社交媒體在電子商務推薦系統中的應用研究

袁超凡

摘 要 個性化推薦技術的應用是電子商務平臺進行精細化運營的重要手段。個性化商品推薦系統的合理設計能夠有效提高電子商務平臺訂單轉化率，縮短用戶購物路徑，改善用戶體驗。近些年來，電子商務與社交媒體相融合的創新模式為社會化推薦提供了可能。挖掘社交關系數據的用戶關系，將其應用到傳統的推薦模型中，是改善推薦系統推薦精度的有效方法。

關鍵詞 社交媒體；電子商務；網絡；社會化

中圖分類號 G2 文獻標識碼 A 文章編號 2096-0360（2017）23-0014-03

1 問題背景

電子商務在經歷了十幾年的規模性增長后，網絡零售進入了增速放緩的階段。

從國家統計局公布的2016年的數據看，電商的盈利空間被壓縮，競爭更為激烈，兼并與淘汰更加頻繁，創新、拓展與試錯成為主題[1]。如何通過精細化的運營更好地生存是電商企業要重點考慮和解決的問題。

2017年6月27日，易觀與云集微店聯合發布了《中國社交電子商務發展專題分析2017》的分析報告。報告指出，網上零售在初顯增速放緩中探尋到一條將電子商務與社交媒體相融合的創新模式，極大激活了市場活力。

中國電子商務研究中心指出，電子商務和微博社交網絡是目前中國用戶使用較頻繁的兩大服務平臺，據CNNIC調查顯示，同時使用兩類服務平臺用戶較大，達到1.67億[2]。2017年，阿里集團持有新浪微博31%股權，為新浪微博的第二大股東。在這種整合模式下，電子商務平臺可以將用戶的購物數據與社交媒體中的社交信息整合起來，為實現社會化推薦提供數據基礎。

2 推薦系統的發展和應用

個性化推薦技術是解決用戶模糊需求的重要途徑，該技術的應用能夠促進信息的高效篩選和過濾。

1994年，明尼蘇達大學Group Lens研究組使用基于協同過濾的推薦算法推出了Group Lens系統[3]，推薦系統從此成為一個相對獨立的研究方向。經過20多年的發展，個性化推薦算法被廣泛集成到很多商業應用系統中，如電子商務，影音、閱讀，新聞等內容產業。在電子商務領域，亞馬遜對個性化推薦系統使用起步早、且應用廣泛。Brent，Greg[4]指出，1998年，亞馬遜應用了基于項目的協同過濾推薦算法，到2017年，推薦系統在亞馬遜平臺的應用已經經歷了近20年的歷史。國內著名的電商平臺淘寶、京東對推薦系統的應用也十分廣泛[5]。

目前，電子商務平臺普遍應用的基于協同過濾的推薦算法，在分析用戶相似性和產品相似性時，都是以用戶對商品的歷史行為數據作為數據源，忽略了用戶屬性以及用戶關系等問題，存在推薦準確度低等問題。社會化推薦技術，是通過引入用戶的社交關系來改善傳統推薦系統的準確度的一個有效方式。

電子商務平臺對于社交網絡的應用多為簡單的廣告促銷模式，例如亞馬遜以在Facebook發布促銷信息進行社交互動，2013年數據顯示，在Facebook上亞馬遜社會化電子商務轉化率只有3.67%。2010年報道稱，亞馬遜允許將用戶在電商平臺的賬戶和Facebook的社交賬戶進行綁定，網站可以通過分析用戶在社交網站發布的興趣信息或者好友圈的流行產品信息，為用戶提供購物建議[6]。在中國，淘寶網對于微博的應用停留在幫助推廣階段。如何從社交互動轉化為社交發現，例如通過社交平臺上用戶之間的社交關系增強推薦結果的可信度，或者從社交活動信息中挖掘用戶潛在的購物偏好，是社會化推薦的研究方向。

