出了基于Agent的个性化信息过滤系统Open Bookmark；南京大学的潘金贵等人设计并实现了个性化信息搜集智能体DOLTRL-Agent。近几年来，个性化信息推荐服务逐渐从理论走向实践，从探索走向完善，逐步成为商业界的焦点。

三、常用的个性化推荐系统算法分析

下面对常用的个性化推荐系统的算法进行简要的分析。根据算法的不同，当前已有的个性化推荐系统大致可以分为以下几类：基于规则的推荐系统；基于内容的推荐系统；协同过滤系统；基于用户-产品二部图网络结构的推荐系统；以及混合式推荐系统。

1、基于规则（Rule-based）的推荐系统

关联规则挖掘是数据挖掘领域的一个重要分支。对于基于关联规则的推荐算法来说，其作用机理就是：首先统计得到挖掘出的规则前件，然后针对目标客户的历史购买行为，向顾客推荐规则后件。该算法的优点是容易理解，研究基础广泛且成熟，支持其实现的软件丰富，有较好的实践条件；缺点是随着事务的增多，规则的发现将非常耗时，并且规则难以解释。

2、基于内容（Content-based）的推荐系统

基于内容的推荐起源于信息检索领域，它利用资源和用户兴趣的相似性来过滤信息。首先分析项目的内容，根据用户评价过的项目建立用户的兴趣模型，即用户描述文件。根据用户描述文件的不同又可以分为基于向量空间模型的推荐、基于关键词分类的推荐、基于领域分类的推荐和基于潜在语义索引的推荐。

基于内容的算法的优点是直接、简单，推荐结果易于解释。但也存在一定的局限：首先，特征提取能力有限，它仅适用于产品特征容易抽取的领域，当项目特征很难被一组关键词来清晰描述时，基于内容的推荐算法就显得苍白无力了。

3、协同过滤（Collaborative filtering）系统

协同过滤是目前应用研究的最为广泛最成熟的个性化推荐技术。主要分为基于用户的协同过滤系统和基于项目的协同过滤系统。其核心思想是：首先，基于系统中已有评分数据，计算给定用户（或项目）之间的相似性；然后根据计算得到的相似性，寻找目标用户（或项目）的最近邻居集合；最后使用最近邻居集合中的用户（或项目）的评分情况来预测目标用户对目标项目的评分值。

协同过滤的推荐系统主要优点有：

（1）对内容信息不易抽取的项目能产生完全自动化的推荐；

（2）能根据项目的质量和用户的品味产生推荐；

（3）能为用户发现新的兴趣。当然，协同过滤推荐系统也存在一些弊端：

（1）数据稀疏性问题，这也是协同过滤系统目前存在的最普遍的问题。

（2）冷启动问题，当一个新项目刚加入系统的时候，由于没有任何用户对它进行过评分，该项目便无法得到推荐。

（3）同一性问题，对于名称不同本质相同的项目，协同过滤无法发现潜在的联系；

（4）扩展性问题，随着系统中项目和用户数量的增多数据库将变得非常庞大，为用户产生推荐的精度和实时性都因此而降低。

4、基于用户-产品二部图网络结构（Network-based）的推荐系统

基于网络结构的推荐算法不考虑用户和产品的内容特征，而仅仅把它们看成抽象的节点，所有算法利用的信息都藏在用户和产品的选择关系之中.分别利用用户一产品用二部分图建立用户―产品关联关系，并据此就提出了基于网络结构的推荐算法。其中，提出了一种全新的基予资源分配的算法，通过在协同过滤算法中引入二部分图上的扩散动力学，部分解决了数据稀疏性的问题。

5、混合式（Hybrid）推荐系统

基于规则的、基于内容的以及协同过滤的推荐算法由于自身的特点，在实际应用中都存在一些缺陷，因此就提出了把多种不同算法结合起来形成混合算法的解决方案。

四、个性化推荐系统对电子商务网站的意义

个性化推荐系统作为一种电子商务服务，是网络营销的重要手段。据VentureBeat统计，Amazon的推荐系统为其提供了35%的商品销售额。个性化推荐系统能够有效地留住顾客、防止顾客流失，提高销售额，因此受到越来越多的关注。综合来看，个性化推荐系统对电子商务网站的意义，主要可以概括为以下几点：

