辛勤芳

（泉州師范學院 應(yīng)用科技學院，福建 泉州362000）

基于數(shù)據(jù)挖掘的電子商務(wù)個性化系統(tǒng)設(shè)計

辛勤芳

（泉州師范學院 應(yīng)用科技學院，福建 泉州362000）

本文介紹了一個電子商務(wù)個性化推薦系統(tǒng)的設(shè)計研究，詳細描述了各個子系統(tǒng)功能設(shè)計，利用數(shù)據(jù)挖掘技術(shù)實現(xiàn)個性化推薦的過程。為現(xiàn)實的電子商務(wù)個性化系統(tǒng)提供了一種參考的設(shè)計方案。

個性化推薦；電子商務(wù)；數(shù)據(jù)挖掘

1 .引言

電子商務(wù)個性化是指電子商務(wù)企業(yè)向客戶提供個性化的服務(wù)。因此誕生的電子商務(wù)個性化系統(tǒng)可以使不同的客戶同時瀏覽同一網(wǎng)頁時根據(jù)客戶特征有可能會看到內(nèi)容不同的商務(wù)資訊。電子商務(wù)個性化推薦系統(tǒng)模擬現(xiàn)實中的銷售人員向客戶介紹商品信息和提供建議，推薦用戶決定購買何種商品，并協(xié)助用戶完成購買的過程。

電子商務(wù)個性化系統(tǒng)對電子商務(wù)活動的促進作用主要表現(xiàn)在以下三個方面：

（1）通過預(yù)測用戶的購買行為，主動為用戶提供用戶感興趣的商品信息，促成電子商務(wù)交易?？梢詫⒏嗟碾娮由虅?wù)網(wǎng)站瀏覽者轉(zhuǎn)變?yōu)樯唐返馁徺I者。

（2）提高用戶對電子商務(wù)網(wǎng)站的忠誠度。電子商務(wù)個性化系統(tǒng)使用戶從繁雜的網(wǎng)絡(luò)資源和商品世界中解脫出來，大大節(jié)約了用戶瀏覽、尋找商品的時間，因此用戶將更信任這個站點。

（3）提高電子商務(wù)網(wǎng)站的交叉銷售能力，為電子商務(wù)企業(yè)贏得了更多的商機。例如，有用戶購買了筆記本，網(wǎng)站會為該用戶推薦合適的筆記本包、筆記本鎖和筆記本保護膜等配套商品。

數(shù)據(jù)挖掘技術(shù)可以為電子商務(wù)提供網(wǎng)上商品推薦、個性化網(wǎng)頁、自適應(yīng)網(wǎng)站等個性化服務(wù)。本文將數(shù)據(jù)挖掘技術(shù)很好地應(yīng)用于電子商務(wù)個性化推薦系統(tǒng)，并為此設(shè)計了一個基本框架，完成通用流程，為現(xiàn)實的電子商務(wù)個性化系統(tǒng)提供了一種參考方案。

2 .基于數(shù)據(jù)挖掘的電子商務(wù)個性化系統(tǒng)設(shè)計

圖1 ：電子商務(wù)個性化系統(tǒng)體系結(jié)構(gòu)

2.1 智能人機接口

智能人機接口是電子商務(wù)個性化系統(tǒng)直接與用戶交流的子系統(tǒng)，它應(yīng)該具有合理的界面布局。一個設(shè)計科學的用戶界面能夠在很大程度上影響用戶對于系統(tǒng)的滿意度。人機接口的信息來源是由信息采集系統(tǒng)和推薦任務(wù)處理系統(tǒng)提供，響應(yīng)用戶推薦請求，向用戶展示推薦結(jié)果，同時負責采集各種背景信息（如項目的信息、用戶對項目的評分等），收集用戶的反饋。

2.1.1 設(shè)計原則

在電子商務(wù)個性化系統(tǒng)的研究中，很多學者對智能人機接口的設(shè)計進行了探索，提出了一些智能人機接口設(shè)計的思想[1]：

（1）達到“人機共棲”。一個“人機共棲”的智能人機接口能夠使用戶在與電子商務(wù)個性化系統(tǒng)的交互過程中得到持續(xù)有價值的商品信息介紹，且感到十分的自然和舒適，使得電子商務(wù)個性化系統(tǒng)真正成為客戶在電子商務(wù)活動中選擇有用商品的參謀與助手。實際上，“人機共棲”也是一種人機互相激發(fā)，優(yōu)勢互補，共同尋求問題解答的有效途徑。因此，人機共棲接口強調(diào)的是，客戶和電子商務(wù)系統(tǒng)的自然和諧。

