[摘要] Web數(shù)據(jù)挖掘是從Web文檔和Web活動(dòng)中發(fā)現(xiàn)并抽取感興趣的、潛在的有用模式和隱藏的信息?；赪eb數(shù)據(jù)挖掘的電子商務(wù)推薦系統(tǒng)可以滿足電子商務(wù)未來發(fā)展趨勢(shì)的需要。在本文中依據(jù)效率和準(zhǔn)確性，建立了一個(gè)推薦系統(tǒng)模型，并對(duì)系統(tǒng)中各個(gè)模塊功能及它們之間相互協(xié)調(diào)工作做了詳細(xì)的描述；深入研究了電子商務(wù)推薦系統(tǒng)所使用的推薦算法，重點(diǎn)討論了目前使用最為廣泛的協(xié)同過濾推薦算法；在上述研究的基礎(chǔ)上設(shè)計(jì)了基于聚類的協(xié)同過濾推薦系統(tǒng)，并對(duì)k-means聚類算法進(jìn)行了改進(jìn)；給出了系統(tǒng)試驗(yàn)結(jié)果，并對(duì)結(jié)果做出解釋和評(píng)價(jià)。

[關(guān)鍵詞] Web日志 數(shù)據(jù)挖掘 電子商務(wù) 關(guān)聯(lián)規(guī)則 聚類算法

Web數(shù)據(jù)挖掘是數(shù)據(jù)挖掘的一個(gè)重要分支，是隨著數(shù)據(jù)庫(kù)技術(shù)、人工智能技術(shù)和網(wǎng)絡(luò)技術(shù)的發(fā)展而提出的。尤其是隨著電子商務(wù)的不斷運(yùn)作，信息總量不斷增加，更迫切需要有效的信息分析工具。

當(dāng)今，電子商務(wù)正以其成本低廉、快捷、不受時(shí)空限制等優(yōu)點(diǎn)而逐步全球流行。在這種新型的商務(wù)模式下，卻遇到了網(wǎng)絡(luò)信息量和基于Web的應(yīng)用的一些阻礙。一方面，沒有針對(duì)性地提供信息，訪問者不能快捷地獲得所需；另一方面，不能快捷地在站點(diǎn)上尋找到感興趣的商品，用戶容易轉(zhuǎn)向訪問其他站點(diǎn)，造成客戶流失，這些對(duì)站點(diǎn)企業(yè)來說都是致命的。

基于上述原因，商務(wù)站點(diǎn)“個(gè)性化”營(yíng)銷孕育而生。而個(gè)性化所涵蓋的內(nèi)容中，針對(duì)用戶的推薦服務(wù)是最為重要的，因?yàn)樗軌蚋淖冞@種“大眾化”的方式，向用戶提供個(gè)性化的信息。推薦系統(tǒng)模擬商店銷售人員向用戶提供商品推薦，幫助用戶找到所需商品，從而順利完成購(gòu)買過程，因此可以有效保留用戶，提高電子商務(wù)系統(tǒng)的銷售；商家也可以通過推薦系統(tǒng)保持與客戶的聯(lián)系，重建客戶關(guān)系。

本文將對(duì)電子商務(wù)推薦系統(tǒng)中的若干關(guān)鍵技術(shù)進(jìn)行有益的探索和研究。

一、電子商務(wù)推薦算法及改進(jìn)

電子商務(wù)推薦算法是整個(gè)推薦系統(tǒng)的核心，其推薦精度和推薦效率直接影響推薦系統(tǒng)的整體性能。目前典型的推薦算法有基于關(guān)聯(lián)規(guī)則的推薦算法和基于用戶的協(xié)同過濾推薦算法。

1.基于關(guān)聯(lián)規(guī)則的推薦算法

基于關(guān)聯(lián)規(guī)則的推薦算法可以分為離線的關(guān)聯(lián)規(guī)則推薦模型建立階段和在線的關(guān)聯(lián)規(guī)則推薦模型應(yīng)用階段。離線階段使用各種關(guān)聯(lián)規(guī)則挖掘算法建立關(guān)聯(lián)規(guī)則推薦模型，這一步比較費(fèi)時(shí)，但可以離線周期進(jìn)行;在線階段根據(jù)建立的關(guān)聯(lián)規(guī)則推薦模型和用戶的購(gòu)買行為向用戶提供實(shí)時(shí)的推薦服務(wù)。

