1、“.....在这个物质世界中，这是不可能的不可能每个角落里都有个星巴克然而，电子商务虚拟空间中的商务运动产生了在物质世界中不曾存在的商业战略。在的书大规模定制,中，他认为，公司需要由标准化的产品，同质的市场以及长产品周期，开发周期为规则的大量产品的旧世界转变为由多样化和客户定制取代标准化产品的新世界。他认为，开发种产品不再是简单的充足不充足的问题。在个最低限度，公司需要能够开发多种产品来满足多重消费者的多重需求。尽管电子商务还没有允许商业生产更多的产品，但是它已经允许他们为消费者提供更多的选择，相比于在大型商店成千上万的书籍，取而代之的是消费者可以在在线书店的上亿的书籍中选择。然而，不断增加的选择也增加了用户在选择能够满足其需求的项目之前必须处理的信息的数量。为了解决这种信息过载的问题......”。

2、“.....不是对产品采用这种规则，而是对在线商店的展示方式,。在电子商务中实现大规模定制的种途径就是推荐系统的使用。电子商务网站应用的推荐系统给他们的消费者推荐产品，而且给消费者提供信息以帮助他们决定购买哪种商品。基于个网站上的最好的的几个，基于顾客的人口分布，或者基于用户过去购买行为分析，产品可以被推荐作为未来购买行为的预测。推荐的形式包括为顾客推荐商品，提供个性化商品信息，概括社区观念并提供社区评论。宽泛的讲，这些推荐技术都是个网站中个性化推荐的部分，因为他们帮助网站适应每个顾客。在这种层面上，个性化就是种在网络上实现的观点的方式。最近，大规模定制已经发展成了包括宽范围的定制消费者体验的方法,。消费者体验包括可以在功能上或外型上定制的实物商品和可以自动定制或由客户帮助的定制的那些产品的展示形式。在这种更宽泛的定义下......”。

3、“.....在种意义上，推荐系统使个为每个用户个性化设计的个新的网站的产生成为可能。当然，在虚拟世界中，所有那些改变都是展示给用户的产品的选择，而不是种潜在的实物商店。推荐系统相似于，却不同于营销系统和供应链决策支持系统。营销系统在怎么销售商品给客户时帮助营销人员做决定，通常是根据市场分布将用户分组和将产品分成与市场分布关联的组的方法实现。继而，营销活动可以运行下去，鼓励在不同市场分布的用户购买由营销人员所选择的那种类别的产品，帮助他们找到他们可能想要购买的产品。供应链决策支持系统帮助营销人员就生产多少商品，库存多少产品和向零售商运送多少商品的问题做决策。这些决策支持系统利用分析技术预测在每个地区会被购买的那些产品的多少，这样，用户就可以购买的到合适的产品了......”。

4、“.....例如手工产生交叉销售列表，还包括很大程度上由计算机处理的过程，比如协同过滤。我们会将后面的种作为自动的推荐系统。自动推荐系统就是针对客户而不是营销人员优化的特殊化了的数据挖掘系统。利用交互的电子商务个性化机会的实时性，人们已经明确的设计出了这种系统。据此，这种算法更集中于实时及时的学习而不是集中于模式的建立和执行。我们既研究手工的推荐系统，也研究自动推荐系统，因为关于给客户的推荐的展现，每种都提供了很多有趣的观点。本篇文献作为电子商务推荐系统及其应用的组件的介绍。推荐系统从三种方式增强了电子商务的销售将浏览者变成购买者网站的来访者通常只浏览网站而不购买任何商品......”。

5、“.....增加交叉销售推荐系统通过推荐额外的商品供用户购买提高了交叉销售。如果推荐是好的，平均订单的数量将保持增加。例如，个网站可能在收款时，根据那些已经在购物车里的商品，为客户提供额外的商品推荐。建立忠实度在个网站的竞争者只是点下或两下的世界里，获得用户的忠实度是个关键的商业战略。推荐系统通过建立个网站和用户之间增加的值的关系提高用户忠实度。网站会在了解他们的消费者上投资，利用推荐系统对这种了解进行操作，然后展现符合用户需求的用户界面。客户会返回到那些最符合他们的需求的网站作为对那些网站的回报。个消费者越多的利用推荐系统教给它他想要什么他对这个网站就越忠实。即使个竞争者建立个完全样的容量，个消费者将不得不花费大量的时间和精力来是竞争者了解这个网站已经了解到的东西。创造消费者之间的关系也能提高忠实度......”。

