農(nóng)產(chǎn)品的個(gè)性化推薦方法研究

劉曉鵬，楊懷卿，楊 華

（山西農(nóng)業(yè)大學(xué)信息科學(xué)與工程學(xué)院，山西 太谷030800）

1 個(gè)性化推薦算法中存在的問(wèn)題

據(jù)研究，目前常用的產(chǎn)品個(gè)性化推薦方法主要包括：基于人口統(tǒng)計(jì)學(xué)推薦算法、基于內(nèi)容推薦算法、協(xié)同過(guò)濾推薦算法等。

基于人口統(tǒng)計(jì)學(xué)推薦算法是將每個(gè)用戶的個(gè)人數(shù)據(jù)進(jìn)行建模，使用人口統(tǒng)計(jì)學(xué)的方法推薦產(chǎn)品存在過(guò)度依賴用戶個(gè)人數(shù)據(jù)，協(xié)同過(guò)濾算法是推薦系統(tǒng)中實(shí)際應(yīng)用較早，推薦效果較高的一種算法。協(xié)同過(guò)濾主要包括：基于用戶的協(xié)同過(guò)濾和基于產(chǎn)品的協(xié)同過(guò)濾算法。

如表1所示，T表示用戶對(duì)產(chǎn)品感興趣，F(xiàn)表示不感興趣，用戶3為目標(biāo)用戶。

表1 基于用戶的協(xié)同過(guò)濾推薦

分析各個(gè)用戶對(duì)產(chǎn)品的感興趣程度。采用基于用戶的協(xié)同過(guò)濾算法進(jìn)行產(chǎn)品推薦時(shí)，存在和基于人口統(tǒng)計(jì)推薦方法一樣的計(jì)算用戶與用戶之間相似的問(wèn)題，且推薦的產(chǎn)品往往是與目標(biāo)用戶有著相同喜好的熱門(mén)產(chǎn)品。

表2 基于產(chǎn)品的協(xié)同過(guò)濾推薦

表2中，T表示用戶對(duì)產(chǎn)品感興趣，F(xiàn)表示不感興趣，用戶3為目標(biāo)用戶。分析各個(gè)用戶對(duì)產(chǎn)品的感興趣程度。使用基于產(chǎn)品的協(xié)同過(guò)濾算法推薦產(chǎn)品，能為用戶推薦感興趣的類似產(chǎn)品，但基于產(chǎn)品的協(xié)同過(guò)濾算法需要分析產(chǎn)品的相似度，不適合用于產(chǎn)品種類更新較快的領(lǐng)域。

2 面向農(nóng)產(chǎn)品的混合協(xié)同過(guò)濾算法

文章將基于內(nèi)容的協(xié)同過(guò)濾算法和基于用戶的協(xié)同過(guò)濾算法進(jìn)行結(jié)合，提出了一種混合協(xié)同過(guò)濾算法。如圖1所示。

圖1 面向農(nóng)產(chǎn)品的混合協(xié)同過(guò)濾算法

如圖1所示，根據(jù)Top-N和Top-M生成策略分析出候選項(xiàng)后需要經(jīng)過(guò)產(chǎn)品選擇策略和替補(bǔ)策略共同決定推薦給目標(biāo)用戶的最終產(chǎn)品列表。

由于可供用戶選擇的農(nóng)產(chǎn)品種類較多，產(chǎn)品推薦首先要考慮按類別對(duì)用戶進(jìn)行推薦。其次，可以通過(guò)用戶對(duì)某些產(chǎn)品的關(guān)注程度。因此，文章選擇基于產(chǎn)品類別的點(diǎn)擊率衡量方法作為產(chǎn)品選擇的基礎(chǔ)策略。整理Top-N和Top-M策略生成的候選項(xiàng)，去除掉候選項(xiàng)中重復(fù)的產(chǎn)品。系統(tǒng)根據(jù)用戶對(duì)兩種生成策略推薦的產(chǎn)品的點(diǎn)擊量對(duì)兩種生成策略加權(quán)，來(lái)判斷將哪種策略推薦的產(chǎn)品反饋給用戶。

Top-N和Top-M策略生成候選項(xiàng)需要使用用戶歷史數(shù)據(jù)，當(dāng)用戶的歷史數(shù)據(jù)較少時(shí)或是注冊(cè)的新用戶沒(méi)有歷史數(shù)據(jù)，推薦算法將產(chǎn)生冷啟動(dòng)問(wèn)題。為了避免冷啟動(dòng)問(wèn)題，系統(tǒng)將平臺(tái)熱門(mén)產(chǎn)品或銷量較高的產(chǎn)品作為候補(bǔ)推薦項(xiàng)推薦給用戶。待用戶的歷史數(shù)據(jù)能夠支持生產(chǎn)策略，系統(tǒng)再按照產(chǎn)品選擇策略對(duì)用戶進(jìn)行推薦。

3 面向農(nóng)產(chǎn)品的個(gè)性化推薦方法實(shí)現(xiàn)

