國內電子商務個性化推薦研究進展：架構與實踐

孫雨生++張晨++任潔++朱禮軍

〔摘要〕本文介紹了電子商務個性化推薦內涵、核心內容和研究框架，并從推薦模型與機理、典型應用與技術實踐兩方面闡述了國內電子商務個性化推薦研究進展。

〔關鍵詞〕電子商務；個性化推薦；研究進展；社會化推薦；架構；實踐

DOI：10.3969/j.issn.1008-0821.2017.05.025

〔中圖分類號〕TP399；G202；F73〔文獻標識碼〕A〔文章編號〕1008-0821（2017）05-0151-06

Research Development of E-Commerce Personalized

Recommendation in China：Framework and PracticeSun Yusheng1，2，3Zhang Chen1Ren Jie1Zhu Lijun2

（1.School of Economics and Management，Hubei University of Technology，Wuhan 430068，China；

2.Information Technology Support Center，Institute of Scientific & Technical

Information of China，Beijing 100038，China；

3.Collaborative Innovation Center of Regional Industiral Ecology Development，

Hubei University of Technology，Wuhan 430068，China）

〔Abstract〕This article introduced the connotation，core content and research framework of e-commerce personalized recommendation，and revealed its research development in china from two aspects of recommendation model and mechanism，typical applications and technology practice.

〔Key words〕e-commerce；personalized recommendation；research development；social recommendation；framework；practice

伴隨電子商務飛速發展，商品種類規模急劇增長與顧客有限商品選擇能力形成明顯反差，出現商品“信息超載、迷航”，導致顧客精準選擇商品、商家獲取顧客個性需求難度陡增[1]。對此，顧客希望電子商務輔助其快速[2-3]選購滿意商品[4-5]，商家希望電子商務輔助其動態精準獲取顧客需求以提升服務質量及訪問量、顧客體驗及忠誠度，最終降低社會商業運營成本并提升效率[2-3，6]（交叉銷售[1，4-5，7-8]、變現）。在這種形勢下，電子商務個性化推薦應運而生并蓬勃發展。

本文介紹電子商務個性化推薦內涵、核心內容和研究框架，并從推薦模型與機理、典型應用與技術實踐兩方面闡述國內電子商務個性化推薦研究進展。

1簡介

11定義及內涵

廣為接受的電子商務個性化推薦定義由Resnick、Varian于1997年提出（發表于ACM通信“推薦系統”特刊）：用電子商務網站向用戶提供商品信息和建議[3，5]輔助其進行商品購買決策，模擬銷售員輔助用戶完成購買過程[4，7，9]。就內涵而言，是在網站商品交易過程中，用統計學、數據挖掘[10]等技術動態采集并分析用戶特性[1]、行為[2]以得出其個性需求（興趣[5]），構建并基于用戶興趣模型、推薦算法（反映用戶與商品間關系[1]）預測用戶喜好，在適當時空通過合適渠道、方式主動向用戶推薦合適商品信息及服務[10]供其選擇性瀏覽以降低搜索成本、認知負擔并提升購買決策質量[1]、完成購買過程[2，11]，最終提升用戶網絡購物體驗及忠誠度[11]、商家商品成交量、商業資源配置與流動合理性。

12核心內容與研究框架

分析現有文獻，筆者認為電子商務個性化推薦核心研究用戶興趣建模（包括興趣模型表示、初始化、進化）、推薦機制與技術（直接決定推薦性能[4]）、信息資源管理（包括商品數據采集、挖掘、存儲等）、推薦模型與機理、典型應用與技術實踐、推薦性能優化及評價等。其研究框架如圖1所示。圖1電子商務個性化推薦研究框架

2研究進展

為全面掌握國內電子商務個性化推薦研究進展，筆者以知網、萬方的學位論文、期刊論文庫及維普期刊論文庫為信息源，以“電子商務”、“個性化”、“推薦”為關鍵詞組合在題名中檢索相關文獻（截至2016年12月26日，從知網獲碩博論文73篇、期刊論文91篇；從萬方獲碩博論文80篇（新發現17篇）、期刊論文90篇（新發現3篇）；從維普獲期刊論文95篇（新發現8篇），合計192篇文獻）。

