個性化推薦系統(tǒng)在電子商務(wù)網(wǎng)站中的應(yīng)用研究

王星

一、引言

隨著Internet的普及，信息爆炸時代接踵而至，海量的信息同時呈現(xiàn)，使用戶難以從中發(fā)現(xiàn)自己感興趣的部分，甚至也使得大量幾乎無人問津的信息稱為網(wǎng)絡(luò)總的“暗信息”無法被一般用戶獲取。同樣，隨著電子商務(wù)迅猛發(fā)展，網(wǎng)站在為用戶提供越來越多選擇的同時，其結(jié)構(gòu)也變得更加復雜，用戶經(jīng)常會迷失在大量的商品信息空間中，無法順利找到自己需要的商品。

個性化推薦，被認為是當前解決信息超載問題最有效的工具之一.推薦問題從根本上說就是從用戶的角度出發(fā)，代替用戶去評估其從未看過的產(chǎn)品，使用戶不只是被動的網(wǎng)頁瀏覽者，而成為主動參與者。準確、高效的推薦系統(tǒng)可以挖掘用戶的偏好和需求，從而成為發(fā)現(xiàn)用戶潛在的消費傾向，為其提供個性化服務(wù)。

二、個性化推薦系統(tǒng)概述

個性化推薦系統(tǒng)是指根據(jù)用戶的興趣特點和購買行為，向用戶推薦用戶感興趣的信息和商品。它是建立在海量數(shù)據(jù)挖掘基礎(chǔ)上的一種高級商務(wù)智能平臺，以幫助電子商務(wù)網(wǎng)站為其顧客購物提供完全個性化的決策支持和信息服務(wù)。購物網(wǎng)站的推薦系統(tǒng)為客戶推薦商品，自動完成個性化選擇商品的過程，滿足客戶的個性化需求。

2000年，我國正式開始了個性化推薦的研究，清華大學的陸海明等提出了基于Agent多混合智能實現(xiàn)個性化推薦；2001年清華大學的馮翱等人提出了基于Agent的個性化信息過濾系統(tǒng)Open Bookmark；南京大學的潘金貴等人設(shè)計并實現(xiàn)了個性化信息搜集智能體DOLTRL-Agent。近幾年來，個性化信息推薦服務(wù)逐漸從理論走向?qū)嵺`，從探索走向完善，逐步成為商業(yè)界的焦點。

三、常用的個性化推薦系統(tǒng)算法分析

下面對常用的個性化推薦系統(tǒng)的算法進行簡要的分析。根據(jù)算法的不同，當前已有的個性化推薦系統(tǒng)大致可以分為以下幾類：基于規(guī)則的推薦系統(tǒng)；基于內(nèi)容的推薦系統(tǒng)；協(xié)同過濾系統(tǒng)；基于用戶-產(chǎn)品二部圖網(wǎng)絡(luò)結(jié)構(gòu)的推薦系統(tǒng)；以及混合式推薦系統(tǒng)。

1、基于規(guī)則（Rule-based）的推薦系統(tǒng)

關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘領(lǐng)域的一個重要分支。對于基于關(guān)聯(lián)規(guī)則的推薦算法來說，其作用機理就是：首先統(tǒng)計得到挖掘出的規(guī)則前件，然后針對目標客戶的歷史購買行為，向顧客推薦規(guī)則后件。該算法的優(yōu)點是容易理解，研究基礎(chǔ)廣泛且成熟，支持其實現(xiàn)的軟件豐富，有較好的實踐條件；缺點是隨著事務(wù)的增多，規(guī)則的發(fā)現(xiàn)將非常耗時，并且規(guī)則難以解釋。

2、基于內(nèi)容（Content-based）的推薦系統(tǒng)

基于內(nèi)容的推薦起源于信息檢索領(lǐng)域，它利用資源和用戶興趣的相似性來過濾信息。首先分析項目的內(nèi)容，根據(jù)用戶評價過的項目建立用戶的興趣模型，即用戶描述文件。根據(jù)用戶描述文件的不同又可以分為基于向量空間模型的推薦、基于關(guān)鍵詞分類的推薦、基于領(lǐng)域分類的推薦和基于潛在語義索引的推薦。

