基于智能体的电子商务协作推荐系统
基于人工智能的智能电商推荐系统研究
基于人工智能的智能电商推荐系统研究引言：随着电子商务的快速发展，电商平台上的商品数量庞大，消费者往往面临信息过载的问题。
在这种情况下，智能电商推荐系统通过个性化的推荐算法，在海量商品中为消费者提供了符合其兴趣和需求的产品推荐，大大提高了消费者的购物体验。
其中，基于人工智能的智能电商推荐系统进一步提升了推荐的精准性和个性化程度。
本文将探讨基于人工智能的智能电商推荐系统的研究现状、主要技术以及当前存在的问题和挑战。
一、研究现状：目前，基于人工智能的智能电商推荐系统已经被广泛应用于各个电商平台。
其中，协同过滤、内容过滤和混合过滤是常用的推荐算法。
协同过滤算法通过分析用户的历史行为和与其他用户的行为相似性，来进行推荐。
内容过滤算法主要根据商品的属性和用户的个人信息进行匹配推荐。
而混合过滤算法则综合利用协同过滤和内容过滤两种算法的优势，提供更准确的推荐结果。
二、主要技术：1. 大数据分析：基于人工智能的智能电商推荐系统需要处理大量的用户数据和商品信息。
通过对这些数据进行分析和挖掘，可以发现用户的消费习惯和喜好，从而为其提供更加精准的商品推荐。
2. 机器学习：机器学习是实现智能推荐的关键技术之一。
通过训练具有推荐功能的模型，系统能够根据用户的行为和偏好来进行个性化的推荐。
其中，深度学习的发展进一步提高了推荐算法的准确性和效果。
3. 自然语言处理：对于智能电商推荐系统来说，了解用户的意图和需求是十分重要的。
自然语言处理技术可以帮助系统理解用户的搜索词汇、商品评价等文本信息，从而更好地为其进行推荐。
三、问题与挑战：1. 数据隐私与安全：智能电商推荐系统需要收集用户的个人信息和行为数据，这涉及到数据隐私和安全问题。
如何保护用户的数据安全，同时又能够提供准确的推荐服务，是一个需要解决的难题。
2. 冷启动问题：在新用户或新商品上，由于缺乏历史数据，系统很难进行准确的推荐。
如何在冷启动阶段给用户提供有针对性的推荐，是一个亟待解决的问题。
基于大数据的智能电商平台推荐系统
基于大数据的智能电商平台推荐系统智能电商平台推荐系统是一种基于大数据分析和机器学习技术的系统，旨在通过个性化推荐，提升用户的购物体验，增加平台的销售额。
本文将介绍智能电商平台推荐系统的基本原理、应用场景、具体功能以及对用户和平台的优势。
智能电商平台推荐系统的基本原理是通过分析用户的历史行为数据、商品标签信息以及其他相关数据，构建用户画像和商品画像，然后根据这些画像为每个用户生成个性化的推荐结果。
通过不断迭代优化推荐算法，系统可以准确预测用户的偏好，并将最合适的商品推荐给用户，从而提高用户的购买意愿和满意度。
智能电商平台推荐系统的应用场景非常广泛。
它可以应用于各类电商平台，如电商网站、移动应用等。
无论是购物衣物、数码产品还是图书、音乐等，推荐系统都可以根据用户的历史行为和偏好，为用户提供个性化的商品推荐，满足用户的需求。
智能电商平台推荐系统具有多种具体功能。
首先，系统可以根据用户的购买历史和浏览行为，为用户生成个性化的推荐商品列表。
其次，系统还可以根据商品之间的关联性，实现交叉销售和附加销售，提高平台的销售额。
此外，系统还可以根据用户的实时需求和位置信息，为用户提供附近优惠促销活动的推荐，帮助用户获得更好的购物体验。
智能电商平台推荐系统对用户和平台都有许多优势。
对于用户来说，推荐系统可以帮助用户发现新的商品，并准确预测用户的喜好，节省用户的时间和精力。
对于电商平台来说，推荐系统可以提高平台的销售额和用户黏性，增加交易量和用户留存率。
另外，推荐系统还可以通过数据分析和用户反馈，为平台提供商家经营策略和市场预测的参考。
然而，智能电商平台推荐系统也面临一些挑战和问题。
首先，数据的质量和准确性对于推荐系统的效果至关重要，但是现实中存在大量的数据噪声和不准确性，如用户的购买行为不稳定、商品标签不规范等。
其次，用户的个人隐私问题也需要被关注，推荐系统在使用用户数据时应该严格遵守隐私政策。
此外，推荐系统还需要充分考虑用户的多样性和长尾商品，避免陷入“信息过滤泡泡”的困境。
利用AI技术实现智能电子商务推荐系统的方法与建议
利用AI技术实现智能电子商务推荐系统的方法与建议一、背景介绍随着互联网的快速发展和普及，电子商务成为了现代生活中不可或缺的一部分。
