成保梅
摘 ?要: 采用基于使用者的協(xié)同過(guò)濾推薦算法進(jìn)行電子商務(wù)個(gè)性化推薦,將獲取的評(píng)價(jià)數(shù)據(jù)作為推薦算法的輸入,根據(jù)使用者行為的相似性獲取 “最近鄰居”集,統(tǒng)計(jì)其中各鄰居對(duì)項(xiàng)目商品的評(píng)價(jià)分?jǐn)?shù),并以使用者對(duì)項(xiàng)目商品的評(píng)分形式和使用者關(guān)注度最高的多個(gè)項(xiàng)目商品推薦列表形式進(jìn)行項(xiàng)目商品推薦。在獲取“最近鄰居”集的過(guò)程中,通過(guò)使用者特征集提升電子商務(wù)推薦系統(tǒng)推薦最近鄰居的準(zhǔn)確度,利用興趣度隨時(shí)間變化函數(shù)修正使用者評(píng)價(jià)矩陣,從使用者特性和興趣兩方面對(duì)協(xié)同過(guò)濾推薦算法進(jìn)行個(gè)性化改進(jìn)。研究結(jié)果表明,所提算法推薦項(xiàng)目商品所需時(shí)間始終低于對(duì)比算法,且采用該推薦算法后電子商務(wù)平臺(tái)交易成功率由38.4%提升至87.2%。
關(guān)鍵詞: 電子商務(wù); 個(gè)性化推薦; 協(xié)同過(guò)濾; 商品推薦; 個(gè)性化改進(jìn); 交易平臺(tái)
中圖分類號(hào): TN99?34; TP301 ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼: A ? ? ? ? ? ? ? ? ? 文章編號(hào): 1004?373X(2019)20?0037?03
Research on e?commerce personalized recommendation algorithm
based on collaborative filtering
CHENG Baomei
(Department of E?commerce, Business College of Shanxi University, Taiyuan 030031, China)
Absrtact: The user?based collaborative filtering recommendation algorithm is used to carry out the e?commerce personalized recommendation, and the obtained evaluation data is used as the input of the recommendation algorithm. The "nearest neighbor" set is obtained according to the similarity of the users′ behavior, and all the neighbors′ evaluation scores for the project products are counted. The project product recommendation is carried out according to the users′ scoring form on the project products and the recommendation list form of multi?project produts with the highest attention degree of users. In the process of obtaining the "nearest neighbor" set, the accuracy of recommending nearest neighbors of e?commerce recommendation system is improved by using users′ feature sets, and user evaluation matrix is modified by means of the time?varying function of interestingness. The personalized improvement of collaborative filtering recommendation algorithm is conducted in the two terms of user characteristics and interests. The research results show that the proposed algorithm always takes less time to recommend project product than that of contrast algorithm, and the transaction success rate of e?commerce platform is increased from 38.4 % to 87.2%.