（2）基于知識的人機接口。在傳統(tǒng)的電子商務(wù)個性化系統(tǒng)中，為獲得友好的接口，人們使用了聯(lián)機幫助，多種多樣的對話風格，例如問答方式、命令驅(qū)動、菜單驅(qū)動、表格輸入、圖形界面等技術(shù)，但是從本質(zhì)上說，這些技術(shù)都是靜態(tài)的，在設(shè)計時就已經(jīng)固化在系統(tǒng)中，用戶在運行時不能改變這些對話方式?；谥R的接口通過使用用戶知識、自身知識、領(lǐng)域知識來協(xié)調(diào)用戶與系統(tǒng)的交互，接口具有一定智能，用戶的反饋能夠反應(yīng)到接口，人機接口主動調(diào)節(jié)。同時，在運行時指導(dǎo)用戶進行操作，減輕用戶負擔，提高接口的友好性。例如自然語言接口就是一種基于知識的人機接口，它能夠理解用戶自然語言對問題的描述，并且用自然語言輸出。

2.1.2 接口功能

根據(jù)以上“人機共棲”和基于知識的思想，在設(shè)計個性化電子商務(wù)系統(tǒng)的一個智能人機接口時應(yīng)該能夠?qū)崿F(xiàn)以下幾點功能：

（1）提供符合用戶使用習慣，用戶感覺舒適、方便的數(shù)據(jù)采集接口。

（2）為用戶提供友好、易用的用戶界面和反饋渠道，為用戶提供快速（即時輸出）、信息有效性高的推薦結(jié)果。

（3）在響應(yīng)用戶推薦請求時，針對不同用戶輸出個性化推薦結(jié)果。這需要使用一個用戶模型知識庫來實現(xiàn)。該模型知識庫必須不斷地豐富和修正，主要是利用接口與用戶交互獲得的用戶知識，以及數(shù)據(jù)挖掘算法所得的自身知識來實現(xiàn)的。

（4）根據(jù)用戶對推薦結(jié)果的滿意度反饋，自動對所使用的推薦算法繼續(xù)進行學習和調(diào)整，使系統(tǒng)針對特定用戶所做的推薦越來越“個性化”，真正成為“人機共棲”的私人助手。

（5）自動采集用戶的各種反饋信息，按信息類型相應(yīng)提取出顯式評分、隱式評分和用戶特征等知識，并存入知識庫供推薦算法使用。

2.1.3 實現(xiàn)技術(shù)介紹

隨著電子商務(wù)的蓬勃發(fā)展，面對大量的電子商務(wù)信息，系統(tǒng)采用Web2.0和數(shù)據(jù)庫相關(guān)技術(shù)進行設(shè)計研究，應(yīng)用web數(shù)據(jù)挖掘技術(shù)實現(xiàn)電子商務(wù)個性化推薦功能的實現(xiàn)研究。Web2.0是從2005年直到現(xiàn)在一直是電子商務(wù)系統(tǒng)設(shè)計流行的技術(shù)。Web 2.0是以Flickr、Craigslist、Linkedin、Tribes、Ryze、Friendster、Del.icio.us、43Things.com等網(wǎng)站為代表，以Blog（博客／網(wǎng)志）、TAG（網(wǎng)頁書簽）、SNS（社會網(wǎng)絡(luò)）、RSS（站點摘要）、wiki（百科全書）等應(yīng)用為核心，依據(jù)六度分隔、xml、Ajax等新理論和技術(shù)實現(xiàn)的互聯(lián)網(wǎng)新一代模式。Web2.0時代的顯著特征是個性化、互動性、大眾化和去中心，旨在給用戶提供更人性化的服務(wù)。每個普通用戶既是信息的獲取者，也是信息的提供者。Web用戶可以用自己的方式、喜好來個性化定制自己的互聯(lián)網(wǎng)應(yīng)用。

