李小敏

（國(guó)家知識(shí)產(chǎn)權(quán)局專利局專利審查協(xié)作四川中心，四川 成都 610213）

本文主要對(duì)基于數(shù)據(jù)挖掘技術(shù)的商品推薦技術(shù)做一個(gè)梳理， 比較三類商品推薦技術(shù)的特點(diǎn)， 對(duì)各種方法的技術(shù)發(fā)展路線進(jìn)行整理。 在專利數(shù)據(jù)庫(kù)對(duì)幾種商品推薦方法在國(guó)內(nèi)外的專利申請(qǐng)數(shù)量和時(shí)間分布進(jìn)行一定的分析， 研究技術(shù)發(fā)展動(dòng)向， 分析該領(lǐng)域的重點(diǎn)數(shù)據(jù)挖掘算法， 以及各個(gè)算法在具體專利申請(qǐng)技術(shù)方案中的運(yùn)用。

1 技術(shù)發(fā)展路線

基于數(shù)據(jù)挖掘的商品推薦技術(shù)發(fā)展依托于數(shù)據(jù)挖掘技術(shù)的發(fā)展， 早期的數(shù)據(jù)挖掘技術(shù)在應(yīng)用到商品推薦的電子商務(wù)領(lǐng)域之后， 取得了豐碩的商業(yè)成果。 在近年來(lái)，又結(jié)合云計(jì)算、大數(shù)據(jù)等新的技術(shù)，展開(kāi)了新的探索。 基于上述技術(shù)原理的學(xué)習(xí)和專利文獻(xiàn)以及非專利文獻(xiàn)的檢索， 對(duì)數(shù)據(jù)挖掘技術(shù)在商品推薦領(lǐng)域的發(fā)展進(jìn)行分析和梳理，作出以下發(fā)展路線的歸納：

圖1 基于數(shù)據(jù)挖掘的商品推薦方法技術(shù)演進(jìn)路線

2 領(lǐng)域?qū)＠治?/h2>

為了進(jìn)一步分析基于數(shù)據(jù)挖掘方法的商品推薦技術(shù)領(lǐng)域的專利申請(qǐng)情況， 在本節(jié)中基于關(guān)鍵詞和分類號(hào)等檢索方法在專利庫(kù)DWPI 對(duì)中外專利申請(qǐng)情況進(jìn)行檢索，得到以下統(tǒng)計(jì)結(jié)果。 圖2 給出了自1998 年以來(lái)中國(guó)和全球每年的該領(lǐng)域?qū)＠暾?qǐng)數(shù)量

圖2 領(lǐng)域歷年專利申請(qǐng)量

從上圖可以看出， 關(guān)于商品推薦的技術(shù)特別是早期的算法理論起步較早， 但由于電商的發(fā)展和起步，基于數(shù)據(jù)挖掘的商品推薦在2000 年以前處于起步階段，而國(guó)內(nèi)由于起步較晚，06 年以前仍處于起步階段；進(jìn)入2005 年以后， 由于電子商務(wù)技術(shù)的飛速發(fā)展，帶動(dòng)了商品推薦領(lǐng)域技術(shù)的不斷進(jìn)步， 該領(lǐng)域的專利申請(qǐng)量不斷提升， 在2013 年前后達(dá)到頂峰， 在08 年以后， 國(guó)內(nèi)的電商得到了快速的發(fā)展， 由于具有后發(fā)優(yōu)勢(shì)，整個(gè)行業(yè)發(fā)展迅速，專利的申請(qǐng)量也急劇增長(zhǎng)。

圖3 全球各個(gè)國(guó)家申請(qǐng)量所占比例

圖3 展示了作為技術(shù)原創(chuàng)國(guó)申請(qǐng)專利數(shù)量占全球?qū)＠麛?shù)量的份額比例， 從上圖分布可以看出， 作為最早的技術(shù)起源地， 美國(guó)的專利申請(qǐng)數(shù)量達(dá)到了一半以上； 由于近年來(lái)電子商務(wù)技術(shù)在國(guó)內(nèi)的蓬勃發(fā)展，中國(guó)內(nèi)地的專利申請(qǐng)數(shù)量緊隨其后， 占據(jù)了較大份額；此外， 日本、 韓國(guó)等國(guó)家在該領(lǐng)域的專利申請(qǐng)量也較高。

圖4 領(lǐng)域重要申請(qǐng)人申請(qǐng)專利數(shù)量

圖4 給出了領(lǐng)域重要申請(qǐng)人的申請(qǐng)數(shù)量，其中IBM作為最早研究關(guān)聯(lián)規(guī)則等數(shù)據(jù)挖掘方法的商業(yè)巨頭，在領(lǐng)域的申請(qǐng)數(shù)量較大， 此外， 亞馬遜也是對(duì)基于數(shù)據(jù)挖掘的商品推薦應(yīng)用較廣且較早的商業(yè)公司， 其申請(qǐng)量也較高，也正印證了其發(fā)布的數(shù)據(jù)顯示“2010 年前后， 由于數(shù)據(jù)挖掘技術(shù)的作用， 使得亞馬遜公司的收益提升了30%”。 在國(guó)內(nèi)的申請(qǐng)人中，阿里巴巴和京東由于其商業(yè)平臺(tái)的巨大成功， 在數(shù)據(jù)挖掘領(lǐng)域也投入了較大的精力，其申請(qǐng)量在國(guó)內(nèi)居于首位。

