２００８年１Ｏ月 湘南学院学报 Ｊｏｕｒｎａｌ ｏｆ Ｘｉａｎｇｎａｎ Ｕｎｉｖｅｒｓｉｔｙ ０ｃｔ．．２００８ Ｖｏ１．２９ Ｎｏ．５ 第２９卷第５期 电子商务推荐系统关键技术研究 曹 毅 ，罗新星 （１．湖南工学院，湖南衡阳摘４２１１０１；２．中南大学商学院，湖南长沙４１００８３） 要：简要介绍了电子商务推荐系统的概念，着重讨论了基于协同过滤的推荐技术、基于内容的推荐技术、基于效 用的推荐技术、基于知识的推荐技术和基于用户统计的推荐技术，并对这些推荐技术进行了对比分析，最后提出了适 合我国电子商务发展的组合推荐策略． 关键词：电子商务；数据挖掘；推荐系统；个性化推荐 中图分类号：ＴＰ３１１ 文献标识码：Ａ 文章编号：１６７２—８１７３｛２００８）０５—００６３一ｏ４ ０引言 随着网络技术的发展以及机器学习、数据挖掘等知识发现技术的出现，电子商务的发展模式对企业服务 提出了许多新要求，信息服务方式也从传统的“一对多”发展到“一对一”的个性化用户服务，即为恰当的用户 在恰当的时间方便快捷地提供恰当的信息＿ｌｊ．由于供应链和物流的发展，在电子商务的虚拟环境下，商家能够 在网上提供的商品种类和数量非常多，但用户不可能通过一个／Ｊ，／Ｊ￣的计算机屏幕很方便地发现自己感兴趣的 商品，用户既不愿意花太多时间在漫无边际的网上寻找商品，也不可能像在物理环境下那样检查商品的质 量［ ． 因此，用户很希望电子商务系统具有一种类似采购助手的功能来帮助其选购商品，并能根据用户的兴趣 爱好自动地推荐给每个用户可能感兴趣且满意的商品．在这种环境下，电子商务推荐系统应运而生，它根据用 户的兴趣爱好，推荐符合用户兴趣爱好的对象，这样就可以大大缩短用户在网络上的访问延迟，最大限度的提 高网络信息服务质量． １ 电子商务推荐系统 电子商务推荐系统是“利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品， 模拟销售人员帮助客户完成购买过程”ｌ３ Ｊ的自动化系统，也称为个性化推荐系统．在传统商业销售中，商场通 过销售人员向顾客推荐商品；但在电子商务环境下，关于商品和客户的信息都是海量的，人工处理既不现实也 不经济．此时，电子商务推荐系统扮演传统商业中销售人员的角色：向顾客提供商品信息和建议，帮助顾客完 成购买过程．电子商务推荐系统最大的优点在于它能收集用户感兴趣的资料，并根据用户兴趣偏好主动为用 户做出个性化推荐．电子商务推荐系统从本质上要解决三个问题：一是采用什么样的数据源；其次是建立什么 样的数据模型；最后是推荐策略问题，即用什么方法进行推荐［ ． ２个性化推荐技术 ２．１基于协同过滤的推荐技术 基于协同过滤的推荐是目前研究最多的个性化推荐技术，它根据其他用户的观点产生对目标用户的推荐 收稿日期：２００８—０６—１０ 基金项目：湖南省软科学研究计划项目（ｏ４ｚＨ６ｏｏ５）；湖南省普通高校教学改革研究项目（２００６—１９１）；湖南教育厅科学研究 项目（０７Ｃ０３３） 作者简介：曹 毅（１９７７一），男，湖南长沙人，硕士，研究方向：网络安全、电子商务． ・６３・ 列表，推荐的个性化程度高．