袁超凡

摘 要 個(gè)性化推薦技術(shù)的應(yīng)用是電子商務(wù)平臺(tái)進(jìn)行精細(xì)化運(yùn)營的重要手段。個(gè)性化商品推薦系統(tǒng)的合理設(shè)計(jì)能夠有效提高電子商務(wù)平臺(tái)訂單轉(zhuǎn)化率，縮短用戶購物路徑，改善用戶體驗(yàn)。近些年來，電子商務(wù)與社交媒體相融合的創(chuàng)新模式為社會(huì)化推薦提供了可能。挖掘社交關(guān)系數(shù)據(jù)的用戶關(guān)系，將其應(yīng)用到傳統(tǒng)的推薦模型中，是改善推薦系統(tǒng)推薦精度的有效方法。

關(guān)鍵詞 社交媒體；電子商務(wù)；網(wǎng)絡(luò)；社會(huì)化

中圖分類號(hào) G2 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 2096-0360（2017）23-0014-03

1 問題背景

電子商務(wù)在經(jīng)歷了十幾年的規(guī)模性增長(zhǎng)后，網(wǎng)絡(luò)零售進(jìn)入了增速放緩的階段。

從國家統(tǒng)計(jì)局公布的2016年的數(shù)據(jù)看，電商的盈利空間被壓縮，競(jìng)爭(zhēng)更為激烈，兼并與淘汰更加頻繁，創(chuàng)新、拓展與試錯(cuò)成為主題[1]。如何通過精細(xì)化的運(yùn)營更好地生存是電商企業(yè)要重點(diǎn)考慮和解決的問題。

2017年6月27日，易觀與云集微店聯(lián)合發(fā)布了《中國社交電子商務(wù)發(fā)展專題分析2017》的分析報(bào)告。報(bào)告指出，網(wǎng)上零售在初顯增速放緩中探尋到一條將電子商務(wù)與社交媒體相融合的創(chuàng)新模式，極大激活了市場(chǎng)活力。

中國電子商務(wù)研究中心指出，電子商務(wù)和微博社交網(wǎng)絡(luò)是目前中國用戶使用較頻繁的兩大服務(wù)平臺(tái)，據(jù)CNNIC調(diào)查顯示，同時(shí)使用兩類服務(wù)平臺(tái)用戶較大，達(dá)到1.67億[2]。2017年，阿里集團(tuán)持有新浪微博31%股權(quán)，為新浪微博的第二大股東。在這種整合模式下，電子商務(wù)平臺(tái)可以將用戶的購物數(shù)據(jù)與社交媒體中的社交信息整合起來，為實(shí)現(xiàn)社會(huì)化推薦提供數(shù)據(jù)基礎(chǔ)。

2 推薦系統(tǒng)的發(fā)展和應(yīng)用

個(gè)性化推薦技術(shù)是解決用戶模糊需求的重要途徑，該技術(shù)的應(yīng)用能夠促進(jìn)信息的高效篩選和過濾。

1994年，明尼蘇達(dá)大學(xué)Group Lens研究組使用基于協(xié)同過濾的推薦算法推出了Group Lens系統(tǒng)[3]，推薦系統(tǒng)從此成為一個(gè)相對(duì)獨(dú)立的研究方向。經(jīng)過20多年的發(fā)展，個(gè)性化推薦算法被廣泛集成到很多商業(yè)應(yīng)用系統(tǒng)中，如電子商務(wù)，影音、閱讀，新聞等內(nèi)容產(chǎn)業(yè)。在電子商務(wù)領(lǐng)域，亞馬遜對(duì)個(gè)性化推薦系統(tǒng)使用起步早、且應(yīng)用廣泛。Brent，Greg[4]指出，1998年，亞馬遜應(yīng)用了基于項(xiàng)目的協(xié)同過濾推薦算法，到2017年，推薦系統(tǒng)在亞馬遜平臺(tái)的應(yīng)用已經(jīng)經(jīng)歷了近20年的歷史。國內(nèi)著名的電商平臺(tái)淘寶、京東對(duì)推薦系統(tǒng)的應(yīng)用也十分廣泛[5]。

目前，電子商務(wù)平臺(tái)普遍應(yīng)用的基于協(xié)同過濾的推薦算法，在分析用戶相似性和產(chǎn)品相似性時(shí)，都是以用戶對(duì)商品的歷史行為數(shù)據(jù)作為數(shù)據(jù)源，忽略了用戶屬性以及用戶關(guān)系等問題，存在推薦準(zhǔn)確度低等問題。社會(huì)化推薦技術(shù)，是通過引入用戶的社交關(guān)系來改善傳統(tǒng)推薦系統(tǒng)的準(zhǔn)確度的一個(gè)有效方式。

