電子商務推薦演算法

㈠ 個性化推薦演算法——協同過濾

電子商務推薦系統的一種主要演算法。
協同過濾推薦（Collaborative Filtering recommendation）是在信息過濾和信息系統中正迅速成為一項很受歡迎的技術。與傳統的基於內容過濾直接分析內容進行推薦不同，協同過濾分析用戶興趣，在用戶群中找到指定用戶的相似（興趣）用戶，綜合這些相似用戶對某一信息的評價，形成系統對該指定用戶對此信息的喜好程度預測。
與傳統文本過濾相比，協同過濾有下列優點:
（1）能夠過濾難以進行機器自動基於內容分析的信息。如藝術品、音樂;
（2）能夠基於一些復雜的，難以表達的概念（信息質量、品位)進行過濾;
（3）推薦的新穎性。
正因為如此，協同過濾在商業應用上也取得了不錯的成績。Amazon，CDNow，MovieFinder，都採用了協同過濾的技術來提高服務質量。
缺點是:
（1）用戶對商品的評價非常稀疏，這樣基於用戶的評價所得到的用戶間的相似性可能不準確（即稀疏性問題）;
（2）隨著用戶和商品的增多，系統的性能會越來越低;
（3）如果從來沒有用戶對某一商品加以評價，則這個商品就不可能被推薦（即最初評價問題）。
因此，現在的電子商務推薦系統都採用了幾種技術相結合的推薦技術。
案例: AMAZON 個性化推薦系統先驅 (基於協同過濾)
AMAZON是一個虛擬的網上書店,它沒有自己的店面,而是在網上進行在線銷售. 它提供了高質量的綜合節目資料庫和檢索系統,用戶可以在網上查詢有關圖書的信息.如果用戶需要購買的化,可以把選擇的書放在虛擬購書籃中,最後查看購書籃中的商品,選擇合適的服務方式並且提交訂單,這樣讀者所選購的書在幾天後就可以送到家.
AMAZON書店還提供先進的個性化推薦功能,能為不同興趣偏好的用戶自動推薦符合其興趣需要的書籍. AMAZON使用推薦軟體對讀者曾經購買過的書以及該讀者對其他書的評價進行分析後,將向讀者推薦他可能喜歡的新書,只要滑鼠點一下,就可以買到該書了;AMAZON能對顧客購買過的東西進行自動分析,然後因人而異的提出合適的建議. 讀者的信息將被再次保存.這樣顧客下次來時就能更容易的買到想要的書. 此外,完善的售後服務也是AMAZON的優勢,讀者可以在拿到書籍的30天內,將完好無損的書和音樂光碟退回AMAZON, AMAZON將原價退款. 當然AMAZON的成功還不止於此, 如果一位顧客在AMAZON購買一本書,下次他再次訪問時,映入眼簾的首先是這位顧客的名字和歡迎的字樣.