使用Web2.0技術(shù)實現(xiàn)電子商務(wù)系統(tǒng)，賦予用戶最大的自由度，同時給予有心商家有待發(fā)掘的高含金量信息數(shù)據(jù)。通過對Web用戶自建的Blog、RSS等Web2.0功能模塊下客戶信息的收集統(tǒng)計分析，能夠幫助運營商以較低成本獲得準確度較高的客戶興趣傾向、個性化需求以及新業(yè)務(wù)發(fā)展趨勢等信息。

Web數(shù)據(jù)挖掘在電子商務(wù)個性化推薦系統(tǒng)中的應(yīng)用是一個將信息、數(shù)據(jù)轉(zhuǎn)化為商業(yè)知識的過程。系統(tǒng)建立在數(shù)據(jù)庫技術(shù)的基礎(chǔ)上，采用分類、聚類、關(guān)聯(lián)規(guī)則等數(shù)據(jù)挖掘技術(shù)實現(xiàn)個性化推薦。

2.2 信息采集子系統(tǒng)

2.2.1 主要功能

信息采集子系統(tǒng)的設(shè)計目的是為數(shù)據(jù)挖掘算法的實現(xiàn)進行必須的數(shù)據(jù)準備和預(yù)處理，主要有以下三個功能：

（1）采集用戶對項目的評分

一個智能化的電子商務(wù)個性化系統(tǒng)應(yīng)該放棄強制用戶對項目評分的想法，但是采集用戶對項目評分又能夠極大的提高推薦效果，是必不可少的一個流程，所以在這個子系統(tǒng)實現(xiàn)用戶對項目評分采集。

（2）收集商品的評論、對推薦商品的反饋情況、用戶瀏覽商品后的行為記錄、以及相關(guān)背景知識等

用戶對推薦結(jié)果的反饋，能夠指導(dǎo)推薦算法的改進。用戶對項目的評論（非評分），是指用戶對推薦商品優(yōu)劣、特性的文本描述，也是一種很重要的參考信息。系統(tǒng)對這類評論有兩種利用方式：直接返回給商品瀏覽者（電子商務(wù)網(wǎng)站通常都提供了用戶對商品的功能，并可以查看其他用戶的評論內(nèi)容）；或是更加智能地對所有用戶的評論進行文本挖掘，收集其中能夠反映項目內(nèi)容的特征值進行量化存儲，豐富系統(tǒng)的基礎(chǔ)數(shù)據(jù)庫信息。最后，用戶行為記錄也是一種很重要的信息來源，收集用戶行為過程，并進行量化存儲。由于顯式評分的煩瑣，導(dǎo)致許多用戶很少向系統(tǒng)提交對項目的評分；用戶的瀏覽商品歷史記錄、消費購買記錄是用戶對商品偏好有直接相關(guān)價值的數(shù)據(jù)，利用WEB數(shù)據(jù)挖掘技術(shù)，從中獲得很有價值的隱式評分，是實現(xiàn)本系統(tǒng)的另一個研究重點。關(guān)于商品、用戶的各種背景數(shù)據(jù)對于電子商務(wù)個性化推薦系統(tǒng)的智能推薦結(jié)果是很重要的，要求后臺程序進行收集和整理。這部分數(shù)據(jù)是數(shù)據(jù)挖掘數(shù)據(jù)訓練集預(yù)處理的一個重要組成部分。

（3）對收集到的各種信息進行量化處理，存儲用戶特征數(shù)據(jù)

收集到相關(guān)信息，爭取最大化發(fā)揮信息的作用。一個智能化的商務(wù)推薦系統(tǒng)，要求能夠?qū)@些信息進行深度整理挖掘，從中得出對系統(tǒng)有用的知識：如用戶特征、隱式評分等。按照智能人機接口的嚴格定義，這個子系統(tǒng)是智能人機接口的一個重要數(shù)據(jù)底層支撐。以上所分析的功能的獨特性、重要性是不可或缺的，系統(tǒng)設(shè)計時將其分離出來形成獨立的子系統(tǒng)；功能所處理的數(shù)據(jù)都是推薦系統(tǒng)所需的重要信息點，功能之間有很強的耦合度，集成一個獨立的信息采集子系統(tǒng)。

信息系統(tǒng)采集到相關(guān)信息和知識后，進行兩種處理：

（1）直接將量化后的數(shù)據(jù)存入相應(yīng)的數(shù)據(jù)庫、用戶模型庫中，供推薦算法使用。

（2）對于隱式評分數(shù)據(jù)的信息，在存入數(shù)據(jù)庫的同時，也觸發(fā)系統(tǒng)內(nèi)部的量化處理程序，并將量化結(jié)果也存入相應(yīng)的數(shù)據(jù)庫中。調(diào)用推薦算法，基于新的信息來修改用戶模型庫中的推薦模型。

