文献及发展部777

个性化推荐在汽车生命周期管理中的应用文献综述部分一、文献综述1、个性化推荐概念：个性化推荐主要是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。它的概念由PaulResnick和WillHill于1994年作为一个独立的概念首次提出来。目前被广泛接受的概念是1997年Resnick和Varian给出的定义：个性化推荐利用电子商务网站向客户提供商品信息和建议，帮助消费者决定购买什么，模拟销售人员帮助客户完成购买过程。2、个性化推荐系统的发展历程1995年3月，卡耐基.梅隆大学的RobertArmstrong等人在美国人工智能协会上提出了个性化导航系统WebWatcher;斯坦福大学的MarkoBalabanovic等人在同一会议上推出了个性化推荐系统LIRA；1995年8月，麻省理工学院的HenryLieberman在国际人工智能联合大会（IJCAI）上提出了个性化导航智能体Litizia；1996年，Yahoo推出了个性化入口MyYahoo；1997年，AT&T实验室提出了基于协同过滤的个性化推荐系统PHOAKS和ReferralWeb;1999年，德国Dresden技术大学的TanjaJoerding实现了个性化电子商务原型系统TELLIM；2000年，NEC研究院的Kurt等人为搜索引擎CiteSeer增加了个性化推荐功能；2001年，纽约大学的GediminasAdoavicius和AlexanderTuzhilin实现了个性化电子商务网站的用户建模系统1：1Pro；2001年，IBM公司在其电子商务平台Websphere中增加了个性化功能，以便商家开发个性化电子商务网站；2003年，Google开创了AdWards盈利模式，通过用户搜索的关键词来提供相关的广告。AdWords的点击率很高，是Google广告收入的主要来源。2007年3月开始，Google为AdWords添加了个性化元素。不仅仅关注单次搜索的关键词，而是对用户一段时间内的搜索历史进行记录和分析，据此了解用户的喜好和需求，更为精确地呈现相关的广告内容。2007年，雅虎推出了SmartAds广告方案。雅虎掌握了海量的用户信息，如用户的性别、年龄、收入水平、地理位置以及生活方式等，再加上对用户搜索、浏览行为的记录，使得雅虎可以为用户呈现个性化的横幅广告。2009年，Overstock（美国著名的网上零售商）开始运用ChoiceStream公司制作的个性化横幅广告方案，在一些高流量的网站上投放产品广告。Overstock在运行这项个性化横幅广告的初期就取得了惊人的成果，公司称：“广告的点击率是以前的两倍，伴随而来的销售增长也高达20%至30%。”2009年7月，国内首个个性化推荐系统科研团队北京百分点信息科技有限公司成立，该团队专注于个性化推荐、推荐引擎技术与解决方案，在其个性化推荐引擎技术与数据平台上汇集了国内外百余家知名电子商务网站与资讯类网站，并通过这些B2C网站每天为数以千万计的消费者提供实时智能的商品推荐。2011年8月，纽约大学个性化推荐系统团队在杭州成立载言网络科技有限公司，在传统协同滤波推荐引擎基础上加入用户社交信息和用户的隐性反馈信息，包括网页停留时间、产品页浏览次数，鼠标滑动，链接点击等行为，辅助推荐，提出了迄今为止最为精准的基于社交网络的推荐算法。团队目前专注于电商领域个性化推荐服务以及商品推荐服务社区--e推荐。2011年9月，百度世界大会2011上，李彦宏将推荐引擎与云计算、搜索引擎并列为未来互联网重要战略规划以及发展方向。百度新首页将逐步实现个性化，智能地推荐出用户喜欢的网站和经常使用的APP。3、个性化推荐网络应用实例随着Internet的发展，中国网民数量也在不断上升，截止2015年底，中国网民数量已达6.88亿，手机网民达6.20亿，截止2014年底，我国网络购物用户规模达3.61亿，网民使用网络购物的比例达55.7%。