個(gè)性化推薦知識(shí)匯總

1、基于協(xié)同過(guò)濾(collaborative filtering , CF的推薦系統(tǒng)通過(guò)收集來(lái)自其他相似用戶或項(xiàng)目的評(píng) 價(jià)信息， 自動(dòng)預(yù)測(cè)當(dāng)前用戶的興趣偏好。 協(xié)同過(guò)濾的基本假設(shè)是用戶會(huì)更喜歡那些相似用戶 偏愛(ài)的商品，已被廣泛應(yīng)用在一些大型的商業(yè)系統(tǒng)，如亞馬遜和阿里巴巴等。目前， 協(xié)同過(guò)濾算法主要包括基于內(nèi)存的、基于模型的以及二者相混合的推薦技術(shù)”。使用最多的模型是k最近鄰(k-nearest neighbor, kNN)協(xié)同過(guò)濾技術(shù)，包括基于用戶推薦和基于項(xiàng) 目推薦兩種技術(shù)。一般說(shuō)來(lái)， 本體描述了某個(gè)應(yīng)用領(lǐng)域的概念和概念之間的關(guān)系， 使得它們具有唯一確定的含 義，獲得該領(lǐng)域的相關(guān)知識(shí)， 提供對(duì)該

2、領(lǐng)域知識(shí)的共同理解， 便于用戶和計(jì)算機(jī)之間進(jìn)行交 流。On toECRec推 薦模型1995年，卡內(nèi)基梅隆大學(xué)的A. RDben等人在美國(guó)人工智能協(xié)會(huì)上提出了個(gè)性 化導(dǎo)航系統(tǒng) we-watcher ，真正標(biāo)志著個(gè)性化服務(wù)的開始； 1997 年 3 月， (communications of the AcM) 。組織了個(gè)性化推薦系統(tǒng)的專題報(bào)道，標(biāo)志著個(gè) 性化服務(wù)已經(jīng)被技術(shù)界高度重視； 1999年，德國(guó) Dresden 技術(shù)大學(xué)的 J. Tania 實(shí)現(xiàn)了個(gè)性化電子商務(wù)原型系統(tǒng) TELLIM標(biāo)志著個(gè)性化服務(wù)開始向全球發(fā)展； 2000年，NEc研究院的D. B. Kurt等人為搜索引擎atesecr

3、增加了個(gè)性化推薦 功能，實(shí)現(xiàn) citeseer 的個(gè)性化。 2001 年，紐約大學(xué)的 GediminaS Adomavicius 和 Alexander Tuzhilin 實(shí)現(xiàn)了個(gè)性化電子商務(wù)網(wǎng)站的用戶建模系統(tǒng) 1：1Pro。個(gè)性化推薦服務(wù)體系結(jié)構(gòu)中， 信息收集模塊是個(gè)性化服務(wù)系統(tǒng)的基礎(chǔ)模塊。 用戶 的信息包括了用戶的個(gè)人基本資料、 購(gòu)買的歷史記錄及瀏覽記錄等。 個(gè)人基本資 料可以從用戶注冊(cè)表單中獲得； 購(gòu)買的歷史記錄主要存放于電子商務(wù)網(wǎng)站的后臺(tái) 交易數(shù)據(jù)庫(kù)中， 包含了每位用戶以前歷次購(gòu)物的詳細(xì)情況記錄，如購(gòu)物時(shí)間、 商品清單、價(jià)格、折扣等， 同時(shí)也可以收集用戶放入購(gòu)物籃而未購(gòu)買的商品記錄，

4、以及用戶過(guò)去瀏覽過(guò)的商品信息等。 當(dāng)然要搜集用戶的行為信息， 日志文件是必 不可少的， 如要收集服務(wù)器日志， 則要在服務(wù)器端獲取， 抽取出特定用戶的訪問(wèn) 記錄；如要收集用戶瀏覽的頁(yè)面和瀏覽行為， 則既可以在用戶端獲得， 也可以在 服務(wù)器端從用戶記錄中獲得。推苕技術(shù)輸入棺息處理11程I應(yīng)RJ炮基于規(guī)則的推U對(duì)I的瀏 覽或財(cái)實(shí) 歷史訓(xùn)覽購(gòu)買生成關(guān)聯(lián)規(guī)卿根據(jù)規(guī)吋生咸 推葬信見(jiàn)IBH的VfebSphereB roadVision茶于內(nèi)釋的椎 薦I的特征 性僵I的特征屬 性值很據(jù)】的特征屬性值再到項(xiàng)目 的井類，再得到用戶址已經(jīng)逸 擇的的相魁項(xiàng)口集作為推薦Nevseder,l.JK 坦 編大學(xué)的 LTRA

