基于協同過濾的智能推薦方法在電子商務中的應用研究

葛欣然 張瀚文 張金冰

摘 要：隨著電子商務用戶量、信息量和商品量的不斷增多，大眾定制化需求和商品多樣化供給間的矛盾更加凸顯，這對電子商務中的推薦系統提出了更高要求。基于協同過濾技術的智能推薦方法既能結合用戶的個人偏好、習慣等精準進行個性化推薦，又可以通過推薦系統發掘并展示長尾商品，加速商品的利用與轉化，順應市場多元化發展。首先，本文基于挖掘用戶歷史行為并判斷用戶偏好的目標，分析協同過濾算法的實現原理。其次，針對電子商務平臺需求特征，構建包括數據預處理、相似度計算、推薦生成和評估在內的智能推薦方法步驟。最后，針對現有算法提出實現條件。

關鍵詞：電子商務；智能推薦系統；協同過濾；多元化；數字化

本文索引：葛欣然，張瀚文， 張金冰.<變量 2>[J].中國商論，2023（17）：-120.

中圖分類號：F713.36 文獻標識碼：A 文章編號：2096-0298（2023）09（a）--04

根據中國互聯網絡信息中心發布的第51次《中國互聯網絡發展狀況統計報告》，截止到2022年12月，我國網民規模達10.67億，互聯網普及率達75.6%。在此背景下，信息化、數字化手段逐漸滲透消費的各個領域。截至2022年6月，國內使用網絡進行購物的用戶規模已達到8.41億，在網民整體中達到80%的較高比重，而在2013年，中國使用網絡購物的用戶規模僅占全體網民的48.9%。

電商行業領域信息量的快速擴張，使得消費者對高效商品推介的訴求持續攀升。面對電子商務網站中紛繁復雜的信息資源，高效的智能化數據處理技術成為處理信息的關鍵。傳統引擎檢索不能針對不同用戶及不同環境的個性化需求提供差異化的結果；智能推薦系統則不需要用戶詳細描述自己的需求，而是通過用戶的歷史數據探索興趣偏好，針對用戶個性化信息進行篩選服務，并將預測結果反饋給用戶，使用戶購物體驗和商家銷量效率得以有效提高。因此，本文引入現階段運用比較成功的協同過濾算法，應用于電子商務智能推薦實踐，可以協同客戶的反饋、評價和意見等，對海量的電子商務信息進行過濾，契合電子商務問題的癥結點，對電子商務的發展有十分深遠的影響。

在電子商務平臺中，智能推薦系統發揮著必不可少的作用，國內外企業及學者針對電子商務中運用的智能推薦問題進行了深層次的研究，眾多個性化推薦的方法應運而生，也使得亞馬遜、攜程、阿里巴巴等在推薦領域取得了諸多應用成果。但與國外相比，我國對電子商務智能推薦技術的研究仍處于跟隨模式，新思路、新方法和新技術與電子商務的契合度仍較弱，如推薦策略較簡單、推薦方法的選擇未跟隨環境變化而改變，且國內推薦算法大部分用在面向客戶推送，而針對企業產品和產品評價推薦算法的相關研究相對較少。

1 協同過濾算法原理分析

總體而言，協同過濾算法是分析具有相似興趣的群體行為，找到用戶或物品間的相似性，再通過相似性進行推薦。基于模型的協同過濾算法主要包括三類：基于用戶的協同過濾、基于項目的協同過濾和基于模型的協同過濾。

1.1 基于用戶的協同過濾算法

基于用戶的協同過濾（User-based CF）主要思想是相似的用戶可能具有相似的喜好，即“人以群分”，這樣便可以依據用戶對項目的歷史行為發掘與之興趣相投的用戶，再把這些確定的相似用戶對物品的評分數據估算成目標用戶對這一物品的未評分數據值，邏輯示例如圖1所示。