在协同过滤推荐系统中，用户描述的典型方法是采用以商品及其评价为分量的向 量来表示，向量将随着用户与系统交互时问的增加而不断增大．协同过滤推荐的核心思想是认为用户会倾向 于购买具有相似意向的用户群所购买的商品，因而它在预测某个用户的商品购买倾向时是根据一个用户群的 情况而决定的．现在著名的基于协同过滤的推荐系统有Ｇｒｏｕｐ Ｌｅｎｓ／Ｎｅｔ Ｐｅｒｃｅｐｔｉｏｎｓ［引、Ｔａｐｅｓｔｒｙ［６］等．协同过滤 的最大优点是对推荐对象没有特殊要求，能处理非结构化的复杂对象，如音乐、电影．协同过滤推荐主要分为 三类：一是最近邻协同过滤推荐；二是基于项目的协同过滤推荐；三是基于模型的协同过滤推荐． 最近邻协同过滤推荐是当前最成功的推荐技术，它基于这样一个假设［ ］：如果用户对一些项目的评分比 较相似，则他们对其它项目的评分也比较相似．协同过滤推荐系统使用统计技术搜索目标用户的若干最近邻 居，然后根据最近邻居对项目的评分预测目标用户对项目的评分，产生对应的推荐列表．目标用户的最近邻居 查询是否准确，直接关系到整个推荐系统的推荐质量，准确查询目标用户的最近邻居是整个协同过滤推荐成 功的关键［８＿． ’ 基于项目的协同过滤推荐根据用户对相似项目的评分预测该用户对目标项目的评分，它基于这样一个假 设 ｊ：如果大部分用户对一些项目的评分比较相似，则当前用户对这些项目的评分也比较相似．基于项目的协 同过滤推荐系统使用统计技术找到目标项目的若干最近邻居，由于当前用户对最近邻居的评分与对目标项目 的评分比较类似，所以可以根据当前用户对最近邻居的评分预测当前用户对目标项目的评分，产生对应的推 荐列表． 基于模型的协同过滤推荐，先用历史数据得到一个模型，再用此模型进行预测ｌ１０Ｊ．基于模型的推荐广泛使 用的技术包括神经网络等学习技术、潜在语义检索和贝叶斯网络，训练一个样本得到模型． ２．２基于内容的推荐技术 基于内容的推荐是信息过滤的继续和发展，商品通过相关特征的属性来定义，系统基于用户评价对象的 特征学习用户的兴趣，依据用户资料与待预测项目的匹配程度进行推荐．基于内容的推荐需要进行匹配计算， 较多地应用于可计算的文本领域，如浏览页面的推荐、新闻组中的新闻推荐等，其缺点是不能为用户发现新的 感兴趣的信息，只能推荐与用户已有兴趣相似的信息．例如ＮｅｗｓＷｅｅｄｅｒ新闻组过滤的文本推荐系统就是采用 文本中的单词作为文本的特征ｌ１ ，系统通过学习用户已评价过的商品特征来获得对用户兴趣的描述． 用户描述类型的产生取决于系统所采用的学习算法，判定树、神经网络、基于向量的表示等技术都可应用 于其中．基于内容推荐的用户描述是长效型的，它将随着系统对用户偏好的学习而不断更新，Ｓｃｈａｆｅｒ等称之为 “商品与商品的相关性推荐”＿１ ２１． ２．３基于效用的推荐技术 基于效用的推荐建立在用户需要和可选集之间匹配的评估之上，通过计算商品对用户的效用来做出推 荐，其核心问题是如何为每一位用户创建出合适的效用函数．基于效用的推荐其用户描述就是系统为用户创 建的效用函数，采用受满足技术来确定最佳匹配，它的优点是能在效用函数中考虑如提供商的可靠性、产 品的可获得性和可用性等非产品因素【１引． ２．