基于內(nèi)容的算法的優(yōu)點是直接、簡單，推薦結(jié)果易于解釋。但也存在一定的局限：首先，特征提取能力有限，它僅適用于產(chǎn)品特征容易抽取的領(lǐng)域，當項目特征很難被一組關(guān)鍵詞來清晰描述時，基于內(nèi)容的推薦算法就顯得蒼白無力了。

3、協(xié)同過濾（Collaborative filtering）系統(tǒng)

協(xié)同過濾是目前應(yīng)用研究的最為廣泛最成熟的個性化推薦技術(shù)。主要分為基于用戶的協(xié)同過濾系統(tǒng)和基于項目的協(xié)同過濾系統(tǒng)。其核心思想是：首先，基于系統(tǒng)中已有評分數(shù)據(jù)，計算給定用戶（或項目）之間的相似性；然后根據(jù)計算得到的相似性，尋找目標用戶（或項目）的最近鄰居集合；最后使用最近鄰居集合中的用戶（或項目）的評分情況來預測目標用戶對目標項目的評分值。

協(xié)同過濾的推薦系統(tǒng)主要優(yōu)點有：

（1）對內(nèi)容信息不易抽取的項目能產(chǎn)生完全自動化的推薦；

（2）能根據(jù)項目的質(zhì)量和用戶的品味產(chǎn)生推薦；

（3）能為用戶發(fā)現(xiàn)新的興趣。當然，協(xié)同過濾推薦系統(tǒng)也存在一些弊端：

（1）數(shù)據(jù)稀疏性問題，這也是協(xié)同過濾系統(tǒng)目前存在的最普遍的問題。

（2）冷啟動問題，當一個新項目剛加入系統(tǒng)的時候，由于沒有任何用戶對它進行過評分，該項目便無法得到推薦。

（3）同一性問題，對于名稱不同本質(zhì)相同的項目，協(xié)同過濾無法發(fā)現(xiàn)潛在的聯(lián)系；

（4）擴展性問題，隨著系統(tǒng)中項目和用戶數(shù)量的增多數(shù)據(jù)庫將變得非常龐大，為用戶產(chǎn)生推薦的精度和實時性都因此而降低。

4、基于用戶-產(chǎn)品二部圖網(wǎng)絡(luò)結(jié)構(gòu)（Network-based）的推薦系統(tǒng)

基于網(wǎng)絡(luò)結(jié)構(gòu)的推薦算法不考慮用戶和產(chǎn)品的內(nèi)容特征，而僅僅把它們看成抽象的節(jié)點，所有算法利用的信息都藏在用戶和產(chǎn)品的選擇關(guān)系之中.分別利用用戶一產(chǎn)品用二部分圖建立用戶—產(chǎn)品關(guān)聯(lián)關(guān)系，并據(jù)此就提出了基于網(wǎng)絡(luò)結(jié)構(gòu)的推薦算法。其中，提出了一種全新的基予資源分配的算法，通過在協(xié)同過濾算法中引入二部分圖上的擴散動力學，部分解決了數(shù)據(jù)稀疏性的問題。

5、混合式（Hybrid）推薦系統(tǒng)

基于規(guī)則的、基于內(nèi)容的以及協(xié)同過濾的推薦算法由于自身的特點，在實際應(yīng)用中都存在一些缺陷，因此就提出了把多種不同算法結(jié)合起來形成混合算法的解決方案。

四、個性化推薦系統(tǒng)對電子商務(wù)網(wǎng)站的意義

個性化推薦系統(tǒng)作為一種電子商務(wù)服務(wù)，是網(wǎng)絡(luò)營銷的重要手段。據(jù)VentureBeat統(tǒng)計，Amazon的推薦系統(tǒng)為其提供了35%的商品銷售額。個性化推薦系統(tǒng)能夠有效地留住顧客、防止顧客流失，提高銷售額，因此受到越來越多的關(guān)注。綜合來看，個性化推薦系統(tǒng)對電子商務(wù)網(wǎng)站的意義，主要可以概括為以下幾點：