2.協(xié)同過濾推薦算法

協(xié)同過濾推薦是目前最成功的電子商務(wù)推薦技術(shù)，被應(yīng)用到很多領(lǐng)域中。協(xié)同過濾根據(jù)用戶的行為（如用戶注冊(cè)信息、用戶評(píng)分?jǐn)?shù)據(jù)、用戶購(gòu)買行為等）建立用戶的行為模型，然后利用建立的行為模型向用戶推薦有價(jià)值的商品。用戶數(shù)據(jù)的收集在協(xié)同過濾推薦算法中占有重要地位，如何有效收集高質(zhì)量的用戶數(shù)據(jù)直接關(guān)系到推薦算法的推薦效果。

3.基于聚類的協(xié)同過濾算法概述

隨著電子商務(wù)系統(tǒng)的進(jìn)一步擴(kuò)大，協(xié)同過濾推薦算法的實(shí)時(shí)性要求遇到了巨大挑戰(zhàn)。在一個(gè)用戶和商品均數(shù)以萬(wàn)計(jì)的系統(tǒng)中，同時(shí)為數(shù)以萬(wàn)計(jì)的用戶提供實(shí)時(shí)的推薦服務(wù)越來越困難。

為了解決推薦系統(tǒng)中存在的上述問題，進(jìn)行實(shí)時(shí)推薦，那么就需要提高推薦的速度。因此，提出了基于聚類的協(xié)同過濾推薦算法。將整個(gè)用戶空間根據(jù)用戶的購(gòu)買習(xí)慣和評(píng)分特點(diǎn)劃分為若干個(gè)不同的聚類，從而使得聚類內(nèi)部用戶對(duì)項(xiàng)的評(píng)分盡可能相似，而不同聚類間用戶對(duì)商品的評(píng)分盡可能不同。根據(jù)每個(gè)聚類中用戶對(duì)商品的評(píng)分信息生成一個(gè)虛擬用戶，虛擬用戶代表了該聚類中用戶對(duì)商品的典型評(píng)分，將所有虛擬用戶對(duì)商品的評(píng)分作為新的搜索空間，查詢當(dāng)前用戶在虛擬用戶空間中的最近鄰居，產(chǎn)生對(duì)應(yīng)的推薦結(jié)果。

4.改進(jìn)的k-means聚類算法

(1)k-means聚類算法。k-means聚類算法是最簡(jiǎn)單同時(shí)也是非常有效的聚類算法。采用k-means聚類算法對(duì)整個(gè)用戶空間進(jìn)行聚類的主要步驟如下：

①隨機(jī)選擇k個(gè)用戶作為初始的簇中心，將k個(gè)用戶對(duì)項(xiàng)的評(píng)分?jǐn)?shù)據(jù)作為初始的聚類中心。

②對(duì)剩余的用戶集合，計(jì)算每個(gè)用戶與k個(gè)聚類中心的相似性，將每個(gè)用戶分配到相似性最高的聚類中。

③對(duì)新生成的聚類，計(jì)算聚類中所有用戶對(duì)項(xiàng)的平均評(píng)分，生成新的聚類中心。

④重復(fù)以上2到3步，直到聚類不再發(fā)生改變?yōu)橹埂?/p>

(2)改進(jìn)的k-means聚類算法。在k-means算法中，k個(gè)中心的選取一般為隨機(jī)選取或依賴于領(lǐng)域知識(shí)。為了更好地選取k個(gè)中心以提高聚類的質(zhì)量，需要對(duì)k-means算法進(jìn)行改進(jìn)。算法2-1給出了改進(jìn)后的算法描述。