縱觀現有成果，國內電子商務個性化推薦研究整體處應用起步階段且發展態勢良好，尤其是近幾年。相關成果最早是岳訓等2003年發表的《基于矩陣聚類的電子商務網站個性化推薦系統》[12]；學術研究集中在推薦模型[4，6-7，13-14]與機理、用戶興趣建模[7]、推薦機制與技術集成[2-4，7-9，11，15-16]、推薦資源管理（數據來源[7，16]、數據集成）、典型應用[1，7]與技術實踐（系統應用[4，7，9，13]及可視化[13]）、系統評價（含系統功能[4]、性能[7]、實時性、質量[4，7，13]及奇異性[7]）、用戶體驗等方面；應用實踐集中在信息管理（文獻推薦、搜索引擎[16]）、電子商務（B2C[17]、圖書[18]、虛擬超市[16]、（旅游[19-20]）移動電子商務）、市場營銷（二次營銷、客戶關系管理（識別潛在顧客、提高顧客忠誠度及營銷策略靈活性）[21]）、教育（遠程教育[16]、E-learning（構建虛擬學習社區、基于社會化標簽進行推薦）[22]）、人工智能（專家系統[10，23]）等領域。

21推薦模型與機理

211體系結構

1）B/S結構

分表示、業務、數據3層，通過調用功能模塊實現層間交互，通過接口（分內部接口（模塊間傳遞信息）、外部接口（系統間傳遞信息））傳遞信息[24]：表示層又稱應用層[13]、用戶界面層[6]、Web表現層[24]、前臺交互層[5，20]、用戶訪問層[25]，是支持用戶訪問（注冊、登錄[20]、瀏覽、訂購）[25]、推薦結果呈現[6，13，20]、系統級管理等的人機界面；業務層又稱個性化推薦[13]或服務層[25]、業務邏輯層[24]、Web服務層[26]、推薦數據庫層（基于推薦引擎進行推薦）[5]，接受并基于業務規則處理表示層請求，與數據層交互并返回結果給表示層[20，24]，多涉及商品建模（基于類別、屬性）、用戶興趣提?。ú杉脩糇?、行為信息存入特征庫并挖掘、預測用戶興趣）、用戶興趣模型管理、抽樣（基于類別概率計算用戶樣本近似效用值并抽樣）、挖掘[4，26-27]、過濾[6，26]、檢索、推薦[5，26]等模塊[25]；數據層又稱數據挖掘層[13]、數據訪問層[24]、數據源層[26]、數據操作庫層[5]，按業務層請求調用或按約束關系存儲數據[25]，體現為數據庫（含用戶數據庫（分基本信息庫、興趣特征庫）、管理員數據庫[20]、商品數據庫[5，20]（分基本信息庫、特征屬性庫）、交易事務數據庫[20]、推薦模型庫[4，25，27]、系統數據庫[20]）或文件系統[6]。

2）C/S結構

分客戶端、服務器端，具體內涵見表1。

3）基于語義推薦結構

①基于Agent體系結構

由多Agent基于通信語言、協議、模型、數據庫協作推薦[13]：閆艷[31]、張琰[13]等提出分交互層（含跟蹤Agent（隱式收集用戶信息、行為，實時推薦）、交互Agent（顯式收集用戶、商家信息，反饋推薦結果、商家信用）[13]）、控制層（選擇推薦算法，包括用戶興趣模型管理Agent（內含Web日志Agent、數據轉化Agent、數據挖掘Agent、偏好分析Agent）、推薦算法庫、規則庫）、推薦層（推薦引擎調用控制層推薦算法規則進行推薦，包括推薦引擎Agent（內含搜索Agent、推薦生成Agent、評價Agent[31]）、推薦引擎觸發Agent、源數據監控Agent、用戶數據庫、商家數據庫）。賀桂和[32]提出基于Agent情境感知推薦體系結構，內含情境獲取Agent、情境處理Agent、規則匹配Agent、商品檢索Agent和商品推薦Agent。

