电子商务推荐系统实现方法的分析

成绩：

学 年 论 文

题 目： 学 院： 专 业： 班 级： 学 号： 姓 名： 指导教师：

电子商务推荐系统实现方法的分析

信息工程学院计算机系

电子商务

2011 年 5 月 15 日

电子商务推荐系统基本实现方法的分析

电子商务08-01

摘要：互联网技术的迅猛发展把我们带进了信息爆炸的时代. 海量信息的同时呈现,

一方面使用户很难从中发现自己感兴趣的部分, 另一方面也使得大量少人问津的信息成为网络中的“暗信息”, 无法被一般用户获取. 个性化推荐系统通过建立用户与信息产品之间的二元关系, 利用已有的选择过程或相似性关系挖掘每个用户潜在感兴趣的对象, 进而进行个性化推荐, 其本质就是信息过滤. 个性化推荐系统不仅在社会经济中具有重要的应用价值, 而且也是一个非常值得研究的科学问题. 事实上, 它是目前解决信息过载问题最有效的工具. 文中根据推荐算法的不同, 分别介绍了协同过滤系统, 基于内容的推荐系统, 混合推荐系统, 以及最近兴起的基于用户—产品二部图网络结构的推荐系统. 并结合这些推荐系统的特点以及存在的缺陷, 提出了改进的方法和未来可能的若干研究方向. 推荐系统的研究受到了信息科学、计算数学、统计物理学、认知科学等多学科的关注, 它与管理科学、消费行为等研究也密切相关. 能够为不同学科领域的科研工作者研究推荐系统提供借鉴, 有助于我国学者了解该领域的主要进展. 关键词：协同过滤推荐算法；皮尔逊相关度；欧几里得距离评价；卓越亚马逊

目录

1.1研究背景 ....................................................................................................................... 1 1.2定义 ............................................................................................................................... 1

1、概述 ...................................................................................................................................... 1

2、推荐系统历史 ...................................................................................................................... 1

2.1个性化推荐系统的发展历程 ....................................................................................... 1 3、电子商务推荐系统的基本实现方法分析 .......................................................................... 2

3.1电子商务推荐系统的分类 ........................................................................................... 2 3.2电子商务推荐系统的基本算法： ............................................................................... 3

3.2.1基于关联规则的推荐算法 ............................................................................ 3 3.2.2基于内容的推荐算法 ......................................................................................... 3 3.2.3协同过滤推荐算法(Collaborative Filtering Recommendation) ......................... 3

4、电子商务推荐系统的工作流程 .......................................................................................... 4

4.1数据采集 ....................................................................................................................... 4 4.2数据预处理 ................................................................................................................... 4

4.2.1欧几里得距离评价： ......................................................................................... 5 4.2.2皮尔逊相关度： ................................................................................................. 5 4.3形成推荐 ....................................................................................................................... 6 4.4结果显示 ....................................................................................................................... 8

4.4.1卓越亚马逊的推荐系统分析 ............................................................................. 8 4.4.2豆瓣网的推荐系统分析 ..................................................................................... 8

5、电子商务推荐系统的作用 ................................................................................................ 10 6、总结 .................................................................................................................................... 10 参考文献 .................................................................................................................................. 10 附录1 ....................................................................................................................................... 12

1、概述

1.1研究背景

与传统的商务活动相比,电子商务具有不可比拟的优势,如降低企业成本、提高效率、提高企业的竞争力、提供给用户更多的选择等。如今,电子商务的效益日益明显,通过Internet建立自己的网上商店进行商务活动的企业越来越多,但这些虚拟的商店并没有配备相应的销售人员来引导用户购物。随着电子商务网站规模的不断扩大,网上商品越来越丰富,虽然用户有了更大的选择空间,但同时也增加了用户购买所需商品的难度,用户在找到自己需要的商品之前,往往需要浏览大量的无关信息。为了解决这个问题,有效地指导用户在电子商务网站中购物,人们提出了电子商务推荐系统。 1.2定义

电子商务推荐系统(Recommendation Systems for E-Commerce)定义是：“它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”。

推荐系统面对的是用户(user)，任务是为用户提供对项目(item)的推荐。用户是指推荐系统的使用者，也就是电子商务活动中的客户。项目是被推荐的对象，是指电子商务活动中提供给客户选择的产品和服务，也就是最终推荐系统返回给用户的推荐内容。在一个电子商务活动中，用户数和项目数是非常多的。推荐系统面对的当前用户，称为目标用户或者活动用户。推荐系统的当前工作，就是为根据一定的算法，给出对目标用户的推荐项目。