圖1中，箭頭從用戶指向項目表示用戶對該項目是有興趣偏向的，而項目指向用戶的反方向箭頭表示最終對用戶推薦該項目。圖1中假設用戶a和用戶c都喜歡物品A和物品C，用戶b喜歡物品B，說明用戶a和用戶c具有相似的偏好，而用戶b與另外兩個用戶的偏好有較大差距，所以根據推薦的原則，物品D作為用戶c的喜好但用戶a沒有評分的物品，可以推薦給用戶a。

1.2 基于項目的協同過濾算法

基于項目的協同過濾（Item-based CF）主要思想是同個用戶可能喜歡的是相似的物品，即“物以類聚”。該算法通過分析用戶的行為喜好找到相似的項目，而與項目本身的特點無關，再根據用戶對項目的偏好程度向其推送類似或相關的物品，邏輯示例如圖2所示。

假設用戶a與用戶b喜歡的共同項目是物品A和物品C，可以認為物品A與物品C比較相似，喜歡物品A的都喜歡物品C，所以會把物品C推薦給喜歡物品A的用戶c。

1.3 基于模型的協同過濾算法

基于模型的協同過濾算法一般針對部分用戶對部分物品有評分數據，而其余部分沒有評分記錄，這是要用已知部分稀疏數據來預測那些空白的用戶和物品之間的評分關系，再將預測的高評分物品推薦給用戶。

基于模型的協同過濾算法與上述兩種算法有著本質區別，前者是在尋找關聯的鄰居前建立用戶偏好模型，再后使用訓練好的模型分析用戶喜好的實時信息，預測用戶與物品間的喜好關系，最終確認喜好程度高的物品并推薦給用戶。基于模型的協同過濾算法離線訓練算法模型，運用機器學習與數據挖掘等技術，并使用訓練的模型在線預測未知商品的得分，這種算法的優勢是預測精度較高、節省訓練空間且預測速度快，但是不足之處是其訓練模型花費較長時間。建立模型常見的方法有聚類算法、關聯算法、矩陣分解、回歸算法等。

1.4 三類協同過濾算法的適用性

基于用戶的協同過濾向用戶推薦興趣相似的人也喜歡的物品，而基于項目的協同過濾給用戶推薦與其以往喜歡的物品類似的物品。從兩種算法的原理可以看出，基于用戶的協同過濾推薦的結果更多是反映與用戶興趣相投的群體中的熱門產品，具有較強的社交特性，這樣的特點適合用戶少、商品多、實效性強的情況。另外，使用該算法還可以令用戶發現更多的驚喜，其為用戶推薦的物品是與之興趣相同的用戶喜好所在，可能使其找到以往未察覺的興趣，從而產生更大的驚喜感。基于項目的協同過濾推薦的結果反映更多的是用戶的歷史興趣，具有更加個性化的特性，所以該算法更適用物品少、用戶多且用戶興趣較為穩定，物品更新速度較慢的場景，維持用戶的興趣傳承。

基于模型的協同過濾是在當以上兩種算法出現需要使用較大內存計算相似度時，利用模型直接計算預測值，而不需要將商品及用戶信息全部放在內存中計算，解決了基于用戶與基于項目的協同過濾算法中內存不足或計算復雜等問題產生的影響。

2 電子商務平臺的需求導向

2.1 商品評價缺乏參考統一性

在電商平臺中，不同用戶或不同方式的評分數據可能處于不同的評價范圍，如常見的包括5分評價制、百分評價制和星級評價制，且在不同評價方法內，消費者對商品的描述依據更加多元，使得傳統比對方法無法提取不同類型用戶或不同類型商品的特征信息，造成參考性不強。

2.2 客商匹配缺乏選擇專業性

現有電商平臺往往沒有足夠的專業技術評估客戶和商家之間的匹配度，如客戶實際需求與商家產品特點和服務優勢間未形成最高效銜接。原因在于電商平臺的技術規則不能充分考慮到不同行業、不同類型的客戶和商家之間的差異性，使得客戶和商品的分類特征總結不全。這可能導致一些商家無法展示其獨特的產品和服務，以及一些客戶無法得到滿足其專業需求的服務。