４基于知识的推荐技术 基于知识的推荐是通过判断用户的需要来做出推荐，它具有特定商品满足特定用户需要的知识，并由此 推导出用户需要与某一推荐物品的相互关系．基于知识的推荐其用户描述可以是支持这种推导的任何知识结 构，各方法因所用的知识的不同而有明显的区别［Ｈ］．例如在Ｇｏｏｇｌｅ（ｈｔｔｐ：／／ｗｗｗ．ｇｏｏｇｌｅ．ｃｏｍ）中，用户描述仅仅 是用户所构造的查询语句．系统使用的知识也可以有多种形式，如Ｇｏｏｇｌｅ就是使用 ｂ页面间的链接信息来 推断流行度和权威性，而Ｐｅｒｓｏｎａ２ｋｏｇｉｃ是使用了关于功能的知识来计算效用函数的． ２．５基于用户统计的推荐技术 基于用户统计的推荐是根据用户个人属性对用户分类，再基于类对类中的用户统计信息进行推荐ｕ ．用 户个人信息可通过交互式的对话来收集，可采用机器学习来建立一个基于用户统计信息的分类器，用户的反 应与人工创建的模式库相匹配．基于用户统计的推荐系统与协同过滤推荐系统实际使用的数据完全不同，其 优点在于不需要用户评价历史数据． ３推荐技术的比较研究 基于协同过滤的推荐依赖于用户问评价的重叠，故当只有较少用户对同一件商品做出评价时就会出现 ・６４・ “评价稀少”，特别是在新系统的开发初期，会有大量商品出现，如果用户基群不够大，用户间能共享的商品评 价将会很少．故协同过滤推荐最适应于用户兴趣明显、用户兴趣密度相对较高而商品数量相对较少且恒定的 情况，而不适合于“灰色绵羊”情况，即一位用户游离于不同用户群体之问 引． 基于内容的推荐需要积累足够数量的评价才能构建出一个可靠的分类器，与基于协同过滤的推荐相似， 基于内容的推荐也因与所推荐的商品紧密相关而存在不足．例如，基于内容的电影推荐系统必须依赖于为每 一部电影所编写的作者名称、情节概述等描述资料，因为电影本身并不能被系统所理解． 基于效用和基于知识的推荐系统并不是基于用户数据的累积，所以都没有新用户问题（即对于做出较少 评价的新用户难以对其进行分类）、新商品问题（即对于做出较少评价的新商品难以对其进行推荐）和“评价稀 少”问题． 基于效用的推荐需要系统构建一个能涵盖所考虑商品全部特征的效用函数，它的优势是能综合考虑决定 商品价值的各种特征因素，包括递送计划、担保条款等等，而不仅仅是产品具体的性能特点，因此，基于效用的 系统会让用户表达出所有的考虑因素，以做出推荐．用户要构建一个完整的兴趣效用函数，就必须衡量每一个 因素的权重，这就为用户与系统问的交互增加了额外的负担．一个完整的显式效用函数会对有特殊购买需求 的专业用户有很大帮助，但对一位具备较少相关知识的临时用户就会增加麻烦，所以，基于效用的推荐系统不 适合于临时浏览用户． 基于知识推荐的重点和难点是需要获取知识，它会涉及三种知识：一是目录知识，即所推荐商品及其特征 的知识；二是功能知识，即系统应当能将用户的需求和可能满足该需求的商品的特征进行比较；三是用户知 识，为了提供优质的推荐服务，系统必须要有一些关于用户的知识．