2.2.2 實現(xiàn)方法

該子系統(tǒng)用戶評價信息數(shù)據(jù)源的收集直接由web技術(shù)和數(shù)據(jù)庫技術(shù)的結(jié)合實現(xiàn)，用戶隱性行為數(shù)據(jù)源采集的可以有兩種方式：

（1）Web服務(wù)器的日志

Web服務(wù)器日志有用戶訪問該站點每個頁面請求所產(chǎn)生的記錄數(shù)據(jù)。在具體實現(xiàn)時可以利用應(yīng)用服務(wù)器上的應(yīng)用程序、服務(wù)器腳本程序來跟蹤記錄用戶的個人行為信息和以自定義的格式動態(tài)記錄用戶的瀏覽信息。

（2）客戶端采集

客戶端采集用戶行為信息比服務(wù)器端采集更準確。使用客戶端遠程代理的方式來實現(xiàn)客戶端采集。這種方法由客戶端遠程代理將用戶的瀏覽路徑和瀏覽時間實時地直接發(fā)送給服務(wù)器。主要的技術(shù)有Java Applet，JavaScript，VBScript，插件技術(shù)以及使用特制的瀏覽器等。

數(shù)據(jù)預(yù)處理是把用戶隱性行為量化保存成系統(tǒng)實現(xiàn)數(shù)據(jù)挖掘所需要的數(shù)據(jù)格式。主要步驟包括數(shù)據(jù)清理、用戶識別、會話識別、事務(wù)識別。實現(xiàn)個性化推薦可以采用不同的數(shù)據(jù)挖掘算法，于是對于數(shù)據(jù)預(yù)處理的要求、過程和結(jié)果也不相同。

下面就主要以Web日志數(shù)據(jù)的預(yù)處理為例來進行闡述。

（1）數(shù)據(jù)清理

數(shù)據(jù)清理目的是根據(jù)挖掘算法的需要，去除沒有用的數(shù)據(jù)項，如不是用戶產(chǎn)生的數(shù)據(jù)，特別是由瀏覽器自動“請求”而產(chǎn)生的訪問記錄。主要有：1）URL中文件擴展名為GIF，JPG，SWF，MIDI，MP3等的記錄；2）彈出式廣告的記錄；3）框架網(wǎng)頁中的子網(wǎng)頁的請求記錄；4）搜索引擎Robot和離線瀏覽軟件對網(wǎng)站的訪問所產(chǎn)生的訪問記錄；5）產(chǎn)生錯誤的訪問記錄。

（2）用戶識別

用戶識別一般是根據(jù)訪問者的IP地址、用戶代理（Agent）來將訪問記錄歸類給某一個用戶（UID）。但是，由于緩存、代理服務(wù)器、防火墻的使用，使得要100%準確識別用戶變得不太可能。一般的準則是在一定的時間范圍內(nèi)，相同的IP和Agent就可以認為是同一個用戶。經(jīng)過用戶識別，給每一個訪問記錄加上一個用戶標識uid，訪問記錄的格式變?yōu)椋? uid，url，time>。

（3）會話識別

首先對經(jīng)過數(shù)據(jù)清理和用戶識別以后的數(shù)據(jù)以用戶號uid作主關(guān)鍵詞，訪問時間time為次關(guān)鍵詞進行排序。然后根據(jù)以下準則進行會話識別：1）不同的用戶訪問的頁面屬于不同的會話；2）對于同一個用戶訪問的頁面，如果連續(xù)的兩個訪問頁面的時間差超過了設(shè)定的時間值C，則認為用戶開始了一個新的會話。C的取值一般為20～30分鐘。

由于瀏覽器會使用本地緩存，用戶在瀏覽器中的部分操作（如“后退”）不被服務(wù)器記錄；如果用戶使用了代理服務(wù)器，用戶的部分請求，代理服務(wù)器會直接使用其緩存而不向Web服務(wù)器發(fā)送，所以Web服務(wù)器日志中記錄的信息并不能完全代表用戶的訪問行為。這樣就導(dǎo)致了生成的會話在實際應(yīng)用環(huán)境下是“不合理”的。此時，就需要進行路徑補充。路徑補充是根據(jù)網(wǎng)站的拓撲結(jié)構(gòu)，將會話中缺失的請求頁面補充進來。