電子商務(wù)平臺(tái)對(duì)于社交網(wǎng)絡(luò)的應(yīng)用多為簡(jiǎn)單的廣告促銷模式，例如亞馬遜以在Facebook發(fā)布促銷信息進(jìn)行社交互動(dòng)，2013年數(shù)據(jù)顯示，在Facebook上亞馬遜社會(huì)化電子商務(wù)轉(zhuǎn)化率只有3.67%。2010年報(bào)道稱，亞馬遜允許將用戶在電商平臺(tái)的賬戶和Facebook的社交賬戶進(jìn)行綁定，網(wǎng)站可以通過分析用戶在社交網(wǎng)站發(fā)布的興趣信息或者好友圈的流行產(chǎn)品信息，為用戶提供購物建議[6]。在中國，淘寶網(wǎng)對(duì)于微博的應(yīng)用停留在幫助推廣階段。如何從社交互動(dòng)轉(zhuǎn)化為社交發(fā)現(xiàn)，例如通過社交平臺(tái)上用戶之間的社交關(guān)系增強(qiáng)推薦結(jié)果的可信度，或者從社交活動(dòng)信息中挖掘用戶潛在的購物偏好，是社會(huì)化推薦的研究方向。

本文研究了如何將社交媒體與傳統(tǒng)的協(xié)同過濾算法結(jié)合起來，改善傳統(tǒng)推薦算法的推薦精度問題。提出一種基于用戶局部信任模型的協(xié)同過濾算法。

3 推薦模型介紹

3.1 基于項(xiàng)目的協(xié)同過濾（Item-based Collaborative Filtering）

協(xié)同過濾推薦算法是推薦系統(tǒng)中應(yīng)用最早和最為成功的技術(shù)之一。以推薦算法應(yīng)用的數(shù)據(jù)源不同進(jìn)行分類，協(xié)同過濾分為基于記憶的推薦，基于模型的推薦。

基于記憶的推薦應(yīng)用用戶與商品之間的交互信息，如點(diǎn)擊，購買，評(píng)分等數(shù)據(jù)，構(gòu)建用戶之間或者產(chǎn)品之間的相似性模型，其中，通過計(jì)算產(chǎn)品相似度進(jìn)行商品推薦的模型稱為基于項(xiàng)目的協(xié)同過濾算法。本文的算法改進(jìn)以基于項(xiàng)目的協(xié)同過濾算法為基礎(chǔ)，因此簡(jiǎn)單介紹該算法的理論基礎(chǔ)。

該算法的假設(shè)是，與之前購買的評(píng)價(jià)高的商品相比，若目標(biāo)產(chǎn)品與其相似度越高，則用戶對(duì)目標(biāo)產(chǎn)品感興趣的可能性越大。產(chǎn)品和產(chǎn)品的相似性可以用皮爾森相關(guān)系數(shù)法進(jìn)行計(jì)算。

公式中，為產(chǎn)品和產(chǎn)品共同評(píng)分的顧客集合，為產(chǎn)品的評(píng)分均值，為顧客對(duì)產(chǎn)品的評(píng)分。

3.2 社會(huì)化推薦技術(shù)

社會(huì)化推薦是近年來推薦系統(tǒng)的研究熱點(diǎn)之一。該技術(shù)利用用戶的社會(huì)化行為數(shù)據(jù)，或者社交關(guān)系網(wǎng)絡(luò)數(shù)據(jù)，提高推薦系統(tǒng)的推薦結(jié)果的準(zhǔn)確度，解決傳統(tǒng)推薦系統(tǒng)的冷啟動(dòng)問題。冷啟動(dòng)是當(dāng)新的用戶或者新的物品加入推薦系統(tǒng)時(shí)面臨的問題。由于沒有歷史數(shù)據(jù)，推薦系統(tǒng)難以對(duì)新用戶進(jìn)行興趣建模，也難以匹配對(duì)新物品感興趣的用戶群體。社會(huì)化推薦中，可以通過引入與新用戶相關(guān)的其他用戶的興趣信息，從而間接預(yù)測(cè)新用戶興趣模型。

3.2.1 基于社會(huì)化行為的推薦

社交網(wǎng)絡(luò)平臺(tái)中，常見的社會(huì)化行為包括用戶主動(dòng)標(biāo)識(shí)標(biāo)簽、書簽、評(píng)注等信息資源。以國內(nèi)社區(qū)網(wǎng)站豆瓣為例，用戶可以對(duì)圖書或者影音等信息進(jìn)行自定義標(biāo)記，網(wǎng)站可以通過這些標(biāo)記來對(duì)產(chǎn)品屬性進(jìn)行分類，并對(duì)用戶進(jìn)行相似標(biāo)簽產(chǎn)品的推

