电子商务推荐算法

㈠ 个性化推荐算法——协同过滤

电子商务推荐系统的一种主要算法。
协同过滤推荐（Collaborative Filtering recommendation）是在信息过滤和信息系统中正迅速成为一项很受欢迎的技术。与传统的基于内容过滤直接分析内容进行推荐不同，协同过滤分析用户兴趣，在用户群中找到指定用户的相似（兴趣）用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测。
与传统文本过滤相比，协同过滤有下列优点:
（1）能够过滤难以进行机器自动基于内容分析的信息。如艺术品、音乐;
（2）能够基于一些复杂的，难以表达的概念（信息质量、品位)进行过滤;
（3）推荐的新颖性。
正因为如此，协同过滤在商业应用上也取得了不错的成绩。Amazon，CDNow，MovieFinder，都采用了协同过滤的技术来提高服务质量。
缺点是:
（1）用户对商品的评价非常稀疏，这样基于用户的评价所得到的用户间的相似性可能不准确（即稀疏性问题）;
（2）随着用户和商品的增多，系统的性能会越来越低;
（3）如果从来没有用户对某一商品加以评价，则这个商品就不可能被推荐（即最初评价问题）。
因此，现在的电子商务推荐系统都采用了几种技术相结合的推荐技术。
案例: AMAZON 个性化推荐系统先驱 (基于协同过滤)
AMAZON是一个虚拟的网上书店,它没有自己的店面,而是在网上进行在线销售. 它提供了高质量的综合节目数据库和检索系统,用户可以在网上查询有关图书的信息.如果用户需要购买的化,可以把选择的书放在虚拟购书篮中,最后查看购书篮中的商品,选择合适的服务方式并且提交订单,这样读者所选购的书在几天后就可以送到家.
AMAZON书店还提供先进的个性化推荐功能,能为不同兴趣偏好的用户自动推荐符合其兴趣需要的书籍. AMAZON使用推荐软件对读者曾经购买过的书以及该读者对其他书的评价进行分析后,将向读者推荐他可能喜欢的新书,只要鼠标点一下,就可以买到该书了;AMAZON能对顾客购买过的东西进行自动分析,然后因人而异的提出合适的建议. 读者的信息将被再次保存.这样顾客下次来时就能更容易的买到想要的书. 此外,完善的售后服务也是AMAZON的优势,读者可以在拿到书籍的30天内,将完好无损的书和音乐光盘退回AMAZON, AMAZON将原价退款. 当然AMAZON的成功还不止于此, 如果一位顾客在AMAZON购买一本书,下次他再次访问时,映入眼帘的首先是这位顾客的名字和欢迎的字样.

