顏 穎

（義烏工商職業(yè)技術(shù)學(xué)院創(chuàng)業(yè)學(xué)院，浙江 義烏 322000）

通過對各大主流電子商務(wù)網(wǎng)站的研究，可以發(fā)現(xiàn)推薦系統(tǒng)的功能已遍布各類網(wǎng)站。無論淘寶網(wǎng)站中的“猜你喜歡”，亦或亞馬遜網(wǎng)站中的“為您推薦”等功能，無不展示了推薦系統(tǒng)的強(qiáng)大。在各個電子商務(wù)網(wǎng)站之間，推薦系統(tǒng)已成為電子商務(wù)網(wǎng)站中最有競爭力的模塊之一，它是必不可少的存在。因此，開發(fā)一個精準(zhǔn)、強(qiáng)大的個性化推薦系統(tǒng)已成為各個電子商務(wù)網(wǎng)站面臨的最大挑戰(zhàn)。

一、推薦系統(tǒng)的意義

（一）推薦系統(tǒng)的含義

所謂的推薦系統(tǒng)，并不是一個獨(dú)立的系統(tǒng)，在一定程度上說，它是依附于主體網(wǎng)站而存在的模塊，也可以被稱為是一種工具，其功能的運(yùn)作需要主體網(wǎng)站的支撐?；趯χ黧w網(wǎng)站中用戶知識、用戶行為及喜好的分析，該系統(tǒng)能夠發(fā)現(xiàn)客戶最為感興趣的商品，并及時推薦給客戶，從而達(dá)到提升交易額的目的。

（二）推薦系統(tǒng)的作用

從技術(shù)角度出發(fā)，推薦系統(tǒng)與搜索引擎類似，其被開發(fā)目的都是為了解決信息過載的問題。但與搜索引擎不同，推薦系統(tǒng)的推薦功能是在沒有用戶明確需求的情況下進(jìn)行的，它通過對用戶歷史行為數(shù)據(jù)進(jìn)行挖掘、分析、建模，最終找到用戶可能會感興趣的內(nèi)容并加以推送。

從電子商務(wù)的角度出發(fā)，電子商務(wù)網(wǎng)站其跨時空跨地域的天然優(yōu)勢，以及較實(shí)體市場相對低廉的運(yùn)營成本，使得其銷售的產(chǎn)品數(shù)量遠(yuǎn)遠(yuǎn)大于實(shí)體店。而在電子商務(wù)網(wǎng)站中，主流商品通常只占一小部分，其余的大量商品大多為長尾商品[1]，長尾商品通常具有非?？陀^的銷售額。那么，如何將這批產(chǎn)品挖掘出來，將它們推送給可能對其感興趣的用戶，從而增加下單率與訂單轉(zhuǎn)換率，就是個性化推薦系統(tǒng)需要做的。

總的來說，推薦系統(tǒng)算法的目標(biāo)就是根據(jù)不同的規(guī)則，找到產(chǎn)品和用戶的對應(yīng)關(guān)系，為不同需求的用戶提供定制化的推薦。這樣既解決了數(shù)據(jù)過載的問題，又為大量存在的長尾數(shù)據(jù)的再次被利用指明了方向。

二、推薦系統(tǒng)是如何與其他網(wǎng)站進(jìn)行接口的

對于電子商務(wù)系統(tǒng)，必然會有一個用戶界面（User Interface，簡稱UI系統(tǒng)）。UI系統(tǒng)主要負(fù)責(zé)頁面展示與用戶交互。用戶在UI系統(tǒng)中會產(chǎn)生各種操作行為，包括點(diǎn)擊、瀏覽、購買、支付等操作。為了記錄用戶在界面上的各種操作行為，網(wǎng)站通常會有日志系統(tǒng)。日志系統(tǒng)中的日志一般會存儲在內(nèi)存緩存、數(shù)據(jù)庫或者文件系統(tǒng)中。但無論存儲在何處，推薦系統(tǒng)都會獲取到這些日志信息，并通過分析用戶的行為數(shù)據(jù)，把數(shù)據(jù)結(jié)果匯總并生成推薦表，最終將推薦表展示在用戶界面中。但是，不同的推薦系統(tǒng)在進(jìn)行行為日志分析時所用到的算法不盡相同，根據(jù)不同的目標(biāo)，采取的方式也會有所差異。