在海量商品信息和用户需求之间，如何实现个性化推荐成为了电子商务平台必须面对的问题。
人工智能（AI）技术的应用为解决这一问题提供了新的可能性。
本文将探讨利用AI技术实现智能电子商务推荐系统的方法与建议。
二、智能电子商务推荐系统原理智能电子商务推荐系统通过分析用户历史行为数据和商品特征等信息，利用机器学习算法和模型构建，预测出用户可能感兴趣的商品，提供针对性的推荐。
1.数据收集与存储：首先，需要收集并存储大量的用户行为数据，例如点击记录、购买记录和评价评论等。
这些数据可以通过追踪用户行为以及询问用户交互来获取，并结构化存储在数据库中。
2.特征工程：从海量数据中选择有效特征是构建精准推荐系统的关键步骤。
可以借助自然语言处理（NLP）技术进行文本分析以及情感识别，提取商品属性、标签以及用户评论等特征信息。
3.算法模型：利用机器学习和深度学习技术，可以构建推荐系统的算法模型。
常用的算法包括协同过滤、基于内容的推荐、深度神经网络等。
这些算法旨在挖掘数据中隐藏的规律和关联，并基于此来预测用户喜好。
4.个性化推荐：根据用户之前的浏览、购买历史以及对商品的评分，智能电子商务推荐系统可以为每个用户生成一份个性化推荐列表。
此外，也可以应用协同过滤技术，将具有相似兴趣爱好的用户进行组合，实现推荐效果的提升。
三、AI技术在智能电子商务推荐系统中的应用1.自然语言处理（NLP）：NLP技术可以通过对商品描述文本进行情感分析和语义理解，更准确地提取商品特征信息。
例如，利用词袋模型和TF-IDF算法对商品评论进行分析，提取出重要关键词并计算其权重。
通过分析这些评论可获得人们对商品的态度和意见，并为用户提供更精准的推荐。
2.图像识别与处理：AI技术中的图像识别和处理可以应用于智能电子商务推荐系统的商品图像分析。
人工智能电子商务平台中的智能推荐
人工智能电子商务平台中的智能推荐随着人工智能技术的不断发展和应用，电子商务平台也逐渐引入了智能推荐系统，以提供更加个性化和精准的购物推荐服务。
智能推荐系统通过分析用户的历史行为、兴趣偏好和社交网络等数据，为用户推荐符合其需求的商品或服务，提高用户的购物体验和满意度。
本文将探讨人工智能电子商务平台中的智能推荐系统的原理、应用和挑战。
一、智能推荐系统的原理智能推荐系统的核心原理是通过机器学习和数据挖掘技术，对用户的行为数据进行分析和建模，从而预测用户的兴趣和需求。
主要包括以下几个步骤：1. 数据收集：智能推荐系统需要收集用户的行为数据，包括浏览记录、购买记录、评价等。
这些数据可以通过用户登录、浏览记录、购物车等方式进行收集。
2. 数据预处理：对收集到的数据进行清洗和处理，去除噪声和异常值，将数据转化为可用的格式。
同时，还需要对数据进行特征提取和降维处理，以减少计算复杂度和提高推荐效果。
3. 用户建模：通过分析用户的行为数据，建立用户的兴趣模型。
可以使用协同过滤、内容过滤、基于关联规则等方法进行建模，以预测用户的兴趣和需求。
4. 商品建模：对商品进行特征提取和建模，以描述商品的属性和特点。
可以使用文本挖掘、图像识别等技术进行商品建模，以提高推荐的准确性和个性化程度。
5. 推荐算法：根据用户的兴趣模型和商品的特征模型，使用推荐算法为用户生成个性化的推荐结果。
常用的推荐算法包括基于内容的推荐、协同过滤推荐、深度学习推荐等。
二、智能推荐系统的应用智能推荐系统在电子商务平台中有广泛的应用，可以提供个性化的购物推荐、广告推荐、社交推荐等服务，提高用户的购物体验和满意度。
1. 个性化购物推荐：智能推荐系统可以根据用户的兴趣和需求，为用户推荐符合其口味和喜好的商品。
通过分析用户的购买记录、浏览记录和评价等数据，系统可以了解用户的偏好和购物习惯，从而为用户提供个性化的购物推荐。
2. 广告推荐：智能推荐系统可以根据用户的兴趣和需求，为广告主提供精准的广告投放服务。
基于人工智能的电子商务推荐系统设计
基于人工智能的电子商务推荐系统设计随着互联网的快速发展和智能技术的迅猛进步，电子商务已经成为了现代商业中不可或缺的一部分。
为了提升用户的购物体验和促进销售额的增长，基于人工智能的电子商务推荐系统设计成为了一个热门的研究方向。
本文将介绍基于人工智能的电子商务推荐系统的设计原理和关键技术。
首先，基于人工智能的电子商务推荐系统的设计需要建立一个强大的智能模型，能够深入分析用户的偏好和行为，从而准确预测用户的购买意向。
