ECRec: 基于协同过滤的电子商务个性化推荐管理*

doi:10.11925/infotech.1003-3513.2009.10.06

现代图书情报技术

2009, Vol.

Issue (10): 34-39 https://doi.org/10.11925/infotech.1003-3513.2009.10.06

知识组织与知识管理

本期目录 | 过刊浏览 | 高级检索

ECRec: 基于协同过滤的电子商务个性化推荐管理*

李聪

(四川师范大学计算机科学学院成都 610066)

ECRec：e-Commerce Personalized Recommendation Management Based on Collaborative Filtering

Li Cong

(School of Computer Science, Sichuan Normal University, Chengdu 610066, China)

摘要
参考文献
相关文章
Metrics

全文: PDF (715 KB)
输出: BibTeX | EndNote (RIS)

摘要

为了使电子商务网站能够提供基于协同过滤的个性化推荐管理，提出并实现一个电子商务协同过滤原型系统ECRec。该系统包含两个基本算法和4个改进算法，其结构独立于电子商务业务系统，具有良好的可移植性和可维护性；同时内嵌算法接口，具有开放式架构的特征，网站可以根据需要向ECRec中增加更多的协同过滤算法。

	服务

	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	李聪

关键词 ：电子商务, 协同过滤, 推荐系统, ECRec

Abstract：

To help e-Commerce websites provide personalized recommendation management based on collaborative filtering, an e-Commerce collaborative filtering prototype that is called ECRec, is proposed and implemented. ECRec includes two basic algorithms and four improved algorithms, and its architecture is independent on e-Commerce business systems，consequently, ECRec has a better portability and maintainability. Moreover, the algorithm interface in ECRec is embedded, thus ECRec has the characteristics of open architecture, and websites can add more collaborative filtering algorithms into ECRec.

Key words： e-Commerce Collaborative filtering Recommendation systems ECRec

收稿日期: 2009-09-11 出版日期: 2009-10-25

ZTFLH:

C931TP18

基金资助:

*本文系四川师范大学重点研究课题“电子商务个性化推荐服务研究”（项目编号：037185）的研究成果之一。

通讯作者: 李聪 E-mail: cnlicong@yahoo.cn

作者简介: 李聪

引用本文:

李聪. ECRec: 基于协同过滤的电子商务个性化推荐管理*[J]. 现代图书情报技术, 2009, (10): 34-39.
Li Cong. ECRec：e-Commerce Personalized Recommendation Management Based on Collaborative Filtering. New Technology of Library and Information Service, 2009, (10): 34-39.

链接本文:

http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.1003-3513.2009.10.06 或 http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2009/V/I10/34

［1］ Borchers A, Herlocker J, Konstan J A, et al. Ganging up on Information Overload［J］. Computer, 1998, 31(4): 106-108.
［2］ Schafer J B, Konstan J A, Riedl J. Recommender Systems in e-Commerce［C］. In: Proceedings of the 1st ACM Conference on Electronic Commerce. New York: ACM Press, 1999：158-166.
［3］ Schafer J B, Konstan J A, Riedl J. e-Commerce Recommendation Applications［J］. Data Mining and Knowledge Discovery, 2001, 5(1-2): 115-153.
［4］ Demiriz A. Enhancing Product Recommender Systems on Sparse Binary Data［J］. Data Mining and Knowledge Discovery, 2004, 9(2): 147-170.
［5］ Karypis G. Evaluation of Item-based Top-n Recommendation Algorithms［C］. In: Proceedings of the 10th International Conference on Information and Knowledge Management. New York: ACM Press, 2001: 247-254.
［6］ Sarwar B M. Sparsity, Scalability, and Distribution in Recommender Systems［D］. Minneapolis, MN: University of Minnesota, 2001.
［7］ Deshpande M, Karypis G. Item-based Top-n Recommendation Algorithms［J］. ACM Transactions on Information Systems, 2004, 22(1): 143-177.
［8］ Shardanand U, Maes P. Social Information Filtering: Algorithms for Automating “ Word of Mouth”［C］. In: Proceedings of the 1995 ACM SIGCHI Conference on Human Factors in Computing Systems. New York: ACM Press, 1995：210-217.
［9］ Rosenthal R, Rosnow R. Essentials of Behavioral Research: Methods and Data and Analysis［M］. 2nd Edition. New York: McGraw-Hill, 1991.
［10］ Balabanovié M, Shoham Y. Fab: Content-based, Collaborative Recommendation［J］. Communications of the ACM, 1997, 40(3): 66-72.
［11］ Nichols D M. Implicit Ｒating and Filtering［C］. In: Proceedings of the 5th DELOS Workshop on Filtering and Collaborative Filtering. Sophia Antipolis, France: ERCIM, 1997：31-36.
［12］ Resnick P, Iacovou N, Suchak M, et al. Grouplens: Ａn Ｏpen Ａrchitecture for Ｃollaborative Ｆiltering of Ｎetnews［C］. In: Proceediings of the 1994 ACM on Computer Supported Cooperative Work. New York: ACM Press, 1994：175-186.
［13］ Sarwar B, Karypis G, Konstan J, et al. Item-based Ｃollaborative Ｆiltering Ｒecommendation Ａlgorithms［C］. In: Proceediings of the 10th International Conference on World Wide Web. New York: ACM Press, 2001：285-295.
［14］李聪, 梁昌勇, 马丽. 基于领域最近邻的协同过滤推荐算法［J］. 计算机研究与发展, 2008, 45(9): 1532-1538.
［15］梁昌勇, 李聪, 杨善林. 一种基于Rough集理论的最近邻协同过滤算法［J］. 情报学报，待发.
［16］李聪. 电子商务推荐系统中协同过滤瓶颈问题研究［D］. 合肥: 合肥工业大学, 2009.
［17］李聪, 梁昌勇. 适应用户兴趣变化的协同过滤增量更新机制［J］. 情报学报，待发.
［18］霍华, 冯博琴. 基于压缩稀疏矩阵矢量相乘的文本相似度计算［J］. 小型微型计算机系统, 2005, 26(6): 988-990.
［19］严蔚敏, 吴伟民. 数据结构(C语言版)［M］. 北京: 清华大学出版社, 2002.
［20］李聪, 梁昌勇. 基于属性值偏好矩阵的协同过滤推荐算法［J］. 情报学报, 2008, 27(6): 884-890.