1、把网站浏览者转变为购买者

有些用户浏览网站并非有有购买目的，如果网站通过个性化推荐系统对其进行推荐，有可能使顾客形成购物冲动，从而促进销售。

2、提高电子商务网站的交叉销售能力

个性化推荐系统可以发现顾客所购买商品之间存在的内在关联，网站可以根据推荐算法的输出结果，对相关商品进行组合推荐、捆绑销售等，从而促进销售。

3、提高顾客对电子商务网站的忠诚度

个性化推荐系统可以让顾客受困于海量的信息当中，因此适当的使用个性化推荐系统对顾客进行商品信息推送可以提高顾客的购物舒适度和满意度，从而提高顾客的忠诚度。

4、优化电子商务网站

根据Web日志数据分析用户的行为模式，推荐超连接列表，或者动态地生成可能的网页超链接。尽可能迎合每个用户的浏览兴趣并且不断调整网站链接结构适应用户浏览兴趣的变化，使每个用户在浏览网站时都有该网站的唯一用户的感觉。

五、结语

网络交易量不断增长的时代，已经出现了很多实用的个性化推荐系统。它能够利用顾客期望的产品单、购物车、顾客提交的评价以及购买记录等，为顾客推荐适合的产品，提供多项推荐服务。本文简单介绍了几类基于不同推荐算法的推荐系统.虽然这些推荐系统都已经投入应用，并且取得了可观的经济效益，然而，这些系统都面临着许多问题，需要从理论和应用角度进行深入的研究。（作者单位：山西省运城市广播电视台）

参考文献

[1]张靖.网络个性化服务资源综合推荐研究[J].计算机仿真.2009.26（11）：157-165）

[2]刘建国，周涛，汪秉宏.个性化推荐系统的研究进展[J].自然科学进展.2009.19（1）：1-15

[3]李智琦，陈世颖，杨怡凝.基于数据挖掘的个性化推荐在SNS中的应用[J].电脑知识与技术.Vol.7，No.28，October 2011.

[4]曾春，邢春晓，周立柱.个性化服务技术综述[J].软件学报.2002.13（10）：1592-1561

[5]吴丽花，刘鲁.个性化推荐系统用户建模技术综述[J]，情报学报，2006，25：55-62

[6]王茜，杨莉云，杨德礼，面向用户偏好的属性值评分分布协同过滤算法[J]，系统工程学报，2010.04

个性化推荐系统篇10

个性化网页推荐系统，对现代电子商务的发展具有重要的实用价值和商业价值。将特征提取技术广泛的应用在个性化网页推荐系统中，对于操作系统应用网络系统和数据挖掘技术对客户进行商品推荐，实现了销售再次合作，有效的防止了客户的流响。

一、个性化网页推荐系统

近年来，随着网络在世界范围内的普及应用，民众对网页的浏览已在世界范围内风靡。个性化网页推荐改变了用户单一被动接受信息的模式，搜索引擎功能的运用实施也比以往的只有搜索与用户匹配的关键词完成上，占有更大优势。个性化网页推荐的应用，扩大了网页推荐引擎的搜索范围，能为用户提供更多他们感兴趣的网页。个性化网页中，关键词的概括更具概括性。

个性化网页推荐体系的服务器端，由特征提取对其负责文本进行分类预处理，通过对候选网页进行推荐和进一步筛选，最后再与客户端实现数据的交互传输。

二、特征提取技术

特征提取技术，即可以通过提取用户阅读的网页内容，挖掘出用户感兴趣的内容。在个性化网页推荐系统中的应用，通过关联规则筛选出了符合条件的搜索内容，避免了搜索过程中出现的无法搜索项。推荐网页链接由网页推荐系统对用户程序自动捕获阅读网页事件，并通过客户端在浏览器窗口右侧。以当前网页为中心，将兴趣分支供用户观赏。

特征提取技术应用在网页推荐系统中，能使Web通过网络用户注册数据的了解用户基本情况，偏好及浏览行为中累积的原始空间维数，对于用户潜在的兴趣爱好及未来商家的可实用性和可操作性进行综合评判。

