保研推荐信篇1
作为**大学**学院一名教授， 本人很高兴推荐**同学参加贵所的学术夏令营及之后 的推免生复试。 本人在教授课程及指导该生实验的过程中，发现该生有扎实的专业知识，并能灵活运 用所学的基本理论和基础知识。自学能力强，反应敏捷，善于接受新生事物，动手能力、实 验技能不错。 可以看出，该生综合表现突出，对科研有浓厚兴趣，并逐渐获得了科研的素质与能 力，有相当好的科研潜质，故推荐到贵所，望审核通过。
推荐人：
推荐信
本人是**大学**学院一名教授，很乐意推荐**同学参加贵所的暑期学术夏令营 。 在与该生的接触过程中可以发现，该生勤奋努力，踏实认真，积极主动，有好的专业基 本功和英语读写能力。 该生在课堂上主动提问，表现出了好的总结分析能力和文字表达能 力。思维活跃，工作能力出色，团队合作能力强，科研兴趣浓，有一定科研潜质和好的培养 前景。
该生综合表现突出，故予以推荐，望审核通过。
推荐人：
推荐信
保研推荐信篇2
随着电子商务行业的蓬勃发展，在线推荐技术得到广泛应用。推荐系统能从当前消费者浏览、关注的信息出发，为消费者做出相应的推荐。亚马逊、淘宝网、当当网等电商网站都已经应用推荐技术。目前关于推荐系统的学术研究主要集中在两个方面：一方面是关于推荐算法的优化设计，另一方面则是推荐系统对消费者的影响研究。文章从消费者视角出发，从以下两方面来总结现有文献研究成果。
1在线推荐系统消费者采纳的影响因素研究
在消费者网络购物相关问题的研究中，学者们普遍采用技术采纳模型（Technology Acceptance Model，TAM）作为理论基础。根据TAM模型理论，用户对系统的感知评价（感知有用性、感知易用性）直接影响用户采纳意图的产生。文章发现影响消费者采纳的因素主要来自以下几个方面。
1.1网站特征
Ganguly和Dash研究发现网站的信息展示设计、导航设计和可视化设计会影响消费者的购买意向。因为网站合理的视觉设计会给消费者带来愉悦，提高消费者对网站的满意度和信任，进而增加对网站的浏览时间和购买产品的数量。Song和Zahedi则证明发现网站的促销、服务、外部相关资源、使用和导航易用性及购物便利性等因素会加强消费者的信任。
1.2推荐内容
McNee研究发现，用户往往不是评价某一个单独推荐的质量而是感受整个推荐列表的广泛性和深度，这样来考虑推荐是否满足他们的需求。除了推荐信息质量，Xiao和Benbasat研究还发现推荐信息详细程度、推荐原因的解释以及推荐信息表达方式均对感知有用性和易用性有正向显著影响。推荐内容的多样性也被证实可以帮助提升用户对推荐结果的整体满意度，避免了单个推荐项目的局限。
1.3推荐系统透明度
推荐透明度，是指网络推荐系统是否解释推荐结果产生的原因。通常情况下，用户自己的推理往往与系统的推荐机理不一致，然而当用户不理解为什么某个商品被推荐给他们时，他们很少会去相信那些推荐信息。推荐系统向用户解释推荐结果的产生原因，有助于推荐信息更容易被消费者采纳。
1.4主观规范
用户自身的使用习惯、亲朋好友的口碑等个人规范以及媒体宣传、市场表现等社会规范都可能影响用户对系统的感知和评价，包括个人规范和社会规范在内的主观规范已被证实对用户采纳意图有重要影响。Venkatesh和Davis在修正TAM模型时也指出，主观规范是感知有用性的决定变量。主观规范往往是在创新实施的早期阶段更具影响力，因为那时用户形成态度的经验有限。
2在线推荐系统评价标准研究
推荐系统的现有评价标准可以分为两类，一类是技术性标准，主要用于衡量推荐的精准度、速度等性能指标；另一类是商务性标准，反映了满足实际需要所必备的性能。目前研究重点已从技术性标准逐渐向商务性标准转移。
2.1覆盖率
覆盖率是指可以被系统预测打分的商品占全部商品的比例。覆盖率较高则说明推荐系统能够找到较多用户感兴趣的产品。如果一个推荐系统的覆盖率比较低，那么说明它评估商品的范围有限，这个局限性可能会降低用户的满意度。
2.2多样性
在推荐系统中，多样性体现在两个层次，一个是用户间的多样性，衡量推荐系统对不同用户推荐不同商品的能力；另一个是用户内的多样性，衡量推荐系统对一个用户推荐商品的多样性。学者提出可以通过测量推荐产品的平均度和平均海明距离的方式，来评估推荐列表的多样性，商品平均度小的推荐系统相对更好些。
2.3新颖性
新颖性是指推荐系统向用户推荐非热门或非流行商品的能力。通常用户喜欢系统推荐他们熟悉的产品，因为这会增加用户对推荐系统的信任，但是当用户厌倦了相似的产品推荐时，他们可能更喜欢那些能给予他们意外惊喜的推荐信息。
2.4隐私保护
网站上留有大量消费者的个人信息，涉及姓名、家庭地址、手机号甚至身份证号等重要隐私信息，这些信息一旦泄露，会造成难以想象的后果。推荐系统对隐私的保护会影响到消费者的初始信任，从而影响消费者对该推荐系统的使用意愿。推荐系统需要有效地保护用户个人隐私的措施，也应减少使用用户隐私数据。
3现有文献评述与未来研究展望
目前在线推荐系统消费者采纳意向的研究仍处于起步阶段，学者在该方面的研究正在逐步深入。文章对有关推荐系统采纳意向的研究文献进行整理分析，发现目前多数研究集中在系统算法优化方面，而在系统对消费者行为、心理的影响研究较少，研究模型不够丰富，研究内容还有待深入。文章认为，未来研究工作应继续从消费者视角展开，对一些变量的中介作用或调节作用进行更多的研究，建立更有效的研究模型。而且推荐系统评价标准问题尚未解决，如何评价推荐系统，也将是未来研究的重点。
参考文献：
[1]Ganguly B，Dash S B，Cyr D，et al.The effects of website design on purchase intention in online shopping：the mediating role of trust and the moderating role of culture[J].International Journal of Electronic Business，2010，8（4-5）：302-330.
[2]Song J，Zahedi F M.A Theoretical Approach to Web Design in E-Commerce：A Belief Reinforcement Model[J].Management Science Journal of the Institute for Operations Research & the Management Sciences，2005，51（8）：1219-1235.
[3]Venkatesh V，Davis F D.A theoretical extension of the technology acceptance model：Four longitudinal field studies[J].Management science，2000，46（2）：186-204.
保研推荐信篇3
汇丰银行的亲友推荐活动分两项，一是从即日起至2010年7月31日。客户只要完整填写推荐表格交至卓越理财中心，或在汇丰网站上填写并发送亲友表格，便可获得汇丰陶瓷环保杯一个。
如果被推荐的亲友在活动期间晋身为合格的卓越理财客户，即视为一次成功推荐，推荐人和被推荐的亲友都可以获得礼品一份。现阶段，推荐人在一次成功推荐后可以获得商旅背包一个或是电子健康秤一台，两次成功推荐可以获得2010世博会门票两张及文化中心汇丰贵宾包厢席位两个，或是在爱心手机与膳魔师炫瓶中选择其一。被推荐人则可以人手一份获得欧姆龙电子健康秤一台。
花旗银行亲友推荐计划可以分为开设账户、合格账户两步。推荐亲友在花旗睿智理财账户开户，推荐人和被推荐人都可以得到10积分。当账户成为合格账户时，推荐人和被推荐人均可获得50积分。如果亲友所开设的账户为花旗贵宾理财账户，那么推荐人和被推荐人都可以先获得10积分，待成为合格账户后分别再获得200积分。
为了鼓励客户推荐亲友成为花旗客户，银行方面还制订了推荐越多、积分翻倍的奖励政策。推荐10至39位亲友成为睿智理财账户客户，推荐人积分可以翻倍。40人以上可以获得三倍积分。而由于花旗贵宾理财账户对资金要求更高，因此推荐5至19人开户，即可积分翻倍，20人以上即可三倍累积积分。
积分可以用来兑换礼品，包括施华洛世奇坠饰、爱马仕真丝方帕、万宝龙小牛皮钱包、LV皮夹以及多普达手机等。
渣打银行也同样制订了诱人的亲友推荐计划。凡是成功推荐亲朋好友成为渣打银行客户，推荐者及被推荐者都可以获赠渣打相应积分。推荐账户类型包括“私人银行”、“优先理财”和“创智理财”。
推荐“私人银行”账户，推荐人可以获得50万分积分奖励，被推荐人可以获得10万分积分奖励。推荐“优先理财”账户，推荐人可以获得25万分积分，被推荐人可以获得5万分积分。而推荐“创智理财”账户，推荐人可以获得5万积分，而被推荐人可以获得1万积分。通过渣打银行“完美礼享”积分通兑计划，获赠积分可以用来换取USB鼠标、运动耳机、数码相框等礼品。
信用卡新户开卡好礼不断
随着信用卡市场的飞速发展，如何吸引更多优质新户成了卡中心的一大难题，而亲友推荐正是一种简单、有效的方法。浦发银行、交通银行、广发银行等都曾采用这种方式拓展客户，现在，招行“人荐人爱”活动正在火热展开。
即日起至2010年12月31日，招行信用卡客户成功推荐新户亲友办卡，就可以获得招行赠送的积分奖励。根据“人荐人爱”活动规定，招行客户每成功推荐1名新户亲友办理并核发指定信用卡，包括推荐和卡银联卡、招商银行标准信用卡、携程旅行信用卡、哆啦A梦粉丝信用卡及QQVlP联名信用卡，就可以获得500招行积分，多推荐多得。
需要提醒的是，想要获得积分奖励，老客户所推荐的必须为从未持有招行任一信用卡的客户，待推荐成功后，奖励的积分将于被推荐人成功发卡的次月录入推荐人账户。
另外，已经成为招行信用卡主卡的持卡人若为亲人申请附属卡，同样可以获得500积分。按规定，主卡持卡人通过信用卡网站申请附属卡并成功发卡，且于发卡月次月月底前使用该卡刷卡消费一次，即可获得500招行积分。申请的附属卡必须为客户申办名下第一张附属卡，而且附属卡人需为招行新户，即从未持有我行主卡或附属卡，或是注销卡片已满6个月。同一位客户申请多张附属卡，只享受一次积分奖励。
中信信用卡中心也鼓励主卡持卡人为直系亲属办理附属卡，不过获得奖励的是附属卡持卡人。新开立的附属卡持卡人可每人获得一份最高5000元保额的24小时意外住院医疗保险，自附属卡开卡之日起3年内有效。这一活动目前在上海、广州、深圳等多个城市举行。
证券公司积极争取优质客户
为了吸引更多优质客户的加入，证券公司也会不定期推出一些亲友推荐活动。
例如东方证券中山南路证券营业部就推出了“东方赢家”系列活动。现阶段，只要老客户推荐亲友在该营业部开户，新老客户均可以获赠六大奖励，包括每日大势研判、个股深度分析和热点专题推荐、每周市场潜力个股追踪、每周交易策略、定期技巧培训和行情交流以及半月刊发的东方赢家内部参考资料。如果新开客户资产达到5万元，那么推荐人就可以获赠大智慧超赢专业版软件一套。
保研推荐信篇4
