基于協同過濾的電子商務推薦系統建模研究

［摘 要］ 電子商務個性化推薦系統是客戶關系管理的重要內容。在分析現有電子商務推薦系統不足的基礎上，設計一種基于協同過濾的智能商務推薦系統。為客戶快捷便利地尋找到所需的商品信息，推薦合理的商品，實現客戶與商家的共贏。

［關鍵詞］ 電子商務；推薦系統；協同過濾

［中圖分類號］F724.6［文獻標識碼］A［文章編號］1673-0194（2008）21-0096-03

1 引 言

隨著電子商務的蓬勃發展，各大電子商務都在不斷推出各種商品， 電子商務網站為用戶提供的商品也越來越多，以滿足龐大客戶群的不同需求。然而，面對如此龐大而又需求迥異的客戶群，如何定位新產品的目標市場并據此進行更有效的市場營銷活動，同時提高服務效率和客戶滿意度，是電子商務著重關注的問題。電子商務將面臨前所未有的嚴峻考驗。

在這種情況下，電子商務個性化推薦系統應運而生，它是根據用戶的興趣愛好，推薦符合用戶興趣愛好的產品，幫助用戶找到所需的商品。推薦系統作為能夠較好實現個性化服務的工具，不僅在科技文獻檢索等領域應用甚廣，也同樣可以引入電子商務系統，根據電子商務商品的特點，實現在線產品推薦，既可有效降低產品推廣成本，增大產品推薦成功率，同時還可以實現個性化服務，提高客戶滿意度。有研究表明，在基于電子商務的銷售行業使用個性化推薦系統后，企業的銷售額將提高2%~8%［1］。

2 推薦系統與推薦算法簡介

電子商務推薦系統的定義為：“利用電子商務網站向客戶提供商品信息和建議，幫助用戶決定購買什么產品，模擬銷售人員幫助客戶完成購買過程”［1］。

推薦系統在電子商務活動中的作用包括［2］：

（1）幫助用戶檢索有用信息。

（2）促進交叉銷售和向上銷售（提供客戶所追求的更好的商品或服務） 。

（3）提供個性化服務。

（4）提高客戶忠誠度。

2. 1協同過濾推薦算法

協同過濾技術是目前電子商務網站使用較多的一種推薦系統技術，它不需要分析項目內容，因為系統可以根據與使用者有相同興趣的社群成員曾利用的信息服務來作推薦；也就是說，它是依據其他成員的意見來為其目標用戶推薦產品，因此推薦的產品可能與使用者從前的愛好大不相同，但是卻能挖掘出用戶的潛在需要，甚至是將瀏覽者變為服務利用者。協同過濾的優勢是可以推薦新異商品，進行興趣的發現，它不需要領域知識，能進行跨類型推薦，自適應比較好，自動化程度也比較高［3］。

由于電子商務產品分類較明顯，且用戶經常會對特定的一些商品感興趣，因此本模型中采用基于項目的協同過濾推薦算法。Item - based協同過濾算法是根據計算目標項目和已評價項目的相似性，已相似度作為權重加權各已評價項目的評分得到預測項目預測值。它基于這樣一個假設［4］：如果用戶對一些項目的評分比較相似，則他們對其他項目的評分也比較相似，即一個用戶將更會喜歡那些和他已經購買的項目相似的項目。相應的，Ｉｔｅｍ － ｂａｓｅｄ協同過濾推薦算法可以劃分為如下3個階段：

（1）數據表示：對用戶已經購買過的商品進行建模，從而可以有效度量項目之間的相似性。

（2）最近鄰查詢：搜索項目的最近鄰居。

（3）推薦產生：根據最近鄰居對給定項目上的評分值，預測對給定項目評分的預測，產生ｔｏｐ － Ｎ商品推薦。

2. 2協同過濾推薦算法面臨的主要問題

隨著系統中用戶數目和商品數目的日益增加，系統結構、內容的復雜度日漸增強，推薦算法也面臨一系列挑戰:

（1）最初評價問題［5］：在協同過濾早期，系統中幾乎沒有任何用戶相關的評價信息，或是用戶的評價信息很少，那么在這個時候，由于系統沒有包含足夠的用戶偏好信息，無法形成鄰居群，因此就無法進行推薦。

