基于專(zhuān)家系統(tǒng)的電子商務(wù)個(gè)性化推薦技術(shù)

羅 亞

（貴州財(cái)經(jīng)大學(xué)，貴陽(yáng) 550004）

0 引言

專(zhuān)家系統(tǒng)與電子商務(wù)個(gè)性化推薦系統(tǒng)之間存在相似之處，從整體上都包括輸入模塊、數(shù)據(jù)處理模塊和輸出模塊，利用專(zhuān)家系統(tǒng)的專(zhuān)家診斷功能可以識(shí)別客戶(hù)、分析客戶(hù)需求，并為客戶(hù)提供推薦結(jié)果，以此解決復(fù)雜的電子商務(wù)個(gè)性化推薦問(wèn)題。

1 電子商務(wù)個(gè)性化推薦系統(tǒng)

個(gè)性化推薦系統(tǒng)是指利用電子商務(wù)網(wǎng)站向客戶(hù)提供商品信息和建議，幫助用戶(hù)決定該購(gòu)買(mǎi)什么產(chǎn)品，模擬銷(xiāo)售人員幫助用戶(hù)完成購(gòu)買(mǎi)過(guò)程。個(gè)性化推薦系統(tǒng)主要分為三個(gè)模塊：用戶(hù)輸入模塊、推薦方法模塊和輸出功能模塊。

關(guān)于個(gè)性化推薦系統(tǒng)的研究主要包括網(wǎng)站系統(tǒng)設(shè)計(jì)、推薦算法設(shè)計(jì)和網(wǎng)絡(luò)購(gòu)物流程設(shè)計(jì)。在這些研究中，主要技術(shù)是協(xié)同推薦技術(shù)、關(guān)聯(lián)推薦技術(shù)和數(shù)據(jù)挖掘技術(shù)，應(yīng)用專(zhuān)家系統(tǒng)推薦技術(shù)的較少。

2 專(zhuān)家診斷的個(gè)性化推薦系統(tǒng)設(shè)計(jì)

科學(xué)技術(shù)的發(fā)展使得專(zhuān)業(yè)化加強(qiáng)，人們的吃穿住用行都有專(zhuān)家進(jìn)行研究，將專(zhuān)家系統(tǒng)引入到電子商務(wù)個(gè)性化推薦中，有利于幫助消費(fèi)者進(jìn)行科學(xué)合理的消費(fèi)決策。

當(dāng)引入專(zhuān)家時(shí)，消費(fèi)者購(gòu)物過(guò)程為：

1）消費(fèi)者表述自己需求特征；

2）專(zhuān)家分析消費(fèi)者需求特征；

3）專(zhuān)家判斷哪些商品可以滿(mǎn)足消費(fèi)者需求；

4專(zhuān)家推薦最適合的商品。

在這套系統(tǒng)中需要靜態(tài)數(shù)據(jù)庫(kù)（規(guī)則、信息）和動(dòng)態(tài)數(shù)據(jù)庫(kù)（用戶(hù)數(shù)據(jù)庫(kù)、商品數(shù)據(jù)庫(kù)），需要

咨詢(xún)子系統(tǒng)、規(guī)則子系統(tǒng)和結(jié)果子系統(tǒng)，設(shè)本文中設(shè)計(jì)的系統(tǒng)名稱(chēng)為MYG，則MYG系統(tǒng)結(jié)構(gòu)圖如圖1所示。

圖1 MYG 電子商務(wù)個(gè)性化推薦系統(tǒng)結(jié)構(gòu)

2.1 咨詢(xún)子系統(tǒng)

在咨詢(xún)過(guò)程中，MYG根據(jù)消費(fèi)者的一般情況，將用戶(hù)信息歸類(lèi)到相應(yīng)的上下文中，所得到的結(jié)果以分層樹(shù)的形式組織數(shù)據(jù)結(jié)構(gòu)，如圖2所示。

每組上下文類(lèi)型都由一組購(gòu)物參數(shù)描述，例如描述Consumer上下文的參數(shù)稱(chēng)為CSM，其中包 括 Name、Age、Sex、Salary等， 描 述 Goods上下文的參數(shù)稱(chēng)為GSM，包括Brand、Number、Size、Weight、Price等。追蹤參數(shù)獲得參數(shù)的值，每一個(gè)值都有一個(gè)從-1到1的可信度，應(yīng)用產(chǎn)生式規(guī)則把專(zhuān)家知識(shí)表示成IF……THEN 語(yǔ)句。

示例規(guī)則1： IF PREMISE ：[$AND (CONSUMER IS FEMALE)

(NOT BOUGHT EVER)

(CONSUMER LIKES RED)

(CONSUMER LIKES SWEET)(CONSUMER LIKES CHEAP)]

THEN ACTION:( SUGGEST GOODS1 TALLY 0.4)

2.2 靜態(tài)數(shù)據(jù)庫(kù)

