基于用户特性的CF算法在B2C类电子商务RE中的研究与应用

目 录 图表索引 . . 要 . .语及缩写语 . 一章 绪论 . .目背景与研究意义.究现状和发展目标.文的主要工作.文的组织结构.二章 推荐引擎 . 荐引擎的概念.荐引擎的分类.荐引擎的工作原理.三章 推荐算法 . 13 体智慧和协同过滤算法.同过滤算法计算步骤.3 .4 .分预测算法.第四章 推荐系统升级设计方案及关键技术解决方案 .前台交互模块.推荐产品.数据运算模块、数据持久模块. 设计目标和原则 .开发环境以及技术支持.系统组件及功能说明.系统主要类图.部署方案.于. 设计目的与原则. 系统架构图.开发环境以及技术支持.系统组件及功能说明.部署方案.五章 基于用户属性的协同过滤推荐算法及其实现 .据的准备. 似商品计算.时推荐部分.荐的产生 .强关联规则过滤.验结果分析.统运行效果图 . 系统改进以后计算效率对比 . 推荐精度对比 .六章 总结 . .考文献 . .果目录 . . 谢 . .图 . 3 图 . 3 图 . . . . . . . . . . 4.7 . 4. 8组件结构图 . . . . . . . . . . . 要 根据 月份发布的第 29 次中国互联网络发展状况统计报告显示，截至2011年12月底，中国网民规模突破5亿，年新增网民5580万。互联网普及率较上年底提升 4 个百分点，达到 分析显示电子商务类应用继续稳步发展，包括网络购物、网上支付、网上银行、旅行预订在内的电子商务类应用在2011年继续保持稳步发展态势，上年底增长 网上支付用户和网上银行全年用户也增长了 目前 统的存储能力远远不足，就更不用说深入地挖掘和分析了。但要想使用这些数据并不是一件很容易的事情。 本文将以推荐系统的设计为例提出一种综合的解决方案。 在应对大数据和实时性要求的同时各大中不乏优秀的系统和编程模式，如： 术框架，据库和布式存储技术，程模式，以及 。本文就将依据这些新兴技术框架改造传统的推荐引擎使之可以满足大数据时代的实时性需求， 提高推荐结果的命中率。 本文在提高推荐引擎(推荐精准度方面提出了， 在传统的相似用户算法的基础之上进行改进的基于用户特性的相似用户计算的方法。 从而充分考虑了用户自身的社会特性，提高的推荐数据个性化需求。并利用 台进行具体的实现，在此基础之上还提出来推荐引擎的整体设计架构图。并对每部分拆分进行讲解。最后针对具体的实施过程当中出现的技术难点和关键点提出了两个切实可行的解决方案。 分别是“基于 主从备份及单点故障自动切换技术”和“基于。 关键词：推荐引擎；协同过滤；并发； he of 00 13 5.8 to 9As of 011. by of to a 011， of 94 an 0.8 at of of 67 66 of T is to in to is an as an an In to of T of be on of to of to it to to of In of on of to on To to s to to in of to to of in of on s of on 荐引擎：是一种能够主动发现用户当前或未来潜在的需求，并能够通过学习感知用户的需求变化规律。同时主动推送商业，建议等信息给用户的信息网络系统。 贝叶斯推理：根据事先建立的判定原则和模拟模型，在各种实际情形下为决策提供支持或最佳答案的计算机实时系统。 协同过滤（g，简称 ：协同过滤一般是在海量的用户群中发现一小部分具有和你的品味相似的用户，并将其作为最近邻用户，然后根据他们喜欢的东西组织成一个排序目录推荐给当前用户的一种推荐算法。 大数据时代： 大数据时代是用来描述当前互联网应用以及互联网相关企业的数据增长的程度。 目前的情况是大量的数据积累已经造成了企业存储这些数据需要相当大得代价，并且还要有专门人员来维护这些数据的程度。 