基于相似案例分析的電子商務個性化推薦策略研究

林正蕤

(南開大學商學院 天津南開 300110)

電子商務個性化推薦系統是以網站為平臺，開展客戶商品推薦的真實模擬，解決了信息過載的問題。該系統不僅可快速幫助客戶定位，讓他們在龐大的信息群中，用最 短的時間找到心儀的商品，還能幫助企業實現差異性經營，為其帶來巨大的經濟利益。客戶看中某一商品后，是否會買下它有兩個決定因素：商品質量、商家服務。為此，本文另辟蹊徑，從關注客戶分類入手，對電子商務個性化推薦問題深入研究，從客戶需求進行分類，并以此為基礎，提出針 對性的推薦法。

1 電子商務推薦系統內涵分析

個性化的推薦即依照客戶愛好及習慣、需求來模仿銷售人員推薦信息、商品的程序。在實際操作中，電子商務個性化推薦系統融合了統計學、數據挖掘技術、人工智能技術等多個技術形式，在技術的配合下，能夠分析訪問者在網站上的訪問行為，獲取幫助顧客訪問感興趣產品信息的推薦結果，引導顧客購買行為，進而從中獲取利潤。

電子商務推薦系統可以劃分為輸入、推薦、輸出等功能板塊。在輸入板塊中，有社團、客戶兩個群體內容，個人輸入目標主要是為了客戶服務，目的是在了解用戶需要的基礎上為其提供有針對性的服務支持。

服務分析所參考的內容包含用戶歷史瀏覽、關鍵詞搜索、之前所購買過的歷史等。社團群體輸入是集體方式的數據開展評估工作，包括歷史、評價等內容。輸出是推薦系統獲得信息之后推薦給用戶的內容，表現形式為建議、預測、個體評分和評論。

建議環節是根據客戶的喜愛，推薦最能吸引他們的商品；預測則是給定項目開展總體的評分工作；而個體評分是輸出對其他客戶商品開展的個體的評分；評論則是輸出其他客戶進行字面上的評價。

2 個性化推薦技術

2.1 協同過濾推薦技術

這種推薦技術是當前研究最廣的，可劃分為兩個類別，第一類是基于用戶的協同過濾，即在實施操作的識貨先用統計學分析方法，能獲取有相似興趣的客戶；第二類是以歷史的數據得到模型，以該模型完成預測的工作，這種方法我們稱為“以模型開展的協同過濾”。該技術包括很多內容，如貝葉斯網絡。但這個算法有一個致命的問題，其算法會因為用戶數量的增加而增長，所以數據計算會以線性方式增長，數量越多，算法性能越弱，且對推薦結果未必會產生積極的影響。為了更好地解決這個問題，有人提出了一個全新的算法，即第三種協同過濾推薦算法，這種方法稱之為項目協同推薦算法，這種算法對視對已評價完項目評估做出的選擇，以相似度為權重分析，加權處理并完成后或獲得預測的數據。

2.2 其他推薦技術

第一，以內容為主的推薦技術。以這種信息過濾技術的拓展，在運用時相關項目、對象或有關特征定義的內容。根據用戶評估對象重點找到客戶的群體，并根據用戶資料及被檢測項目，以其匹配度開展推薦工作；第二，以用記統計的信息進行推薦。該系統是以用戶個人角度為用記開展分類的，之后根據用戶分類結果為用戶推薦信息；第三，采用交用推薦法。這種方法是根據用戶以項目盜用計算的，關鍵的問題是如何使用戶創造其有盜用的函數；第四，基于知識的推薦技術。基于知識的推薦技術是推理技術形式，會依照一系列邏輯思想完成知識的推薦。

3 CBR算法及在推薦系統中的工作流程

3.1 內涵

CBR是一種基于案例的學習方法，在使用時，通過打造豐富的主體案例庫來尋找最理想化的問題解決方案。CBR法在使用時與問題解決法非常類似，電子商務個性化推薦是否成功，取決于其推薦結果是否符合客戶的思維特點和基本需要。因此，將CBR應用到電子商務個性化推薦系統中具有十分重要的現實應用意義。

3.2 工作流程

CBR算法在推薦系統中的應用步驟如下：第一，案例收集和表示。收集過去進行問題求解的典型案例，在具體實施操作時每個案例由客戶的個人特征資料、需求信息和消費行為信息構成；第二，案例檢索。檢索案例庫，從中提取問題領域和目標問題相似的案例，之后根據客戶需求信息，動態化地調整相關特征的權重比例；第三，案例匹配。通過案例的匹配計算出案例的相似度，并通過相似度的量值分析和排序結果，從案例庫中檢索出匹配的案例；第四，案例求解。對最理想化的相似案例求解方案實施修改和調整；第五，案例更新。將調整之后的目標案例推薦結構作為目標案例，引入案例庫中，積累更多的案例累積經驗。

