因为论文需要，近期一直在研究关于智能推荐系统的相关技术，查了不少的资料，发现这一领域还真是深不可测，奥秘无穷，难怪人类智能化这一阶段吸引了无数的研究学者，还好我不是专门的研究算法的人员，但是要把这种技术引进我们学科，还是需要发点精力，论文草稿大致已经出现出来，但是因为核心的算法还是没能读懂，所以进展一直卡在哪里，但是至少现在看来 ，我感觉我在研究的是一个很有意义的东西，他的问题如果能解决出来，价值肯定会凸显出来的，在感觉自己技术薄弱的情况下，我把一个教改班的师弟拉进，这个号称“小清华”出来的算法专家，经过几天的研究，已经基本帮我理清了一些思路，这样看来，论文的整理性以及逻辑已经又进了一步。

这里稍微整理一下看过的资料：

电子商务推荐系统(Recommendation System)向客户提供商品信息和建议，模拟销售人员帮助客户完成购买过程.Harvard商学院的Joe Ping在大规模定制一文中认为现代企业应该从大规模生产(以标准化的产品和均匀的市场为特征)向大规模定制(为不同客户的不同需求提供不同的商品)转化。

(onling:关于大规模定制，我们这边前期的研究成果很多，但是如何智能定制，智能推荐，就是这些成果的不足，我的论文就是要填补这一块空白。：）)

智能推荐系统的作用：

• 将电子商务网站的浏览者转变为购买者(Converting Browsers into Buyers)

（ onling注：其实我 这里这要把购买者转变为产品的参与者，我想这个更符合个性定制的要求）

• 提高电子商务网站的交叉销售能力(Cross-Sell)

（onling:应该就是社会化的相互联系，挖掘潜在的关系）

• 提高客户对电子商务网站的忠诚度(Building Loyalty)

（onling：智能推荐的结果直接影响了用户的忠诚度，倘若不准，会影响忠诚）

电子商务推荐系统的界面表现形式分类：

• Browsing：客户提出对特定商品的查询要求，推荐系统根据查询要求返回高质量的推荐
• Similar Item：推荐系统根据客户购物篮中的商品和客户可能感兴趣的商品推荐类似的商品
• Email：推荐系统通过电子邮件的方式通知客户可能感兴趣的商品信息
• Text Comments：推荐系统向客户提供其他客户对相应产品的评论信息

电子商务推荐系统研究热点与方向：

1. 对当前的电子商务推荐系统进行改进，以使得推荐系统能产生更加精确的推荐(onling:数据整合？）
2. 将数据挖掘技术及Web挖掘技术应用到电子商务推荐系统中，产生完全自动化的推荐，使用户感受到完全个性化的购物体验(onling:数据挖掘)
3. 将电子商务推荐系统由虚拟的销售人员转变为市场分析工具(onling:数据挖掘，分析推荐）
4. 开发销售方的电子商务推荐系统，为商家的产品定价、促销活动及交叉销售等提供推荐

几种推荐系统技术介绍：

1.基于关联规则的推荐算法

关联规则就是在一个交易数据库中统计购买了商品集X的交易中有多大比例的交易同时购买了商品集Y，得到的关联规则表示为：X=>Y[s%,c%]
s表示关联规则的支持度，c表示关联规则的置信度

关联规则的发现算法很多，如Apriori，AprioriTid，DHP，FP-tree等

算法过程：

1. 使用关联规则发现算法找出所有满足最小支持度和最小置信度的关联规则R
2. 找出R中所有被客户支持的关联规则R1，即关联规则左边的所有商品都被客户购买
3. 找出被关联规则R1所预测并且没有被客户所购买的所有商品P
4. 根据P中商品在关联规则R1中的置信度排序，如果某商品被多个规则预测，则取置信度最大者作为排序依据，挑选前N个商品作为算法输出

2.基于最近邻居的协同过滤算法

基本思想：使用统计技术寻找与目标客户有相同喜好的邻居；然后根据目标客户多个邻居的观点产生向目标客户的推荐，
通过奇异值分解(Singular Value Decomposition)将m*n阶客户-商品矩阵变换为m*k阶矩阵，这种表示称为降维表示(Reduced Dimensional Representation)，可以部分解决原始表示存在的稀疏性、缩放性和同义词问题

• 表示(Representation)：对客户已经购买的商品进行建模
• 邻居形成(Neighborhood Formation)：寻找目标客户所对应的邻居
• 推荐产生(Recommendation Generation)：从目标客户的邻居中产生N项产品推荐

3.基于项目的协同过滤算法

基本思路：根据目标客户已经评价过的项目与目标项目的相似性，选择k个最相似的项目{i1, i2, ……, ik}，同时得到k个最相似的项目与目标项目的相似度，记为{si1, si2, ……, sik}，然后将目标客户对这k个最相似的项目的评分及这k个最相似的项目与目标项目的相似度的加权平均值作为对目标项目的评分
本算法主要分两步：

• 项目相似性计算
• 产生推荐

可能相关的算法还有很多，还在海量研究中，但是应该来说目前就 这几种算法比较可行，发现还有很多论文专门研究优化算法效率的，看来这里面的学问真的不少，不过当务之急是把这种算法思想引进定制项目来，以更好地提升用户的良好体验，至于后面的算法优化，可以以后慢慢研究，我想这也算极限编程里面学到的方法吧，继续研究中。。。 有刚兴趣的可以一起探讨哦~