電子商務(wù)智能推薦系統(tǒng)中的案例檢索算法探討

高　華

(大連藝術(shù)學(xué)院 文化藝術(shù)管理學(xué)院， 遼寧 大連 116600)

?

電子商務(wù)智能推薦系統(tǒng)中的案例檢索算法探討

高華

(大連藝術(shù)學(xué)院 文化藝術(shù)管理學(xué)院， 遼寧 大連 116600)

摘要：針對傳統(tǒng)電子商務(wù)推薦算法中的缺陷，提出以案例推理為基礎(chǔ)的案例檢索算法，通過對商品概念語義相似度的加權(quán)平均算法以及數(shù)據(jù)類型和屬性的相似度等計算出案例的綜合相似度，避免了傳統(tǒng)算法中計算單一相似度的不足，提高了電子商務(wù)系統(tǒng)的運行效率和精確度，為電子商務(wù)系統(tǒng)的設(shè)計提供考參考的價值。

關(guān)鍵詞：電子商務(wù)；智能推薦系統(tǒng)；案例檢索算法；分析

電子商務(wù)智能推薦技術(shù)是在搜集和分析用戶所檢索的商品信息和數(shù)據(jù)的基礎(chǔ)上，分析用戶的購買行為和購買興趣，并且及時的更新用戶的偏好信息，智能的向用戶推薦所偏好的商品信息[1]。目前在電子商務(wù)中常用推薦技術(shù)有協(xié)同過濾、內(nèi)容過濾等，但仍存在著推薦數(shù)據(jù)以來原始數(shù)據(jù)搜集等問題[2]。因此為了解決這些問題，提高電子商務(wù)系統(tǒng)推薦的精確度和效率，經(jīng)本體技術(shù)引入到系統(tǒng)中，設(shè)計出基于案例推理的案例檢索算法，利用商品的概念語義相似度、數(shù)據(jù)類型和屬性的相似度計算出案例的綜合相似度，提高電子商務(wù)智能推薦系統(tǒng)的推薦效率和質(zhì)量，克服傳統(tǒng)算法中的弊端。

1領(lǐng)域本體協(xié)同案例推理的系統(tǒng)構(gòu)架

本系統(tǒng)構(gòu)架的設(shè)計主要是在多層結(jié)構(gòu)設(shè)計思想的基礎(chǔ)上，應(yīng)用層、業(yè)務(wù)邏輯層和數(shù)據(jù)存儲層共同組成了系統(tǒng)中最重要的三個層次。在系統(tǒng)中應(yīng)用層可以為普通用戶、企業(yè)用戶和VIP用戶提供可操作的界面，并給與不同用戶授權(quán)來完成用戶需要的操作步驟。系統(tǒng)用戶可以在應(yīng)用層面進(jìn)行注冊，獲取用戶的偏好，對用戶的瀏覽行為進(jìn)行隱性的評價，用戶通過對商品的查詢，應(yīng)用層面可以對同類的商品進(jìn)行分析，并將推薦結(jié)果以列表的形式展示給用戶。業(yè)務(wù)邏輯層是智能推薦層的核心層面，掌握著的電子商務(wù)的主要業(yè)務(wù)和案例表示等，在商務(wù)領(lǐng)域本體中案例的表達(dá)主要將語義要素抽取出來，并對用戶的偏好和用戶所搜索的商品信息和數(shù)據(jù)進(jìn)行整理，向用戶推薦相關(guān)的產(chǎn)品所需要的商品。數(shù)據(jù)存儲層主要功能是分類和整理數(shù)據(jù)，并實現(xiàn)最后的儲存，在元數(shù)據(jù)中抽取有用的信息和數(shù)據(jù)并及時的更新模型庫。