（4）事務(wù)識別

用戶會話對數(shù)據(jù)挖掘來說顯得粗糙，不夠精確，把會話分割成具有一定語義的事務(wù)，如顧客查詢某一個特定商品的瀏覽過程。主要有三種事務(wù)識別分割算法：引用長度、最大向前引用和時間窗口。其中，最大向前引用最能從語義上體現(xiàn)“事務(wù)”的含義，一個最大向前引用路徑就相當于一個事務(wù)。向后引用意味著一個用戶再次請求其瀏覽過的頁面 （如用戶點擊“返回”按鈕）。當一個向后引用發(fā)生時，說明向前引用終止，則得到的向前引用路徑即是一個最大向前引用；或者當這個用戶會話結(jié)束時，也獲得一個最大向前引用。例如，用戶會話為ABACD，則以A為起點，最大向前引用路徑為AB，ACD，該會話也就分割成這兩個事務(wù)。

2.3 推薦算法求解系統(tǒng)

事實上，不同的用戶由于受教育水平、工作環(huán)境等因素的不同而具有鮮明的個性，希望搜索引擎能夠提供個性化服務(wù)，使得查詢結(jié)果符合用戶的個性需求。用戶如果輸入相同的查詢條件，要求搜索引擎根據(jù)用戶的特征返回不同的結(jié)果。因此，提高推薦搜索引擎檢索結(jié)果的精度并向用戶提供個性化服務(wù)成為推薦搜索引擎技術(shù)是系統(tǒng)要實現(xiàn)的重點。系統(tǒng)設(shè)計了推薦求解系統(tǒng)，產(chǎn)生推薦算法求解庫供不同的推薦任務(wù)使用。

推薦算法求解系統(tǒng)的設(shè)計步驟如下[2]：

（1）選擇訓練經(jīng)驗

第一個設(shè)計解決的問題是選擇訓練經(jīng)驗的類型，使系統(tǒng)從中進行學習。給學習器提供的訓練經(jīng)驗對成敗有很大影響。訓練經(jīng)驗有三個關(guān)鍵屬性。第一個關(guān)鍵屬性是訓練經(jīng)驗?zāi)芊駷橄到y(tǒng)的決策提供直接或間接的反饋。對于間接反饋，每一個反饋對最終結(jié)果的貢獻程度關(guān)系到間接信息的信用分配。第二個重要屬性是學習器可以在多大程度上控制訓練樣例序列。例如，學習器是否完全依賴于現(xiàn)有樣例，還是可以與用戶交互獲得新的樣例，或是自己完全控制訓練樣例。第三個重要屬性是，訓練樣例的分布表示實例分布的效果情況，通過樣例來衡量最終系統(tǒng)的性能。當訓練樣例的分布和將來的測試樣例的分布相似時，學習具有最大的可信度。很多機器學習理論都是基于訓練樣例與測試樣例分布一致這一假設(shè)。

（2）選擇目標函數(shù)

第二個設(shè)計解決的問題是要學習知識的確切類型和執(zhí)行程序使用這些知識。在機器學習中，一般將提高任務(wù)T的性能問題，簡化為學習特定的目標函數(shù)。在這種情況下，學習任務(wù)被簡化成發(fā)現(xiàn)一個理想目標函數(shù)V的可操作描述。通常完美地學習這樣一個V的可操作形式是不太可能的，我們僅希望學習算法得到近似的目標函數(shù)。用V來表示程序中實際學習到的函數(shù)。

（3）選擇目標函數(shù)的表示。確定了理想的目標函數(shù)V后，選擇一個表示方法，讓學習程序描述要學習的函數(shù)。這種表示方法的選擇是一個重要的權(quán)衡過程。需要考慮函數(shù)的逼近精確度與訓練復(fù)雜度、訓練樣本量之間的權(quán)衡，也要考慮逼近精度與過擬合情況之間的均衡。

（4）選擇函數(shù)逼近算法。很多情況下，選定目標函數(shù)表示的同時，就選定了函數(shù)逼近算法。

2.4 推薦任務(wù)處理子系統(tǒng)