㈡ 电子商务SEO如何优化独立电商网站

优化独立电商网站需要注意以下几个方面：

1、为每个产品创建独特的说明
为每一个产品创建完全独立的说明很重要，事先做好文字编辑工作，同时避免重复内容的存在，保持页面独立性。
2、引导访客评论
鼓励用户在每个产品页面上发布评论，淘宝与京东，建立了完美的用户评价体系，当当做的也不错，这有利于保持页面的更新频率，使得网络频繁来访，此外，通过让用户更深入地了解所销售产品的口碑，对销量提升有利。
3、建立简单的网站导航
这对于获得更高的搜索引擎排名和改善您网站的用户体验至关重要。尽可能的将产品页面分成易于搜索和易于理解的类别，使您的站点地图显而易见，易于抓取。
4、通过减少图像的大小来优化您的网站加载时间。
在您的产品页面上提供高质量的图像非常重要，但不要过度。在一个页面上有太多高质量的图像可能会减慢您的网站，这是不利于搜索引擎优化。相反，请减小图像的大小，或者构建一个允许用户“放大”以查看更大版本的功能。这将保持您的加载速度，同时仍然让您的用户可以看到质量图片。
5、制定合理的内链结构
电商网站页面之间的访问，尽量保持在3次点击之内，同时你需要注意，对相关产品页面给予一定的合理推荐。
6、移动适配
这对于任何网站都是至关重要的，尤其是电子商务平台，通过响应式设计，特定的移动设计或交互式应用程序，为您的用户提供流畅的移动体验，从而实现更好访问，这在未来几年将变得越来越重要。
7、社交媒体分享按钮
对电商网站而言，社交分享按钮不建议给出过多的选项，根据自身电商网站的属性选择潜在用户比较多的地方，甚至可以精简到1-2项。
8、创建季节性产品
这部分产品从SEO的角度往往可以生成大量长尾关键词，你需要注意如何把这部分流量二次转化到核心关键词的页面，这为该页面排名提供动力。
9、创建内部论坛与博客
电商网站需要流量来支撑，而优质的流量来源于内容，你需要为用户搭建一个交流的平台，论坛与博客就成为首选，用户可以在其中交换有关他们最喜爱的产品的信息，并相互提供建议，这将提高参与者的品牌忠诚度。
10、视觉营销：图片与视频
电子商务平台作为视觉内容的完美媒介，对SEO来说越来越重要。为您提供的每个产品添加视频和一些高质量的图片，并添加ALT标签，以便每个图片都有机会出现在网络图片搜索结果中。
11、HTTPS网站安全
电子商务网站对用户安全进行HTTPS加密始终是最佳做法，如果你没有配置，那么积极改版吧，这也是网络推崇的趋势。
12、定期核查链接结构
电商网站很容易生成大量无意义的页面，并造成死链接，你需要做的就是利用软件工具定期整理这部分链接，并提交给网络站长平台。
13、为产品添加描述
产品页面的描述标签，并不能对SEO起到太深的影响，但对于用户访问与点击起着一定作用，你需要一个具有一定吸引力的产品描述。
14、优化站搜索功能
如果您希望用户继续在您的网站上购物，则需要构建和优化内部搜索功能，以便向用户提供最相关的搜索结果。
这意味着构建一个算法，可以处理拼写错误，提供相关搜索，推荐转化率高的搜索内容，并对每个页面进行排序。
这也意味着要合理的优化您的产品标题和类别，更好的区分内部搜索与网络抓取。
15、创建优质外链给目录层级较深的页面
电商网站的页面多数是百万级别的，目录层级较深，新站上线很难被抓取，一定要为这些页面创建一定数量的优质外链，这样有利于网络的抓取与索引。

