摘要：本文針對基于協(xié)同過濾的電子商務推薦做出一定研究。通過對電子商務個性化推薦模型的設計，在K-Means聚類算法的基礎上針對基于用戶的協(xié)同過濾算法、基于聚類優(yōu)化后的協(xié)同過濾推薦算法以及基于內容的協(xié)同過濾推薦算法做出一定的研究，最后通過實驗驗證得出最適合個性化推薦的一種推薦算法。

關鍵詞：個性化推薦;K-Means聚類;協(xié)同過濾

隨著現(xiàn)代科技的發(fā)展，大眾對電子商務的需求越來越大。當電子商務的發(fā)展跟不上大眾信息化的需求，會導致用戶難獲得需要的信息。因此，在信息化背景下，如何加強對用戶的精準推薦，是電子商務發(fā)展關注的重點。但傳統(tǒng)的協(xié)同推薦算法存在一定的弊端，如數據的稀疏性導致推薦精度不高。因此，針對該問題，人們提出很多解決方案，如通過對稀疏數據進行填充，但效果都不理想。而聚類具有易收斂、運行時間短、效率高的優(yōu)點，因此本文結合聚類算法的優(yōu)點，提出一種基于聚類改進數據稀疏性的協(xié)同過濾算法，并通過試驗進行驗證。

1 基本方法

1.1 K-Means聚類

K-Means聚類算法是將輸入的用戶及商品數據進行劃分，將分解出來的簇分為有效和無效兩個部分，并且將無效部分過濾刪除。這樣就極大的降低了數據集所需的空間規(guī)模，提高了數據集的質量。具體步驟為：給定數據集，選擇初始質心K。選定K后，可用誤差平方和來計算訓練樣本到初始質心的距離。待計算得出結果以后，判斷是否可以將訓練樣本加入到簇中。再運行一次后，再對新樣本進行劃分，重新選擇質心。重復以上步驟，直到所有的簇達到最大的迭代次數，或者是所有簇都不會發(fā)生變化，即樣本到聚類中心的距離平方和J（C）最小。詳細步驟如圖l所示。

如圖1所示，在進行K-Means聚類算法的時候，需要先選定一個數據空間中的K個對象為初始的聚類中心，這K個對象都代表著每一個分組的中心。選好以后再利用歐氏距離公式來進行分組計算，根據計算的結果重新選擇分組中心J（C）值，最后利用J（C）值判斷算法終止條件。具體流程如下：

1.2基于用戶的協(xié)同過濾推薦

基于用戶的協(xié)同過濾可以根據需求的不同分為不同的類型。分別是在用戶的基礎上、在算法的基礎上以及在項目的基礎上做出研究。本文主要的研究方向是基于用戶的協(xié)同過濾對商品個性化推薦系統(tǒng)設計，特點是能通過公式（3）計算出用戶對商品喜愛程度，然后根據用戶的喜好做出最適合的推薦，讓用戶能夠快速有效的找到自己喜歡的商品。

通過公式（4）就能夠得到其他相似用戶對該商品的綜合評分，在根據計算出來的結果給用戶做出針對性的推薦，節(jié)省了時間，提高了用戶選擇商品的效率。這里要特別的說明的一點是，這種方式只針對他們評論的交集部分，所以能夠大程度的減少某些用戶對商品過分的評分因素。

2 模型構建

2.1 個性化推薦模型構建思路

個性化推薦指的是以用戶的基本信息、上網行為等作為基礎，從而在海量的用戶中找到相似用戶，然后通過這些相似用戶對商品的評價，來預測其他用戶對該商品的喜好程度?；诰垲惖膮f(xié)同推薦就是在相似的用戶中，通過聚類的方法將相似用戶分類，從而合并為新的簇，并篩選出新的用戶作為簇類代表，加入到協(xié)同推薦中，并按照協(xié)同推薦的計算步驟進行預測。

本文提出的基于聚類的協(xié)同過濾算法分為兩步驟：一是通過聚類改進數據的稀疏性;二是提出基于用戶的協(xié)同過濾。聚類優(yōu)化采用K-Means聚類，該聚類方法的特點是先利用歐氏距離公式將用戶的相似度計算出來，然后在運用K-Means聚類將相似的用戶特征分在同一個簇內，形成一個完整的簇?；谟脩舻膮f(xié)同過濾指的是通過計算目標用戶與分解出來的簇之間的距離，然后得出距離最近的簇信息，計算出簇信息以后再運用基于用戶協(xié)同過濾推薦算法進行評分計算，最后根據評分的結果生成展示列表。

