个性化推荐系统范文1
.1 文献标识码:A 文章编号:1001-828X(2012)08-0-01
一、个性化推荐
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。
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。
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”。
二、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:
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.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。
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);能推荐新产品和非流行产品,发现隐藏信息;但是如果两个不同的产品恰好使用了相同的描述词,这两个产品就无法区分;而且如果系统只推荐与用户的配置文件高度相关的产品
,那么推荐的只是与用户之前购买过的产品相似度很高的产品,无法实现推荐的多样性。
4.基于网络结构的推荐。要先建立用户—产品二维关联网络。把用户和产品的内容特征看成抽象的节点,所有算法利用的信息都藏在用户和产品的选择关系中。对于任意目标用户A,假设A选择过所有的产品,每种产品都具有向A推荐其他产品的能力,把所有A没有选择过的产品按照他喜欢的程度进行排序,把排名靠前的推荐给A。
基于网络结构的推荐同样面临着新用户新产品的问题。而且如果把用户与产品的所有关联关系都考虑在内,无法区分出长期兴趣和短期兴趣点,大大降低推荐准确度。
5.混合推荐。上述几种方法的有机结合,实际的推荐系统中最常见的是基于协同过滤和基于内容的结合。
三、个性化推荐技术的新应用
一般情况下,网站针对已注册用户根据用户信息或购买记录进行推荐。同时,个性化推荐还应该考虑到匿名购买者,也就是购买者不需要注册或者登录也能使用个性化推荐功能。这类技术的实现要选择合适的匿名用户行为特征识别方法,如服务器端日志挖掘技术和客户端信息采集技术等,从而实现对此类用户的个性化推荐。
针对用户存在多兴趣或兴趣发生转移情况,一些网站提出了基于项目相似性的邻居用户协同推荐算法。该算法改进了传统协同过滤算法,使之适合用户多兴趣下的个性化推荐。
个性化推荐最热门应用就是将推荐和社会网络结合起来,把社会网络加入个性化推荐系统,借助顾客的朋友、家人的评分信息来进行推荐产品。它让顾客的朋友和家人做“导购”,把他们买的而且评分较高产品推荐给顾客。
参考文献:
[1]刘洋.面向电子商务网站的个性化推荐系统[J].中小企业管理与科技(上旬刊),2012(01).
个性化推荐系统范文2
关键词：校园社团推广；个性化推荐；大数据
中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2017）17-0069-03
据统计，目前我国大多数高校，在社团管理和推广方面仍然处理比较人工的工作方式。大多数社团一般是开学展示一次社团，之后就再没有社团介绍工作了。其次对于社团活动的推广，也仅仅是通过qq空间、个人发传单和去自习室宣传等工作效率较低的方式。此等方式耗时耗力，而且还造成学生学习时间的占用以及资源的浪费。为此我研究了此社团个性化推荐系统。在这里，学生进入之后可以选择自己喜好的社团进行浏览和收藏，每个社团包括自身的宣传信息和活动介绍。该系统通过收集每个学生的社团收藏的所有数据分析，每次推荐所有与之类型相关的社团，从而实现校园社团的个性化推荐。除此之外，系统会实时更新当前每个社团的活动情况，并且依照时间顺序和热搜顺序进行活动排序，方便学生浏览和参与当前比较热门的社团活动。该方式不仅改变了学院社团的推广方式，也极大地提高了社团活动宣传的效率。不仅如此，学生也可以在活动下面进行评论，可以提高学生之间的互动交流，促进友谊。
本系统采用JDBC框架、MySQL等技术，以用户端和服务器的框架来进行数据交互及。用户端则为学生登录界面，服务端则是社团和活动管理。服务器以java语言编写后台脚本，响应用户端的要求，以及数据返回。
