电子商务推荐系统评述

随着电子商务的不断发展，电子商务推荐系统的应用更加广泛。本文介绍评述了电子商务推荐系统的分类、技术、发展趋势等。     

基于Web数据挖掘的电子商务推荐模型研究

当前电子商务推荐系统的推荐精度和实时性是一对矛盾,针对这个问题,以Web数据挖掘技术在电子商务推荐系统中的应用为重点,设计一个基于Web挖掘的电子商务推荐系统应用框架,整个体系结构分为离线部分和在线部分两部分,并且对在线模块的各部分功能进行详细的介绍.     

多Agent协同的电子商务推荐系统模型

为了进一步提高电子商务推荐系统中商品推荐的准确性和高效性,通过分析传统推荐系统存在的问题和已有的优化方案,提出了多Agent的电子商务推荐系统模型。推荐系统通过人工智能领域中的多Agent技术,并应用终端自适应特性,改善了传统推荐系统在多终端情况下的电子商务系统的推荐效率,并根据用户使用的不同终端动态返回推荐结果。实验结果表明,多Agent协同的电子商务推荐系统在一定程度上提高了推荐效率和准确性。     

音乐推荐系统及相关技术研究

随着计算机网络和多媒体技术的迅速普及,推荐系统特别是音乐推荐系统成为了电子商务领域的一大研究热点.对现有的音乐推荐系统及其相关技术作了全面深入的调查和分析,在介绍个人及群体音乐推荐系统的基础上,讨论了音乐推荐系统的发展方向并提出了相应的研究重点.该课题的研究有助于提高音乐推荐质量,增强用户满意度,提高音乐推荐系统的实际可用性.相关研究成果也将对其他推荐系统以及多媒体应用系统的研究起到重要的借鉴作用.     

基于Web挖掘的电子商务推荐系统应用研究

以Web挖掘在电子商务推荐系统中的应用为重点,设计一个基于Web挖掘的电子商务推荐系统应用框架,并详细的分析了它的组成部分.＃     

电子商务推荐攻击研究

个性化推荐是实现客户关系管理的重要手段和技术。协同过滤作为最核心、最典型的个性化推荐技术，被广泛应用于电子商务，但其推荐结果对用户偏好信息敏感，使得推荐系统易受到人为攻击，电子商务推荐安全成为个性化推荐能否成功应用的关键。作者先简要介绍了电子商务个性化推荐的基本概念，然后系统阐述了推荐攻击的概念、特征、攻击成本及攻击效率，并详细比较了各种攻击模型，以及各种攻击模型对不同推荐模型的稳定性和健壮性的影响，分析比较了各种攻击检测模型。最后总结评述了电子商务推荐安全的研究现状，并提出了未来研究的挑战。     

基于分布式数据挖掘的电子商务推荐系统①

为解决电子商务推荐系统开放性、效率和精确度问题,给出了基于分布式数据挖掘的电子商务推荐系统(BDBRS)功能结构,提出了该系统的体系结构,然后介绍了BDBRS所应用的技术和BDBRS的设计与实现,最后描述了BDBRS的部分功能模块及人机界面,验证了BDBRS的正确性和本文研究的推荐算法在效率、精确度等方面的优越性。     

基于知识的电子商务智能推荐系统平台设计

分析了传统推荐技术存在的不足,阐述了基于知识的推荐技术的特点及其发展。针对现有基于知识的电子商务推荐系统中存在的不足,提出了基于知识的电子商务智能推荐需要解决的基本问题,设计了基于知识的电子商务智能推荐平台的逻辑框架,并阐述了其工作原理。     

基于Web Mining的推荐系统

推荐系统(Recommender System)被电子商务站点用来向顾客提供信息以帮助顾客选择产品,其基本思想是以统计结果或者顾客以前的行为记录为依据,推测顾客未来可能的行为并给出相应的推荐。本文对基于传统技术和Web mining技术的推荐系统进行了简要综述,同时描述了基于Web mining技术的推荐系统的工作流程,重点分析了应用于推荐系统的各种具体Web mining技术及其算法比较。     

电子商务推荐系统

随着计算机技术的发展，电子商务也在不断的发展，由此带来的竞争也更加的激烈，为了提升企业的市场竞争力，各个企业都利用促销的手段来吸引顾客。针对电子商务来说，如何提升销售量，并保持客户的忠诚度，是企业的管理者需要考虑的问题。本系统采用B/S架构，通过改进的Apriori算法构建推荐模型，进而建立电子商务推荐系统，为顾客推荐他们感兴趣的对象，增加客户的忠诚度，提升企业的效益。     

