電子商務智能推薦系統中的案例檢索算法探討

高　華

(大連藝術學院 文化藝術管理學院， 遼寧 大連 116600)

?

電子商務智能推薦系統中的案例檢索算法探討

高華

(大連藝術學院 文化藝術管理學院， 遼寧 大連 116600)

摘要：針對傳統電子商務推薦算法中的缺陷，提出以案例推理為基礎的案例檢索算法，通過對商品概念語義相似度的加權平均算法以及數據類型和屬性的相似度等計算出案例的綜合相似度，避免了傳統算法中計算單一相似度的不足，提高了電子商務系統的運行效率和精確度，為電子商務系統的設計提供考參考的價值。

關鍵詞：電子商務；智能推薦系統；案例檢索算法；分析

電子商務智能推薦技術是在搜集和分析用戶所檢索的商品信息和數據的基礎上，分析用戶的購買行為和購買興趣，并且及時的更新用戶的偏好信息，智能的向用戶推薦所偏好的商品信息[1]。目前在電子商務中常用推薦技術有協同過濾、內容過濾等，但仍存在著推薦數據以來原始數據搜集等問題[2]。因此為了解決這些問題，提高電子商務系統推薦的精確度和效率，經本體技術引入到系統中，設計出基于案例推理的案例檢索算法，利用商品的概念語義相似度、數據類型和屬性的相似度計算出案例的綜合相似度，提高電子商務智能推薦系統的推薦效率和質量，克服傳統算法中的弊端。

1領域本體協同案例推理的系統構架

本系統構架的設計主要是在多層結構設計思想的基礎上，應用層、業務邏輯層和數據存儲層共同組成了系統中最重要的三個層次。在系統中應用層可以為普通用戶、企業用戶和VIP用戶提供可操作的界面，并給與不同用戶授權來完成用戶需要的操作步驟。系統用戶可以在應用層面進行注冊，獲取用戶的偏好，對用戶的瀏覽行為進行隱性的評價，用戶通過對商品的查詢，應用層面可以對同類的商品進行分析，并將推薦結果以列表的形式展示給用戶。業務邏輯層是智能推薦層的核心層面，掌握著的電子商務的主要業務和案例表示等，在商務領域本體中案例的表達主要將語義要素抽取出來，并對用戶的偏好和用戶所搜索的商品信息和數據進行整理，向用戶推薦相關的產品所需要的商品。數據存儲層主要功能是分類和整理數據，并實現最后的儲存，在元數據中抽取有用的信息和數據并及時的更新模型庫。

本系統框架具有多方面的優勢和特征，將領域本體作為一種形式化的規范來表達共享概念，最終電子商務所涉及到的概念和屬性通過知識性的描述方式來進行表達，并且奠定了知識共享和運用的良好基礎。采用領域本體來進行定義電子商務的案例結構，并且將分類索引建立在概念語義樹層次結構上，這樣案例的檢索和儲存變得更加便捷和規范化。從領域本體的角度抽取目標案例要素，表達和描述案例則采用語義信息來完成，實現對案例的問題空間和解空間的完善。因此新用戶可以通過語義來進行檢索和信息的匹配，將案例求解的空間進行了有效地拓展，并且在電子商務智能推薦系統中提高了案例檢索的效率和精確度，保障了推薦的質量。

2關鍵技術研究

案例推理作為案例表示的理論基礎，案例表示的質量決定著案例檢索的效率，在本次研究中將領域本體引入到電子商務系統中，并且以WordNet作為語言組織和表達的案例，對傳統系統中的舊的數據進行記錄，對用戶瀏覽的商品信息和數據庫進行整理和記錄，實現數據的預處理，將格式轉換，之后抽取概念等一系列的環節和步驟。之后利用WordNet構建領域本題庫，并在此基礎上規定所用詞的范圍，將案例結構進行定義，在概念層建立索引，實現對案例結構和組織的規范化，建立相應的存儲模式。案例庫和本體庫等組織結構的管理和維護是通過案例表示和領域本體建模管理的方式來實現，從而促進電子商務智能推薦系統的規范化和組織化。