为了实现这一目标，系统需要采集大量的用户数据，并利用机器学习和数据挖掘的技术对数据进行分析和预测。
通过对用户的历史购买记录、浏览记录、点击率等信息的分析，推荐系统可以建立用户的购买画像，并预测用户可能感兴趣的商品。
其次，推荐系统需要利用好数据的稀疏性和冷启动的问题。
由于用户和商品的多样性和数量庞大，推荐系统所能收集到的用户行为数据往往是稀疏的。
在这种情况下，传统的协同过滤算法可能会受到很大的限制。
因此，推荐系统需要利用其他的技术手段来解决稀疏性和冷启动的问题。
例如，可以利用内容推荐、基于规则的推荐和深度学习等技术来丰富推荐系统的推荐能力。
此外，基于人工智能的电子商务推荐系统设计还需要考虑用户个性化推荐的需求。
在传统的电商平台上，用户往往需要浏览大量的商品信息，才能找到自己感兴趣的商品。
然而，对于用户来说，这种方式既浪费时间，又不一定能找到符合自己需求的商品。
因此，基于人工智能的电子商务推荐系统需要能够根据用户的个性化需求，提供精准的、符合用户兴趣的推荐结果。
这需要系统对用户的个人信息和偏好进行实时的分析和学习，从而能够更好地满足用户的需求。
最后，推荐系统设计还需要考虑推荐的实时性和稳定性。
在电子商务平台上，商品信息的更新速度非常快，新品不断涌现。
因此，推荐系统需要及时地掌握用户的需求和市场动态，实时地提供最新的推荐结果。
此外，推荐系统还需要具备一定的稳定性和容错能力，能够应对突发的网络故障和大量的并发请求。
面向电子商务的智能推荐系统设计与实现
面向电子商务的智能推荐系统设计与实现01 智能推荐系统的概念智能推荐系统是一种自适应和人工智能技术相结合的信息推送技术。
智能推荐系统可以通过学习用户行为、习惯、兴趣等信息，为用户提供更加个性化和准确的推荐服务，帮助用户快速找到自己需要的商品或服务，从而提高用户体验和购买效率。
智能推荐系统是电子商务领域的重要组成部分。
随着电子商务市场的日益增长，越来越多的企业开始采用智能推荐系统，以提高用户满意度和销售额。
本文旨在介绍一种面向电子商务的智能推荐系统的设计和实现方案。
02 智能推荐系统的构成智能推荐系统主要由以下三个组件构成：用户模型、商品模型和推荐算法。
用户模型是指用于表示用户兴趣和行为习惯的模型，可以根据用户的点击、浏览、搜索等行为数据进行学习和预测，以确定用户可能感兴趣的商品或服务。
商品模型是指用于表示商品属性和特征的模型，可以根据商品的类别、标签、描述等数据进行学习和预测，以确定哪些商品最适合推荐给用户。
推荐算法是指用于处理用户模型和商品模型，推荐最适合用户的商品的算法。
常见的推荐算法包括基于内容的推荐、协同过滤推荐、基于矩阵分解的推荐等。
03 面向电子商务的智能推荐系统的设计与实现在本文中，我们将使用基于协同过滤的推荐算法实现一个面向电子商务的智能推荐系统。
协同过滤推荐算法是目前应用最为广泛的算法之一，它主要基于用户对商品的评价和行为进行推荐。
3.1 数据收集为了构建一个准确的智能推荐系统，首先需要采集和处理大量的数据。
具体来说，我们需要收集用户的浏览历史、购买记录、评价数据等，以及商品的类别、标签、描述等数据。
为了更好地管理这些数据，我们可以将它们存储在关系型数据库中，如MySQL，同时使用Python等编程语言编写数据采集程序，自动获取和处理数据。
3.2 数据预处理在数据收集的过程中，我们难免会遇到一些数据质量问题，如缺失数据、异常值、噪声等。
因此，在应用协同过滤推荐算法之前，我们需要对数据进行预处理，以确保数据的准确性和可靠性。
人工智能驱动的个性化推荐系统在电商中的应用
人工智能驱动的个性化推荐系统在电商中的应用随着互联网的快速发展，电子商务已经成为人们购物的主要方式之一。
然而，随着电商平台的不断增多和商品的爆炸式增长，用户在面对庞大的商品选择时往往感到困惑。
为了解决这个问题，人工智能驱动的个性化推荐系统应运而生。
本文将探讨人工智能驱动的个性化推荐系统在电商中的应用，并分析其优势和挑战。
一、个性化推荐系统的基本原理个性化推荐系统是一种利用用户历史行为数据和算法模型，为用户提供个性化推荐的系统。
其基本原理是通过分析用户的历史行为数据，如购买记录、浏览记录、评价等，建立用户画像，并根据用户画像和商品特征进行匹配，从而向用户推荐符合其兴趣和需求的商品。
个性化推荐系统的核心算法包括协同过滤、内容过滤和混合过滤等。