2.3 商品推介缺乏精準過濾性

電商平臺商品種類和數量的快速增加使得客戶獲取的商品質量、價格、功能等產生偏差，算法可能將某些群體的商品需求視為次要需求，導致這部分用戶缺乏相應商品的推薦。此外，一些商家往往通過付費排名、促銷活動等方式引導用戶購買特定商品，甚至有可能利用大量虛假評價和吹噓營銷手段來騙取消費者信任。這種商家引導的方式會極大影響用戶的消費決策和購物體驗。

3 面向電子商務的協同過濾算法實現

針對電子商務平臺的現存問題，三類協同過濾算法能夠實現較好的解決。電子商務智能推薦系統的總體結構如圖3所示。

在電商平臺實行推薦的實際應用中，協同過濾算法包含更多需要考慮的因素，比如數據預處理、相似度計算、推薦生成和評估等步驟。其中，數據預處理是確保數據質量的關鍵步驟；而相似度計算則是識別出和目標用戶興趣相似的其他用戶或商品的關鍵環節；推薦生成和評估則是確保推薦結果準確性和有效性的重要步驟。

圖3 電子商務智能推薦系統的總體結構

3.1 數據預處理

針對評價缺乏參考統一性的問題，推薦系統在收集完用戶的行為信息后，需要對這些復雜的數據進行預處理，其中包含兩個關鍵的步驟：（1）減噪。目的是去除用戶數據中的異常值或干擾項，以保證計算相似度時得到的結果更加準確。（2）歸一化。目的是將不同維度的數據統一到同一尺度上，以消除量綱和單位的影響，使得不同維度之間相似度有可比性。

需要通過數據的歸一化將不同用戶的評分數據映射到0～1的區間內，從而保證計算出來的相似度更加準確。再將預處理過的數據構成一個用戶-商品評分矩陣R，如式（1）所示：

其中，橫向代表用戶對商品的評分；縱向代表商品獲得的用戶評分。m表示用戶；n表示項目；mi表示第i個用戶；nj表示第j個項目；Rminj表示第i個用戶對第j個項目的評分，其中數值的大小代表用戶對商品的興趣程度。

3.2 相似度計算

針對客商匹配缺乏選擇專業性的問題，系統將構建的矩陣中每一行抽取出來，即代表每個用戶對所有商品的喜好程度；而將矩陣中的列向量抽取出來，代表的是所有用戶對一種商品的評價值，再計算出每兩個行向量或列向量之間的相似度，便等同于基于用戶和基于項目的相似度評價值。計算相似度最常用的方法有杰卡德相似系數、余弦相似度及歐式距離等。以余弦相似度為例，其原理為衡量向量間的夾角大小，夾角越小，余弦相似度越大，即用戶或商品的相似度越大，定義如式（2）所示：

其中，u和v可以為兩用戶或兩商品向量。計算出相似度后將用戶或商品進行排序，利用k最近鄰算法思想，選取相似度最高的前K個鄰居組成最近鄰集合。

3.3 電子商務智能推薦結果

針對商品推介缺乏精準過濾性的問題，選取用戶或商品的近鄰集合后，根據相似度權重預測近鄰集合中包含商品的評分，計算得出商品的預測評分并按照降序排序，最后采用Top-N方法向目標用戶推薦前N個商品。在基于用戶的協同過濾推薦算法中，用戶i對商品j的預測評分見式（3）：

其中，U為用戶i在商品j上有評分的最近鄰集合；k為集合中的一個相似用戶；Rk，j為用戶k對商品j的評分。基于項目的協同過濾推薦算法與之類似，將用戶的近鄰集合及用戶間的相似度換為商品的相關數據即可。