薦[7-8]。將基于標(biāo)簽的推薦算法應(yīng)用到傳統(tǒng)推薦算法中，研究了如何將基于社會(huì)化行為的推薦與基于協(xié)同過濾的推薦算法結(jié)合起來。

3.2.2 基于用戶關(guān)系網(wǎng)的推薦

利用用戶間的社交關(guān)系是社會(huì)化推薦的另一個(gè)主要應(yīng)用。關(guān)于用戶關(guān)系計(jì)算目前主要有信任度模型、用戶聚類分析等。endprint

信任度計(jì)算主要分為全局信任模型和局部信任模型。全局信任主要是計(jì)算每個(gè)用戶基于交易反饋而形成的聲譽(yù)度，對(duì)全局信任的研究，主要有S.Kamavar綜合反饋評(píng)價(jià)信任模型和信譽(yù)機(jī)制提出的EigenTrust算法，L.Xiong提出的PeerTrust算法等[9]。局部信任度的計(jì)算是在任意兩個(gè)用戶之間進(jìn)行的，對(duì)局部信任的研究，推薦領(lǐng)域已經(jīng)有很多優(yōu)秀的算法和模型，例如用于連續(xù)信任值計(jì)算的TidalTrust模型[10]，基于概率的信任模型[11]等。

4 基于用戶局部信任模型的協(xié)同過濾算法

4.1 推薦模型

傳統(tǒng)的基于項(xiàng)目的協(xié)同過濾算法沒有考慮用戶自身屬性以及用戶關(guān)系屬性，在該算法中，所有用戶對(duì)計(jì)算結(jié)果的影響權(quán)重都是相同的，即均為1。但是用戶自身特點(diǎn)不同，如用戶的活躍度，用戶與目標(biāo)用戶的親密度等不同，則對(duì)計(jì)算結(jié)果的影響權(quán)重也不同。

本文用目標(biāo)用戶對(duì)共同評(píng)分用戶的量化的信任關(guān)系作為該共同評(píng)分用戶對(duì)計(jì)算結(jié)果的影響權(quán)重，即信任值越大，權(quán)重越高，信任值越小，權(quán)重越低。這種權(quán)重調(diào)和方式能有效改善用戶間關(guān)系不同對(duì)推薦結(jié)果所造成的影響。本文將用戶對(duì)用戶信任值定義為用戶之間的相似度和用戶之間因好友關(guān)系而形成的傳遞信任的加權(quán)之和，公式如下，公式中。

用戶相似度可以通過基于人口統(tǒng)計(jì)學(xué)的方法進(jìn)行計(jì)算，其用到的信息可以是用戶在電子商務(wù)平臺(tái)注冊(cè)的信息，包括性別、年齡、地區(qū)等。Sun[11]提出的基于概率的信任值計(jì)算方法，可以應(yīng)用到傳遞信任模型的計(jì)算中。

以皮爾森相關(guān)系數(shù)法作為基礎(chǔ)算法，結(jié)合信任值，改進(jìn)的項(xiàng)目相似度計(jì)算公式為：

公式中，為目標(biāo)用戶，相似度度量公式是自適應(yīng)于用戶的。

4.2 推薦系統(tǒng)實(shí)現(xiàn)條件

1）大量有效的數(shù)據(jù)支持。對(duì)于電商平臺(tái)來說，除了提高網(wǎng)站本身流量，還需要通過與社交網(wǎng)絡(luò)整合，來獲取購物平臺(tái)用戶的社交信息。

2）本文提出的社會(huì)化推薦算法是以改進(jìn)推薦精度為目的，對(duì)于推薦系統(tǒng)的數(shù)據(jù)稀疏以及運(yùn)算復(fù)雜度問題的考慮，還需做進(jìn)一步的擴(kuò)展研究。

4.3 評(píng)價(jià)指標(biāo)

