摘要：为了使用户及时从大量数据中得到所需信息，电子商务个性化信息推荐服务应运而生。本文分析了目前推荐服务的优缺点，介绍了实现推荐服务的技术，并通过实例说明了推荐系统的设计实现过程。

    互联网上蕴藏着的海量信息，对于用户来说已经大大超过了可能的接受量。用户希望能从琳琅满目的电子商务网站中尽快找到心仪的物品。商家也希望能推销出自己的产品，吸引客户，所以推荐系统孕育而生，其作用如下：

　　1，将电子商务系统的浏览者转变为购买者。电子商务系统的访问者在浏览过程中经常并没有购买欲望，推荐系统能够向访问者推荐他们感兴趣的商品，从而完成购买过程。

　　2，提高电子商务系统的交叉销售。电子商务推荐系统在用户购买过程中向用户提供其它有价值的商品推荐，用户能够从提供的推荐列表中购买自己确实需要但在购买过程中没有想到的商品，从而有效提高电子商务系统的交叉销售。

　　3，保留用户。与传统的商务模式相比，电子商务系统使得用户拥有越来越多的选择，用户更换商家及其方便，只需要一两次鼠标的点击就可以在不同电子商务系统之间跳转。电子商务推荐系统分析用户的购买习惯，根据用户需求向用户提供有价值的商品推荐。如果电子商务推荐系统的推荐质量很高，那么用户会再次访问这个网站，并会推荐给其他人，这对于网站来说是一个很大的优势。

　　推荐系统的分类

　　根据电子商务推荐系统所采用的推荐技术，电子商务推荐系统主要分为：

　　1，基于内容过滤的推荐系统。系统通过比较商品之间的相似性，而不是用户之间的相似性实现推荐功能。其优点是简单有效，建模和商品间的相似性度量可以离线进行，推荐响应时间快，但系统难以区分商品信息的品质和风格，而且不能为用户发现新的感兴趣的商品。

　　2，基于协同过滤技术的推荐系统。系统学习目标用户和历史用户之间购买行为的相似性，从而根据相似历史用户的购买行为生成推荐结果。其优点是能为用户发现新的感兴趣的商品而不需要考虑商品的特征，任何形式的商品都可以推荐。缺点是用户对商品的评价矩阵非常稀疏；<优麦电子商务论文>随着系统用户和商品的增多，系统的性能会越来越低；如果从来没有用户对某一商品加以评价，则这个商品就不可能被推荐。

　　3，基于知识的推荐。系统具有特定物品满足特定用户需要的知识，并能由此推导出这种需要与推荐结果的相互关系。适用于用户临时、随机浏览的情况。它没有新系统刚开始时常有的低质量推荐问题。只要所依据的知识允许。它做出的推荐就能为多数用户广泛使用。

　　4，基于Web数据挖掘的推荐系统。个性化推荐服务即根据用户的兴趣和特点向用户推荐其感兴趣的信息，通过收集和统计用户站点访问信息，分析用户的浏览和购买行为来进行页面或商品的推荐，因此系统的推荐准确性高。

　　基于Web数据挖掘的推荐系统的设计

　　Web数据挖掘一般分为三个阶段：数据预处理，模式挖掘，模式分析及应用。

　　1，数据预处理。由于本地缓存、代理服务器、防火墙的存在，使得Web日志中的数据并不精确，直接进行挖掘有可能出现错误结果。因此首先对日志数据进行预处理，它包括数据净化、用户识别、会话识别、路径补充和事务识别等。数据清洗主要是删除与挖掘算法无关的记录；用户识别是根据用户IP地址、浏览器、网站拓扑结构判断访问服务器的个体；会话识别是一个用户在一定时间内请求的所有Web页面：路径补充指将日志文件中遗漏的页面补充在路径中；事务识别主要是将页面访问序列划分为代表Web事务。

　　2，模式挖掘阶段。该阶段的任务是采用挖掘算法来挖掘用户的访问模式和倾向，分析个别用户的偏爱，以改进站点的组织结构，为用户提供定制服务。

　　3，模式分析及应用阶段。该阶段是挖掘的最后一个阶段，它获取当前用户的访问操作，结合模式挖掘模块获得的模式执行推荐算法，计算生成推荐页面，并将推荐页面发送给客户端浏览器。

　　小结

　　电子商务推荐系统能帮助顾客更好更快地访问有用的信息，也可以帮助商家进行交叉销售以提高销售量。目前推荐系统的还面临这一些问题，如推荐策略的自适应性0’、实时性、推荐质量、推荐结果解释、多种数据集成性、推荐系统规模性等，这将是今后研究的课题。