3.3 技術方法

案例的表示是基于相似案例分析的電子商務個性化系統打造的一個基礎性工作，在系統運作時只有完整、清晰地表達自己的特點及在購買時的需求信息，才能為客戶提供相應的支持。站在個性化角度，完善案例模型，要包括客戶的信息特點，也包括需求的信息。

在確定案例表示方法后，結合數據分析結果打造相似案例索引機制，將目標案例和問題的解決相匹配，為了保證匹配結果的精準性，可以對數據信息實施全面的量化分析。相似度的測量范圍大小深受測量領域的影響，返回數值在0～1時，意味著一個案例中的特征數值和其需求關聯的案例特征值存在較大的相似性。在綜合統計分析之后對相似度進行分析，即根據案例之間的距離判定案例數據信息之間的相關度。

在確定相似度之后，基于相似案例分析的電子商務個性化，系統會根據相似度對備選方案實施排序。案例檢索時，以客戶需求設定參數，系統顯示大于閾值案例信息，推薦系統能夠向客戶提供適當數量的和目標案例匹配的信息。

4 電子商務個性化推薦系統的基本結構框架

基于CBR的個性化推薦系統使用了三層體系結構，具體如圖1所示，筆者結合圖1的結構做出如下分析：

圖1 基于CBR的個性化推薦系統三層結構框架

第一，客戶應用層。為客戶和企業客戶訪問推薦系統提供一個良好的交互界面，整個界面的功能如下：(1)為客戶端的消費、客戶信息輸出提供推薦結果；(2)為企業端的客戶、產品生產加工提供重要決策支持。

第二，Web服務層。Web服務層會從數據源中檢索、更新數據信息，在此期間，系統中間層會根據需要調節信息的使用，主要模塊如下：(1)管理模塊。管理模塊在運作時會和第一層相互作用，并對其他模塊實施管理；(2)檢索模塊、匹配模塊。檢索模塊和匹配模塊能夠按照需要完成信息的檢索和匹配應用；(3)案例挖掘模塊。案例挖掘模塊會分析案例倉庫中的數據信息，并結合信息的應用情況調整信息使用規則，將信息的使用規則輸入管理模塊中。

第三，數據源層。數據源層包含案例約束庫、案例倉庫、產品數據庫、歷史數據庫。其中，案例倉庫包含所有客戶的特征信息和長期消費行為信息；案例閱書庫包含信息使用標準；歷史數據庫包含消費客戶的消費歷史、瀏覽記錄。

5 基于CBR的個性化推薦系統應用過程展示——以某服裝電子銷售網站設計的個性化推薦系統為例

某服裝電子銷售網站設計的個性化推薦系統在設計時，以消費者的購買行為(一次、多次均計算在內)把客戶分成新、舊兩種。新的通過破瓦頹垣有關偏好抽取數據庫的案例，把目標特點和歷史案例的特征量進行相似度匹配，從中選擇理想的數據，通過多次修訂，獲取目標的問題解值。如果未能檢索到相似案例，就可把問題當成新案例，反復進行計算，就推導出來的結果進行分析，同時把目標案例、決策結果都加到新案例庫內(見圖2)。

圖2 基于CBR的個性化推薦系統實際案例應用

在模型打造好之后，推薦系統動作進一步說明：

第一，新客戶推薦。系統把這類客戶定義成C10，結合基本情況，從案例庫中檢索尋找和用戶特征符合的數據信息，實現案例抽取，獲得從大到小的案例序列。在具體分析時，如果將前三個相似度較大的案例作為一個研究備選方案，獲得案例圖解：SIM(C10)=(C1、C2和C6)。在此期間，如果用戶對推薦結果不是很滿意，就需要操作人員積極調整和修改案例信息，并將修改后的案例信息推薦給用戶。

第二，對老客戶實施推薦。假設老用戶的信息編號是C7，在客戶偏好不出現變化的情況下，編號是C7的老客戶的備選案例解為：SIM(C7)=(C7、C3、C5)，客戶信息的個性化程度達到最高的狀態。在客戶的喜好出現變化時，需要對客戶的數據信息重新進行計算，并根據計算出來的結果對相似度進行排列，整合后來的序列排序結果，為客戶的選擇提供信息參考支持。

在開展上文分析評價時，不需要了解客戶對項目的態度，是項目分析時克服傳統意義推薦系統數據，輸入過多依賴客戶對項目評估問題。通過上述的案例分析可發現，基于個性化案例推導分析推薦系統可有效提升客戶信息個性化水平。

6 結語

在未來，為了更好地發揮基于相似案例分析的電子商務個性化系統應有的作用，需要相關人員引進更為先進的技術來處理多樣化的案例數據信息，并結合企業發展的內外部環境變化打造具有實際應用意義的案例倉庫，并借助案例倉庫中的數據信息解決企業經營發展所面臨的不確定問題，拉近企業銷售和客戶之間的距離。