1系统设计相关技术
1.1大数据
该系统初步借用大数据的概念，对用户的社团操作进行简单的数据分析。
对大数据的处理分析工作正成为新一代信息技术融合应用的结点。移动互联网、物联网、社交网络、数字家庭、电子商务等是新一代信息技术的应用形态，这些应用不断产生大数据。云计算服务为这些海量、多样化的大数据提供存储和运算平台。通过对不同来源数据的管理、处理、分析与优化，将结果反馈到上述应用中，将创造出巨大的经济和社会价值。
正是基于大数据的数据分析和统计工作，从而实现用户爱好的分析和统计工作，进而为实现个性化推荐提供帮助。
1.2个性化推荐
基于内容的推荐算法（Content-based Recommendation）内容过滤主要采用自然语言处理、人工智能、概率统计和机器学习等技术进行过滤。通过相关特征的属性来定义项目或对象，系统基于用户评价社团的特征学习用户的兴趣，依据用户资料与社团属性的匹配程度进行推荐，努力向学生推荐与之类似的社团。
基于内容过滤的系统其优点是简单、有效。尤其对于推荐系统常见的冷启动（Cold Start）问题，Content-based方法能虮冉虾玫亟行解决。因为该算法不依赖于大量用户的点击日志，只需要使用待推荐对象（item）本身的属性、类目、关键词等特征，因此该方法在待推荐对象数量庞大、变化迅速、积累点击数稀少等应用场景下有较好的效果。但该方法的缺点是对推荐物的描述能力有限，过分细化，推荐结果往往局限与原对象相似的类别中，无法为客户发现新的感兴趣的资源，只能发现和客户已有兴趣相似的资源。这种方法通常被限制在容易分析内容的商品的推荐，而对于一些较难提取出内容的商品，如音乐CD、电影等就不能产生满意的推荐效果。
2系统设计
2.1设计思路
本系统通过各社团提交社团信息以及活动信息，然后网站管理人员给予收录，然后依次添加到网页的信息之中。然后有着本校的社团简介和人员信息。外人可以通过注册账号，然后查阅本校的社团信息。其次社团还会将各自要举办的活动发送管理员，然后管理员予以添加活动，之后用户可以在网页上找到相应的社团活动，通过联系方式，可以报名参加。这种方法可以有效扩大活动的宣传能力。其次每个活动的下面有活动评论栏，用户可以在这里评论。最后每个社团有着独特的标签系统，用户在喜欢的社团里点击收藏之后，可以在个人信息里看到系统的个性化推荐，推荐所有与用户喜欢的类型相似的社团，实现社团的个性化推荐。
2.2系统结构
本系统分为管理员页面和用户页面两部分组成。管理员页面主要负责社团信息的注册，其中包括写人社团信息的修改以及活动的创建及修改之类信息。管理员写入之后会将信息存入数据库，然后会在管理员页面进行显示。用户页面，用户须先注册用户登录，之后可以在查看主页的近期活动社团等信息，然后也可以选择喜欢的社团进行查看和收藏。然后点击活动列表，查看活动的信息介绍和举办时间来计划参加与否，还可以进行评论等操作。用户对社团收藏之后，可以在个人中心看到类似的社团推荐，方便用户得到类似的社团推荐。最后用户也可以对网站进行留言。并且可以看到别人的留言信息。如图1所示的系统结构图。
2.3数据库设计
本系统使用的是MySQL关系型数据库，结合系统需求可以抽取相关实体，其中包含有用户注册表，社团表，活动表，活动评论表，网页留言表。从图2数据库ER图可以看出各个表之间的关系，以及表与表之间的相互联系。
3系统主要模块和功能设计
本系统主要有5大功能模块：用户注册模块、社团和活动管理模块、用户评论模块、主页活动推荐模块、用户社团个性化推荐模块。其中用户社团个性化推荐模块是主要功能模块，给用户更多类似社团推荐，达到社团推广的目的。
3.1用户注册模块
此处是负责用户验证，方便活动评论和网页留言处查找用户评论。通过身份验证，绑定用户评论和搜索。其次通过用户个人爱好标签，来为用户推荐各种用户所喜欢的社团。实现用户社团个性化推荐模块。
3.2社团和活动管理模块
该模块主要通过管理员通过后台页面管理。通过收取学校社团提供的社团简介进行注册社团信息，之后各个社团提供活动信息，从而获取活动信息，管理员予以添加活动。其中管理员负责社团和活动的信息修改和注册。
3.3用户评论管理模块