协同过滤算法通过分析用户行为数据，找出与目标用户兴趣相似的其他用户，然后将这些用户喜欢的商品推荐给目标用户。
内容过滤算法则是根据商品的属性和用户的兴趣进行匹配，将与用户兴趣相关的商品推荐给用户。
混合过滤算法则是将协同过滤和内容过滤相结合，综合考虑用户行为和商品特征，提供更准确的推荐结果。
二、个性化推荐系统在电商中的应用1. 提升用户体验个性化推荐系统可以根据用户的兴趣和需求，为用户提供符合其口味的商品推荐，从而提升用户的购物体验。
用户不再需要花费大量时间和精力去搜索和筛选商品，而是可以直接看到与自己兴趣相关的商品，节省了用户的时间和精力。
2. 增加销售额个性化推荐系统可以根据用户的购买历史和浏览记录，预测用户的购买意向，并向用户推荐相关的商品。
这种精准的推荐可以提高用户的购买率和转化率，从而增加电商平台的销售额。
3. 优化库存管理个性化推荐系统可以根据用户的购买行为和偏好，预测商品的需求量，并及时调整库存。
这样可以避免因库存过剩或缺货而导致的损失，提高库存的利用率和管理效率。
4. 提高用户粘性个性化推荐系统可以根据用户的兴趣和需求，为用户提供个性化的购物体验，增加用户的满意度和忠诚度。
人工智能技术在电子商务推荐系统中的应用与个性化推荐
人工智能技术在电子商务推荐系统中的应用与个性化推荐在当今数字化时代，电子商务已成为人们购物的主要方式之一。
为了提升用户体验和推动销售，电子商务企业采用了各种推荐系统来为用户提供个性化的产品和服务推荐。
而人工智能技术的应用则为电子商务推荐系统带来了更高效和精准的推荐能力。
一、人工智能技术在电子商务推荐系统中的应用1. 机器学习机器学习是人工智能技术的核心之一，它通过数据分析和模式识别，使推荐系统能够根据用户的购买历史、点击行为、浏览记录等信息，对用户进行个性化推荐。
通过机器学习算法，推荐系统能够识别用户的购买偏好和兴趣，从而为用户提供更准确的推荐。
2. 数据挖掘数据挖掘技术能够挖掘用户的行为模式和隐藏的关联规则，帮助电子商务企业理解用户的消费习惯、喜好和需求。
通过对海量数据的分析和挖掘，推荐系统能够实时跟踪用户的行为，并根据用户的需求进行动态调整和优化推荐策略。
3. 自然语言处理自然语言处理技术能够识别和理解用户的文字信息，帮助电子商务企业更好地理解用户的需求和意图。
通过对用户的搜索关键词、评价和评论等文字信息的分析，推荐系统能够提取关键信息，并为用户提供更准确的产品和服务推荐。
二、人工智能技术在电子商务推荐系统中的个性化推荐1. 基于用户的个性化推荐基于用户的个性化推荐是根据用户的历史行为和偏好，为用户推荐相关的产品和服务。
推荐系统会根据用户的购买历史、点击行为、浏览记录等信息，分析用户的偏好，并为用户定制个性化的推荐列表。
通过不断迭代和优化推荐算法，推荐系统能够越来越准确地满足用户的需求。
2. 基于物品的个性化推荐基于物品的个性化推荐是根据物品之间的关联关系，为用户推荐与其当前浏览物品相似或相关的其他物品。
推荐系统会分析物品之间的相似性和关联性，并根据用户的当前浏览记录，为用户推荐其他可能感兴趣的物品。
通过基于物品的个性化推荐，用户可以发现更多符合其兴趣和需求的产品和服务。
3. 基于混合算法的个性化推荐基于混合算法的个性化推荐是将多种推荐算法进行组合和集成，以提高推荐系统的推荐能力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
理。数据预处理的主要步骤包括：数据净化，用户识别，用
户访问操作识别，路径完善和用户事务模式识别等。经过数
据预处理后，可获得用户事务模式，并且生成每个用户的事
务模式文件，每一个用户事务模式文件包含了若干个用户事
务模式。由于 ECCRS 要考虑用户访问页面的时间特性，所
以得到的是带有时长的用户事务模式。带有时长的用户事务
模式如定义 1 所示。
设 L 为用户访问操作集合，每一条访问记录 l∈L 包括：
用户主机地址 l.ip，用户 ID 号 l.uid，被访问 Web 页 URL 地
址 l.url，访问时间戳 l.time 和访问 Web 页的时长 l.timelength。
定义 1 带有时长的用户事务模式定义为三元组，形式化
similar(u,a)=
(( ) ( )) ∑q i =1
ra,i − ra
× ru,i − ru