推薦任務(wù)處理子系統(tǒng)，需要實現(xiàn)兩個功能：

第一，分析推薦問題場景，將智能人機接口傳來的推薦請求，轉(zhuǎn)化為可以直接由各種推薦算法按照客觀評判準則求解的問題，然后發(fā)送給推薦算法求解系統(tǒng)。

第二，把推薦算法求解系統(tǒng)返回的算法結(jié)果，組合為對用戶請求的解答，返回給智能人機接口。智能人機接口接受到用戶的推薦請求后，將此請求提交給推薦任務(wù)處理系統(tǒng)。這種請求一般是包含了很強主觀性的，模糊的推薦任務(wù)；對于這樣的推薦問題，唯一的評判準則是用戶滿意度。推薦任務(wù)處理系統(tǒng)的作用，就是按照用戶特征和推薦場景，為推薦算法求解搭建一個客觀的數(shù)據(jù)集平臺。推薦算法求解系統(tǒng)求解后，推薦任務(wù)處理系統(tǒng)將其計算結(jié)果組合為對推薦請求的解答，返回智能人機接口。

需要注意的是，推薦任務(wù)處理系統(tǒng)會根據(jù)與用戶不斷的交流（為用戶做出推薦，接受傳回的反饋信息），持續(xù)修正其對用戶特征的判斷，并將這種用戶特征知識儲存在用戶模型庫中，供后續(xù)推薦使用。

2.5 系統(tǒng)數(shù)據(jù)庫

整個商務(wù)推薦系統(tǒng)中，涉及到了四個主要的數(shù)據(jù)庫或數(shù)據(jù)倉庫（視系統(tǒng)規(guī)模不同而采用不同技術(shù)）：

（1）推薦場景庫：存放當前系統(tǒng)能夠?qū)崿F(xiàn)的不同場景信息，為推薦任務(wù)處理系統(tǒng)按照場景分解任務(wù)提供信息。

（2）用戶模型庫：存放關(guān)于每個系統(tǒng)注冊用戶的特征模型，包括一些個人基本信息，個人偏好信息，以及系統(tǒng)為其構(gòu)建好的可以直接調(diào)用的推薦模型。

（3）推薦算法庫：存放各種可用的推薦算法，各種推薦算法組合方式的知識等，為推薦算法求解系統(tǒng)提供信息。

（4）基本信息庫：存放關(guān)于各個待推薦項目的基本信息，用戶對項目評分情況等推薦系統(tǒng)所依賴的基本數(shù)據(jù)集。

以上各個子系統(tǒng)和數(shù)據(jù)庫一起，組成了一個電子商務(wù)個性化推薦系統(tǒng)框架，能夠完成為注冊用戶和非注冊用戶提供個性化推薦的任務(wù)。如果要高效的完成推薦任務(wù)，實現(xiàn)電子商務(wù)個性化系統(tǒng)的促進銷售和提升品牌價值這兩個目標，則必須依賴于所開發(fā)的系統(tǒng)中精確的推薦算法實現(xiàn)、與用戶個性匹配的推薦任務(wù)分解，以及友好的人機交互界面等各種認真細致的系統(tǒng)設(shè)計。

3.結(jié)束語

當今電子商務(wù)處于飛速發(fā)展中，本文設(shè)計出一個個性化推薦系統(tǒng)框架，對提高電子商務(wù)的效率具有十分重要的價值。利用推薦系統(tǒng)，電子商務(wù)網(wǎng)站一方面可以根據(jù)現(xiàn)有客戶屬性，尋找市場上具有相似需求的客戶，積極開拓新市場；另一方面，根據(jù)客戶需求進行進一步的市場細分，有針對性地推出更能滿足客戶需求的新商品，實現(xiàn)客戶與商家的雙贏。

[1]酈永達，薛華成.智能決策支持系統(tǒng)的人機接口初探[J].系統(tǒng)工程理論與實踐，1995，（12）：29-33.

[2]Mitchell，T.M.Machine Learning[J].The McGraw-Hill Companies，Inc，1997.

[3]鄒顯春，謝中，周彥暉.電子商務(wù)與web數(shù)據(jù)挖掘[J].計算機應(yīng)用，2001，21（5）：21-23.

[4]胡慧蓉.電子商務(wù)個性化推薦系統(tǒng)分析與設(shè)計[J].科技創(chuàng)新導(dǎo)報，2009.