3.2　基于项目的协同过滤推荐算法（Item-Based CF）    15
3.3　基于用户的协同过滤推荐算法（User-Based CF）    16
3.4　协同过滤推荐算法面临的挑战    18
3.4.1　数据稀疏性    18
3.4.2　可扩展性    19
3.4.3　同义性    20
3.4.4　其他挑战    20
4　推荐算法对比实验    21
4.1　数据来源    21
4.2　实验方案设计    21
4.3　实验结果及分析    22
5　基于Apache Mahout的电影推荐引擎    27
5.1　开发环境    27
5.2　数据来源    27
5.3　数据建模    27
5.4　实现推荐引擎    29
5.5　推荐引擎 API 设计与实现    32
结  论    33
致  谢    34
参考文献35
1  绪论
1.1  课题研究背景及意义
互联网的快速发展，让“大世界”变成“小网络”。人们即使不出门，也能看到最新的新闻，买到刚上柜的商品。于是，电子商务在商品贸易这一领域实现蓬勃发展，并且随着电商的发展及其规模的扩大，商品种类和数量不断增长，消费者不得不花费更多的时间来挑选自己喜欢的商品。由于国内多家大型电商平台如淘宝、京东等近几年逐渐让网民形成了“shopping online”的消费习惯，电商环境已相当成熟，电子商务已进入高速发展的阶段。在这个信息过剩的电商时代，个性化推荐系统（Adomavicius et al, 2005, Resnick et al, 1997）对于互联网公司运营的重要性自不待言。在电商领域，哪家电子商务平台的个性化推荐做的好，哪家就更有竞争力。京东基于大数据和个性化推荐的算法，实现了“千人千面”的效果，在PC端和移动端已经为京东贡献了10%的订单。甚至有数据显示早期Amazon的推荐系统为其增加了35%的销售额[1]。
基于机器学习和海量数据挖掘，商品个性化推荐系统越来越智能化，在分析用户行为和用户心理的同时，能给消费者一个满意的结果。在满足消费者需求的同时，也兼顾生产者的利益，将信息以最高的效率传递给对其信息感兴趣的用户。个性化推荐系统具有主动性：在用户产生浏览、标记书签、购买等行为时，将用户历史行为信息收进库中，并且依据这些信息，给用户呈现一份推荐列表。而且，这个列表是能够即时更新的，即推荐列表会随系统商品集或用户特征集的变化而变化。这使电子商务活动更加简便且更有效，同时也使企业的服务质量与水平显著提高。
推荐系统之前一直处于实验室研究阶段，如今不仅众多的B2C网站将之应用于商品个性化推荐，百度、谷歌等搜索引擎也一直致力于个性化搜索引擎技术的开发，目前已经比较成熟，而且随着机器学习及人工智能研究的热门化，这一技术将更加成熟。它们凭借用户曾经的搜索记录来预测用户的兴趣口，以便在用户“search”后提供更符合用户需求的搜索反馈。2014年淘宝“双十一”交易额达到571亿，随着淘宝天猫取得的巨大成功，众多电子商务推荐系统不断出现，如逛丢——小时风云榜能将网上降幅最大的Top-N推荐列表生成。其中国际上相当著名的亚马逊商城，通过消费者的心愿单、购物车、已购买商品的评价以及历史购买记录等，预测符合用户喜好的商品，生成“为我推荐”列表，方便用户选择。Net Perceptions公司则提供基于GroupLens技术的推荐系统。国内的京东商城、当当、淘宝等也提供情感评价、等级评分、相关推荐等多种推荐方式，吸引了广大“剁手族”的目光，为其销售份额添上浓墨重彩的一笔。 面向电商平台的商品个性化推荐系统设计(2):http://www.751com.cn/jisuanji/lunwen_21338.html