运而生的一种分布式计算的编程框架，它包含了一系列的子项目如等。 了解决当前大数据集的非结构 化数据的快速存储需求，而产生的数据存储的新技术。据库避开了数据库的各种范式的约束，利用 B+设计使得数据的存取效率十分高效，但随之而来的是数据的冗余。这也算是一种技术的置换。 V 1第一章 绪论 随着我国电子商务的快速发展 ,和网民的购物习惯的养成 并发展起来 从单一的静态页面到后来的动态网站 ,再到后来的静态动态结合的同时还需要后台的无数个务支撑的一个庞大的系统。 而电子商务网站所涉及的业务也从单一品类发展到现在的数百万个品类，而新兴的虚拟产品类别也以惊人的速度增长。这使得用户在购买商品时有了更加丰富的选择，但同时也带来了困惑那就是该选择那一个商品，和如何才能够快速的在这些复杂的信息中找到自己想要的目标，于是推荐引擎就成功的被引用过来。推荐引擎的出现使得用户更加愿意使用互联网购物，进而增加了用户的粘度，也提高了销售量，带来了直接的经济利益。从这方面讲即方便了用户的体验，同时也成就了网站的发展。 随着人们的购物习惯的养成，用户登陆网上商城的频率更高了，并且大多数情况下是没有目的性的“逛”这有点类似于逛实体商城一样。那么这个时候用户更加倾向于看到适合自己特色的推荐服务。也即每个人都期望着有这么一家商城，在这里有的是自己喜好的东西，仿佛就是为自己量身打造的一样。而实际往往不是这样，现在的网上商城的推荐系统所采用的推荐算法受到各种因素的制约不能够达到这样的要求。所以本文在介绍了推荐引擎的工作原理，以及算法后重点围绕算法的改进，以及算法实施的过程当中所遇到的难题。并针对这些问题提出基于最新的分布式计算技术的解决方案。 在推荐引擎的开发过程当中最难解决的问题就 是如何将各种各样的推荐算法通过改造与自己的实际结合起来的问题，以及算法实施过程中如何处理那么庞大的数据集合，并能快速的推荐给客户。 目背景与研究意义 目前面对互联网的大潮 ,电子商务行业正在承受着前所未有的机遇和挑战。 而对于例如京东网上商城、淘宝、天猫、苏宁电器等网上电子商务交易系统来说急需要建立自己的推荐引擎系统。来适应市场的变化，同时提升流量和销售占比。那么网上购物类网站如何提高推荐引擎的销售占比已经成为亟待解决的问题之一。 该系统的产生即在这样的大环境下产生的。该系统以天猫商城为原型提出对推荐 2引擎的相似用户计算方面以及具体的技术方面的改造方案，和实施预期。 目前就某商城来说，亟待解决的问题是： 1，改进算法的实现以提高算法推荐的精准度问题、 2，扩展推荐引擎的流量入口，一提高推荐产生订单的占比； 3，丰富推荐位一推荐位来定向推荐； 4，个性化到每个用户的一级页面，达到真正的个性化推荐的目的。 5，整个推荐引擎系统的升级改造，使之能够面对大数据的同时实时计算，以确保推荐的实时性。 通过本方案的设计升级，期望可以达到天猫商城更加精准的推荐，来帮助客户更快的找到他们想要的商品，进而提升天猫商城的推荐销售占比，达到商业应用目的。当前大多数的网站都都采用单一的推荐算法，并进行一些简单的转化计算。这样的系统很难满足客户的需要，并且我们知道各个算法都有各自的优缺点，本系统宗旨在于采取各个算法的优点整合在一起，形成更有的算法集合。本系统的研发可以采用众多个数据挖掘算法，并联合使用是其发挥各自的长处。到达一个优化组合的目的。 本文的研究意义在于提出了基于用户特性的相似用户的计算模型以及计算方法，并通过实验确定了其中的参数取值。利用历史数据作为训练集来验证该算法的正确性以及可行性。对于推荐引擎的未来发展有一定的应用意义，该论文就理论算法在实际项目当中的应用研究和创新应用有一定深度的探讨。最后给出了推荐系统的整体架构设计方案。以及在该方案具体的实施过程中所遇到的技术重点和难点问题，提出两种技术创新型解决方案。 研究现状和发展目标 目前国内的各大商城的推荐系统还处于初级阶段，打开某网站首页你会发现在首页上面只有品牌推荐和活动推荐两个推荐位，在打开宝贝商品页面并添加购物车以后只有一个比较小的过度页面推荐。