㈡ 電子商務SEO如何優化獨立電商網站

優化獨立電商網站需要注意以下幾個方面：

1、為每個產品創建獨特的說明
為每一個產品創建完全獨立的說明很重要，事先做好文字編輯工作，同時避免重復內容的存在，保持頁面獨立性。
2、引導訪客評論
鼓勵用戶在每個產品頁面上發布評論，淘寶與京東，建立了完美的用戶評價體系，當當做的也不錯，這有利於保持頁面的更新頻率，使得網路頻繁來訪，此外，通過讓用戶更深入地了解所銷售產品的口碑，對銷量提升有利。
3、建立簡單的網站導航
這對於獲得更高的搜索引擎排名和改善您網站的用戶體驗至關重要。盡可能的將產品頁面分成易於搜索和易於理解的類別，使您的站點地圖顯而易見，易於抓取。
4、通過減少圖像的大小來優化您的網站載入時間。
在您的產品頁面上提供高質量的圖像非常重要，但不要過度。在一個頁面上有太多高質量的圖像可能會減慢您的網站，這是不利於搜索引擎優化。相反，請減小圖像的大小，或者構建一個允許用戶「放大」以查看更大版本的功能。這將保持您的載入速度，同時仍然讓您的用戶可以看到質量圖片。
5、制定合理的內鏈結構
電商網站頁面之間的訪問，盡量保持在3次點擊之內，同時你需要注意，對相關產品頁面給予一定的合理推薦。
6、移動適配
這對於任何網站都是至關重要的，尤其是電子商務平台，通過響應式設計，特定的移動設計或互動式應用程序，為您的用戶提供流暢的移動體驗，從而實現更好訪問，這在未來幾年將變得越來越重要。
7、社交媒體分享按鈕
對電商網站而言，社交分享按鈕不建議給出過多的選項，根據自身電商網站的屬性選擇潛在用戶比較多的地方，甚至可以精簡到1-2項。
8、創建季節性產品
這部分產品從SEO的角度往往可以生成大量長尾關鍵詞，你需要注意如何把這部分流量二次轉化到核心關鍵詞的頁面，這為該頁面排名提供動力。
9、創建內部論壇與博客
電商網站需要流量來支撐，而優質的流量來源於內容，你需要為用戶搭建一個交流的平台，論壇與博客就成為首選，用戶可以在其中交換有關他們最喜愛的產品的信息，並相互提供建議，這將提高參與者的品牌忠誠度。
10、視覺營銷：圖片與視頻
電子商務平台作為視覺內容的完美媒介，對SEO來說越來越重要。為您提供的每個產品添加視頻和一些高質量的圖片，並添加ALT標簽，以便每個圖片都有機會出現在網路圖片搜索結果中。
11、HTTPS網站安全
電子商務網站對用戶安全進行HTTPS加密始終是最佳做法，如果你沒有配置，那麼積極改版吧，這也是網路推崇的趨勢。
12、定期核查鏈接結構
電商網站很容易生成大量無意義的頁面，並造成死鏈接，你需要做的就是利用軟體工具定期整理這部分鏈接，並提交給網路站長平台。
13、為產品添加描述
產品頁面的描述標簽，並不能對SEO起到太深的影響，但對於用戶訪問與點擊起著一定作用，你需要一個具有一定吸引力的產品描述。
14、優化站搜索功能
如果您希望用戶繼續在您的網站上購物，則需要構建和優化內部搜索功能，以便向用戶提供最相關的搜索結果。
這意味著構建一個演算法，可以處理拼寫錯誤，提供相關搜索，推薦轉化率高的搜索內容，並對每個頁面進行排序。
這也意味著要合理的優化您的產品標題和類別，更好的區分內部搜索與網路抓取。
15、創建優質外鏈給目錄層級較深的頁面
電商網站的頁面多數是百萬級別的，目錄層級較深，新站上線很難被抓取，一定要為這些頁面創建一定數量的優質外鏈，這樣有利於網路的抓取與索引。