4.3.1 購物路徑長(zhǎng)度

一個(gè)消費(fèi)者進(jìn)入電子商務(wù)網(wǎng)站首頁界面，然后首頁界面可以點(diǎn)擊跳轉(zhuǎn)到商品頁面或者活動(dòng)頁面，這就是購物路徑。購物路徑的合理性直接影響到轉(zhuǎn)化率，例如，阿里巴巴集團(tuán)CEO張勇在開發(fā)手機(jī)淘寶時(shí)給阿里無線團(tuán)隊(duì)下達(dá)任務(wù)：讓每一個(gè)用戶在手機(jī)上點(diǎn)擊不超過三次就能夠跳轉(zhuǎn)到想要看到的頁面。高效的個(gè)性化推薦以及合理的品牌產(chǎn)品展示布局，對(duì)縮短購物路徑有著重要作用，因此，購物路徑長(zhǎng)度是測(cè)評(píng)一個(gè)電子商務(wù)推薦系統(tǒng)的重要指標(biāo)。

4.3.2 訂單轉(zhuǎn)化率

訂單轉(zhuǎn)化率——將網(wǎng)站流量轉(zhuǎn)化為購買量的比例，是當(dāng)今電子商務(wù)網(wǎng)站的運(yùn)營核心。電子商務(wù)網(wǎng)站的流量質(zhì)量是影響訂單轉(zhuǎn)化率的重要因素。高效的推薦系統(tǒng)能有效提高流量質(zhì)量，進(jìn)而提高訂單轉(zhuǎn)化率。

4.3.3 客戶購物體驗(yàn)滿意度及用戶黏度

電子商務(wù)與線下實(shí)體經(jīng)濟(jì)的本質(zhì)都是為了滿足顧客購物消費(fèi)的服務(wù)經(jīng)濟(jì)。而每一種產(chǎn)品和服務(wù)除了價(jià)格和成本外，體驗(yàn)經(jīng)濟(jì)是一個(gè)爭(zhēng)奪市場(chǎng)占有率的一個(gè)重要方式。《第三次浪潮》的作者托夫勒曾經(jīng)談到服務(wù)經(jīng)濟(jì)最終將轉(zhuǎn)向體驗(yàn)經(jīng)濟(jì)。電商平臺(tái)將越來越多地通過體驗(yàn)服務(wù)來提高競(jìng)爭(zhēng)力，獲取更高的市場(chǎng)回報(bào)。個(gè)性化，多樣化消費(fèi)是體驗(yàn)經(jīng)濟(jì)時(shí)代消費(fèi)者的一個(gè)消費(fèi)需求，而個(gè)性化推薦技術(shù)則是滿足這種需求的重要手段。

此外，合理的個(gè)性化推薦技術(shù)能為顧客推薦真正感興趣的產(chǎn)品，這對(duì)提高電商平臺(tái)的吸引力，增加復(fù)購率，提升用戶黏度有著積極影響。

參考文獻(xiàn)

[1]搜狐財(cái)經(jīng).網(wǎng)購增速放緩 2017年電商淘汰賽該如何打？[EB/OL].[2017-01-18].http：//www.sohu.com/a/124635139_393779.

[2]中國電子商務(wù)研究中心.同時(shí)微博與網(wǎng)購的用戶達(dá)1.67億[EB/OL].[2013-05-28].http：//b2b.toocle.com/detail--6103029.html，2013.

[3]Resnick P， Iacovou N， Suchak M， et al. GroupLens： an open architecture for collaborative filtering of netnews[C]// ACM Conference on Computer Supported Cooperative Work. ACM， 1994：175-186.

[4]Brent Smith， Greg Linden， “Two Decades of Recommender Systems at Amazon.com”， IEEE Internet Computing vol. 21 no. 3， p.12-18，2017.

[5]洪亮，任秋圜，梁樹賢.國內(nèi)電子商務(wù)網(wǎng)站推薦系統(tǒng)信息服務(wù)質(zhì)量比較研究——以淘寶、京東、亞馬遜為例[J].圖書情報(bào)工作，2016，60（23）：97-110.

[6]騰訊科技.亞馬遜用戶可綁定Facebook賬戶并獲購物建議[EB/OL].[2010-07-28].http：//tech.qq.com/a/20100728/000143.htm.

[7]蔡強(qiáng)，韓東梅，李海生，等.基于標(biāo)簽和協(xié)同過濾的個(gè)性化資源推薦[J].計(jì)算機(jī)科學(xué)，2014，41（1）：69-71.

[8]萬朔.基于社會(huì)化標(biāo)簽的協(xié)同過濾推薦策略研究[D].成都：電子科技大學(xué)，2010.

[9]劉建國，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.

[10]Golbeck J.Computing and Applying Trust in Web-based Social Networks [D]. University of Maryland，2005.

[11]Sun Y L，Yu W， Han Z， et al. Information theoretic framework of trust modeling and evaluation for ad hoc networks[J]. IEEE Journal on Selected Areas in Communications， 2006， 24（2）：305-317.endprint