三、基于用戶行為數(shù)據(jù)分析的推薦算法

基于用戶行為數(shù)據(jù)分析算法為推薦系統(tǒng)算法中的一種。此外，推薦系統(tǒng)算法還包括基于推薦原則與推薦內(nèi)容的算法。由于這兩種算法與用戶行為相較而言是相對獨(dú)立的，它們的推薦結(jié)果很難適應(yīng)于當(dāng)前需求多變的用戶群，用戶體驗(yàn)感往往較差，因此在電子商務(wù)網(wǎng)站系統(tǒng)中已不是主流的算法。相比之下，基于用戶行為數(shù)據(jù)分析的算法正好能彌補(bǔ)這一缺陷，特別是基于協(xié)同過濾的個性化推薦模型，協(xié)同過濾算法的個性化推薦模型具有精準(zhǔn)匹配客戶需求與及時推送等特性，有助于提升商品在電商平臺的交易額，進(jìn)而提升企業(yè)的盈利能力。[2]

因此，我們著重對基于用戶行為數(shù)據(jù)分析的推薦算法進(jìn)行探討。

（一）基于用戶行為的推薦算法

基于用戶行為的推薦算法是一種比較直觀的算法，從本質(zhì)上說，其將用戶數(shù)據(jù)分析結(jié)果分為用戶感興趣與不感興趣兩大類。

用戶行為在電子商務(wù)網(wǎng)站上會產(chǎn)生各種操作記錄，包括網(wǎng)頁瀏覽、購買、點(diǎn)擊、收藏、評分和評論等，這些記錄均以日志的形式保存在系統(tǒng)中。通過對用戶行為的分析，可以將數(shù)據(jù)分為顯性反饋數(shù)據(jù)與隱形反饋數(shù)據(jù)。顯性反饋數(shù)據(jù)中可以較明確地確定用戶對產(chǎn)品的喜好。如：用戶直接的評價，喜歡或者不喜歡。隱性反饋數(shù)據(jù)則較難確定，如頁面瀏覽數(shù)據(jù)，通過瀏覽頁面很難直觀地判斷出用戶是否對某一產(chǎn)品感興趣。通常情況下，分析顯性反饋數(shù)據(jù)可以很容易區(qū)分用戶行為是正反饋還是負(fù)反饋，而隱形反饋數(shù)據(jù)就比較難以確定。

（二）基于領(lǐng)域的算法

推薦系統(tǒng)中最基本的算法為基于領(lǐng)域的一類算法，這類算法在行業(yè)中被廣泛使用。這類算法主要分為兩個類別：其一為基于用戶的協(xié)同過濾算法，其二為基于物品的協(xié)同過濾算法。

1.基于用戶協(xié)同過濾算法（UserCF算法）

UserCF算法的基本思想：在一個個性化的推薦系統(tǒng)中，當(dāng)一個用戶A需要個性化推薦時，首先需要確定與其興趣相似的其他用戶集合B，進(jìn)而確定用戶集合B感興趣但用戶集合A卻沒有接觸過的產(chǎn)品，并推薦給A集合的用戶。所以，以協(xié)同過濾算法機(jī)制的核心計算包括如下兩個方面：

（1）確定與目標(biāo)用戶興趣的相似度較高的用戶集合；

（2）確定（1）集合內(nèi)用戶感興趣且較為新奇物品的同時將其推薦給用戶A。

UserCF算法中的首要任務(wù)是計算兩個用戶的興趣相似度。給定用戶u和用戶v，令N(u)與N(v)分別表示有過正反饋的用戶v與u物品的結(jié)合。通過余弦相似度的計算公式，則可以計算：

事實(shí)上對獨(dú)立用戶而言，對冷門物品通過這類方式進(jìn)行計算，一定程度上更能表明用戶間興趣的相似度。因此，如果直接使用基于余弦相似度的公式來計算所得的結(jié)果并不夠準(zhǔn)確，我們需要對熱門產(chǎn)品進(jìn)行一定程度的懲罰：

