大數據環境下電子商務個性化推薦服務發展動向探析

王茜+錢力

摘要：在以博客、社交網絡、云計算、物聯網等信息發布方式和技術為載體的大數據時代，數據具有異構復雜、增長劇烈的特征，用戶對信息的個性化、知識化、專業化、智能化的需求，給商務網站個性化推薦服務帶來極大挑戰。從梳理大數據和個性化推薦服務內涵入手，本文分析了大數據背景下商務網站個性化推薦服務所呈現的新特征和面臨的挑戰，從精準深度挖掘、數據關聯、個性化決策、知識化平臺等視角，探討了大數據背景下商務網站個性化推薦服務的發展方向。

關鍵詞：大數據；商務網站；個性化推薦服務；語義網；知識組織

中圖分類號：F7246文獻標識碼：B

收稿日期：2014-03-20

作者簡介：王茜（1981-），女，河南項城人，中國科學院文獻情報中心博士后，河南師范大學商學院副教授，管理學博士，研究方向：電子商務、企業戰略管理；錢力（1981-），男，河南項城人，中國科學院文獻情報中心館員，中國科學院大學博士研究生，研究方向：智能信息處理與信息可視化。

基金項目：國家社會科學基金后期資助項目“數字資源長期保存的技術研究與實踐”，項目編號：09FTQ005。

博客、社交網絡、基于位置的服務（LBS）等新型信息發布方式的涌現，以及云計算、物聯網等技術的興起，將人們帶入大數據時代[1]。海量數據在為商業網站制定決策提供越來越充分的信息的同時，也給商務網站個性化推薦服務帶來極大挑戰：一方面，數據的異構復雜性、增長的劇烈性，而且商務網站的商業氛圍逐步成熟、飽和度也逐步提高，迫使它們的信息服務模式做出改進、突破；另一方面，服務用戶也被雜亂無章的海量數據包圍，要求商務網站充分利用現代信息技術，更準確、及時及更智能的為服務用戶提供主動化、人性化、個性化、系統化、專業化的服務。因此，關注大數據環境下電子商務個性化推薦服務的特征與挑戰，探討個性化推薦服務新的發展動向，對于打造商務網站競爭優勢、拓展個性化推薦服務研究內容等方面具有重要的實踐意義和理論意義。

一、大數據的內涵與特性

隨著信息爆炸式增長，“大數據”一詞越來越成為人們關注的熱點與焦點，先后被《自然》雜志、計算機社區聯盟、麥肯錫、《華爾街日報》、《紐約時報》、瑞士達沃斯世界經濟論壇、奧巴馬政府等以不同形式進行討論。在中國，“大數據”也已成為炙手可熱的話題，僅以中國知網數據庫檢索為例，截止到2014年3月1日，以大數據為題名的論文2 633篇，2013年之前共發文539篇，而2013年全年發文達到1 833篇，主要涵蓋計算機技術、經濟戰略、電子政務、新聞傳媒、電子商務、企業管理等領域。關于大數據的內涵雖然尚未統一，但通過梳理相關表述（表1），發現對大數據的關注點卻是趨于一致的，認為大數據是指那些超出傳統數據庫系統處理能力的數據，具有規模性、復雜性、高速性、時效性及價值性。在大數據時代，一方面，數據不再僅僅承載著簡單記錄功能，也不再是一堆凌亂的數字，而是承載著信息和知識的金礦，具有巨大的經濟價值與社會價值。另一方面，數據來源的多樣性、數據增長的劇烈性、數據規模的龐大性、數據價值的時效性、數據之間的關聯性等方面，都對目前的數據處理能力與方式具有挑戰性。