由于网页推荐系统显示的终端数据五花八门，从原理上来说，就承载了太多数据的无效空间，利用“指纹”特征，能更有效，更有针对性的挖掘出有用的信息，而且节省了时间和用户就此付出的费用。网页推荐系统研究中，就将特征提取技术作为通信领域的划时代变革。

由于网页数据的无结构化特点，在对一些文本进行预处理时，原始空间特征你的系统维数，无论怎样来说都需要特征压缩文件对其维数进行压缩工作.网页的特征提取技术，在这一时段的应用中就发挥了不可超越的力量。

三、个性化网页推荐系统设计与应用

因为个性化网页推荐系统是多步骤系统性处理数据，对于提高其系统的实时性和处理空间维数的能效来说，可以费时较长的步骤利用系统服务器的闲置时间进行处理或将部分结果存储于数据库中。

特征提取技术在个性化网页推荐系统中的设计使用原理：商家经由Web处理和识别用户；通过特征提取技术，读取系统数据库数据并经由用户反过来信息以后，再次将数据库数据传输给用户；再次由系统自动组件，通过用户反馈回来的信息挖掘并推荐处理再次数据；对于数据结果，网页系统会对原始空间维数进行预处理，将部分耗时较长的数据自动在系统闲时处理，部分用于存入LOG中；个性化网页推荐系统就以存储读取数据，最后对网页做出推荐结果。中间的各个环节，都需要用户意见的及时反馈，最终处理的结果就是个性化网页推荐系统将高效正确的信息显示给用户。这样就完成了，特征提取技术在个性化网页推荐中的运用。

个性化网页推荐系统中，广泛应用特征提取技术，不但有利于降低空间系统维数，更有利于对用户所需要的信息进行价值凭升，对于原始空间中存在的无价值信息，特征提取会做出及时的反馈并根据自身评定，做出简单取舍。

特征提取技术的进步，能有效提升计算量，在中文标识记的文本特性中，提取的精确度，直接程度上有利于个性网页推荐使用中，达到用户的满意度，提升他的内在营运价值，将网页浏览和获取信息量，真正成为商业用途中高效能的使用工具。

四、总结

特征提取技术在个性化网页推荐系统中的应用，对于网络交易平台的实现和节省用户使用网络的费用和时间，同时对于促进网络商务交流合作具有极大的创新意义。利用网页推荐技术助企业分析从网上获取有效数据，实现他们的动态科技创新发展，具有很大意味的企业调整营销策略。

参考文献

个性化推荐系统篇11

计算机技术的迅速发展和广泛应用，使大数据成为计算机技术的必然产物及各个领域的热门话题。大数据对社会经济、政治、生活以及文化等方面都有着深远的影响，为各个领域带来了机遇和挑战，教育领域也不例外。随着大数据概念和个性化推荐系统的引入，教育信息化也展现出前所未有的发展趋势，可以说教育和计算机技术的相融合，不仅提高了学习者整理和分析信息的能力，同时也推动了教育改革和教学创新。

一、大数据和个性化推荐系统

1.1大数据的概念

大数据是人们在长期应用和研究数据的基础上，尤其是随着计算机技术的深入应用，在大量数据的背景下营运而生的，可以从众多无规则的数据中整理、筛选出有价值的信息，从而为各行业服务，因此，大数据也称为“巨量资料”。当前，大数据已经不再仅局限于描述和存储海量数据信息，同时还可以帮助人们客观地发现隐藏在海量数据背后有价值信息的真相。

1.2个性化推荐系统

个性化推荐系统则是基于用户基本特点及实际需求，从而为广大用户提供相应的个性化服务，目前有众多研究者和开发者不断研究和使用个性化推荐技术，例如视频网站、社交网站和购物网站都实现了个性化推荐服务，但是至今为止，个性化推荐系统的概念和定义还不够明确，通常情况下是采用Resnick和Varian在1997年关于个性化推荐系统的定义：个性化推荐系统则是在计算机技术及网络技术应用基础上，针对广大用户实际需求提供相应的商品信息及建议，从而为用户产品购买提供相应帮助，也就是模拟产品销售人员对用户产品购买提供帮助的过程。