6、“.....本篇文献对于电子商务推荐系统的应用的理解做了五个贡献。第，我们研究传统的营销方法怎样为在电子商务中作为种工具的推荐系统的增长提供个基础。第二，我们展现推荐应用的分类，基于推荐过程的输入，产生推荐的方法，处理给用户的推荐的输出，个性化程度将其分类。第三，我们将考察当考虑到分类和识别推荐应用的五种模型时浮现的模式。现在这五种模型是电子商务推荐系统的主要应用。第四，我们将描述新的推荐系统的未来应用研究的四个领域，这些推荐系统应用还没有被现存的推荐系统足够开发的分类的些部分。最后，在附录中，我们将考虑随着越来越多的网站开始采用推荐系统而出现的隐私问题。本篇文献对两个群体是有用的研究电子商务推荐系统的学者和考虑在他们自己的网站应用推荐系统的实施者。对于学者......”。

7、“.....这个框架毫无疑问的会被扩展以包括推荐系统的未来的应用。本篇文献也指出，对于推荐系统的数据挖掘部分的研究挑战。对于实施者，本篇文献提供了在可用的应用和技术中做选择的种方式。实施者可以制定赚钱的目标，选择帮助实现目标的界面，选择种支持这个目标个界面的实施技术。本篇文献与之前的文献,有几点关键的不同。第，案例已经更新了而且被扩展到能更好的反映推荐系统快速扩张的领域。第二，分类已经被调整而且已经被扩展到更加准确的包括推荐技术的各个方面，对于数据挖掘人员也是很合适的。第三，机遇部分已经被扩展使额外的思想特征化，反映这个领域现态。最后，将会增加几个新的章节，包括将推荐系统与传统营销技术联系的章节和隐私问题的讨论章节。准备工作与相关工作随着业务员获得了记录交易数据的能力，他们就开始收集和分析关于用户行为的数据......”。

8、“.....在商业中个最有名的数据挖掘的例子就是发现关联规则表示个项目的购买与另个项目的购买之间的关系。例如，这些规则可以帮助业务员摆设商品，以致个购买番茄酱的客户会在附近看到泡菜酱。更复杂的暂时性的数据挖掘可以发现个在今天买了个新的碳火烤架的用户可能在下个月购买个灭火器。更普遍的，数据挖掘有两个阶段。在学习阶段，数据挖掘系统分析数据，建立个用户行为模型。这个阶段通常是非常耗时的，也可能需要人力分析的帮助。在模型建立之后，这个系统进入个使用阶段，这时候，模型可以快速容易的被应用到顾客的情形中。在组织中完成数据挖掘，个最大的挑战就是创造能成功的将知识从学习阶段转移到实践阶段的组织化过程自动的推荐系统就是在商务应用中推荐产品的特殊化的机械学习系统......”。

9、“.....然后当他们实时的应用模型时，就是在线阶段。然而，大部分的推荐系统，都使用个缓慢的学习方法，在做实时推荐时，他们用这种方法建立和更新模型。很多不同的方法已经被应用到做准确的，有效率的推荐系统和数据挖掘系统中的基本问题。在实际推荐系统中，使用的很多技术都是十分简单的数据库查询。然而，自动的推荐系统用到系列的技术，从最近邻居算法到贝叶斯分析。很多算法在最坏情况下的性能是很差的。然而，很多算法已经转而使用探索法，这种方法对实际中的数据类型特别有效。最早的推荐系统使用最近邻居用户协同过滤算法。最近邻居算法是根据用户的历史偏好，计算用户之间的距离。个客户会有多喜爱个商品的预测是通过系列最近邻居对那个商品的意见的加权平均。那些对这个商品还没有意见的会被忽略。意见应该被等级化以反映评分矩阵中用户之间的的不同......”。