㈢ 推荐系统的主要推荐方法

基于内容的推荐（Content-based Recommendation）是信息过滤技术的延续与发展，它是建立在项目的内容信息上作出推荐的，而不需要依据用户对项目的评价意见，更多地需要用机 器学习的方法从关于内容的特征描述的事例中得到用户的兴趣资料。在基于内容的推荐系统中，项目或对象是通过相关的特征的属性来定义，系统基于用户评价对象 的特征，学习用户的兴趣，考察用户资料与待预测项目的相匹配程度。用户的资料模型取决于所用学习方法，常用的有决策树、神经网络和基于向量的表示方法等。 基于内容的用户资料是需要有用户的历史数据，用户资料模型可能随着用户的偏好改变而发生变化。
基于内容推荐方法的优点是：1）不需要其它用户的数据，没有冷开始问题和稀疏问题。2）能为具有特殊兴趣爱好的用户进行推荐。3）能推荐新的或不是很流行的项目，没有新项目问题。4）通过列出推荐项目的内容特征，可以解释为什么推荐那些项目。5）已有比较好的技术，如关于分类学习方面的技术已相当成熟。
缺点是要求内容能容易抽取成有意义的特征，要求特征内容有良好的结构性，并且用户的口味必须能够用内容特征形式来表达，不能显式地得到其它用户的判断情况。 协同过滤推荐 （Collaborative Filtering Recommendation）技术是推荐系统中应用最早和最为成功的技术之一。它一般采用最近邻技术，利用用户的历史喜好信息计算用户之间的距离，然后 利用目标用户的最近邻居用户对商品评价的加权评价值来预测目标用户对特定商品的喜好程度，系统从而根据这一喜好程度来对目标用户进行推荐。协同过滤最大优 点是对推荐对象没有特殊的要求，能处理非结构化的复杂对象，如音乐、电影。
协同过滤是基于这样的假设：为一用户找到他真正感兴趣的内容的好方法是首先找到与此用户有相似兴趣的其他用户，然后将他们感兴趣的内容推荐给此用 户。其基本思想非常易于理解，在日常生活中，我们往往会利用好朋友的推荐来进行一些选择。协同过滤正是把这一思想运用到电子商务推荐系统中来，基于其他用 户对某一内容的评价来向目标用户进行推荐。
基于协同过滤的推荐系统可以说是从用户的角度来进行相应推荐的，而且是自动的即用户获得的推荐是系统从购买模式或浏览行为等隐式获得的，不需要用户努力地找到适合自己兴趣的推荐信息，如填写一些调查表格等。
和基于内容的过滤方法相比，协同过滤具有如下的优点：1） 能够过滤难以进行机器自动内容分析的信息，如艺术品，音乐等。2） 共享其他人的经验，避免了内容分析的不完全和不精确，并且能够基于一些复杂的，难以表述的概念（如信息质量、个人品味）进行过滤。3） 有推荐新信息的能力。可以发现内容上完全不相似的信息，用户对推荐信息的内容事先是预料不到的。这也是协同过滤和基于内容的过滤一个较大的差别，基于内容的过滤推荐很多都是用户本来就熟悉的内容，而协同过滤可以发现用户潜在的但自己尚未发现的兴趣偏好。4） 能够有效的使用其他相似用户的反馈信息，较少用户的反馈量，加快个性化学习的速度。
虽然协同过滤作为一种典型的推荐技术有其相当的应用，但协同过滤仍有许多的问题需要解决。最典型的问题有稀疏问题（Sparsity）和可扩展问题（Scalability）。 基于关联规则的推荐 （Association Rule-based Recommendation）是以关联规则为基础，把已购商品作为规则头，规则体为推荐对象。关联规则挖掘可以发现不同商品在销售过程中的相关性，在零 售业中已经得到了成功的应用。管理规则就是在一个交易数据库中统计购买了商品集X的交易中有多大比例的交易同时购买了商品集Y，其直观的意义就是用户在购 买某些商品的时候有多大倾向去购买另外一些商品。比如购买牛奶的同时很多人会同时购买面包。
算法的第一步关联规则的发现最为关键且最耗时，是算法的瓶颈，但可以离线进行。其次，商品名称的同义性问题也是关联规则的一个难点。 由于各种推荐方法都有优缺点，所以在实际中，组合推荐（Hybrid Recommendation）经常被采用。研究和应用最多的是内容推荐和协同过滤推荐的组合。最简单的做法就是分别用基于内容的方法和协同过滤推荐方法 去产生一个推荐预测结果，然后用某方法组合其结果。尽管从理论上有很多种推荐组合方法，但在某一具体问题中并不见得都有效，组合推荐一个最重要原则就是通 过组合后要能避免或弥补各自推荐技术的弱点。
在组合方式上，有研究人员提出了七种组合思路：1）加权（Weight）：加权多种推荐技术结果。2）变换（Switch）：根据问题背景和实际情况或要求决定变换采用不同的推荐技术。3）混合（Mixed）：同时采用多种推荐技术给出多种推荐结果为用户提供参考。4）特征组合（Feature combination）：组合来自不同推荐数据源的特征被另一种推荐算法所采用。5）层叠（Cascade）：先用一种推荐技术产生一种粗糙的推荐结果，第二种推荐技术在此推荐结果的基础上进一步作出更精确的推荐。6）特征扩充（Feature augmentation）：一种技术产生附加的特征信息嵌入到另一种推荐技术的特征输入中。7）元级别（Meta-level）：用一种推荐方法产生的模型作为另一种推荐方法的输入。

㈣ 国内电子商务网站所运用的推荐技术有什么什么基于内容的、知识的、协调过滤，具体点，最好有截图，谢谢

凡客的推荐系统做的比较好，因为主要经营服装产品，所以主要采用协同过滤推荐算法，例如“浏览该产品的用户都购买了什么”“购买过该商品的用户还购买了什么”；
京东商城有猜你喜欢，应该是基于浏览记录和消费记录的商品内容采用基于内容过滤的推荐算法实现的，但是协同过滤还是主要的；
亚马逊、当当这类主要经营书籍的购物平台在个性化推荐中，根据用户的搜索内容、浏览记录、消费记录采用基于内容过滤的推荐算法，还有就是基于关联规则的推荐，推荐相关书籍给用户；
视频网站土豆网的个性化推荐做得比优酷人性化。不用登陆即可记录用户的浏览记录，根据历史浏览内容向用户推荐相关视频，一般同导演相关或者同演员相关。优酷和土豆的共同点是还是把协同过滤当做重点，“浏览过该影片的用户还喜欢看”。
在推荐系统当中，个性化推荐和共性推荐都很重要。每个电商网站一定有共性推荐的部分，例如最近商品、热门商品，还有一些基于共性消费模式的关联推荐。
希望都你有所帮助。