二、个性化推荐系统设计

2.1大数据环境下的个性化推荐系统

大数据环境中信息过载已成为事实，个性化推荐系统是在帮助教学过程参与者，即教师和学生，快速有效地获取所需项目对象的目的下产生的。推荐系统在个性化教学中得到了充分的应用，例如在中职《Java程序设计基础》课程学习中，有大多数学生都做错了关于“插入排序算法”的题，但是在浏览学校论坛文章的数名学生中，有78%的学生都不会在再次做此题时出错，因为当有学生犯同样的错误时，推荐系统会自动推送相关论坛文章帮助学生解答疑惑，在这里，确定适合学生学习的论坛内容凭借的是“项目相关计算”的手段，而不是根据学生的自行判断。

2.2了解用户需求分析

个性化推荐系统的用户多为中职院校的学生，主要是将网络学习作为主要学习方式或者辅助方式，用户通常也就是计算机专业学生或者是熟练应用教育资源网站的学生和教师等。针对学生来讲，传统教学模式需要受到时间空间的限制，无法实现面对面指导，因此学生在采用网络学习过程中往往会出现一定的迷茫，无法在大量网络数据中迅速找到自己所需的学习资源，消耗时间比较长。而推荐系统的主要功能就是可以根据学习者的特点和学习兴趣，可以为学习者推荐合适的学习资源，从而有效地为用户提供个性化资源服务[2]。另外在进行资源推荐过程中通常出现一个URL，所以当学生对资源点击下载时，程序会通过URL从网络上下载与学习资源相应的资源。当学习资源被下载到手机客户端时，学习者则可以结合自己的实际需求，不受时间及空间限制下载资源查看、标记及共享等等，并且学习者关于这一资源的相关操作，均会在客户端上进行详细记录并传送，进一步被服务器所记录并保存到数据库中，以便对学生的推荐资源进行计算。随着学生使用推荐系统时间的增加，服务器在学生输入信息记录过程中也会有显著提升，这样也就进一步提高推荐系统服务准确性。可以说个性化推荐系统就像电子购物网站一样，可以根据学生的具体需求、学习风格以及学生的浏览记录作为推荐依据，从而为学生推荐适合的学习资源，大大提高了学习者寻找资源及学习的效率。

三、个性化推荐系统在中职教育中的应用

3.1更新了教育理念、教学思维及教学评价

随着大数据时代和个性化推荐系统的深入推进，中职教育理念、教学思维及教学评价等方面都发生了更新和变化。在大数据时代，教育领域充满了海量数据，如学校教师和学生的言行举止、学校里的事物都可转化为数据信息。中职学生在用计算机终端学习时，通过研究学习者的活动轨迹和系统的推荐，包括作业完成情况、课堂言行、师生互动、自主学习及同学交流等活动，都将成为教育大数据的来源，此时大数据环境下的个性化推荐系统也比传统数字更具有含义和价值，其可以通过大数据技术层面对教学活动进行分析、评价及提高，而教育也不再是依靠教W经验和理念来传授知识[3]。可以说，个性化推荐系统将步入实证时代，变成一门基于数据研究的学科，充分挖掘符合教学和学生的教育、学习及评估等实际情况，从而规范地制定和执行教育规则，构建更加符合中职教育的教育教学策略。

3.2实现课堂教学、学生学习差异及个性化需求

大数据环境下的推荐系统具备的一个显著特点就是充分体现了学生学习和课堂教学真正意义上的个性化。例如美国的科罗拉多州的一所学校实施了“教育信息系统计划”，其是通过收集、整理及分析学校教师和学生的所有信息，旨在更好地帮助学校改进教学手段，更好地帮助学生获得学业上的知识。系统设计的重点是将所收集到的学生和教师的数据内容通过计算机信息技术联系起来，通过推荐系统的数据分析，让教师在获取更全面和更丰富的教学资源的同时，了解采用哪一种教学手段对学生的授课最有效，同时还可以及时了解到学生在学习过程中遇到的困难，并针对学生的特点进行个性化教学活动设计、学习计划以及对差异化的教学方案进行创新，从而大幅地提升教学质量。而学生则可以在教师的针对性指导下，提高自己的成绩和综合素质。

