孫雨生+張晨+任潔+朱禮軍

〔摘要〕本文從用戶興趣建模、推薦機制、信息資源管理三方面闡述了國內(nèi)電子商務個性化推薦研究進展：用戶興趣建模研究用戶興趣模型表示、初始化、進化；推薦機制按實現(xiàn)方式分協(xié)同過濾推薦、基于內(nèi)容推薦、基于規(guī)則推薦、基于知識推薦、基于效用推薦、基于人口統(tǒng)計推薦、混合推薦；信息資源管理研究集中在數(shù)據(jù)挖掘和存儲。

〔關鍵詞〕電子商務；個性化推薦；研究進展；用戶興趣建模；推薦機制

DOI：10.3969/j.issn.1008-0821.2017.04.024

〔中圖分類號〕TP399；G202〔文獻標識碼〕A〔文章編號〕1008-0821（2017）04-0151-07

Research Development of E-Commerce Personalized

Recommendation in China：Core TechnologySun 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〕The authors revealed research development on e-commerce personalized recommendation in china from three aspects：users interest modeling，recommendation mechanism，information resource management.Users interest modeling explore the representation，initialization and evolution of users interest model；According to the way of implementation，recommendation mechanism can be divided into collaborative filtering recommendation，content-based recommendation，rule-based recommendation，knowledge-based recommendation，utility-based recommendation，demographic statistics-based recommendation and hybrid recommendation；research on information resource management was concentrated on data mining and storage.

〔Key words〕e-commerce；personalized recommendation；research development；user interest modeling；recommendation mechanism

隨著互聯(lián)網(wǎng)應用普及和電子商務迅猛發(fā)展，用戶個性化需求日益凸顯，客觀需為其個性化推薦商品和服務。由此，電子商務個性化推薦應運而生，其基于所獲取用戶需求、興趣愛好、網(wǎng)絡行為等提取特征[1]并構(gòu)建用戶興趣模型，動態(tài)發(fā)現(xiàn)用戶潛在、個性需求并選擇推薦機制匹配候選商品[2]，提供個性化主動信息、商品服務以提高用戶滿意度、商品銷量。

本文以知網(wǎng)、萬方的學位論文、期刊論文庫及維普的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8月11日，從知網(wǎng)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(fā)現(xiàn)17篇）、期刊論文90篇（新發(fā)現(xiàn)3篇）；從維普獲期刊論文95篇（新發(fā)現(xiàn)8篇），合計192篇文獻），從用戶興趣建模、推薦機制、信息資源管理角度闡述國內(nèi)電子商務個性化推薦研究進展。

1電子商務個性化推薦核心技術研究進展

1.1用戶興趣建模

1.1.1模型表示

國內(nèi)用戶興趣模型表示多用基于向量空間模型法[3]（較復雜且精度不夠高[2，4-6]）、基于神經(jīng)網(wǎng)絡法（依賴模型學習所用神經(jīng)網(wǎng)絡類別和算法，適用范圍窄且難理解[6]）、基于案例法（反映用戶短期興趣[4-5]）、基于用戶-項目評價矩陣法（難反映興趣變化[4]）、基于本體法（可重用共享知識但無法避免本體設計問題[4-5，7]）、基于決策樹法、基于簡單貝葉斯概率模型法、基于關鍵詞法、基于語義網(wǎng)絡法，此外還有基于加權矢量模型法、基于類型層次結(jié)構(gòu)模型法、基于目錄結(jié)構(gòu)法等[7]。

1.1.2模型初始化

主要是用戶興趣數(shù)據(jù)采集及處理，涉及興趣學習技術（如TF-IDF、貝葉斯分類、決策樹、神經(jīng)網(wǎng)絡、聚類等[4]）。

1）興趣數(shù)據(jù)采集

獲取與用戶特征、興趣或活動相關信息，遵循增量式、協(xié)作性、簡單性原則[7]，方式有顯式、隱式[5-6]、混合式（融合隱式、顯式采集優(yōu)點[6]）[4，7]。

顯式采集信息由注冊信息、評分、文本評價[6]、顯式樣本集、目標陳述[4]等組成，簡單直接、準確[5，7]、學習速度快[4]但需用戶確知興趣且參與（多不成立），無法收集全面真實數(shù)據(jù)[5-8]，即使用戶提供真實興趣，單獨顯式采集難描述用戶對項目復雜感知和反應[4]，為此，代其鋒[5]、蔣罛[7]認為應告知用戶個性化推薦概念、作用、原理以激勵其參與。

