当前，电子商务系统迅猛发展，随之而来地
了电子商务系统中的信息“超载”
。海量的物品信息无疑
了用户购买所需物品的难度，使得用户很难迅速准确地找到
真正中意的商品。为此，许多电子商务网站引入了推荐系统，以
用户的点击率，变网站的浏览者为购买者，
用户购买
率和交叉销售能力，进而提升网站的美誉度和用户对网站的忠诚度。所谓电子商务推荐系统是在
和学习用户的需求与喜好的基础上为用户
商品信息和建议，模拟商家向用户推荐其
感兴趣的商品，帮助用户
购买过程。
个性化服务
网络内容服务质量急需解决的
课题之一，
未来网络内容服务的
发展方向。目前，几乎所有著名电子商务网站，诸如亚马逊、CDNOW、eBay、淘宝网等都采用了各式各样不同个性化
的推荐系统。推荐系统中最核心和关键的是所采用的推荐技术，它决定了推荐系统性能的好坏。
，
对电子商务系统个性化推荐技术
非常
的
意义。现在，主要的推荐技术有：基于内容推荐、协同过滤推荐、基于关联规则推荐、基于效用推荐、基于知识推荐和组合推荐。
，协同过滤推荐是应用最早和最为
的技术之一，而基于用户的协同过滤推荐又是最容易理解的
技术。
一、协同过滤推荐
协同过滤推荐技术在个性化推荐系统中应用最广，主要的可分为基于用户和基于项目的协同过滤算法。它
采用最近邻技术，
用户的历史喜好信息计算用户之间的距离，然后
用户的“最近邻居”对商品评价的加权评价值来预测
用户对特定商品的喜好程度，系统从而根据这一喜好程度来对
用户
推荐。协同过滤最大优点是对推荐
没有特殊的要求，能
如音乐、电影等
非结构化的
。
协同过滤是基于
的假设：为一用户找到他真正感兴趣的内容的好方法是
找到与此用户有相似兴趣的
用户，然后将
感兴趣的内容推荐给此用户。基于协同过滤的推荐系统可以说是从用户的角度来
推荐的，而且是自动的，即用户
的推荐是系统从购买模式或浏览
等隐式
的，不需要用户努力地找到适合
兴趣的推荐信息，如填写
调查表格等。
协同过滤推荐的
是：
交易数据库→测量用户间相似性→寻找相似用户→计算商品的购买
性→根据购买
性推荐商品。
二、基于用户的协同过滤推荐
1.算法
基于用户的协同过滤是到目前为止
应用中最为
的个性化推荐技术，算法的
思想是将
相同爱好的用户感兴趣的项目推荐给
用户。假如
用户对项目的评价与他的“最近邻居”相似，而
用户对某个项目的评价可以从他的“最近邻居”的评价中综合
。
基于用户的协同过滤推荐算法主要包括三个过程：
(1)表示:
用户-项目评价矩阵描述用户对项目的评价。用户的判断和偏好明确地表示为
m*n的用户-项目评价矩阵R，这里m是用户数，n是项目数，R=(rij)，元素rij表示用户i对项目j的评价。在电子商务推荐系统中，元素rij既可表示用户
购买商品(例如0或者1)，也可表示用户对商品的偏好程度(例如评分从1到10)。
(2)生成“邻居”：
计算所有用户对之间的相似度
“邻居”。计算系统中
用户与
所有用户的相似度，以找出K个最相似用户集—“最近邻居”。K-“最近邻居”依相似度排序。
(3)产生推荐：
加权
用户“邻居”对
项目的评价产生推荐。根据“最近邻居”集，可计算
用户对项目的预测评价值，进而产生推荐。假定用户i的“最近邻居”集为Si，用户i对项目x的预测评价值为Pi,x，用户i和用户j的相似度为sim(i,j)，用户i和用户j的平均评价值分别为，那么有：
2.相似度计算方法
计算两个用户之间相似度的方法主要有三种：余弦相似度、
相似度
修正的余弦相似度，分述如下：
(1)余弦相似度：每个用户的评分
n维项目空间中的
向量。
某个用户没有对
项目评价，则其默认评价值设为0。
两个用户i和j之间的相似性
计算两个向量和夹角的余弦
，记为sim(i,j)，计算公式如下：
(2)
相似度：在余弦相似度计算中没有考虑不同用户之间评价范围的差别。
相似度
减去用户对项目平均评价值来克服上述缺陷。两个用户i和j之间的相似性
计算Pearson
性
。假定用户i和用户j
评价的项目集合为，那么
相似度计算公式如下：
：Ri,x为用户i对项目j的评价值，和分别为用户i和用户j的平均评价值。
(3)修正的余弦相似度：在
相似度计算公式中，
考虑用户i和用户j的评价项目集合，那么
修正的余弦相似度计算公式如下：
：Ii和Ij分别为用户i和用户j的评价项目集合。
3.算法优点和缺点
基于用户的协同过滤算法很容易理解，与
众多
应用中的推荐算法相比显示出较高的推荐精度，它
如下
优点：
(1)能够过滤难以
机器自动内容分析的信息，如艺术品，音乐等。
(2)共享
人的经验，
了内容分析的不完全和不精确，并且能够基于
的，难以表述的概念（如信息质量、个人品味）
过滤。
(3)有推荐新信息的能力。可以
内容上完全不相似的信息，用户对推荐信息的内容事先是预料
的，可以
用户潜在的但
尚未
的兴趣偏好。
(4)能够有效的使用
相似用户的反馈信息，较少用户的反馈量，
个性化学习的速度。
基于用户的协同过滤
典型的推荐技术有其相当的应用，但
电子商务系统规模的
，用户空间和项目空间急剧增长，该算法也
缺点：
①稀疏性：在
大型电子商务系统中，用户涉及的信息量相当有限，用户评价项目数少于总项目数的10%，
评价矩阵数据相当稀疏，难以
....
找到相似用户集，
推荐
大大降低。
②冷开始：
问题可看作是极端严重的稀疏性问题。一
，它很难向新用户
个性化推荐服务；另一
，
种情况下，仅有少量评价数据不
产生精确推荐。
③扩展性：基于用户的协同过滤算法的计算量
用户和项目的
而急剧
，其最坏情况下的计算
度为O(mn)。
典型的
成百上千万用户和项目的电子商务系统，算法将遭遇到严重的扩展性问题。
三、结论
基于用户的协同过滤虽是
较为
的推荐技术，但也
着稀疏性、冷开始、扩展性和精确性问题。为
决这些问题，目前常用聚类分析的方法，它或者将“最近邻居”搜索
限制在最相近的聚类中，或者用聚类的质心提取推荐结果，但并
从
上解决
问题，这些都有待
。
参考文献：
[1]赵亮胡乃静张守志:个性化推荐算法设计[J].计算机
与发展,2002,(8)
[2]赵智时兵:改进的个性化推荐算法[J].长春大学学报,2005,(6)
...