本文研究了如何將社交媒體與傳統的協同過濾算法結合起來，改善傳統推薦算法的推薦精度問題。提出一種基于用戶局部信任模型的協同過濾算法。

3 推薦模型介紹

3.1 基于項目的協同過濾（Item-based Collaborative Filtering）

協同過濾推薦算法是推薦系統中應用最早和最為成功的技術之一。以推薦算法應用的數據源不同進行分類，協同過濾分為基于記憶的推薦，基于模型的推薦。

基于記憶的推薦應用用戶與商品之間的交互信息，如點擊，購買，評分等數據，構建用戶之間或者產品之間的相似性模型，其中，通過計算產品相似度進行商品推薦的模型稱為基于項目的協同過濾算法。本文的算法改進以基于項目的協同過濾算法為基礎，因此簡單介紹該算法的理論基礎。

該算法的假設是，與之前購買的評價高的商品相比，若目標產品與其相似度越高，則用戶對目標產品感興趣的可能性越大。產品和產品的相似性可以用皮爾森相關系數法進行計算。

公式中，為產品和產品共同評分的顧客集合，為產品的評分均值，為顧客對產品的評分。

3.2 社會化推薦技術

社會化推薦是近年來推薦系統的研究熱點之一。該技術利用用戶的社會化行為數據，或者社交關系網絡數據，提高推薦系統的推薦結果的準確度，解決傳統推薦系統的冷啟動問題。冷啟動是當新的用戶或者新的物品加入推薦系統時面臨的問題。由于沒有歷史數據，推薦系統難以對新用戶進行興趣建模，也難以匹配對新物品感興趣的用戶群體。社會化推薦中，可以通過引入與新用戶相關的其他用戶的興趣信息，從而間接預測新用戶興趣模型。

3.2.1 基于社會化行為的推薦

社交網絡平臺中，常見的社會化行為包括用戶主動標識標簽、書簽、評注等信息資源。以國內社區網站豆瓣為例，用戶可以對圖書或者影音等信息進行自定義標記，網站可以通過這些標記來對產品屬性進行分類，并對用戶進行相似標簽產品的推

薦[7-8]。將基于標簽的推薦算法應用到傳統推薦算法中，研究了如何將基于社會化行為的推薦與基于協同過濾的推薦算法結合起來。

3.2.2 基于用戶關系網的推薦

利用用戶間的社交關系是社會化推薦的另一個主要應用。關于用戶關系計算目前主要有信任度模型、用戶聚類分析等。endprint

信任度計算主要分為全局信任模型和局部信任模型。全局信任主要是計算每個用戶基于交易反饋而形成的聲譽度，對全局信任的研究，主要有S.Kamavar綜合反饋評價信任模型和信譽機制提出的EigenTrust算法，L.Xiong提出的PeerTrust算法等[9]。局部信任度的計算是在任意兩個用戶之間進行的，對局部信任的研究，推薦領域已經有很多優秀的算法和模型，例如用于連續信任值計算的TidalTrust模型[10]，基于概率的信任模型[11]等。

4 基于用戶局部信任模型的協同過濾算法

4.1 推薦模型

傳統的基于項目的協同過濾算法沒有考慮用戶自身屬性以及用戶關系屬性，在該算法中，所有用戶對計算結果的影響權重都是相同的，即均為1。但是用戶自身特點不同，如用戶的活躍度，用戶與目標用戶的親密度等不同，則對計算結果的影響權重也不同。

本文用目標用戶對共同評分用戶的量化的信任關系作為該共同評分用戶對計算結果的影響權重，即信任值越大，權重越高，信任值越小，權重越低。這種權重調和方式能有效改善用戶間關系不同對推薦結果所造成的影響。本文將用戶對用戶信任值定義為用戶之間的相似度和用戶之間因好友關系而形成的傳遞信任的加權之和，公式如下，公式中。

用戶相似度可以通過基于人口統計學的方法進行計算，其用到的信息可以是用戶在電子商務平臺注冊的信息，包括性別、年齡、地區等。Sun[11]提出的基于概率的信任值計算方法，可以應用到傳遞信任模型的計算中。

