考慮商品重復(fù)購買周期的協(xié)同過濾推薦方法改進(jìn)

張志清，李 夢(mèng)，胡竹青

(1.武漢科技大學(xué)管理學(xué)院，湖北 武漢，430081；2.武漢科技大學(xué)服務(wù)科學(xué)與工程研究中心，湖北 武漢，430081)

?

考慮商品重復(fù)購買周期的協(xié)同過濾推薦方法改進(jìn)

張志清1,2，李 夢(mèng)1，胡竹青1

(1.武漢科技大學(xué)管理學(xué)院，湖北 武漢，430081；2.武漢科技大學(xué)服務(wù)科學(xué)與工程研究中心，湖北 武漢，430081)

傳統(tǒng)基于用戶的協(xié)同過濾商品推薦方法通常未考慮目標(biāo)用戶是否購買過類似商品以及商品的重復(fù)購買周期等因素，由此造成有些商品推薦的時(shí)機(jī)不對(duì)，不僅占用了推薦資源，還可能給消費(fèi)者帶來困擾，為此提出一種基于商品重復(fù)購買周期的改進(jìn)協(xié)同過濾推薦方法。在傳統(tǒng)協(xié)同過濾算法的基礎(chǔ)上引入已購商品回購狀態(tài)變量，根據(jù)目標(biāo)用戶的歷史購買數(shù)據(jù)和商品重復(fù)購買周期對(duì)所購買商品的回購狀態(tài)進(jìn)行計(jì)算，進(jìn)而得出不處于回購周期內(nèi)的已購商品類集，據(jù)此對(duì)原始推薦結(jié)果進(jìn)行過濾。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的協(xié)同過濾推薦系統(tǒng)能有效預(yù)測(cè)顧客的購買行為，明顯提高商品推薦的準(zhǔn)確性。

