張春生，圖 雅，翁 慧，李 艷

(1.內(nèi)蒙古民族大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，內(nèi)蒙古 通遼 028043；2．內(nèi)蒙古民族大學(xué) 化學(xué)化工學(xué)院，內(nèi)蒙古 通遼 028043)

基于電子商務(wù)同類商品的推薦算法研究

張春生1，圖 雅1，翁 慧2，李 艷1

(1.內(nèi)蒙古民族大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，內(nèi)蒙古 通遼 028043；2．內(nèi)蒙古民族大學(xué) 化學(xué)化工學(xué)院，內(nèi)蒙古 通遼 028043)

個(gè)性化推薦算法是電子商務(wù)系統(tǒng)的研究熱點(diǎn)。文中給出一種基于同類商品的推薦算法，使用戶在購(gòu)買商品時(shí)，快速得到性價(jià)比高的同類產(chǎn)品，提高系統(tǒng)的服務(wù)能力。算法針對(duì)同類產(chǎn)品，將供應(yīng)商名稱、商品價(jià)格、購(gòu)買人數(shù)、收貨人數(shù)、用戶評(píng)論5個(gè)參數(shù)作為推薦指標(biāo)，在充分論證的基礎(chǔ)上，確定了各個(gè)指標(biāo)的權(quán)重，在此基礎(chǔ)上進(jìn)行了數(shù)據(jù)建模。為驗(yàn)證該模型的正確性，抓取了2014年2月1日淘寶網(wǎng)(SAMSUNG/三星 s7898)的產(chǎn)品列表，根據(jù)銷售情況，選取前67個(gè)商家的銷售情況進(jìn)行實(shí)驗(yàn)。結(jié)果表明該模型客觀、有效。目前，關(guān)于個(gè)性化的推薦算法較多，但針對(duì)于同類商品的推薦算法的研究成果相對(duì)較少，該推薦算法的實(shí)施可減少用戶查找滿意商品的難度，提高系統(tǒng)的服務(wù)水平。

電子商務(wù)；同類商品；推薦算法；研究

0 引 言

隨著電子商務(wù)的蓬勃發(fā)展，給用戶的日常生活帶來(lái)了巨大影響，同時(shí)也帶來(lái)了“信息超載”問(wèn)題，從而降低了信息的利用效率，這在很大程度上影響了消費(fèi)者的購(gòu)物體驗(yàn)和滿意度。為解決這些難題，電子商務(wù)企業(yè)推出了個(gè)性化的推薦系統(tǒng)，它是一種以網(wǎng)上購(gòu)物環(huán)境為前提，為消費(fèi)者推薦符合其興趣愛(ài)好的商品為目的的系統(tǒng)，使消費(fèi)者無(wú)需從海量信息中尋找自己想要的信息[1-6]。目前，已有的幾個(gè)大型電子商務(wù)企業(yè)推出的推薦系統(tǒng)其推薦策略有很大不同，且對(duì)這些推薦策略沒(méi)有一個(gè)統(tǒng)一的分類標(biāo)準(zhǔn)。

1990年對(duì)推薦系統(tǒng)的研究才當(dāng)作一個(gè)相對(duì)獨(dú)立的課題被學(xué)者們提出。1995年，由美國(guó)學(xué)者展示了WebWatchet、LIRA、Letizia這三大系統(tǒng)。2000年，我國(guó)正式開(kāi)始了個(gè)性化推薦系統(tǒng)的研究，并逐步從理論走向?qū)嵺`。2009年7月國(guó)內(nèi)首個(gè)推薦系統(tǒng)科研團(tuán)隊(duì)—北京百分點(diǎn)信息科技有限公司成立。2011年9月，百度世界大會(huì)2011上，李彥宏將推薦引擎與云計(jì)算、搜索引擎并列為未來(lái)互聯(lián)網(wǎng)重要的戰(zhàn)略規(guī)劃以及發(fā)展方向。百度新首頁(yè)將逐步實(shí)現(xiàn)個(gè)性化，智能地推薦出用戶喜歡的網(wǎng)站和常用的APP。

在文獻(xiàn)[7-9]中，作者給出了推薦系統(tǒng)的形式化定義。他是將推薦給用戶的對(duì)象集合用S表示，所有用戶集合用C表示。將對(duì)象S對(duì)用戶C的推薦度用效用函數(shù)u()表示，即u可以表示為C×S→R(R表示為指定范圍中的全序非負(fù)實(shí)數(shù))。尋找到最大的推薦度R所對(duì)應(yīng)的那些對(duì)象S正是推薦系統(tǒng)需要研究的問(wèn)題。