隱式采集信息由服務器端（日志，記錄用戶IP、ID及訪問（時間、URL）、瀏覽[4，6]（瀏覽時間）、檢索[9]、購買等行為）、客戶端數(shù)據(jù)（包括用戶請求幫助、頁面停留時間、訪問項目次序、瀏覽、點擊、保存、操作時間[2，7]等[4]）組成。此外，代其鋒[5]、蔣罛[7]認為包括反復行為、標記行為、操作行為、瀏覽路徑、消極行為。優(yōu)點是不增加用戶負擔且動態(tài)獲取海量數(shù)據(jù)（可能有冗余，計算成本和復雜度較大）[4，6]；缺陷是缺乏控制（隨機、不確定）[5，7]，需解決基于用戶導航行為的長、短期興趣[4]區(qū)分問題。

2）興趣數(shù)據(jù)處理

主要是數(shù)據(jù)預處理和興趣度量化。前者先預處理Web日志和用戶評分[10]（先凈化數(shù)據(jù)并識別用戶、會話、路徑、事務，再分詞、計算特征詞權重及提取特征詞集，特征化、聚類事務集[11]），得出用戶訪問情況以便量化興趣度。對于后者，李鳳慧[12]用（瀏覽時長/總瀏覽時長）×（網(wǎng)頁字節(jié)數(shù)/總信息數(shù)）量化興趣度（指標分用戶訪問頻率[13]、持續(xù)訪問時間[14]、最近訪問時間[15]）[4]；安芳[15]、張黎黎[16]用閾值法量化興趣度；李熠[17]用購買次數(shù)量化興趣度；楊永亮[18]基于時間衰減因子，用對商品發(fā)生行為時間間隔量化興趣度；王偉等[19]預處理文本評價（用Core-NLP包詞性（POS）標記提取特征并用WordNet計算與種子詞相似度以同義分組；給出并綜合用戶對各意見詞的積極性、消極性、客觀性值形成意見值）形成特征-意見值對，量化興趣度；鄧曉懿[20]基于支持度、置信度框架量化規(guī)則興趣度；劉晶等[3]基于虛擬個體關聯(lián)、情景關聯(lián)、行為關聯(lián)模塊量化規(guī)則興趣度。

1.1.3模型進化

1）進化內(nèi)容

用戶興趣模型隨用戶活躍度、興趣變化，基于用戶顯隱式反饋、興趣衰減自適應進化[4，7，9，16]，主要包括興趣項目和興趣度：前者基于用戶注冊、反饋信息提取興趣項目（生成并合并顯、隱式興趣項目向量）并排序[7]，張建偉[11]基于交易事務鏈接前后Web頁特征詞變化進化用戶興趣；后者基于用戶評分修改[7]、閾值比較判斷是否進化。

2）進化方法

現(xiàn)有模型進化方法常按固定頻率更新，動態(tài)跟蹤、高效獲取用戶興趣變化能力有限，影響模型精度。李曉昀[4]提出信息增補法（基于用戶反饋進化，分直接增補法（不剔除不再感興趣項目，有精度不高、存儲空間浪費問題）、權重調(diào)整增補法（性能受新信息選擇方法、增量影響））、自然進化法（按生態(tài)系統(tǒng)優(yōu)勝劣汰法進化，需針對性設計適應度函數(shù)和染色體編碼法）和神經(jīng)網(wǎng)絡法（調(diào)整網(wǎng)絡連接權重自適應進化，須以神經(jīng)網(wǎng)絡為學習法）；楊靜[9]、張黎黎[16]提出主動進化法（更新興趣項目并調(diào)整權重、次序，維護知識分類體系及資源類型目錄）和基于用戶反饋自動進化法（胡一[1]、蔣罛[7]又根據(jù)顯式、隱式分直接進化（影響瀏覽，參與者有限）和間接進化法（基于瀏覽行為、日志挖掘等））；楊永亮[18]基于用戶行為指紋算法（哈希處理用戶行為記錄并通過記錄權重隨時間衰減模擬興趣進化）進化；蔣罛[7]提出線性衰減法進化（興趣度衰減到零時淘汰項目）；俞正驕[21]遞進挖掘序列模式間興趣度進化基于規(guī)則推薦中用戶興趣。

1.2推薦機制

電子商務個性化推薦核心及性能直接決定因素，由推薦引擎基于用戶會話、推薦機制，推薦離線挖掘結(jié)果和動態(tài)內(nèi)容（鏈接、廣告、文本、商品、服務等[8]）[22]，主流推薦機制（按實現(xiàn)方式分類）優(yōu)劣勢見表1。