算法2-1改進(jìn)k-means算法。定義：（推薦池T）設(shè)站點(diǎn)共有m個(gè)頁(yè)面，共有n次用戶的訪問，由于采用協(xié)作推薦方法，那么推薦池T就是內(nèi)存中的一個(gè)n×(m+l)的矩陣。其中每一行代表一個(gè)用戶訪問的頁(yè)面集;在前m列中，每一列表示用戶對(duì)該頁(yè)面的訪問時(shí)間長(zhǎng)度;每一個(gè)矩陣項(xiàng)表示個(gè)用戶在一個(gè)頁(yè)面上的訪問時(shí)間，即該用戶對(duì)該頁(yè)面的訪問興趣度大小。第m+l列表征該行被加入到推薦池中的時(shí)間，這是為了對(duì)該推薦池保持一個(gè)按時(shí)間新舊程度運(yùn)行的替換策略。

輸入：初始簇K，推薦池T

輸出：推薦池的中心集合CenterSet

①k=[K/2];//起始時(shí)取「K/2」值作為k-means算法的初始k值。

②將評(píng)分項(xiàng)為0的各項(xiàng)以某一均值(或者設(shè)定的值)θ代替;//避免出現(xiàn)大規(guī)模稀疏矩陣影響推薦質(zhì)量。

③initialize(T，CenterSet，k);//隨機(jī)選取k個(gè)初始的中心。

④WHILE k<=K DO BEGIN

⑤CenterSet=k-means(T，k，CenterSet);//進(jìn)行聚類操作得到k個(gè)中心//找到一個(gè)新中心

⑥max=0;newcenter=1

⑦FOR each c∈T DO BEGIN

⑧d=0;

⑨FOR each c∈CenterSet DO BEGIN

⑩d=d+distance(T，t，c);

END

IF d>max THEN BEGIN

max=d;

Newcenter=t;

END

END

CenterSet=CenterSet∪{newcenter}

k=k+1;

END

RETURN CenterSet;

5.對(duì)改進(jìn)的k-means算法進(jìn)行分析

在每一遍k-means算法執(zhí)行后，選取一個(gè)距離各中心距離和最大的元素作為新的中心。該算法的改進(jìn)之處有三點(diǎn)：

(1)改變了傳統(tǒng)的k-means算法要求用戶必須事先給出k(要生成的聚類數(shù)目)值，以及對(duì)于設(shè)定的不同k值導(dǎo)致不同聚類結(jié)果的缺點(diǎn)。

(2)避免了某些頁(yè)面因?yàn)闆]有被訪問得到評(píng)分為0而形成的大規(guī)模稀疏矩陣問題。

(3)改進(jìn)的k-means算法由于在每一次算法執(zhí)行后是選取一個(gè)距離各中心距離和最大的元素作為新的中心，這個(gè)元素來自原來的樣本數(shù)據(jù)庫(kù)，原來的距離矩陣數(shù)據(jù)仍然可以重用，因此不需要重新計(jì)算每一個(gè)對(duì)象與新的平均值點(diǎn)間的距離。

該算法的缺點(diǎn)是：只有當(dāng)聚類數(shù)目遠(yuǎn)小于項(xiàng)數(shù)目時(shí)，計(jì)算目標(biāo)項(xiàng)與聚類中心相似性的時(shí)間代價(jià)相對(duì)于最近鄰查詢才可以忽略不計(jì)，當(dāng)聚類數(shù)目很大的時(shí)候，計(jì)算目標(biāo)項(xiàng)與聚類中心相似性的代價(jià)并不能忽略不計(jì)。

二、電子商務(wù)推薦系統(tǒng)的實(shí)現(xiàn)