基于知识推荐的优势在于它对用户的要求 较少，因此适用于用户临时随机浏览的情况，没有新系统刚开始时常有的低质量推荐问题． 基于用户统计的推荐同样存在“灰色绵羊”情况，但它没有新用户问题，因为此系统不需要用户对商品的 评价．但是，随着个人隐私问题越来越敏感，搜集必需的用户统计信息将是本推荐系统所面临的问题，用户可 能拒绝对系统透露或虚构用来预测用户偏好的、极为关键的个人信息． 所有推荐技术都有优点和缺点，如表１所示． 表１推荐技术的比较研究 ４组合推荐策略 由于各种推荐方法都有优缺点，所以在实际中常采用组合推荐．研究和应用最多的是内容推荐和协同推 荐的组合 引．最简单的做法是分别用基于内容的方法和协同推荐方法，产生一个推荐预测结果然后用某方法 ，组合其结果．例如，利用用户评价数据得到的文档／词矩阵产生一个基于内容用户资料的矩阵，通过潜在语义 索引计算一个基于内容用户资料的排序形式，然后加权用户档案中的词义向量产生推荐． －６５・ 尽管理论上有很多种推荐组合方式，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的原则， 就是通过组合后要能避免或弥补各自推荐技术的弱点，如对于基于内容和协同过滤的技术，不论如何组合，总 是存在新用户、新商品问题，因为它们都要求有一个历史的评价数据；但若把基于协同过滤与基于知识或基于 效用的技术相结合，则能有效解决这些问题，因为后两种技术不需要许多用户历史数据．所以，在组合方式上 有以下思路ｌ Ｊ： （１）加权式：对多个推荐方法的计算结果加权组合而成； （２）混合式：同时为用户提供多种推荐方法的结果； （３）变换式：根据问题背景和实际情形采用不同的推荐方法； （４）特征组合式：组合来自不同推荐数据源的特征被另一种推荐方法所采用； （５）层叠式：先用一种推荐方法产生一种粗糙的推荐结果，第二种推荐方法在此推荐结果的基础上进一步 作出更精确的推荐； （６）特征递增式：第一种推荐方法产生附加的特征信息嵌入到其他推荐方法的特征输入中； （７）元层次式：用前一种推荐方法所产生的模型作为后一种推荐方法的输入． ５结束语 通过推荐系统实现个性化服务已成为电子商务应用的一项新兴技术，尽管国外目前已取得了很好的研究 成果，但还存在很多问题，如数据获取主要依赖用户的显式评价，在自动获得用户的隐式信息方面做得也不够 等等．目前，我国电子商务的推荐功能相对国外存在较大的差距，在个性化推荐和自动推荐方面的理论研究刚 刚起步，对协同推荐研究则更少，严重影响我国电子商务的发展．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ｌＴ技术的一个重要研究领域，得到了越来越多研究者的关注． 参考文献： ［１］曹毅．基于内容和协同过滤的混合模式推荐技术研究：［硕士论文］．长沙：中南大学，２００７． ［２］余［４］宁力，刘 鲁．电子商务个性化推荐研究［Ｊ］．计算机集成制造系统，２００４，１０（１０）：１３０６—１３１３． 彬，袁磊，电子商务推荐系统的应用［Ｊ］．商场现代化，２００７，（９）：９５． ［３］Ｒｅｓｎｉｃｋ ａｎｄ Ｖａｒｉａｎ．Ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍｓ［Ｊ］．Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｏｆｔｈｅ ＡＣＭ，１９９７，４ｏ（３）：５６～５８． ［５］Ｒｅｓｎｉｃｋ Ｐ，Ｉａｃｏｖｏｕ Ｎ，Ｓｕｃｈａｋ Ｍ，ｅｔ ａ１．Ｇｒｏｕｐ ｌｅｎｓ：ａｎ ｏｐｅｎ ａｒｃｈｉｔｅｃｔｕｒｅ ｆｏｒ ｃｏｌｌａｂｏｒａｔｉｖｅ ｉｆｌｔｅｉｒｎｇ ｏｆ ｎｅｔｎｅｗｓｌ Ａｊ．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆｔｈｅ Ｃｏｎｆｅｒ— ｅｎｅｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｓｕｐｐｏｓｅｄ Ｃｏｏｐｅｒａｔｉｖｅ Ｗｏｒｋ【Ｃ］．Ｃｈａｐｅｌ Ｈｉｌｌ，ＮＣ，１９９４，１７５—１８６． ［６］Ｇｏｌｄｂｅｒｇｄ，Ｎｉｃｈｏｌｓ Ｄ，Ｏｋｉｂ Ｍ，ｅｔ ａ１．Ｕｓｉｎｇ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｉｒｎｇ ｔｏ ｗｅａｖｅ ａｎ ｉｎｆｏｒｍａｔｉｏｎ ａｅｓｐｔｒｙ［Ｊ］．Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｏｆ ｔｈｅ ＡＣＭ，１９９２，３５ （１２）：６１—７０． ［７］Ｂｒｅｅｓｅ Ｊ，Ｈｅｃｈｅｒｍａｎ Ｄ，Ｋａｄｉｅ Ｃ．Ｅｍｐｉｒｉｃａｌ Ａｎ＇ａｂ ｓｉｓ ｏｆＰｒｅｄｉｃｔｉｖｅ Ａｌｇｏｒｉｔｈｍｓ ｆｏｒ Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｆｉｌｔｅｒｉｎｇ［Ａｊ．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆｔｈｅ １４ｔｈ Ｃｏｎｆｅｒ— ｅｎｃｅ ｏｎ Ｕｎｃｅｒｔａｉｎｔｙ ｉｎ Ａｒｔｉｉｆｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ（ＵＡＩ一９８）［Ｃ］．１９９８，４３—５２． ［８］温会平，陈俊杰．基于用户模糊聚类的个性化推荐算法［Ｊ］．计算机与数字工程，２００８，３６（２）：１３—１６． ［９］Ｓａｒｗａｒ Ｂ，Ｋａｒｙｐｉｓ Ｇ，Ｋｏｎｓｔａｎ Ｊ ａｎｄ Ｒｉｅｄｌ Ｊ．Ｉｔｅｍ－ｂａｓｅｄ ｃｏｌｌａｂｏｒａｔｉｖｅ ｉｆｌｔｅｒｉｎｇ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ［Ｃ］．Ｉｎ：Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ｒｅ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ Ｃｏｎｆｅｒｅｎｃｅ，２００１，２８５—２９５． ［１０］Ｂｅｎ Ｊ，Ｋｏｎｓｔｎ ａＪ Ａ，Ｊｏｈｎ Ｒ．