(4)
∑ ( ) ∑ ( ) q i =1
ra,i
− ra
2×
q i =1
ru ,i
− ru
2
其中，ra,i 表示评价矩阵中用户 a 所在行的第 i 列评价值；ra 表示评价矩阵中用户 a 所在行评价值的均值，满足-1≤ similar(u, a)≤1。
(1)多数电子商务信息推荐系统没有考虑利用用户访问页面的时 间特性。而时间特性是一种可利用的重要资源，即如果用户对某页 面感兴趣，那么就会在该页面停留较长时间，而如果用户对某页面 不感兴趣，那么就会停留较短的时间；
(2)多数电子商务信息推荐系统针对的是注册用户，较少考虑非 注册用户的信息推荐；
(3)多数电子商务信息推荐系统没有考虑用户是否有新颖信息需 求的偏好。
l
t k
.timelength=l
t k +1
.time-
l
t k
.time，1≤k≤m-1。
协作筛[5]是一种共享用户间的兴趣和评价的重要技术，
采用的方法是收集用户对项目的兴趣偏好，匹配出具有相似
兴趣偏好的用户，对这些相似用户共享彼此的兴趣和评价。
它能够为相似用户提供协作推荐。
论文设计的协作筛方法主要有 3 个步骤，描述如下：
表示如下：
t＝
<ipt,uidt,URLt>
；
URLt={(l
t 1
t .url,l 1
.time,l
t 1
.timelength),…,
t
t
t
( l m .url,l m .time,l m .timelength)}
其中：l
t k
∈L ， ipt=l
t k
.ip ， uidt=l
t k
.uid ， 1 ≤ k ≤ m ；
(1)自动获取用户评价
传统的协作筛方法的一个主要问题是需要人为地提供评
价。而论文设计的协作筛方法对其进行了改进，根据用户事
务模式自动获取用户评价，构建评价矩阵。用户对一个页面
的评价值由用户访问页面的次数、相对时长、访问新度和重
视程度多个因素决定，这些因素由定义 2~定义 4 分别表示。
用户对一个页面的评价值由定义 5 表示，评价矩阵的由定义
WebPage 的访问时间偏好特性。
定义 4 一个用户 u 对一个页面 WebPage 的访问新度
new(u,WebPage)用式(2)表示。
∑Count(u,WebPage) i=1
(Timei
(u,WebPage)
−
Time(StarLog))
new(u,WebPage)=
Count(u,WebPage)
E-commerce Collaborative Recommendation System Based on Agent
HE Bo, CHEN Yuan, WANG Huaqiu, DONG Shidu (School of Computer Science and Engineering, Chongqing Institute of Technology, Chongqing 400050)
问 WebPage，则该值较大，否则较小。
定 义 5 一 个 用 户 u 对 一 个 页 面 WebPage 的 评 价 值
Evaluation(u,WebPage)用式(3)表示。
Evaluation(u,WebPage)=(log2Count(u,WebPage))×(TimeLength
(u,WebPage)+new(u,WebPage))
(2)计算用户间的相似度
对于评价矩阵 rp×q，它的每一个列为多个用户对一个页 面 WebPage 的评价值(共 q 个 WebPage)，它的每一行为一个
用户对所有 WebPage 的评价值(共有 p 个用户)，那么用户 a
和用户 u 的相似性采用 Pearson 相关性系数来计算，用式(4)
表示。
的时长之和；Size(u,WebPage)为用户访问 WebPage 的次数。
而 max(TotalTimeLength(u,WebPage) / Size(u,WebPage)) 为 用
户 u 访问过的 WebPage 中的最大值。
TimeLength(u,WebPage)是一个相对值，表征一个用户对
1 ECCRS 系统框图
收集处理器
界面 Agent
推荐页面 监听处理器
离线处理 Agent
日志文件
数据预处理
协作筛
增量更新 Agent
新增日志文件
增量更新器
推荐引擎
近邻用 户信息
当前用户 访问操作
在线推荐 Agent
—216—