电子商务迅猛发展的时代已经到来，网上购物的交易方式正在改变着传统的商业模式。2007年，电子商务的交易额达到了8900亿人民币。面对如此众多的商品，无疑会大大增加用户发现满意商品的困难。于是个性化推荐系统逐渐成为电子商务领域中的一项重要的研究内容，得到了广泛关注。
研究电子商务推荐系统对企业和社会具有很高的经济价值。电子商务个性化推荐系统的关键是建立用户模型。推荐系统的热点问题是推荐技术和推荐算法的研究。推荐算法是整个推荐系统的核心，它的性能决定了最终推荐结果的好坏。为了建立合理的用户模型，满足不同用户对实时性、推荐方式等的要求，产生了一系列的推荐技术和算法。涉及的技术包括基于内容的过滤技术、协同过滤技术、关联规则挖掘技术、分类和聚类技术、神经网络技术等等。
协同过滤推荐是迄今为止最成功的个性化推荐技术，被应用到很多领域中，协同过滤相当突出的优点是其决策基础是“人”而不是“内容的分析”，能针对任何形态的内容进行过滤，更能处理相当复杂和艰难的概念呈现，以获得意料之外的结论。
文章重点研究电子商务系统中协同过滤推荐算法。
二、电子商务推荐算法的研究
目前的电子商务推荐系统中运用的推荐算法主要可分为三大类：基于内容的推荐算法(content-based recommendation algorithm）、基于规则的推荐算法(rule-based recommendation algorithm)和协同过滤推荐算法（collaborative filtering recommendation algorithm）。
1.基于内容的推荐算法是信息过滤研究的派生和继续
基于内容的推荐系统需要分析资源内容信息，根据用户兴趣建立用户档案(profile）,用户档案中包含了用户的品位、偏好和需求信息。然后根据资源内容与用户档案之间的相似性向用户提供推荐服务。在一个这样的系统中,通常采用相关特征来定义所要推荐的物品。
2.关联规则挖掘技术在零售业得到了广泛的应用，它可以发现不同商品在销售过程中的潜在相关性
随着数据挖掘的兴起，关联规则被应用于推荐系统，形成了一种新的推荐技术——基于规则的推荐技术。基于规则的推荐技术在评价表上挖掘项目间的关联规则(项目关联)和用户间的关联规则为当前用户进行推荐。使用项目关联进行推荐时，每条项目关联的前件相当于一个兴趣组，而规则的后件则相当于这个兴趣组的推荐。如果当前用户对该规则前件中的所有项目都喜欢，那么就把规则的后件以一定可信度推荐给当前用户。而使用用户关联进行推荐时，用户关联的后件必须是当前用户，使用用户关联的前件中的用户的共同兴趣模拟当前用户的兴趣，模拟的可信度就是用户关联的可信度，以此作为推荐的依据。
3.协同过滤(collaborative filtering）的基本概念就是把这种推荐方式变成自动化的流程
协同过滤主要是以属性或兴趣相近的用户经验与建议作为提供个性化推荐的基础。透过协同过滤，有助于搜集具有类似偏好或属性的用户，并将其意见提供给同一集群中的用户作为参考，以满足人们通常在决策之前参考他人意见的心态。
本人认为，协同过滤技术应包括如下几方面:(1)一种比对和搜集每个用户兴趣偏好的过程;(2)它需要许多用户的信息去预测个人的兴趣偏好;(3)通过对用户之间兴趣偏好相关程度的统计去发展建议那些有相同兴趣偏好的用户。
三、协同过滤推荐现有算法的分类研究与分析
正是因为传统协同过滤推荐算法存在着诸多问题，研究者们才不断提出改进的协同过滤推荐算法。
1.全局数值算法
全局数值算法每生成针对一个用户的推荐项目列表就需要扫描用户评价数据库一遍，这种方法能随数据的变化而变化，实现也比较简单，所以被大量才采用。但是在实践中数据稀疏性难以解决，面对庞大的用户数据库，推荐产生也非常耗时，从而使得整个电子商务推荐系统的实时性难以保证，成为全局数值算法面临的主要挑战。
2.基于模型的算法
基于模型的算法只需扫描一遍用户评分数据库就可以完成对所有用户的推荐。优点是建立的模型相对于原始数据集而言小得多，因此能有效缓解推荐算法的实时性问题。但模型具有滞后效应，为了保证模型的有效性，必须周期性的对模型进行更新。而模型的训练代价高，因此该算法不适合数据更新频率快的系统。
3.组合推荐算法
（1)协同过滤和基于内容的结合算法。两种算法的结合可以利用基于内容算法的优点，对项目进行相似度匹配，尤其当项目尚未得到用户评价的情况下也能推荐给用户,避免新项目问题;另一方面利用协同过滤的特点,当用户数和评价很多时,协同过滤推荐更准确。
(2)协同过滤和基于关联规则的结合算法。关联规则技术用于协同过滤系统是利用apriori算法通过挖掘用户的评价记录的关联来进行推荐。该算法往往首先对客户的购买行为进行关联规则挖掘，并进行单一客户的偏好建模；然后，应用协同过滤技术寻找与此客户兴趣相似的客户集，并从客户集中找出和目标最相似的客户;最后根据匹配集合求解推荐意见。规则模型的形成可以离线进行，协同过滤推荐算法与基于规则算法的结合可以保证有效推荐系统的实时性要求。
四、协同过滤推荐算法的改进
传统的协同过滤推荐算法是用邻居用户对某一项目的偏好信息来判断用户对该项目的偏好，邻居用户是和当前用户具有相似兴趣爱好的用户。但在传统的协同过滤推荐算法中，邻居用户和当前用户的共同兴趣爱好并不一定是要预测的项目方面的兴趣爱好，而可能是另一方面的兴趣爱好。如果还是用这些邻居用户来预测，其误差可想而知。
1.基于用户多兴趣的协同过滤推荐算法
基于此，我对传统协同过滤算法将作如下改进:（1）对用户兴趣进行分类，因为在系统中用户的兴趣是通过对项目的选择来进行了解的，所以把对用户兴趣的分类转化为对项目的分类，引入用户兴趣度的概念，来探讨用户在不同类别项目中所表现出来的兴趣差异，进而实现对用户多兴趣的了解。（2)对于同一用户，如预测项目所属类别不同，用来预测的邻居用户也不同，也就是邻居用户与待预测的项目在内容上具有一定相似性，从而保证用来预测的邻居用户与当前用户在待预测项目上具有相似的兴趣爱好。(3)用户具有多兴趣性，但用户对每类项目的兴趣也是不尽相同的,在推荐集中考虑以用户对不同类别项目的兴趣度作为权重，来分配每类项目的推荐数目。
首先将项目采用某种技术按照某种标准划分为不同类别，然后把对此类项目有评价的用户的评价信息映射到此类，统计参数，计算用户在每类项目的兴趣度，当超过阈值时，认为该用户对该类项目有兴趣偏好，并由这些用户形成聚类，从聚类中搜寻针对此类项目的邻居用户，产生推荐。
（1)按照分类规则对项目进行分类。把整个项目空间划分成若干类别，每个项目可能属于多个类别,每个类别包含至少一个项目。目前对项目进行分类有众多方法。
（2)映射评价信息，统计参数，计算用户兴趣度，建立用户兴趣度矩阵,构造用户兴趣偏好特征。假设提出了用户兴趣度ai,j，即用户i对项目类别j的兴趣度，来衡量用户对某一类别项目的兴趣偏好。
其中mi,j表示用户i所评价的项目类别j中的项目数目；nk表示项目类别k中包含的项目数目。
（3)依据用户兴趣度矩阵和项目类别体系，进行用户聚类，形成用户兴趣模型。
2.算法说明
（1)由于对同一用户，需要分别在不同的项目类别中分别计算其邻居用户。
（2)该算法对数据的稠密性要求比传统的协同过滤推荐算法要高。
（3)用户的兴趣可能会随着时间而变化，有的项目类别可能会随着时间的推移使用户对他失去兴趣，所以推荐系统必须密切注意用户的兴趣是否改变，最好的办法就是持续跟踪。
（4)推荐算法同样具有新异性，但不像传统算法那样更具有新异性，同另一角度也说明该推荐算法更具准确。因为新异性在一定程度上是和准确性相对的，不可能新异性和准确性同时很高，准确性高的算法必然会新异性低，反之亦然。
五、基于用户多兴趣的协同过滤推荐算法的电子商务推荐系统分析
协同过滤技术基本思想是基于评分相似的最近邻居的评分数据向目标用户产生推荐，推荐算法处理的基础数据是不同用户对项目的评价。评价可以是布尔型的也可以是实数，数值的大小代表喜欢的程度，也称为评分。协同过滤有利于判断符合用户兴趣的商品。例如在用户评价表中共有m个用户对n个商品进行了评分,要在m个商品项中找出符合用户兴趣的s个项向用户推荐。基于此，我们做如下推荐系统的分析：
1.业务需求分析
电子商务网站有两个方面需要个性化推荐系统，即改善客户关系和提高网站的销售能力。（1)改善客户关系。个性化推荐系统要能够在用户的使用过程中尽可能的满足用户的需求，实时地和用户保持互动和联系，及时获得用户的需求并做出响应，能根据用户的反馈信息进行学习和自我完善。(2)提高网站的销售能力。能够吸引更多客户购买；在用户购买时实施交叉销售，用户的推荐请求，给出最适合于用户的商品，并推荐其他相关的商品；为网站对商品进行更新提供信息支持，辅助网站及时推出有热销潜力的特色商品，实现与其他网站的差异化销售。
2.用户需求分析
用户访问电子商务网站的主要目的是寻找并购买需要的商品。其需求主要表现在:（1)用户在网站中要能够顺利地寻找到所需要的商品，根据对商品信息的了解、系统的推荐程度和其他人的评价等决定是否购买。(2)用户能根据自己的认识对商品进行评分和评价。评分是一些个性化推荐算法的数据基础，应该鼓励用户对商品进行评分。评分或评价也是用户做出购买决定的参考。(3)系统服务定制。用户能选择并享受系统设定的个性化服务，这些服务是管理员分析用户的兴趣对系统进行的功能设置。
3.业务分析
用户访问电子商务网站的主要目的是选择购买符合自己需求商品，整个业务流程从登录网站到购买商品生成订单结束。从什么渠道怎么支付如何获得商品实体是在网站外部完成的，不在网站上的业务流程之内。
4.数据流图(dfd1层)主要处理分析
个性化推荐系统主要有以下处理过程:用户定制服务、行为记录、个性化推荐、购买商品、对商品评分等。第一层数据流图可如图1所示:
用户根据系统设置的服务进行服务的定制。系统获得用户选择的服务项目编号，查询数据库是否设置并开通该服务，如果是保存用户定制到用户定制表中;否则返回错误信息。用户定制dfd如图2所示:
用户在个性化推荐系统中的浏览行为，如点击链接、查看商品信息等都会被记录到日志中，也能被系统记录，作为挖掘用户兴趣的信息。用户行为记录过程的dfd如图3所示:
六、结束语
电子商务推荐系统是个新兴的研究与应用领域。随着用户需求水平的提高，推荐算法与系统的研究在不断发展和完善。文中提出的基于用户多兴趣的协同过滤推荐改进算法，正是为了解决现实中存在的用户兴趣问题而产生的。算法中由于对项目进行了分类，所以跨越项目类别和推荐的新异性在一定程度上可能不及传统的协同过滤推荐算法。这将在未来的研究中要进一步思考和研究的问题。
参考文献:
[1]邓爱林 左子叶 朱扬勇:基于项目聚类的协同过滤推荐算法[j].小型微型计算机系统,2004,14(9）:p1665～1671
保研推荐信篇5
《干部任用条例》规定，选拔任用党政领导干部，必须经过民主推荐提出考察对象。民主推荐是党的群众路线在干部工作中的创造性运用和具体体现，是落实群众对干部选拔任用的知情权、参与权、选择权和监督权的重要方式。坚持把民主推荐作为选拔任用党政领导干部的必经程序和基础性环节，对于扩大党内民主，拓宽选人视野，准确识别干部，提高选拔质量，从源头上防止和克服用人上的不正之风，具有重要意义。
