推荐系统的本质就是将用户和项目结合起来。电子商务网站的推荐系统，就是充当一个优秀的导购员向消费者个性化推荐商品，让顾客在浏览网页过程中产生购买欲望，将浏览者变为购买者；或者在顾客购买过程中给出一个推荐列表，用户可能在其中找到对自己有价值但没买过的商品，这就是所谓的“交叉销售”。在线交易竞争逐渐白热化，因此很多致力于这方面的研究人员提出了一对一的营销理念。这种理念重点关注顾客的忠诚度，针对不同顾客提供个性化服务，即一对一“量身定做”的服务，使得信息技术的优势尽显。实际上，为了提高顾客对网站的“satisfaction”和“loyalty”，很多IT公司一直在尝试不断完善个性化推荐系统，如亚马逊在线书城用Net Perception公司的配书（book matcher）软件，依据消费者消费过程中表现出来的品喜好和历史购买记录，给顾客提供个人独有的推荐列表。当发展到一定阶段，用户可能感觉自己是该网站的唯一用户——打开网站一眼看到全是自己喜欢并且想买的商品，没有广告。这就是我们未来研究的方向和重点。
1.2　研究现状
1.3　论文的研究内容与组织
全文共分五章，并按照如下的方式进行组织：
第一章：绪论。本章主要介绍了推荐系统的研究背景与意义，简单介绍了推荐系统的研究现状，最后给出论文的主要研究内容和组织结构。
第二章：推荐系统综述及相关技术。本章阐述了推荐系统的相关基本知识及技术，包括推荐系统组成、分类以及评价方法，并对第4章需要用到的评测指标及第5章需要用到的Apache Mahout进行了简要介绍，同时对推荐系统常用数据集和国内外的相关竞赛进行总结。
第三章：协同过滤推荐算法的研究。本章主要分析了推荐系统的核心，并且分类论述了User-Based CF和Item-Based CF算法的算法原理及实现步骤，最后则阐述了协同过滤目前面对的一些挑战。
第四章：推荐算法对比实验。本章介绍了此次实验所需数据来源、实验设计方法，以及实验结果及分析，最后对两个算法进行多方面对比。
第五章：基于Apache Mahout的电影推荐引擎。本章详细介绍了基于Mahout实现推荐引擎开发的整个原理步骤，并给出了显示界面。
2  推荐系统综述及相关技术
2.1　推荐系统组成
付江指出，一个完整的推荐系统由三部分构成：行为记录模块、模型分析模块和推荐模块[4]。推荐系统组成如下图1.1所示：
 
图 2.1 推荐系统基本组成
其中，行为记录模块负责记录比如点击、购买、收藏、评论等能够体现用户个人喜好的历史行为信息。研究发现，用户行为可以来源于不同文度。这就要求推荐系统可以按照不同文度组合分析用户行为，挖掘其背后的用户兴趣。模型分析模块则负责通过不同算法建立起相应模型表征用户的兴趣偏好，以便对用户产生的行为记录进行分析。其中，根据算法采用策略的不同，可以将推荐系统归为Content-based (基于内容，简称CB)、Collaborative Filtering (协同过滤，简称CF)、Knowledge-based（基于知识）以及Association Rule-based（基于关联规则）的推荐系统。最后，推荐模块利用模型分析模块的分析结果，搭建用户与待推荐的物品（商品、音乐、新闻等）的桥梁，最终为用户实时推荐其感兴趣的物品。通过对于推荐系统的基本组成分析可以看出，为了提高推荐结果的质量，系统不仅仅需要考虑优化推荐模块的算法选取，如何通过不同纬度采集用户信息，如何建立用户兴趣主题对于建立一个推荐系统来说同样至关重要。 面向电商平台的商品个性化推荐系统设计(3):http://www.youerw.com/jisuanji/lunwen_21338.html