摘要：為了使用戶及時從大量數(shù)據(jù)中得到所需信息，電子商務個性化信息推薦服務應運而生。本文分析了目前推薦服務的優(yōu)缺點，介紹了實現(xiàn)推薦服務的技術，并通過實例說明了推薦系統(tǒng)的設計實現(xiàn)過程。（上海企業(yè)網(wǎng)站建設）

    互聯(lián)網(wǎng)上蘊藏著的海量信息，對于用戶來說已經(jīng)大大超過了可能的接受量。用戶希望能從琳瑯滿目的電子商務網(wǎng)站中盡快找到心儀的物品。商家也希望能推銷出自己的產品，吸引客戶，所以推薦系統(tǒng)孕育而生，其作用如下：

　　1，將電子商務系統(tǒng)的瀏覽者轉變?yōu)橘徺I者。電子商務系統(tǒng)的訪問者在瀏覽過程中經(jīng)常并沒有購買欲望，推薦系統(tǒng)能夠向訪問者推薦他們感興趣的商品，從而完成購買過程。

　　2，提高電子商務系統(tǒng)的交叉銷售。電子商務推薦系統(tǒng)在用戶購買過程中向用戶提供其它有價值的商品推薦，用戶能夠從提供的推薦列表中購買自己確實需要但在購買過程中沒有想到的商品，從而有效提高電子商務系統(tǒng)的交叉銷售。（上海做網(wǎng)站）

　　3，保留用戶。與傳統(tǒng)的商務模式相比，電子商務系統(tǒng)使得用戶擁有越來越多的選擇，用戶更換商家及其方便，只需要一兩次鼠標的點擊就可以在不同電子商務系統(tǒng)之間跳轉。電子商務推薦系統(tǒng)分析用戶的購買習慣，根據(jù)用戶需求向用戶提供有價值的商品推薦。如果電子商務推薦系統(tǒng)的推薦質量很高，那么用戶會再次訪問這個網(wǎng)站，并會推薦給其他人，這對于網(wǎng)站來說是一個很大的優(yōu)勢。

　　推薦系統(tǒng)的分類

　　根據(jù)電子商務推薦系統(tǒng)所采用的推薦技術，電子商務推薦系統(tǒng)主要分為：（上海網(wǎng)站推廣）

　　1，基于內容過濾的推薦系統(tǒng)。系統(tǒng)通過比較商品之間的相似性，而不是用戶之間的相似性實現(xiàn)推薦功能。其優(yōu)點是簡單有效，建模和商品間的相似性度量可以離線進行，推薦響應時間快，但系統(tǒng)難以區(qū)分商品信息的品質和風格，而且不能為用戶發(fā)現(xiàn)新的感興趣的商品。

　　2，基于協(xié)同過濾技術的推薦系統(tǒng)。系統(tǒng)學習目標用戶和歷史用戶之間購買行為的相似性，從而根據(jù)相似歷史用戶的購買行為生成推薦結果。其優(yōu)點是能為用戶發(fā)現(xiàn)新的感興趣的商品而不需要考慮商品的特征，任何形式的商品都可以推薦。缺點是用戶對商品的評價矩陣非常稀疏；<優(yōu)麥電子商務論文>隨著系統(tǒng)用戶和商品的增多，系統(tǒng)的性能會越來越低；如果從來沒有用戶對某一商品加以評價，則這個商品就不可能被推薦。

　　3，基于知識的推薦。系統(tǒng)具有特定物品滿足特定用戶需要的知識，并能由此推導出這種需要與推薦結果的相互關系。適用于用戶臨時、隨機瀏覽的情況。它沒有新系統(tǒng)剛開始時常有的低質量推薦問題。只要所依據(jù)的知識允許。它做出的推薦就能為多數(shù)用戶廣泛使用。（上海網(wǎng)絡優(yōu)化）

　　4，基于Web數(shù)據(jù)挖掘的推薦系統(tǒng)。個性化推薦服務即根據(jù)用戶的興趣和特點向用戶推薦其感興趣的信息，通過收集和統(tǒng)計用戶站點訪問信息，分析用戶的瀏覽和購買行為來進行頁面或商品的推薦，因此系統(tǒng)的推薦準確性高。

　　基于Web數(shù)據(jù)挖掘的推薦系統(tǒng)的設計

　　Web數(shù)據(jù)挖掘一般分為三個階段：數(shù)據(jù)預處理，模式挖掘，模式分析及應用。（企業(yè)網(wǎng)站建設）

　　1，數(shù)據(jù)預處理。由于本地緩存、代理服務器、防火墻的存在，使得Web日志中的數(shù)據(jù)并不精確，直接進行挖掘有可能出現(xiàn)錯誤結果。因此首先對日志數(shù)據(jù)進行預處理，它包括數(shù)據(jù)凈化、用戶識別、會話識別、路徑補充和事務識別等。數(shù)據(jù)清洗主要是刪除與挖掘算法無關的記錄；用戶識別是根據(jù)用戶IP地址、瀏覽器、網(wǎng)站拓撲結構判斷訪問服務器的個體；會話識別是一個用戶在一定時間內請求的所有Web頁面：路徑補充指將日志文件中遺漏的頁面補充在路徑中；事務識別主要是將頁面訪問序列劃分為代表Web事務。

　　2，模式挖掘階段。該階段的任務是采用挖掘算法來挖掘用戶的訪問模式和傾向，分析個別用戶的偏愛，以改進站點的組織結構，為用戶提供定制服務。[Page]

　　3，模式分析及應用階段。該階段是挖掘的后一個階段，它獲取當前用戶的訪問操作，結合模式挖掘模塊獲得的模式執(zhí)行推薦算法，計算生成推薦頁面，并將推薦頁面發(fā)送給客戶端瀏覽器。（上海網(wǎng)站建設）