3 重要專利申請(qǐng)分析

3.1 基于協(xié)同過(guò)濾的推薦方法

協(xié)同過(guò)濾的方法與傳統(tǒng)的基于內(nèi)容過(guò)濾直接分析內(nèi)容進(jìn)行推薦不同， 協(xié)同過(guò)濾分析用戶興趣， 在用戶群中找到指定用戶的相似（興趣）用戶，綜合這些相似用戶對(duì)某一信息的評(píng)價(jià)， 形成系統(tǒng)對(duì)該指定用戶對(duì)此信息的喜好程度預(yù)測(cè)。

索 尼 公 司 于 2005 年 提 出 的 PCT 專 利 申 請(qǐng)WO2006037139 針對(duì)一般協(xié)同過(guò)濾方法的冷開(kāi)始問(wèn)題和推薦主要集中在部分內(nèi)容的問(wèn)題， 提出了一種基于協(xié)同過(guò)濾的推薦方法。 其中， 首先對(duì)待處理的對(duì)象進(jìn)行一個(gè)聚類預(yù)處理， 使用分層聚類的方法， 對(duì)每個(gè)層次設(shè)置一個(gè)每個(gè)集群層和集群層中每個(gè)集群的特征的關(guān)鍵詞；以及聚類DB，用于保持樂(lè)曲的聚類結(jié)果。 盡管對(duì)于聚類可以使用任何方法， 但是為每個(gè)集群層選擇最佳聚類方法和距離測(cè)量。 接下來(lái)定義歐幾里德距離等距離測(cè)量,然后進(jìn)行聚類。

3.2 基于關(guān)聯(lián)規(guī)則的推薦方法

基于關(guān)聯(lián)規(guī)則的數(shù)據(jù)挖掘方法最早由IBM 的團(tuán)隊(duì)研究應(yīng)用， 關(guān)聯(lián)規(guī)則最重要的就是發(fā)現(xiàn)共現(xiàn)關(guān)系 （挖掘 頻 繁 項(xiàng) 目 集）， 經(jīng) 典 算 法 有 Apriori 算 法、FP -GROWTH 算法。

IBM 公司于1997 年提出的國(guó)際申請(qǐng)PCT/GB98/02928 是一種早期的基于在線的關(guān)聯(lián)規(guī)則挖掘的方法。 和通常的關(guān)聯(lián)規(guī)則挖掘算法一樣， 該方法也是分為兩個(gè)階段：預(yù)處理階段，以生成頻繁項(xiàng)目集；在線規(guī)則生成階段， 根據(jù)預(yù)處理階段獲取的規(guī)則數(shù)據(jù)， 生成樹(shù)形規(guī)則結(jié)構(gòu)。 該方法同樣根據(jù)對(duì)大量數(shù)據(jù)設(shè)定多個(gè)定量和分類項(xiàng)目，用于提供定量相關(guān)規(guī)則。

3.3 基于內(nèi)容的推薦方法

基 于 內(nèi) 容 的 推 薦 算 法 Content -based Recommendations (CB)，根據(jù)物品或內(nèi)容的元數(shù)據(jù)，發(fā)現(xiàn)物品或內(nèi)容的相關(guān)性， 然后基于用戶以前的喜好記錄推薦給用戶相似的物品。

阿里巴巴2010 年的專利（CN102479366A）公開(kāi)了一種商品推薦方法， 該方法通過(guò)獲取用戶的行為數(shù)據(jù)，即用戶的點(diǎn)擊、 搜索等行為記錄來(lái)分析用戶可能關(guān)心的商品的種類和標(biāo)簽。 在此基礎(chǔ)之上， 對(duì)商品進(jìn)行分析確定類別，以確定要向用戶推薦的商品。

4 總結(jié)

三種方法都有不同的特點(diǎn)： 關(guān)聯(lián)規(guī)則挖掘方法易于發(fā)現(xiàn)較為隱秘的間接關(guān)系， 但對(duì)于不常見(jiàn)的低頻數(shù)據(jù)不能有效的進(jìn)行推薦； 基于內(nèi)容的推薦方法開(kāi)始的時(shí)候?qū)ζ渌脩舻臄?shù)據(jù)具有較小的依賴性， 但需要其本身結(jié)構(gòu)具有較好的結(jié)構(gòu)性； 基于協(xié)同過(guò)濾的方法能夠處理較為復(fù)雜的內(nèi)容， 但在用戶的評(píng)價(jià)較為稀疏時(shí)，表現(xiàn)較差，依賴于用戶對(duì)商品的評(píng)價(jià)。 由于各有優(yōu)缺點(diǎn)， 因此， 在許多商品推薦的具體應(yīng)用場(chǎng)景中并不只是使用單一的一種方法， 同時(shí)， 幾種方法之間也并沒(méi)有絕對(duì)的界限， 許多基于以上三種基本推薦方法的改進(jìn)方法也都結(jié)合了多種商品推薦方法來(lái)進(jìn)行數(shù)據(jù)挖掘和商品推薦的。