本系統(tǒng)框架具有多方面的優(yōu)勢和特征，將領(lǐng)域本體作為一種形式化的規(guī)范來表達(dá)共享概念，最終電子商務(wù)所涉及到的概念和屬性通過知識性的描述方式來進(jìn)行表達(dá)，并且奠定了知識共享和運用的良好基礎(chǔ)。采用領(lǐng)域本體來進(jìn)行定義電子商務(wù)的案例結(jié)構(gòu)，并且將分類索引建立在概念語義樹層次結(jié)構(gòu)上，這樣案例的檢索和儲存變得更加便捷和規(guī)范化。從領(lǐng)域本體的角度抽取目標(biāo)案例要素，表達(dá)和描述案例則采用語義信息來完成，實現(xiàn)對案例的問題空間和解空間的完善。因此新用戶可以通過語義來進(jìn)行檢索和信息的匹配，將案例求解的空間進(jìn)行了有效地拓展，并且在電子商務(wù)智能推薦系統(tǒng)中提高了案例檢索的效率和精確度，保障了推薦的質(zhì)量。

2關(guān)鍵技術(shù)研究

案例推理作為案例表示的理論基礎(chǔ)，案例表示的質(zhì)量決定著案例檢索的效率，在本次研究中將領(lǐng)域本體引入到電子商務(wù)系統(tǒng)中，并且以WordNet作為語言組織和表達(dá)的案例，對傳統(tǒng)系統(tǒng)中的舊的數(shù)據(jù)進(jìn)行記錄，對用戶瀏覽的商品信息和數(shù)據(jù)庫進(jìn)行整理和記錄，實現(xiàn)數(shù)據(jù)的預(yù)處理，將格式轉(zhuǎn)換，之后抽取概念等一系列的環(huán)節(jié)和步驟。之后利用WordNet構(gòu)建領(lǐng)域本題庫，并在此基礎(chǔ)上規(guī)定所用詞的范圍，將案例結(jié)構(gòu)進(jìn)行定義，在概念層建立索引，實現(xiàn)對案例結(jié)構(gòu)和組織的規(guī)范化，建立相應(yīng)的存儲模式。案例庫和本體庫等組織結(jié)構(gòu)的管理和維護(hù)是通過案例表示和領(lǐng)域本體建模管理的方式來實現(xiàn)，從而促進(jìn)電子商務(wù)智能推薦系統(tǒng)的規(guī)范化和組織化。

3基于領(lǐng)域本體的綜合語義相似度的案例檢索

(1)案例檢索策略

在案例檢索之前，可以先對案例進(jìn)行預(yù)處理，這樣可以有效地保障智能推薦系統(tǒng)的運行效率和推薦商品的質(zhì)量。預(yù)處理也就是先對數(shù)據(jù)信息進(jìn)行分析，進(jìn)一步建立目標(biāo)案例，并對案例屬性進(jìn)行分類和分析，接下來一步一步的進(jìn)行案例的檢索，因此案例檢索是建立在信息的分類處理上的[3]。接下來進(jìn)行案例相似度的檢索，主要是檢索采用的商品屬性和概念之間的相似度，之后將屬性、概念和類別三者之間利用加權(quán)平均數(shù)計算出綜合的相似度，最后通過列表的形式顯示出案例，通過智能推薦系統(tǒng)推薦給用戶[4，5]。該案例策略主要是根據(jù)用戶的偏好信息以及偏好內(nèi)容對案例的索引進(jìn)行適當(dāng)?shù)恼{(diào)整，并能夠有效地提高案例檢索和推薦的效率。

(2)案例相似度計算

本案例主要先計算出屬性、概念和數(shù)據(jù)類型三者的相似度，然后利用加權(quán)平均數(shù)計算出綜合的相似度。g1為目標(biāo)案例中的商品，g2為源案例中的商品，具體的模型如下：

1.概念相似度計算模型：相似度算法采用WordNet語義概念樹和距離的相似度算法，表達(dá)式如下：

(1)

商品g1和g2在語義概念樹中最近的共同原始數(shù)據(jù)為los(g1,g2)，在WordNet概念樹中，depth(g1)和depth(g2)為概念g1和g2的。