根據(jù)國(guó)內(nèi)外研究者對(duì)推薦策略的研究，學(xué)者們普遍認(rèn)可的推薦策略可分為以下幾類：協(xié)同過(guò)濾、基于內(nèi)容的推薦、混合推薦、基于用戶—產(chǎn)品二部圖網(wǎng)絡(luò)結(jié)構(gòu)的推薦[10-11]。

(1)協(xié)同過(guò)濾推薦。

協(xié)同過(guò)濾推薦策略最早被提出，且在推薦系統(tǒng)中應(yīng)用研究最為廣泛。其基本思想是利用目標(biāo)用戶C的歷史信息，找到與C相似的其他用戶Ci，利用Ci對(duì)其他產(chǎn)品的評(píng)價(jià)來(lái)預(yù)測(cè)C對(duì)特定產(chǎn)品的喜好程度[12-13]。

(2)基于內(nèi)容的推薦。

基于內(nèi)容的推薦是根據(jù)用戶選擇過(guò)的對(duì)象，推薦其他具有類似屬性的對(duì)象。

(3)基于網(wǎng)絡(luò)結(jié)構(gòu)的算法。

此算法不關(guān)心用戶和產(chǎn)品的具體內(nèi)容，只是將他們視為抽象的節(jié)點(diǎn)，有關(guān)算法的計(jì)算信息全部隱藏在他們之間的選擇關(guān)系中。

(4)混合推薦算法。

混合推薦的目的為通過(guò)組合各種推薦方法彌補(bǔ)各自推薦技術(shù)的不足，根據(jù)實(shí)際的數(shù)據(jù)研究發(fā)現(xiàn)混合后的推薦系統(tǒng)具有較好的推薦效果。

然而，從目前的研究成果來(lái)看，主要是根據(jù)用戶個(gè)人的歷史行為或與其相似用戶的行為或與其消費(fèi)的商品相似的商品等作為條件，推薦感興趣的商品，對(duì)于用戶查找的明確的同類產(chǎn)品，如何給出可信的、具有最優(yōu)性價(jià)比的產(chǎn)品方面的研究還很少。文中從用戶購(gòu)買的同類商品出發(fā)，客觀地給出各種評(píng)價(jià)指標(biāo)，按商品供應(yīng)者的可信性、性價(jià)比等方面給出推薦序列，供用戶來(lái)選擇。

1 同類商品推薦算法的基本理論

對(duì)于同類產(chǎn)品的推薦，與以上談到的算法不同，用戶購(gòu)買目標(biāo)已經(jīng)明確，不用考慮個(gè)體因素、用戶興趣，而重點(diǎn)放在如何選擇信譽(yù)可靠、物美價(jià)廉的產(chǎn)品上面。因此，只從產(chǎn)品本身的特征出發(fā)，通過(guò)對(duì)產(chǎn)品本身特征的評(píng)價(jià)，對(duì)同類產(chǎn)品排行，推薦給用戶選擇。

在用戶選擇目標(biāo)明確的前提下，如何客觀、科學(xué)地向用戶推薦產(chǎn)品，關(guān)鍵在于對(duì)商品特征的選擇。商品特征選擇的好壞直接影響到推薦算法的科學(xué)性、真實(shí)性、合理性。在充分分析和評(píng)估的基礎(chǔ)上，通過(guò)分析商品的所有特征，最后從供應(yīng)商、商品價(jià)格、購(gòu)買人數(shù)、收貨人數(shù)、用戶評(píng)論5個(gè)方面對(duì)推薦商品建模，給出推薦指標(biāo)，供用戶選擇。

1.1 供應(yīng)商可信度評(píng)價(jià)

供應(yīng)商的信譽(yù)好壞直接影響用戶的購(gòu)買行為。企業(yè)的規(guī)模、企業(yè)的信譽(yù)等在一定程度上反映了用戶對(duì)企業(yè)的信任程度。

文中把供應(yīng)商分為3類：知名企業(yè)、一般企業(yè)、個(gè)體經(jīng)營(yíng)。分別給予不同的分值，根據(jù)經(jīng)驗(yàn)并通過(guò)合理的測(cè)試，由專家給出3種類型企業(yè)的權(quán)值，代表用戶對(duì)企業(yè)的信任程度。