Ｅ—ｃｏｍｍｅｒｃｅ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ａｐｐｌｉｃａｔｉｏｎｓ［Ｒ］．Ｕｎｉｖｅｒｓｉｔｙ ｏｆＭｉｎｎｅｓｏｔａ，２００１． ［１１］Ｌａｎｇ Ｋ．Ｎｅｗｓｗｅｅｄｅｒ：ｌｅａｒｎｉｎｇ ｔｏ ｆｉｌｔｅｒ ｎｅｗｓ［Ａ］．Ｐｒｃｅｅｄｉｏｎｇｓ ｏｆ ｈｅｔ １２ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ Ｏｉｌ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇｌ Ｃ Ｊ．１９９５，３３ｌ＿ ３３９． ［１２］Ｓｃｈａｆｅｒ Ｊ Ｂ，Ｋｏｎｓｔｎ ａＪ，Ｒｉｅｄｌ Ｊ．Ｒｅｃｏｍｍｅｎｄｅｒ Ｓｙｓｔｅｍｓ ｉｎ Ｅ２Ｃｏｍｍｅｒｃｅ［Ａ］．Ｐｒｏｃ ｆ ｏＡＣＭ Ｃｏｎｆ ｏｎ Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｍｍｅｒｃｅ［Ｃ］．１９９９，１５８ —１６６． ［１３］黎星星，黄小琴，朱庆生．电子商务推荐系统研究［Ｊ］．计算机工程与科学，２００４，２６（５）：７—１０． ［１４］刘平峰，聂规划，陈冬林．基于知识的电子商务智能推荐系统平台设计［Ｊ］．计算机工程与应用，２００７，４３（１９）：１９９—２０１・ 『１５］Ｐａｚｚａｒｄ Ｍ Ｊ．Ａ ｆｒａｍｅｗｏｒｋ ｏｆｒ ｃ０ｌｌａｂｏｒａｔｉｖｅ，ｃｏｎｔｅｎｔｂａｓｅｄ ａｎｄ ｄｅｍｏｇｒａｐｈｉｃ ｉｆｈｅｒｉｎｇ［Ｊ］．Ａｒｔｉｉｆｃｉｌａ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｒｅｖｉｅｗ，１９９９，１３（５／６）￣３９３ —４０８． ［１６］Ｒｏｂｉｎ Ｂ．Ｈｙｂｒｉｄ ｒｅｃｏｓｍｍｎｄｅｒ ｓｙｓｔｅｍｓ：ｓｕｒｖｅｙ ｎｄ ａｅｘｅｒｐｉｍｅｎｔｓ［Ｒ］．Ｄｅｐａｒｔｍｅｎｔ ｏｆＩｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ ａｎｄ Ｄｅｃｉｓｉｏｎ Ｓｃｉｅｎｃｅｓ，Ｃａｌｉｆｏｒｎｉａ Ｓｔａｔｅ Ｕｎｉｖｅｒｓｉｔｙ，Ｆｕｌｌｅｒｔｏｎ． （下转第７４页） ・６６ ・ ｌ７ｊ Ｈ Ｋａ￣ａｒａ，Ｓ Ｎａｒｉｔａ．Ｐｒａｃｔｉｃａｌ ｍｕｈｉｐｒｃｅｏｓｓｉｎｇ ｓｃｈｅｄｕｌｉｎｇ ｌａｇｏｒｉｔｈｍｓ ｆｏｒ ｅｌｆｉ—ｃｉｅｎｔ ｐａｒａｌｌｅｌ ｐｒｃｅｓｏｓｉｎｇ［Ｊ］ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ０ｎ Ｃｏｍｐｕｔ． ．ｅｒｓ，１９８４，３３（１１）：１０２３—１０２９． ８ Ｊ Ｊ Ｈ Ｈｏｌｌ ａｎｄ Ａｄａｐｔａｔｉｏｎ ｉｎ Ｎａｔｕｒａｌ ａｎｄ Ａｒｔｉｉｆｃｉｌａ Ｓｙｓｔｅｍｓ［Ｍ］．Ｍ１Ｔ Ｐｒｅｓｓ，Ｃａｍｂｒｉｄｇｅ，ＭＡ，ＵＳＡ，１９９２． １９Ｊ Ｊ Ｌｅｖｉｎｅ ｎｄ ａＦ Ｄｕｃａｔｅｌｌｅ．