博客來會員登入的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列訂位、菜單、價格優惠和問答集

電子商務平台之商品推薦系統基本概念探討

為了解決博客來會員登入的問題，作者陳奕伶 這樣論述：

目前大多數電子商務網站使用的推薦系統(Recommender System)，多為協同過濾(Collaborative Filtering, CF)演算法之Memory-based模式，其優點是能夠快速實現商品推薦之功能，但缺點為1. 當資料庫增大時，因複雜度太高(Complexity, O(g(n)))而無法擴展(scalability)的問題，造成推薦的效能不佳；2. 此演算法仰賴用戶對商品的評價，故當用戶成功交易後，若無給予商品評價，或因用戶和商品大量時，皆會因評價數不足造成數據稀疏性(Data Sparsity)，因而影響鑑別商品之推薦度問題；3. 而另一個因數據稀疏性引申的問題，則

是在新用戶和新商品加入時，因無法判定其用戶喜好或用戶對商品的評價，也會造成冷啟始(Cold-start)狀況。為改進以上之缺陷，本研究中針對現有的技術與文獻進行探討後，提出一C2C(customers to customers)購物網站-IMI Lab Global，提供用戶販售與購買商品，針對Memory-based的缺點，提出三大解決方法：1. 為因應用戶與商品巨量資料(Big Data)的擴展性問題，本研究除了RDB關聯性資料庫，也使用Apache開放原始碼之Hadoop環境，以HDFS架構處理NoSQL資料，即可加速巨量資料的處理速度，實現高吞吐量和低延遲性；2. 為減少因用戶不願或忘

記評價導致評價數不足，亦即數據稀疏性的問題，本研究提出一個時間過濾評價(Rating time-filter)方法，補足用戶購買後無評價造成的缺陷；3. 在新用戶和新商品加入時，造成的冷啟始問題。本研究提出之方法，可結合社群網路(Social Network)，提供用戶多樣的登入口，並除註冊會員資料外不同面向提取用戶資訊，來做為用戶之背景資料分析。