要充分认识民主推荐在干部选拔任用工作中的重要作用。民主推荐是扩大干部工作中民主的重要内容和方式，是选准用好干部的重要环节，是强化监督约束机制的重要措施。要把民主推荐作为选拔任用干部的必经程序和第一道工序，让群众从起始阶段就参与其中，使落实群众对干部选拔任用的知情权、参与权、选择权和监督权从程序上得到保障。
民主推荐要明确范围，改进方式，坚持程序，提高质量。一是要明确范围，保证参加民主推荐人员的广泛性和代表性。参加民主推荐人员的代表性和广泛性，在相当程度上决定着推荐结果的真实性和准确性。《干部任用条例》对参与民主推荐人员的范围所作的规定，充分体现了广泛性和代表性的要求。二是要改进方式，全面客观地了解民意。《干部任用条例》规定的会议投票推荐和个别谈话推荐两种形式，是总结近些年来开展民主推荐工作的实践经验提出的。会议投票推荐参与面广、有利于在更大范围内了解民意，而且保密性强，便于推荐者自主表达真实意愿。个别谈话推荐便于直接了解推荐者的意向和对被推荐人选的看法和评价，信息量更充分，评价更为客观。这两种方式应同时使用，综合分析，相互补充，相互印证。三是要坚持程序，认真做好民主推荐的实施工作。要严格按《干部任用条例》规定的程序办事，保证民主推荐工作的健康进行。四是要提高质量，确保民主推荐发挥积极作用。要对领导干部进行民主观念教育，使领导干部树立正确观念，增强做好民主推荐工作的责任感。要对干部群众进行权利和责任教育，使干部群众积极参与民主推荐活动，慎重用好民主推荐权利，真正把群众拥护和信赖的优秀干部推举上来。
要在民主推荐的基础上集体研究确定考察对象。首先，确定考察对象的主体是集体而不是个人。不论是领导班子换届，还是个别提拔任职，都必须由集体研究确定考察对象，任何个人都无权确定考察对象。其次，集体研究确定考察对象要严格按照程序进行。领导班子换届时，由本级党委书记办公会根据上级党委组织部门反馈的民主推荐情况，对考察对象人选进行酝酿，本级党委常委会研究提出考察对象建议名单，经与上级党委组织部门沟通后，确定考察对象。个别提拔任职时，由党委（党组）或者组织（人事）部门在民主推荐的基础上，集体研究确定考察对象。再次，集体研究确定考察对象要充分发扬民主。
要把民主推荐结果作为确定考察对象的重要依据之一，同时要防止简单地以票取人。民主推荐是群众公认的基本实现形式和手段。通常情况下，民主推荐得票数高的，一般也是群众公认、政绩比较突出的优秀干部。因此，确定考察对象时，要把民主推荐结果作为重要依据之一。但是由于种种原因，有些敢于负责、大胆管理、不怕得罪人、政绩比较突出的干部，在民主推荐的时候，有时也可能得票并不高。对这种情况要结合年度考核和平时的表现，进行深入细致的考察和客观公正的分析，既要尊重民意，又不能简单地以票取人。
保研推荐信篇6
3.对被推荐者的优点介绍及评价，这是推荐信的核心。主要包括被推荐者的天赋，学习成绩，研究能力，工作经验，学习精神，组织能力，品行及个性方面。注意说辞应与其他申请材料如成绩单、获奖证书等相呼应，不要出现矛盾而使人误会。人无完人，所以同时也应提及其缺点，以做到公正客观。最好通过实例说明。教授们要的不是完人，而只是学生，一个普通但足够优秀的学生。
4.必须表明推荐人的态度，是极力推荐还是有保留地推荐。
保研推荐信篇7
电子商务迅猛发展的时代已经到来，网上购物的交易方式正在改变着传统的商业模式。2007年，电子商务的交易额达到了8900亿人民币。面对如此众多的商品，无疑会大大增加用户发现满意商品的困难。于是个性化推荐系统逐渐成为电子商务领域中的一项重要的研究内容，得到了广泛关注。
研究电子商务推荐系统对企业和社会具有很高的经济价值。电子商务个性化推荐系统的关键是建立用户模型。推荐系统的热点问题是推荐技术和推荐算法的研究。推荐算法是整个推荐系统的核心，它的性能决定了最终推荐结果的好坏。为了建立合理的用户模型，满足不同用户对实时性、推荐方式等的要求，产生了一系列的推荐技术和算法。涉及的技术包括基于内容的过滤技术、协同过滤技术、关联规则挖掘技术、分类和聚类技术、神经网络技术等等。
协同过滤推荐是迄今为止最成功的个性化推荐技术，被应用到很多领域中，协同过滤相当突出的优点是其决策基础是“人”而不是“内容的分析”，能针对任何形态的内容进行过滤，更能处理相当复杂和艰难的概念呈现，以获得意料之外的结论。
文章重点研究电子商务系统中协同过滤推荐算法。
二、电子商务推荐算法的研究
目前的电子商务推荐系统中运用的推荐算法主要可分为三大类：基于内容的推荐算法(Content-based Recommendation Algorithm）、基于规则的推荐算法(Rule-based Recommendation Algorithm)和协同过滤推荐算法（Collaborative Filtering Recommendation Algorithm）。
1.基于内容的推荐算法是信息过滤研究的派生和继续
基于内容的推荐系统需要分析资源内容信息，根据用户兴趣建立用户档案(Profile）,用户档案中包含了用户的品位、偏好和需求信息。然后根据资源内容与用户档案之间的相似性向用户提供推荐服务。在一个这样的系统中,通常采用相关特征来定义所要推荐的物品。
2.关联规则挖掘技术在零售业得到了广泛的应用，它可以发现不同商品在销售过程中的潜在相关性
随着数据挖掘的兴起，关联规则被应用于推荐系统，形成了一种新的推荐技术——基于规则的推荐技术。基于规则的推荐技术在评价表上挖掘项目间的关联规则(项目关联)和用户间的关联规则为当前用户进行推荐。使用项目关联进行推荐时，每条项目关联的前件相当于一个兴趣组，而规则的后件则相当于这个兴趣组的推荐。如果当前用户对该规则前件中的所有项目都喜欢，那么就把规则的后件以一定可信度推荐给当前用户。而使用用户关联进行推荐时，用户关联的后件必须是当前用户，使用用户关联的前件中的用户的共同兴趣模拟当前用户的兴趣，模拟的可信度就是用户关联的可信度，以此作为推荐的依据。
3.协同过滤(Collaborative Filtering）的基本概念就是把这种推荐方式变成自动化的流程
协同过滤主要是以属性或兴趣相近的用户经验与建议作为提供个性化推荐的基础。透过协同过滤，有助于搜集具有类似偏好或属性的用户，并将其意见提供给同一集群中的用户作为参考，以满足人们通常在决策之前参考他人意见的心态。
本人认为，协同过滤技术应包括如下几方面:(1)一种比对和搜集每个用户兴趣偏好的过程;(2)它需要许多用户的信息去预测个人的兴趣偏好;(3)通过对用户之间兴趣偏好相关程度的统计去发展建议那些有相同兴趣偏好的用户。
三、协同过滤推荐现有算法的分类研究与分析
正是因为传统协同过滤推荐算法存在着诸多问题，研究者们才不断提出改进的协同过滤推荐算法。
1.全局数值算法
全局数值算法每生成针对一个用户的推荐项目列表就需要扫描用户评价数据库一遍，这种方法能随数据的变化而变化，实现也比较简单，所以被大量才采用。但是在实践中数据稀疏性难以解决，面对庞大的用户数据库，推荐产生也非常耗时，从而使得整个电子商务推荐系统的实时性难以保证，成为全局数值算法面临的主要挑战。
2.基于模型的算法
基于模型的算法只需扫描一遍用户评分数据库就可以完成对所有用户的推荐。优点是建立的模型相对于原始数据集而言小得多，因此能有效缓解推荐算法的实时性问题。但模型具有滞后效应，为了保证模型的有效性，必须周期性的对模型进行更新。而模型的训练代价高，因此该算法不适合数据更新频率快的系统。
3.组合推荐算法
（1)协同过滤和基于内容的结合算法。两种算法的结合可以利用基于内容算法的优点，对项目进行相似度匹配，尤其当项目尚未得到用户评价的情况下也能推荐给用户,避免新项目问题;另一方面利用协同过滤的特点,当用户数和评价很多时,协同过滤推荐更准确。
(2)协同过滤和基于关联规则的结合算法。关联规则技术用于协同过滤系统是利用Apriori算法通过挖掘用户的评价记录的关联来进行推荐。该算法往往首先对客户的购买行为进行关联规则挖掘，并进行单一客户的偏好建模；然后，应用协同过滤技术寻找与此客户兴趣相似的客户集，并从客户集中找出和目标最相似的客户;最后根据匹配集合求解推荐意见。规则模型的形成可以离线进行，协同过滤推荐算法与基于规则算法的结合可以保证有效推荐系统的实时性要求。
四、协同过滤推荐算法的改进
传统的协同过滤推荐算法是用邻居用户对某一项目的偏好信息来判断用户对该项目的偏好，邻居用户是和当前用户具有相似兴趣爱好的用户。但在传统的协同过滤推荐算法中，邻居用户和当前用户的共同兴趣爱好并不一定是要预测的项目方面的兴趣爱好，而可能是另一方面的兴趣爱好。如果还是用这些邻居用户来预测，其误差可想而知。
1.基于用户多兴趣的协同过滤推荐算法
基于此，我对传统协同过滤算法将作如下改进:（1）对用户兴趣进行分类，因为在系统中用户的兴趣是通过对项目的选择来进行了解的，所以把对用户兴趣的分类转化为对项目的分类，引入用户兴趣度的概念，来探讨用户在不同类别项目中所表现出来的兴趣差异，进而实现对用户多兴趣的了解。（2)对于同一用户，如预测项目所属类别不同，用来预测的邻居用户也不同，也就是邻居用户与待预测的项目在内容上具有一定相似性，从而保证用来预测的邻居用户与当前用户在待预测项目上具有相似的兴趣爱好。(3)用户具有多兴趣性，但用户对每类项目的兴趣也是不尽相同的,在推荐集中考虑以用户对不同类别项目的兴趣度作为权重，来分配每类项目的推荐数目。
首先将项目采用某种技术按照某种标准划分为不同类别，然后把对此类项目有评价的用户的评价信息映射到此类，统计参数，计算用户在每类项目的兴趣度，当超过阈值时，认为该用户对该类项目有兴趣偏好，并由这些用户形成聚类，从聚类中搜寻针对此类项目的邻居用户，产生推荐。
（1)按照分类规则对项目进行分类。把整个项目空间划分成若干类别，每个项目可能属于多个类别,每个类别包含至少一个项目。目前对项目进行分类有众多方法。
（2)映射评价信息，统计参数，计算用户兴趣度，建立用户兴趣度矩阵,构造用户兴趣偏好特征。假设提出了用户兴趣度Ai,j，即用户i对项目类别j的兴趣度，来衡量用户对某一类别项目的兴趣偏好。
其中Mi,j表示用户i所评价的项目类别j中的项目数目；Nk表示项目类别k中包含的项目数目。
（3)依据用户兴趣度矩阵和项目类别体系，进行用户聚类，形成用户兴趣模型。
2.算法说明
（1)由于对同一用户，需要分别在不同的项目类别中分别计算其邻居用户。
（2)该算法对数据的稠密性要求比传统的协同过滤推荐算法要高。
（3)用户的兴趣可能会随着时间而变化，有的项目类别可能会随着时间的推移使用户对他失去兴趣，所以推荐系统必须密切注意用户的兴趣是否改变，最好的办法就是持续跟踪。
（4)推荐算法同样具有新异性，但不像传统算法那样更具有新异性，同另一角度也说明该推荐算法更具准确。因为新异性在一定程度上是和准确性相对的，不可能新异性和准确性同时很高，准确性高的算法必然会新异性低，反之亦然。
五、基于用户多兴趣的协同过滤推荐算法的电子商务推荐系统分析
协同过滤技术基本思想是基于评分相似的最近邻居的评分数据向目标用户产生推荐，推荐算法处理的基础数据是不同用户对项目的评价。评价可以是布尔型的也可以是实数，数值的大小代表喜欢的程度，也称为评分。协同过滤有利于判断符合用户兴趣的商品。例如在用户评价表中共有M个用户对N个商品进行了评分,要在M个商品项中找出符合用户兴趣的S个项向用户推荐。基于此，我们做如下推荐系统的分析：