商品推薦；協(xié)同過濾；重復(fù)購買；消費(fèi)周期；回購；網(wǎng)上購物

電子商務(wù)推薦系統(tǒng)是一種提高電子商務(wù)零售網(wǎng)站整體營(yíng)銷性能的個(gè)性化推薦工具，可以幫助用戶發(fā)現(xiàn)其感興趣的商品，節(jié)省用戶時(shí)間，提升用戶體驗(yàn)及對(duì)電子商務(wù)網(wǎng)站的忠誠(chéng)度。協(xié)同過濾推薦是電子商務(wù)推薦系統(tǒng)中應(yīng)用最為廣泛的推薦方法，它通過消費(fèi)者的反饋信息記錄用戶的行為喜好，定位相似用戶(也稱為“鄰居用戶”)，從用戶購買記錄中得到商品評(píng)分并用于用戶-項(xiàng)目矩陣的構(gòu)建，最終為目標(biāo)用戶提供高評(píng)分的推薦商品[1]。然而用戶評(píng)分存在很大的數(shù)據(jù)稀疏性問題，用戶相似度計(jì)算也有較大的誤差，這嚴(yán)重影響了協(xié)同過濾算法推薦的準(zhǔn)確度，此外，協(xié)同過濾算法的冷啟動(dòng)也是一個(gè)不容忽視的問題(又稱“第一評(píng)價(jià)問題”或“新項(xiàng)目問題”)[2]。為此，很多研究人員對(duì)協(xié)同過濾算法進(jìn)行了改進(jìn)和完善。一種途徑是從矩陣稀疏性出發(fā)，例如，李大學(xué)等[3]采用改進(jìn)的加權(quán)樸素貝葉斯方法對(duì)沒有評(píng)分的數(shù)據(jù)進(jìn)行預(yù)測(cè)，借此來填充用戶-項(xiàng)目矩陣，緩解矩陣稀疏性；Suryakant等[4]提出一種基于MMD(mean measure of divergence)的協(xié)同過濾相似性計(jì)算方法，考慮評(píng)價(jià)項(xiàng)目的行為習(xí)慣對(duì)衡量用戶之間相似性的影響，有效解決了數(shù)據(jù)的稀疏性問題。還有一種途徑是從相似度計(jì)算方法出發(fā)提高推薦精確度，例如，Hernando等[5]針對(duì)基于貝葉斯概率模型的協(xié)同過濾推薦系統(tǒng)提出一種非負(fù)矩陣分解方法，即將評(píng)分矩陣分解為兩個(gè)非負(fù)矩陣，以提高對(duì)用戶偏好的預(yù)測(cè)準(zhǔn)確度；Ar等[6]采用改進(jìn)遺傳算法解決協(xié)同過濾中的相似度計(jì)算問題，在預(yù)測(cè)前對(duì)用戶之間的相似度進(jìn)行定義，使用遺傳算子算術(shù)交叉和突變隨機(jī)權(quán)重的選擇來重組和調(diào)整突變，進(jìn)而細(xì)化相似性權(quán)重，以減少所有用戶的平均誤差；Ahn[7]提出一種新的啟發(fā)式相似性度量(PIP)用于協(xié)同過濾推薦，利用特定領(lǐng)域的用戶對(duì)產(chǎn)品的評(píng)級(jí)解釋來克服傳統(tǒng)的相似性和距離測(cè)度的弱點(diǎn)，提高新用戶冷啟動(dòng)條件下的推薦性能；Bobadilla等[8]提出一種基于神經(jīng)學(xué)習(xí)優(yōu)化的新相似性度量方法來解決新用戶的冷啟動(dòng)問題，給新用戶提供更加準(zhǔn)確的推薦。另外，研究人員也采用其他途徑對(duì)協(xié)同過濾算法進(jìn)行了改進(jìn)，例如，傅鶴崗等[9]在用戶提交項(xiàng)目評(píng)分之后對(duì)推薦模型的數(shù)據(jù)進(jìn)行實(shí)時(shí)更新，有效提高了推薦精度并大幅度縮短了推薦時(shí)間；Wei等[10]將協(xié)同過濾方法和深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)這兩種推薦模式緊密耦合，以解決推薦系統(tǒng)中缺少用戶評(píng)分記錄的完全冷啟動(dòng)問題和只有少量評(píng)分記錄的不完全冷啟動(dòng)問題。

然而，上述研究中主要是為用戶推薦其沒有購買過但可能會(huì)喜歡的商品，而不是推薦用戶可能需要且可能會(huì)喜歡的商品。在未考慮目標(biāo)用戶已購商品的消費(fèi)狀態(tài)的情況下進(jìn)行推薦，可能會(huì)產(chǎn)生以下幾個(gè)問題：①用戶購買的某種商品尚在使用中，其消費(fèi)周期雖然較短，但只要一件即可滿足現(xiàn)有需求，然而系統(tǒng)又推薦了一種同功效但不同品牌的商品；②用戶購買了某種品牌的商品，其消費(fèi)周期長(zhǎng)，購買一件后可能要較長(zhǎng)時(shí)間才會(huì)再進(jìn)行購買，然而系統(tǒng)又推薦了類似商品。

商品重復(fù)購買周期中暗含著用戶使用產(chǎn)品的時(shí)間狀況，通過對(duì)用戶購買記錄中商品的回購狀態(tài)進(jìn)行計(jì)算，可以預(yù)測(cè)用戶購買歷史中處于消費(fèi)周期、回購周期以及無效狀態(tài)的商品類集，經(jīng)過篩選后可以去除掉用戶不需要的商品，進(jìn)而為用戶推薦那些需要且可能會(huì)喜歡的商品，這不僅能提高預(yù)測(cè)準(zhǔn)確率，也能有效提升用戶體驗(yàn)。

因此，本文提出一種改進(jìn)協(xié)同過濾推薦方法，在傳統(tǒng)基于用戶購買記錄的協(xié)同過濾算法的基礎(chǔ)上引入對(duì)商品重復(fù)購買周期的計(jì)算，首先按照傳統(tǒng)的協(xié)同過濾推薦方法得到推薦商品集，然后根據(jù)基于商品重復(fù)購買周期和目標(biāo)用戶歷史購買記錄生成的已購商品回購狀態(tài)來對(duì)推薦商品集進(jìn)行篩選，最后從篩選后的商品集中進(jìn)行TOP-N推薦。