1.2.1協(xié)同過濾推薦

研究最多也最成功[23-24]，又稱社會過濾、協(xié)作過濾、合作過濾[10，14]，算法分析用戶對商品評價（點擊、購買歷史[21]）、興趣度，發(fā)現(xiàn)興趣相近用戶、關系相似項目，基于近鄰歷史偏好進行推薦[2，4，7-8，10，17，20-21，23，25-29，32，35]，主要研究近鄰方法和基于項目、用戶特征評級的潛在因素模型，分基于記憶（分基于用戶、基于項目）、基于模型兩類，對比見表2，代表系統(tǒng)為Tapestry、Ringo/Firefly、GroupLens/Netperceptions、Movielens[23]。

1.2.2基于內(nèi)容推薦

用機器學習法學習用戶信息（興趣[27]、需求等）和已評價商品特征[36]（通過項目屬性定義特征并基于數(shù)學模型[27]用特征值表示候選項目和用戶興趣模型[2，4，6，8，10，17，21，24-25，28，31-35]），用自然語言、人工智能、概率統(tǒng)計、數(shù)據(jù)挖掘、機器學習、鄰居函數(shù)分析等技術計算用戶與項目相似度[21]進行推薦[27]并基于用戶反饋進化用戶興趣模型。常用推薦方法有基于商品特征分類[31]、基于商品關聯(lián)、基于文本[21]分類、基于語義法[27]，此外，王星[24]按用戶興趣模型表示分基于向量空間模型、基于關鍵詞分類、基于領域分類和基于潛在語義索引等推薦法；代表系統(tǒng)有Personal WebWatcher、LIBRA、LyricTime、SIFTS、Letizia、InfoFinder、Newsweeder、WebMate、WebACE等。

表2協(xié)同過濾推薦類型對比

基于記憶（內(nèi)存）基于用戶基于項目基于模型比較對象用戶項目用戶依據(jù)啟發(fā)規(guī)則、用戶-項目評分矩陣用戶行為模型目的預測目標用戶未評分項目評分預測目標項目評分預測目標用戶評分相似性計算用戶相似性項目相似性無方法統(tǒng)計學、相似性計算、最近鄰統(tǒng)計學、機器學習、數(shù)據(jù)挖掘

1.2.3基于規(guī)則推薦

基于所選規(guī)則前件（用戶己購商品或興趣[4，5，17，25，28，35]）個性化推薦規(guī)則后件（推薦對象）[2，21，24]。規(guī)則由用戶定制或基于用戶關聯(lián)關系[27]挖掘[4]（基于用戶事務數(shù)據(jù)庫，挖掘滿足最小支持度及可信度的關聯(lián)規(guī)則[17，23，27，35]），代表系統(tǒng)有WebSphere、BroadVi2sion、SurfLen、ASARM[2]。

1.2.4基于知識推薦

用基于案例推理、數(shù)據(jù)挖掘[23，27]技術挖掘項目間關聯(lián)知識進行推薦，按所用知識形式（如功能知識（滿足特定用戶需求且可解釋需求和推薦間關系[2]）、用戶信息（支持推理知識結(jié)構(gòu)[4-5，25，33，35]或詳細用戶需求表示））分數(shù)據(jù)庫知識發(fā)現(xiàn)、基于案例推理、知識推理[23]。

1.2.5基于效用推薦

計算商品對用戶效用（基于商品屬性分值和效用函數(shù)權值分析內(nèi)容、K均值得出效用函數(shù)并隨用戶興趣動態(tài)調(diào)整[37]）[34]，用受限滿足技術匹配用戶需求和項目[2，25，30，33]進行Top-N推薦并評估效果[25，35，37]，核心是用效用函數(shù)代表用戶興趣模型。

1.2.6基于人口統(tǒng)計推薦

基于用戶顯式屬性分類用戶，結(jié)合人口統(tǒng)計信息進行推薦[25，27，30，35]。

1.2.7混合推薦

綜合各推薦方法優(yōu)勢提升推薦性能，較成功是協(xié)同過濾推薦與基于內(nèi)容推薦組合[17，25]，難點是組合對象選取方法及組合方式[31]，組合方式有加權[17]、變換[28]、混合[6]、特征組合、層疊、特征擴充[17，31]、元層次性[29，32-33，35]。此外，楊永亮[18]提出時間敏感物質(zhì)擴散算法（計算資源間相似度時考慮資源屬性、流行度隨時間變化）并與基于項目協(xié)同推薦算法混合；用最長公共子序列算法計算用戶相對次序下行為最長序列以度量用戶消費軌跡相似度，提取并計算基于時間敏感用戶間非公共興趣列表對用戶興趣貢獻度，與基于用戶協(xié)同推薦算法線性加權混合。