此模块有两部分，一是活动评论，二则是网页用户留言。用户登录过后，可在相应的活动页面之下评论，也可以在网页留言页面进行评论，评论管理则依靠数据库进行数据的维护。
3.4主页活动推荐模块
此模块主要通过对活动表的搜索进行推荐。分为最近活动推荐，人气活动推荐。
前者依靠日期进行列举最近的活动，后者通过截止日期和评论数量进行列举。
3.5用户社团个性化推荐模块
此模块实现主要通过将社团划分为一个个的标签类型，然后用户对自己喜欢的社团进行收藏。然后用户的个人爱好里面就有了相应社团的爱好标签，然后系统会有依次推荐用户所收藏的爱好社团。其中个人爱好用户可以自己手动输入添加或者删除。
3.6系统总体设计
本系统以Web服务器为中转，实现社团和活动数据的互换。管理端实现社团和活动信息的维护。用户端实现对社团信息和活动信息的查看功能，以及对活动及网页评论。除此之外则是通过对社团进行标签划分从而对用户实现个性化推荐社团的功能。
4系统实现
4.1管理端实现
4.1.1管理端界面实现
管理端主页如图3，然后可以点击修改进入编辑页面，点击搜索直接进入社团界面。
4.1.2管理端功能实现
通过直接使用函数调用sql语句对数据库进行操作，从而实现社团和活动表的增删改查等操作。其次对于评论表，通过管理人员对数据进行维护，实现用户评论表的管理。
4.2用户端实现
4.2.1用户端界面实现
用户端界面依次有主页、用户个人中心、用户个人信息编辑、网页留言、社团信息、社团活动等6个页面。除此之外，还有着学校的一些官方微博和官网的跳转。用起来十分流畅，给人一种舒适之感。
4.2.2用户端功能实现
1）用户端主页
主页通过对数据库中活动表的时间和活动评论表的数量两者来决定主页活动推荐的顺序。至于主页社团顺序，主要通过字母序来排列。
2）用户个人中心
此处主要实现用户个人信息的管理和社团推荐。通过信息编辑，修改用户的爱好和其他的人信息。社团推荐则主要通过搜索所有符合标签的社团，然后将其一一列举出来，并提供跳转的标签。
3）网页留言
此处主要是按时间排序获取所有的用户留言。以及提供用户评论网页留言的功能。给用户留言的功能。
4）社团页面
此页面主要实现用户个人爱好收藏的目的。用户可在此处点击收藏，实现个人爱好的添加功能。从而给系统实现社团推荐的功能。其次则是列举该社团的简介以及所有活动。
5）活动页面
此处主要是获取活动的各个信息进行填充。提供用户参与活动的联系方式。然后下方则是给用户评论活动以及查看活动评论的区域。此处直接通过对数据进行添加和搜索完成。
个性化推荐系统范文3
[关键词] 电子商务 体育营销 个性化推荐系统
近年来，电子商务的快速发展极大地改变了传统的贸易模式，为企业和消费者提供了一个相互交流的便捷平台。本文旨在提出一个适合于体育营销的个性化推荐模式，以期使电子商务能广泛、高效地为发展体育事业服务。
一、国内电子商务个性化推荐系统的现状
目前个性化推荐已开始在国内电子商务领域初现端倪，PC零售业的巨头——Dell公司正是通过提供个性化推荐在电子商务活动中获得了巨大的成功。然而，在电子商务推荐系统的应用方面，国内电子商务网站与国外网站相比差距还较大，主要表现在：
1.缺乏个性化的推荐： 由于很多推荐笼统地粗放地面向所有用户，而非个性化的推荐，其结果与每一用户的特殊兴趣并不相符合，这是我国电子商务推荐系统最主要的缺陷。
2.推荐的自动化程度低： 大多数的推荐功能都需要用户经过一段时间与计算机进行交互，输入自己感兴趣的信息，然后才能得到结果。并且，系统不能保存用户每次输入的信息。总体来说，所有的推荐策略都基本上停留在查找这一层次上，不能实现自动推荐。
3.推荐的持久性程度低： 目前大多数的推荐策略都是建立在当前用户会话的基础上，不能利用用户以前的会话信息，因而推荐的持久性程度非常低。这也是国内推荐系统的不足之处。
4.推荐策略单一： 大多数推荐系统所用的推荐策略基本上就是分类浏览和基于内容的检索，缺乏多种推荐策略的结合使用，尤其缺少个性化与非个性化推荐策略的混合使用。
产生以上问题的主要原因，首先是消费者对电子商务不信任的社会心理还比较普遍，不愿提供真实的个人信息。其次，是现实生活中电子商务个性化推荐不到位，管理制度不完善，无法达到消费者要求的水平，建立提供电子商务个性化推荐的网络系统的技术也欠发达。