[1]	杨恒,王思丽,祝忠明,刘巍,王楠. 基于并行协同过滤算法的领域知识推荐模型研究*[J]. 数据分析与知识发现, 2020, 4(6): 15-21.
[2]	苏庆,陈思兆,吴伟民,李小妹,黄佃宽. 基于学习情况协同过滤算法的个性化学习推荐模型研究^*[J]. 数据分析与知识发现, 2020, 4(5): 105-117.
[3]	郑淞尹,谈国新,史中超. 基于分段用户群与时间上下文的旅游景点推荐模型研究^*[J]. 数据分析与知识发现, 2020, 4(5): 92-104.
[4]	温彦,马立健,曾庆田,郭文艳. 基于地理信息偏好修正和社交关系偏好隐式分析的POI推荐 ^*[J]. 数据分析与知识发现, 2019, 3(8): 30-39.
[5]	焦富森,李树青. 基于物品质量和用户评分修正的协同过滤推荐算法 ^*[J]. 数据分析与知识发现, 2019, 3(8): 62-67.
[6]	李珊,姚叶慧,厉浩,刘洁,嘎玛白姆. 基于ISA联合聚类的组推荐算法研究 ^*[J]. 数据分析与知识发现, 2019, 3(8): 77-87.
[7]	李晓峰,马静,李驰,朱恒民. 基于XGBoost模型的电商商品品名识别算法研究 ^*[J]. 数据分析与知识发现, 2019, 3(7): 34-41.
[8]	张怡文,张臣坤,杨安桔,计成睿,岳丽华. 基于条件型游走的四部图推荐方法^*[J]. 数据分析与知识发现, 2019, 3(4): 117-125.
[9]	李杰, 杨芳, 徐晨曦. 考虑时间动态性和序列模式的个性化推荐算法^*[J]. 数据分析与知识发现, 2018, 2(7): 72-80.
[10]	王道平, 蒋中杨, 张博卿. 基于灰色关联分析和时间因素的协同过滤算法^*[J]. 数据分析与知识发现, 2018, 2(6): 102-109.
[11]	王永, 王永东, 郭慧芳, 周玉敏. 一种基于离散增量的项目相似性度量方法^*[J]. 数据分析与知识发现, 2018, 2(5): 70-76.
[12]	花凌锋, 杨高明, 王修君. 面向位置的多样性兴趣新闻推荐研究^*[J]. 数据分析与知识发现, 2018, 2(5): 94-104.
[13]	刘东苏, 霍辰辉. 基于图像特征匹配的推荐模型研究^*[J]. 数据分析与知识发现, 2018, 2(3): 49-59.
[14]	王宇, 李秀秀. 基于电子商务评论的商家信誉维度构建^*[J]. 数据分析与知识发现, 2017, 1(8): 59-67.
[15]	薛福亮, 刘君玲. 基于用户间信任关系改进的协同过滤推荐方法^*[J]. 数据分析与知识发现, 2017, 1(7): 90-99.

Viewed

Full text

Abstract

Cited

Shared

Discussed