評(píng)價(jià)函數(shù)為：

(1)

1.2 商品價(jià)格評(píng)價(jià)

商品價(jià)格是用戶選擇商品的重要評(píng)價(jià)指標(biāo)，根據(jù)用戶的消費(fèi)觀念和消費(fèi)習(xí)慣，用戶往往不會(huì)選擇價(jià)格過(guò)高的同種商品，而價(jià)格過(guò)低，用戶又懷疑其商品的質(zhì)量和來(lái)源渠道，一般用戶也不選擇，而用戶恰恰喜歡價(jià)格適中的產(chǎn)品。價(jià)格適中正是用戶的真正需求，而用戶的這個(gè)消費(fèi)習(xí)慣正符合正態(tài)分布的特點(diǎn)。

對(duì)價(jià)格的評(píng)價(jià)函數(shù)，文中采用標(biāo)準(zhǔn)正態(tài)分布函數(shù)：

(2)

其中，pi是價(jià)格。

1.3 付款人數(shù)

付款人數(shù)表示選擇某一商品的用戶數(shù)量，也就是用戶下單數(shù)量。這里有一個(gè)概念，下單數(shù)量不等于交易數(shù)量，因?yàn)檫€存在著退款行為，但從某種角度來(lái)看，它在一定程度上代表了用戶對(duì)該商品的認(rèn)可程度。因此，文中將付款人數(shù)作為評(píng)價(jià)商品質(zhì)量的一個(gè)指標(biāo)。

(3)

其中，oi是某供應(yīng)商商品的付款人數(shù)。

1.4 收貨人數(shù)

收貨人數(shù)是最重要的評(píng)價(jià)指標(biāo)，它表示用戶購(gòu)買了某種商品，代表了用戶對(duì)該商品的認(rèn)可程度，雖然用戶可能存在退貨行為，但大多數(shù)用戶在收到商品后，在不合適的情況下，選擇換貨的可能性較大，而真正退貨的較少。

(4)

其中，ti是某供應(yīng)商商品的收貨人數(shù)。

1.5 用戶評(píng)論

用戶評(píng)論也是決定商品好壞的重要指標(biāo)。用戶的評(píng)論包括褒貶兩個(gè)方面，精確的算法應(yīng)該區(qū)分這兩種不同的形式，但若區(qū)分這兩種形式，就需要進(jìn)行文本分析，使得算法過(guò)于復(fù)雜。事實(shí)上，對(duì)一個(gè)商品評(píng)論的多少(不分褒貶)也代表了用戶的認(rèn)可程度，用戶不購(gòu)買這個(gè)商品，不關(guān)注這個(gè)商品也就不可能對(duì)該商品進(jìn)行評(píng)論。為此，文中用評(píng)論總數(shù)量作為商品的評(píng)價(jià)指標(biāo)。

(5)

其中，ri是某供應(yīng)商商品的評(píng)論人數(shù)。

1.6 推薦指標(biāo)

商品是否受用戶的歡迎主要表現(xiàn)為用戶的交易數(shù)量，文中體現(xiàn)為收貨人數(shù)，但從人們的消費(fèi)習(xí)慣來(lái)看，有群體行為的現(xiàn)象，也就是看到大家都買那個(gè)商品自己也買那個(gè)商品，但這個(gè)商品不一定最優(yōu)。從電子商務(wù)角度，不應(yīng)該完全按這個(gè)思路出發(fā)，而應(yīng)該從供應(yīng)商的信譽(yù)和商品價(jià)格等方面出發(fā)。為此文中給出兩種推薦指標(biāo)。

商品的總體推薦指標(biāo)將融合供應(yīng)商、商品價(jià)格、付款人數(shù)、收貨人數(shù)、用戶評(píng)論5個(gè)指標(biāo)，通過(guò)加權(quán)組合在一起。首先將每個(gè)商品離散為一個(gè)向量：

xi=(si,pi,oi,ti,ri)

分別代表：商品=(供應(yīng)商類型，商品價(jià)格，付款人數(shù)，收貨人數(shù)，用戶評(píng)論數(shù))。構(gòu)建5個(gè)加權(quán)系數(shù)，分別代表5個(gè)評(píng)價(jià)指標(biāo)的權(quán)重：ωs,ωp,ωo,ωt,ωr。

