基于協(xié)同過濾的電子商務(wù)推薦系統(tǒng)建模研究

［摘 要］ 電子商務(wù)個性化推薦系統(tǒng)是客戶關(guān)系管理的重要內(nèi)容。在分析現(xiàn)有電子商務(wù)推薦系統(tǒng)不足的基礎(chǔ)上，設(shè)計一種基于協(xié)同過濾的智能商務(wù)推薦系統(tǒng)。為客戶快捷便利地尋找到所需的商品信息，推薦合理的商品，實現(xiàn)客戶與商家的共贏。

［關(guān)鍵詞］ 電子商務(wù)；推薦系統(tǒng)；協(xié)同過濾

［中圖分類號］F724.6［文獻(xiàn)標(biāo)識碼］A［文章編號］1673-0194（2008）21-0096-03

1 引 言

隨著電子商務(wù)的蓬勃發(fā)展，各大電子商務(wù)都在不斷推出各種商品， 電子商務(wù)網(wǎng)站為用戶提供的商品也越來越多，以滿足龐大客戶群的不同需求。然而，面對如此龐大而又需求迥異的客戶群，如何定位新產(chǎn)品的目標(biāo)市場并據(jù)此進(jìn)行更有效的市場營銷活動，同時提高服務(wù)效率和客戶滿意度，是電子商務(wù)著重關(guān)注的問題。電子商務(wù)將面臨前所未有的嚴(yán)峻考驗。

在這種情況下，電子商務(wù)個性化推薦系統(tǒng)應(yīng)運而生，它是根據(jù)用戶的興趣愛好，推薦符合用戶興趣愛好的產(chǎn)品，幫助用戶找到所需的商品。推薦系統(tǒng)作為能夠較好實現(xiàn)個性化服務(wù)的工具，不僅在科技文獻(xiàn)檢索等領(lǐng)域應(yīng)用甚廣，也同樣可以引入電子商務(wù)系統(tǒng)，根據(jù)電子商務(wù)商品的特點，實現(xiàn)在線產(chǎn)品推薦，既可有效降低產(chǎn)品推廣成本，增大產(chǎn)品推薦成功率，同時還可以實現(xiàn)個性化服務(wù)，提高客戶滿意度。有研究表明，在基于電子商務(wù)的銷售行業(yè)使用個性化推薦系統(tǒng)后，企業(yè)的銷售額將提高2%~8%［1］。

2 推薦系統(tǒng)與推薦算法簡介

電子商務(wù)推薦系統(tǒng)的定義為：“利用電子商務(wù)網(wǎng)站向客戶提供商品信息和建議，幫助用戶決定購買什么產(chǎn)品，模擬銷售人員幫助客戶完成購買過程”［1］。

推薦系統(tǒng)在電子商務(wù)活動中的作用包括［2］：

（1）幫助用戶檢索有用信息。

（2）促進(jìn)交叉銷售和向上銷售（提供客戶所追求的更好的商品或服務(wù)） 。

（3）提供個性化服務(wù)。

（4）提高客戶忠誠度。

2. 1協(xié)同過濾推薦算法

協(xié)同過濾技術(shù)是目前電子商務(wù)網(wǎng)站使用較多的一種推薦系統(tǒng)技術(shù)，它不需要分析項目內(nèi)容，因為系統(tǒng)可以根據(jù)與使用者有相同興趣的社群成員曾利用的信息服務(wù)來作推薦；也就是說，它是依據(jù)其他成員的意見來為其目標(biāo)用戶推薦產(chǎn)品，因此推薦的產(chǎn)品可能與使用者從前的愛好大不相同，但是卻能挖掘出用戶的潛在需要，甚至是將瀏覽者變?yōu)榉?wù)利用者。協(xié)同過濾的優(yōu)勢是可以推薦新異商品，進(jìn)行興趣的發(fā)現(xiàn)，它不需要領(lǐng)域知識，能進(jìn)行跨類型推薦，自適應(yīng)比較好，自動化程度也比較高［3］。

由于電子商務(wù)產(chǎn)品分類較明顯，且用戶經(jīng)常會對特定的一些商品感興趣，因此本模型中采用基于項目的協(xié)同過濾推薦算法。Item - based協(xié)同過濾算法是根據(jù)計算目標(biāo)項目和已評價項目的相似性，已相似度作為權(quán)重加權(quán)各已評價項目的評分得到預(yù)測項目預(yù)測值。它基于這樣一個假設(shè)［4］：如果用戶對一些項目的評分比較相似，則他們對其他項目的評分也比較相似，即一個用戶將更會喜歡那些和他已經(jīng)購買的項目相似的項目。相應(yīng)的，Ｉｔｅｍ － ｂａｓｅｄ協(xié)同過濾推薦算法可以劃分為如下3個階段：