2、推荐系统历史

2.1个性化推荐系统的发展历程

1995年3月，卡耐基.梅隆大学的RobertArmstrong等人在美国人工智能协会上提出了个性化导航系统Web Watcher; 斯坦福大学的MarkoBalabanovic等人在同一会议上推出了个性化推荐系统LIRA；

1995年8月，麻省理工学院的Henry Lieberman在国际人工智能联合大会（IJCAI）上提出了个性化导航智能体Litizia；

1996年， Yahoo 推出了个性化入口My Yahoo；

1997年，AT&T实验室提出了基于协作过滤的个性化推荐系统PHOAKS和Referral Web;

1

1999年，德国Dresden技术大学的Tanja Joerding实现了个性化电子商务原型系统TELLIM；

2000年，NEC研究院的Kurt等人为搜索引擎CiteSeer增加了个性化推荐功能；

2001年，纽约大学的Gediminas Adoavicius和Alexander Tuzhilin实现了

个性化电子商务网站的用户建模系统1：1Pro；

2001年，IBM公司在其电子商务平台Websphere中增加了个性化功能，以便商家开发个性化电子商务网站。

3、电子商务推荐系统的基本实现方法分析

3.1电子商务推荐系统的分类

目前,电子商务推荐系统的分类方法存在多种,根据推荐的自动化和持久性程度,可以将电子商务推荐系统分为非个性化电子商务推荐系统、基于属性的电子商务推荐系统、用户相关性推荐系统和商品相关性推荐系统。

（1）非个性化电子商务推荐系统：是基于其他用户对商品的综合评价,或是基于电子商务系统的销售排行,或是基于电子商务系统的编辑推荐,向当前用户提供推荐信息 （2）基于属性的电子商务推荐系统：是根据商品的属性特征向用户产生推荐列表 （3）用户相关性推荐系统：首先搜索当前用户的最近邻居,然后根据最近邻居的购买历史或评分信息向当前用户产生推荐

（4）商品相关性推荐系统：主要根据商品之间的相关性向用户产生相应的推荐信息。 根据所采用的推荐技术可以将电子商务推荐系统分为以下几种类型:

（1）协同过滤推荐系统：协同过滤系统是第一代被提出并得到广泛应用的推荐系统。其核心思想可以分为两部分：首先是利用用户的历史信息计算用户之间的相似性；然后，利用与目标用户相似性较高的邻居对其他产品的评价郁卒目标用户对特定产品的喜爱程度。系统根据这一喜好程度来对目标用户进行推荐。协同过滤推荐系统最大的有点是对推荐对象没有特殊的要求，能处理音乐、电影等难以进行文本结构化表示的对象。 （2）基于内容过滤的推荐：历史上, 最初的基于内容的推荐

(content2basedrecommendation)你是协同过滤技术的延续与发展,它不需要依据用户对项目的评价意见, 而是依据用户已选择的产品内容信息计算用户之间的相似性, 进而进行相应的推荐. 随着机器学习等技术的完善, 当前的基于内容的推荐系统可以分别对用户和产品建立配置文件, 通过分析已经购买(或浏览)过的内容, 建立或更新用户的配置文件. 系统可以比较用户与产品配置文件的相似度, 并直接向用户推荐与其配置文件最相似的产品。 （3）基于关联规则的推荐

2

（4）基于用户统计信息的推荐

（5）基于效用的推荐和基于知识的推荐等。 3.2电子商务推荐系统的基本算法： 3.2.1基于关联规则的推荐算法 3.2.2基于内容的推荐算法

Content-based Recommendation

内容过滤主要采用自然语言处理、人工智能、概率统计和机器学习等技术进行过滤。

通过相关特征的属性来定义项目或对象,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，努力向客户推荐与其以前喜欢的产品相似的产品。如新闻组过滤系统News Weeder。

基于内容过滤的系统其优点是简单、有效。其缺点是特征提取的能力有限，过分细化，纯基于内容的推荐系统不能为客户发现新的感兴趣的资源,只能发现和客户已有兴趣相似的资源。这种方法通常被在容易分析内容的商品的推荐，而对于一些较难提取出内容的商品，如音乐CD、电影等就不能产生满意的推荐效果。 3.2.3协同过滤推荐算法(Collaborative Filtering Recommendation)