随着网络应用程度的进一步加深，人们对网络依赖程度也会越来越强，网民使用网络购物的比例还会不断增加。Internet在为用户提供越来越多信息和服务的同时，其结构也变得越来越复杂，面对海量的信息，用户想要快速地获得所需要的信息和服务将会变得更加困难。一方面，用户面对网络上形形色色的海量信息会感到束手无策，常常会迷失在海量的信息空间里；另一方面，网站在与用户的信息交互中也很难建立稳固的合作关系。在这种背景下个性化推荐系统（PersonalizedrecommendationSystems）显得越发重要。它随着信息技术的快速发展，技术也越来越多样化，内容也越来越丰富，主要针对不同用户，提供不同的服务策略和服务内容，以帮助用户节约搜索时间，使用户能够快速找到所需要的商品和信息，满足用户个性化需求。同时，不断发掘客户的潜在需求，通过重复推荐和反馈，增加客户和网站的互动，尽可能提高客户的满意度，提高转化率。目前，个性化推荐体系已经被广泛应用到电子商务领域，已经扩展到图书、文档、网页、新闻、图像、电影、音乐、购物、旅游、社交、金融、服务贸易等众多领域，这也说明了，在信息知识社会，面对海量的数据和用户需要，这种更加智能的，更加了解用户需求、口味和喜好的个性化推荐，还将不断的进行创新和发展。在电子商务推荐系统应用方面，Amazon、天猫、当当网、豆瓣网、爱奇艺、ebay、京东等都是应用较为成功的典范。（1）亚马逊：Amazon.com（亚马逊）是世界最大的网上书店，有相当久远的文本个性化推荐系统开发使用历史，1997年，Amazon的创始人杰夫·贝索斯（JeffBezos）决定开始尝试根据客户以前的购物喜好为其推荐具体的书籍。在此之前，个性化推荐系统才刚刚在1995年被提出。Amazon个性化推荐系统的发展史也可以说推动了个性化推荐系统的发展。亚马逊与其他电子商务网站相比，最大优势就在于个性化推荐系统，其推荐系统提供最主要的服务有：今日推荐：通常是根据胡勇近期的历史购买或者查看记录，并结合时下流行的物品给出一个折中的推荐。新产品推荐：采用了基于内容的推荐机制，将一些新到物品推荐给用户。捆绑销售：采用数据挖掘技术对用户的购买行为进行分析，找到经常被一起或同一个人购买的物品集进行捆绑销售，这是一种典型的基于项目的协同过滤推荐机制。别人购买/浏览的商品：这也是一个典型的基于项目的协同过滤推荐的应用，通过社会化机制用户能够更快更方便的找到自己感兴趣的物品。此外，还有基于社会化的推荐、基于物品本身的推荐等，亚马逊综合了多种推荐形式，其推荐服务深入到网站的各个角落。（2）天猫（Tmall）：天猫是世界上较大的网上交易平台，天猫的个性化推荐是在海量数据的基础上，结合会员习惯和商品内容特性进行分析和挖掘，为天猫会员提供个性化服务，以缩短用户购物路径，提升用户购物体验。天猫的个性化推荐服务遵循在合适的地方、合适的时机、通过合适的渠道把合适的内容推荐给适合的用户的设计理念。天猫通过收集买家的信息、商品信息、店铺信息、营销活动信息等，运用相似替代商品模型、组合购买商品模型、榜单、用户个性化偏好模型、用户聚类及偏好模型、内容规则算法等模型算法，主要向用户推荐商品、品牌、店铺、活动、商品类目等。（3）当当网：当当网融合了协同过滤、标签、文本、矩阵分解等个性化推荐算法，主要向用户个性化推荐：买了还买了、看了还看了、基于浏览历史的推荐、发现跟您相似顾客、个性化邮件等。（4）豆瓣：豆瓣网，作为国内著名的兴趣图谱社区，基于主要搜索引擎的优化使人们通过对书籍、电影等的搜索可以很快找到豆瓣上的兴趣点。豆瓣每一个产品的主页会通过大众的热门流行话题来引导用户行为，其推荐主要是基于标签系统，借助用户的评价标签建立内部的关联性，比单纯的从名称、作者等外在的联系，更能揭示产品内在的联系，扩大关联范围，发现更多偏好。同时，借助社交化推荐作为个性化推荐的补充，解决推荐。