二、電子商務個性化推薦服務內涵與模式

在互聯網普及的時代，為了解決顧客信息超載的問題，引導顧客較為便捷地找到打算購買的商品，推薦系統便成為眾多電子商務企業提供的一種服務模式。所謂推薦系統，是一種根據顧客的需求、偏好、個人資料及歷史交易行為，為網絡消費者提供決策建議的軟件系統，如推薦他們想要的商品或從哪里獲得想要的商品[7-9]。傳統電子商務推薦服務，或是基于顧客歷史數據來抽取和推薦他們共同偏好的商品如熱銷商品推薦等[10-11]，或是根據網站促銷意圖將其主打產品推送給顧客，如新品推薦、特價推薦等[12]，能夠為顧客提供較好的決策支持服務。但在追求個性化、語義化的Web30背景下，傳統推薦服務所展示的實際效果并不理想，很多用戶都將這些推薦當做垃圾廣告處理。個性化推薦系統的興起能夠很好地解決傳統推薦系統所帶來的問題，它基于顧客個性化特征和需求，依托協同過濾、內容過濾、知識發現、交互式推薦等技術，在合適的場景、合適的時機、通過合適的渠道，把合適的內容，推薦給合適的用戶，為顧客提供個性化的購物體驗[13-14]。在個性化推薦服務系統中，消費者不再是被動的信息或網頁瀏覽者，而是主動參與者。目前商務網站的個性化推薦服務模式有個性化定購推薦、關聯挖掘推薦、基于主體或關鍵詞的排序推薦等。

（一）個性化定購推薦

用戶根據自身的需求和對商品信息的自我評估，直接填寫表單，提交給商務網站，之后商務網站通過郵件或者其他通信方式滿足用戶的需求。這種推薦方式增強了商務網站與顧客的直接聯系，捕獲顧客需求，但是該推薦方式缺乏服務主動性，在具體實施時不能夠為顧客找到符合其需求的有價值的產品提供支持。

（二）關聯挖掘推薦

商務網站根據用戶已經在其服務中體現出的行為，進行關聯挖掘，發現及推薦用戶可能需求的服務產品。目前在實踐層面運用最廣的有基于用戶的協同推薦系統和基于物品的協同推薦系統。基于用戶的協同推薦系統根據用戶的購買或瀏覽記錄等，挖掘出用戶之間的相似度，然后利用與目標客戶相似度較高的客戶對相關產品的喜好，作為預測目標客戶對特定商品喜好的程度，進而根據喜好程度來對目標用戶進行推薦。基于物品的協同推薦系統則是依據物品被購買或被瀏覽的記錄，挖掘出相似物品進行推薦。這種推薦方式關鍵在于信息的獲取與信息的過濾，因此，在實施層面仍面臨著無法有效推薦新產品、新客戶、不能夠及時的感知用戶興趣的變動等問題，同時由于在推薦信息過程中采用的是比對推薦方法，因此，在推薦效果方面與用戶需求還存在一定差距。

（三）基于主題或者關鍵詞的排序推薦

通過用戶提供的需求主題或者關鍵詞，在服務產品檢索平臺中進行匹配檢索，將一定的檢索結果推薦給用戶。這種推薦方式的缺點是檢索出太多的推薦結果，而且其中夾雜著很多的干擾信息。endprint

三、大數據環境下電子商務個性化推薦服務的特征

（一）海量數據為基礎的推薦服務

社會化媒體、電子商務、移動通訊的出現和發展，將我們帶入了一個大數據時代。我們每個人每天都以不同形式制造、傳遞著不同類型的數據，每天都有PB級別的數據產生。這些爆炸增長的數據對于我們的重要價值在于其本身包含的巨量的信息，在當今互聯網時代，每一條信息都有一個與之相對應的人，每個人的情感、愛好、生活習慣、消費傾向也都將體現在數據之中。因此，海量數據不但使電子商務企業的個性化推薦顯得必要而且也成為可能。

（二）復雜多樣及異構的數據推薦服務

伴隨著互聯網技術的迅速發展，網絡信息的服務模式也變遷迅速，例如，近期“微信”服務風靡全球，對原有的短信服務模式發起的全新的沖擊，甚至對其有著顛覆性的更新。而電子商務企業未來的服務也不僅面對著文本信息表達的服務產品，像音頻、視頻、圖像等特征的復雜數據，同時各自具備著獨特的數據結構，這也作為未來大數據發展的一個方向。