3基于領域本體的綜合語義相似度的案例檢索

(1)案例檢索策略

在案例檢索之前，可以先對案例進行預處理，這樣可以有效地保障智能推薦系統的運行效率和推薦商品的質量。預處理也就是先對數據信息進行分析，進一步建立目標案例，并對案例屬性進行分類和分析，接下來一步一步的進行案例的檢索，因此案例檢索是建立在信息的分類處理上的[3]。接下來進行案例相似度的檢索，主要是檢索采用的商品屬性和概念之間的相似度，之后將屬性、概念和類別三者之間利用加權平均數計算出綜合的相似度，最后通過列表的形式顯示出案例，通過智能推薦系統推薦給用戶[4，5]。該案例策略主要是根據用戶的偏好信息以及偏好內容對案例的索引進行適當的調整，并能夠有效地提高案例檢索和推薦的效率。

(2)案例相似度計算

本案例主要先計算出屬性、概念和數據類型三者的相似度，然后利用加權平均數計算出綜合的相似度。g1為目標案例中的商品，g2為源案例中的商品，具體的模型如下：

1.概念相似度計算模型：相似度算法采用WordNet語義概念樹和距離的相似度算法，表達式如下：

(1)

商品g1和g2在語義概念樹中最近的共同原始數據為los(g1,g2)，在WordNet概念樹中，depth(g1)和depth(g2)為概念g1和g2的。

2.基于類型的屬性語義相似度計算模型

基于類型的屬性語義相似度取決于數據和對象類型屬性語義相似度，可以先將商品g1和g2進行分類，建立起數據類型的一個集合[6]。然后采用式(1)的方法構建語義相似矩陣，

計算出屬性集合中的相似度SimC(g1,g2)，最后得到相似度平均值SimA平(g1,g2)也就是所有數據類型屬性語義的相似度。SimO平(g1,g2)代表著相似度平均值，最后得到基于類型的屬性的語義相似度為：

(2)

3.基于數據類型的屬性值相似度計算模型

假設Fi和Fj的屬性和數據類型相同或者相似，那么他們的屬性值為VFi和VFj，ωFj和ωFi分別為屬性權重，那么根據不同的數據類型，計算出屬性值VFi和VFj的相似度，具體的表達式子如下：

(3)

(4)

當數據類型為離散型數值時：

(5)

當數據類型為字符串型時：

(6)

根據不同的計算模型丘恩處所有屬于類型屬性語義的相似度，并得到數據類型的總體屬性相似度為：

(7)

4.g1和g2商品的案例相似度為Csim(g1,g2)為

Csim(g1,g2)= αSimC(g1,g2)+βSimA′(g1,g2)+γSimAV(g1,g2)

(8)

α，β分別表示數據類型的屬性語義相似度和概念語義相似度，γ表示數據類型的屬性值相似度的權重為γ，α+β+γ=1。知識工程師可以根據三者之間的相似度權重和用戶的偏好對系統進行有效的調節，最后將案例的相似度進行排序，取得最大的值，并給用戶推薦相關的案例，最后得到的案例考慮了三者之間相似度的影響，避免了傳統案例算法中依靠屬性相似度的缺陷[7]。

三、實際應用分析

某計算機配件銷售網站上應用了該算法，知識工程師要抽取近三個月銷售網站上商品的銷售中語義要素，作為原型案例建立的基礎，將該算法應用到某白領用戶購買主機配件為例來驗證算法的精確度。

某白領用戶在該銷售網站上想要搜索一臺計算機，基本的配置為：轉速7200r/min，320GB的容量，SATA類型的4MB接口，知名品牌價格在450左右，免費保修期為3年時間。該用戶搜索了自己想要的產品信息后，計算機先分類整理用戶輸入的商品信息，并抽取出信息中所需要的關鍵信息，建立目標案例y，那么會得到一個案例集X={x1,x2,x3...xi}，在案例集中抽取相關的案例類型，如表1所示：