但也只有一个四维度的推荐位。如图 3图 样的推荐系统特别是首页的推荐没有考虑到每个用户的特定，从而不能够准确推荐。这使得所有用户的页面基本上是千篇一律。没能达到很好的推荐效果。造成推荐的销售占比下降，或根本达不到用户的期望。此次的推荐引擎的全面升级方案可以让天猫商城的推荐系统的推荐占比大幅提升。同时也使得客户在“逛”商场时能够及时的得到个性化的推荐服务，提高用户的购物体验。 在国外对此类系统的研究比较成熟，但从公开发表的论文来看。关于推荐引擎的研究还停滞在对协同过滤算法 的某种改进，但改进大多从 物品属性或者时间维度出发。也不能取得很好的效果。在业界来说 是做得很好的，其内部算法我们无从得知，现在为了达到他们的效果。本文将结合国内的大多数电子商务网站的实际情况给出升级设计方案，和具体的算法改进办法和实施步骤。 那么本次全面的升级，会在全站采用协同过滤推荐算法并结合聚类分析算法的混 4合使用来解决相似用户的计算问题，使得数据更加准确。从而提高推荐系统的特定用户的命中率，即个性化推荐系统的提出。本次升级的目标要能够达到，个性化推荐的要求。即通过收集用户在网站上的行为，并分析这些行为数据从中找到用户的购物兴趣和购买习惯。并以此来实现个性化的推荐引擎。 在推荐系统为特定用户推荐商品时，以前的算法是从用户的历史购买信息中分析用户的相似性。而没有考虑到用户更加潜在的易变的需求，这个部分要通过实时的收集用户的行为信息，结合用户本身的属性以及历史购买信息来综合产生。这样才能够更加全面，准确的反应用户的实际潜在需求。 本文的主要工作 支撑推荐引擎的良好运行，除了各种各样的新 技术外还有各种各样的算法在里面，其中协同过滤算法最为有效，也最为被业界认可。这主要原因就是他的方法简单，数据依赖性低，数据方便采集，推荐的转化率比较高，能够满足用户的体验需求。因此本文以协同推荐算法为基础，同时本文还考虑到了，当前的巨大数据量的问题，在于用最优的方法实现最有效的结果。最终目的是帮助企业在快速解决问题的同时降低运营成本。所以最后本文将结合云计算的相关技术来实现这些推荐策略，本文采用的是在数据存储层采用本方案采用据库，其中 为持久化数据库，为中间数据的缓存数据库，其中缓存部分全部加在内存，从而提高计算效率。在算法的实现上面借助于改进了的 分机制来实现协同过滤算法。同时在推荐引擎的服务发布上面大量采用改进了的 分布式开源编程框架 于 现的分片（储和单点故障自动主备切换技术、基于此本文工作主要是： 1） 介绍推荐引擎的发展，以及推荐引擎的工作原理。 2） 介绍推荐引擎最常采用的推荐算法，及其细节。 3） 分析推荐引擎的数据结构，建立推荐引擎数据模型。 4） 结合上述提出推荐引擎的升级方案，并给出技术架构。 5） 结合上述分析和技术选型，设计新的电子商务系统的推荐引擎。 6） 结合具体数据给出结果分析。 文的组织结构 结合上述分析和介绍，本论文的组织结构和内容如下 : 第一章绪论、主要介绍本文的研究背景，现状和发展。从而使读者能够从中认识到推荐引擎的概念，及其作用，使他们从整体上建立一个推荐引擎的概念； 第二章推荐引擎、本章主要介绍推荐引擎的发展历程，现状和存在的问题。并从理论上阐述了推荐引擎的产生和发展。以及介绍推荐引擎的工作原理和常用算法的工作方式。 第三章推荐算法、本章主要介绍推荐引擎涉及到得各种推荐方法及其实现的核心算法和理论依据。同时也指出了传统的推荐方法和算法在当今大数据时代背景下的缺陷，从而介绍了一些解决这些问题的新的技术框架以及编程思想。 第四章推荐系统升级设计方案及关键技术解决方案、本章主要介绍本推荐引擎方案的整体设计和实现思想以及开发过程中遇到的一些技术难点的解决方案。 第五章基于用户属性的协同过滤推荐算法及其实现、本章主要介绍了新的推荐引擎所采用的基于用户属性的协同过滤推荐算法思想，以及其中的实现细节。 