1 協(xié)同過濾推薦方法的改進(jìn)

1.1 傳統(tǒng)基于用戶的協(xié)同過濾算法

傳統(tǒng)基于用戶的協(xié)同過濾推薦主要分為兩步[11]：第一，基于用戶-項(xiàng)目矩陣(一般為用戶對(duì)商品的評(píng)分，1～5分)，采用相應(yīng)的算法計(jì)算用戶之間的相似度，構(gòu)造相似度矩陣；第二，根據(jù)用戶相似度選擇最相似的K個(gè)用戶建立目標(biāo)用戶的最近鄰居集合，以最近鄰居已購買而目標(biāo)用戶未購買且商品評(píng)分達(dá)到3以上的項(xiàng)目構(gòu)成目標(biāo)用戶偏愛商品集，并從中選取前N個(gè)項(xiàng)目推薦給目標(biāo)用戶。

1.2 基于商品重復(fù)購買周期的協(xié)同過濾模型

如前所述，傳統(tǒng)基于用戶購買記錄的協(xié)同過濾商品推薦模型還不夠完善，在最終的商品推薦集中可能會(huì)出現(xiàn)一些用戶已購買且正處于消費(fèi)周期內(nèi)的商品類型。本文基于產(chǎn)品重復(fù)購買周期的改進(jìn)協(xié)同過濾推薦方法主要是在傳統(tǒng)算法中引入已購商品回購狀態(tài)這個(gè)變量，對(duì)正處于目標(biāo)用戶消費(fèi)周期內(nèi)以及無效狀態(tài)下的商品進(jìn)行過濾，具體如圖1所示。

1.3 商品重復(fù)購買周期

1.3.1 商品重復(fù)購買周期的定義

廣義的商品重復(fù)購買周期指消費(fèi)者第一次購買某類商品和第二次購買同樣功效商品之間的時(shí)間間隔；狹義的商品重復(fù)購買周期指消費(fèi)者第一次購買某品牌某類商品和第二次購買同品牌同類商品之間的時(shí)間間隔[12]。本文中的商品重復(fù)購買周期概念為前者。

圖1 基于商品重復(fù)購買周期的協(xié)同過濾模型

Fig.1 Collaborative filtering model based on repeated purchase cycle of goods

1.3.2 基于商品重復(fù)購買周期的商品分類

每一件商品都有屬于它自己的消費(fèi)周期，即從購買到用完或是被遺棄的時(shí)間，電子商務(wù)網(wǎng)站上的商品種類數(shù)不勝數(shù)，本文從使用時(shí)長(zhǎng)的角度將商品分為3類：零重復(fù)購買周期、長(zhǎng)重復(fù)購買周期和短重復(fù)購買周期的商品。

(1)零重復(fù)購買周期的商品。此類商品屬于消耗品，人們喜歡大量購買來滿足自己的需要，同類型的商品可以擁有很多件，例如服飾類、鞋類、首飾類等，商品件數(shù)越多越好。在進(jìn)行消費(fèi)者購買行為預(yù)測(cè)時(shí)不用考慮其重復(fù)購買周期，可根據(jù)消費(fèi)者的歷史行為記錄和相似用戶的偏好商品來預(yù)測(cè)目標(biāo)顧客喜愛的商品。

(2)長(zhǎng)重復(fù)購買周期的商品。此類商品一般使用周期非常長(zhǎng)(大于2年)，屬于耐用商品，只要一件即可滿足人們的需求，而且在購買后要經(jīng)過很長(zhǎng)時(shí)間才會(huì)進(jìn)行再次購買，也可能不會(huì)再購買，例如家電類、家具建材類等，在進(jìn)行消費(fèi)者購買行為預(yù)測(cè)時(shí)應(yīng)該過濾掉存在于目標(biāo)用戶購買記錄中的這類商品。

