電子商務推薦系統課程研究

張春霽

摘要：為更好地改進電子推薦系統課程教學，本文從影響電子商務推薦質量與效率的三個主要問題：完整的基礎評價數據、準確的推薦方法及適宜的計算復雜度展開評述，對目前國內外參考文獻進行梳理，闡述了針對這三個問題的目前研究現狀及對策，并進行了評析，同時指出了電子商務推薦的進一步發展方向，為該課程的教學提供了更好的支撐。

關鍵詞：電子商務推薦課程；基于內容推薦；協同過濾推薦；計算復雜度

中圖分類號：G642.0 文獻標志碼：A 文章編號：1674-9324（2014）11-0160-02

電子商務推薦系統課程教學中，推薦瓶頸問題是教學中的一個難點，為此本文對推薦的瓶頸問題展開綜述。在這個過程中基礎評價數據是否完整將影響到推薦系統是否能準確地獲取用戶購物偏好，推薦方法是否準確將會影響推薦質量與精度，基礎評價數據的分析處理及推薦方法的計算復雜度將會影響推薦系統的推薦效率和系統的擴展性。

一、基礎評價數據的完整性研究現狀

推薦系統的基礎評價數據可分為顯性數據和隱性數據。顯性數據主要包括：用戶注冊信息、用戶對產品的顯性評分、用戶歷史交易記錄、用戶評論、產品關鍵字屬性等。隱性數據一般指通過Web數據挖掘技術獲得的數據，完整的基礎數據可以使推薦系統更準確地獲取用戶購物偏好，從而提高推薦的準確性。為保證數據完整性，國內外學者通常采用數據補值和數據預測兩種處理方法。常見的數據補值方法有：Pazzani提出使用用戶個人社會屬性信息對基礎數據進行補值，但是這種方法有可能會侵犯到個人社會信息的隱私。K.W.Cheung提出應用Web數據挖掘對服務器日志進行數據分析，并在此基礎上提出了一種基于隱性評價數據的推薦方法，在此基礎上，李曉昀等提出了一種隱性數據的分析處理方法，詳細闡述建立用戶興趣模型的過程。D.R.Liu and Y.Y.Shih提出由RFM（最近購買時間，購買頻率，購買金額）指標來度量的客戶終身價值（CLV）可以讓商家發現更有價值的客戶，進而提出一種基于客戶終身價值的推薦方法。常見的數據預測處理方法有：鄧愛林等提出根據產品之間的相似性來預測用戶對未評價產品的評價值。陳逸、于洪進一步提出了相同評分矩陣的概念。M K Kavitha Devi提出對相似評分用戶進行預聚類，基于聚類簇內用戶的相似性對用戶未評分數據進行預測。

二、推薦方法研究現狀

在保證基礎數據完整的同時，推薦系統推薦質量的關鍵在于是否采用了合理的推薦方法。推薦系統的主流推薦方法分為：基于內容的推薦、協同過濾推薦、混合推薦算法、其他推薦算法等。

1.基于內容推薦系統的研究。基于內容的推薦通過分析并獲取用戶感興趣產品的特征作為用戶的購物偏好，通過用戶特征偏好與產品特征的匹配程度，以實施推薦。孟憲福，陳莉提出采用貝葉斯理論對產品特征和用戶興趣特征進行提取與表示，取得了較好的推薦效果。基于內容的推薦目前遇到的最大挑戰有兩個：一是只能為用戶發現與用戶原有興趣特征相匹配項目作推薦；二是如何對產品與用戶興趣特征進行更準確的提取。基于內容的推薦需要準確的用戶模板來描述用戶的偏好，否則推薦可能與用戶的興趣根本不相關，所以資源特征的提取與表示及用戶偏好特征的提取與表示一直是其進一步發展的瓶頸。

