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：
推薦系統網站最熱賣商品
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
推薦系統 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；
個性化推薦系統算法簡介
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。其缺點是特徵提取的能力有限，過分細化，純基於內容的推薦系統不能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。
缺點是:
1）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）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（即最初評價問題）。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。
擴展閱讀：
1.http://www.baifendian.com
2.http://blog.sina.com.cn/tzuo2000