(3)短重復(fù)購買周期的商品。此類商品一般使用周期較短(小于2年)，只要一件即可滿足目前的日常生活需求，在使用完后人們會(huì)繼續(xù)購買，例如化妝品、洗護(hù)用品等。此類商品的重復(fù)購買周期T通常都可以通過商品訂單記錄計(jì)算出來，而且消費(fèi)者一般在使用過程中不會(huì)選擇再繼續(xù)購買同類商品，所以在進(jìn)行消費(fèi)者購買行為預(yù)測(cè)時(shí)需要考慮其重復(fù)購買周期。

令Pid為商品重復(fù)購買周期類別，有

(1)

令PbcTid為單位容量下類別標(biāo)識(shí)為Tid的商品的重復(fù)購買周期函數(shù)，有

(2)

1.3.3 短重復(fù)購買周期商品TTid的計(jì)算

商品重復(fù)購買周期是根據(jù)回購客戶的兩次購買之間的時(shí)間間隔、上一次購買商品的購買量以及商品凈含量來決定的。購買量以及商品凈含量都與商品重復(fù)購買周期成正比，商品凈含量是指商品的容量值，同一種商品可能會(huì)有不同的容量值，容量值越大，商品使用時(shí)間就越長(zhǎng)，客戶回購的時(shí)間間隔也越長(zhǎng)，在計(jì)算時(shí)需要把容量值進(jìn)行統(tǒng)一后再計(jì)算。

商品重復(fù)購買周期的計(jì)算主要是針對(duì)短重復(fù)購買周期商品。由于同一用途商品的重復(fù)購買周期也會(huì)有差別，因此在計(jì)算時(shí)應(yīng)該以商品細(xì)分類別為標(biāo)準(zhǔn)，如洗衣液、洗衣粉等要分別計(jì)算。為了確保重復(fù)購買周期的計(jì)算準(zhǔn)確性，本文選取某一類商品下不同品牌且回購率高的商品訂單記錄作為數(shù)據(jù)源，抽取進(jìn)行過多次回購行為的用戶訂單信息進(jìn)行計(jì)算，具體步驟如下。

步驟1 計(jì)算每一個(gè)用戶每一次回購的單位容量下商品重復(fù)購買周期。計(jì)算公式為

(3)

式中：Pt為用戶第t次回購商品的周期；Tt+1為用戶第t+1次購買該商品的時(shí)間；Tt為用戶第t次購買該商品的時(shí)間；Qt和Vt分別為第t次的商品購買量和單位商品容量。

步驟2 篩選掉由于店鋪優(yōu)惠活動(dòng)、電子商務(wù)網(wǎng)站大型活動(dòng)、顧客感知有用性和感知價(jià)值高等因素而采取的在商品未使用完情況下的重復(fù)購買行為，每刪減一次，令編號(hào)為Uid的用戶的回購次數(shù)NUid減1。

步驟3 計(jì)算出每個(gè)用戶的平均重復(fù)購買周期。計(jì)算公式為

(4)

式中：TUid,Tid為用戶Uid對(duì)單位容量下Tid類商品的平均重復(fù)購買周期；NUid為用戶回購次數(shù)。

步驟4 計(jì)算出單位容量下Tid類商品的重復(fù)購買周期。計(jì)算公式為

(5)

式中：n為回購過Tid類商品的用戶數(shù)。

步驟5 重復(fù)前面4個(gè)步驟，計(jì)算出所有短重復(fù)購買周期商品的重復(fù)購買周期，寫入表中，表中記錄項(xiàng)目包括：重復(fù)購買周期表編號(hào)Cid, 商品標(biāo)識(shí)Iid，類別標(biāo)識(shí)Tid，商品重復(fù)購買周期類別標(biāo)識(shí)Pid，商品重復(fù)購買周期PbcTid。

1.3.4 商品回購狀態(tài)細(xì)分

顧客購買記錄中的商品回購狀態(tài)可以劃分為3類：處于回購周期內(nèi)的商品、處于消費(fèi)周期內(nèi)的商品、超過回購周期未購買的失效商品。回購狀態(tài)由已購商品的重復(fù)購買剩余時(shí)間決定。