（三）關聯數據的豐富性個性化推薦

大數據時代是web30發展的產物，數據之間的關聯從技術上可以面向全球服務，同時數據價值的提升進一步促進企業用戶對關聯數據的高度重視。在此背景下，能夠為用戶推薦更豐富、更全面的服務信息，不僅讓用戶掌握了他們迫切需求的服務產品，而且也讓他們從多個側面來了解與之相關的服務產品，一方面增加用戶的社會認識，另一方面提升電子商務企業的服務質量。

（四）語義個性化推薦

過去，電子商務的個性化推薦基本都是基于關鍵詞的匹配檢索，進而發現與用戶相關的需求信息，進行個性化推薦。而當今，語義網的出現讓計算機理解用戶的想法和語言，更人性化、智能化的在第一時間為用戶挖掘到深層信息。Berners-Lee在1998年首次提出語義網的概念[15]，其核心是：通過給萬維網上的文檔（如HTML）添加能夠被計算機所理解的語義，從而使整個互聯網成為一個通用的信息交換媒介。簡單地說，語義網是一種能理解人類語言的智能網絡，它不但能夠理解人類的語言，而且還可以使人與電腦之間的交流變得像人與人之間交流一樣輕松。

（五）Alert與RSS模式的個性化推薦

當前用戶在大數據環境下，被浩瀚的數據所包圍，很難在第一時間發現、了解自己需求的服務信息，而Alert服務具備及時性、個性化的特征，服務系統發現與用戶需求相關的信息時，第一時間提醒用戶去關注，極大提升了用戶的工作效率。RSS以 XML標準化格式分發信息，通過 XML 標準定義信息的包裝和發布格式，其強大的信息聚合和推送功能為信息提供者和接收者提供便利。例如，當前的一些期刊出版商、Google學術搜索等服務機構，為用戶提供的alert及RSS服務，得到了廣大用戶的好評。

（六）個性化推薦的多維度性

可以推薦個性化的本地域或者跨地域的社群組織、愛好圈以及社交網絡等相關的服務信息，將這些信息有效聯系起來，讓服務信息具備更全面的維度，為用戶提供多個側面的個性化推薦服務。

四、大數據環境下電子商務個性化推薦服務面臨的挑戰

（一） 企業數據的保存與利用

電子商務企業在web30的信息時代，企業數據每時每刻都在劇增，如何將這些數據信息迅速、有效保存是企業服務質量的關鍵，同時保存僅僅是企業服務的一個中間環節，如何挖掘、利用好保存的大數據，將是一個電子商務企業未來發展的關鍵。如果僅僅保存，這對于大數據是嚴重浪費。就海量數據，提供高附加值的數據分析服務，將大數據封裝轉化為服務，形成可對外開放、可商業化的核心能力，一定程度上也實現了商業模式的創新，為個性化推薦提供強大的數據服務基礎。

（二） 企業數據的快速處理計算

海量數據對計算機硬件的性能帶來挑戰，因為企業要求在最短的時間內，盡可能創造最大的價值，而面對大數據，通過什么信息技術進行快速處理、計算，形成結構化的、開放應用的數據，這個問題不僅僅電子商務企業面臨的一個挑戰。現今的云計算，在概念層面上，一定程度上解決了這方面的一點問題，但是，在目前的現實信息環境中，由于網絡以及硬件的限制，還不能匯聚更多的計算機，達到預訂的計算目標。

（三） 企業數據的有效組織形式

企業數據的組織形式直接決定著其服務模式、服務質量。傳統的以關鍵詞進行匹配檢索的服務模式，目前仍然是個性化推薦的主流，這些數據大多以關系數據庫的形式，將其各自的元數據進行集中或者分布式進行組織。但是，隨著數據量的增長、服務要求的提升、語義網的迅速發展，數據組織形式肯定要發生轉變。例如，為用戶提供個性化關聯服務、語義個性化推薦服務等更高層面的知識服務，傳統的簡單組織方式已經不能滿足這方面的發展需求。在這一方面，可以借鑒當前的熱點研究Link Open Data、Virtuoso（語義存儲工具）、RDF等與語義網相關的數據組織方式。