1.3信息資源管理

主要分數(shù)據(jù)采集、挖掘、表示、存儲、更新，主要管理用戶[26]、項目、推薦過程產(chǎn)生信息。

1.3.1數(shù)據(jù)采集

現(xiàn)有研究集中在用戶特征顯式、隱式采集（通過網(wǎng)絡爬蟲[2]采集信息、分析日志，獲取用戶瀏覽內(nèi)容、行為信息）。對于采集內(nèi)容，李婷[10]、馬瑞敏等[28]認為有用戶信息（注冊、評分）、商品屬性；汪亭廷[23]、辛勤芳[26]認為有用戶背景知識、評論、反饋及行為（網(wǎng)站訪問、購物[23]）等；劉晶等[3]從移動端流式采集網(wǎng)絡、視頻、傳感等數(shù)據(jù)；劉慶華[35]認為有概念、關聯(lián)規(guī)則、時間序列模式、最頻繁購物路徑。此外，商品信息多用人工錄入、系統(tǒng)導入、自動設備采集等方式。

1.3.2數(shù)據(jù)挖掘

電子商務數(shù)據(jù)挖掘主要針對Web數(shù)據(jù)，多通過關聯(lián)規(guī)則、分類[31]離線挖掘以支持在線推薦，前沿是基于本體的語義Web挖掘[34]。

1）Web數(shù)據(jù)挖掘

基于海量、復雜Web信息（多半結(jié)構(gòu)化[1，8]、不完整、有噪聲）、異構(gòu)數(shù)據(jù)庫環(huán)境[1，13]，通過分析用戶習慣、興趣，基于其心理變化，通過挖掘算法發(fā)現(xiàn)蘊涵、未知、有潛在應用價值、新穎、易理解及非平凡模式過程（用于指定挖掘任務，如描述所挖掘數(shù)據(jù)一般特性、預測[38]趨勢和行為、檢測偏差、支持決策[1]），常用人工智能、計算語言學、信息學、統(tǒng)計學等領域知識[13，32]，按挖掘?qū)ο蠓諻eb內(nèi)容（文本、多媒體）挖掘、Web結(jié)構(gòu)（超鏈接、內(nèi)容、URL）挖掘、Web使用記錄（日志）挖掘[1，8，11，13，22，32，38]（三者可融合）[38]，挖掘流程見表3。此外，宋偉國[14]用數(shù)據(jù)倉庫處理、集成與裝載、分析數(shù)據(jù)以支持數(shù)據(jù)挖掘；劉蓓琳[30]用降維、稠密化和標準化方法預處理數(shù)據(jù)。

2）關聯(lián)規(guī)則挖掘

分頻繁項集發(fā)現(xiàn)、關聯(lián)規(guī)則生成[20，33，38]，后者支持商業(yè)決策（廣告、商品推薦）、網(wǎng)站商品陳列調(diào)整，算法有Apriori、改進Apriori、AprioriTid、DHP、FP-tree、Tree Projection等[9，10，14，21，23，29，34]。

3）分類挖掘

基于機器學習法，用分類器（基于訓練集產(chǎn)生并隨訓練集動態(tài)變化，可離線進行）分類對象[10]，常見類型見表4（還有決策樹、SVM等）。為更好推薦，需將目標用戶分到與其較相似用戶所在簇[32]；黃瑩[29]、陳曉紅[32]基于與簇相關度加權目標用戶與所在簇關系強度[10，13]；王海超[38]提出用聚類離線預處理最近鄰算法以縮小計算范圍、分布計算、提高尋找相似簇性能、推薦擴展性[38]但質(zhì)量不太高。

1.3.3數(shù)據(jù)表示

主要表示用戶、商品信息。楊靜[9]、安芳[15]、張黎黎[16]基于商品信息（分類、編碼）、用戶信息提取商品屬性、用戶屬性并用特征向量表示。

1.3.4數(shù)據(jù)存儲

用數(shù)據(jù)庫[6]工具構(gòu)建資源庫存儲用戶及商品、推薦過程信息，分靜態(tài)、動態(tài)數(shù)據(jù)庫，核心是電子商務元數(shù)據(jù)，含數(shù)據(jù)存儲、分類、被訪問信息等。此外，丁建軍[6]分別用數(shù)據(jù)庫、分布式文件系統(tǒng)存儲顯式、隱式采集的用戶興趣。

