目录一、摘要二、当当网概述1）当当网简介三、个性化推荐系统营销理论综述及原因1）个性化推荐系统营销概念及分类a 基于内容的推荐系统b 协同过滤推荐系统c 混合推荐系统2）个性化推荐系统的发展历程3）当当网使用个性化推荐系统的原因四、个性化推荐系统的结构及在当当网运用中的具体表现1）个性化推荐系统在电子商务网站中的结构a 输入功能模块b推荐引擎模块c输出功能模块2）个性化推荐系统在当当网中的具体运用a商品信息页面b购物车、收藏夹c Email邮件d独立的个性化页面3）个性化推荐系统在当当网中的新运用4）个性化推荐系统在当当网未来的发展趋势五、个性化推荐系统在当当网运用中的特点1）“当当推荐”系统功能分析及推荐效果评价a 当当推荐系统功能b 推荐效果评价2）当当网特性化推荐2.0六、个性化推荐系统在当当网运用中的不足与风险1）个性化推荐系统在当当网运用中的不足2）当当网个性化推荐运用中的风险3）在个性化推荐上当当网和亚马逊的对比分析七、通过当当网浅谈个性化推荐系统对电子商务发展的影响1）电子商务新时代的到来2）由推网的兴起八、结语与建议九、注解与参考文献个性化推荐系统在当当网中的运用分析摘要：在完善用户购物体验方面，当当网还针对用户需求推出了“为你推荐”功能，通过对顾客历史数据的分析，根据不同顾客的购物习惯向他们推荐针对其个人的商品。
这样的定制推荐把用户从海量的商品信息中解放出来，极大的减少了用户的时间成本，通过强大的系统分析，实际上做到了顾客给自己推荐商品，成为自己的顾问。
一个好的个性化推荐就好像网站里的智能导购员一样，只不过它是隐形的，对于购物者来说，它是无处不在的。
它能将隐形而无处不在的特性发挥到极致，让购物者不讨厌它，也时刻能使用到它，最终，它能够为网站创造更多的销量。
关键词：个性化推荐；当当网；应用；电子商务；信息超载。
Personalized recommendation system in dangdangnetwork analysis of the application Abstract:To improve the user shopping experience,dangdang also according to user needs introduced a \"recommend\" function,through the analysis of the historical data of customers,according to different customers' shopping habits to their recommended according to the personal goods.This custom recommend the user from mass of commodity information liberate, greatly reduce the user's time cost, through the powerful system analysis, in fact do the customer to recommend commodities, to become their own advisers. A good personalized recommend like website intelligent shopping guide，only it is invisible, for shoppers for, it is everywhere. It can store and the ubiquity of characteristics to acme, let shoppers don't hate it, time can be used to it, eventually, it can create more sales for the web siteKey words:Personalized recommendation ; dangdang; apply ; electronic commerce；information overload一、当当网概述（一）当当网简介当当网（）是全球最大的综合性中文网上购物商城，由国内著名出版机构科文公司、美国老虎基金、美国IDG集团、卢森堡剑桥集团、亚洲创业投资基金（原名软银中国创业基金）共同投资成立。
从1999年11月当当网() 正式开通至今，当当已从早期的网上卖书拓展到网上卖各品类百货，包括图书音像、美妆、家居、母婴、服装和3C数码等几十个大类，其中在库图书、音像商品超过80万种，百货50余万种；目前当当网的注册用户遍及全国32个省、市、自治区和直辖市，每天有450万独立UV，每天要发出20多万个包裹；物流方面，当当在全国11个城市设有21个仓库，共37万多平，并在21个城市提供当日达服务，在158个城市提供次日达服务，在11个城市提供夜间递服务。
除图书以外，母婴、美妆、服装、家居家纺是当当着力发展的四大目标品类，其中当当婴童已经是中国最大线上商店，美妆则是中国排名前五的线上店。
当当还在大力发展自有品牌当当优品。
在业态从网上百货商场拓展到网上购物中心的同时，当当也在大力开放平台，目前当当平台平台商店数量已超过1.4万家，2012年Q3并新增2000家入驻商家，同时当当还积极的走出去，在腾讯、天猫等平台开设旗舰店。
