1、近年來(lái)隨著電子商務(wù)的迅猛發(fā)展，電子商務(wù)使傳統(tǒng)的商品交易產(chǎn)生了革命性的變化。電子商務(wù)阿站按客戶群劃分產(chǎn)品，圍繞客戶進(jìn)行服務(wù)，為客戶提供所需的東西，所以為每個(gè)顧客提供個(gè)性化的服務(wù)成為必要，也使個(gè)性化推薦系統(tǒng)成為目前研究的熱門技術(shù)。個(gè)性化推薦系統(tǒng)是～種基于用戶瀏覽路徑挖掘技術(shù)的推薦系統(tǒng)，其目的是方便用戶對(duì)網(wǎng)站的訪問(wèn)，它可以預(yù)測(cè)未來(lái)用戶的數(shù)量和愛好，并為電子商務(wù)企業(yè)提供決策依據(jù)。如何有效的將用戶瀏覽路徑挖掘技術(shù)與推薦技術(shù)結(jié)合是個(gè)性化推薦系統(tǒng)中的

2、重要問(wèn)題，本文圍繞這個(gè)問(wèn)題做了如下工作：
　　 本文首先選擇協(xié)同過(guò)濾推薦技術(shù)作為研究對(duì)象，介紹了協(xié)同過(guò)濾技術(shù)目前的研究現(xiàn)狀、存在的問(wèn)題以及其基本原理。接著介紹了個(gè)性化推薦系統(tǒng)中用戶瀏覽偏愛路徑的挖掘過(guò)程，并給出了適合本文的用戶瀏覽偏愛路徑挖掘算法。然后介紹了基于用戶瀏覽偏愛路徑的協(xié)同過(guò)濾推薦方法，這是本文的創(chuàng)新點(diǎn)。隱馬爾科夫模型為協(xié)同過(guò)濾推薦的實(shí)現(xiàn)提供了一種有效的方法，它基于用戶瀏覽路徑，模擬用戶瀏覽網(wǎng)站時(shí)的行為，建立了用戶瀏覽

3、行為最近鄰集合。使用隱馬爾科夫模型(Hidden Markov Models,簡(jiǎn)稱為HMM)代替簡(jiǎn)單的相似模型來(lái)度量用戶相似性，大大的提高了最近鄰?fù)扑]的準(zhǔn)確性，解決了實(shí)時(shí)性推薦和數(shù)據(jù)空間的可擴(kuò)晨的問(wèn)題。并結(jié)合喜好度給出了基于HMM的協(xié)同過(guò)濾預(yù)測(cè)模型。最后，為了更好的滿足用戶需求，提高推薦的準(zhǔn)確度．對(duì)隱馬爾科夫模型的結(jié)構(gòu)進(jìn)行了更新，進(jìn)而有救的處理多種用戶數(shù)據(jù)。通過(guò)對(duì)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)(Dynamic Bayesian network，簡(jiǎn)稱為D

4、BN)的介紹及與隱馬爾科夫模型的對(duì)比，我們將貝葉斯阿絡(luò)作為網(wǎng)絡(luò)更新的首選模型。貝葉斯阿絡(luò)由于其建模的靈活性，在很多融合算法中都有應(yīng)用。通過(guò)實(shí)現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)的更新學(xué)習(xí)，即在以前基于HMM推薦模型的基礎(chǔ)上，加入新的特征．構(gòu)造了基于DBN推薦模型來(lái)修正推薦模型，把以前所有的訓(xùn)練集與新樣本組合進(jìn)彳亍學(xué)習(xí)和訓(xùn)練，這樣既可以節(jié)省時(shí)間，又優(yōu)化了阿絡(luò)結(jié)構(gòu)．使得推薦模型更加滿足客戶的需求。
　　 本文重點(diǎn)研究了用戶瀏覽路徑與協(xié)同過(guò)濾推薦技術(shù)的結(jié)合。將