設(shè)目標(biāo)用戶c購買歷史記錄中標(biāo)識(shí)為Iid的已購商品所屬類別為Tid，則Tid類已購商品的重復(fù)購買剩余時(shí)間PbtTid的計(jì)算公式如下：

(6)

式中：Tnow為當(dāng)前時(shí)間；TIid,buy為商品標(biāo)識(shí)為Iid的商品的購買時(shí)間；QIid為商品標(biāo)識(shí)為Iid的已購商品購買數(shù)量；VIid為商品標(biāo)識(shí)為Iid的已購商品單位容量；PbcTid根據(jù)式(2)計(jì)算。

用戶在對(duì)商品進(jìn)行重復(fù)購買時(shí)可能會(huì)因?yàn)閭€(gè)人因素而提前或推遲，再加上本文對(duì)商品重復(fù)購買周期的定義是一個(gè)具體數(shù)值而不是一個(gè)區(qū)間，這可能會(huì)導(dǎo)致很大的計(jì)算誤差，因此在對(duì)用戶的已購商品回購狀態(tài)進(jìn)行預(yù)測(cè)時(shí)，應(yīng)該給商品的重復(fù)購買剩余時(shí)間加上一個(gè)范圍閾值M，使得凡是滿足|PbtTid|≤M的商品都認(rèn)為是處于回購周期內(nèi)，M的取值通過實(shí)際推薦測(cè)試來決定，取推薦效果最優(yōu)時(shí)的閾值。商品回購狀態(tài)函數(shù)如下：

(7)

1.4 改進(jìn)協(xié)同過濾商品推薦的具體步驟

輸入：用戶歷史交易數(shù)據(jù)，目標(biāo)用戶c，目標(biāo)用戶已購商品集Ic b。

輸出：目標(biāo)用戶推薦項(xiàng)目集Ic。

步驟1 根據(jù)用戶歷史交易數(shù)據(jù)庫建立用戶-項(xiàng)目矩陣。

步驟2 采用Pearson相關(guān)系數(shù)計(jì)算目標(biāo)用戶c與其他用戶之間的相似性sim(c,n)：

sim(c,n)=

(8)

步驟3 選擇相似度較大的K個(gè)鄰居用戶，根據(jù)其對(duì)應(yīng)的相似度和用戶購買商品評(píng)分，計(jì)算目標(biāo)用戶c對(duì)推薦商品i的評(píng)分Pc i。

(9)

式中：Nc為用戶c的最近鄰居用戶集合；Rni為某一個(gè)最近鄰居n對(duì)項(xiàng)目i的已知評(píng)分。

步驟4 取Pc i≥3的商品組成推薦項(xiàng)目集I，并提取I中各項(xiàng)目的類型，構(gòu)成推薦項(xiàng)目類集I*。

1.2.4 劃痕實(shí)驗(yàn) OVCAR-8細(xì)胞以每孔2×105細(xì)胞接種于六孔板，待細(xì)胞長(zhǎng)至完全融合后采用無菌200 μL槍頭在中央劃痕，PBS沖洗后采用倒置顯微鏡拍照；更換培養(yǎng)基后用11 μmol/L紫云英苷處理24 h，再次使用顯微鏡拍照，以0 μmol/為對(duì)照，以劃痕寬度變化反應(yīng)細(xì)胞遷移能力。

2 算例分析

2.1 算例數(shù)據(jù)的獲取

由于本課題研究涉及到非常復(fù)雜的商品重復(fù)購買周期運(yùn)算數(shù)據(jù)的選取和計(jì)算，需要挖掘購買網(wǎng)站同類型商品的全部交易信息，提取回購客戶數(shù)據(jù)，最終得出商品類的重復(fù)購買周期表，因此文中選擇部分具有代表性的商品來進(jìn)行算例驗(yàn)證。

2.1.1 商品信息數(shù)據(jù)