协同过滤推荐系统的算法可以分为两类: 基于记忆(memory2based) [13 —15] 的和基于模型的(model2based)的算法。 基于记忆的算法根据系统中所有被打过分的产品信息进行预测. 设C= { c1 , c2 , ⋯, cN } 为用户集合, S = { s1 , s2 , ⋯, sM } 为所有的产品集合.设rc, s为用户c 对产品s 的打分, 这个打分是不知道的, 需要通过算法去预测. 在协同过滤系统中, 用户c 对产品s 的打分rc , s通过其他用户对s 的打分计算而得到. 设C为与用户c 相似度比较高的用户集, 预测rc, s的函数形式有：

rc,s1Nrc,s （1）

tcrc,sksim(c,c)rc,s （2）

ccrc,srcksim(c,c)(rc,src) （3）

cc 与传统文本过滤相比，协同过滤有下列优点:

（1）能够过滤难以进行机器自动基于内容分析的信息。如艺术品、音乐; （2）能够基于一些复杂的，难以表达的概念（信息质量、品位)进行过滤; （3）推荐的新颖性。 正因为如此，协同过滤在商业应用上也取得了不错的成绩。Amazon，CDNow，MovieFinder，都采用了协同过滤的技术来提高服务质量。

3

缺点是:

（1）用户对商品的评价非常稀疏，这样基于用户的评价所得到的用户间的相似性可能不准确（即稀疏性问题）;

（2）随着用户和商品的增多，系统的性能会越来越低（即可扩展性问题）; （3）如果从来没有用户对某一商品加以评价，则这个商品就不可能被推荐（即最初评价问题）。因此，现在的电子商务推荐系统都采用了几种技术相结合的推荐技术。

4、电子商务推荐系统的工作流程

虽然电子商务推荐系统的种类很多,所采用的推荐技术也不尽相同,但各种推荐系统的工作流程基本相同,主要包括数据采集、数据预处理、形成推荐和结果显示等环节。 4.1数据采集

数据采集方式主要有两种类型:显式采集和隐式采集。其中,显式采集方式是指推荐系统需要用户显式地输入形成推荐所需要的信息,包括用户信息、用户对商品的评价等;隐式采集方式是指推荐系统根据电子商务系统在用户的购物过程中自动记录的信息形成推荐,比如用户浏览或者购买了哪些商品,以此来分析用户的行为特性,不需要用户输入任何信息。

显式方式获得的数据通常比较准确,但需要用户显式地输入信息,数据采集比较困难。隐式方式获取数据的准确性要低一些,且只能获得用户比较简单的评价,但采集数据相对比较容易。在实际的电子商务推荐系统应用中,针对用户和电子商务网站不同的需求,两种方式都有各自的应用场合。、

采集数据可以通过搜集客户偏好的方式进行，我们可以运用在Python中使用一个嵌套字典的方法来实现。 4.2数据预处理

数据采集阶段所获得的数据往往具有不同的存储格式,而不同的推荐技术所要求的数据格式也不尽相同。因此,在形成推荐以前往往要根据不同的推荐技术对不同类型的数据进行相应的预处理,将其转化成符合所使用推荐技术要求的格式。

比较常用的存储格式包括:基于内容的文本格式和基于数值的矩阵格式。其中,基于内容的文本格式数据需要用语义分析等知识进行预处理;基于数值的矩阵格式数据,通常是用M×N的用户-商品评价矩阵R来表示,矩阵中的元素R表示第i位用户对第j个商品的评价,可以当作数值来进行处理。数据预处理包括数据清洗、会话识别和事务识别等过程。

4

寻找相近的用户：通过搜集的不同人群的偏好数据，我们用一定的方法来确定人们在品味方面的相似程度。为此，我们可以将每个人与所有其他人进行对比，并计算他们的相似度评价值。方法如下： 4.2.1欧几里得距离评价：

欧几里得距离评价方法，它经过人们一致评价的物品为坐标轴，然后将参与评价的人绘制到图上，并考察他们彼此间的距离远近，如图（1）所示：

图（1）欧几里得距离评价法图

图中的点距离越近，表明两个人的偏好越接近。推广到向量空间，欧几里得法可表示为：计算每一轴上两点的差值求平方，再将各轴相加，最后取平方根。 如计算Toby和LaSalle的距离： >> from math import sqrt >> sqrt(pow(5-4,2)+pow(4-1,2)) 3.1622776601683795