（四） 企業提供服務模式的轉變

數據是企業提供服務的基礎，面對數據規模、存儲方式以及組織方式等特征的轉變，企業所提供的傳統服務模式勢必也同步轉變，來應對當前整個數據環境的更新。主要面臨以下幾種轉變方式的挑戰：

1.由被動服務為主動服務。被動服務是指客戶主動到企業電子商城中發現自己需要的商品，更具有目的性、針對性，但是對于企業來說，嚴重忽視了客戶巨大的潛在需求，通過主動服務模式，將與每一個用戶潛在的信息需求更精確的發現，推薦給用戶，一方面方便了用戶，甚至給用戶意想不到的需求驚喜，另一方面增強了企業銷售的強度。

2.由基于關鍵詞或者主題詞檢索的服務轉為基于語義的智能檢索服務。隨著web30、語義網的迅速發展，智能檢索服務開始具備一定的知識基礎，例如DBPedia發布規范的大數據集、各個行業領域的發布的知識組織體系（KOS）等知識組織規范，同時借助傳統的敘詞表以及行業的巨大的語料資源，為用戶提供語義的智能檢索服務逐步將開始實施，從而實現為用戶提供更準確地信息檢索方式。endprint

3.由傳統的個性化信息檢索結果推薦服務轉變為個性化知識推薦服務。個性化信息檢索結果是將每條信息進行羅列在頁面中，供用戶瀏覽，通過查看詳情來衡量此信息的重要度。而個性化知識推薦服務，是將每條信息分割成更小的帶有語義的知識單元，用戶能夠在第一時間內更快、更準確的掌握每條信息的概要內容，進行決策是否對自己有價值。

五、電子商務個性化推薦服務的發展方向

（一）個性化推薦的精準深度挖掘

在運營商內部，根據用戶喜好推薦各類業務或應用是常見的，比如應用商店軟件推薦、電視視頻節目推薦、關注購物推薦等服務，通過關聯規則、信息

摘要抽取、情感分析等智能分析算法進行計算后，可以將之延伸到商用化服務，即此過程也是利用“數據挖掘技術”幫助運營商進行精準營銷。典型的一個反面例子，我們生活中日常的“垃圾短信”，其實這些所謂的垃圾信息并不一定都是“垃圾”，只是因為收到的人并不需要而被視為垃圾，而通過對用戶行為數據進行挖掘分析，可以給需要的人發送需要的信息，這樣的“垃圾短信”就成了有價值的信息。典型的一個正面例子，即在日本的麥當勞，用戶在手機上下載優惠券，再去餐廳用運營商DoCoMo的手機錢包優惠支付，從而運營商和麥當勞可以充分利用搜集到相關消費信息，例如經常買什么漢堡，去哪個店消費，消費頻次多少，然后精準推送優惠券給用戶。

（二）商品之間豐富的數據關聯

大數據時代，關聯數據可謂是企業增強自身競爭力的一種潛在法寶，不僅能夠建立海量商品之間的關聯關系，而且還改善用戶搜索商品關鍵詞、豐富用戶檢索商品結果內容的類型、改善商品排序策略以及創建用戶與商品的個性化關聯等方面都占據著重要角色。

首先，企業充分利用目前網絡中發布的開放資源，將自身的產品與之進行關聯發現，豐富了企業客戶需求信息的深度與廣度，幫助客戶發現更多或者潛在的需求信息；其次，企業充分利用自身的海量數據，通過關聯數據的格式規范，將自身數據進行加工發布，讓更多的網絡平臺進行關聯發現，一方面拓展了自身銷售的途徑，另一方面達到了通過其他平臺來宣傳自己的效果；最后，企業完全可以基于關聯數據開發自身的商城平臺，實現海量分散數據的增值服務，例如目前的易淘網站，通過關聯淘寶、京東等等商城的信息，取得了不錯的營銷效果。