(1)商品熱銷前推薦指標(biāo)。

商品熱銷前，商品的付款人數(shù)和收貨人數(shù)沒(méi)有或很少，不能作為推薦指標(biāo)；所以，文中只選擇供應(yīng)商類型、商品價(jià)格、用戶評(píng)論數(shù)作為評(píng)價(jià)指標(biāo)，此時(shí)的推薦指標(biāo)為：

f(xi)=wsf(si)+wpf(pi)+wrf(ri)

(6)

(2)商品熱銷后推薦指標(biāo)。

商品熱銷后，商品的付款人數(shù)和收貨人數(shù)代表了用戶對(duì)商品的認(rèn)可程度，同時(shí)也要考慮用戶的群體心理；所以，此時(shí)的推薦指標(biāo)為：

f(xi)=wsf(si)+wpf(pi)+wof(oi)+wtf(ti)+wrf(ri)

(7)

2 同類商品的推薦算法

如圖1所示，同類商品的推薦算法描述如下：

(1)開(kāi)始，針對(duì)某一種商品的銷售，通過(guò)網(wǎng)站提供的API或其他手段，從電子商務(wù)網(wǎng)站抓取用戶消費(fèi)數(shù)據(jù)，其中包括上述5個(gè)指標(biāo)，形成初始數(shù)據(jù)集Ds。

(2)梳理Ds，按xi=(si,pi,oi,ti,ri)的格式整理數(shù)據(jù)，形成目標(biāo)數(shù)據(jù)集Dd。

(3)對(duì)所有供應(yīng)商進(jìn)行遍歷，按每個(gè)供應(yīng)商進(jìn)行計(jì)算。

圖1 算法流程

(4)分別計(jì)算5個(gè)評(píng)價(jià)指標(biāo)，并確定5個(gè)指標(biāo)的權(quán)重ωs,ωp,ωo,ωt,ωr。

(5)計(jì)算商品熱銷前推薦指標(biāo)：f(xi)=wsf(si)+wpf(pi)+wrf(ri)。

(6)計(jì)算商品熱銷后推薦指標(biāo)：f(xi)=wsf(si)+wpf(pi)+wof(oi)+wtf(ti)+wrf(ri)。

(7)若遍歷完成，轉(zhuǎn)到(8)，否則轉(zhuǎn)到(4)。

(8)結(jié)束。

3 實(shí) 例

文中抓取2014年2月1日淘寶網(wǎng)(SAMSUNG/三星s7898)的產(chǎn)品列表(見(jiàn)圖2)，根據(jù)銷售情況，選取前67個(gè)商家的銷售情況進(jìn)行實(shí)驗(yàn)。

(1)數(shù)據(jù)預(yù)處理。

對(duì)供應(yīng)商信息進(jìn)行數(shù)值化，(知名企業(yè)、一般企業(yè)、個(gè)體經(jīng)營(yíng))分別給予權(quán)值(1.0，0.6，0.2)。

對(duì)商品價(jià)格首先進(jìn)行標(biāo)準(zhǔn)化處理，使得價(jià)格區(qū)間標(biāo)準(zhǔn)化為[-1，1]，這樣可保證價(jià)格的正態(tài)分布效果。

對(duì)付款人數(shù)、收貨人數(shù)、用戶評(píng)論進(jìn)行歸一化處理。

圖2 原始數(shù)據(jù)

為了便于比較和觀察變化趨勢(shì)，保證變化曲線的總體走向，打破67個(gè)企業(yè)的自然順序，文中對(duì)實(shí)驗(yàn)數(shù)據(jù)按收貨人數(shù)降序排序。

(2)按付款人數(shù)與收貨人數(shù)進(jìn)行比較。

圖3是分別按付款人數(shù)和收貨人數(shù)計(jì)算的推薦指標(biāo)的比較結(jié)果。

從圖中可以看出，付款人數(shù)與收貨人數(shù)的趨勢(shì)走向一致，計(jì)算推薦指標(biāo)時(shí)，可選擇其中之一。

(3)商品熱銷后推薦指標(biāo)。

付款人數(shù)與收貨人數(shù)的趨勢(shì)走向一致，故計(jì)算推薦指標(biāo)時(shí)，只采用付款人數(shù)。

(ωs,ωp,ωo,ωr)的加權(quán)值選擇為(0.1,0.1,0.7,0.1)。

圖4是對(duì)文中算法計(jì)算的推薦指標(biāo)和按付款人數(shù)計(jì)算的推薦指標(biāo)的比較結(jié)果。

從圖中可以看出，文中算法計(jì)算的推薦指標(biāo)與按付款人數(shù)計(jì)算的推薦指標(biāo)走向一致。

(4)商品熱銷前推薦指標(biāo)。

商品熱銷前推薦指標(biāo)不考慮付款人數(shù)與收貨人數(shù)2個(gè)因素，故文中算法計(jì)算推薦指標(biāo)時(shí)采用供應(yīng)商類型、商品價(jià)格、用戶評(píng)論數(shù)三個(gè)因素。