为了给偏好接近的情况给出较大的值，可取该值的倒数，并+1避免除数为0： >> 1/(1+sqrt(pow(5-4,2)+pow(4-1,2))) 0.2402530733520421 4.2.2皮尔逊相关度：

皮尔逊相关系数是一种更复杂的方法，它通过计算两组数据与某一直线拟合的程度来判断它们的相似程度。该方法有助于克服所谓的“夸大评价”现象对结果的影响。如图（2）所示：

5

图（2）皮尔逊相关图示

皮尔逊相关度评价算法首先会找出两位评论者都曾经评价过的物品，然后计算两者的评分总和与平方和，并求得评分的乘积之和。

图中，虽然Jack对电影的评价比Lisa更为极端(更容易给出高分和低分）,但这个坐标系中的点都相当靠近拟合曲线(图中虚线)，可以说两人的品味较为相近。 4.3形成推荐

电子商务推荐系统完成了数据采集工作,并对数据进行预处理之后,就可以利用各种推荐方法进行推荐。是电子商务推荐系统工作流程中最为关键的一个步骤。

推荐者通常通过给用户展示他们可能感兴趣的产品或服务来促进购买。例如，诸如Amazon.com是通过利用偏好或其他用户购买信息来介绍书籍或者其它产品给用户的推荐系统。然而，使用的技术相当简单，而且并非很精确和有效。基本上，程序将当前客户购买的一系列产品与其他客户购买的一系列产品作比较，选择客户购买较多的产品与当前客户购买的产品集合的交集，最后从中选出一些尚未被客户所购买而仍然在顾客购物篮中的产品，并将它们作为推荐列表呈现给客户。

电影或音乐唱片的推荐，例如Moviefrnder.com，通过预知一个人的偏好与其他人偏好的线性权重集合，并运用协作过滤技术来实现对于推荐系统的研究可分为三个种类：技术系统开发研究、用户行为研究、隐私问题研究。

推荐系统从广义上可以划分为基于规则的系统和信息过滤系统。信息过滤系统又可分为基于内容过滤的系统和协作过滤系统。

4.3.1基于规则的系统：如IBM的WebSphere， BroadVi-sion， ILOG等。他们允许系统管理员根据用户的静态特征和和动态属性来制定规则，一个规则本质上是一个if-then语句，规则决定了在不同的情况下提供不同的服务。基于规则的系统，其优点

6

是简单、直接，缺点是规则质量很难保证，而且不能动态更新。此外，随着规则的数量增多，系统将变得越来越难以管理。

4.3.2基于内容过滤的系统：例如Personal WebWather， SysKill&Webert， Letizia， CiteSeer， if Web， SIFTER， PVA， WebMate， WebACE， ELFI和WebPersonalizer等。他们利用资源与用户兴趣的相似性来过滤信息。

（1）基于内容的推荐系统通过将顾客的偏好与产品内容自动匹配来给顾客提供建议，例如网页和消息条目的推荐。在基于内容的系统中，产品由其普通属性描述。顾客偏好通过分析产品比率以及相应的产品属性来预测。基于内容过滤的系统，其优点是简单、有效。缺点是难以区分资源内容的品质和风格，而且不能为用户发现新的感兴趣的资源，只能发现和用户已有兴趣相似的资源。在基于内容的推荐系统中，一个核心问题是识别关键属性集合。如果该集合太小，显然，这对于识别用户剖面是不充分的。因此，基于内容的推荐系统不能用于仅仅实施一次购买行为新顾客，或者访问了该网站，却没有实施任何购买行为的潜在顾客，以及购买他不是特别经常购买的一种产品的顾客。

（2）协作过滤系统如：WebWather， Let＇sBrowse， Tapestry， GroupLens， Fab，

Alexa， Firefly， SELECT， LikeMinds和Site-Seer等。他们利用用户之间的相似性来过滤信息。协作性的推荐系统估计顾客对特定产品的偏好是根据顾客对该产品的偏好率以及其他顾客对同一产品的偏好率的比较来实现的。协作性的推荐系统与基于内容的推荐系统之间的主要区别是协作性的推荐系统通过跟踪一组顾客过去的行为来给该组中的个别顾客提供建议。使用该方法，顾客现在就可以接受建议，而在基于内容的推荐系统中，只要具有相似意向的其他顾客的偏好，顾客就己经具有先前预测了。