1）用戶數(shù)據(jù)庫

即存儲用戶基本、行為信息，包括用戶ID、用戶名、密碼、姓名、性別、年齡、出生地[27]、教育背景、興趣、收入、工作單位、住址、郵箱[28]、電話、有效期、級別[39-40]，上次登錄時間、購物記錄、商品評分（含用戶ID、商品ID、評分、時間戳[28]）[16]等。此外還有管理員數(shù)據(jù)庫[36]。

2）商家數(shù)據(jù)庫

含商品（庫存）、商家、訂單等信息表[25]，商品及商家數(shù)據(jù)涉及商品ID、名稱、品牌、簡介[28]、規(guī)格、價格、狀態(tài)、上架時間、更新日期、售后服務、庫存、操作員ID、備注、商家信用度[9，26-27，35，40]等。陳健[36]認為庫存信息表涉及項目ID、商品ID、當前庫存量、提醒閾值、最近一次入庫量、最近一次入庫時間、操作員ID、備注等；汪亭廷[23]認為訂單信息表涉及訂單ID、用戶ID、商品ID、名稱、價格、數(shù)量、總額、評分、姓名、電話、地址、是否支付、當前狀態(tài)、狀態(tài)變更時間、操作員ID、訂單結(jié)束時間、備注等。

3）推薦處理類數(shù)據(jù)庫

涉及規(guī)則庫（存儲規(guī)則、概念模式等，支持推理）[40]、推薦場景庫（支持任務分解）、推薦算法庫（存儲推薦算法及組合，支持算法求解[25]）、用戶興趣模型庫[26]、隨機數(shù)據(jù)庫（記錄過程性信息及獲得方式（用戶回答（注意次序）、推理（需解釋））[41]。此外，單明[39]、汪亭廷[23]認為推薦規(guī)則信息表包括推薦內(nèi)容表（推薦ID、規(guī)則ID、商品ID、當前狀態(tài)、狀態(tài)變更時間、備注[39]）和推薦規(guī)則表（規(guī)則ID、狀態(tài)、年齡、性別、工作、條件、結(jié)果、興趣、支持度、置信度、備注[23，39]）；劉麗峰[40]、羅亞[41]認為需存儲專家知識、產(chǎn)生式規(guī)則、商品數(shù)據(jù)和咨詢記錄（描述為系列參數(shù)（規(guī)則特性、參數(shù)[40]、函數(shù)、上下文特性）并以對象-屬性-值（值、取值可信度、參數(shù)被跟蹤次數(shù)）形式存儲）。

1.3.5數(shù)據(jù)更新

用戶興趣更新主要基于用戶興趣模型進化機制實現(xiàn)，商品信息主要通過數(shù)據(jù)庫自帶程序自動更新[14]。楊靜[9]、安芳[15]、張黎黎[16]跟蹤用戶訪問行為以更新用戶信息庫；辛勤芳[26]挖掘隱式評分等修改用戶評分并存入數(shù)據(jù)庫，觸發(fā)推薦系統(tǒng)調(diào)用推薦算法，基于新信息更新用戶興趣模型庫、推薦模型。

2結(jié)束語

綜上，本文從用戶興趣建模、推薦機制、信息資源管理角度闡述了國內(nèi)電子商務個性化推薦核心技術研究進展：現(xiàn)有研究集中在推薦機制，其余兩者需加強；用戶興趣建模研究用戶興趣模型表示（多為表示方法）、初始化（多為用戶興趣采集、處理）、進化（多為進化內(nèi)容、方法）；推薦機制按實現(xiàn)方式分協(xié)同過濾推薦、基于內(nèi)容推薦、基于規(guī)則推薦、基于知識推薦、基于效用推薦、基于人口統(tǒng)計推薦和混合推薦；信息資源管理研究集中在數(shù)據(jù)挖掘（多為關聯(lián)規(guī)則、分類挖掘）、存儲（分用戶、商家、推薦處理類數(shù)據(jù)庫）。

下一步，筆者將系統(tǒng)分析國內(nèi)電子商務個性化推薦系統(tǒng)體系架構(gòu)與技術實現(xiàn)研究成果，以供相關研究與系統(tǒng)實現(xiàn)參考。

參考文獻

[1]胡一.基于大數(shù)據(jù)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.