(ωs,ωp,ωr)的加權(quán)值選擇為(0.2,0.4,0.4)。

圖5是文中算法計(jì)算的推薦指標(biāo)和按付款人數(shù)計(jì)算的推薦指標(biāo)的比較結(jié)果。

圖3 付款人數(shù)與收貨人數(shù)推薦指標(biāo)比較

圖4 熱銷后推薦指標(biāo)與付款人數(shù)計(jì)算的推薦指標(biāo)比較

圖5 熱銷前推薦指標(biāo)與付款人數(shù)計(jì)算的推薦指標(biāo)比較

從圖中可以看出，商品熱銷前推薦指標(biāo)的走向與付款人數(shù)的走向總體趨勢(shì)一致，推薦指標(biāo)比較合理。

從以上實(shí)驗(yàn)結(jié)果可以看出，在認(rèn)可“付款人數(shù)計(jì)算的推薦指標(biāo)”是實(shí)際商品銷售指標(biāo)的前提下，文中算法計(jì)算的推薦指標(biāo)無(wú)論是商品熱銷前還是商品熱銷后都與實(shí)際商品銷售指標(biāo)走向一致。因此，文中算法無(wú)論是在商品熱銷前還是商品熱銷后都可作為簡(jiǎn)單有效的推薦算法對(duì)同類商品進(jìn)行推薦。

商品熱銷前推薦指標(biāo)的準(zhǔn)確性是文中算法的最大特色，它可在商品熱銷前正確指導(dǎo)用戶消費(fèi)。

4 結(jié)束語(yǔ)

文中針對(duì)用戶明確選擇的某類產(chǎn)品的推薦研究成果較少的事實(shí)，選擇了供應(yīng)商、商品價(jià)格、付款人數(shù)、交易人數(shù)、用戶評(píng)論5個(gè)評(píng)價(jià)指標(biāo)，在充分分析的基礎(chǔ)上，對(duì)推薦指標(biāo)進(jìn)行了建模，并給出了商品熱銷前和熱銷后兩種評(píng)價(jià)指標(biāo)。實(shí)驗(yàn)結(jié)果表明，購(gòu)買人數(shù)與收貨人數(shù)的趨勢(shì)走向一致，計(jì)算推薦指標(biāo)時(shí)，可選擇其中之一。同時(shí)付款人數(shù)的趨勢(shì)走向可作為真正的銷售走向。商品熱銷后推薦指標(biāo)的走向與付款人數(shù)的走向一致。商品熱銷前推薦指標(biāo)的走向與付款人數(shù)的走向總體趨勢(shì)一致，尤其是商品熱銷前推薦指標(biāo)的準(zhǔn)確性是文中算法的最大特色，它可在商品熱銷前正確指導(dǎo)用戶消費(fèi)。

文中建立的推薦指標(biāo)可用于電子商務(wù)網(wǎng)站的同種商品推薦上，具有一定的應(yīng)用價(jià)值。特別是針對(duì)于文中支持項(xiàng)目“蒙醫(yī)方劑數(shù)據(jù)挖掘關(guān)鍵技術(shù)研究”，擬建立一個(gè)專門(mén)進(jìn)行蒙藥產(chǎn)品銷售的系統(tǒng)，同時(shí)為了使廣大用戶認(rèn)識(shí)和認(rèn)可蒙藥的獨(dú)特療效，可在取得其他廠商同意的基礎(chǔ)上，根據(jù)功能與主治信息，尋找同類其他藥物與蒙藥進(jìn)行同時(shí)銷售。通過(guò)用戶的購(gòu)買行為、評(píng)論行為等進(jìn)一步驗(yàn)證文中算法的合理性，同時(shí)也通過(guò)用戶對(duì)蒙藥的認(rèn)識(shí)和使用，發(fā)揮其獨(dú)特的作用，為用戶減少疾病的痛苦。

[1] 許海玲,吳 瀟,李曉東,等.互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J].軟件學(xué)報(bào)，2009，20(2):350-362.

