姚劍

摘要：為了節(jié)省顧客商品選購時間，幫助顧客從海量商品中快速找尋意購物品，本文嘗試將關(guān)聯(lián)規(guī)則與個性化導(dǎo)購相結(jié)合，引入FP-tree關(guān)聯(lián)規(guī)則算法，利用商品推薦公式中的關(guān)聯(lián)度，同時綜合利用商家利益最大化、熱銷商品等因素，建立商品推薦綜合評分公式?；诰C合評分值對待推薦商品進(jìn)行動態(tài)排序，并將排序結(jié)果推送給客戶，實現(xiàn)個性化商品智能動態(tài)推薦服務(wù)。

Abstract： In order to save shopping time and to help customers find the favorite goods conveniently from numerous merchandises， this paper attempted to develop an intelligent recommendation system for individual commodity based on association rules. We established the comprehensive score formula of commodity selection by introducing the FP-tree association rules， using the correlation index of the recommended formula and synthesizing some factors such as the maximum of benefits， hot commodity， etc.. The merchandise recommendation service is based on the rank of comprehensive score， the sorted results are finally pushed to the customer.

關(guān)鍵詞：個性化商品導(dǎo)購；數(shù)據(jù)挖掘；關(guān)聯(lián)規(guī)則；智能推薦系統(tǒng)

Key words： guiding-purchase of individual commodity；data mining；association rules；intelligent recommendation system

中圖分類號：TP311.1 文獻(xiàn)標(biāo)識碼：A 文章編號：1006-4311（2017）35-0199-03

0 引言

近年來，隨著信息技術(shù)的飛速發(fā)展。網(wǎng)上購物方式在人們的生活中比重已經(jīng)越來越大。商品推薦系統(tǒng)主要是基于網(wǎng)站的用戶購買記錄與瀏覽行為，通過算法對商品庫進(jìn)行匹配，將當(dāng)前熱門的、用戶收藏的或者風(fēng)格類似的商品推薦給潛在購買顧客[1]。

個性化智能推薦最終目標(biāo)就是讓任何一個訪問電商平臺的用戶，在進(jìn)入平臺頁面時，系統(tǒng)能夠根據(jù)用戶日常的行為偏好和習(xí)慣，提前知道用戶意向購買商品，在還沒有發(fā)生點擊行為時，系統(tǒng)能自動將特定商品推薦到用戶訪問的頁面，提升平臺用戶下單轉(zhuǎn)化率。即使在用戶沒有訪問平臺時，商家通過與用戶日常瀏覽互聯(lián)網(wǎng)行為軌跡的平臺進(jìn)行聯(lián)盟合作，在聯(lián)盟平臺推送用戶希望購買的商品廣告和商品鏈接，刺激和引導(dǎo)用戶點擊購買。即使在用戶沒有打開電腦時，能夠通過信息和郵件的方式，根據(jù)用戶平常的購買頻次和周期，在特定的時間推送到用戶手機(jī)和電腦[2]。

1 工作流程及具體實現(xiàn)

1.1 推薦系統(tǒng)的工作流程

商品動態(tài)推薦系統(tǒng)的整個工作流程包括以下四個步驟：商品數(shù)據(jù)采集、商品數(shù)據(jù)預(yù)處理、商品推薦綜合評分、動態(tài)智能推薦[3]。

1.2 商品數(shù)據(jù)預(yù)處理

商品數(shù)據(jù)預(yù)處理主要是數(shù)據(jù)清洗與數(shù)據(jù)變換，通過數(shù)據(jù)預(yù)處理后得到的商家主推修正系數(shù)、商品熱銷度、商品毛利率修正系數(shù)、商品關(guān)聯(lián)度。數(shù)據(jù)預(yù)處理的具體步驟如下：

Step1：商品熱銷度評分是根據(jù)商家最近一段時間（例如1個月內(nèi)）商品銷售記錄，匯總后排名經(jīng)規(guī)范化后的計算得分。最高取值為1，最低取值為0。

式（1）中：γ1為商品熱銷度，取值范圍在0-1之間；Qi為商品銷售量；Qmax為該商家最近1個月內(nèi)有銷售記錄的商品最大銷售量；Qmin為該商家最近1個月內(nèi)有銷售記錄的商品最小銷售量。