②基于本體體系結構

樊靜[33]提出分信息抽取層（基于電子商務領域本體、結合所獲取用戶興趣構建并基于用戶個性化領域本體進行用戶興趣建模，提供平臺進化用戶興趣模型且支持推理、語義擴展）、本體集成和管理層（用本體映射引擎整合用戶個性化領域本體與行業知識庫，精確描述Web服務內容、用戶興趣模型并基于用戶查詢、定制概念映射規則進行本體推理）、應用服務層（基于用戶興趣模型、推薦算法推薦商品）。

212功能模塊

一般分結果輸出、推薦處理、信息輸入3模塊[4，7，13，15-16，22，27，31，34]，此外，丁建軍[2]、王衛健[3]分用戶（偏好）建模（分用戶信息管理、用戶瀏覽查詢（按關鍵字或分區分類）、用戶反饋[3]）、推薦算法（分推薦、結果融合[3]）、推薦對象建模（商品信息管理（由管理員描述、維護、管理商品信息）[3]）3模塊；胡一[34]分用戶交互代理（界面[6]）、推薦引擎、推薦模型（根據操作篩選推薦算法）、數據操作庫（存儲商品、銷售、用戶和操作、問題記錄[5，35]等）、數據庫（存儲首次篩選數據操作庫后數據（商品屬性、購買率、點擊率等））5模塊。

1）結果輸出

顯示[6]、反饋、分析推薦結果[6，13，15，31，34]，結果為相關推薦（如項目列表（如標題、縮略圖、簡介等[9]）[7，34]，內容含商品[4，7，27，34]、服務、廣告等[36-37]）[9，27]、項目預測分值[13，15-16，22，31]、評價（評分[2-4，7，9，13，15-16，31，34]（均值[7，27，34]）、文本[2-7，13，15-16，27，31，34，36]、等級[5，31]，來自群體或個體）、編輯推薦[7，27，34]、建議列表[5，13，15-16，22，31]（如Top-N[7，13，15，31]）等，形式為E-mail[4，7，9，18，27，34]、短信、網頁欄目[9，18]、用戶智能界面[20]等。此外，汪亭廷[9]認為應說明推薦理由及分數以提升可信度。

2）推薦處理

推薦系統核心[15，34]，基于推薦算法[3]（預測模型）、用戶數據推薦商品[31]，包括用戶興趣建模、推薦模型庫生成、用戶需求分析和推薦生成[4，7]。

3）信息輸入

采集用戶（基本）信息、興趣[4]、行為[13]，多認為源自個體（注冊[2-5，7，27]、反饋[2]、行為（瀏覽[3-5，7，16，22，27]（時間）、點擊[2，7]、購買[4，7，9，15-16，20，22]、標注[15]、搜索[3，20]）[2]、掃描信息[5]，除行為外均顯式輸入）[3-5，7]、群體用戶（關鍵字/項目屬性[4-5，7，16，27]、（文本）評價[4-5，7，9，16，27]、評分[27]、編輯（專家）推薦[3，7，27]、購買歷史[5，7，27]，除購買歷史外均顯式輸入）[16，27，34]。此外，張琰[13]將輸入信息分為顯式及隱式信息、關鍵詞。

213推薦流程

1）常規流程

首先，數據采集（含預處理[20]）及用戶興趣建模：基于用戶訪問日志[9]、行為數據庫[6]、各進程時間、頁面文本等[25]抽取其興趣、行為特征[6]等并存入用戶興趣特征庫，構建用戶興趣模型庫[20，25]；然后，推薦處理及結果生成[19]：發送請求到推薦模式庫由其選擇模式，匹配用戶興趣模型與候選項目，經過濾、排序[6]生成推薦及預測結果（包括策略、社群、內容[25]）并合理展現[6，37]；最后，根據用戶反饋優化推薦結果、模型[6]。此外，張曉敏[27]、王偉等[14]認為包括數據預處理、推薦模型生成、推薦策略配置、推薦服務訪問（推薦產生[14]）、數據更新。