（1）數(shù)據(jù)表示：對用戶已經(jīng)購買過的商品進(jìn)行建模，從而可以有效度量項目之間的相似性。

（2）最近鄰查詢：搜索項目的最近鄰居。

（3）推薦產(chǎn)生：根據(jù)最近鄰居對給定項目上的評分值，預(yù)測對給定項目評分的預(yù)測，產(chǎn)生ｔｏｐ － Ｎ商品推薦。

2. 2協(xié)同過濾推薦算法面臨的主要問題

隨著系統(tǒng)中用戶數(shù)目和商品數(shù)目的日益增加，系統(tǒng)結(jié)構(gòu)、內(nèi)容的復(fù)雜度日漸增強(qiáng)，推薦算法也面臨一系列挑戰(zhàn):

（1）最初評價問題［5］：在協(xié)同過濾早期，系統(tǒng)中幾乎沒有任何用戶相關(guān)的評價信息，或是用戶的評價信息很少，那么在這個時候，由于系統(tǒng)沒有包含足夠的用戶偏好信息，無法形成鄰居群，因此就無法進(jìn)行推薦。

（2）用戶評分?jǐn)?shù)據(jù)的極端稀疏性：隨著系統(tǒng)規(guī)模的擴(kuò)大，用戶數(shù)目和項數(shù)目指數(shù)級增長，導(dǎo)致用戶評分?jǐn)?shù)據(jù)極端稀疏。在用戶評分?jǐn)?shù)據(jù)極端稀疏的情況下，協(xié)同過濾推薦算法無法對某些用戶產(chǎn)生任何推薦。同時，推薦算法的推薦精度也顯著下降。

（3）推薦算法的伸縮能力和實時性要求：最近鄰搜索的時間代價隨著用戶數(shù)量和項目數(shù)量的增加而急劇增加。推薦算法的推薦精度和伸縮能力是一對矛盾。一般而言，推薦算法產(chǎn)生推薦的時間越少，算法的伸縮能力越強(qiáng)，但其推薦精度越低。

（4）可擴(kuò)展性：系統(tǒng)中用戶的增長和內(nèi)容的大量增加帶來的計算代價的復(fù)雜度不是線性的，很難滿足基于Ｗｅｂ的推薦系統(tǒng)的實時性要求。

設(shè)計推薦算法需要同時考慮上述因素，在推薦算法的具體設(shè)計和實現(xiàn)上，以協(xié)同過濾技術(shù)為主，結(jié)合其他數(shù)據(jù)挖掘技術(shù)克服其缺陷，為用戶提供實時且精確的推薦。

3 電子商務(wù)推薦系統(tǒng)建模

3． 1用戶興趣信息的收集

通常的推薦系統(tǒng)都是建立在Ｂ/Ｓ模式下基于用戶行為產(chǎn)生的具有針對性的信息推送系統(tǒng)，典型如基于Ｉｎｔｅｒｎｅｔ的各大電子商務(wù)網(wǎng)站，根據(jù)用戶點擊行為推測用戶偏好，從而在用戶瀏覽的過程中直接進(jìn)行產(chǎn)品推薦服務(wù)。因此基于Ｉｎｔｅｒｎｅｔ的推薦系統(tǒng)一般會根據(jù)用戶的瀏覽歷史、點擊行為以及購買記錄等來推測用戶行為和偏好，對于電子商務(wù)商品推薦而言，點擊、瀏覽等事件的發(fā)生相對較多，因此，客戶偏好的獲取一般包括兩種方式：①用戶主動描述：用戶主動描述是根據(jù)客戶本身的屬性：包括客戶的年齡、身份、婚姻狀況、所處行業(yè)、所任職位等，可以據(jù)此推測客戶可能產(chǎn)生的一些需求，從而及時為客戶提供服務(wù)。例如，適婚年齡的人很可能需要住房貸款、汽車貸款，有到了上大學(xué)年齡孩子的家庭很可能需要助學(xué)貸款。②用戶行為學(xué)習(xí)：用戶行為學(xué)習(xí)則是從用戶以前訪問過的文檔集合以及訪問路徑中學(xué)習(xí)用戶的興趣特征。例如，客戶購買產(chǎn)品的刷卡記錄盡管不包括購買產(chǎn)品的具體種類、名稱，但是卻清楚地記錄著客戶刷卡的地點和金額，由此可以在一定程度上推測用戶的類型，及其消費水平和消費偏好。