旅游推荐系统研究综述

为用户提供个性化推荐服务并提高推荐的准确度和用户满意度,是当前旅游推荐系统的主要研究任务。文中分析了旅游推荐系统与传统推荐系统的异同点,并从基于内容的推荐、基于协同过滤的推荐、基于知识的推荐、基于人口统计的推荐、混和型推荐以及基于位置感知的推荐共6个方面考查了旅游推荐的研究现状。在此基础上,给出了旅游推荐系统的一个总体框架。最后,总结分析了旅游推荐系统面临的6个重点和难点问题,并指出了下一步需要关注的研究方向。     

A novel mobile recommender system for indoor shopping

With the widespread usage of mobile terminals, the mobile recommender system is proposed to improve recommendation performance, using positioning technologies. However, due to restrictions of existing positioning technologies, mobile recommender systems are still not being applied to indoor shopping, which continues to be the main shopping mode. In this paper, we develop a mobile recommender system for stores under the circumstance of indoor shopping, based on the proposed novel indoor mobile positioning approach by using received signal patterns of mobile phones, which can overcome the disadvantages of existing positioning technologies. Especially, the mobile recommender system can implicitly capture users’ preferences by analyzing users’ positions, without requiring users’ explicit inputting, and take the contextual information into consideration when making recommendations. A comprehensive experimental evaluation shows the new proposed mobile recommender system achieves much better user satisfaction than the benchmark method, without losing obvious recommendation performances.     

New Recommendation Techniques for Multicriteria Rating Systems

Personalization technologies and recommender systems help online consumers avoid information overload by making suggestions regarding which information is most relevant to them. Most online shopping sites and many other applications now use recommender systems. Two new recommendation techniques leverage multicriteria ratings and improve recommendation accuracy as compared with single-rating recommendation approaches. Taking full advantage of multicriteria ratings in personalization applications requires new recommendation techniques. In this article, we propose several new techniques for extending recommendation technologies to incorporate and leverage multicriteria rating information.     

社会化推荐研究进展

文章提供了一个关于社会化推荐研究进展的概述。随着推荐系统研究的不断深入,将社会化影响融入推荐系统成为一个新的研究热点和问题丰富的研究领域。首先描述了社会化推荐的相关技术：推荐系统和社会化网络分析。对当前社会化推荐的一些最新技术方法进行分类介绍,具体包括利用社会化关系推荐物品,利用社会化关系推荐好友,根据内容推荐社会化关系,小组推荐和为团体推荐五个方面。     

知识驱动的推荐系统：现状与展望

个性化推荐系统能够根据用户的个性化偏好和需要,自动、快速、精准地为用户提供其所需的互联网资源,已成为当今大数据时代应用最广泛的信息检索系统,具有巨大的商业应用价值。近年来,随着互联网海量数据的激增,人工智能技术的快速发展与普及,以知识图谱为代表的大数据知识工程日益受到学界和业界的高度关注,也有力地推动推荐系统和个性化推荐技术也迈入到知识驱动与赋能的发展阶段。将知识图谱中蕴含的丰富知识作为有用的辅助信息引入推荐系统,不仅能够有效应对数据稀疏、语义失配等传统推荐系统难以避免的问题,还能帮助推荐系统产生多样化、可解释的推荐结果,并更好地完成跨领域推荐、序列化推荐等具有挑战性的推荐任务,从而提升各类实际推荐场景中的用户满意度。本文将现有融入知识图谱的各种推荐模型按其采用的推荐算法与面向的推荐场景不同进行分类,构建科学、合理的分类体系。其中,按照推荐方法的不同,划分出基于特征表示的和基于图结构的两大类推荐模型;按推荐场景划分,特别关注多样化推荐、可解释推荐、序列化推荐与跨领域推荐。然后,我们在各类推荐模型中分别选取代表性的研究工作进行介绍,还简要对比了各个模型的特点与优劣。此外,本文还结合当下人工智能技术和应用的发展趋势,展望了认知智能推荐系统的发展前景,具体包括融合多模态知识的推荐系统,具有常识理解能力的推荐系统,以及解说式、劝说式、抗辩式推荐系统。本文的综述内容和展望可作为推荐系统未来研究方向的有益参考。     

An overview of recommender systems in the healthy food domain

Recently, food recommender systems have received increasing attention due to their relevance for healthy living. Most existing studies on the food domain focus on recommendations that suggest proper food items for individual users on the basis of considering their preferences or health problems. These systems also provide functionalities to keep track of nutritional consumption as well as to persuade users to change their eating behavior in positive ways. Also, group recommendation functionalities are very useful in the food domain, especially when a group of users wants to have a dinner together at home or have a birthday party in a restaurant. Such scenarios create many challenges for food recommender systems since the preferences of all group members have to be taken into account in an adequate fashion. In this paper, we present an overview of recommendation techniques for individuals and groups in the healthy food domain. In addition, we analyze the existing state-of-the-art in food recommender systems and discuss research challenges related to the development of future food recommendation technologies.     