2）階段劃分

通常，基于用戶行為[3]推薦過程分離線處理（整合挖掘在線推薦數據）、在線推薦（利用離線挖掘結果）[11，16，30，35]：前者離線挖掘數據并形成推薦模型[9]，包括數據采集（周期采集客戶端Cookie[16，30]（含用戶信息、行為[3]）、服務器端日志[35]、商品數據（涉及屬性、訂單等[3，9，30，35]））、預處理（清洗[30]、提取[9]、轉換[3，9]、規約數據（合并[5，14]、歸一化[3]）、用戶及會話識別、事務識別[16，30]、路徑補充[16，35]并生成用戶事務文件、Web內容文件[30]）、模型生成（用數據挖掘技術（關聯規則[9]、使用（訪問路徑[3]）聚類、事務聚類、蟻群聚類[3]等）[35]挖掘半結構化事務（行為[3]）序列、訓練行為預測模型[3]并存入推薦模型庫）[30，36-37]；后者包括瀏覽器（接收用戶請求、反饋并返回推薦結果[9]）、Web服務器、推薦引擎[35]（基于運行環境智能[34]選擇推薦算法、策略[9，35]，調用離線挖掘結果并與用戶會話匹配，產生推薦集[35]并以超鏈形式加入用戶最近請求頁面[36-37]）[30]。

此外，易明[38]將本體用于離線處理（針對用戶歷史行為構建Web領域本體并語義化Web使用文檔：基于Web數據預處理結果、服務器日志形成并聚類語法層交易事務文件集、基于聚類質心點矢量形成語法層使用文檔并基于本體語義化）、在線推薦（基于本體語義化語法層用戶當前會話或基于用戶會話語義特征在本體中尋找相似對象，匹配語義層Web使用文檔形成推薦結果并轉為Web頁面）。

22典型應用與技術實踐

221典型應用

國內電子商務個性化推薦已有一定應用，典型代表見表2。此外，陳健[20]提出旅游移動電子商務個性化推薦應用（新用戶基于其特征，用點擊量及熱銷度等進行Top-N推薦，老用戶基于購買、搜索記錄并結合需要進行基于內容的商品、服務及攻略推薦）；肖倩等[18]認為圖書類電子商務個性化推薦應用呈現推薦機制豐富（基于歷史行為相似性推薦、基于用戶行為預測興趣推薦（精準度較高）、社會化推薦（較受重視）、混合推薦等，以根據用戶習慣平衡精準度、成本）、呈現方式多樣且放置位置靈活特點；存在新用戶、混合推薦精度不高、易引起用戶反感、難有效反映用戶當前行為[3，39]等問題；趨勢為基于用戶偏好、反饋（顯性修改及提問、隱性行為）進行交互式推薦以動態優化推薦效果（多用社會化推薦、混合推薦，優化推薦時機及頻次），個性化設置推薦機制，協調推薦精度與用戶體驗，智能化推薦[1]。

表2電子商務個性化推薦典型應用

名稱說明推薦機制、策略亞馬遜基于用戶瀏覽、檢索[34]、購買[20]、多維評價（項目、項目評論）等海量歷史行為數據[22]，社會化標簽；功能有今日推薦、促銷推薦[34]、新商品推薦、相關商品推薦、定制推薦、購買過你瀏覽過商品的人還購買過、購買過此商品的用戶還購買過[22，39]、商品推薦圖表、人工推薦[22]〖〗基于內容推薦、協同推薦[1，34]、社會化推薦[22]、混合推薦、交互式推薦等當當[40]基于購物環節所挖掘用戶行為信息；分喜好大探底（基于Flash游戲中用戶興趣自動推薦）、靠譜內容（基于用戶屬性推薦）、用戶關注（展示收藏、好評、熱點商品）[39]、讀書社區[18]，形式有網頁推薦、打包購買推薦、購物車推薦、E-mail推薦[18]等基于內容推薦、協同推薦、關聯規則推薦[2]、社會化推薦[18]等天貓基于顧客（含用戶習慣）、商品（含特性）、品牌、店鋪、營銷活動等數據；在首頁、Offer、促銷郵件、資訊文章、商品信息、搜索結果、購買過程、購物車頁面等位置，在剛來、瀏覽、搜索、點擊進入、反饋后、收藏后、交易后等時機，通過頁面、E-mail、消息、智能手機等渠道向企業、個人、顧客群等推薦商品及類目、品牌、店鋪、公司、資訊、好友等[39]；功能有榜單推薦、相關商品推薦等基于用戶協同推薦、基于內容推薦、關聯規則推薦、混合推薦等表2（續）