5、 * veh Personali花 crf基于人口址計(jì)u的人口統(tǒng)u的人口 統(tǒng)計(jì)信懇垠據(jù)人口疑計(jì)信AS 諂別U的相做用戶Grundy»Krulwich基丁效用的推I的特征1 . 一.描 i£UXti的偏削的效把效用用于各項(xiàng)目、生成各頊目的井序Persia 11lngic2識(shí)的推薦的特征.I： 如骨滿足 用戶的虹| 識(shí)U的睛耍 初興趣的 搖述計(jì)算各項(xiàng)口 i和用戶常要的匹 配視度GooglePCFinder1 *MTffl戶的檢同過(guò)濾U對(duì)1的評(píng)價(jià)U對(duì)I的評(píng) 分識(shí)別用戶U的鄰國(guó)用戶，根據(jù)ft識(shí)別生咸対頊耳i的評(píng)分lebffatcher ,SiteSeer,張丁項(xiàng)的協(xié)何過(guò)濾U對(duì)1的評(píng)

6、價(jià)U對(duì)I的評(píng)分比較項(xiàng)HI的相似性，得出與 用戶Ui2繪選擇的項(xiàng)目i相働 的項(xiàng)目集LikeMindsU龍示用戶的集合：】衷示所有項(xiàng)日的車合=<1班示當(dāng)前耍預(yù)測(cè)詢用戶:示當(dāng)前要預(yù)測(cè)的項(xiàng)目。盡管協(xié)同過(guò)濾技術(shù)在個(gè)性化推薦系統(tǒng) 中獲得了極 大的成 功，但隨著站點(diǎn)結(jié)構(gòu)、內(nèi)容的復(fù)雜度和用戶人數(shù)的不斷增 加，協(xié)同過(guò)濾技術(shù)的一些缺點(diǎn)逐漸暴露出來(lái)，主要有： 稀疏性(sparsity ):在許多推薦系統(tǒng)中，每個(gè)用戶涉及的信 息 量 相 當(dāng) 有 限 ， 在 一 些 大 的 系 統(tǒng) 如 亞馬遜 網(wǎng) 站 中 ， 用 戶最多不過(guò)就評(píng)估了上百萬(wàn)本書的1 %2,造成評(píng)估矩 陣 數(shù) 據(jù) 相 當(dāng)稀 疏 ，難 以 找 到 相似

7、 用 戶 集 ，導(dǎo) 致 推薦 效 果 大 大 降低 擴(kuò) 展 性 （scalability ） ：“ 最 近 鄰 居 ” 算 法 的 計(jì)算 量 隨 著 用戶 和項(xiàng)的增 加 而 大 大 增 加， 對(duì) 于 上 百萬(wàn)之巨的 數(shù) 目， 通常的 算法將遭 遇 到 嚴(yán)重的擴(kuò)展性問(wèn)題 精確性（accuracy ）：通過(guò)尋找 相 近 用 戶來(lái)產(chǎn)生 推薦 集，在 數(shù)量較大 的 情 況下，推薦的可 信 度 隨之降 低 一個(gè)完整的推薦系統(tǒng)由 3個(gè)部分組成:收集用戶信息的行為記錄模塊 ,分析用戶 喜好的模型分析模塊和推薦算法模塊 . 行為記錄模塊負(fù)責(zé)記錄用戶的喜好行為 , 例如問(wèn)答、評(píng)分、購(gòu)買、下載、瀏覽等 . 問(wèn)答和