第六章总结，对本论文中所涉及到的研究内容和研究成果进行了总结和展望。 6 7第二章 推荐引擎 荐引擎的概念 电子商务改变了人们的购物习惯以及生活习惯，电子商城购物的习惯的养成。已经使得人们无法拒绝网络购物给用户带来的方便快捷。但是在网民们享受着网络时代带来的巨大的便捷的同时，随着商务网站的扩大，和业务的飞速增长。也使得信息共享成为网民的共识。 而以 术为基础的各种应用的大规模出现也使得人们的生活变得越来越方面。这种电子商 务网站以各种各样的形式出 现，其中包括网上商城类（ 用、团购网站（ 、淘宝（ 、旅游预订类网站等等。这几大的丰富了人们的衣食住行。但随之而来的有各种各样的问题，例如它让人们迷失在了信息化的世界里。这丰富多样的信息海洋里人们甚至不知道自己的确切需求是什么。而推荐引擎的出现改变了这个事实，她能够更好的了解消费者的需求，从而有针对性的为用户推荐出合理准确的服务或商品。迎合了消费者同时也发展了电子商务本身。 在网络上每时每刻有无数的电脑杂志、专业论文、影视视频、书籍、图片以及各种各样的网页被制造出来。这些信息以其惊人的速度在网络传播着，这使得我们要想找到我们真正想要的东西。极其不易，而利用搜索引擎是其中的一个解决方案，但结果往往还要经过我们的二次筛选才能够达到我们的目的。而推荐引擎确实在十分了解项目的内容和特性的基础之上基于某种假设来对用户的意图进行猜测，从而主动推荐给用户可能感兴趣的项目。 推荐引擎要想实施必须具备以下这些因素： 一、能够获得用户的基本静态信息：如年龄、 性别、所在地、兴趣爱好、学历甚至于性格。 二、能够持续跟踪用户在网站上的行为，如用户行为分析，点击流分析等应用。 三、网站的服务、产品或标签能够准确的定义，并代表产品的每个方面特定。 网站内容标签的定义应该由用户和技术共同来完成，因为只有用户才真正知道自己最终想要的是什么结果。 综上所述推荐引擎是一种能够主动发现用户当前或未来潜在的需求，并能够通过学习感知用户的需求变化规律。同时主动推送商业，建议等信息给用户的信息网络系统。 荐引擎的分类 推荐引擎按照不同的标准可以分为不同的种类，如下： 1. 根据推荐引擎的行为来划分 根据这个指标，推荐引擎可以分为大众化的推荐引擎和个性化推荐引擎 大众行为的推荐引擎，对于使用者来说没有区 别其结果都是一样的有点类似于搜索引擎的实现，她在后台可以有管理员来人工设定。 个性化推荐引擎，根据用户的喜好，个个性化信息可以给出独具个性的推荐结果，推荐系统通过收集过来的饿用户历史信息，并 从这些信息类分析，抽取出来用户的个性价值的信息。从影响推荐结果。 这是一个最基本的推荐引擎分类，其实大部分 人们讨论的推荐引擎都是将个性化的推荐引擎，因为从根本上说，只有个性 化的推荐引擎才是更加智能的信息发现过程。 2. 根据推荐引擎的相似用户的计算方式 推荐引擎发现相似用户相关性的方式有很多， 根据这些方法我们可以把推荐引擎分为以下： 根据根据用户的静态信息发现用户的相关性， 比如根据人的属性标签：年龄、性别、职业、地理分布等，这种被称为基于人口统计学的推荐（ 根据项目或内容本身的相似性分类，先将物品 从内容上计算相似性从而分类，这种被称为基于内容的推荐（，通常这种方法被用在电影视频类网站的推荐引擎中。 从用户的历史记录中挖掘用户的兴趣，根据物 品或者内容本身的相关性，来发现用 户 的 相 关 性 ， 这 种 被 称 为 基 于 协 同 过 滤 的 推 荐 （ 。 实际的推荐系统中由于数据量巨大，导致计算 量也随之增加。从而产生了致命的延迟，甚至从而拖垮系统本身。所以推荐模型的设计必不可少。 基于物品和用户本身的相似度的模型，这种模 型是建立在物品本身的的相似性或者用户的相似性基础上的，一般可以采用聚类 的方法对物品的标签来计算其相似 9性。一般是一个物品过这个矩阵我们可以计算出来不同种类的商品分类。从而减少了计算量。