表1　案例參數

為了簡化計算，每個屬性權重設為0.166，

1.概念的語義相似度計算

商品g1為硬盤1，g2為硬盤2，在概念樹中兩個商品的共同概念為存儲設備。因此可以將數據帶入帶式子(1)中得到：

depth(lso(g1,g2))=8，depth(g1)=9，depth(g2)=10，得SimC(g1,g2)=16/19=0.842。

2.基于類型的屬性語義相似度計算

g1,1={接口，供應商，質量保證}；g2,1={代碼，品牌，界面，制造商，質量保證}；整數類型：g1,2={容量，緩沖，速度}，g2,2={緩沖容量，速度}；浮類型：g1,3={價格}，g2,3={價格}。字符串類型的屬性按照式子(1)得到屬性相似度和語義相似度矩陣：

SimA(g1，g2)=SimA字符串+SimA浮+SimA整數)/3=1，得到商品的屬性語義相似度為：

SimA’(g1，g2)=SimA(y1,x1)+Sim0(g1,g2))/2=13.

令權重α=β=γ=0.333,由式(8)可知綜合語義相似度為:

CSim(yi，xi)= αSimC(g1，g2)+βSimA′(g1，g2)+

γSimAV(g1，g2)=(0.842+1+0.81)×0.333=0.884

總結：針對傳統電子商務智能推薦系統中算法單純運用屬性值的弊端，忽視語義和屬性類型相似度的算法，從而解決了智能推薦系統推薦的效率低，推薦給用戶的商品質量得不到保障的問題。本文引入了領域本體的案例檢索算法，運用語義相似度、屬性類型相似度和數據類型屬性值相似度三者之間的的綜合相似度，規范了案例表示和組織的形式，增加了案例檢索的空間，提高了案例檢索的速度和效率，保障了智能推薦的質量[8]。

參考文獻：

[1]楊艷霞,于海平,陳燕，等.基于Web挖掘的個性化推薦算法研究[J].計算機與數字工程,2014,42(4):674-677.

[2]崔春生,齊延信,田哲，等.基于Vague值的電子商務推薦系統及其相似度研究[J].圖書情報工作,2012,56(6):130-134.

[3]鄧檢名.基于移動Agent技術在電子商務系統中的應用研究[J].軍民兩用技術與產品,2015,(4):48-49.

[4]肖冰,陳潮填.電子商務系統的復雜性特征與方法論探析[J].商業經濟研究,2015,(21):77-79.

[5]高鎖軍.電子商務系統與ERP系統集成[J].價值工程,2014,33(33):238-239.

[6]王芮.B2B模式電子商務系統的需求獲取與分析[J].中國管理信息化,2015,18(5):223-224.

[7]毛意輝.B2B與B2C整合的電子商務系統的分析思考[J].中國管理信息化,2015,(8):199-199.

[8]吳碧霞.電子商務環境下基于證據理論的信任評估模型[J].湖北民族學院學報(自然科學版)，2011，29(3)：331-334.

責任編輯：程艷艷

Discussion on Case Retrieval Algorithm in Intelligent Recommendation System of Electronic Commerce

GAO Hua

(Culture and Art Management College, Dalian Art College, Dalian 116600, China)

Abstract：In view of the defects in the traditional electronic commerce recommendation system, this paper presents a case retrieval algorithm based on case reasoning, which calculates the comprehensive similarity of cases by using the weighted average algorithm of product concept semantic similarity and the similarity of data types and attributes, avoiding the shortage of the single similarity in traditional algorithm. This algorithm has improved the operating efficiency and accuracy of electronic commerce system, providing references for the system design.

Keywords：E-commerce; intelligent recommendation system; case retrieval algorithm; analysis

中圖分類號：TP311

文獻標志碼：A

文章編號：1009-3907(2016)02-0014-04

作者簡介：高華(1975-)，女，遼寧大連人，副教授，碩士，主要從事計算機應用技術與電子商務方面研究。

基金項目：遼寧省教育廳科學研究項目(w2012283)

收稿日期：2015-12-14