（三）知識大匯聚的電子商務智能平臺

例如當今的易淘網，匯聚多個電子商城于一體，提供個性化推薦服務，既省時、又準確、全面的為用戶推薦商品信息。但是，未來的發展，在上述的基礎上，服務產品的粒度會更小，而且隨著行業領域知識組織體系（KOS）的建設與完善，計算機能夠學習與理解結構化的細粒度服務信息，為用戶提供知識服務，商品平臺的服務模式也從傳統的基于關鍵詞匹配的檢索服務平臺邁向基于語義的智能檢索服務平臺，最終建設成一個知識大匯聚的智能商務平臺。

（四）商務網站的個性化決策功能

電子商務企業可以利用每日產生的海量商務運營數據，加以運用成熟的運營分析技術，借助現代先進信息技術工具，特別是自然語言處理、語義網以及行業知識組織系統等技術平臺，有效提升企業數據資源的利用能力，讓大數據成為企業決策的制勝法寶，持續保持自己的核心競爭位置。例如亞馬遜在制定新產品和服務的決策過程中，利用大數據技術分析消費者有關新產品和服務的海量數據，能夠很好地捕捉到新產品受歡迎的程度，預判消費者購買行為，進而決定新產品和服務運營策略（推向市場、取消或全新嘗試等）。再如2012年美國總統大選，兩黨雙方均不惜代價，利用大數據來預測大選中選民的趨勢。當時羅姆尼共和黨堅信形勢對自己有利，蓄勢待發。奧巴馬民主黨也分秒不停，想摸準選民的風向，主導選情。數周內他們對選情數據進行的細粒度采集和多位形勢分析，作為制定競選策略和掌握獲勝機遇的機制[15]。

六、小結

大數據既為商務網站帶來了挑戰，同時又為他們開來了機遇。數據的海量倍增、服務性能的壓力也受到了一定程度的影響以及為用戶所帶來的困擾等等方面迫使電子商務企業從根本上進行轉變，從服務意識中感受未來的緊迫性。同時，隨著大數據技術與平臺的成熟發展、數據規范及知識組織體系的擴展與壯大，為電子商務企業創建自身的品牌服務帶來了商機，比如個性化推薦的情景感知服務，商城平臺能夠在第一時間理解“當前用戶是誰？應該為他提供什么服務？應該為他提供一個可視化導航？”等用戶需求服務，為用戶節省時間的同時，也為用戶帶來了方便與驚喜。

參考文獻：

[1]孟小峰，慈祥.大數據管理：概念、技術與挑戰[J].計算機研究與發展，2013，50（1）：146-169.

[2]Mckinsey Global Institute. Big data：The next frontier for innovation， competition， and productivity[R/OL].[2013-01-22].http：//www.mckinsey.com/insights/business_technology/big_data_the_next_frontier_for_innovation

[3]Grobelink M. Big-data computing：Creating revolutionary breakthroughs in commerce， science， and society[R/OL].[2013-01-22].http：//videolectures. Net/eswc2012_grobelink_big_data/

[4]IBM. What is big data？[EB/OL].[2013-03-02].http：//www-01.ibm.com/software/data/bigdata.

[5]Barwick H. The “four Vs”of Big Data. Implementing Information Infrastructure Symposium[R/OL].[2013-01-22].http：//www.computerworld.com.au/article/396198/iiis_four_vs_big_data/endprint

[6]Big data[EB/OL].[2013-01-22].http：//en.wikipedia.org/wiki/Big_data.

[7]]Ricci， F. Travel recommender systems， IEEE Intelligent Systems[J].November/December，2002：55-57.

[8]Ansari， A.， Essegaier， S.， et al. Internet Recommendation Systems[J].Journal of Marketing Research. August，2000， 37（3）：363-375.

[9]Haubl， G.， and Trifts， V.， Consumer Decision Making in Online Shopping Environments：The Effects of Interactive Decision Aids[J]. Marketing Science， 2000，19（1）：4-21.

[10]J.B. Schafer， J.A. Konstan， J. Riedl. E-commerce recommendation applications[J]. Data Mining and Knowledge Discovery，2001（5）：115–152.

[11]B. Sarwar， G. Karypis， J. Konstan， J. Riedl. Analysis of recommendation algorithms for e-commerce[C].Proceedings of the 2nd ACM conference on Electronic commerce， 2000：158-167.