但这种模型是的计算推荐的精度有所减少。 基于关联规则的推荐（：关联规则的挖掘已经是数据挖掘中的一个经典的问题，主要用来做“购 物篮分析”方面的应用，尤其是在电商平台上的应用也是相当的经典，也很成功 。比如一个网站要推出一个促销活动那么，网站同时还要做来与此类商品有关联 的一些商品的，库存储备问题，以防止产品脱销带来的损失。 基于模型的推荐（：这是一个典型的机器学习的问题，将历史数据作为训练集合样本，从中抽出 来用户行为兴趣模型，那么依据此模型来对用户的兴趣集进行推测。这种方法的 问题在于如何将用户实时或者近期的喜好信息反馈给训练好的模型，从而提高推荐的准确度。 往往在现代的推荐引擎系统中，都要综合运用 两种或者多种的推荐算法，来完成整个系统的协同运作，以达到最佳的推荐效果，例如当当网的推荐，它将基于用户的推荐，和基于内容的推荐，结合起来一达到最佳效果。让用户可以从全方位的推荐中找到自己真正感兴趣的物品。 荐引擎的工作原理 针对这不同的用户群体推荐出不同的商品列表 这是推荐引擎的工作的目标原则。提供个性化的服务。或者根据目标用户从其历史数据里找到具有代表性的商品列表作为其特征兴趣集，再从历史用户集合中根据其他用户的购买记录分析其兴趣集合的相似性。从而根据相似性高的用户群来推测目标用户的新的兴趣可能是什么，并最终产生推荐。其工作原理如下图 10图 图给出了推荐引擎的工作原理图，这里先将推荐引擎看作整体的系统，它接受的输入是要推荐的目标用户和数据库中的原始用户数据，一般情况下，推荐引擎所需要的数据源包括： 推荐物品的基本属性数据，即是元数据。这些 数据用来描述物品的基本特征，称为物品的基因属性。也可称作基因标签。 用户的属性信息，例如自然属性：性别，年龄 等；以及社会属性：职业、角色、消费水平等。 用户部分数可能来自于用户的浏览记录，购买记录，和用户的购买后评价信息和评分标准等。这些信息有 些是要靠分析才能够得到的，有些是通过用户的直接反馈即可得到的，那么要通 过分词并分析词性的情感才能得到的那部分信息我们把他称作是隐形获取的信息 。而那些通过用户的评分，购买等行为可以直接转化的信息我们把他称为显示的信息。 一般来讲显式的用户反馈能够比较明确的表达用户的喜好信息，但实际当中大部分用户根本不会给出评价导致评分缺失很严重。从而给应用带来不好的影响。隐式的信息获取通常要付出更大的代价，但一旦从这些隐式的信息中获取用户的感情色彩那么其价值是很高的，因为现实中的用户往往通过文字表述的方式来评论某个商品的喜好程度， 而不是通过所谓的评分机制， 因为很有可能评分的标准根本就是因人而异的，每个人的出发点不一样所以导致的评分的高低各不相同，而这样的数据不是我们想要的。只有通过文本分析或者猜测的信息更加有价值，对推荐的转化率贡献更大。如果 11一个用户购买的某个商品，而商品没有任何质量问题，她可能就不会再去关注这个商品从而也不会有显示的反馈。 推荐引擎根据不同的分析技术和算法对数据源中的一部分， 或者是全部进行分析，然后根据这些数据，分析出一定的规则直接或间接的对用户对其他物品的喜好进行推测。从而到达最终推荐给用户以合理的产品列表。 12 13第三章 推荐算法 体智慧和协同过滤算法 在电子商务高速发展的今天，各大商务网站所 采用的推荐技术和算法中，基于协同过滤的推荐算法最为被广大的开发者推崇和认可。在充分的分析了用户的购买历史记录之后，同时根据物品或商品的特性来计算出用户之间的相似度的一种算法。该算法比较以上提到的几种常规算法来讲，有推荐更加精准。并且人人网、京东网上商城、去哪儿网、和当当网上书城都在采用这种推荐算法。 一、集体智慧 集体智慧是指通过对大数据集合的分析归纳达 到的某种有意义的趋势或者是集体共性的特征。而这个数据集合即是由大量的人群的集体行为所产生得集合。通常这种数据的量是巨大的。 这种应用很多，如该算法就是利用每个页面链接到其他页面的比例作为这个被链入得页面的一个权重值。