名稱說明推薦機制、策略淘寶推出i淘寶，基于顧客瀏覽[34]、搜索、收藏、購買、評價[20，34]等行為推薦商品、店鋪、好友等[40]，提供找相似[34]、猜你喜歡、掌柜熱賣、購買過此商品顧客還購買過[34]等功能基于用戶協同推薦[3]、基于內容推薦京東基于已標注瀏覽、購買、評分等行為判斷用戶興趣并推薦[40]協同推薦好樂買基于用戶瀏覽、搜索進行推薦，提供暢銷、新品、促銷推薦、在線咨詢推薦[34]，購買過此商品用戶還購買過等，形式有廣告、郵件推薦等定制推薦、社會化推薦豆瓣優化搜索引擎支持興趣搜索，通過話題引導用戶行為，基于評價標簽構建商品關聯性，最終拓展推薦范圍及內容[1]社會化推薦

222技術實踐

1）基于數據挖掘技術類

首先，用Web數據挖掘技術實現，相關學者有王海超[36]（用交叉Web挖掘技術、IPAM算法（分析用戶行為）獲取用戶興趣并推薦）、馮麗橋[37]（用動態直接聚類算法和聚類Markov技術、基于Web使用挖掘進行推薦）、岳訓[12]（用矩陣聚類算法分類顧客群并挖掘其特征進行推薦）、安芳[25]（基于PRMPR模型學習、跟蹤瀏覽用戶行為并量化其興趣、推薦信息）等；其次，用FP增長關聯規則算法實現，相關學者有陳志剛等[19]（針對旅游構建用戶興趣模型，基于概念層次樹、FP增長關聯規則挖掘并進行移動推薦）、汪亭廷[9]（針對美味網）；最后，用混合機制實現，相關學者有王輝[11]（基于項目屬性值矩陣算法充實稀疏矩陣，基于改進k-means聚類算法發現鄰居，基于用戶項目類偏好算法預測項目評分，基于用戶需求選擇推薦策略進行推薦）、王衛健[3]（混合基于用戶行為推薦、協同推薦、基于內容推薦）。

2）基于語義技術類

首先，基于Agent實現（結合Web日志挖掘，多Agent協作推薦），相關學者有閆艷[31]、張琰[13]、賀桂和等[32]。其次，基于本體實現，相關學者有賀桂和等[32]（基于本體語義描述、推理情境與商品信息，由Agent獲取情境信息并基于本體構建工具形成情境本體、構建情境模型，基于匹配規則、本體進行推薦）、樊靜[33]（基于本體構建動態用戶興趣模型并進行推薦）；再次，基于專家系統（識別用戶、分析其需求）實現，相關學者有羅亞[23]（基于咨詢系統所獲信息構建靜態、動態數據庫，結合靜態數據庫、專家系統進行推薦）、劉麗峰[35]；此外，楊帆[6]基于BP網絡，融合LDA和改進的隱語義模型（LFM）進行推薦，李曉昀[41]收集并用模糊語義法處理Web信息，基于ART模型聚類數據以基于用戶隱性反饋自適應推薦，羅亞[5]認為電子商務個性化推薦系統應按人類心理和行為活動設置過濾機制（先構建主題知識庫，含主題文本特征（如關鍵詞、相關概括及特殊語句等），再用知識庫中主題文本特征統計和權值運算文本中詞匯完成首次過濾，再深入分析相關主題語句，明確文本關鍵詞并和用戶給出過濾主題對比以提升其需求滿足度）。