图 1 ECCRS 系统框图
ECCRS 是一个基于服务器端的电子商务协作推荐系统， 它考虑了用户访问页面的时间特性，不需要用户注册，在推 荐时考虑了页面的新颖性，同时实现了离线处理、增量更新 与在线推荐的结合。ECCRS 包括界面 Agent、离线处理 Agent、 增量更新 Agent 和在线推荐 Agent 几个部分，其系统框图如 图 1 所示。
(2)
T
其中，Timei(u,WebPage)表示用户 u 在固定的时间段 T 内第 i
次访问 WebPage 的时刻，Time(StarLog)表示开始记录 Log 的
时刻。
new(u,WebPage) 是 一 个 相 对 值 ， 表 征 一 个 用 户 对
WebPage 的访问时间的新鲜程度，如果一个用户最近频繁访
第 33 卷 第 9 期 Vol.33 No.9
计算机工程 Computer Engineering
2007 年 5 月 May 2007
·人工智能及识别技术·
文章编号：1000—3428(2007)09—0216—03 文献标识码：A
中图分类号：TP311
基于智能体的电子商务协作推荐系统
何 波，陈 媛，王华秋，董世都 (重庆工学院计算机科学与工程学院，重庆 400050)
随着电子商务的迅猛发展，电子商务用户的个性化服务 成为一个重要的研究课题。在智能个性化主动信息服务中最 重要的服务是个性化信息推荐。目前已有一些电子商务信息 推荐系统，比较有代表性的有：WebWatcher 系统[2]，SiteHelper 系统[3]和 Footprints 系统[4]等，这些系统能够实现对用户的信 息推荐，但是仍然存在一些问题，主要包括：
离线处理 Agent 主要包括数据预处理器和协作筛。数据 预处理器的主要任务是对服务器的日志文件进行数据预处
基金项目：重庆市科委科技攻关基金资助项目(CSTC.2004AA20018277-9)；重庆工学院青年基金资助项目 作者简介：何 波(1978－)，男，硕士、讲师，主研方向：信息推荐， 信息安全，数据挖掘；陈 媛，硕士、副教授；王华秋，博士生、 讲师；董世都，硕士、讲师 收稿日期：2006-06-1per improves the traditional collaborative filtering method which needs artificial evaluation. The advanced method can gain evaluation value automatically through user transaction pattern and establish evaluation matrix. Aiming at problems of current personalized information recommendation systems, this paper applies Agent and designs collaborative filtering method to E-commerce personalized information recommendation, and designed E-commerce collaborative recommendation system based on Agent, namely, ECCRS, which is based on server. ECCRS considers time of page calling and novelty of page. It can supply recommendation service for unregister users and combined off-line processing, incremental updating and on-line recommendation. The experimental results indicate that the recommendation method of ECCRS is feasible. 【Key words】E-commerce; Agent; Collaborative recommendation; Personalized active information service