这样就可以 计算任何一个页面的分值从 而根据分值的高低进行排序，并最终给出排序结果。 二、协同过滤 协同过滤其实是生活当中的我们经常会碰到的 一些事情通过提炼抽象以后形成的一种被大家所公认的集体智慧的思想。协同过滤（ 称 ，当我们没法确切的确定自己的目标需求 的时候，每当这个时候你就会转向你的朋友圈求助，以寻求他们的帮助或许通过微博想那些具有志同道合的人发出求建议的申请。这就是协同过滤的核心思想。也是当今最为流行的协同过滤算法是从庞大的用户群体中通过分析 挖掘用户的行为特性特征，结合自身的个性化信息来寻在和当前用户的取向爱好相同的那一部分相似用户群体，而这个过程的计算量是相当的大的，每一个用户都要和其他用户每个都计算一遍者将是一下非常可怕的计算量。可以想象得到这种推荐在当今的大数据时代中不可谓不重要，当然要想推荐合适的商品必须了解你的用户，而此本文在传统的推荐系统中结合从将其整合到现有推荐系统中去，从而实现对推荐结果的正面 14影响。该文提到的系统建立在以 中心的云计算框架之上，从而提高了系统对大数据的处理能力。 同过滤算法计算步骤 前面已经介绍了协同过滤算法的一些细节问题 和核心的思想，那么协同过滤应该如何去过滤的呢，她的具体的步骤是什么样的呢。接下来让我们来看一看，协同过滤需要的几个步骤 ： 收集用户偏好 找到相似的用户或物品 对商品列表进行打分 对商品列表进行过滤得出推荐商品列表 一、收集用户偏好 要想基于用户的偏好和兴趣进行推荐，那么首 先要对能够体现用户的兴趣和偏好的行为进行搜集，这个过程一般都是有专一的用户行为收集系统来统一完成的。在这个过程中用户的行为会被转换为可以进一 步用来计算的具体数据,下面举例进行介绍： 表3. 1 用户行为数据表 行为分类 行为类型 特征信息 评分信息 物品评分 显式类型 量化了的偏好评分机制， 可能的取值是-n,n;n 一 般取值为1或者是5。 通过用户对商品的显示评分，可以精确的掌握用户对该类商品的喜好程度。 用户收藏 显示类型 取值为布尔值0或者1。 通过用户对商品的收藏与否，可以精确的掌握用户对该类商品的喜好程度。 评论 显示类型 用户对商品的一段描述性文字， 从其中可以分析出偏好。 通过用户对商品的评论分析，可以较准确的掌握用户对该类商品的情感是喜欢还是讨厌。 添加心愿单 显示类型 取值为布尔值0或者1。 心愿单是亚马逊为浏览器开发的电子商务应用类插件。通过用户对商品添加与否，可以精确的掌握用户对该类商品的喜好程度。 15购买 显示类型 取值为布尔值0或者1。 通过用户对商品购买与否，我们可以明确的掌握用户对该类商品的感兴趣的程度。 浏览（点击流） 隐式类型 一组用户对商品的点击流数据， 需要分析得到用户对商品的喜好程度。 通过用户对商品的点击流分析，我们可以一定程度上得知用户对该商品的注意力，从而掌握用户对该类商品的感兴趣的程度。 页面浏览时间 隐式类型 一组用户在页面的时间信息，需要去噪后分析得到喜好程度。 通过用户对商品页面的停留时间分析，我们可以一定程度上得知用户对该商品的注意力，从而掌握用户对该类商品的感兴趣的程度。 有了这些用户代表性的行为数据以后，由于这 些数据有的是模糊的，或者不够清晰化，不能用来在规范的系统中使用，来进一步分析，所以为了达到这个目的我们还需要对这些数据进行进一步的处理：去除噪声处理、和量化数据。 去除噪声处理：由于这些用户的行为数据有的 是模糊的，例如用户的浏览行为和点击行为，停留行为等等，这些都是通过分析用户的行为日志得到的，有的可能是通过服务器的日志分析得到的，而这些的日志信息需要进一步的去处噪声。 量化数据：但是考虑到实际的应用系统中，我 们要依据实际当中的业务逻辑对数据的重要性进行进一步的加权处理，并以此来区分实际的业务的轻重程度，从而达到某个特定的行业中应用推荐引擎技术达到最好的效果的目的。 我们对数据进行预处理后，在根据我们系统的 不同应