1.业务需求分析
电子商务网站有两个方面需要个性化推荐系统，即改善客户关系和提高网站的销售能力。（1)改善客户关系。个性化推荐系统要能够在用户的使用过程中尽可能的满足用户的需求，实时地和用户保持互动和联系，及时获得用户的需求并做出响应，能根据用户的反馈信息进行学习和自我完善。(2)提高网站的销售能力。能够吸引更多客户购买；在用户购买时实施交叉销售，用户的推荐请求，给出最适合于用户的商品，并推荐其他相关的商品；为网站对商品进行更新提供信息支持，辅助网站及时推出有热销潜力的特色商品，实现与其他网站的差异化销售。
2.用户需求分析
用户访问电子商务网站的主要目的是寻找并购买需要的商品。其需求主要表现在:（1)用户在网站中要能够顺利地寻找到所需要的商品，根据对商品信息的了解、系统的推荐程度和其他人的评价等决定是否购买。(2)用户能根据自己的认识对商品进行评分和评价。评分是一些个性化推荐算法的数据基础，应该鼓励用户对商品进行评分。评分或评价也是用户做出购买决定的参考。(3)系统服务定制。用户能选择并享受系统设定的个性化服务，这些服务是管理员分析用户的兴趣对系统进行的功能设置。
3.业务分析
用户访问电子商务网站的主要目的是选择购买符合自己需求商品，整个业务流程从登录网站到购买商品生成订单结束。从什么渠道怎么支付如何获得商品实体是在网站外部完成的，不在网站上的业务流程之内。
4.数据流图(DFD1层)主要处理分析
个性化推荐系统主要有以下处理过程:用户定制服务、行为记录、个性化推荐、购买商品、对商品评分等。第一层数据流图可如图1所示:
用户根据系统设置的服务进行服务的定制。系统获得用户选择的服务项目编号，查询数据库是否设置并开通该服务，如果是保存用户定制到用户定制表中;否则返回错误信息。用户定制DFD如图2所示:
用户在个性化推荐系统中的浏览行为，如点击链接、查看商品信息等都会被记录到日志中，也能被系统记录，作为挖掘用户兴趣的信息。用户行为记录过程的DFD如图3所示:
保研推荐信篇8
电子商务推荐系统主要由三大部分构成：输入模块、推荐方法模块和输出模块。输入模块用来接受用户的输入信息，用户的输入信息中最重要的是用户对项目的评价(rating)数据；推荐方法模块用来根据一定算法，根据用户数据，得出对目标用户的推荐，该模块是整个推荐系统的核心部分，个性化推荐方面的研究的很大一部分，都集中在找到好的推荐方法。输出模块主要是指得到的推荐以何种形式反馈给用户。
根据项目的特点，目前主要有两种类型的推荐系统，一种是以网页为对象的个性化推荐系统，主要采用Web数据挖掘的方法与技术，为用户推荐符合其兴趣爱好的网页；另一种是网上购物环境下的、以商品为推荐对象的个性化推荐系统，为用户推荐符合其兴趣爱好的各类产品，如各种书籍，音像等，这种推荐系统也称电子商务个性化推荐系统。
二、电子商务个性化推荐系统的作用
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(BuildingLoyalty)，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(MarketingSystems)、供应链决策支持系统(Supply-ChainDecision-SupportSystems)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。
三、电子商务个性化推荐系统的研究内容
电子商务个性化推荐的研究有四方面的问题：首先，要解决推荐系统的信息来源问题——推荐系统的基础是用户兴趣资料信息，如何在电子商务环境下尽可能获得更多用户的相关信息，并以合适的形式表示是进行个性化推荐的前提；其次，要实现被顾客接受和认可的个性化推荐，设计准确、高效率的个性化推荐算法是核心；另外，要让推荐系统为广大用户所接受，必须对推荐系统作出客观、综合的评价，尤其要注意从准确率、个性化、安全性、用户满意度等多方面进行评价；推荐系统的应用是最终研究的落脚点，推荐系统不仅能为用户提供完全个性化购物环境，更应为企业的销售决策和客户关系管理提供支持。
在电子商务环境下，用户信息收集表示是电子商务个性化推荐的基础。根据当前对电子商务环境下用户信息收集表示的研究来看，主要着眼于研究如何有效地收集能反映用户兴趣偏好的信息，以及如何通过网络数据挖掘等的方法更自动化地收集用户的隐式信息，解决用户信息收集过多的依赖于显式评价数据的问题。
个性化推荐技术是电子商务自动化推荐系统的核心问题。目前的推荐技术有协同过滤推荐(包括基于用户的和基于项目的)、基于用户人口统计信息的推荐、基于内容的推荐、基于效用的推荐、基于知识的推荐、基于规则的推荐等等。协同过滤推荐是个性化推荐中研究和应用最多的方法，广泛应用于电子商务网站、数字图书馆、网页搜索、新闻过滤等，著名的推荐系统有Tapestry、GroupLens/NetPerceptions、Ringo/Firefly等，其前提假设是存在具有相似兴趣爱好的用户群，每个用户都有与其兴趣爱好相似的邻居用户。预测用户对某一项目的偏好是根据邻居用户对该项目的偏好程度计算的，也就是说如果其邻居用户喜爱某项目，则该用户也很可能会喜爱该项目。协同过滤最大优点是不需要分析对象的特征属性，所以对推荐对象没有特殊的要求，能处理非结构化的复杂对象，如音乐、电影等。
对推荐系统总体性能的评价是推荐系统研究的重要组成部分。目前大都只是采用准确率、召回率等评判尺度对推荐算法进行评价，并没有真正意义上的、提升到对整个推荐系统进行的评价，尤其缺乏从个性化程度、持久性程度、系统的安全性以及用户接受程度等多方面对推荐系统进行综合的评价。
四、研究现状
推荐行为产品或其它项目的软件已经在许多应用中使用在电子商务领域，为了增加购买经验并满足客户需求，已经推出了充分利用消费者的访问和购买行为的推荐系统。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，诸如就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。该技术也用于类似于协作过滤的文本文档的信息抽取。电影或音乐唱片的推荐，例如，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，用户行为研究和隐私问题研究。其中技术系统开发是重点。目前各种推荐技术，例如数据挖掘，和推理，都已经应用到了推荐系统中。现存的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两种。
基于规则的系统，N1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。
基于内容过滤的系统，例如：PersonalWebWather，SysKill&Webert，Letizia，CiteSeer，ifWeb，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。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。
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。基于协作过滤系统的优点是能为用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，缺点是存在两个很难解决的问题，一个是稀疏性，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；另一个是可扩展性，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。该方法的一个主要局限是稀疏问题。在基于协作过滤的推荐系统中，很难精确确定下相似客户和识别要推荐的产品。不仅如此，系数问题的极端形式是first-rater问题，当市场引入一种新产品时，不存在可用的先前估计信息。
还有一些个性化服务系统如：WebSIFT，FAB，Anatagon-omy和DynamicProfiler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。
近来，许多因特网公司还引进了有关信息产品的推荐系统，它包括Web站点推荐，音乐推荐，视频推荐，书籍推荐等等(例如，以及等等)。因特网行销机构运用推荐系统对某一广告公司推荐用户(例如Ac-tiveAgentWerbenetz。
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。.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。
五、电子商务推荐技术存在的问题和发展方向
综合目前电子商务中个性化推荐系统的现状可以看出，现存的个性化推荐系统技术大都是基于规则的系统，基于内容过滤的系统，以及协作过滤系统三种。而且，这些个性化推荐系统所运用的技术也仅仅限于基于内容的过滤，KNN(L-NearestNeighboring)技术，基于聚类的(Clustering-based)协作过滤，基于项目的(Item-based)协作过滤，序列模式，规则分析等等。由于这些推荐系统各自应用范围的局限，而且都不同程度的需要人工参与，因而导致目前推荐系统的推荐精确度较低。不仅如此，大多数个性化推荐系统只是给用户推荐一些不同类别的资源，这与普通的搜索引擎比较相似，而且对用户正确行为的推荐却比较少。
未来电子商务推荐技术研究的发展主要体现在以下几个方面：
1.组合推荐技术的研究
众所周知，现存的推荐技术已经得到推广和应用，但各种技术都存在一些缺陷，能否将各种推荐技术融合起来作到取长补短是未来电子商务推荐技术研究的重要课题。
2.推荐技术准确度的研究
目前的推荐技术推荐的准确性还得不到保证，准确度的研究还局限在手工实验阶段，因此，研究出自动的准确性验证理论模型就显得非常重要。
3.数据获取方面，主要还是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不够。
4.研究过于集中解决推荐算法性能的提高，对推荐系统的开发与应用，尤其是与企业其它系统的集成应用，在辅助企业的市场销售，客户管理和企业商务智能方面缺乏研究。
参考文献：
[1]CooleyR，MobasherB，SrivastavaJ.Dataprepara2tionforminingworldwideWebbrowsingpatterns.JournalofKnowledgeandInformationSystems，1999(1)：230～241
[2]GoldbergD，NicholsD，OkiBM，TerryD.Usingcol-muni-cationsoftheACM，1992，35(12)：61～70.