二、电子商务个性化推荐系统及其分类
电子商务个性化推荐系统（Personalized Recommendation Systems for E -Commerce）的正式定义由Resnick & Varian在1997年给出：“电子商务个性化推荐系统是利用电子商务网站向用户提供产品信息和相关建议，帮助用户决定购买什么产品，通过模拟销售人员帮助用户完成购物过程的系统”。这个定义现在已被广泛引用，推荐系统的使用者是用户（电子商务活动中的用户）（user），推荐的对象是项目（item）。项目是推荐系统提供给用户的产品或推荐，也即最终的推荐内容。
根据推荐对象的特点，目前存在的推荐系统可以大致分为两类：一类是以网页为主要推荐对象的推荐系统，它主要采用Web数据挖掘，尤其是使用Web日志挖掘的方法来分析用户的兴趣，向用户推荐符合其兴趣爱好的网页链接。另一类推荐系统的推荐对象主要是产品，这种系统主要在电子商务网络购物环境中使用，帮助用户找出他真正想要的产品。
三、电子商务个性化推荐系统模块
1.输入模块（Input）：主要负责对用户信息的收集和更新。输入来源按时间划分，可分为用户当前行为输入和用户访问过程中的历史行为输入；也可以分为个人输入和群体输入两部分。输入形式主要包括：用户注册信息输入、隐式浏览输入、关键字输入、编辑推荐输入、用户购买历史输入等等。
2.推荐方法模块（Recommendation method）是整个推荐系统的核心部分，它直接决定着推荐系统的性能优劣。推荐方法模块是以推荐技术和推荐算法为技术支撑。
3.输出模块（Output）负责将推荐结果输出给用户。输出形式主要包括相关产品输出、个体评分输出、相关推荐输出等。
四、电子商务个性化推荐系统的体系结构
与传统的网站系统相比，个性化的电子商务系统有一个很大不同之处：个性化的电子商务网站一般都没有静态页面，这是由HTTP协议的“无状态性”所决定的。浏览器与Web推荐器之间的一个交互过程如图1所示。
从上图可见，客户机浏览器与Web推荐器之间采用TCP连接，并且该连接状态在此次连接过程中尚能保持。但是，Web推荐器在发送给客户机应答信息后，便“遗忘”了此次交互，无论Web推荐器和客户端浏览器都不会记忆上一次连接的状态。目前，解决这个问题的方法一般有两种：
1.使用Cookie。Cookie是存储在Web客户端机器上的一个小文本文件。Web推荐器端的处理程序可以创建一个Cookie，然后让推荐器把该信息发送给客户端的浏览器。浏览器收到信息后即把数据存储在客户端的硬盘上。以后，当该客户再次访问该站点时，推荐器的处理程序向客户机的浏览器请求该Cookie。 通过Cookie，可以使推荐器端的处理程序具有交互性。
2.采用全动态的页面。“全动态”是指在获取用户的身份信息后，在用户访问的每一个页面中都写入系统分配给顾客的一个唯一标识，当用户向推荐器提交推荐请求时，这个标识也一起传送到了推荐器。这样，推荐器端的处理程序可以从这个标识中获取用户的身份信息。采用这种方式，不同的用户拥有不同的标识，不同的顾客也就有了一套不同的页面。这些页面只可能通过处理程序来动态生成。
因此，一个个性化的电子商务系统一般是没有静态页面的。综上所述，一个个性化电子商务网站的基本结构如图2所示。
五、个性化处理单元的设计
1.个性化处理部分：这是个性化处理单元中一个很重要的部分，它与接口部分协作，完成了个性化网页的生成工作。个性化处理部分一个大致的工作流程如下：(1)确认用户身份，以便对不同的用户提供不同的推荐。如果由于输入错误或其他一些原因，用户可能无法通过身份认证，对此系统可以有不同的处理方式。(2)获取用户配置信息。用户在通过认证后，系统将从后台数据库中获得用户配置信息，如用户的兴趣、爱好等等。根据系统的不同，需要的用户配置信息也会有所不同。(3)生成动态页面。匹配中心根据用户的配置信息，与相应的数据库进行交互，动态生成页面。 最后通过连接管理模块将结果页面发送给Web推荐器，最终由推荐器将页面返回给发送请求的用户。