2.基于協同過濾推薦系統的研究。協同過濾推薦方法最早由Goldberg提出，其基本思想我們往往會利用好朋友的推薦來進行一些選擇。即在具有相似購物偏好的用戶之間進行交叉推薦。目前經典的協同過濾推薦算法有兩種：一種為基于內存的協同過濾（memory-based collaborative filtering），另一種為基于模型的協同過濾（model-based collaborative filtering），其中神經網絡技術、潛在語義檢索（latent semantic indexing）和貝葉斯網絡技術（bayesian networks）等是此類方法的典型代表，Breese認為基于內存的協同推薦比基于模型的協同推薦具有更好的推薦精度但計算復雜度要差很多。針對此問題，Sarwar教授于2001年又提出了一種新的協同過濾推薦技術，我們稱為基于項目的協同推薦（item-based collaborative filtering algorithms），Sawar教授同時在論文中指出了該推薦算法相對基于內存推薦算法的優勢。PREMM教授具有不同的觀點，指出基于項目的協同過濾推薦算法準確度與采用的實驗規模數據有關，大多數情況下還是基于用戶的協同過濾推薦好。協同過濾推薦會導致相似用戶的聚類效果不佳，從而產生稀疏性以及冷啟動等問題。協同過濾雖然取得了巨大成功，但受其原理所限，以下幾個缺點是影響其進一步發展的瓶頸。（1）精確性（accuracy）：即提高推薦系統的推薦質量，用戶如果對推薦系統不信任，推薦的項目經常不符合用戶需求，導致用戶亂投票的現象，評分不準確導致推薦質量進一步下降，形成惡性循環。（2）稀疏性（sparstiy）：隨著購物網站產品與用戶數量的增長，用戶參與評分的項目通常是有限的，而且有些用戶因為各種原因不愿意留下評分數據。有些購物網站的評分記錄甚至只占需要評分項目的1%～2%，從而導致評分數據的稀疏性問題，評分值的稀疏會導致最近鄰居相似性聚類的不準確，從而導致推薦質量降低。（3）冷啟動（coldstart）：也稱為初始評價問題，又分為新項目（newitem）問題和新用戶（newuser）問題。如果新產品剛剛上架，沒有任何用戶對其進行評價，即使它有很好的質量，也不可能獲得推薦。同樣，如果一個新用戶剛剛注冊，還沒有開始對任何產品進行評價，推薦系統也不可能獲得他的購物興趣，也就無法對該用戶進行推薦。這種現象在協同過濾推薦技術中尤其明顯。（4）擴展性（scalabality）：隨著用戶和產品數量的大幅度增加，數據的處理和計算也會成倍增長，對于如此巨大的計算量，算法將遭遇到嚴重的擴展性問題，導致推薦的效率也大幅度降低。endprint

3.混合推薦算法的研究。很多學者設想將這兩種推薦策略組合起來，取長補短，這也就是混合推薦算法的思想。依據不同的組合思路我們將研究人員提出的混合算法大致分為以下幾類：（1）混合集成：把來自不同推薦技術的推薦結果一起推薦給用戶，這種集成技術沒什么新意，目前采用的比較少。（2）加權集成：把不同推薦技術預測的推薦產品的分值按照不同推薦技術特點賦予不同的權重，然后再對待推薦產品的預測分值進行加權求和，依據加權后的預測分值排序并實施推薦。（3）轉換集成：按照不同的推薦環境，選擇不同的推薦技術實施推薦，歸根結底還是使用其中的某一種推薦技術。（4）瀑布型集成：應用一種推薦技術對另一種推薦技術的推薦結果實施優化。這種方法可以過濾掉前一種推薦技術中不太好的推薦結果。可以是基于內容對協同過濾進行優化，也可以協同過濾對基于內容推薦進行優化。（5）特征組合集成：把不同推薦技術的推薦結果混合后，使用一種推薦技術來處理，同瀑布型集成類似，該方法也是基于采用某種推薦技術對混合推薦結果進行過濾的思想。（6）特征增值集成：把其中一種推薦技術的推薦輸出結果作為另一種推薦技術的輸入。Pazzani M，Billsus D等提出將幾種推薦方法的各自推薦結果進行合并。Soboroff I，Good N，Melville P等提出可以以一種推薦方法主要推薦技術，同時以另一種推薦技術為輔，并與主要推薦技術進行融合。Ansari A提出直接將兩種推薦方法進行有機集成，如將基于內容和協同過濾的方法整合到一個統一的框架下，使其作為一種推薦算法實施推薦。以上不同的混合集成方法中，無論采用哪種混合集成策略，混合推薦的關鍵是如何發揮不同推薦技術的優點，并有機融合在一個完整的推薦框架內。雖然混合推薦技術的初衷是進行優勢互補，但實際應用中卻有很大困難。同時有實驗表明，混合推薦并不一定比單獨的某個推薦技術更好。同時，由于混合了多種推薦技術，增加了計算復雜度，在推薦效率上會有一定程度的降低。