[2]蔡斌強.電子商務個性化推薦研究[J].中國電子商務，2013，（24）：18-19.

[3]劉晶，李妍，侯會茹.移動電子商務多源關聯(lián)個性化推薦架構(gòu)[J].情報理論與實踐，2014，37（4）：98-100.

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

[5]代其鋒.基于電子商務的個性化推薦研究[D].合肥：中國科學技術大學，2011.

[6]丁建軍.面向電子商務個性化推薦系統(tǒng)的Web數(shù)據(jù)挖掘應用研究[D].杭州：浙江理工大學，2015.

[7]蔣罛.電子商務個性化推薦系統(tǒng)研究[D].長沙：中南大學，2010.

[8]何志敏.基于數(shù)據(jù)挖掘的電子商務個性化推薦算法的研究及應用[D].貴陽：貴州大學，2011.

[9]楊靜.電子商務中個性化推薦模型的研究[D].天津：天津師范大學，2007.

[10]李婷.基于用戶興趣與合作的個性化電子商務推薦系統(tǒng)研究[D].哈爾濱：哈爾濱工業(yè)大學，2007.

[11]張建偉.基于WEB文本挖掘的電子商務網(wǎng)站個性化推薦研究[D].淮南：安徽理工大學，2014.

[12]李鳳慧.基于用戶瀏覽行為挖掘的電子商務個性化推薦系統(tǒng)[J].濰坊學院學報，2004，4（2）：66-67，71.

[13]李明晶.基于Web挖掘的電子商務個性化推薦系統(tǒng)研究[D].北京：北京交通大學，2008.

[14]宋偉國.基于CF的個性化電子商務推薦系統(tǒng)研究[D].蘭州：蘭州大學，2010.

[15]安芳.電子商務個性化信息推薦服務的研究[D].北京：對外經(jīng)濟貿(mào)易大學，2006.

[16]張黎黎.電子商務個性化推薦模型研究[D].重慶：重慶大學，2009.

[17]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.

[18]楊永亮.基于時間敏感的電子商務個性化推薦方法研究[D].哈爾濱：哈爾濱工程大學，2015.

[19]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].湘潭大學學報：自然科學版，2016，38（1）：97-100，119.

[20]鄧曉懿.移動電子商務個性化服務推薦方法研究[D].大連：大連理工大學，2012.

[21]俞正驕.面向電子商務個性化推薦的序列關聯(lián)挖掘研究[D].天津：河北工業(yè)大學，2015.

[22]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.

[23]汪亭廷.美味網(wǎng)電子商務個性化推薦系統(tǒng)的設計與實現(xiàn)[D].成都：電子科技大學，2014.

[24]王星.個性化推薦系統(tǒng)在電子商務網(wǎng)站中的應用研究[J].商，2013，（7Z）：156-156.

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

[26]辛勤芳.電子商務個性化推薦系統(tǒng)研究[D].泉州：華僑大學，2012.

[27]翟爍.基于協(xié)同過濾的電子商務個性化推薦的研究與分析[D].北京：北京工業(yè)大學，2015.

[28]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(tǒng)應用，2015，24（5）：111-117.

[29]黃瑩.經(jīng)濟昆蟲電子商務系統(tǒng)的實現(xiàn)與個性化推薦技術研究[D].昆明：昆明理工大學，2007.

[30]劉蓓琳.電子商務用戶個性化推薦技術接受影響因素研究[D].徐州：中國礦業(yè)大學，2011.

[31]朱巖，林澤楠.電子商務中的個性化推薦方法評述[J].中國軟科學，2009，（2）：183-192.

[32]陳曉紅.面向電子商務的個性化推薦技術研究[D].揚州：揚州大學，2007.

[33]吳昕方.基于特征的個性化電子商務網(wǎng)站推薦系統(tǒng)的研究與實現(xiàn)[D].上海：華東師范大學，2006.

[34]鄒晶晶.基于大數(shù)據(jù)的電子商務個性化商品推薦方法[J].電子制作，2014，（10）：97-97，96.

[35]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.

[36]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(yè)大學，2015.

[37]鮑麗倩，陳思璇.基于效用理論的電子商務個性化推薦[J].科技情報開發(fā)與經(jīng)濟，2011，21（24）：150-153.

[38]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.

[39]單明.基于個性化推薦的電子商務推薦系統(tǒng)的設計與實現(xiàn)[D].長春：吉林大學，2014.

[40]劉麗峰.芻議基于專家系統(tǒng)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.

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