得出用戶間興趣相似度的結(jié)果后，UserCF算法會智能地對用戶推薦感興趣的物品，同時也會告知用戶有k個用戶也對該物品感興趣。具體的計算公式如下式：

上式中，S(u,K)表示用戶u興趣最接近的用戶數(shù)量為K個，N(i)為用戶對物品i有過行為的集合，Wuv為用戶v與u的興趣相似度，γvi則為用戶V對物品i的興趣程度。

2.基于物品的協(xié)同過濾算法（Item CF算法）

通俗地講，這一算法在于能夠?yàn)橛脩敉扑]感興趣的物品或是與其感興趣物品特性相近的物品。需要注意的是，Item CF這一算法并非是通過物品內(nèi)置屬性的相似度來確定用戶關(guān)注相似度的，而是對用戶行為數(shù)據(jù)進(jìn)行分析后得出的物品間的相似度。也可以理解為：若A與B兩種物品的相似度較高，用戶對A物品感興趣的同時也對B物品感興趣。所以，關(guān)于ItemCF的算法主要包括如下兩個步驟：

（1）對物品間相似的計算；

（2）基于用戶歷史行為與物品間的相似度為用戶生成并推薦有關(guān)物品列表。

令給定兩位用戶分別為i和j，若│N（i）│為對商品i感興趣的用戶數(shù)量，N（i）∩N（j）為同時對物品 i與 j感興趣的用戶數(shù)，則Wij可看作為用戶同時對i于j物品的占比。那么，

然而，當(dāng)物品j很熱門時，Wij的值就會很大，接近于1。此時，就會出現(xiàn)一種現(xiàn)象：任何物品都會和熱門的物品有很大的相似度。為了避免推薦出熱門的物品，可以根據(jù)余弦相似度公式得出：

但是事實(shí)上，并不是每個用戶的貢獻(xiàn)都是相同的，非因自身需求因素而批量購買的用戶的貢獻(xiàn)遠(yuǎn)遠(yuǎn)沒有出于自身興趣而購買少量物品的用戶的貢獻(xiàn)大。因此，針對這類用戶，需要對其進(jìn)行懲罰。這時需引入IUF概念，這一概念是由John S.Breese提出，其既為用戶活躍度對數(shù)的導(dǎo)數(shù)的參數(shù)，同時不活躍用戶對物品相似度的貢獻(xiàn)應(yīng)當(dāng)大于等于活躍用戶。若增加IFU的有關(guān)參數(shù)來對物品相似度進(jìn)行修正，則得出興趣相似度公式如下：

這里，N(u)代表用戶喜歡的物品集合。

得到用戶之間的興趣相似度后，ItemCF算法會為用戶推薦和他興趣最相似的k個用戶喜歡的物品。公式如下：

S(j,K)是和物品j最相似的K個物品的集合，Wij是物品i和物品j的相似度，γui是用戶u對物品i的興趣。

3.UserCF算法和ItemCF算法的比較

從數(shù)據(jù)分析維度的角度看，可以說UserCF算法是對用戶數(shù)據(jù)進(jìn)行橫向的挖掘，更著重于為用戶推薦那些和該用戶有共同興趣愛好的用戶喜歡的物品，關(guān)注點(diǎn)在于興趣相似的小群體的熱點(diǎn)。而ItemCF算法是對用戶數(shù)據(jù)縱向的挖掘，其關(guān)注的點(diǎn)是目標(biāo)用戶的歷史，通過分析目標(biāo)用戶過去的記錄為其推薦其感興趣的相似度高的產(chǎn)品。

從數(shù)據(jù)算法復(fù)雜度的角度來看，在UserCF算法中，計算機(jī)需要針對每個用戶維護(hù)一個巨大的興趣相似度矩陣。隨著電子商務(wù)的不斷發(fā)展，系統(tǒng)中的用戶數(shù)量會成倍增加，因此對于用戶興趣相似度矩陣的相關(guān)計算就會越來越繁雜，其運(yùn)算時間復(fù)雜度和空間復(fù)雜度會近似于幾何倍數(shù)的增長，這就對計算機(jī)的硬件需求提出了嚴(yán)峻的挑戰(zhàn)。相比之下，ItemCF算法著重于維護(hù)物品相似度矩陣，在用戶數(shù)目遠(yuǎn)遠(yuǎn)小于物品數(shù)量，系統(tǒng)中相對比較穩(wěn)定，因此更適用于電子商務(wù)類的網(wǎng)站。