Ａｎｔ ｃｏｌｏｎｙ ｏｐｔｉｍｉｚａｔｉｏｎ ｎｄ ａｌｃａｏｌ ｓｅａｒｃｈ ｏｆｒ ｂｉｎ ｐａｃｋｉｎｇ ａｎｄ ｃｕｔｉｔｎｇ ｓｔｏｃｐｒｏｂｌｅｍｓ［Ｍ］．Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｏｐｅｒａｔｉｏｎａｌ Ｒｅｓｅａｒｃｈ Ｓｏｃｉｅｔｙ．２００３． 【１０』Ｇ Ｒｉｔｃｈｉｅ．Ｓｔａｔｉｃ ｍｕｌｔｉ—ｐｒｏｃｅｓｓｏｒ ｓｃｈｅｄｕｌｉｎｇ ｗｉｈｔ ａｎｔ ｃｏｌｏｎｙ ｏｐｔｉｍｉｓａｔｉｏｎ ａｎｄ ｌｏｃａｌ ｓｅａｒｃｈ［Ｍ］．Ｍａｓｔｅｒ’ｓ ｔｈｅｓｉｓ，Ｕｎｉｖｅｒｓｉｔｙ ｏｆＥｄｉｎ ｂ１ｌ ｈ． ２００３． ［１１］吴斌，史忠植．一种基于蚁群算法的ＴＳＰ问题分段求解算法［Ｊ］．计算机学报，２００１，２４（１２）：１３２８—１３３３． ［１２］吴庆洪，张纪会，徐心和．具有变异特征的蚁群算法［Ｊ］．计算机研究与发展，１９９９，３６（１０）：１２４０—１２４５． Ａ Ｈｙｂｒｉｄ Ａｐｐｒｏａｃｈ Ｂａｓｅｄ ｏｎ Ａｎｔｓ Ｃｏｌｏｎｙ Ｏｐｔｉｍｉｚａｔｉｏｎ （ＡＣＯ）ａｎｄ Ｇｅｎｅｔｉｃ Ｏｐｅｒａｔｏｒｓ Ｓｈｅｎｇ－ｘｉｎ ＇ （１．Ｄｅｐａｒｔｍｅｎｔ ｏｆＣｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，Ｘｉａｎｇｎａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｚｈｏｕ ４２３０００，Ｃｈｉｎａ； ２．Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ，Ｈｕｎａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｓｈａ ４１００８２，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｄｅｓｐｉｔｅ ｔｈｅ ｎｕｍｅｒｏｕｓ ａｐｐｌｉｃａｔｉｏｎｓ ｏｆ ＡＣＯ（ａｎｔ ｃｏｌｏｎｙ ｏｐｔｉｍｉｚａｔｉｏｎ）ａｌｇｏｒｉｔｈｍ ｉｎ ｏｐｔｉｍｉｚａｔｉｏｎ ｃｏｍｐｕｔａ— ｔｉｏｎ，ｉｔ ｒｅｍａｉｎｓ ａ ｃｏｍｐｕｔａｔｉｏｎａｌ ｂｏｔｔｌｅｎｅｃｋ山ａｔ ｔｈｅ ＡＣＯ ａｌｇｏｒｉｔｈｍ ｃｏｓｔｓ ｔｏｏ ｍｕｃｈ ｔｉｍｅ ｉｎ ｏｒｄｅｒ ｔｏ ｉｆｎｄ ａｎ ｏｐｔｉｅａｒｌ ｓｏｌｕｔｉｏｎ ｆｏｒ ｌａｒｇｅ—ｓｃａｌｅｄ ｏｐｔｉｍｉｚａｔｉｏｎ ｐｒｏｂｌｅｍｓ．Ｔｈｅ ｏｂｊｅｃｔｉｖｅ ｉｓ ｔｏ ｆｉｎｄ ａｎ ｏｐｔｉｍａｌ ｓｃｈｅｄｕｌｅ ｗｈｉｃｈ ｗｉｌｌ ｍｉｎｉｉｚｅ ｍｔｈｅ ｍａｋｅｓｐａｎ ＳＯ ａＳ ｔｏ ｅｎｓｕｒｅ ｔｈｅ ｐｒｏｐｅｒ ｕｔｉｌｉｚａｔｉｏｎ ｏｆ ｔｈｅ ｒｅｓｏｕｒｃｅｓ ａｎｄ ｉｎｉｍｍｉｚｅｔｈｅ ｄｅｌａｙ ｉｎ ａｃｈｉｅｖｉｎｇ ｕｓｅｒ ｓｐｅｃｉ— ．