1、把網(wǎng)站瀏覽者轉(zhuǎn)變?yōu)橘徺I者

有些用戶瀏覽網(wǎng)站并非有有購買目的，如果網(wǎng)站通過個性化推薦系統(tǒng)對其進行推薦，有可能使顧客形成購物沖動，從而促進銷售。

2、提高電子商務(wù)網(wǎng)站的交叉銷售能力

個性化推薦系統(tǒng)可以發(fā)現(xiàn)顧客所購買商品之間存在的內(nèi)在關(guān)聯(lián)，網(wǎng)站可以根據(jù)推薦算法的輸出結(jié)果，對相關(guān)商品進行組合推薦、捆綁銷售等，從而促進銷售。

3、提高顧客對電子商務(wù)網(wǎng)站的忠誠度

個性化推薦系統(tǒng)可以讓顧客受困于海量的信息當中，因此適當?shù)氖褂脗€性化推薦系統(tǒng)對顧客進行商品信息推送可以提高顧客的購物舒適度和滿意度，從而提高顧客的忠誠度。

4、優(yōu)化電子商務(wù)網(wǎng)站

根據(jù)Web日志數(shù)據(jù)分析用戶的行為模式，推薦超連接列表，或者動態(tài)地生成可能的網(wǎng)頁超鏈接。盡可能迎合每個用戶的瀏覽興趣并且不斷調(diào)整網(wǎng)站鏈接結(jié)構(gòu)適應(yīng)用戶瀏覽興趣的變化，使每個用戶在瀏覽網(wǎng)站時都有該網(wǎng)站的唯一用戶的感覺。

五、結(jié)語

網(wǎng)絡(luò)交易量不斷增長的時代，已經(jīng)出現(xiàn)了很多實用的個性化推薦系統(tǒng)。它能夠利用顧客期望的產(chǎn)品單、購物車、顧客提交的評價以及購買記錄等，為顧客推薦適合的產(chǎn)品，提供多項推薦服務(wù)。本文簡單介紹了幾類基于不同推薦算法的推薦系統(tǒng).雖然這些推薦系統(tǒng)都已經(jīng)投入應(yīng)用，并且取得了可觀的經(jīng)濟效益，然而，這些系統(tǒng)都面臨著許多問題，需要從理論和應(yīng)用角度進行深入的研究。（作者單位：山西省運城市廣播電視臺）

參考文獻

[1]張靖.網(wǎng)絡(luò)個性化服務(wù)資源綜合推薦研究[J].計算機仿真.2009.26（11）：157-165）

[2]劉建國，周濤，汪秉宏.個性化推薦系統(tǒng)的研究進展[J].自然科學進展.2009.19（1）：1-15

[3]李智琦，陳世穎，楊怡凝.基于數(shù)據(jù)挖掘的個性化推薦在SNS中的應(yīng)用[J].電腦知識與技術(shù).Vol.7，No.28，October 2011.

[4]曾春，邢春曉，周立柱.個性化服務(wù)技術(shù)綜述[J].軟件學報.2002.13（10）：1592-1561

[5]吳麗花，劉魯.個性化推薦系統(tǒng)用戶建模技術(shù)綜述[J]，情報學報，2006，25：55-62

[6]王茜，楊莉云，楊德禮，面向用戶偏好的屬性值評分分布協(xié)同過濾算法[J]，系統(tǒng)工程學報，2010.04

[7]Lin Hongfei，et al Text Browsing Based on Latent Semantic Indexing[J]. Joural of Chinese Information Processing， 2000， 14（5）：241-245.

[8]B Leite ，et al.C2：：A Collaborative Recommendation System Based on Modal Symbolic User Profile [C]. Proceedings of the 2006 IEEE/WIC/ACM International Conference on Web Intelligence. 2006： 673-679

[9]余力.電子商務(wù)個性化——理論、方法與應(yīng)用[M].清華大學出版社.2007