我國(guó)B2C電子商務(wù)個(gè)性化商品推薦服務(wù)實(shí)證研究

郭偉光

摘要： 優(yōu)質(zhì)的個(gè)性化推薦系統(tǒng)帶來(lái)了巨大的經(jīng)濟(jì)價(jià)值和社會(huì)價(jià)值的同時(shí)，也能提高B2C電子商務(wù)在當(dāng)今激烈的市場(chǎng)競(jìng)爭(zhēng)環(huán)境下的存活能力。在簡(jiǎn)要介紹電子商務(wù)個(gè)性化推薦系統(tǒng)模型的基礎(chǔ)上，詳細(xì)分析比較了亞馬遜、當(dāng)當(dāng)網(wǎng)、天貓三家B2C電子商務(wù)個(gè)性化商品推薦服務(wù)，最后對(duì)B2C電子商務(wù)推薦系統(tǒng)的進(jìn)一步發(fā)展方向進(jìn)行了展望。

Abstract： The high-quality personalized recommendation system has brought huge economic and social values， but also can improve the viability of e-commerce site in today's highly competitive market environment. Based on introducing the Model of E-commerce recommending system， this article compares the personalized recommender service of amazon.cn with dangdang.com and tmall.com. At last， some development directions for personalized recommender systems in E-Commerce are presented.

關(guān)鍵詞： B2C電子商務(wù)；推薦系統(tǒng)；個(gè)性化推薦服務(wù)；實(shí)證研究

Key words： B2C e-commerce；recommendation system；personalized recommendation service；empirical research

中圖分類號(hào)：F724.6 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2014）30-0025-03

0 引言

當(dāng)前，面對(duì)海量的商品信息，用戶需要一種類似采購(gòu)助手的功能來(lái)幫助用戶選購(gòu)商品，并根據(jù)用戶的興趣愛(ài)好推薦用戶可能感興趣的商品。因此，電子商務(wù)個(gè)性化推薦系統(tǒng)[1]得到廣泛應(yīng)用，它是建立在海量數(shù)據(jù)挖掘基礎(chǔ)上的一種高級(jí)商務(wù)智能平臺(tái)，以幫助電子商務(wù)網(wǎng)站為其顧客購(gòu)物提供完全個(gè)性化的決策支持和信息服務(wù)。

而對(duì)于一個(gè)B2C在線銷售商而言，他們除了期望推薦系統(tǒng)能幫助建立良好的客戶關(guān)系、通過(guò)推薦一些有趣的商品向用戶提供附加服務(wù)外，更關(guān)注推薦系統(tǒng)能一方面提高轉(zhuǎn)化率，即如何將網(wǎng)站訪問(wèn)者轉(zhuǎn)化為實(shí)際購(gòu)買者；另一方面是如何影響訪問(wèn)者，讓他們買更多可賺錢的物品。因此探討B(tài)2C電子商務(wù)個(gè)性化商品推薦效果及其改進(jìn)是一個(gè)有重要應(yīng)用價(jià)值的研究課題。

為了研究我國(guó)B2C電子商務(wù)個(gè)性化商品推薦服務(wù)的實(shí)際應(yīng)用狀況，本文選擇亞馬遜（www.amazon.cn）、當(dāng)當(dāng)網(wǎng)（www.dangdang.com）、天貓（www.tmall.com）三個(gè)著名的B2C購(gòu)物網(wǎng)站，對(duì)國(guó)內(nèi)的B2C電子商務(wù)個(gè)性化商品推薦服務(wù)進(jìn)行實(shí)證研究。

1 電子商務(wù)個(gè)性化推薦系統(tǒng)模型

1.1 電子商務(wù)個(gè)性化推薦系統(tǒng)模型 按系統(tǒng)的觀點(diǎn)，電子商務(wù)個(gè)性化推薦系統(tǒng)模型可分為是輸入、輸出和推薦方法與技術(shù)，如圖1所示。個(gè)性化推薦的輸入模塊表明從哪里去獲取用戶的偏好。所以主要涉及兩部分，一是用戶信息獲取的平臺(tái)，最典型的是傳統(tǒng)的電子商務(wù)平臺(tái)和網(wǎng)站，另一方面是隨著社會(huì)性網(wǎng)絡(luò)（如Facebook、Twitter、Renren等）的應(yīng)用，基于社會(huì)性網(wǎng)絡(luò)的社會(huì)商務(wù)系統(tǒng)也成為獲取用戶偏好信息的來(lái)源。

個(gè)性化推薦的輸出主要包含兩種形式，一是預(yù)測(cè)，預(yù)測(cè)用戶對(duì)某商品的偏好；二是推薦，基于預(yù)測(cè)直接給用戶推薦其可能感興趣的商品。