优点：能为用Web数据挖掘的研究及其在网络学习个性化推荐中的应用户发现的新的感兴趣的信息

缺点：稀疏性，亦即在系统使用初期，由于系统资源还未获得足够多的评价，系统很难利用这些评价来发现相似的用户；

可扩展性，亦即随着系统用户和资源的增多，系统的性能会越来越低。协作性的过滤方法用来识别与既定客户具有相似兴趣的顾客，所推荐的产品也是这些给定客户喜欢的产品。

4.3.3 还有一些个性化服务系统如：WebSIFT， FAB， Anatagon-omy和Dynamic Profiler等，同时采用了基于内容过滤和协作过滤这两种技术。结合这两种过滤技术可以克服各自的一些缺点，为了克服协作过滤的稀疏性问题，可以利用用户浏览过的资源内容预期用户对其他资源的评价，这样可以增加资源评价的密度，利用这些评价再进行协作过滤，从而提高协作过滤的性能。

7

4.4结果显示

推荐结果形成后,接下来的任务是如何把推荐结果呈现给用户。不同的推荐结果显示时机和方式,往往可以起到不同的推荐效果。结果显示的途径主要包括：

（1）将电子商务网站最热销的商品或者最新加入的商品以排行榜的形式显示给用户。 （2）根据用户的查询操作和要求形成推荐,并将推荐结果按照匹配程度或者用户的感兴趣程度进行排序,以列表或超链接的形式把推荐结果显示给用户。 （3）向用户提供其他用户对用户正在浏览商品的评价信息。 （4）根据用户的兴趣爱好向当前用户推荐商品。 （5）向用户推荐与用户购物车中商品相关的商品。

（6）以电子邮件方式向用户发送其可能感兴趣的商品或者新加入系统的商品信息。 4.4.1卓越亚马逊的推荐系统分析

卓越亚马逊的推荐系统可主要分为7个主要方向。其分别是：

（1）更多供您考虑的商品：仅仅针对顾客以往浏览记录的跟踪与分析，大致的推荐出与顾客以往浏览商品有关的商品。

（2）搜索类似商品的顾客最终购买：针对顾客以往的搜索记录，推荐与顾客具有一定相似性的其他顾客群已经购买的商品。

（3）为您推荐的图书：作为在图书方面占据极大优势的网站，卓越针对顾客以往在图书方面的购买行为进行了有效的跟踪与记录分析，并未顾客推荐与以往购买行为先关的书籍。例如以往所购买的书籍的续本，或者同类型得书籍的不同版本。

Amazon.com通过将书籍推荐给已经购买过特定书籍的顾客实现个性化推荐的。Amazon.com.所推荐书籍概括的分为有两种：小说书籍和非小说书籍。小说书籍的推荐很简单，就是将同一作者的其它小说书籍推荐给特定用户，这样最终就将由该作者撰写的相似类别的小说书籍推荐给了有相似背景的用户。而非小说书籍的推荐将是将每个作者的相似类别的小说书籍推荐给了有相似背景的用户。

（4）与您浏览过的商品相关的推荐：根据顾客以往对商品商品的浏览行为，推荐其他相似顾客群在此类商品上还浏览过哪些性质相似的产品。

（5）根据浏览记录为您推荐：单纯根据顾客的浏览记录为顾客推荐较为泛泛的各大类商品。

（6）亚马逊畅销产品推荐：向顾客推荐亚马逊的自主营销品牌和畅销产品。 （7）最受关注商品：根据不同商品大类，向顾客推荐时下流行商品和销量最好的商品。

4.4.2豆瓣网的推荐系统分析

针对性、个性化程度最高的是需要用户留下使用记录的“豆瓣猜”和“友邻”。豆瓣的“最受欢迎新评论” 是基于热点投票、点击或借阅次数的叠加, 能够在总体上反映出大众阅读的关注点。

8

类型 代表 书目推荐形式 面向用户 有 用 性 除基本书目著录信息以外的推荐内容 推荐数目数量 更新速度 推荐书目服务获得方式 易 用 性 资源实体获取方式 辅助检索功能 用户与工作人员间信息反馈机制 满意度 可到达性 普及性 可靠性

