中文摘要：

随着电子商务研究和应用的发展，个性化推荐系统成为一个重要研究内容。本项目在分析已有研究成果的基础上，从购买决策过程出发，以需求偏好结构分析为核心，引入产品属性相似性和产品属性偏好分析，通过机器学习，逐步分析和求精顾客的偏好结构，并建立面向个性化推荐的信息模型、基于多Agent系统的混合推荐系统。并开发实验系统，检验和修正研究成果，也为推广应用提供基础。本项目从三个方面提升推荐系统的功能（1）从产品相似分析扩展为产品属性相似分析；（2）从顾客对产品评价扩展为产品各属性的评价；（3）从顾客相似性扩展为顾客偏好结构的相似性。目的是提高推荐结果的准确性和实时性，以及提高推荐系统的开拓能力。

结论摘要：

个性化是电子商务的重要特征之一。本项目从顾客购买决策过程出发，以需求偏好结构分析为核心，在集成商业模型、人工智能和Web技术的基础上，构造推荐模型，为在线顾客提供实时、准确的推荐服务。项目主要成果包括:（1）面向个性化推荐的信息模型，采用显式和隐式两种形式获取顾客购买过程中表现出的信息；（2）从顾客购买过程出发，动态地收集和分析顾客偏好信息，依据应用环境、推荐产品的不同，采用关键字向量表、评分及其预测、产品属性的相对重要性、Web访问路径等表示其偏好；（3）在顾客偏好分析的基础上，分别采用聚类分析、抽样技术、在线行为分析等技术，构造了推荐模型。进行实验分析，检验和修正研究成果，所开发的原型系统，提供了推广应用的基础。创新之处在于:（1）将顾客对产品的评价扩展为产品属性的评价，使产生推荐的基础从两维扩展到三维- - 顾客、产品、产品属性；（2）针对数据稀疏性、顾客偏好的动态变化等特征，采用智能算法，提高顾客偏好分析的准确性；（3）设计组合推荐模型，用遗传算法优化各推荐器的推荐结果，充分利用不同算法的优点，提高推荐的准确性和实时性。