通過用戶訪問形式收集100個(gè)京東用戶2016年的購買記錄，從用戶歷史購買數(shù)據(jù)中選擇了10個(gè)商品，分為5組，每1組中的2個(gè)商品具有相同用途，商品詳情如表1所示。服裝類和耳飾類屬于零重復(fù)購買周期商品，PbtTid=0；USB設(shè)備類屬于長(zhǎng)重復(fù)購買周期商品，PbtTid=+∞；洗護(hù)用品類屬于短重復(fù)購買周期商品，PbtTid要根據(jù)此類商品的客戶回購數(shù)據(jù)進(jìn)行計(jì)算。

表1 商品信息數(shù)據(jù)

2.1.2 商品重復(fù)購買周期的計(jì)算數(shù)據(jù)

商品重復(fù)購買周期的計(jì)算數(shù)據(jù)來源為京東網(wǎng)上商城中洗衣液和沐浴露的用戶購買歷史記錄，本文使用網(wǎng)頁采集軟件“八爪魚采集器”對(duì)京東超市有關(guān)洗衣液和沐浴露的回購用戶的評(píng)論數(shù)據(jù)進(jìn)行挖掘，將其轉(zhuǎn)化為交易數(shù)據(jù)，包括用戶名、用戶等級(jí)、地址、商品名、購買量、單件商品容量和購買時(shí)間，其中沐浴露的部分回購用戶交易數(shù)據(jù)如圖2所示。根據(jù)式(3)～式(5)計(jì)算出這兩類商品單位容量下的重復(fù)購買周期TTid。洗衣液的TTid=0.012 d/g，故1瓶容量500 g的洗衣液的重復(fù)購買周期為60 d；沐浴露的TTid=0.11 d/g，故1瓶容量1000 g的沐浴露的重復(fù)購買周期為110 d。

圖2 沐浴露回購用戶交易數(shù)據(jù)

2.2 洗衣液和沐浴露的回購狀態(tài)

洗衣液和沐浴露這兩類短重復(fù)購買周期商品的回購狀態(tài)由購買時(shí)間和M值決定，本算例初步設(shè)定M=30 d。根據(jù)用戶購買洗衣液和沐浴露的時(shí)間與當(dāng)前時(shí)間差Tnow-TIid,buy，商品回購狀態(tài)具體又分為以下幾種情況。

情況1：Tnow-TIid,buy<30 d或者Tnow-TIid,buy>140 d

由式(6)和式(7)可計(jì)算得出：當(dāng)Tnow-TIid,buy<30 d時(shí)，PbtTid<-M，洗衣液和沐浴露的商品回購狀態(tài)均為處于消費(fèi)周期，用戶不會(huì)馬上購買這兩類商品；當(dāng)Tnow-TIid,buy>140 d時(shí)，PbtTid>M，沐浴露和洗衣液的商品回購狀態(tài)均為處于失效狀態(tài)，用戶可能已經(jīng)在別處購買了此類商品，因而也不會(huì)再在此購物平臺(tái)重復(fù)購買。

情況2：30 d≤Tnow-TIid,buy<80 d

情況3：90 d≤Tnow-TIid,buy≤140 d

情況4：80≤Tnow-TIid,buy<90

2.3 商品推薦準(zhǔn)確性的評(píng)價(jià)指標(biāo)

本文對(duì)算法的改進(jìn)主要是為了提高推薦命中率，因此采用精確率Pre、召回率Rec和綜合評(píng)價(jià)指標(biāo)F-measure[13]來度量商品推薦準(zhǔn)確性：

(10)

(11)

(12)

式中：TP為推薦并已購買的商品數(shù)；FP為推薦但未購買的商品數(shù)；FN為未推薦卻購買了的商品數(shù)。

2.4 實(shí)驗(yàn)方法

正常情況下，消費(fèi)者對(duì)處于消費(fèi)周期和失效狀態(tài)的商品以及未購買過商品的購買概率是不相同的。為了保證實(shí)驗(yàn)的有效性，實(shí)驗(yàn)前需根據(jù)歷史交易記錄計(jì)算出處于消費(fèi)周期和失效狀態(tài)的商品的被購買概率，并依此模擬用戶購買商品的情況。