需要注意的是，在預測過程中，由于用戶行為的不確定性，算法可能存在誤差，因此需要根據實際情況對預測結果進行一定的評估和優化，以提高推薦算法的準確性和推薦效果。

4 電子商務協同過濾推薦算法的實現條件

雖然基于協同過濾的推薦技術在電子商務中應用的可行性較高，但是隨著電商規模的擴大發展及數據量的增長，協同過濾技術在實際運用中仍需滿足以下條件。

4.1 冷啟動條件

冷啟動問題一般為新項目或新用戶面臨的問題，對于商品而言，一個新的商品投入電商平臺，如果沒有任何關于用戶對它的評價數據，那么這個商品就不可能被推薦給用戶；對于一個新用戶而言，由于未在該電商平臺留下評價、收藏和購買等相關偏好記錄，推薦系統就不知道新用戶的興趣所在，無法為其推薦喜歡的商品，這就令電子商務平臺因無法為新用戶提供準確的推薦而導致用戶流失。解決冷啟動問題最直接的方法就是直接詢問用戶相關偏好信息，以獲得為其推薦的支撐數據，現諸多平臺會在新用戶注冊時采用這種方法獲取他們的喜好信息。

4.2 數據稀疏性條件

稀疏性條件是影響推薦系統質量的重要因素，隨著使用電子商務平臺用戶數的增多，大量商品隨之涌現，用戶評價的項目數據只占總數據的一小部分，這樣得到的就是非常稀疏的用戶-項目評分矩陣。據統計，在一個實際應用的推薦系統中，用戶對項目的評分數據通常低于1%，因此在計算用戶或項目的相似性時，精確率會隨之降低，導致最終的推薦質量大幅度降低。商品存在的評分越多，推薦的質量就越高，所以熱門的頭部商品很容易找到大量的相似物品，稀疏性問題會令沒有交互的或較低交互的尾部商品無法實現推薦。解決稀疏性問題可以使用空值填補、結合內容過濾、降維等方法，它們從不同的角度增加計算相似性的可考慮因素，以改善數據稀疏引起的問題。

4.3 擴展性條件

大數據時代下，電子商務平臺的數據量增長迅速，使得推薦系統的可擴展性問題成為一個重要的關注點。數據的急劇增長會阻礙算法計算用戶或項目的相似度，尤其是當面對系統龐大的數據時，推薦系統的計算效率急劇減慢，難以實時計算出準確的推薦結果。矩陣分解、聚類和數據集縮減等方法都是用來解決擴展性問題的常見方法，它們的主要原理是通過降低用戶-商品評分矩陣的維度或減小近鄰搜索范圍，以提高推薦的效率。在解決擴展性問題時需要注意，在保證準確性的前提下，盡量提高算法的效率，以平衡算法的效率和準確性。

4.4 信息利用條件

協同過濾的特點是僅利用用戶與物品的交互信息，而與物體或用戶自身的屬性無關。此特點使推薦系統更簡單高效地進行推薦，但也帶來了不足，因為未運用如用戶年齡、用戶性別、商品種類等用戶及商品的特征，導致這些有效信息的遺漏，不能充分利用各個方面的特征數據。為解決這個問題，推薦系統可以采用邏輯回歸等機器學習模型來綜合不同類型的特征，從而提升推薦效果。

5 結語

隨著電子商務中數據量爆炸式的增長，電商平臺需要針對不同用戶做出個性化推薦的推薦技術來提升電商服務水平及效率，智能推薦技術還可以為買家快速選擇所需商品提供了更為快速準確的途徑。電商平臺運用協同過濾推薦算法構建電子商務推薦系統，并結合不斷增大的信息數據規模，針對算法實現的困難與挑戰，需從多維角度創造實現條件。

參考文獻

王娜.基于某電商平臺用戶行為的個性化推薦[D].蘭州：蘭州財經大學，2021.

李加軍.基于協同過濾的電子商務智能推薦方法研究[J].微型電腦應用，2022，38（3）：70-72.

朱梟帥.基于混合方法的電商推薦系統的設計與實現[D].西安：西安電子科技大學，2020.

崔春生，杜柏瀚，王雪.基于分層序列的移動電子商務推薦系統策略研究[J].數學的實踐與認識，2020，50（8）：12-21.

于宏禮.電子商務環境下消費者在線購買意愿的影響因素研究[J].中國商論，2022（6）：72-74.

陳勇.基于協同過濾算法的旅游推薦系統的設計[J].價值工程，2022，41（30）：160-162.