[2] 劉鳳霞,孫家蓉.基于商品分類的電子商務(wù)推薦系統(tǒng)設(shè)計(jì)[J].計(jì)算機(jī)應(yīng)用與軟件，2014，31(5)：37-41.

[3] 劉建國(guó),周 濤,汪秉宏.個(gè)性化推薦系統(tǒng)的研究進(jìn)展[J].自然科學(xué)進(jìn)展,2009,19(1):1-15.

[4]LiuRR,JiaCX,ZhouT,etal.Personalrecommendationviamodifiedcollaborativefiltering[J].PhysicaA,2009,388(4):462-468.

[5] 王國(guó)霞，劉賀平.個(gè)性化推薦系統(tǒng)綜述[J].計(jì)算機(jī)工程與應(yīng)用，2012，48(7):66-76.

[6] 王巧榮，趙海燕，曹 健.個(gè)性化服務(wù)中的用戶建模技術(shù)[J].小型微型計(jì)算機(jī)系統(tǒng)，2011，32(1):39-46.

[7]WengSS，LinBS，ChenWJ.Usingcontextualinformationandmultidimensionalapproachforrecommendation[J].ExpertSystemwithApplications，2009，36(2):1268-1279.

[8]YanDuanwu.Researchonknowledgeserviceorientedintelligentrecommendationsystem[D].Nanjing:NanjingUniversityofScienceandTechnology，2007.

[9]ZhangZ，LuL，LiuJG，etal.Empiricalanalysisonakeywordbasedsemanticsystem[J].TheEuropeanPhysicalJournalB，2008，66(4):557-561.

[10] 鄭 鑫，張韌志.一種基于模糊C均值聚類的協(xié)同過(guò)濾推薦算法[J].濟(jì)南大學(xué)學(xué)報(bào):自然科學(xué)版，2016,30(1):55-59.

[11] 譚文安，沈騰騰，孫 勇.基于偏好相似度的混合信任推薦模型[J].太原理工大學(xué)學(xué)報(bào)，2016，47(1):62-67.

[12] 王全民，王 莉，曹建奇.基于評(píng)論挖掘的改進(jìn)的協(xié)同過(guò)濾推薦算法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2015，25(10):24-28.

[13] 徐新瑞，孟彩霞，周 雯，等.一種基于Spark時(shí)效化協(xié)同過(guò)濾推薦算法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2015，25(6):48-55.

Research on Similar Products Recommendation Algorithm Based on Electronic Commerce

ZHANG Chun-sheng1,TU Ya1,WENG Hui2,LI Yan1

(1.College of Computer Science and Technology，Inner Mongolia University for Nationalities,Tongliao 028043,China;2.College of Chemistry & Chemical Engineering,Inner Mongolia University for Nationalities,Tongliao 028043,China)

Personalized recommendation algorithm is a hot issue in the study of the electronic commerce system.A recommendation algorithm based on similar products is presented in this paper,by which users in the purchase of goods can quick get cost-effective products and improve the service ability of the system.This algorithm aims at similar products,the five arguments including supplier name,commodity prices,the number of purchase,receiving the number,user reviews are selected as recommended indexes.On the basis of sufficient demonstration,the weight of each index is determined and data model is established.To test and verify the correctness of the model,a experiment is conducted according to the sales of the first 67 of the dealer of the list in Taobao product (SAMSUNG/SAMSUNG s7898) on February 1,2014.The results show that the model is objective and effective.At present,there are more personalized recommendation algorithms,but the research achievements of recommendation algorithm proposed for the similar goods are relatively small,the implementation of the recommendation algorithm can reduce the difficulty of users finding satisfactory goods,and improve the service level of the system.

electronic commerce;similar products;recommendation algorithm;study

2014-12-03

2015-04-07

時(shí)間：2016-05-05

國(guó)家自然科學(xué)基金資助項(xiàng)目(81460656)；內(nèi)蒙古自然科學(xué)基金(2012MS0913)；通遼市與內(nèi)蒙古民族大學(xué)合作項(xiàng)目(SXZD2012021)

張春生(1965-)，男，教授，研究方向?yàn)閿?shù)據(jù)庫(kù)技術(shù)、數(shù)據(jù)挖掘、軟件理論及應(yīng)用。

http://www.cnki.net/kcms/detail/61.1450.TP.20160505.0814.014.html

TP311

A

1673-629X(2016)05-0017-05

10.3969/j.issn.1673-629X.2016.05.004