电商个性化推荐的局限性分析与展望
摘要：作为消费者，我们在享受着个性化推荐带来的便利的同时，也在不同程度地遭受着困扰。由于网购平台更“智能”了，所以一旦我们消费过某几种商品，那么一系列的同种商品就会被列入“推荐清单”。之后再次登入网购平台购物时，首页推荐也几乎都是与上次同类的商品，这种情况可能短则几天，长则几周。总之，在我们进行下一次商品搜索之前，系统总是以此作为我们的消费偏好。这就是个性化推荐系统在起作用。个性化推荐系统在电商平台中的运用，使得消费者可以快速找到自己感兴趣的商品，似乎不仅提高了成交率，还提高了用户粘性。然而从另一个角度来看，个性化推荐是实现了“个性”，一定程度上却把消费者困在自己的喜好范围中，丧失了更多选择的机会。而且，它还忽略了商品使用周期。一般情况下，在使用周期内，消费者几乎不会进行二次购买。反复地推荐消费者当下不再需要的商品，其实会对消费者造成一些不必要的干扰。电商个性化推荐的局限性也慢慢暴露出来。
关键词：关键词1； 关键词2； 关键词3；关键词4
一、文献综述
- 关于个性化推荐系统研究：
自20世纪90年代初期，Tapestry 提出第一个电子邮件协作过滤系统以来，推荐系统（recommendation systems）开始作为一种新兴的给杏花信息服务的主要应用之一，得到广泛的讨论和研究，学者们对其研究的热度一直高居不下。
冷亚军、黎忠雪（2019）在《个性化推荐及其相关技术分析》中提到推荐系统所采用的主要技术包括关联规则、协同过滤已经基于内容的检索，其中协同过滤是电子商务推荐系统中最广泛使用的、最成功的推荐算法，可是尽管协同过滤技术在各方面都取得了巨大成功，可但是还存在着诸如稀疏性、冷启动、课扩展性等制约其发展的关键问题；
王盼盼(2019)在《协同过滤推荐算法及应用研究》中提到推荐系统主要由用户模型、推荐算法及推荐对象模型组成。用户模型通过收集、获取、处理和存储用户的所有历史行为信息，来获取用户偏好；推荐对象模型可以把具有不同特征信息的图符、视频和音乐进行标准化；推荐算法是连接两个模型的桥梁。
- 关于个性化推荐系统在电商中的应用研究：
王健（2019）在《基于个性化推荐的网上购物系统的研究与实现》中提到个性化推荐一般可分为三个步骤：收集用户对产品的偏好，使用推荐算法计算用户之鉴的相似度，并推荐于用户具有高度相似性的产品。
郭艳（2018）在《面向移动电子商务的个性化推荐策略研究》中提到推荐系统又叫推荐代理，他是通过对消费者个人的描述信息、浏览信息、购物历史信息、商品属性信息进行挖掘的基础上，分析消费者的偏好，发现潜在需求，从而推荐给消费者感兴趣的商品和服务，属于网站商务智能技术的一种，目前已被许多电子商务网站用来辅助消费者进行购买决策，所以推荐系统也称为客户决策支持系统。、
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
