3。2  研究的过程 12

3。2。1  研究的分析阶段 12

3。2。2  数据识别 12

3。2。3  样本选择阶段 14

3。2。4  数据建模阶段 15

3。2。5  产品类别推荐 15

4  结论与分析 15

4。1  建模结果及模型分析 15

4。2  实验过程遇到的问题 18

4。3  研究结果的产品推荐 18

4。4  结论与分析 20

5  个性化的实际应用 22

结论 24

致谢 25

参考文献 26

图1流程图 11

图2空值图 13

图3无效图 13

图4省份统一图 13

图5类型不符图 14

图6随机森林图 16

图7重要指标图 17

图8决策树图1 17

图9决策树图2 18

图10产品匹配图 19

1  绪论

1。1  背景及意义

随着IT技术不断发展，通讯技术不断提高，社会已逐步进入了信息时代。在这个时代中，信息数量巨大，信息类型多样，信息内容杂乱。用户作为信息的拥有者和需求者，如何从海量的数据中获取自己想要的信息，如何从看似毫无关联的数据中寻找自己感兴趣的内容，这已成了信息时代一个明显的需求特征。

个性化推荐作为一个新兴的信息过滤技术，它利用用户信息与产品信息的关系，通过分析历史数据，采用相似性原理以及匹配原理，从大量数据中过滤出用户感兴趣的内容，并以一定的方式呈现在用户面前。这样，用户就不用为了找到自己感兴趣的内容而寻找大量的数据，提高效率，节省时间，电子商务网站也能通过个性化推荐提高用户的忠诚度、网页的使用效率以及用户对网站的粘性。

事实上，个性化推荐系统是当今时代最为流行的信息过载处理的工具，在电子商务上有着广泛的应用，在历史上已经有着长足的发展。从个性化推荐系统发展至今，已经提出了好几种推荐方法，其中，最为流行的是协同过滤算法。这是一种基于相似性原理进行匹配的算法。通过用户对各类产品进行评分，最终得出用户之间的相似性，对相似性高的用户进行相关的处理，最后把产品推荐给用户。除了协同过滤算法，还有基于内容的个性化推荐算法，基于用户统计信息的个性化推荐算法，基于关联分析的个性化推荐算法。论文网

本文采用基于用户统计信息的个性化推荐系统来进行研究，原因如下:研究的数据来源于新一站保险网，保险网的产品购买具有临时性和长久性，很多保险类产品在一段时间中只被少数购买甚至不购买，不适合现下比较流行的个性化推荐算法；其次，新一站保险网的信息很多是用户的个人信息，信息涉及到用户的隐私，适合基于用户统计信息的个性化推荐算法；新一站的数据主要描述的是用户信息，用户对产品的感兴趣程度没有很明显的展示出来，所以也不适合流行的个性化推荐算法。