1个性化推荐
1.1定义
随着电子商务规模的逐渐扩大，网上商品的种类和数量也快速增长
商品不断丰富，顾客购物选择的余地大大扩展，但顾客往往需要花费大量的时间才能找到合适的商品
这种浏览大量无关信息和商品的过程无疑会给消费者带来极大的不便，从而可能造成客户流失
为了解决这些问题，个性化推荐系统应运而生
个性化推荐是根据用户的资料信息、兴趣爱好和以往购买行为，向用户推荐其可能感兴趣的信息和商品
个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物过程提供完全个性化的决策支持和信息服务
1.2个性化推荐的作用
成功的个性化推荐系统，向用户推荐他们感兴趣的商品，从而促成交易，即将电子商务网站的浏览者转变为购买者；在用户购买过程中向用户推荐自己确实需要但在购买过程中没有想到的商品，有效提高电子商务系统的交叉销售；为用户提供个性化的推荐服务的同时，与用户建立长期稳定良好的关系，从而有效保留客户，提高客户的忠诚度，防止客户流失
1.3知名购物网站中个性化推荐应用
淘宝网站为例，在登录已买到的宝贝页面，除了可以查看到用户购物历史记录，还有推荐内容，如：“您可能对这些宝贝感兴趣”；购物车页面的推荐，如：“您可能感兴趣的宝贝”、“猜你喜欢的”
当当网为例，网站商有个性化推荐模块网站上有专门栏目“猜你喜欢”，点击进入，再分为“您可能感兴趣的商品”“和您兴趣相似的顾客还关注”；在已购商品页面，有推荐“根据您购买的商品，当当猜您会喜欢”
进入卓越亚马逊网站，提示用户“您好. 请登录以获取为您订制的推荐”
2个性化推荐系统主要算法
完整的推荐系统由3个部分组成：收集用户信息的行为记录模块、分析用户喜好的模型分析模块、推荐算法模块
其中，推荐算法模块是最核心的部分
根据推荐算法的不同，推荐系统可以分为如下几类：
2.1关联规则推荐
关注用户行为的关联模式
如买了香烟的人大多会购买打火机，因此可以在香烟和打火机间建立关联关系，通过这种关系推荐其他产品
这种算法最为简单直接，往往也会把用户理解的过于简单，是不太智能的算法，所以这种算法基本被淘汰了，只有少数小规模购物网站还是这种推荐模式
2.2协同过滤推荐
利用用户的历史信息，计算用户之间的相似性；利用与目标用户相似性较高的用户对其他产品的评价来预测目标用户对特定产品的喜好程度；根据喜好程度来对目标用户进行推荐
协同过滤又可分为两种：基于用户的协同过滤和基于商品的协同过滤
基于用户的协同过滤是第一代协同过滤技术，原理也很简单：人以群分，即在网站上购买相同商品的消费者应该有相似的兴趣偏好
系统找出这些有相同商品购买记录或浏览记录的用户，然后把他们还没购买的商品相互推荐，如把用户A买过、但用户B还没有购买的商品推荐给B，反之亦然
当然，在实际推荐应用中，系统会找到与A相似的多位用户，将那些A未购买而其他人已经购买的商品，计算概率，再进行排序，最后把排名靠前的商品推荐给A
基于商品的协同过滤，是目前使用最多的个性化算法
因为大型的购物网站，其用户数量远远大于商品数量，使用基于用户的个性化算法会造成很多问题
相应的，基于商品的协同过滤技术的原理：物以类聚，系统先判断哪些商品之间有潜在关联，再根据用户的的购买记录，把关联度高的商品推荐给用户
比如“啤酒-尿布”看似风牛马不相及的商品，如果在销售记录中同时出现的频率越高，说明商品的潜在关联就越强，就可以向用户推荐
协同过滤算法可以发现用户潜在的兴趣偏好，从而为其推荐新信息；能推荐难以进行内容分析的产品；但由于是基于用户对产品的评分，所以对新用户进行推荐或者是对用户推荐新产品，精度不高
2.3基于内容的推荐
基于内容的推荐是协同过滤技术的延续与发展
分别对用户和产品建立配置文件；比较用户与产品配置文件的相似度；推荐与其配置文件最相似的产品
如，在商品CD推荐中，基于内容的系统首先分析用户买过的打分较高的CD的共性（歌手、风格等），再推荐与这些用户感兴趣的内容相似度很高的其他CD
基于内容的推荐算法根本在于信息获取和信息过滤
基于内容的推荐算法能处理新用户、新产品的问题（冷启动）；能推荐新产