Step2：商家主推系數(shù)γ2是針對新商品做出排序得分，最高為1，最低為0.1，系數(shù)越高表示商戶越期望將此商品推薦給顧客。

Step3：商品毛利率修正系數(shù)是根據(jù)商品單價和成本計算得到毛利率，再經(jīng)歸一化后得到。

式（2）中：γ3為特定商品的毛利率修正系數(shù)，ρ單價為商品銷售單價，ρ成本為商品采購成本。

Step4：商品關(guān)聯(lián)度修正系數(shù)γ4是根據(jù)歷史訂購數(shù)據(jù)，采用FP關(guān)聯(lián)規(guī)則算法得到商品關(guān)聯(lián)度推薦評分值，再經(jīng)過歸一化，反映商品與顧客已采購商品的關(guān)聯(lián)程度。

關(guān)聯(lián)規(guī)則是形如X→Y的函數(shù)（X項集和Y項集不相交）。本文引入支持度與置信度來衡量關(guān)聯(lián)規(guī)則強(qiáng)度。支持度（support）用于確定規(guī)則可以對給定數(shù)據(jù)集的頻繁程度；置信度（confidence）用于確定項集Y在包含項集X的事務(wù)中出現(xiàn)的頻繁程度[4]。

支持度較低的規(guī)則，表示發(fā)現(xiàn)頻率較低，可能是偶然發(fā)生?？梢酝ㄟ^確定閾值來刪除這些支持度較低的規(guī)則。本文的商品智能推薦系統(tǒng)采用FP增長算法，根據(jù)最小支持度找出頻繁項集，再由頻繁項集產(chǎn)生滿足一定支持度和置信度條件的強(qiáng)關(guān)聯(lián)規(guī)則。

1.3 動態(tài)推薦系統(tǒng)的具體實現(xiàn)endprint

1.3.1 基于關(guān)聯(lián)規(guī)則的推薦算法

經(jīng)過數(shù)據(jù)預(yù)處理之后，基于關(guān)聯(lián)規(guī)則的商品智能推薦算法，可以描述如下：

引進(jìn)FP-tree算法后，該算法只需要進(jìn)行兩次商品數(shù)據(jù)庫掃描，直接壓縮數(shù)據(jù)庫便可形成一個頻繁模式樹，同時生成相應(yīng)的關(guān)聯(lián)規(guī)則[5]。

算法關(guān)鍵步驟：第一步利用商品數(shù)據(jù)庫構(gòu)造FP-tree；第2步從FP-tree中挖掘頻繁模式。

①構(gòu)建FP-tree；

②FP增長算法產(chǎn)生頻繁項集；

③產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則。

1.3.2 商品推薦綜合評分

本文所述的商品推薦系統(tǒng)是對商品關(guān)聯(lián)系數(shù)、商家主推、商品毛利率、商品熱銷度的綜合考量，特定商品推薦綜合評分計算公式如下：

S綜合評分是特定商品推薦綜合評分，取值范圍0-40；γ1為特定商品熱銷度的評分，取值范圍0-1，α1為其權(quán)值；γ2商家對特定商品的主推修正系數(shù)，取值范圍0.1-1.0，α2為其權(quán)值；γ3是特定商品毛利率修正系數(shù)，取值范圍0.1-1.0，α3為其權(quán)值；γ4是特定商品與已選商品關(guān)聯(lián)度修正系數(shù)，取值范圍0.1-1.0，α4為其權(quán)值。（注：4種評分因素分配的權(quán)值不同，則商品推薦綜合評分值也會不同）

傳統(tǒng)綜合評分公式只能對每個指標(biāo)加權(quán)求和得到綜合評分，而該新公式在此基礎(chǔ)上加入后綴影響因式，可以自行根據(jù)指標(biāo)數(shù)值的情況提升重要指標(biāo)（占權(quán)值較大的指標(biāo)）排序時的優(yōu)勢地位，即權(quán)值大的指標(biāo)值越大，在總體中排序更具優(yōu)勢。但綜合評分排序并不完全按照權(quán)值排序，還會考慮其他指標(biāo)。

2 智能推薦系統(tǒng)的應(yīng)用實例

為驗證推薦綜合評分算法有效性，將此算法與一般綜合評分算法進(jìn)行驗證和比較。

某顧客在某店鋪已選購了智能手機(jī)，該店鋪收集相關(guān)商品數(shù)據(jù)如表1，包含12個商品組和20個商品。

通過掃描表1商品數(shù)據(jù)集，統(tǒng)計得到每個商品的支持度計數(shù)如表2所示。

設(shè)最小支持度為2，丟棄非頻繁項，得到頻繁項，按照支持度遞減的排序為：智能手機(jī)、平板電腦、智能手環(huán)、旅行箱、玩具機(jī)器人、自拍桿、路由器、充電寶。