8、打分的信息相對(duì)好收集 ,然而有的 用戶不愿意向系統(tǒng)提供這些信息 , 那么就需要通過(guò)其他方式對(duì)用戶的行為進(jìn)行分 析, 例如購(gòu)買、下載、瀏覽等行為 . 通過(guò)這些用戶的行為記錄分析用戶的潛在喜好 產(chǎn)品和喜歡程度 .這就是模型分析模塊要完成的工作 . 模型分析模塊的功能能夠 對(duì)用戶的行為記錄進(jìn)行分析 ,建立合適的模型來(lái)描述用戶的喜好信息 . 最后是推 薦算法模塊 , 利用后臺(tái)的推薦算法 ,實(shí)時(shí)地從產(chǎn)品集合中篩選出用戶感興趣的產(chǎn) 品進(jìn)行推薦 . 其中, 推薦算法模塊是推薦系統(tǒng)中最為核心的部分 . 協(xié)同過(guò)濾推薦系統(tǒng)最大的優(yōu)點(diǎn)是對(duì)推薦對(duì)象沒(méi)有特殊的要求 , 能處理音樂(lè)、電影 等難以進(jìn)行文本結(jié)構(gòu)化表示的對(duì)象

9、. 基于用戶的協(xié)同推薦算法隨著用戶數(shù)量的增多 , 計(jì)算量成線性加大 ,其性能會(huì)越 來(lái)越差.因此有的推薦系統(tǒng)采用基于產(chǎn)品相似性的協(xié)同過(guò)濾算法 , 在產(chǎn)品的數(shù)量 相對(duì)穩(wěn)定的系統(tǒng)中，這種方法是很有效的，例如Ama-zon的書籍推薦系統(tǒng)10.但 是對(duì)于產(chǎn)品數(shù)量不斷增加的系統(tǒng) ,例如 Del. lici. us 系統(tǒng),這種方法是不適用 的.基于內(nèi)容的推薦系統(tǒng)不可避免地受到信息獲取技術(shù)的約束 , 例如自動(dòng)提取多媒體 數(shù)據(jù)（ 圖形、視頻流、聲音流等 ） 的內(nèi)容特征具有技術(shù)上的困難 , 這方面的相關(guān)應(yīng) 用受到了很大限制 .網(wǎng)絡(luò)環(huán)境下的個(gè)性化推薦表現(xiàn)方式大體分為個(gè)人化推薦、 社會(huì)化推薦和基因化推 薦三種，（1）

10、個(gè)人化推薦。是基于用戶過(guò)往的行為模式進(jìn)行推薦，即依據(jù)用戶的歷史行 為，判斷用戶的需求和偏好，為其提供相應(yīng)產(chǎn)品或服務(wù)。 商業(yè)網(wǎng)站中，比較常 見(jiàn)的方式是用戶最近的瀏覽歷史、 你可能比較感興趣的商品。 比較典型的是基于 個(gè)人交易和反饋數(shù)據(jù)的推薦機(jī)制 .（2）社會(huì)化推薦。是根據(jù)需求和偏好相似的用戶群的過(guò)往行為數(shù)據(jù)進(jìn)行推薦。 它不同于個(gè)人推薦方式， 并不分離地判斷一個(gè)用戶的行為， 而是針對(duì)偏好相似的 用戶群體行為進(jìn)行分析，然后為用戶群提供推薦。（3）基因化推薦。是根據(jù)產(chǎn)品本身的特性進(jìn)行推薦。這種推薦方式在一定程度 上也基于社會(huì)學(xué)的原理：一人的喜好是大體相互聯(lián)系的，并且是相對(duì)固定的。在網(wǎng)絡(luò)購(gòu)物時(shí)代， 商家

11、通過(guò)購(gòu)物網(wǎng)站提供了大量的商品信息， 消費(fèi)者無(wú)法快速地了解所有的 商品信息， 所以， 消費(fèi)者需要一種電子購(gòu)物助手， 能根據(jù)消費(fèi)者對(duì)服裝的需求信息推薦給消 費(fèi)者可能感興趣或者滿意的商品。 個(gè)性化推薦系統(tǒng)就是建立在海量數(shù)據(jù)挖掘基礎(chǔ)上的一種高 級(jí)商務(wù)智能平臺(tái)， 它幫助網(wǎng)站為消費(fèi)者購(gòu)物提供完全個(gè)性化的決策支持和信息服務(wù)。 購(gòu)物網(wǎng) 站的推薦系統(tǒng)為消費(fèi)者推薦商品， 自動(dòng)完成個(gè)性化選擇商品的過(guò)程， 滿足消費(fèi)者的個(gè)性化需 求。隨著互聯(lián)網(wǎng)的不斷普及， 網(wǎng)絡(luò)成為一種不可或缺的信息來(lái)源， 但相對(duì)整個(gè)互聯(lián)網(wǎng)的全局信息 空間而言，用戶感興趣的只是一個(gè)很小的領(lǐng)域。 信息技術(shù)的發(fā)展，使網(wǎng)絡(luò)信息空間呈幾何 級(jí)數(shù)膨脹， 而有限的