1.2 電子商務(wù)個(gè)性化推薦算法 推薦方法模塊是推薦系統(tǒng)的核心部分，決定著推薦系統(tǒng)的性能優(yōu)劣。主要的推薦算法有：

協(xié)同過(guò)濾推薦（Collaborative Filtering Recommendation）[2]

是目前研究最多的個(gè)性化推薦技術(shù)，它是基于鄰居用戶的資料得到目標(biāo)用戶的推薦，推薦的個(gè)性化程度高。具體來(lái)講，協(xié)同過(guò)濾推薦一般主要分為兩類：一是基于內(nèi)存的協(xié)同過(guò)濾（Memory-based Collaborative Filtering），其基本思想是用統(tǒng)計(jì)的方法得出所有用戶對(duì)物品或者信息的偏好，然后發(fā)現(xiàn)與當(dāng)前用戶口味和偏好相似的“鄰居”用戶群，基于某個(gè)鄰居的歷史偏好信息，為當(dāng)前用戶進(jìn)行物品的推薦，所以該方法也稱基于用戶的協(xié)同過(guò)濾（User-based Collaborative Filtering）或基于鄰居的協(xié)同推薦（Neighbor-based Collaborative Filtering）；二是基于模型的協(xié)同過(guò)濾推薦（Model-based Collaborative Filtering），是指根據(jù)用戶和物品的直接歷史點(diǎn)擊或購(gòu)買記錄，來(lái)計(jì)算物品和物品之間的相似度，得出一個(gè)模型，然后根據(jù)用戶的歷史偏好的物品信息，將挖掘到的類似的物品推薦給用戶，即用此模型進(jìn)行預(yù)測(cè)。

基于內(nèi)容的推薦（Content-based recommendation）[3]是信息過(guò)濾技術(shù)的延續(xù)與發(fā)展，項(xiàng)目或?qū)ο笫峭ㄟ^(guò)相關(guān)特征的屬性來(lái)定義，系統(tǒng)基于用戶評(píng)價(jià)對(duì)象的特征，學(xué)習(xí)用戶的興趣，依據(jù)用戶資料與待預(yù)測(cè)項(xiàng)目的相匹配程度進(jìn)行推薦，如新聞組過(guò)濾系統(tǒng)NewsWeeder。

此外，基于用戶統(tǒng)計(jì)信息的推薦，基于關(guān)聯(lián)規(guī)則的推薦[4]，還有基于效用的推薦[5]和基于知識(shí)的推薦等，前者基于用戶對(duì)產(chǎn)品的效用函數(shù)，后面更多采用人工智能和推理技術(shù)。

2 國(guó)內(nèi)知名B2C電商個(gè)性化商品推薦服務(wù)實(shí)證研究

2.1 亞馬遜的個(gè)性化商品推薦服務(wù) 亞馬遜與其他B2C電子商務(wù)網(wǎng)站相比，最大優(yōu)勢(shì)就在于個(gè)性化推薦系統(tǒng)。其推薦系統(tǒng)提供的最主要的服務(wù)有：endprint

今日推薦：通常是根據(jù)用戶近期的歷史購(gòu)買或者查看記錄，并結(jié)合時(shí)下流行的物品給出一個(gè)折中的推薦。

新產(chǎn)品的推薦：采用了基于內(nèi)容的推薦機(jī)制，將一些新到物品推薦給用戶。

捆綁銷售：采用數(shù)據(jù)挖掘技術(shù)對(duì)用戶的購(gòu)買行為進(jìn)行分析，找到經(jīng)常被一起或同一個(gè)人購(gòu)買的物品集，進(jìn)行捆綁銷售，這是一種典型的基于項(xiàng)目的協(xié)同過(guò)濾推薦機(jī)制。

別人購(gòu)買/瀏覽的商品：這也是一個(gè)典型的基于項(xiàng)目的協(xié)同過(guò)濾推薦的應(yīng)用，通過(guò)社會(huì)化機(jī)制用戶能更快更方便的找到自己感興趣的物品。

基于社會(huì)化的推薦，Amazon會(huì)給你事實(shí)的數(shù)據(jù)，讓用戶信服，例如：購(gòu)買此物品的用戶百分之多少也購(gòu)買了那個(gè)物品。

基于物品本身的推薦，Amazon也會(huì)列出推薦的理由，例如：因?yàn)槟愕馁?gòu)物籃中有……，或者因?yàn)槟阗?gòu)買過(guò) ……，所以給你推薦類似的……。