[12]江秀佳，何源光.國內電子商務個性化推薦系統改進研究[J].圖書情報工作，2009，53（16）：137-140.

[13]朱巖，林澤楠.電子商務中的個性化推薦方法評述[J].中國軟科學，2009（2）：183-191.

[14]柏林森.電子商務個性化推薦初探[R/OL].[2013-01-22].http：//blog.sciencenet.cn/blog-3075-517258.html.

[15]楊鳴.大數據可改變企業發展游戲規則—技術處理及模式分析[R/OL].[2013-05-22].http：//scholarsupdate.zhongwenlink.com/news.asp？NewsID=10812.

（責任編輯：李江）endprint

[6]Big data[EB/OL].[2013-01-22].http：//en.wikipedia.org/wiki/Big_data.

[7]]Ricci， F. Travel recommender systems， IEEE Intelligent Systems[J].November/December，2002：55-57.

[8]Ansari， A.， Essegaier， S.， et al. Internet Recommendation Systems[J].Journal of Marketing Research. August，2000， 37（3）：363-375.

[9]Haubl， G.， and Trifts， V.， Consumer Decision Making in Online Shopping Environments：The Effects of Interactive Decision Aids[J]. Marketing Science， 2000，19（1）：4-21.

[10]J.B. Schafer， J.A. Konstan， J. Riedl. E-commerce recommendation applications[J]. Data Mining and Knowledge Discovery，2001（5）：115–152.

[11]B. Sarwar， G. Karypis， J. Konstan， J. Riedl. Analysis of recommendation algorithms for e-commerce[C].Proceedings of the 2nd ACM conference on Electronic commerce， 2000：158-167.

[12]江秀佳，何源光.國內電子商務個性化推薦系統改進研究[J].圖書情報工作，2009，53（16）：137-140.

[13]朱巖，林澤楠.電子商務中的個性化推薦方法評述[J].中國軟科學，2009（2）：183-191.

[14]柏林森.電子商務個性化推薦初探[R/OL].[2013-01-22].http：//blog.sciencenet.cn/blog-3075-517258.html.

[15]楊鳴.大數據可改變企業發展游戲規則—技術處理及模式分析[R/OL].[2013-05-22].http：//scholarsupdate.zhongwenlink.com/news.asp？NewsID=10812.

（責任編輯：李江）endprint

[6]Big data[EB/OL].[2013-01-22].http：//en.wikipedia.org/wiki/Big_data.

[7]]Ricci， F. Travel recommender systems， IEEE Intelligent Systems[J].November/December，2002：55-57.

[8]Ansari， A.， Essegaier， S.， et al. Internet Recommendation Systems[J].Journal of Marketing Research. August，2000， 37（3）：363-375.

[9]Haubl， G.， and Trifts， V.， Consumer Decision Making in Online Shopping Environments：The Effects of Interactive Decision Aids[J]. Marketing Science， 2000，19（1）：4-21.

[10]J.B. Schafer， J.A. Konstan， J. Riedl. E-commerce recommendation applications[J]. Data Mining and Knowledge Discovery，2001（5）：115–152.

[11]B. Sarwar， G. Karypis， J. Konstan， J. Riedl. Analysis of recommendation algorithms for e-commerce[C].Proceedings of the 2nd ACM conference on Electronic commerce， 2000：158-167.

[12]江秀佳，何源光.國內電子商務個性化推薦系統改進研究[J].圖書情報工作，2009，53（16）：137-140.

[13]朱巖，林澤楠.電子商務中的個性化推薦方法評述[J].中國軟科學，2009（2）：183-191.

[14]柏林森.電子商務個性化推薦初探[R/OL].[2013-01-22].http：//blog.sciencenet.cn/blog-3075-517258.html.

[15]楊鳴.大數據可改變企業發展游戲規則—技術處理及模式分析[R/OL].[2013-05-22].http：//scholarsupdate.zhongwenlink.com/news.asp？NewsID=10812.

（責任編輯：李江）endprint