2.管理部分;其工作是在后台管理整个系统的运行，对于一个个性化系统来说，管理部分还有一些特殊的地方:(1)管理工作的内容比较繁杂。管理工作有的是直接为访问网站的用户推荐的，有的是为网站后台应用服务的。(2)进行管理工作的人员也比较复杂。在一个个性化的系统中，高级决策人员、销售人员、网页维护人员等都可以进行相应的管理工作。正因为如此，管理部分成为个性化系统中一个不可缺少的部分。管理部分共有内容管理模块、规则管理模块、后台管理模块三大块，每个模块的功能都不相同。
3.接口部分：这一部分包括接入管理模块和数据库接口两部分。个性化处理单元处于Web推荐器与后台数据库之间，它通过接口部分与Web推荐器和数据库连接。因此，接口部分在 Web推荐器、个性化处理单元和数据库间起到了一个“桥梁”的作用。(1)接入管理模块。接入管理模块的主要功能是接收Web推荐器发送的请求信息，并将产生的结果页面返回Web推荐器。根据Web推荐器中HTP网关的不同，接入管理模块可以是一个外部的应用程序，或者是一个连接入推荐器的模块。(2)数据库接口。数据库的接口大致可以分为两类：通用接口和专用接口。通用接口，如ODBC， JDBC等，可以连接到多种数据库。专用接口只能对应于某种专用的数据库。但通用接口在速度方面不如专用接口。根据网站规模的不同、经营项目的不同、硬件设备的不同，库接口都会有所不同，这需要具体问题具体分析。
六、结束语
电子商务网站为终端客户和分销商等商业个体提供商业信息交流的平台，如何对系统留下的大量冗余的商业数据再利用是一个具有挑战性的问题。随着数据挖掘技术的成熟，尤其是Web挖掘技术的产生，如何提供电子商务网站个性化推荐越来越受企业关注，也是保障企业生存发展的重要因素之一。
参考文献
[1]余力:电子商务个性化——理论、方法与应用.清华大学出版社，(2006）
个性化推荐系统范文4
【关键词】 个性化推荐系统 中职 大数据 驾驭
计算机技术的迅速发展和广泛应用，使大数据成为计算机技术的必然产物及各个领域的热门话题。大数据对社会经济、政治、生活以及文化等方面都有着深远的影响，为各个领域带来了机遇和挑战，教育领域也不例外。随着大数据概念和个性化推荐系统的引入，教育信息化也展现出前所未有的发展趋势，可以说教育和计算机技术的相融合，不仅提高了学习者整理和分析信息的能力，同时也推动了教育改革和教学创新。
一、大数据和个性化推荐系统
1.1大数据的概念
大数据是人们在长期应用和研究数据的基础上，尤其是随着计算机技术的深入应用，在大量数据的背景下营运而生的，可以从众多无规则的数据中整理、筛选出有价值的信息，从而为各行业服务，因此，大数据也称为“巨量资料”。当前，大数据已经不再仅局限于描述和存储海量数据信息，同时还可以帮助人们客观地发现隐藏在海量数据背后有价值信息的真相。
1.2个性化推荐系统
个性化推荐系统则是基于用户基本特点及实际需求，从而为广大用户提供相应的个性化服务，目前有众多研究者和开发者不断研究和使用个性化推荐技术，例如视频网站、社交网站和购物网站都实现了个性化推荐服务，但是至今为止，个性化推荐系统的概念和定义还不够明确，通常情况下是采用Resnick和Varian在1997年关于个性化推荐系统的定义：个性化推荐系统则是在计算机技术及网络技术应用基础上，针对广大用户实际需求提供相应的商品信息及建议，从而为用户产品购买提供相应帮助，也就是模拟产品销售人员对用户产品购买提供帮助的过程。
二、个性化推荐系统设计
2.1大数据环境下的个性化推荐系统
大数据环境中信息过载已成为事实，个性化推荐系统是在帮助教学过程参与者，即教师和学生，快速有效地获取所需项目对象的目的下产生的。推荐系统在个性化教学中得到了充分的应用，例如在中职《Java程序设计基础》课程学习中，有大多数学生都做错了关于“插入排序算法”的题，但是在浏览学校论坛文章的数名学生中，有78%的学生都不会在再次做此题时出错，因为当有学生犯同样的错误时，推荐系统会自动推送相关论坛文章帮助学生解答疑惑，在这里，确定适合学生学习的论坛内容凭借的是“项目相关计算”的手段，而不是根据学生的自行判断。
2.2了解用户需求分析