亞馬遜綜合了多種推薦形式，其推薦服務(wù)深入到網(wǎng)站的各個(gè)角落。在亞馬遜首頁(yè)中提供：暢銷榜、與您瀏覽過(guò)的商品相關(guān)的推薦、更多供您考慮的商品（您瀏覽過(guò)|查看此商品的顧客也查看了|編輯您的瀏覽歷史）、有相似搜索和購(gòu)買結(jié)果的顧客、根據(jù)購(gòu)買記錄為您推薦、根據(jù)瀏覽記錄為您推薦、最受關(guān)注商品。在購(gòu)物車中有：購(gòu)買該商品的客戶還購(gòu)買了：瀏覽該商品的客戶還瀏覽了：購(gòu)買了購(gòu)物車中商品的顧客同時(shí)購(gòu)買了：有相似標(biāo)簽的產(chǎn)品；在心愿單提供：購(gòu)買您心愿單中商品的顧客也同時(shí)購(gòu)買。

2.2 當(dāng)當(dāng)網(wǎng)的個(gè)性化商品推薦服務(wù) 現(xiàn)在互聯(lián)網(wǎng)各種新技術(shù)層出不窮：hadoop、erlang、gearman[6]等等。尤其是大數(shù)據(jù)的不斷深入應(yīng)用產(chǎn)生了廣泛影響，并促使國(guó)內(nèi)領(lǐng)先的B2C網(wǎng)上商城當(dāng)當(dāng)網(wǎng)融合協(xié)同過(guò)濾、標(biāo)簽、文本、矩陣分解等個(gè)性化推薦算法，主要向用戶個(gè)性化推薦：買了還買了、看了還看了、基于瀏覽歷史的推薦、發(fā)現(xiàn)跟您相似顧客、個(gè)性化郵件等。

當(dāng)當(dāng)網(wǎng)上有個(gè)專門欄目“猜你喜歡”，點(diǎn)擊進(jìn)入，再分為“您可能感興趣的商品”、“和您興趣相似的顧客還關(guān)

注”；在已購(gòu)商品頁(yè)面，有推薦“根據(jù)您購(gòu)買的商品，當(dāng)當(dāng)猜您會(huì)喜歡”。

個(gè)性化推薦已經(jīng)滲透到當(dāng)當(dāng)購(gòu)物流程的各個(gè)環(huán)節(jié)：購(gòu)物前、購(gòu)物中、購(gòu)物后。買了……的顧客也買了……，看了……的顧客也看了……——以上是基于一定時(shí)間段內(nèi)的訂單和訪問(wèn)日志數(shù)據(jù)推薦購(gòu)買組合——基于同一張訂單的數(shù)據(jù)。在購(gòu)物車、收藏夾里會(huì)根據(jù)用戶當(dāng)前選中的商品進(jìn)行實(shí)時(shí)計(jì)算、推薦商品。會(huì)在訂單確認(rèn)信等回饋信件中，附帶根據(jù)本次包裹商品計(jì)算出來(lái)的商品推薦，但為了避免用戶取消訂單去選擇別的商品，通常是在用戶收到商品之后再推薦的。

為了使用戶更更高效、更輕松地獲得準(zhǔn)確的系統(tǒng)推薦服務(wù)，當(dāng)當(dāng)網(wǎng)特別設(shè)計(jì)了“喜好大探底”FLASH游戲，用戶只需要勾選自己的性別、年齡區(qū)間、職業(yè)和幾個(gè)感興趣的商品，系統(tǒng)就會(huì)自動(dòng)運(yùn)用相關(guān)算法，給出為用戶量身打造的個(gè)性化推薦。當(dāng)當(dāng)網(wǎng)的“靠譜內(nèi)容”模塊，它會(huì)即根據(jù)不同用戶的屬性提供不一樣的內(nèi)容展示，新用戶可以在新客購(gòu)入中發(fā)現(xiàn)熱門商品，老用戶能夠在“猜你喜歡”中找到貼心的推薦內(nèi)容。除此之外，“用戶關(guān)注”可以幫助用戶可以在第一時(shí)間捕捉到收藏最多、好評(píng)最多、瀏覽最多的各種熱點(diǎn)商品，讓用戶在選擇商品時(shí)可以有更多的參考和比較。針對(duì)用戶存在多興趣或興趣發(fā)生轉(zhuǎn)移情況，當(dāng)當(dāng)網(wǎng)提出了基于項(xiàng)目相似性的鄰居用戶協(xié)同推薦算法。該算法改進(jìn)了傳統(tǒng)協(xié)同過(guò)濾算法，使之適合用戶多興趣下的個(gè)性化推薦。