12、個(gè)性化信息卻顯得更加分散。 人們處在信息迷航的怪圈中， 很希望有個(gè) 網(wǎng)站能夠揣摩用戶的心理， 按照用戶的需求推薦用戶感興趣的內(nèi)容， 給用戶提供一個(gè)良好的 沖浪環(huán)境，這些潛在的需求在商業(yè)網(wǎng)站中體現(xiàn)的更為淋漓盡致。按照用戶的興趣推薦商品， 可以提高用戶對(duì)網(wǎng)站的忠誠(chéng)度，增加交叉購(gòu)買力，增加商家的效益。各種信息尤其是互聯(lián)網(wǎng)信息的指數(shù)增長(zhǎng)所導(dǎo)致的 “ 信息過(guò)載”和 “ 信息迷航”問(wèn)題已日 益制約人們高效地使用各種信息資源 ?。個(gè)性化推薦技術(shù)正是解決這一嚴(yán)峻問(wèn)題的有效方法， 它根據(jù)用戶的興趣和特點(diǎn)，對(duì)信息資源進(jìn)行收集、整理和分類， 向用戶提供和推薦符合其 興趣偏好或需求的信息?；ヂ?lián) 網(wǎng)技術(shù) 的迅猛發(fā)展把我

13、們帶進(jìn) 了信息爆炸的時(shí)代 海量信息的同時(shí)呈現(xiàn)， 一方面使用戶很難從 中發(fā) 現(xiàn) 自己感 興趣 的部 分 ，另 一 方 面 也使 得 大 量 少 人 問(wèn) 津 的信 息成 為 網(wǎng)絡(luò) 中的 “ 暗信息” ，無(wú) 法被 一般用 戶 獲取簡(jiǎn)單地說(shuō)， 個(gè)性化推薦系統(tǒng)就是根據(jù)消費(fèi)者的個(gè)性化特征和需求， 按照某種策 略， 進(jìn)行產(chǎn)品推薦的一個(gè)輔助決策系統(tǒng)。 它的出現(xiàn)是為了解決信息過(guò)載的問(wèn)題， 幫助消費(fèi)者在浩如煙海的產(chǎn)品中找到自己需要的商品， 為消費(fèi)者提供個(gè)性化的 購(gòu)物體驗(yàn)。電子商務(wù)推薦系統(tǒng)作用主要表現(xiàn)在以下幾個(gè)方面： 將電子商務(wù)網(wǎng) 站的瀏覽者轉(zhuǎn)變?yōu)橘?gòu)買者；提高電子商務(wù)網(wǎng)站的交叉銷售能力；減少消費(fèi)者成本 （時(shí)間、 資

14、金等 ）， 滿足顧客需求， 增加其滿意度； 增加賣家產(chǎn)品 瀏覽度， 從而提高賣家收益。電子商務(wù)推薦系統(tǒng)根據(jù)其所采用的推薦技術(shù)大致可以分為下面幾類： 一是基于 協(xié)同過(guò)濾技術(shù)的推薦系統(tǒng)， 所采用的技術(shù)是協(xié)同過(guò)濾； 二是基于內(nèi)容過(guò)濾的推 薦系統(tǒng)， 所采用的技術(shù)是信息過(guò)濾； 三是基于知識(shí)發(fā)現(xiàn)推薦系統(tǒng)， 所采用的技 術(shù)是知識(shí)發(fā)現(xiàn)， 搜索與數(shù)據(jù)挖掘技術(shù)； 四是組合技術(shù)， 所采用的技術(shù)是幾種 推薦技術(shù)的組合； 五是交互式推薦， 采取的技術(shù)是用戶與商家的交互； 六是 其他的一些非主流推薦系統(tǒng)， 比如基于統(tǒng)計(jì)、 效用的推薦系統(tǒng)， 如貝葉斯網(wǎng) 絡(luò)、 神經(jīng)網(wǎng)絡(luò)等。其中使用較多的是協(xié) 同過(guò)濾， 內(nèi)容過(guò)濾， 知識(shí)發(fā)現(xiàn)和