个性化推荐系统的用户多为中职院校的学生，主要是将网络学习作为主要学习方式或者辅助方式，用户通常也就是计算机专业学生或者是熟练应用教育资源网站的学生和教师等。针对学生来讲，传统教学模式需要受到时间空间的限制，无法实现面对面指导，因此学生在采用网络学习过程中往往会出现一定的迷茫，无法在大量网络数据中迅速找到自己所需的学习资源，消耗时间比较长。而推荐系统的主要功能就是可以根据学习者的特点和学习兴趣，可以为学习者推荐合适的学习资源，从而有效地为用户提供个性化资源服务[2]。另外在进行资源推荐过程中通常出现一个URL，所以当学生对资源点击下载时，程序会通过URL从网络上下载与学习资源相应的资源。当学习资源被下载到手机客户端时，学习者则可以结合自己的实际需求，不受时间及空间限制下载资源查看、标记及共享等等，并且学习者关于这一资源的相关操作，均会在客户端上进行详细记录并传送，进一步被服务器所记录并保存到数据库中，以便对学生的推荐资源进行计算。随着学生使用推荐系统时间的增加，服务器在学生输入信息记录过程中也会有显著提升，这样也就进一步提高推荐系统服务准确性。可以说个性化推荐系统就像电子购物网站一样，可以根据学生的具体需求、学习风格以及学生的浏览记录作为推荐依据，从而为学生推荐适合的学习资源，大大提高了学习者寻找资源及学习的效率。
三、个性化推荐系统在中职教育中的应用
3.1更新了教育理念、教学思维及教学评价
随着大数据时代和个性化推荐系统的深入推进，中职教育理念、教学思维及教学评价等方面都发生了更新和变化。在大数据时代，教育领域充满了海量数据，如学校教师和学生的言行举止、学校里的事物都可转化为数据信息。中职学生在用计算机终端学习时，通过研究学习者的活动轨迹和系统的推荐，包括作业完成情况、课堂言行、师生互动、自主学习及同学交流等活动，都将成为教育大数据的来源，此时大数据环境下的个性化推荐系统也比传统数字更具有含义和价值，其可以通过大数据技术层面对教学活动进行分析、评价及提高，而教育也不再是依靠教W经验和理念来传授知识[3]。可以说，个性化推荐系统将步入实证时代，变成一门基于数据研究的学科，充分挖掘符合教学和学生的教育、学习及评估等实际情况，从而规范地制定和执行教育规则，构建更加符合中职教育的教育教学策略。
3.2实现课堂教学、学生学习差异及个性化需求
大数据环境下的推荐系统具备的一个显著特点就是充分体现了学生学习和课堂教学真正意义上的个性化。例如美国的科罗拉多州的一所学校实施了“教育信息系统计划”，其是通过收集、整理及分析学校教师和学生的所有信息，旨在更好地帮助学校改进教学手段，更好地帮助学生获得学业上的知识。系统设计的重点是将所收集到的学生和教师的数据内容通过计算机信息技术联系起来，通过推荐系统的数据分析，让教师在获取更全面和更丰富的教学资源的同时，了解采用哪一种教学手段对学生的授课最有效，同时还可以及时了解到学生在学习过程中遇到的困难，并针对学生的特点进行个性化教学活动设计、学习计划以及对差异化的教学方案进行创新，从而大幅地提升教学质量。而学生则可以在教师的针对性指导下，提高自己的成绩和综合素质。
3.3提高和完善了学校的管理体系
学校是培养人才、传授知识及创造知识的场所，在学校管理中不管是活动控制还是决策，均需要一定的信息，比如在进行目标制定、教学计划设计以及教学组织评估过程等等。而个性化推荐系统在中职教育中的应用，不仅提高了教育管理，同时也实现了教育教学的科学化和精细化。推荐系统中不仅蕴藏着海量的资源信息，并且还可以在收集整理信息的同时产生新的数据，由此可见大数据处理及推荐系统在学校管理各个部门及活动中有着重要的作用，其可以对学校进行系统的规划和梳理，将所收集到的数据信息细化和标准化。同时，针对学校管理的数据或者对象，推荐系统可以从不同维度记录数据和对象，同时不同数据也能够实现印证，有助于构建多源管理大数据，重点集中在过程管理、活动管理及决策管理过程中，从而最终在学校管理大数据中[4]。
四、总结
大数据时代的到来和个性化推荐系统的推进对教育领域而言是新生事物，但其也是教育领域未来发展的必然趋势。围绕大数据环境下的个性化推荐系统在中职教育中的深入应用，软件开发者需要在今后的研究实践中不断地进行探索和发现。随着个性化推荐系统及其相关技术的完善和广泛使用，其在教育领域中的研究将会越来越全面和深入。
参 考 文 献
[1]金志福. 基于大数据的教育资源个性推荐系统设计与实现[D]. 中国科学院大学， 2015.
[2]尤伟静. 简析大数据及其在教育领域的应用[J]. 科学时代， 2015（10）.