2.基于類型的屬性語義相似度計算模型

基于類型的屬性語義相似度取決于數(shù)據(jù)和對象類型屬性語義相似度，可以先將商品g1和g2進(jìn)行分類，建立起數(shù)據(jù)類型的一個集合[6]。然后采用式(1)的方法構(gòu)建語義相似矩陣，

計算出屬性集合中的相似度SimC(g1,g2)，最后得到相似度平均值SimA平(g1,g2)也就是所有數(shù)據(jù)類型屬性語義的相似度。SimO平(g1,g2)代表著相似度平均值，最后得到基于類型的屬性的語義相似度為：

(2)

3.基于數(shù)據(jù)類型的屬性值相似度計算模型

假設(shè)Fi和Fj的屬性和數(shù)據(jù)類型相同或者相似，那么他們的屬性值為VFi和VFj，ωFj和ωFi分別為屬性權(quán)重，那么根據(jù)不同的數(shù)據(jù)類型，計算出屬性值VFi和VFj的相似度，具體的表達(dá)式子如下：

(3)

(4)

當(dāng)數(shù)據(jù)類型為離散型數(shù)值時：

(5)

當(dāng)數(shù)據(jù)類型為字符串型時：

(6)

根據(jù)不同的計算模型丘恩處所有屬于類型屬性語義的相似度，并得到數(shù)據(jù)類型的總體屬性相似度為：

(7)

4.g1和g2商品的案例相似度為Csim(g1,g2)為

Csim(g1,g2)= αSimC(g1,g2)+βSimA′(g1,g2)+γSimAV(g1,g2)

(8)

α，β分別表示數(shù)據(jù)類型的屬性語義相似度和概念語義相似度，γ表示數(shù)據(jù)類型的屬性值相似度的權(quán)重為γ，α+β+γ=1。知識工程師可以根據(jù)三者之間的相似度權(quán)重和用戶的偏好對系統(tǒng)進(jìn)行有效的調(diào)節(jié)，最后將案例的相似度進(jìn)行排序，取得最大的值，并給用戶推薦相關(guān)的案例，最后得到的案例考慮了三者之間相似度的影響，避免了傳統(tǒng)案例算法中依靠屬性相似度的缺陷[7]。

三、實際應(yīng)用分析

某計算機(jī)配件銷售網(wǎng)站上應(yīng)用了該算法，知識工程師要抽取近三個月銷售網(wǎng)站上商品的銷售中語義要素，作為原型案例建立的基礎(chǔ)，將該算法應(yīng)用到某白領(lǐng)用戶購買主機(jī)配件為例來驗證算法的精確度。

某白領(lǐng)用戶在該銷售網(wǎng)站上想要搜索一臺計算機(jī)，基本的配置為：轉(zhuǎn)速7200r/min，320GB的容量，SATA類型的4MB接口，知名品牌價格在450左右，免費保修期為3年時間。該用戶搜索了自己想要的產(chǎn)品信息后，計算機(jī)先分類整理用戶輸入的商品信息，并抽取出信息中所需要的關(guān)鍵信息，建立目標(biāo)案例y，那么會得到一個案例集X={x1,x2,x3...xi}，在案例集中抽取相關(guān)的案例類型，如表1所示：

表1　案例參數(shù)

為了簡化計算，每個屬性權(quán)重設(shè)為0.166，

1.概念的語義相似度計算

商品g1為硬盤1，g2為硬盤2，在概念樹中兩個商品的共同概念為存儲設(shè)備。因此可以將數(shù)據(jù)帶入帶式子(1)中得到：

depth(lso(g1,g2))=8，depth(g1)=9，depth(g2)=10，得SimC(g1,g2)=16/19=0.842。

2.基于類型的屬性語義相似度計算

g1,1={接口，供應(yīng)商，質(zhì)量保證}；g2,1={代碼，品牌，界面，制造商，質(zhì)量保證}；整數(shù)類型：g1,2={容量，緩沖，速度}，g2,2={緩沖容量，速度}；浮類型：g1,3={價格}，g2,3={價格}。字符串類型的屬性按照式子(1)得到屬性相似度和語義相似度矩陣：

SimA(g1，g2)=SimA字符串+SimA浮+SimA整數(shù))/3=1，得到商品的屬性語義相似度為：

SimA’(g1，g2)=SimA(y1,x1)+Sim0(g1,g2))/2=13.