15、數(shù)據(jù)挖掘 規(guī)則推薦是先根據(jù)銷售數(shù)據(jù)發(fā)現(xiàn)不同商品在銷售過(guò)程中的相關(guān)性， 然后基于生 成的關(guān)聯(lián)規(guī)則模型和用戶的購(gòu)買行為產(chǎn)生推薦結(jié)果； 分類挖掘推薦方法是通過(guò) 聚類、 Bayesi a 網(wǎng)絡(luò)、 神經(jīng)網(wǎng)絡(luò)等多種機(jī)器學(xué)習(xí)方法產(chǎn)生分類挖掘模型， 再 根據(jù)用戶輸入信息和產(chǎn)品的特征信息， 預(yù)測(cè)是否向用戶推薦該產(chǎn)品1 曾云，陳盈盈，張?jiān)阑谌梭w識(shí)別的在線虛擬試衣系統(tǒng)J.電視技術(shù)，2014, 38( 1 1 )：206-2 1 0.2 陳利珍，鄧中民基于圖像序列的三維人體建模方法研究J 針織工業(yè)，2013(1):54-56.3 吳義山，徐增波.虛擬試衣系統(tǒng)關(guān)鍵技術(shù)J.絲綢,2014,12:24-29.4 陳曉倩.

16、虛擬試衣系統(tǒng)在電子商務(wù)中的應(yīng)用模式探討J.紡織導(dǎo)報(bào),2009,09:81-83. 黃燦藝.網(wǎng)絡(luò)化三維虛擬試衣技術(shù)構(gòu)架分析J.廣西紡織科技，2010,03:46-48. 范慶玲，李繼云.基于照片的三維人體模型研究與實(shí)現(xiàn)J.微型電腦應(yīng)用,2006,03:5-6+42+66.7 胡新蕾.淺談虛擬試衣和電商金融產(chǎn)品的結(jié)合J.經(jīng)貿(mào)實(shí)踐,2015,16:38-39.8 胡婉月，李艷梅,王迎梅,吳小娜.虛擬試衣的發(fā)展現(xiàn)狀及展望J.上海工程技術(shù) 大學(xué)學(xué)報(bào) ,2014,02:162-165.9 丁嘉玲，王厲冰,莊梅玲,張永美.線上虛擬試衣技術(shù)構(gòu)架的分析與展望J.山東紡織科技 ,2015,01:42-45.1 范

17、忠勇 ,張志軍 ,張鵬飛 .本體技術(shù)在個(gè)性化推薦系統(tǒng)中的應(yīng)用研究 J. 山東科學(xué) ,2016, 02:101-105.2 王浩 . 電子商務(wù)個(gè)性化信息推薦服務(wù)計(jì)量分析與發(fā)展對(duì)策研究J. 內(nèi)蒙古科技與經(jīng)濟(jì),2016,08:59-62.3 趙亮，胡乃靜，張守志個(gè)性化推薦算法設(shè)計(jì)J.計(jì)算機(jī)研究與發(fā)展，2002,08:986-991.4 劉建國(guó)，周濤，汪秉宏個(gè)性化推薦系統(tǒng)的研究進(jìn)展 J自然科學(xué)進(jìn)展，2009,01:1-15. 朱巖,林澤楠電子商務(wù)中的個(gè)性化推薦方法評(píng)述J.中國(guó)軟科學(xué),2009,02:183-192.丁然.大數(shù)據(jù)時(shí)代電子商務(wù)個(gè)性化推薦發(fā)展趨勢(shì)J.電子商務(wù),2015,04:5+7.7 張苗

18、苗，楊瑜商業(yè)網(wǎng)站個(gè)性化推薦現(xiàn)狀及對(duì)策分析J.情報(bào)探索,2012,02:36-40.8 王輝,高利軍,王聽(tīng)忠個(gè)性化服務(wù)中基于用戶聚類的協(xié)同過(guò)濾推薦J.計(jì)算機(jī)應(yīng) 用,2007,05:1225-1227.9 林霜梅,汪更生，陳弈秋.個(gè)性化推薦系統(tǒng)中的用戶建模及特征選擇J.計(jì)算機(jī)工 程,2007,17:196-198+230.夷2J用戶包選"息定2-4 U起r fhWSC infbmiMicMi±&w白.孤H.西*驚* tt.直、薰"駆* *悴聊，通如 運(yùn)功、療居、禮atDttiAffi.中薊*低噸軸型圍無(wú).一宇書* y操.壽犧、立犧、n鋰、鯊饋、轉(zhuǎn)涯亍性元it刺