2.2 基于聚類的協(xié)同過濾推薦構建

圖2為基于聚類的協(xié)同過濾算法流程。由圖2可以看出，相對于傳統(tǒng)的協(xié)同過濾算法，優(yōu)化過程主要是加快了聚類距離的計算時間以及簇的更新時間。假設聚類距離Du是一個NxN的矩陣，距離計算時間復雜度為O（N2），隨著不斷進行迭代重復，提取出來的數據也越來越精簡，提取出來簇的數量也是越來越少，由此，時間的復雜度也會有所減小，設立為O（N），這時候設立的聚類距離的整個計算時間復雜度為O（N2）。雖然在理論上看起來比較復雜，但是這些過程都可以在離線情況下進行，也就是如果將這個方式應用到整體上，對在線推薦效果時間影響很小。所以需要先利用K-Means聚類算法將選定的數據集進行劃分，劃分以后再利用協(xié)同推薦算法進行計算，以此來降低個性化推薦的時間消耗，達到高效效果。

通過分析得知，基于聚類優(yōu)化的協(xié)同過濾推薦優(yōu)點在于在離線模式下，將輸入的模型用戶和商品數據集劃分成很多個數據子集，對個性化推薦算法的運行時間不產生影響。將劃分好的數據子集用基于用戶的協(xié)同過濾推薦算法進行推薦，很大程度的降低了數據計算復雜度，提升運行效率。

3 實驗驗證

3.1 評價指標

為了得到最適合的個性化推薦模型，針對以上的方法做出一定的實驗驗證。為了得到最準確的結果，此次采用的是平均絕對誤差MAE（Mean Absolute Error）的方式對實驗結果進行驗證。平均絕對誤差均方誤差指的是絕對誤差的平均值。利用公式（5）計算出最適合的結果，能夠很好的反應出設立的預測值誤差的真實情況。

3.2 試驗對比結果

通過對聚類的協(xié)同過濾編程，得到圖3的對比結果。

通過圖3對各個推薦算法的比較可以得知，基于聚類優(yōu)化后的協(xié)同過濾推薦算法相較于基于內容的協(xié)同過濾推薦算法以及基于用戶的協(xié)同過濾推薦算法都有更高效的作用，是比較適合個性化推薦的一種推薦算法。

4 結語

隨著電子商務的發(fā)展，大眾對于電子商務信息化的需求逐步提高，為了滿足大眾的需求，本文通過對個性化推薦模型算法設計，分別針對基于用戶的協(xié)同過濾推薦算法、基于聚類優(yōu)化后的協(xié)同過濾推薦算法以及基于內容的協(xié)同過濾推薦算法做出一定的研究.最后通過一系列的計算，得出最適合當代用戶需求的個性化推薦算法。不僅減少了計算的難度，縮短了線上計算的時間，還能夠通過計算目標用戶與相似用戶對商品的評分，快速高效的根據用戶的需求給他們推薦適合他們喜好的商品，提高了用戶對電子商務使用的效率，是非常有必要性的一項研究。

參考文獻

[1]翟麗麗，邢海龍，張樹臣.基于情境聚類優(yōu)化的移動電子商務協(xié)同過濾推薦研究[J].情報理論與實踐，2016，39 （08）：106-110.

[2]李菲，基于關聯(lián)規(guī)則優(yōu)化的個性化推薦系統(tǒng)[J].內蒙古師范大學學報（自然科學漢文版），2016，45 （04）：515-520.

[3]蘭艷，曹芳芳，面向電影推薦的時間加權協(xié)同過濾算法的研究[J].計算機科學，2017，44 （04）：295-301+322.

[4]田磊，任國恒，王偉，基于聚類優(yōu)化的協(xié)同過濾個性化圖書推薦[J].圖書館學研究，2017 （08）：75-80.

[5]盛先鋒.基于聚類優(yōu)化的數字圖書館協(xié)同過濾個性化推薦服務研究[J].中國中醫(yī)藥圖書情報雜志，2019，43 （03）：37-40.

[6]翟爍.基于用戶興趣和雙重聚類融合的協(xié)同過濾算法的優(yōu)化研究[J].無線互聯(lián)科技，2015 （05）：124-127.

作者簡介

陶建強（1978-），男，德州職業(yè)技術學院，講師，電子商務專業(yè)。