[3]ResnickandVarian.RecommendationsystemsCommu-nicationsoftheACM，40(3)：56C58，1997.98-122
[4]R.D.Lawrence，G.S.Almasi，V.Kotlyar，M.S.Viveros，S.S.Duri，Personalizationofsupermarketproductrecommenda-tions，IBMResearchRport，2000.43-75.
[5]邓爱林，朱扬勇，施伯乐.基于项目评分预测的协同过滤推荐算法[J].软件学报，2003，(9).
[6]曾春，邢春晓，周立柱.个性化服务技术综述[J].软件学报，2002，(10).
保研推荐信篇9
根据系统功能设计的要求以及功能模块的划分，数据库的设计相对较简单。除用于销售商品的电子商务网站中所必须的基本数据库表，如商品信息、用户信息、网站信息等外，还应包括：用于初始化数据设置的参数表、仅对有评分商品推荐起作用的顾客商品评分表、顾客商品购买记录表、商品聚类表、顾客聚类表、商品推荐表
随着互联网的普及和电子商务的发展，电子商务系统在为用户提供越来越多选择的同时，其结构也变得更加复杂，用户经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品。电子商务推荐系统直接与用户交互，模拟商店销售人员向用户提供商品推荐，帮助用户找到所需商品，从而顺利完成购买过程。在日趋激烈的竞争环境下，电子商务推荐系统能有效保留用户、防止用户流失，提高电子商务系统的销售。
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IT技术的一个重要研究内容，得到越了来越多研究者的关注。
电子商务推荐系统在理论和实践中都得到了很大发展。但是随着电子商务系统规模的进一步扩大，电子商务推荐系统也面临一系列挑战。针对电子商务推荐系统面临的主要挑战，本文对电子商务推荐系统中推荐算法设计以及推荐系统体系结构等关键技术进行了有益的探索和研究。本文的研究内容主要包括电子商务推荐系统推荐质量研究，电子商务推荐系统实时性研究，基于Web挖掘的推荐系统研究以及电子商务推荐系统体系结构研究。
一、电子商务推荐系统及构成
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。
电子商务推荐系统主要由三大部分构成：输入模块、推荐方法模块和输出模块。输入模块用来接受用户的输入信息，用户的输入信息中最重要的是用户对项目的评价(rating)数据；推荐方法模块用来根据一定算法，根据用户数据，得出对目标用户的推荐，该模块是整个推荐系统的核心部分，个性化推荐方面的研究的很大一部分，都集中在找到好的推荐方法。输出模块主要是指得到的推荐以何种形式反馈给用户。
根据项目的特点，目前主要有两种类型的推荐系统，一种是以网页为对象的个性化推荐系统，主要采用Web数据挖掘的方法与技术，为用户推荐符合其兴趣爱好的网页；另一种是网上购物环境下的、以商品为推荐对象的个性化推荐系统，为用户推荐符合其兴趣爱好的各类产品，如各种书籍，音像等，这种推荐系统也称电子商务个性化推荐系统。
二、电子商务个性化推荐系统的作用
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。
三、电子商务个性化推荐系统的研究内容
电子商务个性化推荐的研究有四方面的问题：首先，要解决推荐系统的信息来源问题——推荐系统的基础是用户兴趣资料信息，如何在电子商务环境下尽可能获得更多用户的相关信息，并以合适的形式表示是进行个性化推荐的前提；其次，要实现被顾客接受和认可的个性化推荐，设计准确、高效率的个性化推荐算法是核心；另外，要让推荐系统为广大用户所接受，必须对推荐系统作出客观、综合的评价，尤其要注意从准确率、个性化、安全性、用户满意度等多方面进行评价；推荐系统的应用是最终研究的落脚点，推荐系统不仅能为用户提供完全个性化购物环境，更应为企业的销售决策和客户关系管理提供支持。
在电子商务环境下，用户信息收集表示是电子商务个性化推荐的基础。根据当前对电子商务环境下用户信息收集表示的研究来看，主要着眼于研究如何有效地收集能反映用户兴趣偏好的信息，以及如何通过网络数据挖掘等的方法更自动化地收集用户的隐式信息，解决用户信息收集过多的依赖于显式评价数据的问题。
个性化推荐技术是电子商务自动化推荐系统的核心问题。目前的推荐技术有协同过滤推荐(包括基于用户的和基于项目的)、基于用户人口统计信息的推荐、基于内容的推荐、基于效用的推荐、基于知识的推荐、基于规则的推荐等等。协同过滤推荐是个性化推荐中研究和应用最多的方法，广泛应用于电子商务网站、数字图书馆、网页搜索、新闻过滤等，着名的推荐系统有Tapestry、GroupLens/NetPerceptions、Ringo/Firefly等，其前提假设是存在具有相似兴趣爱好的用户群，每个用户都有与其兴趣爱好相似的邻居用户。预测用户对某一项目的偏好是根据邻居用户对该项目的偏好程度计算的，也就是说如果其邻居用户喜爱某项目，则该用户也很可能会喜爱该项目。协同过滤最大优点是不需要分析对象的特征属性，所以对推荐对象没有特殊的要求，能处理非结构化的复杂对象，如音乐、电影等。
对推荐系统总体性能的评价是推荐系统研究的重要组成部分。目前大都只是采用准确率、召回率等评判尺度对推荐算法进行评价，并没有真正意义上的、提升到对整个推荐系统进行的评价，尤其缺乏从个性化程度、持久性程度、系统的安全性以及用户接受程度等多方面对推荐系统进行综合的评价。
四、研究现状
推荐行为产品或其它项目的软件已经在许多应用中使用在电子商务领域，为了增加购买经验并满足客户需求，已经推出了充分利用消费者的访问和购买行为的推荐系统。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就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。该技术也用于类似于协作过滤的文本文档的信息抽取。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，用户行为研究和隐私问题研究。其中技术系统开发是重点。目前各种推荐技术，例如数据挖掘，和推理，都已经应用到了推荐系统中。现存的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两种。
基于规则的系统，N1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。
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。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。
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。基于协作过滤系统的优点是能为用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，缺点是存在两个很难解决的问题，一个是稀疏性，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；另一个是可扩展性，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。该方法的一个主要局限是稀疏问题。在基于协作过滤的推荐系统中，很难精确确定下相似客户和识别要推荐的产品。不仅如此，系数问题的极端形式是first-rater问题，当市场引入一种新产品时，不存在可用的先前估计信息。
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。
近来，许多因特网公司还引进了有关信息产品的推荐系统，它包括Web站点推荐，音乐推荐，视频推荐，书籍推荐等等(例如Amazon.com，以及CDNow.com等等)。因特网行销机构运用推荐系统对某一广告公司推荐用户(例如Ac-tiveAgent Werbenetz。
保研推荐信篇10
NIF的申请要完全通过e-GAP2系统实现，故在开始网上填表之前，申请者应首先阅读计划书。申请者应该意识到申请是由申请者和自己联系的英国方面推荐人共同完成的，申请者需要在申请之前与英国推荐人就研究计划达成一致。
申请者还需要推荐两名独立的熟悉你的研究领域的评审人，他们将收到你的申请表的副本，请确认他们知道你的研究项目的主要特点，他们将收到相关使用说明，得知如何使用e-GAP2系统写评审报告。
申请者需要提供一封现任导师的推荐信，信上概括你为什么适合获得该基金并说明这将如何有益于你的研究生涯发展。申请者注意以下内容：申请表中应包含所有相关信息并详细说明你的观点；申请表单独成档，审核后不能修改；注意审核标准以确保您提供的必要信息符合这些标准，清楚地完成申请表；良好的计划说明、财务责任和预期结果都与你卓越的研究同样重要。
申请者在进行申请的时候记住在e-GAP2系统上保存信息，长期的空闲后您将会自动退出系统，未保存的信息将丢失。给申请表备份，在提交前确保没有遗漏信息，一旦提交，如果没有得到验证人员的同意返还申请表，你将不能再重新修改申请表。申请过程和e-GAP2系统的具体问题可以咨询：e-gap@royalsociety.省略）在网上联合申请。
（4）申请过程中的关键日期有哪些？
答：申请一般从每年的11月左右开始，截止时间为次年2月左右，申请结果将于截止日期起五个月后公布，基金于下一年的1月生效。准确的日期要注意关注基金申请网站。
（5）NIF涉及哪些科目？
答：基金覆盖广泛的学科领域，包括自然科学、社会科学、工程学与人文科学。如果申请者对申请资格方面有任何问题，可以通过联系主办方。
（6）从哪里获得基金呢？
