桑志超

(河北工程大學，河北 邯鄲 056038)

0 引言

隨著電子商務的不斷發(fā)展，其規(guī)模越來越大，可以提供的商品種類和數(shù)量也不斷大幅度地增加。如何使顧客方便、快速的找到商品，順利地完成購物過程成為電子商務企業(yè)亟待解決的問題，也是企業(yè)提高其自身競爭力的重要砝碼。個性化推薦技術為解決這一問題提供了有力的支撐。目前，以搜索引擎為基礎的推薦引擎技術為提高購物效率提供了強有力的技術支持。

1 關于推薦引擎

1.1 推薦引擎定義

推薦引擎的目的是解決信息過載問題，其本質在于通過對用戶歷史活動記錄進行分析后，得出用戶的興趣特點等信息，進而主動為用戶推薦其感興趣的商品或信息。個性化是推薦引擎的精髓所在，通過對群體數(shù)據(jù)進行分析得出用戶的個性化愛好，然后針對其個性化需求等給出相應的推薦。從長遠看來，推薦引擎技術具有極為廣闊的發(fā)展空間。

1.2 推薦引擎與搜索引擎的聯(lián)系與區(qū)別

推薦引擎與搜索引擎有著一定的聯(lián)系與區(qū)別。二者都是基于網絡平臺的工具，旨在發(fā)現(xiàn)答案或興趣點；算法考慮的角度比較類似，不過算法思想存在很大的差異，搜索引擎給出的結果強調內容關聯(lián)，而推薦引擎給出的結果則強調個性化；搜索引擎是幫助用戶找到最為合適的結果，而推薦引擎可以幫助進行多樣化體驗進而滿足其多個興趣需要；海量數(shù)據(jù)的處理和計算是二者不可缺少的一部分；相比于搜索引擎被動等待用戶搜索請求的情況，推薦引擎是主動為用戶推送相關的服務。

2 推薦引擎技術原理

2.1 基于內容相似度的算法

該推薦算法是以從推薦物品或者推薦內容的元數(shù)據(jù)中找出物品與內容的關聯(lián)性然后根據(jù)用戶以往的興趣愛好為算法的核心思想，這是在推薦引擎出現(xiàn)之初是使用最為廣泛的推薦方法。例如：假設用戶A、用戶B、用戶C都喜歡看影視劇，用戶A喜歡看的電影a屬于愛情、浪漫類,用戶B、C喜歡的電影b屬于恐怖驚悚類，電影c與電影a相似屬于愛情浪漫類，則可以把電影c推薦給用戶A。

基于該算法的推薦機制的不足之處在于：1）需要對商品進行分析建模，其建模的完整性與否直接影響到推薦的質量；2）在對商品進行建模的過程中往往會忽略人對物品的態(tài)度；3）存在“冷啟動”問題。應用該推薦方法的網站有百度、優(yōu)酷、gmail、google等。

2.2 基于協(xié)同過濾推薦算法

2.2.1 基于用戶的協(xié)同過濾推薦

該推薦方法的基本原理是運用“K-鄰居”算法，找出與當前用戶偏好相同或相似的鄰居群，然后根據(jù)鄰居群的歷史記錄對當前用戶進行推薦。例如，假設用戶 A喜歡物品 a，物品 c和物品 d，用戶 B喜歡物品b，用戶C喜歡物品a和物品c；從各個用戶的歷史偏好信息中，我們可以發(fā)現(xiàn)用戶 A與用戶C的偏好比較類似，同時用戶C還喜歡物品d，由此我們可以推斷用戶 A可能也喜歡物品 d，因此可以將物品d推薦給用戶A。

該算法的領域擴展性比較好，其推薦多樣性遠遠高于基于物品的協(xié)同過濾推薦。其不足之處在于算法具有時效性，無法離線計算；在大規(guī)模數(shù)據(jù)集上數(shù)據(jù)稀疏嚴重。

2.2.2 基于物品的協(xié)同過濾推薦

該推薦機制的原理同基于用戶的協(xié)同過濾推薦機制類似，它是發(fā)現(xiàn)物品與物品之間的相似性，針對用戶的歷史偏好信息對用戶作出物品推薦。例如，假設用戶A喜歡物品 a和物品 c，用戶B喜歡物品 a，物品 b和物品 c，用戶 C喜歡物品 a，從這些用戶的歷史喜好可以分析出物品a和物品c時比較類似的，喜歡物品a的人都喜歡物品 c，基于這個數(shù)據(jù)可以推斷用戶 C很有可能也喜歡物品 c，所以系統(tǒng)會將物品c推薦給用戶C。