圖2 MYG數(shù)據(jù)結(jié)構(gòu)圖示例

MYG系統(tǒng)的靜態(tài)數(shù)據(jù)庫(kù)用來(lái)存放所有產(chǎn)生式規(guī)則和所有咨詢(xún)需要的信息，由若干參數(shù)來(lái)描述，這個(gè)數(shù)據(jù)庫(kù)其實(shí)就是專(zhuān)家系統(tǒng)的知識(shí)庫(kù)。

1）規(guī)則特性

每個(gè)規(guī)則都包括四個(gè)特性：

PREMISE 規(guī)則的前提部分；

ACTION 規(guī)則的操作部分；

CATEGORY 規(guī)則按上下文分類(lèi)，每條規(guī)則只能用于某幾個(gè)上下文，以便于調(diào)用；

SELFREF 規(guī)則是否自我引用，如是則為1，否則為0。

2）參數(shù)

對(duì)于每個(gè)參數(shù)，各存一組屬性，以便咨詢(xún)和解釋程序調(diào)用。

MEMBEROF 相應(yīng)參數(shù)組名稱(chēng)

VALUTYPE 參數(shù)類(lèi)型

EXPECT 參數(shù)取值范圍

3）函數(shù)

函數(shù)分為三部分，用于規(guī)則前提部分、知識(shí)表示和用于操作部分。在前提部分，應(yīng)用許多簡(jiǎn)單函數(shù)求關(guān)于消費(fèi)者的值，建立函數(shù)KNOWN（）、SAME（）、THOUGHTOUT（）等，回答真假，判斷參數(shù)是否已知。在知識(shí)表中，利用專(zhuān)門(mén)函數(shù)建立可被規(guī)則前提利用的數(shù)據(jù)結(jié)構(gòu)，建立GRID（）函數(shù)，從動(dòng)態(tài)數(shù)據(jù)庫(kù)檢索可信度最高的值。操作函數(shù)根據(jù)前提規(guī)則計(jì)算值進(jìn)行操作，建立函數(shù)CONCLUDE( )，把用戶(hù)數(shù)據(jù)三元組連同前提可信度存入動(dòng)態(tài)數(shù)據(jù)庫(kù)，再計(jì)算此操作的可信度。

4）上下文特性

上下文特性表示數(shù)據(jù)結(jié)構(gòu)之間的關(guān)系，包括這些特性：

ASSOCWITH 父輩節(jié)點(diǎn)的上下文類(lèi)型。每一種上下文只可能是另一種類(lèi)型上下文的直接后代。

TYPE 某種類(lèi)型上下文詞干

PROPTYPE 參數(shù)分類(lèi)

SUBJECT 用于某類(lèi)上下文規(guī)則的分類(lèi)表

MAINPROPS 跟蹤某種類(lèi)型上下文的參數(shù)表

2.3 動(dòng)態(tài)數(shù)據(jù)庫(kù)

每次咨詢(xún)，動(dòng)態(tài)數(shù)據(jù)庫(kù)都要重新建立一次。動(dòng)態(tài)數(shù)據(jù)庫(kù)都以對(duì)象-屬性-值的三元組形式儲(chǔ)存，其中，值包括三項(xiàng)內(nèi)容， 值、取此值的可信度、參數(shù)被跟蹤次數(shù)。動(dòng)態(tài)數(shù)據(jù)庫(kù)包括消費(fèi)者即用戶(hù)數(shù)據(jù)，動(dòng)態(tài)數(shù)據(jù)即每次咨詢(xún)記錄，商品數(shù)據(jù)以及上下文特性。

1）用戶(hù)數(shù)據(jù)庫(kù)

根據(jù)消費(fèi)者個(gè)人統(tǒng)計(jì)特征， 用戶(hù)屬性包括性別、年齡、行業(yè)、收入、偏好、購(gòu)物經(jīng)歷等信息，建立表1。

表1 用戶(hù)數(shù)據(jù)庫(kù)表

2）商品數(shù)據(jù)庫(kù)

消費(fèi)者在購(gòu)物過(guò)程中最關(guān)注的商品信息包括商品名稱(chēng)、品牌、價(jià)格、尺寸、重量、功能、材料、生產(chǎn)日期、保質(zhì)期、售后服務(wù)、產(chǎn)地等，建立表2。

表2 商品數(shù)據(jù)庫(kù)表

3）隨機(jī)數(shù)據(jù)庫(kù)

隨機(jī)數(shù)據(jù)庫(kù)記錄在咨詢(xún)過(guò)程中產(chǎn)生的參數(shù)及其得到方式，得到方式包括推理獲得、用戶(hù)回答兩種，在回答問(wèn)題時(shí)，要記錄回答問(wèn)題的次序，以進(jìn)行推理和解釋推理。

推理規(guī)則1：?jiǎn)巫C據(jù)模糊推理

消費(fèi)者在咨詢(xún)時(shí)的提問(wèn)和操作都有可信度，根據(jù)主管概率理論，專(zhuān)家的先驗(yàn)概率P(h)反映專(zhuān)家在不出現(xiàn)證據(jù)e的條件下相信假設(shè)h 的程度為P(h|0)，即1-P(h)可認(rèn)為是在此條件下專(zhuān)家不相信該假設(shè)成立的程度。如果P(h|e)大于P(h)，說(shuō)明由于證據(jù)e的出現(xiàn)使專(zhuān)家相信h成立的可能性增加了，或者說(shuō)不相信h成立的可能性減少了。