綜上所述，因為電子商務(wù)推薦系統(tǒng)產(chǎn)生的推薦結(jié)果需要直接傳遞到客戶手中，所以電子商務(wù)推薦系統(tǒng)在系統(tǒng)架構(gòu)上要充分考慮上述因素，以協(xié)同過濾算法為主，為了克服協(xié)同過濾技術(shù)的缺陷，同時選擇合適的數(shù)據(jù)挖掘算法，以起到協(xié)助滿足客戶需求、更好地為客戶服務(wù)、發(fā)掘潛在客戶的作用。

3. 2基于協(xié)同過濾的電子商務(wù)推薦系統(tǒng)建模

電子商務(wù)推薦系統(tǒng)的基本功能為：分析顧客以往的行為，建立表示顧客行為的模型，并利用模型模擬商店銷售人員向用戶提供商品推薦，幫助用戶找到所需商品，從而順利完成購買過程。由此，要完成商品推薦，推薦系統(tǒng)需要知道用戶的興趣、偏好和訪問模式等信息。而在電子商務(wù)環(huán)境下，一方面商品的種類、數(shù)量會不斷地變化，另一方面用戶的興趣、瀏覽行為也是動態(tài)變化的。因此，電子商務(wù)推薦系統(tǒng)要具有較強(qiáng)的自適應(yīng)性。本文基于協(xié)同過濾和數(shù)據(jù)挖掘的思想，構(gòu)建基于協(xié)同過濾的電子商務(wù)系統(tǒng)如圖1所示。

本系統(tǒng)由用戶偏好信息庫、數(shù)據(jù)轉(zhuǎn)換模塊、用戶對項目評價信息庫、數(shù)據(jù)挖掘技術(shù)模塊、協(xié)同過濾技術(shù)模塊和生成推薦列表模塊組成，其功能描述如下：

（1）用戶偏好信息庫：用戶偏好信息庫是實現(xiàn)推薦系統(tǒng)的一個重要數(shù)據(jù)源，它自動記錄了顧客在購買過程中對網(wǎng)站的所有的瀏覽行為。包括以下信息：ＩＰ地址、請求時間、被請求文件的ＵＲＬ、ＨＴＴＰ版本號、返回碼和代理等。它定期地對Wｅｂ服務(wù)器中的日志文件的內(nèi)容進(jìn)行采集和處理，更新用戶興趣信息庫的內(nèi)容，供數(shù)據(jù)轉(zhuǎn)換模塊使用。

（2）數(shù)據(jù)轉(zhuǎn)換模塊：負(fù)責(zé)從用戶偏好信息庫中提取、分解、合并相關(guān)的數(shù)據(jù)，并進(jìn)行格式轉(zhuǎn)換，建立和維護(hù)數(shù)據(jù)集市、供數(shù)據(jù)挖掘算法模塊使用，為實現(xiàn)推薦任務(wù)提供必要的數(shù)據(jù)。

（3）數(shù)據(jù)挖掘技術(shù)模塊：根據(jù)顧客的需求、顧客偏好、產(chǎn)品關(guān)聯(lián)規(guī)則，并采用關(guān)聯(lián)規(guī)則算法對顧客購買行為或訪問行為的分析，為顧客提供個性化的產(chǎn)品推薦列表。

（4）用戶對項目評價信息庫：它記錄了顧客在購買過程中對已購買商品的評價值，形成用戶/項目評價矩陣，通?？梢员硎緸橐粋€m×n的矩陣，即項目評估矩陣Ｒ，ｍ為用戶數(shù)，n是項數(shù)，rij是第i個用戶對第j項的評估數(shù)值，如表1所示。

（5）協(xié)同過濾技術(shù)模塊:自主地接收用戶對項目評價信息庫的數(shù)據(jù)，利用協(xié)同過濾算法尋找與目標(biāo)用戶有相同喜好的鄰居，然后根據(jù)目標(biāo)用戶的鄰居的偏好產(chǎn)生向目標(biāo)客戶的推薦，產(chǎn)生推薦列表。