㈢ 推薦系統的主要推薦方法

基於內容的推薦（Content-based Recommendation）是信息過濾技術的延續與發展，它是建立在項目的內容信息上作出推薦的，而不需要依據用戶對項目的評價意見，更多地需要用機 器學習的方法從關於內容的特徵描述的事例中得到用戶的興趣資料。在基於內容的推薦系統中，項目或對象是通過相關的特徵的屬性來定義，系統基於用戶評價對象 的特徵，學慣用戶的興趣，考察用戶資料與待預測項目的相匹配程度。用戶的資料模型取決於所用學習方法，常用的有決策樹、神經網路和基於向量的表示方法等。 基於內容的用戶資料是需要有用戶的歷史數據，用戶資料模型可能隨著用戶的偏好改變而發生變化。
基於內容推薦方法的優點是：1）不需要其它用戶的數據，沒有冷開始問題和稀疏問題。2）能為具有特殊興趣愛好的用戶進行推薦。3）能推薦新的或不是很流行的項目，沒有新項目問題。4）通過列出推薦項目的內容特徵，可以解釋為什麼推薦那些項目。5）已有比較好的技術，如關於分類學習方面的技術已相當成熟。
缺點是要求內容能容易抽取成有意義的特徵，要求特徵內容有良好的結構性，並且用戶的口味必須能夠用內容特徵形式來表達，不能顯式地得到其它用戶的判斷情況。 協同過濾推薦 （Collaborative Filtering Recommendation）技術是推薦系統中應用最早和最為成功的技術之一。它一般採用最近鄰技術，利用用戶的歷史喜好信息計算用戶之間的距離，然後 利用目標用戶的最近鄰居用戶對商品評價的加權評價值來預測目標用戶對特定商品的喜好程度，系統從而根據這一喜好程度來對目標用戶進行推薦。協同過濾最大優 點是對推薦對象沒有特殊的要求，能處理非結構化的復雜對象，如音樂、電影。
協同過濾是基於這樣的假設：為一用戶找到他真正感興趣的內容的好方法是首先找到與此用戶有相似興趣的其他用戶，然後將他們感興趣的內容推薦給此用 戶。其基本思想非常易於理解，在日常生活中，我們往往會利用好朋友的推薦來進行一些選擇。協同過濾正是把這一思想運用到電子商務推薦系統中來，基於其他用 戶對某一內容的評價來向目標用戶進行推薦。
基於協同過濾的推薦系統可以說是從用戶的角度來進行相應推薦的，而且是自動的即用戶獲得的推薦是系統從購買模式或瀏覽行為等隱式獲得的，不需要用戶努力地找到適合自己興趣的推薦信息，如填寫一些調查表格等。
和基於內容的過濾方法相比，協同過濾具有如下的優點：1） 能夠過濾難以進行機器自動內容分析的信息，如藝術品，音樂等。2） 共享其他人的經驗，避免了內容分析的不完全和不精確，並且能夠基於一些復雜的，難以表述的概念（如信息質量、個人品味）進行過濾。3） 有推薦新信息的能力。可以發現內容上完全不相似的信息，用戶對推薦信息的內容事先是預料不到的。這也是協同過濾和基於內容的過濾一個較大的差別，基於內容的過濾推薦很多都是用戶本來就熟悉的內容，而協同過濾可以發現用戶潛在的但自己尚未發現的興趣偏好。4） 能夠有效的使用其他相似用戶的反饋信息，較少用戶的反饋量，加快個性化學習的速度。
雖然協同過濾作為一種典型的推薦技術有其相當的應用，但協同過濾仍有許多的問題需要解決。最典型的問題有稀疏問題（Sparsity）和可擴展問題（Scalability）。 基於關聯規則的推薦 （Association Rule-based Recommendation）是以關聯規則為基礎，把已購商品作為規則頭，規則體為推薦對象。關聯規則挖掘可以發現不同商品在銷售過程中的相關性，在零 售業中已經得到了成功的應用。管理規則就是在一個交易資料庫中統計購買了商品集X的交易中有多大比例的交易同時購買了商品集Y，其直觀的意義就是用戶在購 買某些商品的時候有多大傾向去購買另外一些商品。比如購買牛奶的同時很多人會同時購買麵包。
演算法的第一步關聯規則的發現最為關鍵且最耗時，是演算法的瓶頸，但可以離線進行。其次，商品名稱的同義性問題也是關聯規則的一個難點。 由於各種推薦方法都有優缺點，所以在實際中，組合推薦（Hybrid Recommendation）經常被採用。研究和應用最多的是內容推薦和協同過濾推薦的組合。最簡單的做法就是分別用基於內容的方法和協同過濾推薦方法 去產生一個推薦預測結果，然後用某方法組合其結果。盡管從理論上有很多種推薦組合方法，但在某一具體問題中並不見得都有效，組合推薦一個最重要原則就是通 過組合後要能避免或彌補各自推薦技術的弱點。
在組合方式上，有研究人員提出了七種組合思路：1）加權（Weight）：加權多種推薦技術結果。2）變換（Switch）：根據問題背景和實際情況或要求決定變換採用不同的推薦技術。3）混合（Mixed）：同時採用多種推薦技術給出多種推薦結果為用戶提供參考。4）特徵組合（Feature combination）：組合來自不同推薦數據源的特徵被另一種推薦演算法所採用。5）層疊（Cascade）：先用一種推薦技術產生一種粗糙的推薦結果，第二種推薦技術在此推薦結果的基礎上進一步作出更精確的推薦。6）特徵擴充（Feature augmentation）：一種技術產生附加的特徵信息嵌入到另一種推薦技術的特徵輸入中。7）元級別（Meta-level）：用一種推薦方法產生的模型作為另一種推薦方法的輸入。

㈣ 國內電子商務網站所運用的推薦技術有什麼什麼基於內容的、知識的、協調過濾，具體點，最好有截圖，謝謝

凡客的推薦系統做的比較好，因為主要經營服裝產品，所以主要採用協同過濾推薦演算法，例如「瀏覽該產品的用戶都購買了什麼」「購買過該商品的用戶還購買了什麼」；
京東商城有猜你喜歡，應該是基於瀏覽記錄和消費記錄的商品內容採用基於內容過濾的推薦演算法實現的，但是協同過濾還是主要的；
亞馬遜、當當這類主要經營書籍的購物平台在個性化推薦中，根據用戶的搜索內容、瀏覽記錄、消費記錄採用基於內容過濾的推薦演算法，還有就是基於關聯規則的推薦，推薦相關書籍給用戶；
視頻網站土豆網的個性化推薦做得比優酷人性化。不用登陸即可記錄用戶的瀏覽記錄，根據歷史瀏覽內容向用戶推薦相關視頻，一般同導演相關或者同演員相關。優酷和土豆的共同點是還是把協同過濾當做重點，「瀏覽過該影片的用戶還喜歡看」。
在推薦系統當中，個性化推薦和共性推薦都很重要。每個電商網站一定有共性推薦的部分，例如最近商品、熱門商品，還有一些基於共性消費模式的關聯推薦。
希望都你有所幫助。