在協(xié)同過濾推薦中通常采用用戶-項(xiàng)目評(píng)分矩陣作為推薦計(jì)算的原始數(shù)據(jù)，本文采取離線實(shí)驗(yàn)進(jìn)行驗(yàn)證。首先，獲取購買記錄中用戶對(duì)前述10個(gè)產(chǎn)品的評(píng)分(1～5分)；然后，在用戶-項(xiàng)目評(píng)分矩陣中隨機(jī)選取80%的用戶為訓(xùn)練集，20%的用戶作為測(cè)試集，在訓(xùn)練集上訓(xùn)練用戶興趣模型，在測(cè)試集上進(jìn)行模型測(cè)試；最后，隱藏一部分測(cè)試集商品評(píng)分?jǐn)?shù)據(jù)，協(xié)同過濾推薦后再將推薦商品集與隱藏的商品集進(jìn)行對(duì)比。

2.5 實(shí)驗(yàn)結(jié)果分析

在本算例中，最近鄰居K值的選取和模擬的用戶商品購買情況對(duì)協(xié)同過濾算法的推薦精確率有一定的影響，因此以隨機(jī)生成指定數(shù)量的用戶作為測(cè)試集進(jìn)行100次重復(fù)實(shí)驗(yàn)，計(jì)算結(jié)果取平均值。K值分別設(shè)為5、10、15、20、25，在洗衣液和沐浴露回購狀態(tài)的4種組合情況下采用本文提出的改進(jìn)協(xié)同過濾算法進(jìn)行商品推薦，并和傳統(tǒng)基于用戶的協(xié)同過濾算法進(jìn)行比較，兩種方法的推薦準(zhǔn)確度評(píng)價(jià)指標(biāo)值見圖3。

(a)精確率

(b)召回率

(c) 綜合評(píng)價(jià)值

Fig.3 Evaluation index values of commodity recommendation accuracy

從圖3中可見，采用本文提出的基于商品重復(fù)購買周期的改進(jìn)協(xié)同過濾算法在已購商品回購狀態(tài)的4種組合情況下的精確率、召回率和綜合評(píng)價(jià)值均高于采用傳統(tǒng)協(xié)同過濾算法時(shí)的對(duì)應(yīng)指標(biāo)值。這表明本文算法提高了商品推薦的命中率，保證了推薦結(jié)果的準(zhǔn)確性。

由圖3還可以看出，與傳統(tǒng)算法相比，本文算法的商品推薦質(zhì)量在情況1即兩種商品都處于消費(fèi)周期或失效狀態(tài)時(shí)提高最多，在情況4即兩種商品都處于回購狀態(tài)時(shí)提高最少。這說明在改進(jìn)的協(xié)同過濾商品推薦中，越是對(duì)于處于消費(fèi)周期或失效狀態(tài)的商品，改進(jìn)后的推薦效果越好。另外，本文算法在K=15時(shí)的推薦質(zhì)量最佳，此時(shí)在4種商品回購狀態(tài)組合情況下的評(píng)價(jià)指標(biāo)值均達(dá)到最大。

3 結(jié)語

商品推薦系統(tǒng)主要是為了向用戶推薦其需要且喜愛的商品，不符合時(shí)機(jī)的商品推薦可能會(huì)造成消費(fèi)者的困擾，影響消費(fèi)者對(duì)推薦商品的信任度。本文提出了一種改進(jìn)協(xié)同過濾算法，通過計(jì)算商品重復(fù)購買周期，在傳統(tǒng)的協(xié)同過濾算法中引入商品回購狀態(tài)對(duì)原始推薦商品集進(jìn)行過濾，有效提高了商品推薦的準(zhǔn)確性，減少了無效推薦，此過濾機(jī)制適用于所有的個(gè)性化商品推薦。

[1] 孫魯平,張麗君,汪平.網(wǎng)上個(gè)性化推薦研究述評(píng)與展望[J].外國(guó)經(jīng)濟(jì)與管理,2016,38(6):82-99.

[2] 奉國(guó)和,梁曉婷.協(xié)同過濾推薦研究綜述[J].圖書情報(bào)工作,2011,55(16):126-130.