Keywords: e?commerce; personalized recommendation; collaborative filtering; product recommendation; personalized improvement; transaction platform
利用電子商務(wù)平臺(tái)進(jìn)行購(gòu)物時(shí),想在同類商品中選取自己喜歡的商品是很困難的,因此電子商務(wù)推薦系統(tǒng)得到廣泛關(guān)注[1],針對(duì)不同使用者的興趣愛(ài)好對(duì)其推薦可能感興趣的信息[2]。隨著時(shí)間的延長(zhǎng)與交易量的提升,其中大部分信息與使用者需求不相關(guān),缺乏個(gè)性化特征,導(dǎo)致推薦達(dá)不到預(yù)期效果。因此提出基于協(xié)同過(guò)濾的電子商務(wù)個(gè)性化推薦算法,提升電子商務(wù)平臺(tái)的推薦能力。
1 ?電子商務(wù)個(gè)性化推薦算法
1.1 ?協(xié)同過(guò)濾推薦算法
1.1.1 ?協(xié)同過(guò)濾推薦算法的輸入與輸出
利用協(xié)同過(guò)濾進(jìn)行電子商務(wù)項(xiàng)目商品推薦時(shí),以全部使用者對(duì)不同商品的評(píng)價(jià)為依據(jù)[3]。用[u]和[i]分別表示使用者和項(xiàng)目商品,[m]和[n]分別表示使用者和項(xiàng)目商品的數(shù)量,[m×n]評(píng)價(jià)矩陣描述原始數(shù)據(jù),使用者[i]對(duì)項(xiàng)目商品[j]的評(píng)分可通過(guò)評(píng)價(jià)矩陣中的元素[dij]描述。通常情況下,通過(guò)某區(qū)間的整數(shù)值描述[dij],當(dāng)[dij]為0時(shí),說(shuō)明使用者尚未對(duì)項(xiàng)目商品給予評(píng)價(jià)[4]。
在推薦列表輸出形式中,推薦的N個(gè)項(xiàng)目商品均為目標(biāo)使用者從未購(gòu)買(mǎi)過(guò)的。圖1中描述的是基于協(xié)同過(guò)濾的電子商務(wù)推薦過(guò)程。
1.1.2 ?基于使用者的協(xié)同過(guò)濾推薦算法
電子商務(wù)推薦系統(tǒng)基于目標(biāo)使用者的歷史行為對(duì)比,獲取目標(biāo)使用者與其他使用者間存在的行為相似性,得到一組與目標(biāo)使用者存在相似興趣愛(ài)好的使用者[5?6],這一組使用者稱為目標(biāo)使用者的“最近鄰居”。
基于使用者的協(xié)同過(guò)濾推薦算法中先要獲取一組目標(biāo)使用者的“最近鄰居”,也就是獲取使用者[u]的鄰居集合[N=N1,N2,…,Na],在此集合中不包含使用者[u],集合中[N1]~[Na]的相似度用[Simu,Ni]表示。采用Pearson相關(guān)系數(shù)確定使用者的行為相似度,計(jì)算公式為:
式中:[Cab]表示使用者[a]和使用者[b]的行為相似度;[dij],[da]和[db]分別表示使用者[i]對(duì)項(xiàng)目商品[j]的評(píng)分、使用者[a]對(duì)全部項(xiàng)目商品評(píng)分的平均分和使用者[b]對(duì)全部項(xiàng)目商品評(píng)分的平均分。
采用聚集的方法進(jìn)行目標(biāo)使用者“最近鄰居”集獲取的過(guò)程:若當(dāng)前已確定[j]個(gè)鄰居,并將他們歸屬在“最近鄰居”集內(nèi),確定這[j]個(gè)鄰居的中心位置[W=1jjD]后,從目標(biāo)使用者的其他鄰居內(nèi)確定與得到的中心位置距離最近的鄰居充當(dāng)目標(biāo)使用者第[j+1]個(gè)鄰居。重復(fù)以上過(guò)程至[j=1]為止。
電子商務(wù)推薦系統(tǒng)能夠基于統(tǒng)計(jì)后得到的評(píng)價(jià)分?jǐn)?shù)預(yù)估目標(biāo)使用者對(duì)項(xiàng)目商品的評(píng)價(jià)得分,評(píng)價(jià)矩陣如下:
使用者興趣度隨時(shí)間變化和使用者特性兩方面對(duì)基于使用者的協(xié)同過(guò)濾推薦算法進(jìn)行個(gè)性化改進(jìn),以便電子商務(wù)推薦系統(tǒng)更好地為使用者提供推薦服務(wù)。
1.2 ?協(xié)同過(guò)濾推薦算法的個(gè)性化改進(jìn)
1.2.1 ?基于使用者特性的算法個(gè)性化改進(jìn)