（2）用戶評分數據的極端稀疏性：隨著系統規模的擴大，用戶數目和項數目指數級增長，導致用戶評分數據極端稀疏。在用戶評分數據極端稀疏的情況下，協同過濾推薦算法無法對某些用戶產生任何推薦。同時，推薦算法的推薦精度也顯著下降。

（3）推薦算法的伸縮能力和實時性要求：最近鄰搜索的時間代價隨著用戶數量和項目數量的增加而急劇增加。推薦算法的推薦精度和伸縮能力是一對矛盾。一般而言，推薦算法產生推薦的時間越少，算法的伸縮能力越強，但其推薦精度越低。

（4）可擴展性：系統中用戶的增長和內容的大量增加帶來的計算代價的復雜度不是線性的，很難滿足基于Ｗｅｂ的推薦系統的實時性要求。

設計推薦算法需要同時考慮上述因素，在推薦算法的具體設計和實現上，以協同過濾技術為主，結合其他數據挖掘技術克服其缺陷，為用戶提供實時且精確的推薦。

3 電子商務推薦系統建模

3． 1用戶興趣信息的收集

通常的推薦系統都是建立在Ｂ/Ｓ模式下基于用戶行為產生的具有針對性的信息推送系統，典型如基于Ｉｎｔｅｒｎｅｔ的各大電子商務網站，根據用戶點擊行為推測用戶偏好，從而在用戶瀏覽的過程中直接進行產品推薦服務。因此基于Ｉｎｔｅｒｎｅｔ的推薦系統一般會根據用戶的瀏覽歷史、點擊行為以及購買記錄等來推測用戶行為和偏好，對于電子商務商品推薦而言，點擊、瀏覽等事件的發生相對較多，因此，客戶偏好的獲取一般包括兩種方式：①用戶主動描述：用戶主動描述是根據客戶本身的屬性：包括客戶的年齡、身份、婚姻狀況、所處行業、所任職位等，可以據此推測客戶可能產生的一些需求，從而及時為客戶提供服務。例如，適婚年齡的人很可能需要住房貸款、汽車貸款，有到了上大學年齡孩子的家庭很可能需要助學貸款。②用戶行為學習：用戶行為學習則是從用戶以前訪問過的文檔集合以及訪問路徑中學習用戶的興趣特征。例如，客戶購買產品的刷卡記錄盡管不包括購買產品的具體種類、名稱，但是卻清楚地記錄著客戶刷卡的地點和金額，由此可以在一定程度上推測用戶的類型，及其消費水平和消費偏好。

綜上所述，因為電子商務推薦系統產生的推薦結果需要直接傳遞到客戶手中，所以電子商務推薦系統在系統架構上要充分考慮上述因素，以協同過濾算法為主，為了克服協同過濾技術的缺陷，同時選擇合適的數據挖掘算法，以起到協助滿足客戶需求、更好地為客戶服務、發掘潛在客戶的作用。

3. 2基于協同過濾的電子商務推薦系統建模

電子商務推薦系統的基本功能為：分析顧客以往的行為，建立表示顧客行為的模型，并利用模型模擬商店銷售人員向用戶提供商品推薦，幫助用戶找到所需商品，從而順利完成購買過程。由此，要完成商品推薦，推薦系統需要知道用戶的興趣、偏好和訪問模式等信息。而在電子商務環境下，一方面商品的種類、數量會不斷地變化，另一方面用戶的興趣、瀏覽行為也是動態變化的。因此，電子商務推薦系統要具有較強的自適應性。本文基于協同過濾和數據挖掘的思想，構建基于協同過濾的電子商務系統如圖1所示。

本系統由用戶偏好信息庫、數據轉換模塊、用戶對項目評價信息庫、數據挖掘技術模塊、協同過濾技術模塊和生成推薦列表模塊組成，其功能描述如下：

（1）用戶偏好信息庫：用戶偏好信息庫是實現推薦系統的一個重要數據源，它自動記錄了顧客在購買過程中對網站的所有的瀏覽行為。包括以下信息：ＩＰ地址、請求時間、被請求文件的ＵＲＬ、ＨＴＴＰ版本號、返回碼和代理等。它定期地對Wｅｂ服務器中的日志文件的內容進行采集和處理，更新用戶興趣信息庫的內容，供數據轉換模塊使用。

