1、隨著互聯(lián)網(wǎng)的普及和電子商務(wù)的發(fā)展，電子商務(wù)系統(tǒng)為用戶提供了越來越多的選擇，與此同時它的結(jié)構(gòu)也變得愈加復(fù)雜，這就會造成用戶在大量的商品信息空間中迷失，無法順利找到自己想要的商品。于是電子商務(wù)推薦系統(tǒng)應(yīng)運(yùn)而生，它可以與用戶進(jìn)行交流，從而幫助用戶找到他們所需的商品。
　　本文除了對現(xiàn)有的電子商務(wù)推薦算法進(jìn)行總結(jié)外還針對用戶類型的不同提出了兩種基于模型的推薦算法，從而可以適當(dāng)解決原始推薦系統(tǒng)中的數(shù)據(jù)稀疏性問題、系統(tǒng)可擴(kuò)展性問題及冷啟動問題

2、。
　　首先，由于支持向量機(jī)技術(shù)在處理高維稀疏數(shù)據(jù)分類問題中的優(yōu)越性能，本文以其為基礎(chǔ)分別從基于用戶和基于項(xiàng)目兩種角度建立了簡潔的離線分類模型并指導(dǎo)預(yù)測。同時研究了標(biāo)簽閾值的選取以及數(shù)據(jù)集稀疏度對推薦算法的影響等。實(shí)驗(yàn)結(jié)果顯示該算法準(zhǔn)確率較高，能夠在一定程度上緩解數(shù)據(jù)的稀疏性問題。由于要用到大量的用戶評分?jǐn)?shù)據(jù)，所以該算法適用于具有較多購物記錄的老用戶。另外該算法只需一次建立模型，之后每次只需調(diào)入該模型即可，所以具有一定的可擴(kuò)展性。

3、
　　其次，由于熱門商品的重要性，本文還針對熱門商品提出了一種基于用戶特征的支持向量機(jī)回歸推薦算法。算法通過使用熱門商品客戶群體的個人屬性和行為特征數(shù)據(jù)來構(gòu)建基于支持向量機(jī)的回歸模型，從而指導(dǎo)預(yù)測用戶對商品的評分。該回歸算法只針對評分密集的熱門商品建模從而有效的克服了數(shù)據(jù)稀疏性問題。實(shí)驗(yàn)與傳統(tǒng)協(xié)同過濾算法進(jìn)行了比較，結(jié)果顯示該方法可以有效降低平均絕對誤差，推薦效果顯著。模型建立過程中還使用了一種參數(shù)優(yōu)化選擇方法，能夠明顯提高回歸效