个性化推荐系统范文5
【摘要】随着移动互联网的发展，在移动网络有效获取信息将会变得愈发的困难。个性化推荐技术的提出与应用，使得传统Internet上信息过载的局面得到了一定程度上的缓解。本文在现有的推荐算法的基础之上提出了一种基于用户分类与记录可信度加权的协同过滤推荐算法。并使用J2ME技术设计了一个移动网络个性化推荐原型系统。
【关键词】个性化推荐；移动网络；J2ME；协同过滤；记录可信度
1.引言
近年来，随着移动互联网的迅速发展，特别是国内3G牌照发放后，移动互联网用户增长迅速。根据中国互联网络信息中心（CNNIC）的《第30此中国互联网络发展状况统计报告》显示，2012年上半年中国互联网电脑网民规模达到5.38亿，而手机网民数量将达到3.88亿。据DDCI互联网数据中心预测，到2013年中国手机网民将达7.2亿，首次超越电脑网民[1]。随之而来的是移动互联网上各类信息的爆炸式增长，使得人们通过移动网络获取信息更加方便的同时，也使得人们获取有价值的信息愈发的困难。
为解决Internet上信息淹没的现状，个性化推荐技术得到了广泛的应用。针对移动互联网的特殊性，本文把传统Internet上个性化推荐技术应用到移动互联网上，提出了移动个性化推荐的离线解决方案，并且设计了基于J2ME的移动个性化推荐系统。
2.ATC与CF结合的推荐模型
2.1 相关技术概述
为解决文本分类中人为因素的影响，自动文本分类（Automatic Text Cat-egorization）技术得到了快速的发展与应用。目前比较常用的有KNN，朴素贝叶斯分类，SVM等分类方法。这些方法都是建立在统计学的基础上，通过特征提取来标注文本文档，建立文档模型后不同的方法应用不同的分类器来进行文本分来处理。文本分类建立在大量文档的基础之上，从而消除了不同的人对文档文类不同的分歧，使得分类过程不受人为因素的影响。
协同过滤（Collaborative Filt-ering，CF），又称协作型过滤，是在信息过滤与信息发现领域非常受欢迎的技术。一个协作型过滤算法通常的做法是对一大群人进行搜索，从中找出与当前用户喜好相同的一小群人，并且对这些人的偏好内容进行考察，将结果组合起来构造出一个经过排名的推荐列表[2]。协同过滤技术分为基于用户相似性的协同过滤（User-based），基于推荐项目的协同过滤（Item-based）与基于模型的协同过滤（Model-based）三种基本方式。User-based协同过滤是发现相似用户群体，根据相似用户的浏览记录来进行兴趣发现并推荐给用户；Item-based协同过滤计算推荐项目之间的相似性，把与用户以前浏览的项目相似的项目推荐给用户；Model-based协同过滤首先建立个性化推荐的数学模型，根据数学模型来计算推荐集。
本文主要应用朴素贝叶斯分类器与基于项目的协同过滤算法来构建移动网络的个性化推荐系统。
2.2 个性化推荐模型
基于J2ME的移动网络个性化信息推荐系统整体架构如图1所示，系统模型基于C/S结构设计，客户端采用J2ME技术实现手机客户端信息浏览系统，服务器端采用Servlet实现。
由图1可以看出推荐模型可以分为四个主要部分：
1）用户信息采集分为显性的信息采集与隐性信息采集方式。显性的信息采集方式为在用户的终端浏览界面设置信息反馈栏目，在该栏目中用户可以设置自己的使用偏好信息；隐性的信息采集方式为根据用户对信息的浏览时间，对信息是否保存，对信息是否转发等情况对信息内容做出隐性的评价。本文使用5分制规则，对信息保存，转发评分为5分，根据用户对信息浏览时间的长短为信息设置1-5分的分值。
2）信息系统主要负责添加推荐信息，在此过程中使用朴素贝叶斯文本分类器对文本类别进行划分。
3）个性化推荐引擎采用基于用户背景信息分类与历史记录可信度加权的Item-Based协同过滤算法产生推荐信息集。
4）终端系统采用基于J2ME技术实现，提供信息浏览与用户偏好采集功能等。
2.3 朴素贝叶斯文本分类
文本分类是将未知的文本类型划分到规定好的类别中，从而降低人为因素的影响。朴素贝叶斯分类以古典数学理论为基础，分类效率稳定，同时模型构建简单，性能优越。因此本文选取朴素贝叶斯分类器作为文本分类的工具。
本文使用的基于朴素贝叶斯分类的文本分类过程如下：
（1）训练文本的向量空间表示