3.3提高和完善了学校的管理体系

学校是培养人才、传授知识及创造知识的场所，在学校管理中不管是活动控制还是决策，均需要一定的信息，比如在进行目标制定、教学计划设计以及教学组织评估过程等等。而个性化推荐系统在中职教育中的应用，不仅提高了教育管理，同时也实现了教育教学的科学化和精细化。推荐系统中不仅蕴藏着海量的资源信息，并且还可以在收集整理信息的同时产生新的数据，由此可见大数据处理及推荐系统在学校管理各个部门及活动中有着重要的作用，其可以对学校进行系统的规划和梳理，将所收集到的数据信息细化和标准化。同时，针对学校管理的数据或者对象，推荐系统可以从不同维度记录数据和对象，同时不同数据也能够实现印证，有助于构建多源管理大数据，重点集中在过程管理、活动管理及决策管理过程中，从而最终在学校管理大数据中[4]。

四、总结

大数据时代的到来和个性化推荐系统的推进对教育领域而言是新生事物，但其也是教育领域未来发展的必然趋势。围绕大数据环境下的个性化推荐系统在中职教育中的深入应用，软件开发者需要在今后的研究实践中不断地进行探索和发现。随着个性化推荐系统及其相关技术的完善和广泛使用，其在教育领域中的研究将会越来越全面和深入。

参 考 文 献

[1]金志福. 基于大数据的教育资源个性推荐系统设计与实现[D]. 中国科学院大学， 2015.

个性化推荐系统篇12

目前，时尚导购类应用越来越多，面向用户所展开的功能良莠不齐，很多的应用充斥着大量信息，增加了用户对于使用产品时的工作负荷量。本文基于专家系统，对于个性化推荐穿搭应用是要改善用户使用体验，增进理解用户的需求，降低个人与服装之间的沟通张力，平衡用户自知与服装客观感知间的和谐。市场上现有的导购推荐类应用，大部分以服装搭配推荐图例的展示形式陈列给用户，却从未发自内心推敲用户到底想要什么。用户开始会被不同的展示图片所吸引，随之进入“流”的购物模式。

“流”（Flow），这个概念最早在Mihaly Csikszentmihalyi的著作中Flow：The Psychology of Optimal Experience中被提到。在Peopleware：Productive Projects and Teams一书中，作者Tom DeMarco和Timothy Lister将流描述为“一种深层的、近乎完全的融入状态”。流通常包括一种温和的沉醉感并能让你对时间的流逝毫无察觉。[1]流也可称为沉浸式模式，进入沉浸式购物模式的用户，心境就会发生转变，对于网站推荐的衣服本身要求就将变得更加严苛。用户目标与动机明确的设计，是产品最该被列入首要的主题。

用户在购买时，从购物心理学的角度来讲分为：无意识购物、购物环境潜移默化、消费者固有的惯性思维中心等。简单来说，用户在购物的时候大多处于一种盲目的状态，如以下网购流程简述：正常的网上购物行为应该粗略分为以下12步：想要购买衣服、不同应用中探寻、有喜欢的、看价格、价格合适、链接、看图片服饰细节、看店家信誉、看已购买用户评价、（思考是否合适自己、联想自己的已有服饰的搭配）、是否是7天无理由退还货物店、加入购物车、（再次思考犹豫）、购买。

在网上购物不同于现实购物，所看即所得，只要上身好看就可以直接购买。网购时，购买的12步中，我们其实从第3步就已经开始有了购买的欲望，但是到最终的购买我们还要历经很多的评断时间。问题在于我们对于物品的不信任，对于自己的不了解，更加重要的是对于自己的衣橱没有一个整体概览。很多18～25岁的“小白用户”人群想要寻求变化，找到自己的特点穿出个性，盲目地推荐她们下载时尚导购类的应用，只会叫她们更加的举步维艰。

解铃还须系铃人，问题的根本要从用户自身寻找，要使用户自己了解自己。服装搭配不仅仅是肉体和布料间的叠加，而是有关色彩、材质、款型、身高体重、脸型等因素组成，个性化推荐也是基于此。个性化推荐的专家系统，首先是要在大量的数据基础之上，运用人工智能的技术完成。