㈤ 哪所大学的电子商务专业比较好呢

我是来自北京某211高校电子商务的学生。

评价某个学校某个专业的好坏，需要判断其师资力量，学科评级，还有学生的就业率，发展方向等等。首先我们现在看电子商务专业学习的内容。

由于电子商务是近几年来的一个新兴学科，没有很多高校能把它做的相当成熟，这个专业主要学习的是1.编程2.物流管理3.多媒体软件4.商务英语5.企业管理6.信息管理等，所以我们可以判断，有这些内容的资源比较好的学校，电子商务可以算是比较好的。

我在北京，对于其他地区不甚了解，这里可以先说一下北京地区。

1. 北京邮电大学

   

   对外经贸是商贸类学校的翘楚，比起北交大和北邮，对外经贸的电子商务更侧向于商务层面，而不是互联网或计算机技术，当然一些必要的专业基本功你也可以学的很扎实。

   当然，择校是一方面，最重要的还是修行在个人。择校应该综合地理位置、师资力量、学科排名来综合考量，能学成什么级别的大佬还是要看自己的努力程度，加油！希望我的回答对你有帮助。

   ㈥ 什么是电子商务推荐系统

   随着互联网的普及抄和电子商务的发展，电子商务系统在为用户提供越来越多选择的同时，其结构也变得更加复杂，用户经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品。电子商务推荐系统直接与用户交互，模拟商店销售人员向用户提供商品推荐，帮助用户找到所需商品，从而顺利完成购买过程。在日趋激烈的竞争环境下，电子商务推荐系统能有效保留用户、防止用户流失，提高电子商务系统的销售。
   推荐系统在电子商务系统中具有良好的发展和应用前景，逐渐成为电子商务IT技术的一个重要研究内容，得到越了来越多研究者的关注。
   电子商务推荐系统在理论和实践中都得到了很大发展。但是随着电子商务系统规模的进一步扩大，电子商务推荐系统也面临一系列挑战。针对电子商务推荐系统面临的主要挑战，本文对电子商务推荐系统中推荐算法设计以及推荐系统体系结构等关键技术进行了有益的探索和研究。本文的研究内容主要包括电子商务推荐系统推荐质量研究，电子商务推荐系统实时性研究，基于Web挖掘的推荐系统研究以及电子商务推荐系统体系结构研究

