個性化推薦系統簡介
個性化推薦是根據用戶的興趣特點和購買行為，向用戶推薦用戶感興趣的信息和商品。隨著電子商務規模的不斷擴大，商品個數和種類快速增長，顧客需要花費大量的時間才能找到自己想買的商品。這種瀏覽大量無關的信息和產品過程無疑會使淹沒在信息過載問題中的消費者不斷流失。為了解決這些問題，個性化推薦系統應運而生。
個性化推薦系統是建立在海量數據挖掘基礎上的一種高級商務智慧型平台，以幫助電子商務網站為其顧客購物提供完全個性化的決策支持和信息服務。購物網站的推薦系統為客戶推薦商品，自動完成個性化選擇商品的過程，滿足客戶的個性化需求，推薦基於：網站最熱賣商品、客戶所處城市、客戶過去的購買行為和購買記錄，推測客戶將來可能的購買行為
在電子商務時代，商家通過購物網站提供了大量的商品，客戶無法一眼通過螢幕就了解所有的商品，也無法直接檢查商品的質量。所以，客戶需要一種電子購物助手，能根據客戶自己的興趣愛好推薦客戶可能感興趣或者滿意的商品。
個性化推薦系統的發展歷程
1995年3月，卡耐基.梅隆大學的Robert Armstrong等人在美國人工智慧協會上提出了個性化導航系統Web Watcher; 史丹福大學的Marko Balabanovic等人在同一會議上推出了個性化推薦系統LIRA；
1995年8月，麻省理工學院的Henry Lieberman在國際人工智慧聯合大會（IJCAI）上提出了個性化導航智慧型體Litizia；
1996年， Yahoo 推出了個性化入口My Yahoo；
1997年，AT&T實驗室提出了基於協同過濾的個性化推薦系統PHOAKS和Referral Web;
1999年，德國Dresden技術大學的Tanja Joerding實現了個性化電子商務原型系統TELLIM；
2000年，NEC研究院的Kurt等人為搜尋引擎CiteSeer增加了個性化推薦功能；
2001年，紐約大學的Gediminas Adoavicius和Alexander Tuzhilin實現了個性化電子商務網站的用戶建模系統1：1Pro；
2001年，IBM公司在其電子商務平台Websphere中增加了個性化功能，以便商家開發個性化電子商務網站；
個性化推薦系統的算法
電子商務推薦系統的主要算法有：
（1） 基於關聯規則的推薦算法（Association Rule-based Recommendation）
（2） 基於內容的推薦算法 (Content-based Recommendation)
內容過濾主要採用自然語言處理、人工智慧、機率統計和機器學習等技術進行過濾。
通過相關特徵的屬性來定義項目或對象,系統基於用戶評價對象的特徵學習用戶的興趣,依據用戶資料與待預測項目的匹配程度進行推薦，努力向客戶推薦與其以前喜歡的產品相似的產品。如新聞組過濾系統News Weeder。
基於內容過濾的系統其優點是簡單、有效。尤其對於推薦系統常見的冷啟動（Cold Start）問題，Content-based方法能夠比較好的進行解決。因為該算法不依賴於大量用戶的點擊日誌，只需要使用待推薦對象（item）本身的屬性、類目、關鍵字等特徵，因此該方法在待推薦對象數量龐大、變化迅速、積累點擊數稀少等套用場景下有較好的效果。但該方法的缺點是對推薦物的描述能力有限，過分細化，推薦結果往往局限與原對象相似的類別中，無法為客戶發現新的感興趣的資源,只能發現和客戶已有興趣相似的資源。這種方法通常被限制在容易分析內容的商品的推薦，而對於一些較難提取出內容的商品，如音樂CD、電影等就不能產生滿意的推薦效果。
（3） 協同過濾推薦算法 （Collaborative Filtering Recommendation）