㈤ 哪所大學的電子商務專業比較好呢

我是來自北京某211高校電子商務的學生。

評價某個學校某個專業的好壞，需要判斷其師資力量，學科評級，還有學生的就業率，發展方向等等。首先我們現在看電子商務專業學習的內容。

由於電子商務是近幾年來的一個新興學科，沒有很多高校能把它做的相當成熟，這個專業主要學習的是1.編程2.物流管理3.多媒體軟體4.商務英語5.企業管理6.信息管理等，所以我們可以判斷，有這些內容的資源比較好的學校，電子商務可以算是比較好的。

我在北京，對於其他地區不甚了解，這里可以先說一下北京地區。

1. 北京郵電大學

   

   對外經貿是商貿類學校的翹楚，比起北交大和北郵，對外經貿的電子商務更側向於商務層面，而不是互聯網或計算機技術，當然一些必要的專業基本功你也可以學的很扎實。

   當然，擇校是一方面，最重要的還是修行在個人。擇校應該綜合地理位置、師資力量、學科排名來綜合考量，能學成什麼級別的大佬還是要看自己的努力程度，加油！希望我的回答對你有幫助。

   ㈥ 什麼是電子商務推薦系統

   隨著互聯網的普及抄和電子商務的發展，電子商務系統在為用戶提供越來越多選擇的同時，其結構也變得更加復雜，用戶經常會迷失在大量的商品信息空間中，無法順利找到自己需要的商品。電子商務推薦系統直接與用戶交互，模擬商店銷售人員向用戶提供商品推薦，幫助用戶找到所需商品，從而順利完成購買過程。在日趨激烈的競爭環境下，電子商務推薦系統能有效保留用戶、防止用戶流失，提高電子商務系統的銷售。
   推薦系統在電子商務系統中具有良好的發展和應用前景，逐漸成為電子商務IT技術的一個重要研究內容，得到越了來越多研究者的關注。
   電子商務推薦系統在理論和實踐中都得到了很大發展。但是隨著電子商務系統規模的進一步擴大，電子商務推薦系統也面臨一系列挑戰。針對電子商務推薦系統面臨的主要挑戰，本文對電子商務推薦系統中推薦演算法設計以及推薦系統體系結構等關鍵技術進行了有益的探索和研究。本文的研究內容主要包括電子商務推薦系統推薦質量研究，電子商務推薦系統實時性研究，基於Web挖掘的推薦系統研究以及電子商務推薦系統體系結構研究