首先需依照使用者職業(yè)領(lǐng)域構(gòu)建倒立的職業(yè)領(lǐng)域樹(shù)[7?8]。用[H]表示職業(yè)領(lǐng)域樹(shù)的總層數(shù),即高度。職業(yè)領(lǐng)域[m],[n]在職業(yè)領(lǐng)域樹(shù)內(nèi)最近的公用父類節(jié)點(diǎn)就是二者的最近父類節(jié)點(diǎn),該節(jié)點(diǎn)在職業(yè)領(lǐng)域樹(shù)的高度用[Ha,b]表示,假設(shè)根節(jié)點(diǎn)是職業(yè)領(lǐng)域[m],[n]在職業(yè)領(lǐng)域樹(shù)的最近公用父類節(jié)點(diǎn),則職業(yè)領(lǐng)域[m],[n]的高度為0。若使用者[i]的職業(yè)領(lǐng)域?yàn)閇m],使用者[j]的職業(yè)領(lǐng)域?yàn)閇n],則兩個(gè)使用者在職業(yè)領(lǐng)域特性上的相似度為:
1.2.2 ?基于使用者興趣度的算法個(gè)性化改進(jìn)
隨著時(shí)間變化,使用者的興趣也會(huì)發(fā)生改變,而在短時(shí)間內(nèi),使用者的興趣發(fā)生顯著變化的可能性較小,所以在利用權(quán)重值計(jì)算評(píng)價(jià)得分時(shí)[9],使用者早期的評(píng)價(jià)在推薦過(guò)程中的權(quán)重值要低于近期的評(píng)價(jià)。心理學(xué)家對(duì)不同時(shí)期興趣的變化進(jìn)行研究,結(jié)果表明:時(shí)間變化與興趣改變間存在非線性的關(guān)系[10]。按照時(shí)間[t]使用者對(duì)項(xiàng)目商品評(píng)價(jià)得分權(quán)重值逐步降低,用[Iu,t]表示興趣度隨時(shí)間變化函數(shù),該函數(shù)描述使用者興趣度隨時(shí)間變化的過(guò)程。[Iu,t]作為一個(gè)非線性遞減函數(shù),體現(xiàn)使用者近期評(píng)價(jià)的權(quán)重值大,權(quán)重值范圍用[0,1]描述。
在基于使用者的協(xié)同過(guò)濾推薦算法中引入興趣度隨時(shí)間變化函數(shù)(見(jiàn)式(7)),研究使用者興趣隨時(shí)間改變對(duì)電子商務(wù)推薦系統(tǒng)推薦結(jié)果的影響。
式中:[m]和[n]均為常數(shù);[Qu,i]表示使用者瀏覽項(xiàng)目商品最近和最早時(shí)間的間隔。在調(diào)整使用者興趣度隨時(shí)間變化對(duì)推薦結(jié)果影響的權(quán)重值時(shí),可通過(guò)改變[m]和[n]的值來(lái)實(shí)現(xiàn)。
2 ?實(shí)驗(yàn)分析
2.1 ?項(xiàng)目商品推薦所需時(shí)間對(duì)比
以某電子商務(wù)平臺(tái)為實(shí)驗(yàn)對(duì)象,采用三種不同推薦算法進(jìn)行項(xiàng)目商品推薦。在推薦項(xiàng)目商品一致的條件下,采用不同推薦算法的推薦時(shí)間如圖2所示。
分析圖2得到,在推薦項(xiàng)目商品一致的條件下,采用本文算法推薦項(xiàng)目商品所需的時(shí)間始終低于其他兩種推薦算法。
2.2 ?電子商務(wù)平臺(tái)交易量對(duì)比
針對(duì)第2.1節(jié)實(shí)驗(yàn)中的實(shí)驗(yàn)對(duì)象,采用三種不同推薦算法進(jìn)行項(xiàng)目商品推薦,得到的平臺(tái)交易成功率如圖3所示。分析圖3得到,采用基于關(guān)聯(lián)規(guī)則的推薦算法對(duì)于電子商務(wù)平臺(tái)交易成功率的影響幾乎可忽略不計(jì);而本文算法能夠讓使用者得到更多更符合自身需求的項(xiàng)目商品信息。
3 ?結(jié) ?論
電子商務(wù)平臺(tái)的信息推薦作為提升交易成功率的有效方式,能夠提升推薦效率,促進(jìn)交易量提升。為了提高電子商務(wù)個(gè)性化推薦效果,在基于使用者的協(xié)同過(guò)濾推薦算法的基礎(chǔ)上,從使用者特性和興趣兩方面對(duì)推薦算法進(jìn)行個(gè)性化改進(jìn),提高算法的個(gè)性化推薦效果。研究結(jié)果表明,利用本文算法后,電子商務(wù)推薦系統(tǒng)能夠更好地為使用者提供推薦服務(wù),并提升電子商務(wù)平臺(tái)交易成功率。
參考文獻(xiàn)
[1] 李桃迎,李墨,李鵬輝.基于加權(quán)Slope One的協(xié)同過(guò)濾個(gè)性化推薦算法[J].計(jì)算機(jī)應(yīng)用研究,2017,34(8):2264?2268.