19、嫌* »故*狀軸、播空"科葉邊、不時(shí)稱、尼出判陽(yáng)棚捷集理論屈性約間發(fā)現(xiàn)服皺橋配知諫具體有以卜JL個(gè)步膽：歩憲一；構(gòu)建決策希.根據(jù)專家童見(jiàn)選取類型、主色調(diào)、圖案、檢庚等吐接廉現(xiàn)輕建外觀特 昶的越性.而料，廳質(zhì)強(qiáng)就現(xiàn)掘裝材航的屬性，風(fēng)濟(jì)、用途*年齡我零IS述服裝適用范屈的屬件* 啖型、荻型、袖型、裙型需描述量頼細(xì)書的屬性描謹(jǐn)服裝的屬性從強(qiáng)據(jù)障將服裝戴1S及其屬性 敵據(jù)尋出.按十進(jìn)制藪燉屬性值依択進(jìn)和竜化結(jié)合專家給予的捋配意見(jiàn)君可U搭配抉衆(zhòng)屬 性值為X苦不可以膳配，決策舄性值為m建立專家決策農(nóng)*3.43脳裝搭配屬性選擇由于服轉(zhuǎn)種真第!；，風(fēng)格干變?nèi)f化"可口描謹(jǐn)服裝的屈性

20、多Z又爭(zhēng)，所以描述一件脳藉齋耍 多種屬性信息共冋描述.在衲霍第1»諛格紀(jì)中，堪隕合適的M性非常SS，在這些屬性之中槪 據(jù)H常經(jīng)躺和搭配專家?jiàn)Y乩，竝耽梏配的屬性包括描述服裝外觀舒征的外觀居性，描述服裝的制 作的材科和廣螞的屬性描述服裝外觀細(xì)D的屬件和描謹(jǐn)垂棊適合的夸首場(chǎng)舍的屬杵“選取類犁、 工色謂、圖果，諾禪悅皮毎外觀屈性*海料.厚度等材礦図性.腰塑、怨型、流行尤耒曙細(xì)審厲 性和輒擠扇性，這些屬杵可欣分為霰裝的準(zhǔn)斗屬性祁其他屬性.描述木同真吃的腦裝的屣性也不 盡相同.啟取的卞報(bào)的礙性及加性值見(jiàn)Mt；3-10襤裝性和購(gòu)tt值董lab 3-10 Alinbults and Alinbulc

21、 vitlucs di Cl (Jibes亦值類型連衣絡(luò).施上祝*半皓、桃子、連體彫主色調(diào)tu利* a. s,徴、稼、祿、藍(lán)、采.氐、鼎純邑、直鵝，少呈冬蛻、皋址、花墳.團(tuán)丈、卡北休通勤*運(yùn)動(dòng)，毬也 禮臟面料樓、牛仔、針熾、蝕翔.麻雪結(jié)、混納厚;t扎常薄.較薄*蒲.一般、璋、牧甲.腰星無(wú)、為贏中靈、低腰Xfe無(wú)"13枚* 一寧領(lǐng)、V和、萬(wàn)和、立披*檔毀、強(qiáng)狀枚*骼傾屬性比、替通袖.薊葉袖、附愛(ài)袖、搶胸抽，泡海袖就抒元賣捌堆、檔趙.慢空*荷吋詢、不對(duì)韓.點(diǎn)汝廿、三分.五冊(cè)、七分、九分.十分蝸裝 基壬屬性耳他屛星編號(hào)類型主色用建面料MSte欣atJltt1學(xué)格黃純色休附棉戦薄甲廉樹葉血三

22、分否2ft週勘較薄中談三分是3YW?k純色V休刑T:較薄中饗»E葉邊«五分百1rB即r 審-町誦勒*三分F苦50半幅紅純也三井否51#RT»紳.鈣«ii勒K枇_般XVf三廿fl是93i棒子*斑色1通舫¥轉(zhuǎn)薄無(wú)_井-菊半語(yǔ):氐強(qiáng)井100Tffi純色棉薄無(wú)三井32服裳樣本的選擇例如所選置轉(zhuǎn)類型為男式襯衫+屬性分別為風(fēng)格和而料分別用/和B表屆 鳳恪屬性的兩個(gè)取值為休用和正式+則為血和2,而料屬性的三個(gè)取值為棉.麻 勲堂,則為創(chuàng)° £2 fi Jf3.造型色彩面料輔料結(jié)構(gòu)工藝圖案部件裝飾配飾形式搭配1.1造型元素服裝廓型的造型屬性&