   ㈦ 个性化推荐系统的基本框架

   个性化推荐系统的基本框架如下：
   参考国内最具代表性的百分点推荐系统框架来讲，个性化推荐系统的推荐引擎在个性化算法的框架基础之上，还引入场景引擎、规则引擎和展示引擎，形成全新的百分点推荐引擎的技术框架，系统通过综合并利用用户的兴趣偏好、属性，商品的属性、内容、分类，以及用户之间的社交关系等等，挖掘用户的喜好和需求，主动向用户推荐其感兴趣或者需要的商品。
   基于云计算的个性化推荐平台。消除数据孤岛，建立基于用户全网兴趣偏好轨迹的精准云计算分析模型，打通用户在多个网站的兴趣偏好，形成成用户行为偏好大数据中心。
   多种智能算法库。基于多维度的数据挖掘、统计分析，进行算法模型的建立和调优。综合利用基于内容、基于用户行为和基于社交关系网络的多种算法，为用户推荐其喜欢的商品、服务或内容。
   电子商务推荐系统的主要算法有：
   （1） 基于关联规则的推荐算法（Association Rule-based Recommendation）
   （2） 基于内容的推荐算法 (Content-based Recommendation)
   内容过滤主要采用自然语言处理、人工智能、概率统计和机器学习等技术进行过滤。
   通过相关特征的属性来定义项目或对象,系统基于用户评价对象的特征学习用户的兴趣,依据用户资料与待预测项目的匹配程度进行推荐，努力向客户推荐与其以前喜欢的产品相似的产品。如新闻组过滤系统News Weeder。
   基于内容过滤的系统其优点是简单、有效。尤其对于推荐系统常见的冷启动（Cold Start）问题，Content-based方法能够比较好的进行解决。因为该算法不依赖于大量用户的点击日志，只需要使用待推荐对象（item）本身的属性、类目、关键词等特征，因此该方法在待推荐对象数量庞大、变化迅速、积累点击数稀少等应用场景下有较好的效果。但该方法的缺点是对推荐物的描述能力有限，过分细化，推荐结果往往局限与原对象相似的类别中，无法为客户发现新的感兴趣的资源,只能发现和客户已有兴趣相似的资源。这种方法通常被限制在容易分析内容的商品的推荐，而对于一些较难提取出内容的商品，如音乐CD、电影等就不能产生满意的推荐效果。
   （3） 协同过滤推荐算法 （Collaborative Filtering Recommendation）
   协同过滤是在信息过滤和信息系统中正迅速成为一项很受欢迎的技术。与传统的基于内容过滤直接分析内容进行推荐不同，协同过滤分析用户兴趣，在用户群中找到指定用户的相似（兴趣）用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测。
   与传统文本过滤相比，协同过滤有下列优点:
   1）能够过滤难以进行机器自动基于内容分析的信息。如艺术品、音乐;
   2）能够基于一些复杂的，难以表达的概念（信息质量、品位)进行过滤;
   3）推荐的新颖性。 正因为如此，协同过滤在商业应用上也取得了不错的成绩。Amazon，CDNow，MovieFinder，都采用了协同过滤的技术来提高服务质量。
   协同过滤推荐算法，可进一步细分为基于用户的协同过滤（user-based collaborative filtering）和基于物品的协同过滤（item-based collaborative filtering）。
   基于用户的协同过滤的基本思想是：根据所有用户对物品或者信息的偏好，发现与当前用户口味和偏好相似的“邻居”用户群，在一般的应用中是采用计算“K- 邻居”的算法；然后，基于这 K 个邻居的历史偏好信息，为当前用户进行物品的推荐。
   基于物品的协同过滤的基本原理也类似，该方法根据用户和物品直接历史点击或购买记录，来计算物品和物品之间的相似度，然后根据用户的历史偏好的物品信息，将挖掘到的类似的物品推荐给用户
   基于用户的协同过滤和基于物品的协同过滤各自有其适用场景。总的来看，协同过滤方法的缺点是:
   1）稀疏性问题：如果用户对商品的评价非常稀疏，这样基于用户的评价所得到的用户间的相似性可能不准确;
   2）可扩展性问题：随着用户和商品的增多，系统的性能会越来越低;
   3）冷启动问题：如果从来没有用户对某一商品加以评价，则这个商品就不可能被推荐。
   4）长尾问题：对微小市场的推荐。
   因此，现在的电子商务推荐系统都采用了几种技术相结合的推荐技术。

   

   ㈧ 基于电子商务平台的推荐系统设计与实现

   1、安全性 2、稳定性 3、是否兼容服务器 4、数据库设计要能承受 5、知道网站是B2B、B2C或者是B2G 6、方便性 7、处理速度快 8、客户服务 9、意见反馈 我个人意见是那么多。

   ㈨ 北京推荐电子商务有限公司怎么样

   简介：北京推荐电子商务有限公司旗下推荐网是一个基于互联网信用生态体系的新型电子商务网站。推荐网的核心是信用，这个信用包括品牌信用、推荐信用以及推荐网平台对于信用的保证，这个信用是值钱的，当然，在推荐网失去信用的惩罚也是严厉而决绝的。推荐网试图通过各领域内行人的亲身体验，以及广大用户的亲身验证，同时借助强大的核心算法和负责任的运营手段，向消费者提供精准的购物建议，同时也给广大的优质草根品牌提供了一个公平的快速成长机会。
   法定代表人：杜子建
   成立时间：2014-08-18
   注册资本：120万人民币
   工商注册号：110108017735653
   企业类型：有限责任公司(自然人投资或控股)
   公司地址：北京市海淀区中关村南大街乙12号院1号楼21层2508