协同过滤推荐系统综述

随着互联网和信息计算的飞速发展,衍生了海量数据,我们已经进入信息爆炸的时代。网络中各种信息量的指数型增长导致用户想要从大量信息中找到自己需要的信息变得越来越困难,信息过载问题日益突出。推荐系统在缓解信息过载问题中起着非常重要的作用,该方法通过研究用户的兴趣偏好进行个性化计算,由系统发现用户兴趣进而引导用户发现自己的信息需求。目前,推荐系统已经成为产业界和学术界关注、研究的热点问题,应用领域十分广泛。在电子商务、会话推荐、文章推荐、智慧医疗等多个领域都有所应用。传统的推荐算法主要包括基于内容的推荐、协同过滤推荐以及混合推荐。其中,协同过滤推荐是推荐系统中应用最广泛最成功的技术之一。该方法利用用户或物品间的相似度以及历史行为数据对目标用户进行推荐,因此存在用户冷启动和项目冷启动问题。此外,随着信息量的急剧增长,传统协同过滤推荐系统面对数据的快速增长会遇到严重的数据稀疏性问题以及可扩展性问题。为了缓解甚至解决这些问题,推荐系统研究人员进行了大量的工作。近年来,为了提高推荐效果、提升用户满意度,学者们开始关注推荐系统的多样性问题以及可解释性等问题。由于深度学习方法可以通过发现数据中用户和项目之间的非线性关系从而学习一个有效的特征表示,因此越来越受到推荐系统研究人员的关注。目前的工作主要是利用评分数据、社交网络信息以及其他领域信息等辅助信息,结合深度学习、数据挖掘等技术提高推荐效果、提升用户满意度。对此,本文首先对推荐系统以及传统推荐算法进行概述,然后重点介绍协同过滤推荐算法的相关工作。包括协同过滤推荐算法的任务、评价指标、常用数据集以及学者们在解决协同过滤算法存在的问题时所做的工作以及努力。最后提出未来的几个可研究方向。     

基于评分矩阵局部低秩假设的成列协同排名算法

协同过滤方法是当今大多数推荐系统的核心.传统的协同过滤方法专注于评分预测的准确性,然而实际推荐系统的推荐结果往往是项目的排序.针对这一问题,将排名学习领域的知识引入推荐算法,设计了一种基于评分矩阵局部低秩假设的成列协同排名算法.选择直接使用计算复杂度较低的成列损失函数来优化矩阵分解模型,并通过实验验证了其在运算速度上的显著提升.在3个实际推荐系统数据集上,与当下主流推荐算法的比较实验结果表明,该算法具有良好的性能.     

基于项目属性的用户聚类协同过滤推荐算法

协同过滤推荐算法是个性化推荐服务系统的关键技术,由于项目空间上用户评分数据的极端稀疏性,传统推荐系统中的用户相似度量算法开销较大并且无法保证项目推荐精度.通过对共同感兴趣的项目属性的相似用户进行聚类,构建了不同项目评价的用户相似性,设计了一种优化的协同过滤推荐算法.实验结果表明,该算法能够有效避免由于数据稀疏性带来的弊端,提高了系统的推荐质量.     

A survey of recommender systems for energy efficiency in buildings: Principles,challenges and prospects

Recommender systems have significantly developed in recent years in parallel with the witnessed advancements in both internet of things (IoT) and artificial intelligence (AI) technologies. Accordingly, as a consequence of IoT and AI, multiple forms of data are incorporated in these systems, e.g. social, implicit, local and personal information, which can help in improving recommender systems’ performance and widen their applicability to traverse different disciplines. On the other side, energy efficiency in the building sector is becoming a hot research topic, in which recommender systems play a major role by promoting energy saving behavior and reducing carbon emissions. However, the deployment of the recommendation frameworks in buildings still needs more investigations to identify the current challenges and issues, where their solutions are the keys to enable the pervasiveness of research findings, and therefore, ensure a large-scale adoption of this technology. Accordingly, this paper presents, to the best of the authors’ knowledge, the first timely and comprehensive reference for energy-efficiency recommendation systems through (i) surveying existing recommender systems for energy saving in buildings; (ii) discussing their evolution; (iii) providing an original taxonomy of these systems based on specified criteria, including the nature of the recommender engine, its objective, computing platforms, evaluation metrics and incentive measures; and (iv) conducting an in-depth, critical analysis to identify their limitations and unsolved issues. The derived challenges and areas of future implementation could effectively guide the energy research community to improve the energy-efficiency in buildings and reduce the cost of developed recommender systems-based solutions.