专家系统（Expert System，ES）亦称为专家咨询系统，它是一种具有大量专门知识与经验的智能计算机系统。它把专门领域中人类专家的知识和思考解决问题的方法、经验和诀窍组织整理且存储在计算机中，不但能模拟领域专家的思维过程，而且能让计算机如同人类专家那样智能地解决实际问题。“专家系统”指拥有某个或某些专门领域相当数量的专家级知识，并且能够在运行过程中不断地增长新知识和修改原有知识，从总体上达到专家水平。由于专家系统是基于知识的系统，那么，建造专家系统就涉及知识获取（从人类专家那里或从实际问题那里搜集、整理、归纳专家级知识），知识的组织与管理，知识库建立与维护，知识的利用等。本文中所描述的基于专家系统的个性化穿搭应用推荐猜想，也是从搜集专家级的知识开始，以下会从视觉上最先感知的颜色开始，推导出我们的个性化穿搭推荐的专家系统。[2]

服饰搭配中最为吸引人眼球的是整体的颜色。首先，要确立用户肤色的大致划分，以便找到适合自己的服装风格颜色。例如，皮肤比较偏向棕色的女生，可能由于更加崇尚健康常晒太阳，比较适合活跃的荧光色，色彩饱和度高的色彩；皮肤比较白皙的女生，比较适合暖色。颜色确定后，我们通过颜色的划分和归类，可以导向服饰搭配中的风格分类。根据各大电商的风格分类总结，可以将服饰风格划分为4种大类：女性化、中性化、个性化、大众化。根据色彩的关联，能够很快地定位用户的方向，每次向用户推荐2种风格，其中可变更风格1种（女性化、中性化、个性化任选其一）。更换一种大风格则相应的推荐另外两种可变更风格之一；替换一种大风格下的小趋向，可从新获得2种小趋向风格。

不做硬性的推荐，而是感情化的给予建议，如同你的购物闺蜜一般。这样的推荐来源于用户自身真实的个体特征资料，通过猜风格的形式和用户产生第一次的互动，让用户不会有被迫的感觉。这样的个性化推荐，大大减少了用户寻找想要服饰的时间，并且在每次用户操作过后，系统将会更加了解用户心里的欲求购买物品，可以更加准确的推荐给用户。每种大风格下面的服饰搭配，所用的单品总是共10种，包括包、配饰等配件，10种搭配衍生出7种整体符合大风格的造型。这就是我们想要强调的收敛型。不是夸张地叫你总是购买新衣服，而是有节制的从需求、适合、喜欢，三种不同层级出发收敛，以帮助用户不会穿错的基础上提高20%的心意，打造潮级平凡的搭配效果。

每款推荐的搭配都是在一定价格范围之内。根据18～25岁用户的经济水平，每套服装搭配都应该有其应用的价格倾向，适合“小白用户”的更加细分的人群。在校园中，大部分的经济来源都是父母的支持，我们应该树立良好的价值观，不应过度消费。

每款推荐的搭配单品可以通过拍照的方式进行替换，合理的利用现有服饰，搭配出相同的效果。本质是现有衣服的重组没有建立起来。一遍遍的试穿现有的服装，在体力上用户使用度不够良好。所以，只要用户输入了现有的服装，系统可以自动为其匹配；或是用户可以利用其碎片时间，完成搭配的小游戏。这种互动可以增加用户的搭配能力，在体验中寻求成长。用户的搭配知识来源于，系统的推荐和达人用户的服饰街拍样例。每一次用户自我的搭配还可以分享给其他用户，通过评分的机制，增加整个使用过程中的游戏性，让搭配成为一种谁人都可以做好的事情。达人的服饰展示不仅可以作为服饰搭配的知识来源，还可以作为“小白用户”的匹配样板。根据“小白用户”最开始的个体体征数据，可以找到资料相当的达人，作为参考样板。

通过这样的专家系统化的个性化推荐设计，不仅可以减少用户在寻求购买时的时间成本，最重要的可以帮助“小白用户”完成自我探寻的第一步，开启了他们的服饰搭配敲门砖。购物只需三步：选择――喜欢――购买。个性化推荐的关键就是在帮助用户，在一定的预算范围之内，完成最大化的个性服饰搭配，并解决最快的购买流程。基于专家系统的个性化推荐设计，想要做的就是平衡“个人偏好”与“实际获得”之间的距离，让用户最终买到的东西尽可能的贴近用户心里欲求的。

参考文献：