   ㈦ 個性化推薦系統的基本框架

   個性化推薦系統的基本框架如下：
   參考國內最具代表性的百分點推薦系統框架來講，個性化推薦系統的推薦引擎在個性化演算法的框架基礎之上，還引入場景引擎、規則引擎和展示引擎，形成全新的百分點推薦引擎的技術框架，系統通過綜合並利用用戶的興趣偏好、屬性，商品的屬性、內容、分類，以及用戶之間的社交關系等等，挖掘用戶的喜好和需求，主動向用戶推薦其感興趣或者需要的商品。
   基於雲計算的個性化推薦平台。消除數據孤島，建立基於用戶全網興趣偏好軌跡的精準雲計算分析模型，打通用戶在多個網站的興趣偏好，形成成用戶行為偏好大數據中心。
   多種智能演算法庫。基於多維度的數據挖掘、統計分析，進行演算法模型的建立和調優。綜合利用基於內容、基於用戶行為和基於社交關系網路的多種演算法，為用戶推薦其喜歡的商品、服務或內容。
   電子商務推薦系統的主要演算法有：
   （1） 基於關聯規則的推薦演算法（Association Rule-based Recommendation）
   （2） 基於內容的推薦演算法 (Content-based Recommendation)
   內容過濾主要採用自然語言處理、人工智慧、概率統計和機器學習等技術進行過濾。
   通過相關特徵的屬性來定義項目或對象,系統基於用戶評價對象的特徵學慣用戶的興趣,依據用戶資料與待預測項目的匹配程度進行推薦，努力向客戶推薦與其以前喜歡的產品相似的產品。如新聞組過濾系統News Weeder。
   基於內容過濾的系統其優點是簡單、有效。尤其對於推薦系統常見的冷啟動（Cold Start）問題，Content-based方法能夠比較好的進行解決。因為該演算法不依賴於大量用戶的點擊日誌，只需要使用待推薦對象（item）本身的屬性、類目、關鍵詞等特徵，因此該方法在待推薦對象數量龐大、變化迅速、積累點擊數稀少等應用場景下有較好的效果。但該方法的缺點是對推薦物的描述能力有限，過分細化，推薦結果往往局限與原對象相似的類別中，無法為客戶發現新的感興趣的資源,只能發現和客戶已有興趣相似的資源。這種方法通常被限制在容易分析內容的商品的推薦，而對於一些較難提取出內容的商品，如音樂CD、電影等就不能產生滿意的推薦效果。
   （3） 協同過濾推薦演算法 （Collaborative Filtering Recommendation）
   協同過濾是在信息過濾和信息系統中正迅速成為一項很受歡迎的技術。與傳統的基於內容過濾直接分析內容進行推薦不同，協同過濾分析用戶興趣，在用戶群中找到指定用戶的相似（興趣）用戶，綜合這些相似用戶對某一信息的評價，形成系統對該指定用戶對此信息的喜好程度預測。
   與傳統文本過濾相比，協同過濾有下列優點:
   1）能夠過濾難以進行機器自動基於內容分析的信息。如藝術品、音樂;
   2）能夠基於一些復雜的，難以表達的概念（信息質量、品位)進行過濾;
   3）推薦的新穎性。 正因為如此，協同過濾在商業應用上也取得了不錯的成績。Amazon，CDNow，MovieFinder，都採用了協同過濾的技術來提高服務質量。
   協同過濾推薦演算法，可進一步細分為基於用戶的協同過濾（user-based collaborative filtering）和基於物品的協同過濾（item-based collaborative filtering）。
   基於用戶的協同過濾的基本思想是：根據所有用戶對物品或者信息的偏好，發現與當前用戶口味和偏好相似的「鄰居」用戶群，在一般的應用中是採用計算「K- 鄰居」的演算法；然後，基於這 K 個鄰居的歷史偏好信息，為當前用戶進行物品的推薦。
   基於物品的協同過濾的基本原理也類似，該方法根據用戶和物品直接歷史點擊或購買記錄，來計算物品和物品之間的相似度，然後根據用戶的歷史偏好的物品信息，將挖掘到的類似的物品推薦給用戶
   基於用戶的協同過濾和基於物品的協同過濾各自有其適用場景。總的來看，協同過濾方法的缺點是:
   1）稀疏性問題：如果用戶對商品的評價非常稀疏，這樣基於用戶的評價所得到的用戶間的相似性可能不準確;
   2）可擴展性問題：隨著用戶和商品的增多，系統的性能會越來越低;
   3）冷啟動問題：如果從來沒有用戶對某一商品加以評價，則這個商品就不可能被推薦。
   4）長尾問題：對微小市場的推薦。
   因此，現在的電子商務推薦系統都採用了幾種技術相結合的推薦技術。

   

   ㈧ 基於電子商務平台的推薦系統設計與實現

   1、安全性 2、穩定性 3、是否兼容伺服器 4、資料庫設計要能承受 5、知道網站是B2B、B2C或者是B2G 6、方便性 7、處理速度快 8、客戶服務 9、意見反饋 我個人意見是那麼多。

   ㈨ 北京推薦電子商務有限公司怎麼樣

   簡介：北京推薦電子商務有限公司旗下推薦網是一個基於互聯網信用生態體系的新型電子商務網站。推薦網的核心是信用，這個信用包括品牌信用、推薦信用以及推薦網平台對於信用的保證，這個信用是值錢的，當然，在推薦網失去信用的懲罰也是嚴厲而決絕的。推薦網試圖通過各領域內行人的親身體驗，以及廣大用戶的親身驗證，同時藉助強大的核心演算法和負責任的運營手段，向消費者提供精準的購物建議，同時也給廣大的優質草根品牌提供了一個公平的快速成長機會。
   法定代表人：杜子建
   成立時間：2014-08-18
   注冊資本：120萬人民幣
   工商注冊號：110108017735653
   企業類型：有限責任公司(自然人投資或控股)
   公司地址：北京市海淀區中關村南大街乙12號院1號樓21層2508