以皮爾森相關系數法作為基礎算法，結合信任值，改進的項目相似度計算公式為：

公式中，為目標用戶，相似度度量公式是自適應于用戶的。

4.2 推薦系統實現條件

1）大量有效的數據支持。對于電商平臺來說，除了提高網站本身流量，還需要通過與社交網絡整合，來獲取購物平臺用戶的社交信息。

2）本文提出的社會化推薦算法是以改進推薦精度為目的，對于推薦系統的數據稀疏以及運算復雜度問題的考慮，還需做進一步的擴展研究。

4.3 評價指標

4.3.1 購物路徑長度

一個消費者進入電子商務網站首頁界面，然后首頁界面可以點擊跳轉到商品頁面或者活動頁面，這就是購物路徑。購物路徑的合理性直接影響到轉化率，例如，阿里巴巴集團CEO張勇在開發手機淘寶時給阿里無線團隊下達任務：讓每一個用戶在手機上點擊不超過三次就能夠跳轉到想要看到的頁面。高效的個性化推薦以及合理的品牌產品展示布局，對縮短購物路徑有著重要作用，因此，購物路徑長度是測評一個電子商務推薦系統的重要指標。

4.3.2 訂單轉化率

訂單轉化率——將網站流量轉化為購買量的比例，是當今電子商務網站的運營核心。電子商務網站的流量質量是影響訂單轉化率的重要因素。高效的推薦系統能有效提高流量質量，進而提高訂單轉化率。

4.3.3 客戶購物體驗滿意度及用戶黏度

電子商務與線下實體經濟的本質都是為了滿足顧客購物消費的服務經濟。而每一種產品和服務除了價格和成本外，體驗經濟是一個爭奪市場占有率的一個重要方式。《第三次浪潮》的作者托夫勒曾經談到服務經濟最終將轉向體驗經濟。電商平臺將越來越多地通過體驗服務來提高競爭力，獲取更高的市場回報。個性化，多樣化消費是體驗經濟時代消費者的一個消費需求，而個性化推薦技術則是滿足這種需求的重要手段。

此外，合理的個性化推薦技術能為顧客推薦真正感興趣的產品，這對提高電商平臺的吸引力，增加復購率，提升用戶黏度有著積極影響。

參考文獻

[1]搜狐財經.網購增速放緩 2017年電商淘汰賽該如何打？[EB/OL].[2017-01-18].http：//www.sohu.com/a/124635139_393779.

[2]中國電子商務研究中心.同時微博與網購的用戶達1.67億[EB/OL].[2013-05-28].http：//b2b.toocle.com/detail--6103029.html，2013.

[3]Resnick P， Iacovou N， Suchak M， et al. GroupLens： an open architecture for collaborative filtering of netnews[C]// ACM Conference on Computer Supported Cooperative Work. ACM， 1994：175-186.

[4]Brent Smith， Greg Linden， “Two Decades of Recommender Systems at Amazon.com”， IEEE Internet Computing vol. 21 no. 3， p.12-18，2017.

[5]洪亮，任秋圜，梁樹賢.國內電子商務網站推薦系統信息服務質量比較研究——以淘寶、京東、亞馬遜為例[J].圖書情報工作，2016，60（23）：97-110.

[6]騰訊科技.亞馬遜用戶可綁定Facebook賬戶并獲購物建議[EB/OL].[2010-07-28].http：//tech.qq.com/a/20100728/000143.htm.

[7]蔡強，韓東梅，李海生，等.基于標簽和協同過濾的個性化資源推薦[J].計算機科學，2014，41（1）：69-71.

[8]萬朔.基于社會化標簽的協同過濾推薦策略研究[D].成都：電子科技大學，2010.

[9]劉建國，周濤，汪秉宏.個性化推薦系統的研究進展[J].自然科學進展，2009，19（1）：1-15.

[10]Golbeck J.Computing and Applying Trust in Web-based Social Networks [D]. University of Maryland，2005.

[11]Sun Y L，Yu W， Han Z， et al. Information theoretic framework of trust modeling and evaluation for ad hoc networks[J]. IEEE Journal on Selected Areas in Communications， 2006， 24（2）：305-317.endprint