2.3 天貓的個(gè)性化商品推薦服務(wù) “天貓”（英文：Tmall，亦稱淘寶商城、天貓商城）原名淘寶商城，是一個(gè)綜合性的B2C購(gòu)物網(wǎng)站。天貓的個(gè)性化推薦是在海量數(shù)據(jù)基礎(chǔ)上，結(jié)合會(huì)員習(xí)慣和商品內(nèi)容特性進(jìn)行分析和挖掘，為天貓會(huì)員提供個(gè)性化的推薦服務(wù)，以期縮短用戶購(gòu)物路徑，提升用戶購(gòu)物體驗(yàn)。天貓的個(gè)性化商品推薦服務(wù)遵循在合適的地方（首頁(yè)、Offer頁(yè)面、購(gòu)買過(guò)程頁(yè)面、搜索結(jié)果頁(yè)面、促銷郵件頁(yè)面、資訊文章頁(yè)面等），合適的時(shí)機(jī)（剛來(lái)首頁(yè)、搜索查找、點(diǎn)擊進(jìn)入、反饋完成、收藏完成、交易完成、瀏覽頁(yè)面上部、瀏覽頁(yè)面底部等），通過(guò)合適的渠道（WEB頁(yè)面、EMAIL、即時(shí)消息、智能手機(jī)等）把合適的內(nèi)容（商品、公司、資訊、人等）推薦給合適的用戶（企業(yè)用戶、個(gè)人用戶、不同客戶群等）的設(shè)計(jì)理念。

天貓網(wǎng)通過(guò)收集買家信息、商品信息、品牌信息、店鋪信息、營(yíng)銷活動(dòng)信息等，運(yùn)用相似替代商品模型、組合購(gòu)買商品模型、榜單、用戶個(gè)性化偏好模型、用戶聚類及偏好模型、內(nèi)容規(guī)則算法等模型算法，主要向用戶推商品、品牌、店鋪、活動(dòng)、商品類目等。

天貓的個(gè)性化商品推薦服務(wù)深入客戶購(gòu)物的整個(gè)流程：當(dāng)客戶登錄首頁(yè)瀏覽商品意圖模糊時(shí)向客戶推薦：猜你喜歡、個(gè)性化品牌墻、個(gè)性化活動(dòng)甚至構(gòu)建個(gè)性化首頁(yè)；當(dāng)客戶關(guān)注某一類商品正在挑選時(shí)向客戶推薦：全網(wǎng)分類榜單、群體偏好榜單、個(gè)性化列表、個(gè)性化搜索、個(gè)性化店鋪列表；當(dāng)客戶正關(guān)注某一特定商品時(shí)向客戶推薦：個(gè)性化相似商品、群體看了還看、全網(wǎng)看了還看、同類優(yōu)質(zhì)商品；當(dāng)用戶快完成購(gòu)買時(shí)，向客戶推薦：商家搭配、全網(wǎng)買了還買、優(yōu)惠活動(dòng)湊單、順手買日常用品；當(dāng)客戶買完還在線上時(shí)，向客戶推薦個(gè)性化活動(dòng)、猜你喜歡、個(gè)性化優(yōu)惠券、個(gè)性化榜單；當(dāng)用戶在線下向用戶發(fā)送個(gè)性化即時(shí)信息、短信、EMAIL。

3 國(guó)內(nèi)知名B2C電商個(gè)性化商品推薦應(yīng)用比較分析

從以上分析，我們可以看出三家的推薦系統(tǒng)都綜合使用了多種推薦服務(wù)算法：基于Item相似和相關(guān)性的推薦、基于瀏覽/購(gòu)買歷史，基于協(xié)同過(guò)濾等等。都具有這樣一些推薦服務(wù)：銷售最好/流行的商品、特價(jià)推薦、專題推薦、新商品推薦、通過(guò)郵件推薦、查看其他用戶評(píng)價(jià)、基于網(wǎng)友評(píng)論的推薦、商家推薦、買過(guò)此商品的用戶還買過(guò)的、你可能感興趣的、組合推薦、根據(jù)瀏覽歷史推薦、根據(jù)相似的人推薦等。

從推薦的形式中我們可以看出各家都把推薦服務(wù)放到了網(wǎng)站的各個(gè)角落，深入到用戶購(gòu)買的各個(gè)階段，并且都注重不斷改進(jìn)用戶的個(gè)性化推薦體驗(yàn)。推薦的準(zhǔn)確性直接影響客戶對(duì)于推薦服務(wù)的認(rèn)可程度，而要推得準(zhǔn)各家除了組合多種推薦形式外，還允許用戶提供或者修正推薦所依賴的信息，比如用戶可以查看并修改自己的檔案、瀏覽歷史，可以對(duì)感興趣的或不感興趣的商品進(jìn)行管理和打分，可以通過(guò)社區(qū)進(jìn)行討論、評(píng)論、反饋相關(guān)商品，而所有這些信息一經(jīng)修改或產(chǎn)生后直接對(duì)推薦的結(jié)果產(chǎn)生影響，從而提供推薦的準(zhǔn)確性。endprint