个性化推荐是指通过分析用户兴趣特点以及购买行为，从中得出用户感兴趣的产品，并将该产品推荐给用户。魏吉勇[5]认为：作为一种强大的信息过滤工具，个性化推荐能够挑选出有用的信息，把无用的信息排除，能够很好地处理信息过载问题。83240

(1)在算法选择上，个性化推荐方法已经有了长足的发展。王纪辉[6]通过分析电子商务网站的业务需求，提出现下最为流行的基于协同过滤算法的个性化推荐方法。然而，协同过滤算法存在着很多缺点。Yoon Ho Cho[7]等人指出协同过滤算法在电子商务的应用暴露了众所周知的局限性，如稀疏性和可扩展性。所以他们提出一种基于数据挖掘技术的个性化推荐方法；Yoon Ho Cho[8]等人还提出了一种基于Web的推荐系统。在解决信息过载的问题中，侯治平[9]采用了前融和式的推荐策略，主要根据FCC路径聚类算法以及协同过滤算法实现用户行为模式下的电子商务个性化推荐。本文的个性化推荐内容是新一站保险产品，对用户的数据要求比较详细，对产品的购买行为数据比较浅显，未涉及协同过滤算法等一些算法关于用户对于产品的评分要求。所以，文章未采取比较流行的协同过滤算法，考虑到新一站保险网数据，研究采用的是基于用户统计信息的个性化推荐方法。

(2)在数据源性质上，也会对个性化推荐方法的选择产生极大的影响。目前很多个性化推荐所采用的是数据集是来自美国Minnesota大学GrouPLens项目组提供的MovieLens数据集。刘芳先[10]就通过MovieLens数据集所提供的用户关于电影的评分以及电影的推荐列表提出了基于项目簇偏好的用户聚类算法。然而MovieLens数据集是一个公开的数据集，而新一站保险网的数据最为一种隐私数据，很多情况下是不能公开的，所以在处理数据的时候，要对数据进行处理，研究所采用的基于用户统计信息的个性化推荐方法就是要先对用户进行归类，避免研究流露用户信息，这样就能进行个性化推荐度的过程中保护用户的隐私数据。

(3)这结果展示上，结果的要求也会影响个性化推荐方法的选择。现在的很多推荐方法是对单个用户进行产品的个性化推荐。夏培勇[11]对协同过滤进行改进，提出了基于用户评分和项目属性的混合式协同过滤、基于 SVD 的用户聚类协同过滤以及基于集成学习的协同过滤，三种协同过滤算法都是先对用户进行相似性分析，再根据结果对单个用户进行个性化推荐。吴昊[12]根据数据挖掘的知识，利用相似性原理，对各种产品进行个性化推荐，结果也是单个用户推荐多个产品。本文所采用的数据是新一站保险网的数据，需要先根据用户信息进行分类，再根据用户类与产品的匹配结果进行个性化推荐，所以在结果展示上，要求对用户类进行个性化产品推荐。论文网

(4)在适用领域上，个性化推荐有了广泛的应用。孙励[13]把个性化推荐引入到远程教育中，通过分析资源和学习者的特征，在考虑学习者需求的情况下，利用个性化推荐算法实现个性化的需求服务，使学习者由被动式的接受知识变为主动式的参与获取知识，形成了高效率的个性化学习模式。聂珍[14]主要根据图书馆的发展状况，将个性化推荐系统引入到图书馆的图书推荐中，利用聚类分析，获得各簇的借阅模式，再结合读者的借阅信息，通过喜好度的计算，获得最终的推荐结果。丘珂玮[15]把个性化推荐技术引入到电子商务客户关系管理中，实现二次营销，通过这种营销手段，不仅能识别潜在用户群体，针对性的做出关键性的销售决策，而且提高了企业盈利能力，同时也提高了用户忠诚度。本文是将个性化推荐应用到新一站保险网上，由于保险领域是一个特殊的领域，是一种区别于一般电子商务的隐私的领域。所以个性化推荐也是区别于一般的电子商务。