Web2.0型 豆瓣 最受欢迎评论 所有人 豆瓣猜你会喜欢 友邻 新书排行榜 所有人 分类浏览 所有人 注册用户 注册用户 展开资源介绍页获得用户评论，回应，主题论坛，及用户常用标签 6种 及时 5种 及时 30种 及时 个人友邻网站首页 网站首页 设置或网站首页 12种 每周 网站首页导航 20种 及时 网站首页导航 通过链接进入购物网站 搜索引擎 站务论坛 在全局导航条、局部导航条及辅助导航条均有对其他推荐服务的宣传 其他树木推荐服务配合宣传 不同书目推荐服务能否一步互相转换 针对特殊人群的书目推荐 可以 没有 信息发布来源 用户 9

5、电子商务推荐系统的作用

电子商务推荐系统的最大的优点在于它能收集用户兴趣资料并根据用户兴趣偏好为用户主动作出个性化的推荐，也就是说，当用户每次输入用户名和密码登录电子商务网站后，推荐系统就会按照目标用户偏好程度的高低推荐用户最喜爱的N个产品，而且系统给出的推荐是实时更新的，也就是说当系统中的产品库和用户兴趣资料发生改变时，给出的推荐序列会自动改变，大大方便了用户，也提高了企业的服务水平。 总体说来，电子商务推荐系统的作用主要表现在以下几个方面：一方面，使用户从无限的网络资源和商品世界中解脱出来，大大节约了用户采购商品的时间和成本；与此同时，推荐系统的个性化推荐服务，提高了客户对电子商务网站的忠诚度(Building Loyalty)，将更多的电子商务网站浏览者转变为商品的购买者，从而提高电子商务网站的交叉销售能力(Cross-Selling)，为电子商务企业赢得了更多的发展机会。 研究表明，在基于电子商务的销售行业使用个性化推荐系统后，能提高销售额2%-8%，尤其在书籍、电影、CD音像、日用百货等产品相对较为低廉且商品种类繁多的行业，以及用户使用个性化推荐系统的程度高的行业，推荐系统能大大提高企业的销售额。

电子商务推荐系统和销售系统(Marketing Systems)、供应链决策支持系统(Supply-Chain Decision-Support Systems)既相似又有不同。销售系统是帮助销售人员如何把产品销售出去；推荐系统最终目的帮助用户，辅助用户购买什么产品做出决策。供应链决策支持系统是帮助生产者决定什么时候生产多少什么产品，以及仓库应该存贮多少各类产品，其最终目的是为企业生产者服务的，而同样推荐系统是面向用户的系统。

6、总结

电子商务推荐系统的应用实施为电子商务的发展添加了足够的燃料，使电子商务的发展更加有力和快速。而推荐系统的发展也成为了电子商务竞争中决定成败的关键所在，是否能为用户提供更大的方便，是否能将网站的运营管理推向更为简单的方式，已经成为了各大电子商务网站的首要任务。

10

参考文献：

[1] 梅田望夫. 网络巨变元年———你必须参加的大未来[M]. 先觉: 先觉出版社, 2006年. [2] Resnick P , Iakovou N , Sushak M , et al . An openarchitecture for collaborative filtering

of netnews[J]. Computer Supported Cooperative Work Conf ,1994年 : 175 —186. [3] Hill W, Stead L , Rosenstein M , et al . Recommending and eval2uating choices in a virtual

community of use[J]. Conf Human Factors in Computing Systems , 1995年 : 194 —201. [4] Rich E. User modeling via stereotypes[J]. Cognitive Science , 1979年3月: 329 —354. [5] Goldberg D , Nichol s D , Oki BM , et al . Using collaborative filte2 ring to weave

an information tapest ry[J]. Comm ACM , 1992年:61 —70. [6] Toby Segaran.集体智慧编程[M].电子工业出版社，2009年1月.

11

附录1

信息工程学院计算机系学年论文成绩评定表

学生姓名 学年论文题目 成绩（百分制） 一级指标 二级指标 学号 专业班级 成绩（五级制） (A级) (B级) (C级) 5 5 10 10 10 10 10 10 20 10 4 4 8 8 8 8 8 8 16 8 3 3 6 6 6 6 6 6 12 6 (D级) 2 2 4 4 4 4 4 4 8 5 项目 小计 选题质量 选题符合专业目标 (10分) 选题难度和工作量 专业知识掌握水平 能力水平 综合运用知识能力 (40分) 文献检索能力 计算机应用能力 论文质量 论文撰写水平 论文规范化程度 (40分) 论文成果价值，创新程度 工作态度 （10分） 完成学年论文的 积极性和主动性 注：每个评分项目只给1个分数，在指标项处划“√”；总评成绩按“五级制”折算。 指导教师综合评语： 指导教师签名： 日期：

12