4.其他推薦算法的研究。以上三種方法是推薦方法研究最熱點的領域，但在不同的應用場景下也有一些其他的推薦算法取得了不錯的成績。Burke R提出利用飯店的菜式方面的規則知識進行基于知識的推薦。基于關聯規則的推薦，以產品間關聯規則為基礎，把已購商品作為規則頭，推薦對象作為規則體。通過數據挖掘發現項目之間潛在的聯系以實施連帶推薦。

三、計算復雜度研究現狀

隨著產品數量和用戶數量的擴大，需要處理的基礎數據會成倍增加，基礎數據的處理會使推薦系統的計算復雜度成指數級增長，成為推薦系統推薦效率的瓶頸。為此國內外學者也提出了很多方法以降低計算復雜度，推薦系統計算復雜性的降低可以分為：評價數據降維法、產品分類降維法、離線計算與在線推薦相結合法。

綜上所述，國內外學者為保證電子商務推薦質量和推薦效率從電子商務推薦的三個不同角度提出了很多經典的推薦方法，每種方法在特定的領域和應用環境下都取得了較好的效果，同時我們也可以看到沒有一種通用的推薦方法，在電子商務推薦系統教學中我們將會依據前期研究重點展開，更好地提高該課程的教學效果。

參考文獻：

[1]余力，劉魯，羅掌華.我國電子商務推薦策略的比較分析[J].系統工程理論與實踐，2004，8（8）：96-99.

[2]許海玲，吳瀟，李曉東.互聯網推薦系統比較研究[J].軟件學報，2009，20（2）：350-362.

[3]李聰.電子商務推薦系統中協同過濾瓶頸問題研究[D].合肥：合肥工業大學，2009.

[4]Pazzani.A framework for collaborative，content-based，and demographic filtering[J].Artificial Intelligence Review，1999，13（5-6）：393-408.

[5] K.W. Cheung，J. T. K.，M.H. Law. ining customer product ratings for personalized marketing[J].Decision Support Systems，2003，（35）：231-243.

[6]李曉鈞，陽小華，余穎.基于隱性反饋分析的個性化推薦研究J].計算機工程與設計，2009，30（16）：3794-3796.

[7]D.R. Liu ，Y.Y.S.Hybrid approaches to product recommendation based on customer lifetime value and purchase preferencesJ].Journal of Systems and Software，2005，77（2）：181-191.

[8]D.R.Liu，Y.Y.S.Integrating AHP and data mining for product recommendation based on customer lifetime value[J].Information & Management，2005，（42）：387-400.

[9]鄧愛林.電子商務推薦系統關鍵技術研究[D].上海：復旦大學，2003.

[10]Xue G，L.C，Yang Q，Xi W.Scalable collaborative filtering using cluster-based smoothing[C].Paper presented at：28th Annual International ACMSIGIR Conference on Research and Development in Information Retrieval（Salvador，Brazil）.2005.

基金項目：本文系教育部人文社科青年項目（Grant NO.13YJC630195）的研究成果之一。endprint