3）基于社會化技術類

張秀杰[42]基于信任偏好實現（綜合考慮用戶標注、評分及偏好時效性因素，基于用戶間直接、衍生信任關系網絡進行推薦），李熠[15]基于引入信任（衡量用戶間興趣相符度并補充傳統相似度，為二部圖算法分出近鄰網絡）的二部圖實現（差異化商品初始資源配置并用信任和相似度復合值傳輸路徑賦權，分別區別用戶對商品、其他用戶推薦結果的喜愛度）；曹高輝等[17]基于協同標注實現（用概念生成器生成標簽概念空間、形成標簽地圖，進行商品推薦、用戶導航、概念搜索），王偉等[14]基于概率回歸模型確定整體評價與特征評價間關系、挖掘文本評價中評價者權重偏好，基于KNN算法確定與目標用戶興趣相似評價者集并進行TOP-N推薦。

4）其他

部分學者基于高性能計算技術實現：馬瑞敏等[43]線性組合基于Hadoop的MapReduce并行化協同過濾算法所得相關性系數得到最近鄰進行推薦；董月[8]提出量子粒子群聚類模型協同推薦算法（結合基于用戶、項目協同推薦算法并融合經量子粒子群算法優化后的k-means聚類算法形成用戶和項目雙重聚類協同推薦算法）并基于Hadoop并行處理海量數據、MapReduce優化推薦處理流程。此外，張？等[26]基于案例推理實現（基于用戶需求特征、按相似度匹配案例進行推薦）。

3結束語

綜上，本文介紹了電子商務個性化推薦內涵、核心內容和研究框架，并從推薦模型與機理、典型應用與技術實踐兩方面闡述了國內電子商務個性化推薦研究進展：模型與機理涉及體系結構（多用B/S、C/S結構，部分引入語義技術）、功能模塊（多分結果輸出、推薦處理、信息輸入）和推薦流程（多為信息采集及用戶興趣建模、推薦處理、結果生成及用戶反饋，多分離線處理、在線推薦兩部分）；現有應用集中在亞馬遜、當當網、天貓等主流電子商務網站，實現技術分基于數據挖掘技術、基于語義技術、基于社會化技術3類，部分學者用高性能計算技術實現。

接下來，筆者將系統分析電子商務個性化推薦性能優化及評價研究成果，以供相關研究參考。

參考文獻

[1]李芳，王松.電子商務個性化推薦的發展與應用評析[J].電子商務，2015，（12）：60-61.

[2]丁建軍.面向電子商務個性化推薦系統的Web數據挖掘應用研究[D].杭州：浙江理工大學，2015.

[3]王衛健.基于數據挖掘的電子商務商品個性化推薦技術研究[D].成都：電子科技大學，2014.

[4]楊智奇.協同過濾技術在電子商務個性化推薦系統中的研究與應用[D].成都：電子科技大學，2009.

[5]羅亞.淺談電子商務個性化推薦系統[J].現代經濟信息，2015，（15）：335-335，337.

[6]楊帆.基于BP網絡融合的電子商務個性化推薦模型研究[D].杭州：杭州電子科技大學，2015.

[7]李亞欣.基于協同過濾的電子商務個性化推薦算法研究[D].大連：東北財經大學，2012.

[8]董月.基于Hadoop的個性化推薦系統在電子商務的應用[D].北京：華北電力大學，2015.

[9]汪亭廷.美味網電子商務個性化推薦系統的設計與實現[D].成都：電子科技大學，2014.

[10]劉麗峰.芻議基于專家系統的電子商務個性化推薦技術[J].電子技術與軟件工程，2015，（10）：191-191.

[11]王輝.基于混合機制的電子商務個性化推薦研究[D].大連：大連海事大學，2009.

[12]岳訓，苗良，鞏君華，等.基于矩陣聚類的電子商務網站個性化推薦系統[J].小型微型計算機系統，2003，24（11）：1922-1926.

[13]張琰.基于多Agent的電子商務個性化推薦系統研究[D].南京：南京師范大學，2007.

[14]王偉，徐平平，王華君，等.基于概率回歸模型和K-最近鄰的電子商務個性化推薦方案[J].湘潭大學自然科學學報，2016，38（1）：97-100，9.