答：申请者可以在挂靠的英国任何一所大学或公共研究机构获得该基金，申请者需要就你的研究计划与你所在的英国研究机构达成一致。
（7）NIF的有效期是多久？
答：NIF在英国的有效期为两年。在该基金项目完成后的十年期间，仍旧工作在研究领域的NIF获得者还将继续获得每年六千英镑的研究活动经费资助，这也是NIF的部分内容。
（8）评估申请的标准是什么？
答：主要的考虑标准如下，成功的申请者必须在各个方面都非常优秀。①申请者的学术研究背景；②提交的研究项目的质量；③对申请者职业发展的预期帮助；④在提议的研究领域，英国方面的推荐人和主办机构的研究业绩；⑤英国方面的推荐人和主办机构是否适合申请者的研究项目；⑥英国方面的推荐人和主办机构的附加帮助。
（9）英国方面推荐人的角色是什么？
答：推荐人作为申请者在英国的主要联系人，提供研究支持和指导、必要的研究设备，辅助安排实践和研究活动；推荐人必须在英国政府出资的研究机构订立一项永久或固定周期的合同（基金生效期间）；推荐人需要与主办机构保持联系促使基金计划的顺利完成。
（10）申请者能从英国方面的推荐人那里能到什么信息？
答：英国方面的保荐人必须提供其研究生涯的相关信息，说明他与你在NIF上合作的原因。
（11）申请者能从英国主办机构那里得到什么样的信息？
答：英国主办机构需求通过e-GAP2系统批准提交申请，表明他们愿意为NIF学者提供研究基础，这项认可不是推荐人提供的，每个组织都对其批准过程承担各自的责任，只有得到英国主办机构的认证，你的申请书才会被考虑。
5 NIF基金校友录
NIF学者结束两年的研究工作后，如果他们继续从事研究工作，他们将获得长达10年，每年六千英镑的研究补助以支持他们保持与英国之间的合作研究。此外，NIF学者还将成为“国际校友基金计划”的成员，此项校友计划是由英国研究理事会和七个英国研究理事会的战略伙伴共同设立，这将提供他们与其他在英国工作的博士后研究人员良好的网上交流机会。更多信息请见“国际校友基金计划”（ukifa.rcuk.ac.uk/）。
6 与德国洪堡基金和日本学术振兴会基金类似项目的比较
德国洪堡基金和日本学术振兴会基金（JSPS）实施多年，资助名目较多，但大多人只能申请到2年左右的基金，所以牛顿基金在设立之初，也是看到这一点，只设立了2年左右的基金。
德国洪堡基金项目每年向大约600名具有博士学位，年龄不超过40岁的研究成果优秀的外国研究人员提供基金，使其有一段较长的时间（1至2年）在德国进行科学研究工作，选拔的唯一标准是学术水平，不分国别，也没有专业限制，按学者的年龄和学术水平，洪堡基金额度平均每月在2100至3000欧元之间（免税）。
日本JSPS博士后研究基金每年向150名，具有博士学位的外国科研人员提供奖学金，使其在日本从事1-2年的科研工作。项目支持人文科学、社会科学和自然科学的所有领域。JSPS包括每月32.6万日元的生活和科研补贴，以及一次性20万日元的安置津贴。申请者在申请之前需要与自身研究领域的日方研究人员就研究项目达成一致。
德国洪堡基金没有专业限制，不分国别，学术水平是唯一标准，由于需要在德国生活1至2年，掌握一些德语可能会比较好；相比而言，日本JSPS博士后研究基金申请难度要比洪堡基金略小，主要看申请者以往的研究成果和所提交的研究计划。一般情况下，申请者英语都不会有问题，如果能申请牛顿基金成功，在英国的研究和生活将不会有太多语言障碍，而且基金丰厚，甚至可再连续资助十年，这是洪堡基金和JSPS所不能提供的。
7 申请NIF的联系方式
NIF网站：e-gap.省略；一般查询请见：info@newtonfellowships.省略；关于包括联系事项的网站查询请见：。
8 结束语
本文简单介绍了英国牛顿基金（NIF）的相关内容，希望对那些有志于申请NIF且处于研究生涯初期的青年研究人员能有所帮助。参考文献[1] 省略
保研推荐信篇11
除了推荐者的选择，推荐信的内容也有格外需要注意的地方。一封好的推荐信不仅需要出自一位在某一方面了解你的人士之手，而且这封信对你的评价必须要有具体的例子来佐证。许许多多的推荐信都犯着一个雷同而且是致使的错误，那就是几乎每一句话都堆满了赞美的形容词或名词，但却不举一件事例来证明。这样的推荐信是苍白无力的，它不增加评审委员会对你的任何了解，甚至会让读者产生疑问：你的教授，你的顶头上司，为什么不能说出你任何一件具体的成就！
当然，即使是十分了解你的推荐者也不能保证完全了解或是记得你的具体成就和能力，他们也可能不清楚在推荐信上详细介绍你的重要性。你所应该做的是与推荐者交谈一次，提醒他们你所具有的能力和已获得的成就并表明你希望他们能够提到这些事实。
推荐者如果恰当地而又正面谈到申请人的不足，就会增加推荐信的真实性，而且也显示出对被推荐者深刻的了解。这样的推荐信就会更加有分量。
保研推荐信篇12
除了推荐者的选择，推荐信的内容也有格外需要注意的地方。一封好的推荐信不仅需要出自一位在某一方面了解你的人士之手，而且这封信对你的评价必须要有具体的例子来佐证。许许多多的推荐信都犯着一个雷同而且是致使的错误，那就是几乎每一句话都堆满了赞美的形容词或名词，但却不举一件事例来证明。这样的推荐信是苍白无力的，它不增加评审委员会对你的任何了解，甚至会让读者产生疑问：你的教授，你的顶头上司，为什么不能说出你任何一件具体的成就！
当然，即使是十分了解你的推荐者也不能保证完全了解或是记得你的具体成就和能力，他们也可能不清楚在推荐信上详细介绍你的重要性。你所应该做的是与推荐者交谈一次，提醒他们你所具有的能力和已获得的成就并表明你希望他们能够提到这些事实。
推荐者如果恰当地而又正面谈到申请人的不足，就会增加推荐信的真实性，而且也显示出对被推荐者深刻的了解。这样的推荐信就会更加有分量。
保研推荐信篇13
本文著录格式：[1]郭平，刘波，沈岳，农业云大数据自组织推送关键技术综述[J].软件，2013，34（3）：1-6
0 引言
随着物联网、云计算、下一代互联网等新一代信息技术的快速发展和信息内容的日益增长，“信息过载”问题愈来愈严重，推荐系统（recommender systems）被认为可以有效的缓解此难题，帮助用户从海量数据中发现感兴趣信息，满足个性化需求。
近年来，我国在农业个性化知识服务服务领域从本体论、语义网、知识工程角度开展了广泛的研究，成果主要体现在三个方面：以搜索引擎为代表的知识检索系统，需回答大量预设问题进行知识推理的专家系统，特定领域应用系统，它们在各自的场合都发挥了积极作用。然而知识检索系统不能满足用户个性化需求，专家系统的应用很难普及，特定领域应用开发成本高和重用难度大。物联网与数据挖掘云服务提供知识服务云实现物理世界的“感知控”，知识服务云的研究主要集中在制造和图书情报领域，云环境下的农业个性化知识服务的研究尚处于起步阶段，主要集中在服务模式的构建与展望。
本文是对科技部科技支撑课题“农村农业信息化关键技术集成与示范”（2011BAD21803）与“农村物联网综合信息服务科技工程”（2012BAD35800）研究成果的总结，也是对农业云推荐系统研究的升华。
1 农业云大数据自组织区域推送的提出
1.1 农业信息资源特点
我国自“十一五”时期以来，农业农村信息化发展取得了显著成效，主要表现在农业农村信息化基础设施不断完善、业务应用深入发展、物联网技术在农业中逐步推广应用等方面。从中央到省，市、县建立了“三农”综合信息服务平台，涉农企业、组织和科研院所也积极搭建了各具特色的农业信息服务平台，目前正向乡镇村发展。农村信息员队伍及以农业综合信息服务站和农业合作社为代表的农村信息服务机构发展迅速，“三电合一”、“农民信箱”、“农村热线”等信息服务模式应用深入。云计算利用海量的存储能力把农业信息资源形成高度集成和虚拟化的计算资源一“农业知识聚合云”，支持用户在任意位置、使用各种终端方便获取信息，但由于农业领域生态区域性和过程复杂性及农业区域发展不平衡和农民文化的多层次性也带来了“信息过载”、“资源隐晦”“资源迷向”等问题。
1.2 农业云环境下大数据自组织区域推送
物联网和云计算背后是大数据，在云计算模式下，用户不确定的、智能的交互，个性化需求更加多元化，信息交互行为更加频繁；在大量用户通过社会标注达成共识的过程中，逐渐形成不同社区，涌现出群体智能，形成“农业用户兴趣社交云”。利用云的海量存储、群体涌现智能、强大的计算能力和物联网感知控优势，可以提供面向用户复杂分析计算，实现业务重点由面向应用和资源的传统信息服务，转变为基于对海量农业知识进行动态划分，有目的、主动、定制、自组织推送给有需求的农业用户，为农业用户提供实时性、个性化知识服务，指导农业生产过程。
首先以Hadoop+MapReduce+HBaSe分布式框架为处理平台，对“农业用户兴趣社交云”，融合用户兴趣偏好和社交网络进行建模，将这些多元用户信息充分融入推送系统会更好产生推荐结果；将推荐对象“农业知识聚合云”按农业知识高维性、多样性、多层次性特征分类聚类为各种知识块静态和动态元数据；通过智能算法推荐和社会网络推荐为用户发现个性化内容；根据用户的地理位置、用户服务的评价以及云基础服务提供商信息将预测值最高的服务推送给用户实现与物理世界的互动（如图1）。
从以上分析可知，农业云大数据自组织区域推送的关键技术有用户兴趣模型、推荐对象模型，推荐算法、数据挖掘四个部分，以下分别对这几项技术进行论述。
1.2.1 用户兴趣模型
用户兴趣建模是个性化服务技术的基础和核心，包括数据收集、模型表示、模型学习与模型更新。用户兴趣建模的方法有很多，常用的有向量空间模型、神经网络、遗传算法、用户一项目评价矩阵、基于案例的表示、基于本体论的表示、基于加权关键词的表示，基于社会网络的表示等。几乎每种表示形式都是以一种私有形式进行知识表示，此外一些表示技术还依赖于模型学习，如广泛使用的基于向量空间模型的表示与TF-IDF学习技术联系在一起。表示形式的私有性和对学习技术的依赖性阻碍了用户模型在系统间的共享，这种共享对于减少用户建模工作量，提高推荐算法启动效率具有重要意义。因此开发独立于模型学习技术的通用用户模型表示技术是目前研究中热点，基于语义网和社交网络的用户模型在这方面表现了优势。