当当网于美国时间2010年12月8日在纽约证券交易所正式挂牌上市，成为中国第一家完全基于线上业务、在美国上市的B2C网上商城。
自路演阶段，当当网就以广阔的发展前景而受到大批基金和股票投资人的追捧，上市当天股价即上涨86%，并以103倍的高PE和3亿1千3百万美金的IPO融资额，连创中国公司境外上市市盈率和亚太区2010年高科技公司融资额度两项历史新高。
二、个性化推荐系统营销理论综述及原因（一）个性化推荐系统营销概念及分类个性化推荐系统是建立在海量数据挖掘基础上的一种智能平台，可以模拟商店销售人员向顾客提供商品信息和建议，为顾客购物提供完全个性化的决策支持和信息服务，它的目标是既满足用户意识到的需求,也能满足用户没有意识到的需求，或意识到，但没有表达出来的需求，让用户超越个体的视野，避免只见树木不见森林。
好的推荐系统可以大大提高用户的忠诚度，并为电子商务带来了巨大的利益。
根据算法不同，推荐系统可以分为：1.基于内容的推荐系统内容过滤主要采用自然语言处理、人工智能、概率统计和机器学习等技术进行过滤.通过相关特征的属性来定义项目或对象,系统基于用户评价对象的特征学习用户的兴趣,依据用户资料与待预测项目的匹配程度进行推荐，努力向客户推荐与其以前喜欢的产品相似的产品。
简单来说就是和之前购买的产品是同类性质的，如都为C语言教材，或为同一位大师所著。
优点：简单，有效。
缺点：提取特征值有限，只能基于文本内容分析，如遇见音乐电影就没办法了。
就要用到上面提到的协同过滤方法。
2.协同过滤推荐系统协同过滤式基于用户的评分计算相似度，所以不用分辨对象的属性也能处理各种复杂的对象。
协同过滤算法就如同在实际生活中，遇到不熟悉的人事物，每个人都会先想到咨询身边熟悉的朋友，得到他们的判断和看法后，再做出自己的选择。
打个比方，我们可以根据用户A的评分和评论等，在他的友邻中找出品位相似度最高的用户B、C、D，再根据B、C、D的兴趣或偏好项目集，计算出A对项目的预测评分，推荐高分项目给A，再将预测值与A的实际评分做出比较。
协同过滤技术成熟且出现时间长，但它存在许多问题。
其中最严峻的是数据稀疏性问题，在实际中，用户并不会积极提供评分，即便是常年经营的电子商务网站用户评分和购买的商品也只占总商品数量的1%以下，这种极端的稀疏性使得相似性计算耗费巨大，因此难以成功定位邻居用户集，产生的推荐结果也将不理想。
像Netflix、Amazon的推荐系统尚且依赖于多年积累的超大物品和用户的集体行为数据库，所以对处于成长中的企业不利。
协同过滤又可以细分为：a. 基于使用者（User-based）的协同过滤b. 基于物品（Item-based）的协同过滤c. 基于模型（Model- based）的协同过滤优点：1）对推荐对象没有特殊的要求，能处理音乐，电影等机器难以自动内容分析的资讯。
2）可以推荐新的资讯。
即可能是使用者事先预料不到的。
3）自动化程度高，能够有效地利用其它相似者的回馈资讯。
缺点：1）新的用户进来时推荐的品质较差。
3.混合推荐系统由于协同过滤和基于内容的推荐系统都有各自不足，所以将两者结合的混合推荐、神经网络推荐等算法被提了出来。
一种借助遗传学思想的基于基因的推荐系统出现了。
最早的潘多拉推荐系统就应用了这样的思维，将音乐分解成基本的基因片段，利用音乐片段之间的相似性做一个音乐推荐系统。
这样电台今天已经随处可见，豆瓣网、人人网都有。
它可以不需要知道用户的口味，因为它有自己的音乐DNA数据库，它可以在不知道用户喜欢什么的情况下，通过用户几次选择喜欢或不喜欢来了解用户的口味，用户只要选出一个艺人，或者一首歌，就可以建立一个始终播放类似音乐的电台，并且它还能为用户推荐其他类型的音乐，扩展兴趣面、转变用户的口味。
依靠用户注释标签的方式，这种基于基因思想的推荐方法已经被广泛用在书籍、电影、音乐等其他推荐领域。
在豆瓣、淘宝，你都可以组建一系列自己的商品标签，也可以使用固定标签，通过组合你想要的标签，可以得到更个性化的、灵活的项目的推荐排名。
经过一段时间的使用后，足够的标签就变为了项目的“基因”。
（二）个性化推荐系统的发展历程1995年3月，卡耐基.梅隆大学的Robert Armstrong等人在美国人工智能协会上提出了个性化导航系统Web Watcher; 斯坦福大学的Marko Balabanovic等人在同一会议上推出了个性化推荐系统LIRA；1995年8月麻省理工学院的Henry Lieberman在国际人工智能联合大会（IJCAI）上提出了个性化导航智能体Litizia；1996年，雅虎推出了个性化入口My Yahoo；1997年，AT&T实验室提出了基于协同过滤的个性化推荐系统PHOAKS和Referral Web;1999年，德国Dresden技术大学的Tanja Joerding实现了个性化电子商务原型系统TELLIM；2000年，NEC研究院的Kurt等人为搜素引擎增加了个性化推荐功能；2001年，纽约大学的Gediminas Adoavicius和Alexander Tuzhilin实现了个性化电子商务网站的用户建模系统1：1Pro；2001年，IBM公司在其电子商务平台Websphere中增加了个性化功能，以便商家开发个性化电子商务网站；2003年，Google开创了AdWards盈利模式，通过用户搜索的关键词来提供相关的广告。