[15]李熠.引入信任的二部圖電子商務個性化推薦算法改進研究[D].成都：電子科技大學，2015.

[16]劉慶華.個性化推薦技術及其在電子商務中的應用[D].南昌：南昌大學，2008.

[17]曹高輝，毛進.基于協同標注的B2C電子商務個性化推薦系統研究[J].圖書情報工作，2008，52（12）：126-128，38.

[18]肖倩，董占山，張聰.圖書類電子商務網站上的個性化推薦應用研究[J].科技與出版，2014，（8）：94-97.

[19]陳志剛，陳健.基于旅游業移動電子商務的個性化推薦模型研究[J].湖北工業大學學報，2014，29（6）：36-39.

[20]陳健.基于個性化推薦的旅游移動電子商務平臺設計研究[D].武漢：湖北工業大學，2015.

[21]丘珂瑋.個性化推薦技術在電子商務客戶關系管理中的二次營銷應用[J].中國科技縱橫，2014，（1）：285-285.

[22]任宇.E-Learning個性化系統的推薦策略研究——來自電子商務推薦系統的啟示[D].長春：東北師范大學，2011.

[23]羅亞.基于專家系統的電子商務個性化推薦技術[J].制造業自動化，2012，34（10）：100-102.

[24]王亮，吳昀昆，袁鋒玉，等.基于B/S三層架構的電子商務個性化推薦系統[J].福建電腦，2013，（5）：11-13，40.

[25]安芳.電子商務個性化信息推薦服務的研究[D].北京：對外經濟貿易大學，2006.

[26]張，夏國平，李雪峰.基于案例推理的電子商務個性化推薦系統[J].計算機工程，2007，33（20）：187-189.

[27]張曉敏.電子商務個性化推薦系統中協同過濾技術及應用研究[D].重慶：重慶大學，2007.

[28]楊靜.電子商務個性化推薦系統的構建[J].現代計算機：專業版，2012，（28）：50-53.

[29]李聰.ECRec：基于協同過濾的電子商務個性化推薦管理[J].現代圖書情報技術，2009，（10）：34-39.

[30]熊宇.協同過濾的電子商務個性化服務推薦系統的研究[D].成都：電子科技大學，2014.

[31]閆艷.基于多Agent技術的電子商務個性化推薦系統的設計與實現[D].北京：首都師范大學，2009.

[32]賀桂和，曾奕棠.基于情境感知的電子商務平臺個性化推薦模型研究[J].情報理論與實踐，2013，36（6）：81-84，26.

[33]樊靜.基于OBUIM的電子商務個性化推薦模型研究[J].現代商貿工業，2009，（19）：278-279.

[34]胡一.基于大數據的電子商務個性化信息推薦服務模式研究[D].長春：吉林大學，2015.

[35]邢紅剛，阮勝利.基于Web的個性化電子商務推薦系統研究[J].華人時刊：中旬刊，2014，（11）：156-156.

[36]王海超.基于Web挖掘的電子商務個性化推薦技術研究[D].贛州：江西理工大學，2010.

[37]馮麗橋.基于Web挖掘技術的電子商務個性化推薦算法研究[D].天津：河北工業大學，2013.

[38]易明.基于Web挖掘的電子商務個性化推薦機理與方法研究[D].武漢：華中科技大學，2008.

[39]郭偉光.我國B2C電子商務個性化商品推薦服務實證研究[J].價值工程，2014，（30）：25-27.

[40]李曉麗.電子商務個性化推薦系統的設計與實現[D].開封：河南大學，2013.

[41]李曉昀.基于隱性反饋的個性化自適應電子商務推薦系統研究[D].衡陽：南華大學，2008.

[42]張秀杰.基于信任偏好的電子商務個性化項目推薦研究[D].天津：天津大學，2012.

[43]馬瑞敏，卞藝杰，陳超，等.基于Hadoop的電子商務個性化推薦算法——以電影推薦為例[J].計算機系統應用，2015，24（5）：1-7.

（本文責任編輯：郭沫含）