該推薦機制能夠離線計算，不存在時效性的問題；盡管依舊有數(shù)據(jù)稀疏的問題，但是可以計算；能夠有效地發(fā)現(xiàn)具有相同興趣的用戶的相似item。其不足之處在于多樣性不如基于用戶的推薦機制，對于興趣單一的用戶較為適用。

2.3 基于人口統(tǒng)計學的算法

該算法指根據(jù)用戶的基本信息，從中發(fā)現(xiàn)用戶之間的相關度，然后將相關用戶喜歡的商品推薦給當前用戶。例如，通過用戶基本信息調查發(fā)現(xiàn)，用戶A與用戶C都是女性，且屬于同一年齡段，則可以認為用戶A和用戶C相似，就可以把用戶A喜歡的商品推薦給用戶C。這種推薦方法的優(yōu)勢在于不存在冷啟動問題，且適用于任何商品領域；其不足之處是對用戶分類方法過于粗糙，無法深入發(fā)掘出用戶偏好，且對于有些用戶敏感的信息難以獲取。

2.4 基于Topic model的算法

該算法的思想是為每個Item定義不同的topic標簽，之后定義每個topic之間的相似度。用戶選擇topic后，基于其選擇進行各個topic之間相似度的計算，最后生成推薦item集合。

在該推薦算法中，topic作為聯(lián)系user與item之間的紐帶，借助較好的用戶回饋機制，就能夠使系統(tǒng)更好地演繹。其不足之處是item之間相似度計算比較麻煩且topic定義繁瑣。使用該算法作為推薦算法的主要有 youtube、google news、jinni等網站。

2.5 基于關聯(lián)規(guī)則的推薦算法

關聯(lián)規(guī)則算法是數(shù)據(jù)挖掘算法中的經典算法之一，它主要是找出數(shù)據(jù)的依賴關系。通過進行關聯(lián)規(guī)則分析，能夠了解到什么樣的物品被同時購買的幾率比較大，或者了解到用戶在購買一些物品后通常還會購買哪些別的物品。當挖掘出這樣的具有關聯(lián)規(guī)則的物品信息后，就可以基于這些信息為用戶推薦關聯(lián)商品。

2.6 混合推薦機制

在現(xiàn)行的多數(shù)網站中，并不是使用單一一種推薦模式，往往是集合各種推薦方法的優(yōu)勢，進而達到更好的推薦效果。目前常用的混合方法主要有加權混合、分區(qū)混合、切換混合和分層混合。加權混合指用線性代數(shù)中的公式將不同的推薦方法以一定的權重組合起來，利用測試數(shù)據(jù)進行反復實驗以期達到最好的推薦效果；分區(qū)混合指將不同推薦方法的推薦結果顯示在不同的區(qū)域，這種方式在當當網、亞馬遜等網站中都可以看到；切換混合指針對不同的物品，不同的情況下采用最合適的推薦機制來向用戶進行推薦；分層混合指采用多種推薦機制，并將一種推薦機制的推薦結果作為另一種推薦機制的輸入，從而得出更為精確的推薦結果。

3 推薦引擎技術在電子商務中的應用

在推薦引擎技術出現(xiàn)后，用戶在電子商務網站瀏覽的效率得到了很大的提高，它只顯示用戶想要看到的內容。試目前應用推薦引擎技術的電子商務網站很多，最典型的就是亞馬遜，像淘寶網、當當網、京東商城、騰訊等大家所熟知的網站中也大量應用了推薦引擎技術。

推薦引擎在電子商務中的應用主要表現(xiàn)在如下幾個方面：1）今日推薦：通常是基于用戶近期的購買記錄或者瀏覽記錄，結合當下一些比較流行的物品等信息對用戶進行推薦；2）捆綁銷售：基于數(shù)據(jù)挖掘技術對用戶的購買行為進行深入挖掘分析，找到其購買記錄中具有關聯(lián)的物品進行捆綁銷售，如淘寶網中的搭配套餐；3）top排行榜：基于銷售記錄中銷售數(shù)量最多的商品進行排行，向用戶進行推薦。

4 小結

論文對推薦引擎的相關定義以及算法原理進行了較詳細的介紹，推薦引擎能夠促成更多的網上交易，具有很大的發(fā)展空間。但是，盡管推薦引擎在推動電子商務發(fā)展方面有很大的優(yōu)勢，但是其仍有其不足，比如“冷啟動”問題，而且在涉及到用戶個人信息時是否觸及用戶的隱私權還有待確定。

［1］HAN Jiawei，KAMBER Micheline．數(shù)據(jù)挖掘概念與技術[M]．范明，孟小峰，譯．北京:機械工業(yè)出版社，2007．

［2］張奇鋒.潛力巨大的推薦引擎讓互聯(lián)網更懂你[N].廣東科技報，2011-09-24.

［3］陳靜.推薦引擎搶占行業(yè)先機[N].經濟日報，2011-09-15.