[3] 李大學(xué),謝名亮,趙學(xué)斌.基于樸素貝葉斯方法的協(xié)同過濾推薦算法[J].計(jì)算機(jī)應(yīng)用,2010，30(6): 1523-1526.

[4] Suryakant, Tripti Mahara. A new similarity measure based on mean measure of divergence for collaborative filtering in sparse environment[J]. Procedia Computer Science,2016,89: 450-456.

[5] Hernando A, Bobadilla J, Ortega F. A non negative matrix factorization for collaborative filtering recommender systems based on a Bayesian probabilistic model[J].Knowledge-based Systems,2016,97:188-202.

[6] Ar Y, Bostanci E. A genetic algorithm solution to the collaborative filtering problem[J]. Expert Systems with Applications,2016,61:122-128.

[7] Ahn H J. A new similarity measure for collaborative filtering to alleviate the new user cold-starting problem[J]. Information Sciences,2008,178(1):37-51.

[8] Bobadilla J, Ortega F, Hernando A, et al. A collaborative filtering approach to mitigate the new user cold start problem[J]. Knowledge-based Systems,2012,26:225-238.

[9] 傅鶴崗,李冉.基于用戶實(shí)時(shí)反饋的協(xié)同過濾算法[J].計(jì)算機(jī)應(yīng)用,2011,31(7):1744-1747.

[10]Wei J, He J H, Chen K, et al. Collaborative filtering and deep learning based recommendation system for cold start item[J]. Expert Systems with Applications,2017,69:29-39.

[11]鄭潔,錢育蓉,楊興耀,等.基于信任和項(xiàng)目偏好的協(xié)調(diào)過濾算法[J].計(jì)算機(jī)應(yīng)用,2016,36(10):2784-2788，2798.

[12]劉進(jìn).重復(fù)購買周期和營(yíng)銷戰(zhàn)略選擇[J].企業(yè)管理,2010(2):81-83.

[13]朱郁筱,呂琳媛.推薦系統(tǒng)評(píng)價(jià)指標(biāo)綜述[J].電子科技大學(xué)學(xué)報(bào),2012,41(2):163-175.

[責(zé)任編輯 尚 晶]

Improvement of collaborative filtering recommendation considering repeated purchase cycle of commodities

ZhangZhiqing1,2，LiMeng1，HuZhuqing1

(1. College of Management, Wuhan University of Science and Technology, Wuhan 430081, China；2. Institute of Service Science and Engineering, Wuhan University of Science and Technology,Wuhan 430081, China)

Traditional user-based collaborative filtering method for commodity recommendation doesn’t consider whether the target user has ever bought similar goods and their repeated purchase cycles. It may lead to the wrong time of commodity recommendation, which not only wastes the recommending resources but also causes the consumers a lot of trouble. So this paper proposes an improved collaborative filtering recommendation method based on commodity repeated purchase cycle. Firstly, a repurchase status variable for commodity is introduced into the traditional collaborative filtering algorithm. Then repurchase status of the purchased goods is determined according to the target user’s shopping record and repeated purchase cycle of goods. Finally, the purchased commodity set not in the repurchase cycle is obtained and applied to filter the recommendation results by the original collaborative filtering algorithm. The experimental results show that the improved collaborative filtering recommendation system can effectively predict the shopping behavior of customers and obviously improve the accuracy of commodity recommendation.

commodity recommendation; collaborative filtering; repeated purchase; consumer cycle; repurchase; online shopping

2017-03-08

教育部人文社會(huì)科學(xué)研究規(guī)劃基金項(xiàng)目(15YJA630103)；湖北省自然科學(xué)基金面上項(xiàng)目 (2015CFB564)；湖北省教育廳人文社會(huì)科學(xué)研究重點(diǎn)項(xiàng)目(17D008).

張志清(1969-)，男，武漢科技大學(xué)教授，博士. E-mail: zhiqing.zhang@qq.com

10.3969/j.issn.1674-3644.2017.04.013

F274

A

1674-3644(2017)04-0307-07