設(shè)MB為可信度增加量，MD為可信度減少量，則

把MB和MD合為一個(gè)，定義可信度CF為：

當(dāng)有幾種可能的情況時(shí)，為了方便地比較它們的證據(jù)的強(qiáng)度，需要可信度把相信和不相信組合成一個(gè)數(shù)。由于MB和MD的值在0～1之間，所以CF的值在-1～1之間。如果CF大于零，則系統(tǒng)相信成立，反之，則不成立。

推理規(guī)則2：多證據(jù)模糊推理

如果顧客在咨詢(xún)時(shí)，同時(shí)有兩個(gè)或以上的證據(jù)，則推理公式為：

如果肯定地不相信h,則對(duì)h 的相信程度為零；否則，給定兩個(gè)觀(guān)察時(shí)對(duì)h 的相信程度可以是只有一個(gè)證據(jù)時(shí)的相信程度加上由于第二個(gè)證據(jù)所增加的相信程度。為計(jì)算此增加的相信程度首先取可信度與只有第一個(gè)證據(jù)時(shí)的相信程度之差，這個(gè)差是第二個(gè)觀(guān)察所能增加的相信程度的最大值。所以要按第二個(gè)證據(jù)對(duì)h的相信程度進(jìn)行調(diào)節(jié)。這個(gè)公式滿(mǎn)足交換律，即計(jì)算結(jié)果與證據(jù)順序無(wú)關(guān)。

2.4 結(jié)果子系統(tǒng)

MYG系統(tǒng)采用逆向推理過(guò)程。在咨詢(xún)開(kāi)始時(shí)，例示結(jié)構(gòu)樹(shù)中的根節(jié)點(diǎn)，先賦予上下文名稱(chēng)，把這個(gè)上下文加入到結(jié)構(gòu)樹(shù)中，跟蹤這類(lèi)上下文數(shù)據(jù)表中的參數(shù)，如果所有參數(shù)值都已獲得，則咨詢(xún)過(guò)程結(jié)束。

示例規(guī)則2 IF 30歲男性顧客欲購(gòu)買(mǎi)筆記本，年收入3萬(wàn)左右，公務(wù)員

THEN 尋找價(jià)位在3000元左右，品質(zhì)較好，配置適中筆記本

ELSE 推薦上網(wǎng)本

在這個(gè)過(guò)程中，數(shù)據(jù)結(jié)構(gòu)可能為：

為了盡快找到可推薦商品，采用啟發(fā)式搜索算法，尋找由推理規(guī)則得到的可信度最高節(jié)點(diǎn)。設(shè)OPEN為數(shù)據(jù)結(jié)構(gòu)表，s、n、m為節(jié)點(diǎn)，i、j、k為節(jié)點(diǎn)序號(hào)，函數(shù) F( )=CF( )、G( )=MB( )、 H()=MD( )為可信度函數(shù)，F(xiàn)()=G( )-H( )，則：

1）OPEN=(s) F(s)=G(s)-H(s)

2）Loop: IF OPEN=( ) THEN EXIT(FAIL)

3）N=FIRST(OPEN)

4）IF GOAL(n) THEN EXIT(SUCCESS)

5）REMOVE(n,OPEN) ADD(n,CLOSED)

6）EXPAND(n) 到 {mi} 計(jì)算 F(n, mi) =g(n, mi)-h(mi)

7）ADD(mj,OPEN)

8）IF f(n,mk)>f(mk) THEN f(mk)=f(n mk,)

9）IF f(n, mi)>f(mi) THEN f(mi)=f(n, mi)

10）OPEN中節(jié)點(diǎn)按可信度從大到小排列

GO Loop

在推薦顯示結(jié)果中，按 TOP… N序列模式排列， 將可信度最高的商品排列在最前，依次次之,讓消費(fèi)者自行選擇。

3 結(jié)束語(yǔ)

專(zhuān)家系統(tǒng)技術(shù)引入到電子商務(wù)個(gè)性化推薦技術(shù)中，采用啟發(fā)式搜索提高推薦速率，提高了商品成交量。由于專(zhuān)家系統(tǒng)需要應(yīng)用人工智能技術(shù)，可能包含不同于本文的模塊，各模塊的實(shí)現(xiàn)方法也存在多樣性，在這些方面可以開(kāi)展進(jìn)一步研究。

[1] 趙永梅, 基于用戶(hù)瀏覽路徑的協(xié)同過(guò)濾推薦技術(shù)研究[D], 西安建筑科技大學(xué), 2008. 6.

[2] J.Ben Schafer,Joseph Konstan, John Riedl,Recommender Systems in E-Commerce, In ACM.

[3] 韓慧俊, 電子商務(wù)個(gè)性化推薦系統(tǒng)的研究[D]. 上海交通大學(xué), 2007. 1.