4、个性化推荐系统的研究现状随着互联网信息技术的快速发展，通过网络购物的网民越来越多，各类商品和信息的需求也越来越繁杂，面对海量信息，用户需要花费越来越多的时间和精力去锁定自己感兴趣的商品，因此，一个高效的个性化推荐系统对于企业和消费者都显得至关重要。传统的电子商务推荐系统服务，或者是基于顾客历史数据来抽取和推荐他们共同偏好的商品如热销商品推荐等，或是根据网站促销意图将其主打产品推送给顾客，如新品推荐、特价推荐等，能够为顾客提供较好的决策支持服务。但在追求个性化、语义化的WEB3.0背景下，传统推荐服务所展示的实际效果并不理想，很多用户豆浆这些推荐当做垃圾广告处理。个性化推荐系统的兴起能够很好地解决传统推荐系统所带来的问题，它基于客户个性化特征和需求，依托协同过滤、内容过滤、知识发现、交互式推荐等技术，在合适的场景、合适的时机、通过合适的渠道，把合适的内容，推荐给合适的用户，为顾客提供个性化的购物体验。在个性化推荐服务系统中，消费者不再是被动的信息或网页浏览着，而是主动参与者。从技术实现角度来看，现在的个性化推荐系统所采用的技术主要有：（1）基于协同过滤技术的推荐系统，所采用的技术是协同过滤；（2）基于内容过滤的推荐系统，所采用的技术是信息过滤；（3）基于知识发现推荐系统，所采用的技术是知识发现、搜索和数据挖掘技术；（4）组合技术，所采用的技术是几种推荐技术的组合；（5）交互式推荐，所采用的技术是商家与用户的交互。（6）此外，还有一些其他一些推荐技术：基于统计效用的推荐，如贝叶斯网络、神经网络等。在国外，在用户模型方面，常用的技术有向量空间模型、用户评价矩阵、机器学习技术、智能代理技术等；推荐算法方面，协同推荐、基于内容推荐和混合推荐技术是研究和应用最广泛、取得效果最好的个性化推荐技术。随着信息技术的不断发展和推荐规模的不断扩大，在大量数据挖掘的基础上，各种建模技术和推荐算法不断得到创新研究和应用。如：利用神经网络和遗传算法来分析获取用户的偏好方法以及关联规则挖掘、聚类挖掘等数据挖掘方法也被应用与web日志分析，以提高推荐的精度。在国内，虽然研究和应用方面起步比国外晚，但在推荐系统的理论和技术方面，也取得了较大的进展。针对评价数据的稀疏性，提出了一种优化的协同过滤推荐算法和一种基于项目评分预测的协同过滤推荐算法，采用一种新颖的相似性度量方法计算目标用户的最近邻居。针对算法的可扩充性，提出了基于项目聚类的协同过滤推荐算法，显著地提高推荐系统的推荐质量。为了减少各类推荐技术的不足，国内研究者还提出了结合多种过滤技术，以弥补不足，如基于内容和合作模式的信息推荐机制、基于语义相似性的资源协同过滤技术等。近些年来，国内外诸多学者、机构一直围绕个性化推荐课题开展关于用户信息获取和建模、推荐算法、推荐系统评价问题、推荐系统的应用和社会影响等方面进行了大量的研究和探索，他们的研究成果对于提高个性化推荐系统的推荐准确度，改善各种推荐算法的缺点，拓展个性化推荐系统的应用等做出了积极的贡献。随着推荐精度等研究领域的成熟，目前一些学者开始专注于海量数据条件下个性化推荐系统面临的推荐实时性问题，一些学者已经提出了基于聚类的个性化推荐系统，该算法通过将具有类似兴趣的用户进行聚类来减少算法的计算量，有些学者还提出了离线计算用户相似性等方式提高推荐系统的推荐速度。这些改进都对提高个性化推荐系统的推荐速度有明显的效果。当然，个性化推荐方面仍然还存在着一些挑战，如：数据稀疏性问题、冷启动问题、大数据处理与增量计算问题、多样性与精确性的两难问题、推荐系统的脆弱性问题、用户行为模式的挖掘和利用、推荐系统的效果评估、用户界面与用户体验、多维数据的交叉体验、社会推荐等，虽然国内外专家学者针对某些问题提出了一些改进方案，但仍然还存有一些不足，有待进一步探索和创新。本文主要基于协同过滤的个性化推荐系统，分析在汽车生命周期内的应用前景。5、参考文献（1）任晓丽，刘鲁.推荐系统研究进展及展望.北京：北京航空航天大学经济管理学院，2007.（2）王茜，钱力.大数据环境下电子商务个性化推荐服务发展动向探析.北京：中国科学院文献情报中心，20