23、#176;如；廓型中的X型川型,1.2色彩元素色彩的色相、純度、明度等色彩屬性。如；鮮艷的 亮紅色、中灰度的暗橄欖綠色等。1.3面料元素面料的成分丿卜觀、手感、質(zhì)地等屬性百如：順滑 的真絲雙纟芻、硬挺的加I?全棉涂層等。1.4輔料元素輔料的成分、種類、外觀、手感等屬性打如：尼龍 針織粘合襯、金屬細(xì)牙拉鏈等。1*5結(jié)構(gòu)元素結(jié)構(gòu)的屬性、規(guī)格、處理等屬性。女口：日本文化式 原型結(jié)構(gòu)、基于號(hào)型標(biāo)準(zhǔn)的規(guī)格等。1.6工藝元索服裝的加工屬性。如；縫紉方法、熨燙方法、鎖扣方法等。1-7圖案元索圖案的題材、風(fēng)格、套色、形式等屬性勺如；碎花圖案.唐代三色卷葉連續(xù)紋樣等。1.8部件元素零部件的種類、造型、色彩等。如

24、：泡泡袖、反貼 袋等。1.9裝飾元秦裝飾的種類理材質(zhì)，造型、色彩等。如：橡塑品牌標(biāo)志、金屬鏤空IIL!件扣等。1.10配飾元素配飾的種類、材質(zhì)、造型、色形等。如；迷彩雙眉包、印花革松糕鞋等。1.11形式元豪對(duì)形式美原理的采用。如：比例、節(jié)奏、對(duì)稱等。1*12搭配元素服裝穿著搭配的基本方式。如：兩件套、三件套、內(nèi)長(zhǎng)外短、上松下緊等。不可否認(rèn)的是，關(guān)于推薦系統(tǒng)的研究仍然存在一些問(wèn)題，具體包括？】【i2】：(1) 實(shí)時(shí)性和推薦質(zhì)量之間的問(wèn)題。推薦系統(tǒng)的推薦精度和實(shí)時(shí)性是一對(duì)矛盾，要提高推薦精度會(huì)不可避免地降低系統(tǒng)的實(shí)時(shí)性，而要提高系統(tǒng)的實(shí)時(shí)性又 不能不產(chǎn)生較低的推薦精度。所以，在提供推薦系統(tǒng)服務(wù)的同

25、時(shí)，如何在推薦精 度和實(shí)時(shí)性之間找個(gè)較好的平衡點(diǎn)，是需要繼續(xù)研究的問(wèn)題。(2) 系統(tǒng)模型單一。由于推薦系統(tǒng)體系結(jié)構(gòu)不完善，導(dǎo)致大部分推薦系統(tǒng)只 能提供一種系統(tǒng)模型使用。但鑒于推薦系統(tǒng)本身的復(fù)雜性，需要多種不同類型的 模型來(lái)適應(yīng)不同的場(chǎng)合，滿足用戶的不同要求。(3) 推薦方法的缺乏?，F(xiàn)在一般的電子商務(wù)系統(tǒng)的推薦方法是向用戶提供商 品排行榜，以及其它用戶對(duì)這個(gè)商品的評(píng)價(jià)程度來(lái)讓用戶判斷是否具有購(gòu)買性。 無(wú)疑地，需要更加多樣的推薦形式來(lái)向用戶解釋產(chǎn)生推薦的原因，讓客戶更加信 任推薦的結(jié)果。(4) 用戶類型的轉(zhuǎn)變。對(duì)商務(wù)網(wǎng)站商品進(jìn)行購(gòu)買的用戶一般都只是注冊(cè)用戶， 而沒(méi)有注冊(cè)的用戶僅僅具有瀏覽功能?，F(xiàn)在

26、的推薦系統(tǒng)并未考慮到這部分訪問(wèn)者。【1 I】.B. SchaferJ A. Konstan,J. Riedl, E- Commerce Recommendation Applications , Data Mining and Knowledge Discovery,2001 . 1, 5(1): 115 153.【121 . & Kohvai, Mining E-commerce Data : the Good,the Bad,and the Ugly,Proceedings of the 7th ACM SIGKDD international conference on Knowledge discovery and data mining , San Francisco, California , 2001