用户的兴趣或需求会随时间、情景发生变化，结合长期和短期兴趣及兴趣的变化用户兴趣建模的重点，目前的更新机制很难及时跟踪用户兴趣的变化，有更好的学习效率和动态变化适应能力的建模是未来的重要研究方向，国内外大量的文献对此展开了研究，遗忘函数、时间窗、用户兴趣的漂移特性等被提出。
在湖南农业云中，基于呼叫中心、互联网，手机报、手机短信，电视广播等用户在多应用系统中形成的兴趣偏好和社交网络特征，提出“农业用户兴趣社交云”建模思路：以图论模型表示用户“兴趣图”数据和“社交图”数据，根据经典的局域世界演化理论，综合考虑实际情况中用户之间的多重关系和关系的强弱程度，以用户之间相似度为节点连接概率因素，生成动态多维网络，进行用户数据的挖掘和更新；结合农业本体，在多维社交网络的基础上，将基于农业本体的区域用户兴趣融合在云计算平台上进行处理。
1.2.2 推荐对象模型
推荐本质上是将推荐对象的特征与用户的兴趣偏好进行推荐计算，所以推荐对象的描述和用户的描述密切相关。推荐系统应用不同领域，它推荐的对象也就各不相同，目前，湖南农业云主要是文本性数据；不同的对象，特征也不相同，目前没有一个统一的标准来进行统一描述，主要有基于内容、分类、聚类的方法。
基于内容的方法是从对象本身抽取信息表示对象，常见的是向量空间模型，使用最广泛的是加权关键词矢量方法进行特征选取，使用TFIDF计算每个特征的权值。向量空间模型对模型中的特征词进行权重估计（TF-IDF）过程中不考虑特征词之间的相关性，直接用特征词作为维度构建文档向量，降低了文档向量对文档概念表达的准确性以及对不同类型文档的区分能力。
基于分类的方法是把推荐对象放入不同类别，把同类文档推荐给对该类文档感兴趣的用户。主要有两种，一种是基于知识工程的方法，使专家的类别知识直接编码为分类规则，正确率和召回率高，但工作量大；近期研究最多的是另一种一机器学习，根据训练样本集建立分类器，方法有很多，常见的有概率分类、贝叶斯回归分析、决策树分类器、决策规则分类器、Rocchio分类器、神经网络分类器、支持向量机（SVM）、分类器融合、Boosting分类器、k最近邻方法（KNN）等。
研究文本聚类的最初目的是为了提高信息检索的查全率和查准率，近年来，文本聚类用于自动产生文本的多层次的类，并利用这些新生成的类对新文本进行效率较好的归类，已经提出了大量的文本聚类算法。传统的聚类算法在处理高维和海量文本时效率不很理想。针对这样的问题，将聚类分析与计算智能理论，并行计算、云计算等相结合，设计出高效的并行聚类算法，己经成为一个比较流行的研究思路。
在湖南农业知识云数据模型中，将能更好反映特征词相关性的超图模型引入，将文档中提取的特征项表示为图中节点，特征词条之间的关系构成图中边，用边上权值表示相关联特征项之间共现程度。通过对文本图模型K最近邻划分实现降维降噪的粗粒度数据切片；对切片后数据反映用户兴趣如地域、时间、诉求等多维度特征的智能聚类，实现细粒度的聚合与分割。
“农业知识聚合云”模型算法建立在基于MapReduce处理的大规模图上，得到各种知识块静态和动态元数据。
1.2.3 推荐算法
推荐算法是整个推荐系统中核心部分，大量的论文和著作都关注了这个方面。目前，基本包括以下几种：基于内容过滤推荐、协同过滤推荐、基于关联推荐、基于知识推荐、基于效用推荐、基于网络结构推荐、基于聚类推荐、基于社会网络分析推荐、混合型推荐等。通过对众多推荐算法进行比较分析，各种算法都有优缺点（如表1）：
各种推荐方法都有各自的优缺点，在实际问题中采用多种策略进行混合推荐，主要有两种混合思路：推荐结果混合和推荐算法混合。目前大部分的推荐算法都是混合推荐算法，主要还是以协同理论为核心，再配合其他算法的优点或交叉学科的理论来改善推荐的质量。另外基于社会网络个性化推荐算法研究是一个趋势，基于社会网络的推荐是协同过滤的延伸，通过考察结点之间（用户和用户之间或产品之间）的相关性和结点之间的信任度可以获得比一般协同推荐更高推荐效果，如文献提出将社会网络关系结合到推荐算法中。纵观国内外在推荐算法上的研究，主要集中在基于用户显性评分数据的协同过滤算法上，对基于非显性评分行为数据场景下的研究却显得有点不足。目前在扩展性问题上学术研究不是很具有针对性，主要集中在通过各种交叉学科中的方法来对用户进行聚类或对行为数据进行降维、压缩等缩短推荐的项目集或减少计算量，从而提升算法的性能；有关基于云平台上的推荐算法研究目前主要集中于协同过滤算法MapReduce化。而实际应用中，己出现利用分布式集群解决算法扩展性方法，如Google News的推荐算法就是部署在分布式环境下，从而满足海量数据下的推荐服务。
根据农业云大数据自组织区域推送实际情况将推荐结果和推荐算法混合，提出“三层推荐”策略：在丰富的知识块云元数据基础上，将知识块属性和用户兴趣行为基于频繁模式的知识关联撮合推荐；通过复杂网络聚类算法识别一个用户多个社区兴趣，融合“兴趣图”和“社交图”协同过滤推荐，突破算法推荐的局限性，让用户信任的朋友圈子为其发现和推荐内容，取得社交推荐的时效性和算法推荐的长尾性之间的互补，从而针对每个社区成员提供精准个性化推荐；根据基础设施服务供应商、用户所在的地理位置以及用户对服务可用性评价值的相似性等，将大量用户云终端聚类为一定数量的社区，提高云端推送服务的有效性，最终形成通过大众参与，支持云间变换，集电信网、广播电视网、互联网合一的自组织区域推送，较有效地处理一般推荐算法中存在的稀疏性、冷启动以及大规模实时计算的问题。
1.2.4 云计算下个性化数据挖掘
数据挖掘采用了多种领域中的思想，包括来自统计学的抽样、估计、假设检验以及人工智能、模式识别和机器学习的搜索算法、建模技术和学习理论。随着数据挖掘的不断发展，也采用了包括最优化、进化计算、信息论、信号处理、可视化、信息检索、云计算、并行计算等技术。与传统的数据挖掘相比，云计算下的个性化数据挖掘的目标，就是通过云计算中心，向用户提供针对其即时演化需求的数据挖掘SaaS（Software as aService，软件即服务）服务，其基础问题主要为：对于用户不同的数据挖掘需求以及针对用户特点进行个性推荐的建模和表征；数据挖掘算法适应云计算的并行分布式化；使数据挖掘的结果和算法能够支持云间变换并形成一种面向用户、即时组合的、变粒度的云服务，其中数据挖掘的云服务化是研究的难点。
（1）云计算下个性推荐的建模和表征
云下的个性推荐建模和表征与传统上个性化推荐明显的不同在于海量异构大数据和用户间群体涌现的社交网络，它们本质上形成了多个顶点的大规模图。云计算可以为大规模个性化提供技术支撑，云服务本身也有大规模个性化定制应用需求，目前研究两者结合的文献还很少，张泽华从计算资源的角度基于复杂系统理论对云计算联盟体系结构进行建模，并基于蚁群优化算法和复杂系统理论进行了负载均衡研究；郭昱就有效处理客户需求信息该如何选择与分布云计算平台中的关键节点问题，提出了基于云计算的大规模定制客户需求模型。赵东杰对复杂网络、数据挖掘与群体智能有效结合进行了探索研究。农业云大数据自组织推送通过“农业知识聚合云”分解的静态、动态知识元数据和“农业用户兴趣社交云”形成的兴趣图、社交图基于用户行为和知识元数据的关联撮合，通过人工智能和社交圈子帮助用户发现内容，实现搜索和推荐的无缝结合，为智能个性化推荐实现“内容找人”愿景。
（2）算法并行分布式与高性能计算
对于大规模数据的处理，典型系统结构大致分为三类：基于MapReduce模型的分布式并行处理系统、基于BSP模型的分布式并行处理系统和分布式图数据库系统。数据挖掘算法现在的发展趋势是基于云计算的并行数据挖掘，它的同一个算法可以分布在多个节点上，多个算法之间是并行的，多个资源实行按需分配，而且分布式计算模型采用云计算模式，数据用DFS或者HBASE，编程模式采用MapReduce这种方式。Bhaduri等整理了一个十分详尽的并行数据挖掘算法文献目录，包含了关联规则学习、分类、聚类、流数据挖掘四大类分布式数据挖掘算法，同时还包括分布式系统、隐私保护等相关的研究工作。
2 基于云计算推荐系统研究的重点、难点与热点
2.1 云环境下用户偏好获取安全与可信问题
推荐系统中，用户数据集的数量和质量问题，影响用户模型的精确度、可用性，导致问题的根本原因在于用户对隐私和安全的考虑。而云环境下，数据的安全与隐私是用户非常关心的问题。既能得到准确用户信息而提高推荐系统性能，又能有效保护用户信息同时检测并能预防推荐攻击（一些不法的用户为了提高或降低某些对象的推荐概率，恶意捏造用户评分数据而达到目的）将是未来推荐系统的一个重要研究方向。
2.2 模型过拟合问题
过拟合现象是指系统推荐给用户的对象与用户刚刚看过的不是太相似或者太不相关。过拟合（过学习）的问题本质上来自于数据的不完备性，这在实际应用中是无法完全避免的。在于兴趣偏好获取方式或隐私等原因使用户没有对足够多类别的对象进行评价。目前解决的主要方法是引入随机性，使推荐算法收敛到全局最优或者逼近全局最优，关于既要保证推荐的多样性，又不能与用户看过的对象重复或毫不相关这一问题的研究是推荐系统研究的一个难点和重点。
2.3 稀疏性与冷启动问题
稀疏性和冷启动问题困扰推荐系统很长时间了，前者的解决办法主要过滤和降维。目前针对冷启动问题提出了一些解决方法，主要分为两大方面，一是直接利用传统协同过滤的评分数据结合特定的方法进行解决，二是新用户或新项目的内容属性信息与传统的协同过滤评分数据相结合的方法进行改善冷启动问题。稀疏性与冷启动问题一直是推荐系统研究的一个难点和重点。
2.4 数据挖掘的结果和算法智能服务化
将数据挖掘算法融入针对海量用户的使用记录和计算资源间协作进行优化组合，利用这些特性通过大众参与的交互作用，提高云间服务的智能性、有效性将是大数据时代推荐系统研究的一个制高点。将数据挖掘任务及其实现算法服务化，通过SaaS方式向云计算中心索取所需的相应的数据挖掘，这可能是目前突破数据挖掘专用软件使用门槛过高、普通大众难以触及、企业用户使用成本太大、挖掘算法和结果难以实时得到评价和相应修改等问题的最有希望的解决方案之一，也是数据挖掘走向互联网大众、走向实用化的重要的一步。
2.5 大数据处理与增量计算问题
目前对大数据的研究仍处于一个非常初步的阶段，半结构化和非结构化数据给传统的数据分析带来巨大挑战，尤其算法如何快速高效地处理推荐系统海量和稀疏的数据成为迫在眉睫的问题。当产生新的数据时，算法的结果不需要在整个数据集上重新进行计算，而只需考虑增量部分，对原有的结果进行微调，快速得到准确的新结果，是增量计算的理想状态。但一般而言，随着信息量的增多，算法的误差会累积变大，最终每过一段时间还是需要利用全局数据重新进行计算。一个特别困难的挑战是如何设计一种能够保证其误差不会累积的算法，也就是说其结果与利用全部数据重新计算的结果之间的差异不会单调上升，要达到这种程度，还有很长的路要走。
结束语：
随着新一代信息技术的快速发展和信息内容的日益增长，搭载在云计算平台的自组织区域推送具有它天然的优势：云的海量存储使得推荐系统能有效获取训练数据；云的分布式计算能力提供了较高的响应能力；海量用户的使用记录和计算资源问大众参与的交互涌现，最终形成自组织优化组合的智能个性化云推送。因此，农业云自组织区域推送具有重要的研究意义和广阔的应用前景，对云环境下其他领域的个性化推送应用具有借鉴意义，但目前存在大量问题需要进行深入细致的研究。
参考文献
[1]孟祥武，胡勋，王立才，张玉洁，移动推荐系统及其应用[J]，软件学报，2013，24（1）：91-108
[2]杨涛，基于本体的农业领域知识服务若干关键技术研究[D]，上海：复旦大学计算机科学技术学院博士论文，2011，1-50
[3]杨晓蓉，分布式农业科技信息共享关键技术研究与应用[D]，北京：中国农业科学院博士学位论文，2011，3-35
[4]赵春江，农业智能系统[M]，北京：科学出版社，2009，1-210，
[5]何清，物联网与数据挖掘云服务[J]，智能系统学报，2012，7（3）：1-5，
[6]黄卫东，于瑞强，共享学习模式下知识服务云平台的构建研究[J]，电信科学，2011，12：6-11
[7]丁静，杨善林，罗贺，丁帅，云计算环境下的数据挖掘服务模式[J]，计算机科学，2012，39（6）：217-219，237
[8]邓仲华，钱剑红，陆颖隽，国内图书情报领域云计算研究分析[J]，信息资源管理学报，2012，2：10-16
[9]胡安瑞，张霖，陶飞，罗永亮，基于知识的云制造资源服务管理[J]同济大学学报（自然科学版），2012，40（7）：1093-1101
[10]程功勋，刘丽兰，林智奇，俞涛，面向用户偏好的智能云服务平台研究[J]，中国机械工程，2012，23（11）：1318-1323，1336
[11]刘波，方逵，沈岳，可重构的农业知识服务模式研究[J]农机化研究，2011，36（11）：66-70
[12]赵星，廖桂平，史晓慧，陈诚，李文圃，物联网与云计算环境下的农业信息服务模式构建[J]，农机化研究，2012，4：142-147
[13]郭永田，中国农业农村信息化发展成效与展望[J]，电子政务，2012，02-03：99-106
[14]李道亮，中国农业农村信息化发展报告（2011）[M]，北京：电子工业出版，2012，87-150
[15]钱平，郑业鲁，农业木体论研究与应用[M]，北京：中国农业科学技术出版社，2006，1-100
[16]吴丽花，刘鲁，个性化推荐系统用户建模技术综述[J]，情报学报，2006，25（2）：55-62
[17]李珊，个性化服务中用户兴趣建模与更新研究[J]，情报学报，2010，29（1）：67-71
[18]王国霞，刘贺平，个性化推荐系统综述[J]，计算机工程与应用，2012，48（7）：66-76
[19]王巧容，赵海燕，曹健，个性化服务中的用户建模技术[J]，小型微型计算机系统，2011，32（1）：39-46
软件杂志欢迎推荐投稿：http：///
[20]张华清，动态多维社会网络中个性化推荐方法研究[D]，济南：山东师范大学硕士学位论文，2012，16-31
[21]丹，面向跨系统个性化服务的用户建模方法研究[J]_情报杂志，2012，31（6）：156-161
[22]邓夏玮，基于社交网络的用户行为研究[D]，北京：北京交通大学硕士学位论文，2012，4-43
[23]马尧，基于多维用户特征建模的个性化社交搜索引擎的设计与实现[D]，广州：华南理工大学硕士学位论文，2012，12-55
[24]陈恩红，徐童，田继雷，杨禹，移动情景感知的个性化推荐技术[J]，中国计算机学会通讯，2013，9（3）：19-24
[25]Jong Hwa Kima，b，，Hyun JoonLeeb，Extraction of user profile based on workflow and information flow[J]，Expert Systems with Applications，2012，39（5）：5478-5487
[26]南智敏，钱松荣，引入漂移特性的用户兴趣模型优化研究[J]，微型电脑应用，2012，28（3）：30-32
[27]郭新明，弋改珍，混合模型的用户兴趣漂移算法[J]，智能系统学报，2010，5（2）：181-184
[28]程显毅，朱倩，文本挖掘原理[M]，北京：科学出版社，2010，9-45 [29]李涛，推荐系统中若干关键问题研究[D]，南京：南京航空航天大学博士学位论文，2009，31-80
[30]姜伦，模糊聚类算法及其在中文文本聚类中的研究与实现[D]，哈尔滨：哈尔滨理工大学硕士学位论文，2010，18-48
[31]冯汝伟，谢强，丁秋林，基于文本聚类与分布式Lucene的知识检索[J]，计算机应用，2013，33（1）：186-188
[32]陶红，周永梅，高尚，一种基于语义相似度的群智能文本聚类的新方法[J]计算机应用研究，2012，29（2）：482-532
[33]孟海东，刘小荣，基于聚类分析的图模型文档分类[J]计算机应用与软件，2012，29（1）：117-174，229
[34]饶君，张仁波，东呈晓，吴斌，基于MapReduce的大规模图挖掘并行计算模型[J]，应用科技，2012，39（3）：56-60
[35]于戈，谷峪，鲍玉斌，王志刚，云计算环境下的大规模图数据处理技术[J]，计算机学报，2011，34（10）：1753-1767
[36]吕善国，吴效葵，曹义亲，基于网络结构的推荐算法[J]_实验室研究与探索，2012，31（7）：278-280，368
[37]周佳，罗铁坚，一种基于内容关联的学术资源协同推荐算法[J]，中国科学院研究生院学报，2013，30（1）：117-123
[38]唐晓波，张昭，基于混合图的在线社交网络个性化推荐系统研究[J]情报理论与实践，2013，36（2）：91-95
[39]王立才，孟祥武，张玉洁，上下文感知推荐系统[J]，软件学报，2012，23（1）：1-20
[40]刘建国，周涛，汪秉宏，个性化推荐系统的研究进展[J]，自然科学通报，2009，19（1）：1-15
[41]许海玲，吴潇，李晓东，阎保平，互联网推荐系统比较研究[J]软件学报，2009，20（2）：350-362
[42]孙冬婷，何涛，张福海，推荐系统中的冷启动问题研究综述[J]，计算机与现代化，2012，5：59-63
[43]张亮，基于聚类技术的推荐算法研究[D]，成都：电子科技大学硕士学位论文，2012，7-18
[44]Liu， F.，Lee， H.J. Use of social network information to enhance collaborative filterinperformance.Expert[J] Systems with Applications. 2010， 37（7）：4772-4778.
[45]Jiang， J.， Lu， J.， Zhang， G.， Long， G. Scaling- Up Item-Based CollaborativeFiltering Recommendation Algorithm Based on Hadoop[C].2011 IEEE World Congress onServices.IEEE[A]. 2011， 490-497.
[46]周源，基于云计算的推荐算法研究[D]，成都：电子科技大学硕士学位论文，2012，26-64
[47]吕雪骥，基于云计算平台的智能推荐系统研究[D]，合肥：安徽大学硕士学位论文，2012，25-43
[48]刘晨，改进的聚类挖掘算法对网络自助出版“长尾”文本的推荐应用[D]，上海：复旦大学硕士学位论文，2011，10-19
[49]陈桂生，张海粟，刘玉超，云计算下的个性化数据挖掘服务[EB/OL]，[2011-2-28]中国人工智能学会通讯，http：//www，/contents/50/119，html
[50]张泽华，云计算联盟建模及实现的关键技术研究[D]，昆明：云南大学博士学位论文，2012，26-114
[51]郭昱，吴清烈，基于云计算的大规模定制客户需求响应模型及其节点的选择与分布[J]，系统工程理论与实践，2011，31（增刊2）：1-6
[52]赵东杰，张海粟，韩言妮，杨海涛，何宇，基于网络化数据挖掘的群体智能研究方法[C]，Proceedings of 2010 The 3rdInternational Conference on Computational Intelligence andIndustrial Application（Volume 9）.IEEE[A].2010，239-243.
[53]AnandRajaraman，Jeffrey David Ullman著，王斌译，互联网大规模数据挖掘与分布式处理[M]，北京：人民邮电出版社，2012，1-253
[54]Bhaduri K， Das K， Liu Kun， et al. Distributed data mining bibliography[EB/OL]. [2011-01-03]. http：// cs. umbc. edu/～hillol/DDMBIB/