農(nóng)產(chǎn)品個(gè)性化推薦的實(shí)現(xiàn)包括對(duì)用戶歷史瀏覽、購(gòu)買、評(píng)分等數(shù)據(jù)的采集，將獲取的數(shù)據(jù)通過(guò)推薦算法進(jìn)行分析得到產(chǎn)品候選項(xiàng)，對(duì)產(chǎn)品候選項(xiàng)進(jìn)行重復(fù)過(guò)濾和冷問(wèn)題替補(bǔ)得到最終產(chǎn)品推薦列表，將產(chǎn)品列表反饋給目標(biāo)用戶。具體流程如圖2所示。

圖2 面向農(nóng)產(chǎn)品的個(gè)性化推薦架構(gòu)

3.1 用戶數(shù)據(jù)采集

系統(tǒng)采用的混合協(xié)同過(guò)濾方法主要是對(duì)用戶的歷史行為數(shù)據(jù)進(jìn)行分析。進(jìn)行數(shù)據(jù)分析之前，需要將用戶的歷史記錄進(jìn)行數(shù)據(jù)化表示。用瀏覽的網(wǎng)址、瀏覽該網(wǎng)址的用戶ID、瀏覽時(shí)間等具體數(shù)據(jù)的集合來(lái)描述瀏覽記錄。用購(gòu)買產(chǎn)品的網(wǎng)址、購(gòu)買產(chǎn)品的用戶ID、購(gòu)買時(shí)間等具體數(shù)據(jù)的集合來(lái)描述購(gòu)買記錄。用產(chǎn)品ID、用戶ID、評(píng)分等級(jí)、評(píng)價(jià)等具體數(shù)據(jù)的集合來(lái)描述用戶評(píng)分行為。用戶通過(guò)網(wǎng)頁(yè)提交表單，系統(tǒng)將用戶輸入的評(píng)分、評(píng)價(jià)轉(zhuǎn)換成字符串存儲(chǔ)至數(shù)據(jù)庫(kù)中，可從數(shù)據(jù)庫(kù)中獲取該信息。

3.2 產(chǎn)品候選推薦和產(chǎn)品過(guò)濾

產(chǎn)品候選推薦的好壞關(guān)系到個(gè)性化產(chǎn)品推薦的準(zhǔn)確性和有效性，是產(chǎn)品推薦模塊的核心部分。

首先獲取用戶歷史行為數(shù)據(jù)，通過(guò)Top-N和Top-M兩種策略生成Top-（N+M）種候選項(xiàng)，候選項(xiàng)集合作為推薦的初步結(jié)果。接著對(duì)候選項(xiàng)集合進(jìn)行遍歷，將不適合性較高的產(chǎn)品去除掉。當(dāng)用戶歷史行為數(shù)據(jù)過(guò)少時(shí)，產(chǎn)生用戶推薦點(diǎn)擊率產(chǎn)品作為替補(bǔ)加入候選項(xiàng)中。

3.3 產(chǎn)品推薦應(yīng)用

產(chǎn)品的推薦應(yīng)用既要合理、高效的利用系統(tǒng)頁(yè)面，又要適度、有效的展示給用戶。

推薦產(chǎn)品的展示應(yīng)該高度滿足用戶對(duì)產(chǎn)品主要信息需求。因此，在設(shè)計(jì)農(nóng)產(chǎn)品推薦應(yīng)用模塊時(shí)要充分掌握用戶對(duì)哪類農(nóng)產(chǎn)品的什么數(shù)據(jù)比較關(guān)注。充分理解使用者的購(gòu)買心理，將消費(fèi)者關(guān)注的信息以明顯的方式向用戶展示。為了提高個(gè)性化推薦的效率，合理部署、安排推薦列表在系統(tǒng)頁(yè)面的位置能大大提高用戶的關(guān)注度。

農(nóng)產(chǎn)品電商平臺(tái)的主頁(yè)是每個(gè)用戶登錄后跳轉(zhuǎn)的第一個(gè)頁(yè)面，將推薦列表設(shè)置在主頁(yè)顯眼的位置能第一時(shí)間吸引到用戶關(guān)注。當(dāng)用戶通過(guò)賬號(hào)登錄到系統(tǒng)主頁(yè)時(shí)，系統(tǒng)通過(guò)獲取用戶唯一標(biāo)識(shí)用戶ID字段，將該字段的用戶定位為推薦目標(biāo)用戶并獲取該ID在數(shù)據(jù)庫(kù)中存儲(chǔ)的信息數(shù)據(jù)，將這些信息傳輸至推薦信息數(shù)據(jù)庫(kù)來(lái)進(jìn)行推薦分析。

4 結(jié)論

文章分析了幾種常見(jiàn)的推薦方法存在的缺陷，根據(jù)其存在的弊端，改進(jìn)了傳統(tǒng)協(xié)同過(guò)濾算法從而提出了一種適合面向農(nóng)產(chǎn)品的個(gè)性化推薦算法。最后，通過(guò)農(nóng)產(chǎn)品推薦的效果對(duì)改進(jìn)的算法進(jìn)行了測(cè)試與分析，證實(shí)了該推薦算法對(duì)農(nóng)產(chǎn)品個(gè)性化推薦效果較好。