接著按照上述算法構(gòu)建FP-tree和FP增長算法，產(chǎn)生以智能手機(jī)結(jié)尾的頻繁項集，并將其中歸一化后達(dá)到最小置信度0.40的具有強(qiáng)關(guān)聯(lián)規(guī)則的項集輸出：{平板電腦、智能手機(jī)}、{智能手環(huán)、智能手機(jī)}、{旅行箱、智能手機(jī)}、{玩具機(jī)器人、智能手機(jī)}、{自拍桿、智能手機(jī)}，它們的置信度分別為：0.80，0.70，0.50，0.40，0.40。

整理與智能手機(jī)具有強(qiáng)關(guān)聯(lián)規(guī)則的5個商品的銷售量、單價、成本的數(shù)據(jù)如表3示。

根據(jù)原始數(shù)據(jù)及式（1）-式（4），計算出熱銷度評分、毛利率、商家主推度、關(guān)聯(lián)度?，F(xiàn)將4種數(shù)據(jù)變量整理如表4所示。

根據(jù)經(jīng)驗設(shè)定權(quán)值，由傳統(tǒng)綜合評分公式和本文綜合評分公式分別計算得到各商品的綜合分?jǐn)?shù)如表5。

對比分析兩種方法：由傳統(tǒng)方法計算出的智能手環(huán)和自拍桿的分?jǐn)?shù)都是6，故當(dāng)顧客選購了智能手機(jī)和行車記錄儀，這兩類商品處于同等推薦位置，但顯然是不合理的，因為智能手環(huán)與智能手機(jī)和行車記錄儀關(guān)聯(lián)度是0.7，遠(yuǎn)遠(yuǎn)大于自拍桿與智能手機(jī)和行車記錄儀的關(guān)聯(lián)度0.4，智能手環(huán)應(yīng)比自拍桿更具有推薦優(yōu)勢位置，且智能手環(huán)和自拍桿的分?jǐn)?shù)差為1.184也在合理范圍內(nèi)，不會太懸殊。

自拍桿和玩具機(jī)器人的關(guān)聯(lián)度都是0.4，自拍桿熱銷度0.70，毛利率0.62，主推度0.90，對應(yīng)玩具機(jī)器人熱銷度0.85，毛利率0.60，主推度0.70，推測它們的推薦地位應(yīng)該是比較接近的。而自拍桿與玩具機(jī)器人的改進(jìn)式分?jǐn)?shù)只相差0.0335，比它們的一般式分?jǐn)?shù)差0.2250更符合實際。

3 結(jié)束語

本文主要設(shè)計一種基于關(guān)聯(lián)規(guī)則綜合評分算法的銷售服務(wù)智能推薦系統(tǒng)。根據(jù)已購商品關(guān)聯(lián)度、商家利益最大化、熱銷商品等因素，以及因素重要度來創(chuàng)建商品推薦綜合公式?；诰C合評分對各商品進(jìn)行推薦排序，排序結(jié)果最終以移動方式推送給顧客。商品動態(tài)推薦服務(wù)，能夠幫助顧客快速發(fā)現(xiàn)感興趣的商品；同時有助于商家發(fā)現(xiàn)商品間關(guān)聯(lián)關(guān)系，并采取措施，同時提高客戶滿意度與營業(yè)利潤，從而實現(xiàn)消費者和商家的雙贏。

參考文獻(xiàn)：

[1]張素智，趙亞楠，楊芮.推薦系統(tǒng)研究[J].湖北民族學(xué)院學(xué)報（自然科學(xué)版），2017（01）：1-6.

[2]丁雪.基于數(shù)據(jù)挖掘的圖書智能推薦系統(tǒng)研究[J].情報理論與實踐，2010（05）：107-110.

[3]任明樞.Web數(shù)據(jù)挖掘及其在電子商務(wù)中的應(yīng)用[D].山東科技大學(xué)，2004.

[4]胡迎松，韓蘋，陳中新.一個基于Agent的個性化推薦系統(tǒng)[J].計算機(jī)應(yīng)用研究，2006（04）：78-80.

[5]李煊，汪曉巖，莊鎮(zhèn)泉.基于關(guān)聯(lián)規(guī)則挖掘的個性化智能推薦服務(wù)[J].計算機(jī)工程與應(yīng)用，2002（11）：200-204，229.endprint