四、推薦技術(shù)在電子商務(wù)中的應(yīng)用

（一）推薦系統(tǒng)在亞馬遜中的應(yīng)用

以著名電子商務(wù)網(wǎng)站亞馬遜為例。亞馬遜是最早使用推薦系統(tǒng)的電子商務(wù)平臺?；谖锲返腎temCF算法（協(xié)同過濾算法）于1998年正式上線，這一算法將處理百萬級商品，同時也將用戶推向了一個電子商務(wù)領(lǐng)域發(fā)展的新高度。[3]在此之前，協(xié)同過濾算法主要還是基于用戶的，由于物品數(shù)變化頻率要小于用戶數(shù)量的變化率，因此此前并不完全適用于亞馬遜。

亞馬遜在ItemCF算法廣泛使用以后，系統(tǒng)在一定程度上進(jìn)行了改版，將推薦系統(tǒng)的功能分布在網(wǎng)站頁面的多個角落。首先，在主頁面中較為醒目位置放置了用戶購買歷史與瀏覽行為等個性化模塊；在搜索結(jié)果頁一側(cè)展示了與搜索商品有關(guān)的推薦結(jié)果；此外，在用戶購物車界面中增設(shè)了用戶可能感興趣的其他商品；在訂單的尾部會出現(xiàn)購買這些物品后未來建議購買的產(chǎn)品（也就是捆綁銷售）等。整個亞馬遜電子商務(wù)系統(tǒng)中到處出現(xiàn)了推薦模塊的身影，它以各種形式融入于頁面中。每位用戶登錄系統(tǒng)所見到的網(wǎng)上商店都是不同的，千人千面。依據(jù)微軟研究院對其后幾年的調(diào)查數(shù)據(jù)顯示，亞馬遜至少有三成的頁面瀏覽量源于系統(tǒng)的推薦。[3]

（二）推薦系統(tǒng)中算法的選擇

在實(shí)際的開發(fā)過程中，沒有一種算法是適用于所有系統(tǒng)的，也沒有一種算法能夠滿足所有系統(tǒng)的需求。當(dāng)面臨不同的應(yīng)用場景的算法選擇時，一定要結(jié)合產(chǎn)品自身與使用平臺的考量，需要考慮到例如產(chǎn)品冷啟動期間數(shù)據(jù)量、長期樣本數(shù)據(jù)量的多少以及算法所在的平臺的成熟度等。[4]另外，不同的數(shù)據(jù)量級下不同方法配合不同算法產(chǎn)生的性能壓力也需要考察。多數(shù)情況下，很多業(yè)務(wù)場景不會只使用一種算法來解決問題，往往需要多個算法相互結(jié)合。因此，在推薦系統(tǒng)算法的選擇上，根據(jù)不同的場景和需求可以采用混合推薦的方法，利用多種方法之間的優(yōu)勢，規(guī)避各種方法的劣勢，從而達(dá)到比較完美的效果。

個性化推薦系統(tǒng)是一門強(qiáng)大的自學(xué)習(xí)工具，它的核心就是有好的算法，通過好的算法就可以得到較精確的反饋。它的發(fā)展從無到有，現(xiàn)如今已演變成為電商網(wǎng)站的基礎(chǔ)設(shè)施之一。面對未來的挑戰(zhàn)，個性化推薦系統(tǒng)還需要不斷地提高，不斷地更新與探索。算法是一個程序系統(tǒng)的靈魂所在，其更新迭代的速度也極快，唯有不斷地使機(jī)器學(xué)習(xí)，才更有可能提供更為智能化與人性化的服務(wù)。相信未來，個性化推薦系統(tǒng)可以做得更好、更智能、更全面。