LI Taoying,LI Mo, LI Penghui. Personalized collaborative filtering recommendation algorithm based on weighted Slope One [J]. Application research of computers, 2017, 34(8):2264?2268.
[2] 文俊浩,袁培雷,曾駿,等.基于標(biāo)簽主題的協(xié)同過(guò)濾推薦算法研究[J].計(jì)算機(jī)工程,2017,43(1):247?252.
WEN Junhao, YUAN Peilei, ZENG Jun, et al. Research on collaborative filtering recommendation algorithm based on topic of tags [J]. Computer engineering, 2017, 43(1): 247?252.
[3] 曾群,程曉.基于相似傳播和情景聚類的網(wǎng)絡(luò)協(xié)同過(guò)濾推薦算法研究[J].現(xiàn)代情報(bào),2016,36(11):50?54.
ZENG Qun, CHENG Xiao. The research of network collaborative filtering recommendation algorithm based on similarity propagation and context clustering [J]. Modern information, 2016, 36(11): 50?54.
[4] 王瑞琴,蔣云良,李一嘯,等.一種基于多元社交信任的協(xié)同過(guò)濾推薦算法[J].計(jì)算機(jī)研究與發(fā)展,2016,53(6):1389?1399.
WANG Ruiqin, JIANG Yunliang, LI Yixiao, et al. A collaborative filtering recommendation algorithm based on multiple social trusts [J]. Journal of computer research and development, 2016, 53(6): 1389?1399.
[5] 田保軍,胡培培,杜曉娟,等.Hadoop下基于聚類協(xié)同過(guò)濾推薦算法優(yōu)化的研究[J].計(jì)算機(jī)工程與科學(xué),2016,38(8):1615?1624.
TIAN Baojun, HU Peipei, DU Xiaojuan, et al. Optimization of the collaborative filtering recommendation algorithm based on clustering under Hadoop [J]. Computer engineering and science, 2016, 38(8): 1615?1624.
[6] 王勁松,蔡朝暉,李永凱,等.基于用戶評(píng)分差異性和相關(guān)性的協(xié)同過(guò)濾推薦算法[J].計(jì)算機(jī)科學(xué),2018,45(5):190?195.
WANG Jingsong, CAI Zhaohui, LI Yongkai, et al. Collaborative filtering recommendation algorithm based on difference and correlation of users′ ratings [J]. Computer science, 2018, 45(5): 190?195.
[7] 肖會(huì)敏,張錕,崔春生.基于協(xié)同過(guò)濾的移動(dòng)電子商務(wù)推薦算法[J].系統(tǒng)科學(xué)與數(shù)學(xué),2016,36(8):1265?1274.
XIAO Huimin, ZHANG Kun,CUI Chunsheng. Recommendation algorithms for mobile e?commerce based on collaborative filtering [J]. Journal of systems science and mathematical sciences, 2016, 36(8): 1265?1274.
[8] 張寧,范崇睿,張巖.一種基于RFM模型的新型協(xié)同過(guò)濾個(gè)性化推薦算法[J].電信科學(xué),2015,31(9):103?111.
ZHANG Ning, FAN Chongrui, ZHANG Yan. A novel personalized recommendation algorithm of collaborative filtering based on RFM model [J]. Telecommunications science, 2015, 31(9): 103?111.
[9] 王成,朱志剛,張玉俠,等.基于用戶的協(xié)同過(guò)濾算法的推薦效率和個(gè)性化改進(jìn)[J].小型微型計(jì)算機(jī)系統(tǒng),2016,37(3):428?432.
WANG Cheng, ZHU Zhigang, ZHANG Yuxia, et al. Improvement in recommendation efficiency and personalized of user?based collaborative filtering algorithm [J]. Journal of Chinese computer systems, 2016, 37(3): 428?432.
[10] 鄧娟.用戶興趣變化下的協(xié)同過(guò)濾最優(yōu)推薦仿真[J].計(jì)算機(jī)仿真,2016,33(8):411?414.
DENG Juan. User Interest under the change of the optimal recommended simulation collaborative filtering [J]. Computer simulation, 2016, 33(8): 411?414.