（6）生成推薦列表模塊：為了提高推薦系統(tǒng)的推薦精度，本文將協(xié)同過濾技術(shù)和數(shù)據(jù)挖掘技術(shù)相結(jié)合，且以協(xié)同過濾技術(shù)為主，數(shù)據(jù)挖掘技術(shù)為輔。此模塊主要任務(wù)是接收協(xié)同過濾技術(shù)模塊和數(shù)據(jù)挖掘技術(shù)模塊產(chǎn)生的推薦列表，并將推薦列表以Web頁面和電子郵件的形式推薦給顧客。

3. 3推薦系統(tǒng)工作流程

當(dāng)用戶登錄電子商務(wù)網(wǎng)站時，推薦系統(tǒng)會識別客戶的身份信息（會員、游客）、訪問序列等信息，將用戶的標(biāo)志信息和推薦請求傳遞給用戶偏好信息庫和用戶對項目評價信息庫。①如果是未注冊的普通用戶，則系統(tǒng)還沒有用戶的有關(guān)信息，因而用戶偏好信息庫將收集顧客的基本特征及偏好信息，得到有關(guān)的用戶信息后，存儲在用戶偏好信息庫中。②如果用戶為注冊用戶，則系統(tǒng)中已存儲顧客的購買行為、偏好等信息，從而數(shù)據(jù)挖掘模塊和協(xié)同過濾模塊會根據(jù)用戶的推薦歷史信息、購買行為等信息，分別采用協(xié)同過濾算法和關(guān)聯(lián)規(guī)則算法協(xié)同為顧客進(jìn)行推薦服務(wù)。為了解決新商品推出時， 協(xié)同過濾算法中的冷起動將導(dǎo)致推薦系統(tǒng)不能推薦新商品的問題，本文采用關(guān)聯(lián)規(guī)則算法，根據(jù)產(chǎn)品屬性先將其進(jìn)行類別匹配，然后根據(jù)同類商品的目標(biāo)客戶，確定該新產(chǎn)品的目標(biāo)客戶； 另一方面可以根據(jù)不同商品交易歷史進(jìn)行產(chǎn)品組合分析，從而進(jìn)一步提高推薦精度。

用戶偏好信息庫和用戶對項目評價信息庫隨時監(jiān)聽用戶信息的變化或數(shù)據(jù)倉庫中顧客行為數(shù)據(jù)的變化，追蹤客戶偏好的變化，及時地更新客戶的個人偏好信息，以使推薦系統(tǒng)的推薦結(jié)果能真實地反映用戶最新的偏好。

4 結(jié)束語

在當(dāng)今電子商務(wù)飛速發(fā)展的過程中，設(shè)計與開發(fā)個性化推薦系統(tǒng)對提高電子商務(wù)的效率具有十分重要的價值。利用推薦系統(tǒng)，電子商務(wù)網(wǎng)站一方面可以在現(xiàn)有客戶中及時發(fā)現(xiàn)其他產(chǎn)品的潛在客戶，有效地進(jìn)行一對一營銷，當(dāng)客戶屬性發(fā)生變化時，也可以及時發(fā)現(xiàn)其新的需求，主動服務(wù)，同時可以根據(jù)現(xiàn)有客戶屬性，尋找市場上具有相似需求的客戶，積極開拓新市場;另一方面，根據(jù)客戶需求進(jìn)行進(jìn)一步的市場細(xì)分，有針對性地推出更能滿足客戶需求的新商品，實現(xiàn)客戶與商家雙贏。

主要參考文獻(xiàn)

[1] P Resnick，N R Varian. Recommender System[J]. Communication of the ACM，1997，40 (3): 56-58.

[2] J B Schafer，J A Kosntan，I J Ried. E-commerce Recommendation Application[J]. Data Mining and Knowledge Discovery，2001，10(8):68-70.

[3] 黎星星. 電子商務(wù)推薦系統(tǒng)研究[J]. 計算機(jī)工程與科學(xué)，2004，26(5):7-10.

[4] B Swawar，G Karypis，J Konstan，et al. Item-based Collaborative Filtering Recommendation Algorithms[C]// Proceedings of the Tenth International World Wide Web Conference，2001:283-295.

[5] J L Herlocker，J A Konstan，L G Terveen. Evaluating Collaborative Filtering Recommendation System[J]. ACM Trans actions on Information System，2004，22(1):5-53.