令權(quán)重α=β=γ=0.333,由式(8)可知綜合語義相似度為:

CSim(yi，xi)= αSimC(g1，g2)+βSimA′(g1，g2)+

γSimAV(g1，g2)=(0.842+1+0.81)×0.333=0.884

總結(jié)：針對傳統(tǒng)電子商務(wù)智能推薦系統(tǒng)中算法單純運用屬性值的弊端，忽視語義和屬性類型相似度的算法，從而解決了智能推薦系統(tǒng)推薦的效率低，推薦給用戶的商品質(zhì)量得不到保障的問題。本文引入了領(lǐng)域本體的案例檢索算法，運用語義相似度、屬性類型相似度和數(shù)據(jù)類型屬性值相似度三者之間的的綜合相似度，規(guī)范了案例表示和組織的形式，增加了案例檢索的空間，提高了案例檢索的速度和效率，保障了智能推薦的質(zhì)量[8]。

參考文獻(xiàn)：

[1]楊艷霞,于海平,陳燕，等.基于Web挖掘的個性化推薦算法研究[J].計算機(jī)與數(shù)字工程,2014,42(4):674-677.

[2]崔春生,齊延信,田哲，等.基于Vague值的電子商務(wù)推薦系統(tǒng)及其相似度研究[J].圖書情報工作,2012,56(6):130-134.

[3]鄧檢名.基于移動Agent技術(shù)在電子商務(wù)系統(tǒng)中的應(yīng)用研究[J].軍民兩用技術(shù)與產(chǎn)品,2015,(4):48-49.

[4]肖冰,陳潮填.電子商務(wù)系統(tǒng)的復(fù)雜性特征與方法論探析[J].商業(yè)經(jīng)濟(jì)研究,2015,(21):77-79.

[5]高鎖軍.電子商務(wù)系統(tǒng)與ERP系統(tǒng)集成[J].價值工程,2014,33(33):238-239.

[6]王芮.B2B模式電子商務(wù)系統(tǒng)的需求獲取與分析[J].中國管理信息化,2015,18(5):223-224.

[7]毛意輝.B2B與B2C整合的電子商務(wù)系統(tǒng)的分析思考[J].中國管理信息化,2015,(8):199-199.

[8]吳碧霞.電子商務(wù)環(huán)境下基于證據(jù)理論的信任評估模型[J].湖北民族學(xué)院學(xué)報(自然科學(xué)版)，2011，29(3)：331-334.

責(zé)任編輯：程艷艷

Discussion on Case Retrieval Algorithm in Intelligent Recommendation System of Electronic Commerce

GAO Hua

(Culture and Art Management College, Dalian Art College, Dalian 116600, China)

Abstract：In view of the defects in the traditional electronic commerce recommendation system, this paper presents a case retrieval algorithm based on case reasoning, which calculates the comprehensive similarity of cases by using the weighted average algorithm of product concept semantic similarity and the similarity of data types and attributes, avoiding the shortage of the single similarity in traditional algorithm. This algorithm has improved the operating efficiency and accuracy of electronic commerce system, providing references for the system design.

Keywords：E-commerce; intelligent recommendation system; case retrieval algorithm; analysis

中圖分類號：TP311

文獻(xiàn)標(biāo)志碼：A

文章編號：1009-3907(2016)02-0014-04

作者簡介：高華(1975-)，女，遼寧大連人，副教授，碩士，主要從事計算機(jī)應(yīng)用技術(shù)與電子商務(wù)方面研究。

基金項目：遼寧省教育廳科學(xué)研究項目(w2012283)

收稿日期：2015-12-14