生成向量空间模型的步骤有文本分词处理，除去停用词，特征选择等。经过各个阶段，最终将确定一组特征词作为特征词空间W={w1，w2，w3，…，wm}，w表示特征词。将文本映射到该组特征词空间，使文本的表示形如T（A）={pA1，pA2，pA3，…，pAm}，pAi为文档频率法表示词wi在文档A上的权重。pAi还可以通过信息增益法，开方拟合检验等其他方法表示[3]。
（2）计算每个特征词所属类别的概概率分布
计算每个特征词属于每个类别的概率，具体计算方法：分别计算每类文件的质心，并计算出每个词能够代表每个类别的概率，最终形成如表1所示的特征词-文本类别对应矩阵。关于文件集质心的计算可以参考文献[4][5]。
（3）向量空间模型的形成
根据已选定的特征词空间，将待分类文本映射到特征词空间中，使其表示为向量空间形式：T（X）={pX1，pX2，pX3…pXm}。
（4）根据特征词的概率分布情况，计算待分类文本所属类别的概率
确定待分类文本T（X）属于分类Ck（Ck∈{C1，C2，C3…Cn}）的概率R（k），R（k）的计算方法如公式1所示。
（公式1）
（5）确定待分类文本的类别
按（4）中所提计算公式分别计算待分类文本属于每个类别的概率R（k），具有最大值R（k）的类别即为该待分类文本的最终分类。
个性化推荐系统范文6
【关键词】普适个性化推荐 上下文感知 螺旋模型 语义网服务
一、引言
以普适计算为核心的信息环境带来了许多新的生产模式和生活理念，成为未来不容忽视的巨大经济驱动力，不少国家都将普适信息环境的建设作为新一轮国家信息产业战略的主导[1]。普适个性化内容推荐是指根据用户偏好、行为习惯和时空环境等因素，将相关内容通过各种网络和终端主动推送给用户的一种动态的个性化服务模式。该领域的研究将个性化服务、上下文感知计算和语义Web服务等领域的方法和技术相结合，致力于在一种开放、动态和集成的环境下，给用户提供随时随地的，更具针对性、多样化和智能化的服务[2][3]。这些问题的研究对于支持内容服务模式的创新和内容服务行业的发展具有很大的理论意义和商业价值。
目前，该领域的研究仍处于探索和试验阶段，成熟的规模化应用并不多见，主要问题在于缺乏从知识发现与知识组织视角构建情境与服务关系的方法，缺乏集成多种内容推荐业务的支持性系统的解决方案[4]。由于目前缺少从数据分析、知识管理视角构建情境与用户内容偏好关联的研究，那么在给用户提供服务的工作过程中需要哪些类型的上下文数据，采取何种策略和次序获取并将其与知识库中的目标情境匹配，当存在不完全匹配问题时应采取何种策略等，对于这些后续问题的研究就更加薄弱。本文在前期研究[5]的基础上针对普适推荐服务的目标，结合语义Web服务技术，研究普适个性化内容推荐支持性系统的工作机理，情境化用户偏好知识库的利用过程，建立各种服务之间的逻辑时序关系，以保证服务执行的有序性。
二、基于螺旋模型的服务运作模式
（一）上下文信息获取的依赖关系。
本文将上下文（Context）定义为描述用户情境（Situation）特征的信息。上下文之间具有推理关系、类属关系，一种上下文数据的获取需以另一种数据的获取为前提。在系统实际运行过程中并非时刻对知识库中描述目标情境的所有上下文数据进行一系列的获取、推理和匹配任务。
在情境偏好分析中，处理的是用户与系统交互的历史数据，对描述情境的上下文数据并不需要区分获取时的依赖关系。例如，要获取天气情况的数据，先要获取用户位置数据；要获取用户活动状态信息，首先需获取时间、位置、用户日程等信息再通过推理导出等。然而，在系统的工作过程，并不是时刻对所有的上下文数据进行获取、解释、然后对目标情境进行匹配。因为目标情境中的上下文属性值对之间是合取关系，那么在对目标情境和现实情境的匹配时首先只需得到较容易获取的上下文数据，例如：时间、位置等，当这些上下文数据与情境中的上下文取值匹配时，再获取其它的上下文数据，如：温度数据、用户活动状态等。这样减轻了系统运行的工作负载，利于节省服务资源、降低时间开销和用户费用。图3-1中描述了部分上下文数据获取的依赖关系。这里的主从关系并不同于相关文献中定义的直接和间接上下文，直接上下文是指原始的上下文数据，间接上下文是指通过推理导出的上下文概念。主上下文是指在获取过程中不依赖于其它上下文的类型，而从上下文的获取需要以另一种上下文的获取为前提。当然，具体应用过程中由于感知设备的采用情况不同，这种主从关系并非绝对不变，例如：如果用户移动终端上具有温度感知的功能，那么可以直接由该温度传感器获取温度数据，就不需要先获取用户位置信息再通过调用温度Web服务这种虚拟传感器的方式获取。
（二）服务运作的逻辑。