我們將系統(tǒng)分為三個(gè)模塊：數(shù)據(jù)預(yù)處理模塊、模式挖掘模塊和模式分析及應(yīng)用模塊。

1.實(shí)現(xiàn)模型

由此，基于Web日志挖掘的電子商務(wù)推薦系統(tǒng)的結(jié)構(gòu)分成在線和離線兩個(gè)部分，三個(gè)模塊。如圖1所示：

圖1電子商務(wù)推薦系統(tǒng)結(jié)構(gòu)圖

2.離線模塊

一般情況下，推薦系統(tǒng)的離線部分主要針對(duì)的是注冊(cè)用戶，根據(jù)用戶提供的關(guān)鍵信息對(duì)推薦集合進(jìn)行凈化，從而在推薦頁(yè)面集合上體現(xiàn)精確的用戶感興趣的信息，如筆者參與設(shè)計(jì)的某搜飯網(wǎng)，對(duì)于注冊(cè)用戶“饞嘴鴨”，在注冊(cè)過程中，提交的用戶所在地關(guān)鍵字是“市南區(qū)”，那么一旦該用戶登錄系統(tǒng)，則直接將跟市南區(qū)有關(guān)的推薦頁(yè)面展示在用戶窗口，如圖2所示:

圖2 地區(qū)來源是市南區(qū)的注冊(cè)用戶推薦頁(yè)面

3.在線模塊

在線模式下又分成兩種情況，一是注冊(cè)用戶登錄，二是隨機(jī)非注冊(cè)用戶。對(duì)于注冊(cè)用戶來講，可以任意變更興趣項(xiàng)，而推薦系統(tǒng)會(huì)根據(jù)用戶的選擇，形成推薦集合并展示精確的推薦頁(yè)面，如果變更的興趣項(xiàng)不包含注冊(cè)用戶的關(guān)鍵信息，則推薦集合在原推薦集中產(chǎn)生，這樣用戶得到的推薦頁(yè)面更加精確。

對(duì)于隨機(jī)用戶，推薦頁(yè)面與用戶興趣關(guān)系密切，同時(shí)其精確程度很大程度上依賴用戶的興趣項(xiàng)的選取。即用戶的興趣項(xiàng)約束越多則推薦頁(yè)面越精確，這種情況是以犧牲用戶時(shí)間為代價(jià)的。經(jīng)過用戶的一系列選擇后，推薦系統(tǒng)最后生成推薦頁(yè)面，如某隨機(jī)用戶對(duì)菜品類別（咖啡）、地區(qū)（市南）進(jìn)行選擇后生成的推薦頁(yè)面。如圖3所示。

圖3 隨機(jī)用戶選擇后的推薦頁(yè)面

三、結(jié)論

目前Web數(shù)據(jù)挖掘己逐步成為網(wǎng)絡(luò)研究、數(shù)據(jù)挖掘、知識(shí)發(fā)現(xiàn)、軟件代理等領(lǐng)域的熱點(diǎn)問題。研究日志挖掘，對(duì)于優(yōu)化Web站點(diǎn)、電子商務(wù)、遠(yuǎn)程教育、信息檢索等領(lǐng)域，都有著十分重要的意義。然而，如何將這些技術(shù)深入、完善，并盡快運(yùn)用到Internet各種應(yīng)用中，是擺在我們面前的新課題。

參考文獻(xiàn):

[1]鄒顯春等:電子商務(wù)與Web數(shù)據(jù)挖掘[J].計(jì)算機(jī)應(yīng)用，2000.4

[2]P.Buono，M.F.Costabile，S.Guida，A.Piccinno，G.Tesoro，Integrating UserData and Collaborative Filter in a Web Recommendation System，UM2001-Proc.Third Workshop on Adaptive Hypertext HypermediaSonthofen，Germany，July 2001，129-140

[3]Fayyad U，Piatetsky-Shapiro G，and Smyth P.Knowledge discovery anddata mining:Towards a unifying framework

[4]Grdon S.Linoff，Michael J.A.Berry著，沈均毅等譯.Web數(shù)據(jù)挖掘:將客戶數(shù)據(jù)轉(zhuǎn)化為客戶價(jià)值[M].電子工業(yè)出版社，2004.3

[5]趙艷霞梁昌勇:基于關(guān)聯(lián)規(guī)則的推薦系統(tǒng)在電子商務(wù)中的應(yīng)用[J].價(jià)值工程，2006年第5期

[6]林瑞娟侯德文:Web挖掘及其在電子商務(wù)中的應(yīng)用研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2006(8):178-191