（2）數據轉換模塊：負責從用戶偏好信息庫中提取、分解、合并相關的數據，并進行格式轉換，建立和維護數據集市、供數據挖掘算法模塊使用，為實現推薦任務提供必要的數據。

（3）數據挖掘技術模塊：根據顧客的需求、顧客偏好、產品關聯規則，并采用關聯規則算法對顧客購買行為或訪問行為的分析，為顧客提供個性化的產品推薦列表。

（4）用戶對項目評價信息庫：它記錄了顧客在購買過程中對已購買商品的評價值，形成用戶/項目評價矩陣，通常可以表示為一個m×n的矩陣，即項目評估矩陣Ｒ，ｍ為用戶數，n是項數，rij是第i個用戶對第j項的評估數值，如表1所示。

（5）協同過濾技術模塊:自主地接收用戶對項目評價信息庫的數據，利用協同過濾算法尋找與目標用戶有相同喜好的鄰居，然后根據目標用戶的鄰居的偏好產生向目標客戶的推薦，產生推薦列表。

（6）生成推薦列表模塊：為了提高推薦系統的推薦精度，本文將協同過濾技術和數據挖掘技術相結合，且以協同過濾技術為主，數據挖掘技術為輔。此模塊主要任務是接收協同過濾技術模塊和數據挖掘技術模塊產生的推薦列表，并將推薦列表以Web頁面和電子郵件的形式推薦給顧客。

3. 3推薦系統工作流程

當用戶登錄電子商務網站時，推薦系統會識別客戶的身份信息（會員、游客）、訪問序列等信息，將用戶的標志信息和推薦請求傳遞給用戶偏好信息庫和用戶對項目評價信息庫。①如果是未注冊的普通用戶，則系統還沒有用戶的有關信息，因而用戶偏好信息庫將收集顧客的基本特征及偏好信息，得到有關的用戶信息后，存儲在用戶偏好信息庫中。②如果用戶為注冊用戶，則系統中已存儲顧客的購買行為、偏好等信息，從而數據挖掘模塊和協同過濾模塊會根據用戶的推薦歷史信息、購買行為等信息，分別采用協同過濾算法和關聯規則算法協同為顧客進行推薦服務。為了解決新商品推出時， 協同過濾算法中的冷起動將導致推薦系統不能推薦新商品的問題，本文采用關聯規則算法，根據產品屬性先將其進行類別匹配，然后根據同類商品的目標客戶，確定該新產品的目標客戶； 另一方面可以根據不同商品交易歷史進行產品組合分析，從而進一步提高推薦精度。

用戶偏好信息庫和用戶對項目評價信息庫隨時監聽用戶信息的變化或數據倉庫中顧客行為數據的變化，追蹤客戶偏好的變化，及時地更新客戶的個人偏好信息，以使推薦系統的推薦結果能真實地反映用戶最新的偏好。

4 結束語

在當今電子商務飛速發展的過程中，設計與開發個性化推薦系統對提高電子商務的效率具有十分重要的價值。利用推薦系統，電子商務網站一方面可以在現有客戶中及時發現其他產品的潛在客戶，有效地進行一對一營銷，當客戶屬性發生變化時，也可以及時發現其新的需求，主動服務，同時可以根據現有客戶屬性，尋找市場上具有相似需求的客戶，積極開拓新市場;另一方面，根據客戶需求進行進一步的市場細分，有針對性地推出更能滿足客戶需求的新商品，實現客戶與商家雙贏。

主要參考文獻

[1] P Resnick，N R Varian. Recommender System[J]. Communication of the ACM，1997，40 (3): 56-58.

[2] J B Schafer，J A Kosntan，I J Ried. E-commerce Recommendation Application[J]. Data Mining and Knowledge Discovery，2001，10(8):68-70.

[3] 黎星星. 電子商務推薦系統研究[J]. 計算機工程與科學，2004，26(5):7-10.

[4] B Swawar，G Karypis，J Konstan，et al. Item-based Collaborative Filtering Recommendation Algorithms[C]// Proceedings of the Tenth International World Wide Web Conference，2001:283-295.

[5] J L Herlocker，J A Konstan，L G Terveen. Evaluating Collaborative Filtering Recommendation System[J]. ACM Trans actions on Information System，2004，22(1):5-53.