協同過濾是在信息過濾和信息系統中正迅速成為一項很受歡迎的技術。與傳統的基於內容過濾直接分析內容進行推薦不同，協同過濾分析用戶興趣，在用戶群中找到指定用戶的相似（興趣）用戶，綜合這些相似用戶對某一信息的評價，形成系統對該指定用戶對此信息的喜好程度預測。
與傳統文本過濾相比，協同過濾有下列優點:
1）能夠過濾難以進行機器自動基於內容分析的信息。如藝術品、音樂;
2）能夠基於一些複雜的，難以表達的概念（信息質量、品位)進行過濾;
3）推薦的新穎性。 正因為如此，協同過濾在商業套用上也取得了不錯的成績。Amazon，CDNow，MovieFinder，都採用了協同過濾的技術來提高服務質量。
協同過濾推薦算法，可進一步細分為基於用戶的協同過濾（user-based collaborative filtering）和基於物品的協同過濾（item-based collaborative filtering）。
基於用戶的協同過濾的基本思想是：根據所有用戶對物品或者信息的偏好，發現與當前用戶口味和偏好相似的“鄰居”用戶群，在一般的套用中是採用計算“K- 鄰居”的算法；然後，基於這 K 個鄰居的歷史偏好信息，為當前用戶進行物品的推薦。
基於物品的協同過濾的基本原理也類似，該方法根據用戶和物品直接歷史點擊或購買記錄，來計算物品和物品之間的相似度，然後根據用戶的歷史偏好的物品信息，將挖掘到的類似的物品推薦給用戶
基於用戶的協同過濾和基於物品的協同過濾各自有其適用場景。總的來看，協同過濾方法的缺點是:
1）冷啟動問題：如果用戶對商品的評價非常稀疏，這樣基於用戶的評價所得到的用戶間的相似性可能不準確（即稀疏性問題）;
2）隨著用戶和商品的增多，系統的性能會越來越低（即可擴展性問題）;
3）最初評價問題（first rater）：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。
因此，現在的電子商務推薦系統都採用了幾種技術相結合的推薦技術。
個性化推薦系統的作用
個性化推薦的最大的優點在於，它能收集用戶特徵資料並根據用戶特徵，如興趣偏好，為用戶主動作出個性化的推薦。而且，系統給出的推薦是可以實時更新的，即當系統中的商品庫或用戶特徵庫發生改變時，給出的推薦序列會自動改變。這就大大提高了電子商務活動的簡便性和有效性，同時也提高了企業的服務水平。
總體說來，一個成功的個性化推薦系統的作用主要表現在以下三個方面：
1） 將電子商務網站的瀏覽者轉變為購買者：電子商務系統的訪問者在瀏覽過程中經常並沒有購買慾望，個性化推薦系統能夠向用戶推薦他們感興趣的商品，從而促成購買過程。
2）提高電子商務網站的交叉銷售能力：個性化推薦系統在用戶購買過程中向用戶提供其他有價值的商品推薦，用戶能夠從系統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的交叉銷售。
3）提高客戶對電子商務網站的忠誠度：與傳統的商務模式相比，電子商務系統使得用戶擁有越來越多的選擇，用戶更換商家極其方便，只需要點擊一兩次滑鼠就可以在不同的電子商務系統之間跳轉。個性化推薦系統分析用戶的購買習慣，根據用戶需求向用戶提供有價值的商品推薦。如果推薦系統的推薦質量很高，那么用戶會對該推薦系統產生依賴。因此，個性化推薦系統不僅能夠為用戶提供個性化的推薦服務，而且能與用戶建立長期穩定的關係，從而有效保留客戶，提高客戶的忠誠度，防止客戶流失。
個性化推薦系統具有良好的發展和套用前景。目前，幾乎所有的大型電子商務系統，如Amazon、eBay等，都不同程度的使用了各種形式的推薦系統。各種提供個性化服務的Web站點也需要推薦系統的大力支持。在日趨激烈的競爭環境下，個性化推薦系統能有效的保留客戶，提高電子商務系統的服務能力。成功的推薦系統會帶來巨大的效益。