ｌｆｅｄ ｄｅａｄｌｉｎｅｓ．Ａ ｈｙｂｒｉｄ ａｐｐｒｏａｃｈ ｂａＳｅｄ ｏｎ ＡＣＯ ａｎｄ Ｇｅｎｅｔｉｃ ｏｐｅｒａｔｏｒｓ ｉｓ ｐｒｏｐｏｓｅｄ ｆｏｒ ｒｅｓｏｕｒｅｅ ａｌｌｏｃａｔｉｏｎ ａｎｄ ｓｃｈｅｄｕｌｉｎｇ ｉｎ ｃｏｍｐｕｔａｔｉｏｎａｌ ｇｒｉｄｓ． Ｋｅｙ ｗｏｒｄｓ： ｄ ｓｃｈｅｄｕｌｉｎｇ；ｃｏｍｐｕｔａｔｉｏｎａｌ ｇｒｉｄｓ；ｇｅｎｅｔｉｃ ｏｐｅｒａｔｏｒｓ；ａｎｔｓ ｃｏｌｏｎｙ ｏｐｔｉｍｉｚａｔｉｏｎ 、 ≯ ｐ ≯ 、 ； 、 声 ≯ ＾ ＃ 、 、二 ≯ （上接第６６页） Ｒｅｓｅａｒｃｈ ｏｎ Ｒｅｃｏｍｍｅｎｄｉｎｇ Ｓｙｓｔｅｍ ｏｆ Ｐｒｉｍａｒｙ Ｔｅｃｈｎｏｌｏｇｉｅｓ ｉｎ Ｅ．ｃｏｍｍｅｒｃｅ ＣＡＯ Ｙｉ ，ＬＵＯ Ｘｉｎ—ｘｉｎｇ （１．Ｈｕｎａｎ Ｉｎｓｔｉｔｕｔｅ ｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈｅｎｇｙａｎｇ４２１１０１，Ｃｈｉｎａ； ２．Ｓｃｈｏｏｌ ｏｆ Ｂｕｓｉｎｅｓｓ Ｃｅｎｔｒａｌ Ｓｏｕｔｈ Ｕｎｉｖｅｒｓｉｙ，Ｃｈａｔｎｇｓｈａ ４１００８３，ｃ￣ｎａ） Ａｂｓｔｒａｃｔ：Ｃｏｎｃｅｐｔ ｏｆ Ｅ．ｃｏｍｍｅｒｃｅ ｒｅｃｏｍｍｅｎｄｉｎｇ ｓｙｓｔｅｍ ｉｓ ｂｒｉｅｆｌｙ ｉｎｔｏｄｕｃｅｄ ａｔｒ ｔｈｅ ｂｅｇｉｎｎｉｎｇ ｏｆ ｔｈｅ ｐａｐｅｒ．Ａｎｄ ｈｔｅｎ ｆｉｖｅ ｍａｉｎ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｔｅｃｈｎｏｌｏｇｉｅｓ ｓｕｃｈ ａｓ ｅｏｌｌａｂｏｒａｔｉｖｅ ｉｆｌｔｅｒｉｎｇ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ，ｒｅｃｏｎｕｎｅｎｄａｔｉｏｎ ｂａｓｅｄ ｏｎ ｃｏｎｔｅｎｔｓ，ｕｔｉｌｉｔｙ，ｋｎｏｗｌｅｄｇｅ ａｎｄ ｄｅｍｏｇｒａｐｈｉｃ ａｒｅ ｍｅｎｔｉｏｎｅｄ．Ａｎａｌｙｓｉｓ ａｎｄ ｃｏｍｐａｒｉｓｏｎ ａｍｏｎｇ ｔｈｅｓｅ ａｂｏｖｅ ｍｅｎｔｉｏｎｅｄ ｔｅｃｈｎｉｃａｌ ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ ａｒｅ ａｌｓｏ ｐｒｏｖｉｄｅｄ．Ｔｈｅ ｃｏｍｂｉｎｅｄ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｓｔｒａｔｅｇｙ ｓｕｉｔａｂｌｅ ｆｏｒ ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ Ｅ—ｃｏｎｌｍｅｒｃｅ ｉｎ Ｃｈｉｎａ ｉｓ ｐｒｅｓｅｎｔｅｄ ａｔ ｌａｓｔ． Ｋｅｙ ｗｏｒｄｓ：Ｅ．ｃｏｍｍｅｒｃｅ；ｄａｔａ ｍｉｎｉｎｇ；ｒｅｃｏｍｍｅｎｄｉｎｇ ｓｙｓｔｅｍ；ｐｅｒｓｏｎａｌｉｚｅｄ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ
