丁硬扎大会啪啪
范文一：电子商务推荐系统现状研究
2011年11月财经视点
电子商务推荐系统现状研究
文/赵冬伟
摘 要：随着电子商务的迅速发展，人们从网上获取的信息越来越多，顾客有了更大的选择空间同时也有一些负面效应。信息的海量性增加了顾客购买所需的难度，在找到自己需要的商品前必须浏览大量无关信息，增加了时间成本。为解决上述信息过载问题，指导顾客在电子商务系统中方便购物，需要电子商务提供一种自动推销的服务，在找到顾客所需的前提下减少顾客的时间成本和搜索成本。本文将从现在主流的推荐系统之间的比较以及面临的主要问题阐述推荐系统的发展状况。
关键词：电子商务；推荐技术；推荐系统
中图分类号：F713.36 文献标识码：A 文章编号：1006-4117（2011）11-0206-01一、主要推荐技术
协同过滤：基于用户的协同过滤是目前发展最快且最流行的方法，是指从所有用户中找出与当前用户最相似的用户，并根据这些用户的偏好和购买行为等对该用户推荐商品。其理论基础是每个特定的用户都属于某一个群体，该群体中存在与当前用户相似的喜好或购买行为。
基于内容的推荐技术：是以项目本身信息为基础，在系统中，商品项都是以特征属性来确定和区分的从对项目的描述特征的例子中分析出可能是用户感兴趣的知识，然后使用机器学习的方法来提取。一旦用户对某商品产生兴趣，系统会据此商品特征来进行推荐。
基于效用的推荐根据每一个使用者的行为创建效用函数。系统用户的资料模型主要取决于系统使用的效用函数是如何定义的。根据每种因素的赋予权重计算使用者对该项目的效用。
基于知识的推荐：基于知识方法因它们所用的功能知识不同而有很大不同。例如效用知识是研究某推荐系统使用者对于某特定产品项的使用的效用也就是满足为基础的，来解释推荐和需要之间的关系，支持用户资料中支持推理的知识构成系统信息处理的原始资料。
基于关联规则的推荐：一个关联规则由规则本身、规则头、规则体构成。规则本身是核心，规则头是购买的商品，规则体为推荐对象。因此如何定义关联跪着是重中之重，这也是阻碍基于关联规则推荐的主要技术瓶颈，另外，产品的命名也会产生同义性问题，这也是一个研究难点。
二、推荐技术优缺点比较
协同过滤推荐是应用最广的推荐技术，其优点是可以发现新的兴趣，随着时间推移系统信息量的增加，系统的推荐结果越准备性能越完善。冷开始和稀疏性问题是该技术的瓶颈，系统建立初期推荐性能较差。
基于内容推荐的推荐优势体现在推荐结果直观易于解释。缺点和协同过滤技术一样，存在稀疏问题和新用户问题。
基于关联规则优点是能发现之前不知道的新兴趣点，还可以进行离线推荐。缺点是隐含的规则难提取以及产品名同义性问题。
基于效用的推荐优点是没有冷开始和稀疏问题，且效用函数能考虑商品的非产品特性，如供应商的可靠性以及商品的可购买性等。缺点是使用者必须用效用函数且结果是非动态的，方式不灵活。
206 2011.11
基于知识的推荐优点是能把用户需求映射到产品上，能考虑非产品属性。缺点是知识获取较难且推荐是非动态的。三、系统实施过程中的问题分析
（一）冷开始问题包括两种，一种是新项目问题，是指如果系统中添加一个新的产品项目，该项目没人购买过或进行过评价，那么这个项目就无法得不到推荐。另外一个就是新用户问题，是指如果一个新注册的用户，网站中并没有他的购买记录和评价记录，系统无法推测其兴趣偏好，那么该用户也将无法得到个性化推荐。
（二）稀疏性问题是指在某推荐系统中，某特定的用户的信息是有限的，被用户购买过并评论过的商品只占网站产品总数的一小部分。因此构造的用户—产品偏好矩阵是稀疏的，据此找到相似行为的用户是困难的，这样的系统性能很差。目前解决系数问题的主要采用机器学习中的分类概念方法，构造初始评价矩阵并进行解奇异值，对维度进行压缩分解进而获得有用的知识。这样系统也会减轻运算维度带来的压力。
（三）奇异发现问题是指系统要真正推荐的是之前用户不知道的东西。目前许多推荐系统在方面做得不好，往往是推荐一些用户本来就知道或购买过的东西。解决这个问题的整体思路可以是利用用户意见的关联性来解决，其实质是一个基于内容的推荐和协同过滤的混合系统。
（四）可解释性问题就是让用户明白推荐系统产生的推荐结果是如何产生的。有研究证明，让用户理解推荐结果的是如何产生的可以使他们更愿意使用推荐系统，明白推荐结果的产生过程可以让用户更加信赖推荐系统，帮助减小使用者的决策风险，提高用户对于推荐系统的满意度。这一问题也是该领域学者积极探求的研究内容之一。
作者单位：湘潭大学商学院
作者简介：赵冬伟（1985— ），女，湘潭大学商学院硕士研究生，研究方向：管理科学与工程管理信息系统方向。
参考文献：
[1]朱岩, 林泽楠.电子商务中的个性化推荐方法评述[J ].中国软科学.2009,2.
[2]邓爱林.电子商务推荐系统关键技术研究[D].复旦大学博士学位论文,2003．
[3]余力.电子商务个性化—理论方法与应用[M].清华大学出版社,2007.[4]韩家炜,堪博.数据挖掘概念与技术[M].北京:机械工业出版社,2007.
范文二：电子商务个性化推荐系统的研究现状与展望
电子商务个性化推荐系统的研究现状与展望
-
Niudown.COM
Niudown.COM
Niudown.COM
Niudown.COM
张富国
江西财经大学信息管理学院 江西南昌 330013
redbird_mail@163.com
个性化推荐系统的出现提供了一个解[2]。关于协同过滤技术的第一决电子商务网站的商品信息过载问题的强有兴趣相似的信息，而不能为用户发现新的[3]个研究报告在1994年出版，从那以后，大工具，而协同过滤技术被认为是最有前途感兴趣的资源对协同过滤的研究和商业运用开始出现。鉴的个性化推荐技术之一。文章从协同过滤技
于协同过滤推荐技术克服了基于内容的过术的基本原理出发，系统评述了协同过滤各滤技术的以上所列缺点，使得对个性化推荐类常用算法的特点，分析了其中存在的数据系统的研究有了长足的进步，是到目前为止稀疏性、冷启动、“托”攻击和灵活性等问[4]相对较为成功的一种推荐方法，已被用于题，最后指出了协同过滤技术将来的研究方许多站点。被认为是最有前途的推荐技术之向。 一。但协同过滤推荐技术还有很多问题需要协同过滤，推荐系统，个性化，信克服，目前也出现了一些新的发展趋势，本任 文主要分析和评述了个性化推荐技术取得
的研究成果以及存在的问题，并对基于协同
过滤技术的推荐系统发展方向进行了展望。 1
2 网络所带来的便捷的信息传递和信息
服务推动着电子商务的蓬勃发展，人们在逐
协同过滤技术的出发点是任何人的兴渐享受由此带来的巨大惊喜的同时，也面临
趣都不是孤立的，应处于某个群体所关心的着从传统购物方式向网络虚拟购物方式转
兴趣当中，如果某些用户对一些项目的评分变的挑战：面对Web商家如此众多的商品，
比较相似，则他们对其他项目的评分也比较用户发觉自己很难通过一个小小的计算机
相似。该推荐方法实现的基本思想是采用某屏幕方便地发现自己感兴趣的商品。个性化
种技术找到目标用户的若干最近邻居(与目推荐系统的出现为用户提供了一个解决
标用户有相似兴趣的用户)，然后根据最近Web商品信息过载问题的强大工具，承担了
邻居对目标项目的评分产生推荐，把预测评在识别客户消费偏好的基础上，模拟商店销
分值最高的多项商品作为该用户的推荐列售人员向客户提供商品信息和建议，帮助客
表。 户完成购买过程，从而使客户避免信息“超
协同过滤推荐系统可以通过显式评分载”所带来的麻烦，顺利完成购买过程的功
或隐式评分两种方式取得用户对项目的兴能[1]。在实际应用中，许多电子商务网站，趣程度。显式评分是指推荐系统需要用户直如Amazon、eBay和CDNow等网站已经充接对某些项目进行评分；而隐式评分则是通分领略到了推荐系统带来的好处。 过用户的使用日志来获得，比如说，如果一
基于内容的过滤技术根据信息的内容个用户购买了某本书，则说明该用户喜欢该和用户偏好之间的相关性向用户推荐信息，书[5]它的缺点是不能处理难以进行机器自动内。 容分析的信息，比如，艺术品、电影等，也不同的协同过滤推荐算法的推荐模型不能基于一些复杂的、难以表达的概念比如均可归属于如图一所示模型，模型分成用户质量、品位等进行过滤推荐。另外，由于它层和项目层，两者用用户对项目的评分联系是一种基于经验的方法，只能发现和用户已起来。各个算法通过不同程度地利用该两层
模型来预测用户对项目的评分。如基于邻居
用户的协同过滤算法考虑了用户层中用户性，而基于项目的协同过滤算法则相反。
间的相似性，但不考虑项目层的项目相似用户层 12UU
UU 45 U 3
R 2R R 13 4R
项目层
Docu
ment 1 Netwo rk 以伸缩性较基于项目的协同过滤算法差。 3
经过多年的研究积累，出现了多种协同4 过滤算法，一般把协同过滤算法分成两类：
(1) 基于内存的协同过滤算法。该方法4.1 先用统计的方法得到具有相似兴趣爱好的在许多推荐系统中，每个用户涉及的信
邻居用户，再基于邻居进行计算，所以该方息量相当有限，使得评分矩阵非常稀疏，如
法也称基于用户的协同过滤或基于邻居的用于研究的Eachmovie和Movielens这两个协同过滤。Sarwar等人从协同过滤的基本思典型数据集的评分矩阵稀疏性分别为97.6%想的两个方面入手，把基于内存的协同过滤和95.8%，在一些大的系统如
方法分为基于邻居用户（User-based）的协www.Amazon.com网站中，用户最多不过就同过滤算法和基于项目（Item-based）的协评估了上百万本书的1%-2%，造成评分矩阵同过滤算法数据相当稀疏，难以找到真正的相似用户[6]。 集，导致推荐效果大大降低[7](2) 基于模型的协同过滤算法。该方法。 先用历史数据得到一个模型，模型的建立可稀疏问题通常由高维数据引起的，在本
以使用各种机器学习的方法如贝叶斯网络质上属于模式识别与人工智能领域的小样
技术、聚类技术、人工神经网络、概率模型本问题。目前，大多采用机器学习中的分类
等，再用此模型进行预测。 概念来解决稀疏问题，用初始评价矩阵的奇
就两类协同过滤算法比较而言，基于模异值分解(sirgular value decomposition)维度型的协同过滤由于建模过程可以离线完成，压缩技术去抽取一些本质的特征，利用评价
克服了基于内存的协同过滤方法基于整个数据阵中的潜在结构可极大地减少维数，使
用户数据库进行在线实时运算带来的性能数据变得更为稠密[8,9]。 问题，推荐系统的伸缩性较好，适合于大型 电子商务推荐系统，但建模过程比较复杂，4.2 本身较耗时，所以只能周期性对模型进行更冷启动(cold start)问题分为新项目问题新，导致模型相对于原始用户数据而言具有[10](new item)和新用户(new user)问题。 一定的滞后效应。基于用户的协同过滤算法(1)新项目问题：一个未获得足够评价的由于在线计算，随用户增加而线性增加，所新项目不易被推荐出去。新项目问题常出现
在不断增加新项目、但用户仅对其中一小部
分做出评价的情况下。如果一个新项目没有
人去评价它，或都不去评价它，则这个项目的协同过滤系统中的稀疏性、冷启动和“托”
肯定得不到推荐，推荐系统就失去了作用，攻击问题均有显著的帮助作用，在近几年逐
这在协同推荐技术问题上最为突出。目前，渐成为研究的一个热点。在现实社会中，人
除了使用激励的方法以外，一般采用组合协们往往是从身边信任的亲友处获得产品的
同过滤和基于内容的推荐方法。 推荐信息。文献[16]的研究也说明了用户之
(2)新用户问题：协同过滤推荐系统通过间的相似性与信任存在着正相关性。最近的[17,18]。Massa等提出计算目标用户与其他用户的相似性来获得研究开始关注于把社会网络中的信任或信[19]了基于信任的协同过滤系统框架，推荐列表，而这种计算主要基于不断累积的誉机制引入到推荐系统中，作为协同过滤技
Papagelisd等用信任推理机制有效改进了协用户对项目的评分，如果一个新用户从未对术的补充或者替代方法[20]同过滤的稀疏性系统中的项目进行评价，则系统无法获知他。文献[21]基于概貌级信
的兴趣点，也就无法对他进行推荐。目前一任的不足，提出了主题级的信任模型，基于
般采用新用户进入系统前，首先输入个人信此模型的推荐算法提高了推荐的准确性。在
息的方法来解决新用户问题，关键是如果需基于信任的推荐系统研究中，网络环境中的
要输入的信息过多，用户就会放弃使用推荐信任度的度量、信任与推荐的结合等都将是
系统或不认真输入信息。 研究的重点。
组合推荐方法把协同过滤方法与基于4.3 内容的推荐技术结合起来，旨在克服各自的
近来的研究发现传统的协同过滤推荐局限，产生性能更为优秀的推荐技术，该方
系统存在着严重的安全问题。从动机上来法多年来一直是研究的一个方向。
说，生产商为了使自己生产的商品能够畅
销，总是希望推荐系统能够频繁推荐自己的
商品，而减少或不推荐竞争对手的产品。某 些不良生产商为了达到这个目的，不是想办 法提高自己产品的质量，而是采取欺骗手法[1] 余力,刘鲁. 电子商务个性化推荐研究[J].来提高推荐系统推荐自己产品的频率。而从计算机集成制造系统-CIMS, 2004, (10): 技术方面来看，推荐系统是个需要用户参与1306-1313. 的开放系统，恶意用户可以把自己编造的用[2] 孙小华. 协同过滤系统的稀疏性和冷启户概貌输入到推荐系统的概貌集中，那么在动问题研究[D]. 浙江大学博士学位论文, 推荐的时候就很可能把这些编造用户当作2005. 相似用户，然后把编造用户的偏好当作目标[3] P. Resnick, N. Iacovou, M. Sushak, P. 用户的偏好[1]。推荐系统如果不能有效地抵Bergstrom, and J. Riedl. GroupLens: An open 御攻击，将会逐渐失去用户的信任，因此，architecture for collaborative filtering of 对算法的鲁棒性的考察也变得越来越重要。netnews[C]. Proceedings of ACM Conference 文献[11,12,13,14,15]详细分析了“托”攻击on Computer Supported Cooperative Work, 的成本、分类、模型和对不同推荐算法的影New York, USA: ACM Press, 1994. 175-186. 响效果。 [4] Adomavicius G.,Tuzhilin A., Toward the next generation of recommender systems: a 4.4 survey of the state of the art and possible 目前的推荐系统对用户来说是个黑匣extensions[J]. Knowledge and Data 子，用户既不明白为何产生如此的推荐结Engineering, IEEE Transactions, 2005, 17(6): 果，更不知如何根据需要来定制自己的推734~ 749. 荐。Adomavicius等提出能否推出类似于[5] Oard, D.W. and Marchionini, G. A SQL的推荐查询语言(Recommendation Conceptual Framework for Text Filtering, Query Language)Technical Report CARTR-830, Human
Computer Interaction Laboratory, University [4]。 of Maryland at College Park,1996. [6] B. Sarwar, G. Karypis, J. Konstan, and J.
5 Riedl. Item-based collaborative filtering 基于信任的协同过滤推荐对解决传统
recommendation algorithms[C]. Proceeding of York, USA: ACM Press, 2006. 542~ 547. the 10th International World Wide Web [16]Cai-Nicolas Ziegler, Jennifer Golbeck. Conference, New York, USA: ACM Press, Investigating interactions of trust and interest 2001. 285~ 295. similarity，Decision Support Systems，2007，
[7] 赵亮,胡乃静.个性化推荐算法设计[J]. 43(2),460-475. 计算机研究与发展，2002,39(8): 986-991. [17] P. Massa and B. Bhattacharjee. Using [8] Schafer, J. B., Konstan, J., and Riedl, J. trust in recommender systems: an Recommender Systems in E-Commerce. experimental analysis[C]. Proceedings of Proceedings of ACM E-Commerce, 1999. Second International Conference on Trust [9] B. M. Sarwar, G. Karypis, J. A. Konstan, Management, Springer Berlin, 2004, 221-235. and J. Riedl. Application of dimensionality [18] J. O'Donovan, and B. Smyth, Trust in reduction in recommender systems-a case recommender systems[C]. Proceedings of the study. In ACM WebKDD Web Mining for 10th international conference on Intelligent E-Commerce Workshop, 2000. user interfaces. California, USA: 2005, [10] Schein A., Popescnl A., Ungar L., and 167-174. Pennock D., Methods and metrics for [19] P. Massa and P. Avesani. Trust-aware cold-start recommendations, Proceedings of collaborative filtering for recommender the 25th annual international ACM SIGIR systems[C]. Proceedings of International conference on Research and development in Conference on Cooperative Information information retrieval, 2002. Systems, Agia Napa, Cyprus: 2004, 492-508. [11] Chirita P. A., Nejdl W., and Zamfir C., [20] M. Papagelis, D. Plexousakis, and T. Preventing shilling attacks in online Kutsuras. Alleviating the sparsity problem of recommender systems[C]. Proceedings of collaborative filtering using trust inferences. ACM International Workshop on web In Proceedings of iTrust 2005, 224-239, 2005. Information and Data Management, New York, [21] Z. Fuguo, X. Shenghua. Topic-level trust USA: ACM Press, 2005. 67~ 74. in recommender systems[C], Proceedings of [12] Burke R., Mobasher B.,Zabicki R., and 2007 International Conference on Bhaumik R., Identifying attack models for Management Science and Engineering, 2007. secure recommendation[C]. In Beyond
Personalisation Workshop at the International Conferece on Intelligent User Interfaces, 2005. 347-361.
[13] Burke R.,Mobasher B.,and Bhaumik R.,
Limited knowledge shilling attacks in
collaborative filtering systems[C].
Proceedings of the 3rd IJCAI Workshop in
lntelligent Techniques for Personalization,
2005.
[14] Burke R., Mobasher B., Williams C. and
Bbaumik R., Segment-based injection attacks
against collaborative recommender
systems[C]. Proceedings of the International
Conference of Data Mining, 2005. 577-580.
[15] Burke R., Mobasher B., Williams C.,
Bhaumik R., Classification features for attack
detection in collaborative recommender
systems[C]. Proceedings of the 12th ACM
SIGKDD international conference on
Knowledge discovery and data mining, New
范文三：会计信息系统的研究现状与未来【精品推荐】
会计信息系统的研究现状与未来
======================================================================
[摘要]会计信息系统(Accounting Information System，AIS)是一个组织处理会计事务，并为组织领导及有关管理人员提供会计信息，辅助组织决策，从而有效地运用有限资源，改变经营管理，提高经济效益的计算机信息系统。它是信息技术学与会计学的交叉学科，前者是其方法学，后者是其应用领域。本文通过对会计信息系统历史的透视、当前研究状况和未来面临挑战的分析，探讨了我国会计信息学发展的战略。要使中国会计信息系统的发展尽快与国际接轨，适应现代社会发展的需要，必须加快培养一支会计信息学专业的人才队伍，加强国际和国内合作交流，重点开展一些会计信息学的基础理论和应用研究，建立和完善一系列的相关标准和规范。
[关键词]会计信息系统; 会计学;信息管理
会计信息系统(Accounting Information System，AIS)是一个组织处理会计事务，并为组织领导及有关管理人员提供会计信息，辅助组织决策，从而有效地运用有限资源，改变经营管理，提高经济效益的计算机信息系统。它以电子计算机为主要工具，利用现代信息技术，对各种会计数据进行收集、处理、存储和分析，并为用户提供所需的各种会计核算信息和财务管理信息。会计信息系统的出现是会计学科发展过程中的一次革命，它不仅大大减轻了财务人员的劳动强度，提高了会计工作的效率和质量，促进了会计工作的规范化及其工作职能的转变，而且有效推动了会计学科理论的深入研究，为企事业单位的管理现代化奠定了基础。当前，会计信息系统的应用正在从普及向提高、从核算型向管理决策型发展，人们对其质量、功能以及网络化和智能化的要求越来越高。会计信息系统已成为现在和未来会计学及财务管理事业的基石。
一、历史透视
会计信息系统是伴随着计算机技术在会计学领域的应用而产生和发展起来的。其最初的标志可追溯到美国通用电气公司(General Electric Co.，GE)在1954年首次利用计算机计算职工工资，开创了利用电子数据处理会计业务的新起点。此后，很多西方国家不仅把计算机用于科学计算，还应用于经济信息管理。但由于当时的硬件价格昂贵，程序设计复杂，以致计算机在会计事务方面的应用十分有限。20世纪70年代，随着计算机技术的发展，数据库管理系统(DBMS)的出现，计算机用于管理的规模越来越大。把生产管理、财务管理、人事管理、设备管理、销售管理等综合成一个整体的计算机管理信息系统(MIS)逐步得到了普及。会计信息系统作为财务管理的一部分，是管理信息系统的一个重要子系统。当时的数据库系统结构是集中式的，即把各个部门的数据集中在一个数据库中进行管理，减少了数据冗余和不一致性;但其开发周期长，开发成本高，技术复杂等缺点亦逐步凸现。
随着微型计算机的大量应用和网络技术的发展，会计软件产业得到了迅速发展。国外市场上出现了各种功能的会计软件，企业可以在市场上选购适合自
己需要的会计软件包。众多大中型企业的集中式会计信息系统逐步被利用网络等技术实现的分布式结构所替代。随着管理信息系统的普及和深入发展，信息系统的辅助决策功能越来越受到人们的重视。以西蒙(Simon HA)为代表的决策科学学派认为管理的核心是决策，提出了一系列的理论和方法，包括决策问题的结构化、半结构化、非结构化和决策支持系统(Decision Support System，DSS)等概念。随着管理信息系统和决策支持系统的融合，国外的会计信息系统已朝着管理决策型的方向迅速发展，并在会计数据处理、财务管理和财务决策等方面取得了显著的经济效益。
在国内，会计信息系统具有起步晚、发展快的特点。我国把计算机应用于会计数据处理开始于1979年，引起了国内一些大中型企业和理论界的关注。
会计电算化研究会”，开始了会计信息系统的有关专题1981年8月，筹建了“
研究。两年后，越来越多的企业领导，尤其是某些行业主管部门的领导，认识到了计算机在会计业务上应用的重要意义，相继组织本行业内的技术力量，开发适合本行业的会计软件，并采用行政手段进行推广应用。但由于当时的会计电算化工作在宏观上缺乏统一的规范、指导和相应的管理制度，开展会计电算化的单位也缺乏相应的组织管理制度和控制措施，多是各自为政，盲目投资，以致低水平的重复开发现象严重，其通用性、适用性差，造成了大量的人力、物力和财力浪费。
1988年以后，随着我国经济体制从计划经济向社会主义市场经济的过渡，一些专门从事会计软件开发和销售服务的软件公司应运而生，商品化的财务软件市场逐步走向成熟。伴随着财政部1989年《会计核算软件管理的几项规定》、1990年《关于会计核算软件评审问题的补充规定》、1995年《会计电算化知识培训管理办法》和《会计电算化初级培训大纲》以及1997年《会计电算化工作规范》的陆续出台，不仅使会计电算化工作走上了有组织、有计划的发展轨道，而且在全国掀起了会计电算化人才培养的高潮。许多高校开设了《会计信息系统》或《会计电算化》课程，增加了会计信息化方向研究生的招生，并开始设立会计信息化方向的博士点，加大了相关领域中高级人才的培养力度，促进了会计信息系统的蓬勃发展，形成了具有中国特色的会计软件市场和会计软件产业。
二、研究现状
随着计算机、通讯和信息技术的迅速发展及社会信息化进程的加快，会计信息系统的开发技术及其自身的完善得到了飞跃性的发展。目前新推出的数据仓库技术、软件开发技术、联机分析处理、数据挖掘(Data Mining)等技术，将有力地支持大量数据的处理和存储，支持数据的多维分析和多维观察。因此，在会计信息系统的提升和发展上，如何建立符合各自国情的管理型会计信息系统、网络会计信息系统正成为相关人士和研究者关注的热点。
发达国家的会计信息系统已被视为企业管理信息系统(MIS)的一个重要组成部分，并不强调建立单独的会计信息系统，而是针对整个企业的管理而设计，与企业的经营管理紧密结合在一起，可以明显提高其数据共享的程度并具有足够的信息量满足管理的需要。尤其是近年来，国外的企业管理软件体现了一种全新的现代化的管理思想和管理模式，如国外流行的制造业全面资源计划与控制的管理软件，其管理模式是对一个制造业的物资、财力、人力、市场、工程
设计等资源编制计划，进行监控与管理，而账务、成本管理软件是其中一个不可或缺的“积木块”。另外，如何设计一种计算机会计专用语言，研制支持会计语言的计算机辅助工具，让会计人员直接承担AIS专业模块开发的设想业已提出。在日本，以“三法体制”(即日本企业会计要受《商法》、《证券交易法》和《法人税法》3个法律的规范)著称的日本会计信息系统，在承认财务报告形式多样化的同时，要求实质内容的一元化;并建立了注册会计师、监事和内部审计的“三员审计”制度及内部和外部会计监察人的“双重监察制度”，从不同层次和不同范围保障财务会计活动的依法进行，提高了会计信息的质量。
在Internet技术和电子商务迅速发展的冲击下，网络会计信息系统的出现和发展已被人们视为会计信息系统发展的必然趋势。网络会计信息系统是基于Internet技术，以反映、核算和监督整个企业内部的财务资源为出发点，以充分实现整个企业内部全面的、及时的、动态的核算、监督、预测和管理为目标，通过对企业提供网络环境下的财会工作方式和财务管理模式，从而使企业实现会计信息管理现代化的会计信息系统。其实质是一个完全网络化的计算机信息处理系统，它对内是一个与经营管理及各种业务活动紧密联系的内部网络信息处理子系统，对外则与各种对外业务的处理及特定目的相联系，通过与多种共用系统的链接融入整个社会网络信息处理系统。其会计信息提供的及时性、会计信息披露的全面性、会计信息使用的方便性，会计信息在更大程度上的开放性和公开性，以及减少会计人员的基本事务，提高其从事财务分析、决策和监督等专业水平的特征，必将充分地实现会计信息资源的共享，为管理者提供更为及时、可靠的决策依据。 在国内，经过20多年的发展，我国的会计信息化工作取得了长足的进展，特别是商品化的会计软件市场形成了一定的规模且逐步成熟，并出现了激烈竞争的态势。各类会计软件在市场竞争中进一步扩展功能，并针对国外一些优秀财务软件的进入和开始在国内市场立足的现状，部分较具实力的商家开始了管理型财务软件的研究和开发应用，在很大程度上拓展了会计信息系统软件的功能，提高了计算机在财务会计领域中的应用程度。在中国的计算机应用软件中，会计软件已成为发展最快、国产化最好、自主版权最多、国内市场占有率最高的软件之一。
三、面临的挑战
1.提高会计信息质量。如果没有可靠、相关的会计信息支撑，董事会、监事会及外部监控机制的任何决策都可能是盲目无效的。通过会计信息系统来改善和提高会计信息的质量，是当前财会界乃至管理层面临的最大挑战。如目前尚无一个基于标准的、完整的、带有决策支持功能的会计信息系统;如何将大量的会计信息抽象成为方便和容易使用的形式，为管理者和监控者提供简便和可靠的决策信息，并符合政策和法规的要求。
2.完善会计信息系统。在国内，大多数的会计信息系统只解决了财务会计的核算问题，忽视了与企业及社会信息化的相互关系及影响，会计信息系统独立于企业组织的其他管理信息系统之外，使企业的财务信息难以同其他功能信息相互融通，不能满足公司治理和企业管理的需要。在当前，除了加速发展和完善以管理型为主导的会计信息系统外，网络会计信息系统的研究与建设已被Internet的高速发展推上了议事日程。在国外，网络会计正在逐步地帮助企业
实现财务与业务的协同，进行报账、查账、报表和审计等工作的远程处理，从事动态会计核算与在线财务管理，支持电子单据和电子货币，改变财务信息的获取与利用方式，已成为电子商务的重要组成部分。但是，它也正在面临着网络会计理论滞后、会计数据原件的真实性处理技术难以突破、网络市场环境的覆盖面小、会计人员素质要求偏高等严重问题的挑战。
3.人才、技术和标准。会计信息学是一个特殊的领域，由有着不同背景和训练水平的个体组成。我国的会计信息化正经历着人才和技术的挑战，如何培养一批既懂会计又懂管理、既有会计信息化知识又能解决实际工作中存在问题的高素质复合型人才,专业教育机构的课程设置是否适应国际会计信息学发展的需要,安全保密和通用标准的确立与应用能否适合实际的需求,
四、未来与对策
现代信息技术在会计领域的应用和发展，预示着会计技术手段必将由会计电算化发展到会计信息化，并进一步跨越到会计信息处理智能化阶段。通过将会计与现代信息技术，特别是网络技术的有机结合，必将对会计基本理论与方法、会计实务、会计教育等诸多方面进行全面改造，进而据以建立满足现代企业管理要求的会计信息系统，其不再是会计技术手段的简单替代或电子计算机的延伸，而是由此引发出对传统会计理论的整合以及对现行会计特征的挑战。我国财政部在上世纪末曾经提出的到2010年，力争80%以上的基层单位基本实现会计电算化的目标似乎有些落伍，难以适应国际会计信息化发展的需要。根据当前国内外会计信息系统研究和发展的现状，在此拟就我国未来的会计信息系统建设策略作一简要探讨。
1.加快专业人才的培养。会计信息化人才的培养一直是我国会计工作的重点之一。目前虽已培养了一部分会计信息化工作的专业人员，但与国内外会计信息系统的发展相比、与企业和市场的需求相比，财务人员的会计信息化水平还相差甚远，专业的会计信息化人才，特别是具有中高级技术水平的专业研究人才仍然严重匮乏。例如，现有岗位上的人员知识结构层次低、专业综合素质差、真正意义上的会计信息系统开发和研究人员数量少。因此，加快专业人才的培养已经成为会计信息学界的当务之急。笔者认为，不但要加快建立健全会计信息学专业的规范教育体制，培养高素质的会计信息学专门人才;而且要尽快改革会计信息学研究和开发机构的用人体制，吸引有志于会计信息学的复合人才;同时还要加强在岗人员的培训和进修，尽快适应我国会计信息学发展的需要。
2.建立健全会计信息系统研究和开发体制。我国的会计信息系统研究和开发起步虽晚，但发展较快，经过了20多年的历程，取得了令人瞩目的成就。但由于历史、体制和环境的原因，其研究选题多是各自为政、避重就轻、缺乏系统性和前瞻性，故此难以取得重大的理论和应用成果。我们建议:?参照国外一些成功AIS的经验，有选择地建立行业学会或协会内的不同专业学组，分头跟踪会计信息学领域内各专业的发展动态，如美国会计协会信息系统部主席Bagranoff NA最近提出的AIS控制、安全保密、道德规范、商业应用、系统设计与选择、智能数据分析、电子商务与Internet等，结合国内实际开展相应的研究。?编制会计信息学发展的长远规划，确定不同时期会计信息学的研究重点，出版年度专业发展报告或学术年鉴。?加强会计信息学的科学研究，可重
点开展一些会计信息学的基础理论研究、标准化和智能化研究，力争国家和地
方政府的基金资助，同时可通过与一些大中型企事业单位合作开展AIS应用研
究，如计算机会计专用语言的研究、AIS如何更加持久地满足会计工作的需要，
等等。这样不但可以提高研究成果的档次，而且更重要的是可以通过科研项目
培养人才和提高水平。
3.加强国际和国内合作。开展国际合作和交流，选派专业人才出国进修和
考察或进行项目合作，引进先进的财务管理理念和技术，避免低水平的重复投
入，在新的起点上开展研究，缩小与发达国家的差距。加强会计信息技术的开
发公司、大中型企事业单位的会计信息部门、高校的相关院系及研究机构和会
计行业的学会、协会之间的联合与协作，扩大国内的会计信息学专业研究队伍，
开展适合国情的会计信息学应用研究，不仅是我国会计信息学长远发展的需要，
也是我国会计信息系统当前必须解决的难题之一。
主要参考文献
[1]Bowen PL，Rohde FH(Fifth international research symposium on accounting information systems(International Journal of Accounting Information Systems，2005，6(3): 157-158.
[2]欧阳电平，陈潇怡(论信息技术环境下会计信息系统的演进[J].武汉大
学学报:人文科学版，2004,57(4):437-442.
[3]Vaassen EHJ(Accounting Information Systems: A Managerial Approach(John Wiley & Sons Ltd(，2002:1-9.
[4]Veeken HJM，Wouters MJF(Using accounting information systems by operations managers in a project company(Management Accounting Research，2002,13(3): 345-370.
范文四：电子商务个性化推荐系统的研究现状与展望
张富国
江西财经大学信息管理学院 江西南昌 330013 redbird_mail@163.com
[3]个性化推荐系统的出现提供了一个解，从那以后，
对协同过滤的研究和商业运用开始出现。鉴决电子商务网站的商品信息过载问题的强
于协同过滤推荐技术克服了基于内容的过大工具，而协同过滤技术被认为是最有前途个研究报告在1994年出版
滤技术的以上所列缺点，使得对个性化推荐的个性化推荐技术之一。文章从协同过滤技系统的研究有了长足的进步，是到目前为止术的基本原理出发，系统评述了协同过滤各[4]相对较为成功的一种推荐方法，已被用于类常用算法的特点，分析了其中存在的数据
许多站点。被认为是最有前途的推荐技术之稀疏性、冷启动、“托”攻击和灵活性等问一。但协同过滤推荐技术还有很多问题需要题，最后指出了协同过滤技术将来的研究方克服，目前也出现了一些新的发展趋势，本向。 文主要分析和评述了个性化推荐技术取得协同过滤，推荐系统，个性化，信的研究成果以及存在的问题，并对基于协同
任 过滤技术的推荐系统发展方向进行了展望。
2 1
协同过滤技术的出发点是任何人的兴网络所带来的便捷的信息传递和信息趣都不是孤立的，应处于某个群体所关心的服务推动着电子商务的蓬勃发展，人们在逐兴趣当中，如果某些用户对一些项目的评分渐享受由此带来的巨大惊喜的同时，也面临比较相似，则他们对其他项目的评分也比较着从传统购物方式向网络虚拟购物方式转相似。该推荐方法实现的基本思想是采用某变的挑战：面对Web商家如此众多的商品，种技术找到目标用户的若干最近邻居(与目用户发觉自己很难通过一个小小的计算机标用户有相似兴趣的用户)，然后根据最近屏幕方便地发现自己感兴趣的商品。个性化邻居对目标项目的评分产生推荐，把预测评推荐系统的出现为用户提供了一个解决分值最高的多项商品作为该用户的推荐列Web商品信息过载问题的强大工具，承担了表。 在识别客户消费偏好的基础上，模拟商店销协同过滤推荐系统可以通过显式评分售人员向客户提供商品信息和建议，帮助客或隐式评分两种方式取得用户对项目的兴户完成购买过程，从而使客户避免信息“超趣程度。显式评分是指推荐系统需要用户直载”所带来的麻烦，顺利完成购买过程的功接对某些项目进行评分；而隐式评分则是通能[1]过用户的使用日志来获得，比如说，如果一。在实际应用中，许多电子商务网站，
如Amazon、eBay和CDNow等网站已经充个用户购买了某本书，则说明该用户喜欢该
书分领略到了推荐系统带来的好处。 [5]。 基于内容的过滤技术根据信息的内容
不同的协同过滤推荐算法的推荐模型和用户偏好之间的相关性向用户推荐信息，
均可归属于如图一所示模型，模型分成用户它的缺点是不能处理难以进行机器自动内
层和项目层，两者用用户对项目的评分联系容分析的信息，比如，艺术品、电影等，也
起来。各个算法通过不同程度地利用该两层不能基于一些复杂的、难以表达的概念比如
模型来预测用户对项目的评分。如基于邻居质量、品位等进行过滤推荐。另外，由于它
用户的协同过滤算法考虑了用户层中用户是一种基于经验的方法，只能发现和用户已
间的相似性，但不考虑项目层的项目相似有兴趣相似的信息，而不能为用户发现新的
性，而基于项目的协同过滤算法则相反。感兴趣的资源[2]。关于协同过滤技术的第一
用户层 12UU
UU 45 U 3
R 2R R 13 4R
项目层
Docu
ment 1 Netwo rk 4 3
4.1 经过多年的研究积累，出现了多种协同
在许多推荐系统中，每个用户涉及的信过滤算法，一般把协同过滤算法分成两类：
息量相当有限，使得评分矩阵非常稀疏，如(1) 基于内存的协同过滤算法。该方法
用于研究的Eachmovie和Movielens这两个先用统计的方法得到具有相似兴趣爱好的
典型数据集的评分矩阵稀疏性分别为97.6%邻居用户，再基于邻居进行计算，所以该方
和95.8%，在一些大的系统如法也称基于用户的协同过滤或基于邻居的
www.Amazon.com网站中，用户最多不过就协同过滤。Sarwar等人从协同过滤的基本思
评估了上百万本书的1%-2%，造成评分矩阵想的两个方面入手，把基于内存的协同过滤
数据相当稀疏，难以找到真正的相似用户方法分为基于邻居用户（User-based）的协
集，导致推荐效果大大降低[7]同过滤算法和基于项目（Item-based）的协。 同过滤算法[6]稀疏问题通常由高维数据引起的，在本。
质上属于模式识别与人工智能领域的小样(2) 基于模型的协同过滤算法。该方法
本问题。目前，大多采用机器学习中的分类先用历史数据得到一个模型，模型的建立可
概念来解决稀疏问题，用初始评价矩阵的奇以使用各种机器学习的方法如贝叶斯网络
异值分解(sirgular value decomposition)维度技术、聚类技术、人工神经网络、概率模型
压缩技术去抽取一些本质的特征，利用评价等，再用此模型进行预测。
数据阵中的潜在结构可极大地减少维数，使就两类协同过滤算法比较而言，基于模
数据变得更为稠密[8,9]型的协同过滤由于建模过程可以离线完成，。 克服了基于内存的协同过滤方法基于整个 用户数据库进行在线实时运算带来的性能4.2 问题，推荐系统的伸缩性较好，适合于大型冷启动(cold start)问题分为新项目问题电子商务推荐系统，但建模过程比较复杂，[10](new item)和新用户(new user)问题。 本身较耗时，所以只能周期性对模型进行更(1)新项目问题：一个未获得足够评价的新，导致模型相对于原始用户数据而言具有新项目不易被推荐出去。新项目问题常出现一定的滞后效应。基于用户的协同过滤算法在不断增加新项目、但用户仅对其中一小部由于在线计算，随用户增加而线性增加，所分做出评价的情况下。如果一个新项目没有以伸缩性较基于项目的协同过滤算法差。 人去评价它，或都不去评价它，则这个项目 肯定得不到推荐，推荐系统就失去了作用，这在协同推荐技术问题上最为突出。目前，
除了使用激励的方法以外，一般采用组合协
同过滤和基于内容的推荐方法。
间的相似性与信任存在着正相关性。最近的(2)新用户问题：协同过滤推荐系统通过[17,18]。Massa等提出研究开始关注于把社会网络中的信任或信计算目标用户与其他用户的相似性来获得[19]了基于信任的协同过滤系统框架，誉机制引入到推荐系统中，作为协同过滤技推荐列表，而这种计算主要基于不断累积的
Papagelisd等用信任推理机制有效改进了协术的补充或者替代方法用户对项目的评分，如果一个新用户从未对[20]同过滤的稀疏性。文献[21]基于概貌级信系统中的项目进行评价，则系统无法获知他
任的不足，提出了主题级的信任模型，基于的兴趣点，也就无法对他进行推荐。目前一
此模型的推荐算法提高了推荐的准确性。在般采用新用户进入系统前，首先输入个人信
基于信任的推荐系统研究中，网络环境中的息的方法来解决新用户问题，关键是如果需
信任度的度量、信任与推荐的结合等都将是要输入的信息过多，用户就会放弃使用推荐
研究的重点。 系统或不认真输入信息。
组合推荐方法把协同过滤方法与基于
内容的推荐技术结合起来，旨在克服各自的4.3
局限，产生性能更为优秀的推荐技术，该方近来的研究发现传统的协同过滤推荐
法多年来一直是研究的一个方向。 系统存在着严重的安全问题。从动机上来
说，生产商为了使自己生产的商品能够畅
销，总是希望推荐系统能够频繁推荐自己的
商品，而减少或不推荐竞争对手的产品。某
些不良生产商为了达到这个目的，不是想办
法提高自己产品的质量，而是采取欺骗手法[1] 余力,刘鲁. 电子商务个性化推荐研究[J].
来提高推荐系统推荐自己产品的频率。而从计算机集成制造系统-CIMS, 2004, (10):
技术方面来看，推荐系统是个需要用户参与1306-1313. 的开放系统，恶意用户可以把自己编造的用[2] 孙小华. 协同过滤系统的稀疏性和冷启户概貌输入到推荐系统的概貌集中，那么在动问题研究[D]. 浙江大学博士学位论文,
推荐的时候就很可能把这些编造用户当作2005. 相似用户，然后把编造用户的偏好当作目标[3] P. Resnick, N. Iacovou, M. Sushak, P. 用户的偏好[1]。推荐系统如果不能有效地抵Bergstrom, and J. Riedl. GroupLens: An open 御攻击，将会逐渐失去用户的信任，因此，architecture for collaborative filtering of 对算法的鲁棒性的考察也变得越来越重要。netnews[C]. Proceedings of ACM Conference 文献[11,12,13,14,15]详细分析了“托”攻击on Computer Supported Cooperative Work, 的成本、分类、模型和对不同推荐算法的影New York, USA: ACM Press, 1994. 175-186. 响效果。 [4] Adomavicius G.,Tuzhilin A., Toward the
next generation of recommender systems: a 4.4 survey of the state of the art and possible
目前的推荐系统对用户来说是个黑匣extensions[J]. Knowledge and Data 子，用户既不明白为何产生如此的推荐结Engineering, IEEE Transactions, 2005, 17(6): 果，更不知如何根据需要来定制自己的推734~ 749. 荐。Adomavicius等提出能否推出类似于[5] Oard, D.W. and Marchionini, G. A SQL的推荐查询语言(Recommendation Conceptual Framework for Text Filtering, Query Language)Technical Report CARTR-830, Human
Computer Interaction Laboratory, University [4]。 of Maryland at College Park,1996. [6] B. Sarwar, G. Karypis, J. Konstan, and J.
5 Riedl. Item-based collaborative filtering 基于信任的协同过滤推荐对解决传统recommendation algorithms[C]. Proceeding of 的协同过滤系统中的稀疏性、冷启动和“托”the 10th International World Wide Web 攻击问题均有显著的帮助作用，在近几年逐Conference, New York, USA: ACM Press, 渐成为研究的一个热点。在现实社会中，人2001. 285~ 295. 们往往是从身边信任的亲友处获得产品的[7] 赵亮,胡乃静.个性化推荐算法设计[J].
推荐信息。文献[16]的研究也说明了用户之
计算机研究与发展，2002,39(8): 986-991. [17] P. Massa and B. Bhattacharjee. Using [8] Schafer, J. B., Konstan, J., and Riedl, J. trust in recommender systems: an Recommender Systems in E-Commerce. experimental analysis[C]. Proceedings of Proceedings of ACM E-Commerce, 1999. Second International Conference on Trust [9] B. M. Sarwar, G. Karypis, J. A. Konstan, Management, Springer Berlin, 2004, 221-235. and J. Riedl. Application of dimensionality [18] J. O'Donovan, and B. Smyth, Trust in reduction in recommender systems-a case recommender systems[C]. Proceedings of the study. In ACM WebKDD Web Mining for 10th international conference on Intelligent E-Commerce Workshop, 2000. user interfaces. California, USA: 2005, [10] Schein A., Popescnl A., Ungar L., and 167-174. Pennock D., Methods and metrics for [19] P. Massa and P. Avesani. Trust-aware cold-start recommendations, Proceedings of collaborative filtering for recommender the 25th annual international ACM SIGIR systems[C]. Proceedings of International conference on Research and development in Conference on Cooperative Information information retrieval, 2002. Systems, Agia Napa, Cyprus: 2004, 492-508. [11] Chirita P. A., Nejdl W., and Zamfir C., [20] M. Papagelis, D. Plexousakis, and T. Preventing shilling attacks in online Kutsuras. Alleviating the sparsity problem of recommender systems[C]. Proceedings of collaborative filtering using trust inferences. ACM International Workshop on web In Proceedings of iTrust 2005, 224-239, 2005. Information and Data Management, New York, [21] Z. Fuguo, X. Shenghua. Topic-level trust USA: ACM Press, 2005. 67~ 74. in recommender systems[C], Proceedings of [12] Burke R., Mobasher B.,Zabicki R., and 2007 International Conference on Bhaumik R., Identifying attack models for Management Science and Engineering, 2007. secure recommendation[C]. In Beyond
Personalisation Workshop at the International Conferece on Intelligent User Interfaces, 2005.
347-361.
[13] Burke R.,Mobasher B.,and Bhaumik R.,
Limited knowledge shilling attacks in
collaborative filtering systems[C].
Proceedings of the 3rd IJCAI Workshop in
lntelligent Techniques for Personalization,
2005.
[14] Burke R., Mobasher B., Williams C. and
Bbaumik R., Segment-based injection attacks
against collaborative recommender
systems[C]. Proceedings of the International
Conference of Data Mining, 2005. 577-580.
[15] Burke R., Mobasher B., Williams C.,
Bhaumik R., Classification features for attack
detection in collaborative recommender
systems[C]. Proceedings of the 12th ACM
SIGKDD international conference on
Knowledge discovery and data mining, New
York, USA: ACM Press, 2006. 542~ 547.
[16]Cai-Nicolas Ziegler, Jennifer Golbeck.
Investigating interactions of trust and interest
similarity，Decision Support Systems，2007，
43(2),460-475.
范文五：个性化推荐系统研究
龙源期刊网 http://www.qikan.com.cn
个性化推荐系统研究
作者：顾丽敏
来源：《无线互联科技》2013年第08期
摘 要：信息技术和互联网的迅猛发展把我们带进了信息过载的时代。海量信息的同时呈现，一方面增大了用户发现自己感兴趣信息的难度，另一方面也使得大量信息无法被一般用户获取。个性化推荐系统是目前解决信息过载问题最有效的工具。本文简单介绍了推荐系统的概念和组成要素，重点介绍了几种重要的推荐技术和个性化推荐系统的应用领域。
关键词：个性化推荐；推荐技术；关联规则；协同过滤
随着信息技术和互联网的迅速发展，人们逐渐从信息匮乏时代进入了信息过载时代。这个时代，对于信息生产者而言，如何让自己生产的信息脱颖而出，收到广大用户的关注是一件很困难的事情。对于用户而言，信息量的增大加重了找到感兴趣信息的负担，从而降低了信息的使用效率。推荐系统正是在这一环境中诞生的，它是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。
1 推荐系统概念、组成要素
目前被广泛接受的推荐系统的概念和定义是Resnick 和Varian 在1997年给出的：“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”。个性化推荐系统主要由三个要素组成，分别是：候选对象、用户、推荐算法。推荐系统把用户模型中兴趣需求信息和推荐对象模型中的特征信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。 2 推荐技术
推荐算法是整个推荐系统中核心的部分，在很大程度上决定了推荐系统的质量。目前主要的推荐技术基本包括以下几种：基于关联规则的推荐技术，基于内容的推荐技术，协同过滤推荐技术和混合推荐技术。
2.1 基于关联规则的推荐技术
关联规则是数据中所蕴含的一类重要规律，对关联规则进行挖掘是数据挖掘中的一项根本任务，关联规则挖掘就是从数据项目中找出所有的并发关系，这种关系也称为关联。关联规则挖掘的经典应用就是购物篮数据分析，目的是找出顾客在商场（或普通店铺）所选购商品之间的关联。
关联规则可以这样表述。设I={i1，i2，…，in}为所有项的集合，事务T 表示事务集合。数据库D 为事务数据库。关联规则形如X→Y的蕴含式，其中X 、Y 均为项目集，并且X 、Y
转载请注明出处范文大全网 » 电子商务推荐系统现状研究
