郭琪 潘旭偉

摘要：互聯(lián)網(wǎng)的高速發(fā)展，讓信息化、數(shù)字化深入到了家家戶戶，這促使了電子商務(wù)的發(fā)展。人們面對(duì)各種各樣的商品，不知道如何抉擇，此時(shí)個(gè)性化推薦給人們帶來(lái)了希望。它根據(jù)用戶的需求和偏好為用戶推薦，幫助用戶解決信息過(guò)載的問(wèn)題。本文對(duì)電子商務(wù)中的推薦進(jìn)行了研究。

關(guān)鍵詞：推薦，電子商務(wù)，個(gè)性化

引言

互聯(lián)網(wǎng)的高速發(fā)展，促進(jìn)了各行各業(yè)的發(fā)展也為電子商務(wù)的生成提供了非常好的條件。電子商務(wù)讓企業(yè)的銷售行為從線下實(shí)體店銷售搬到了在線銷售，人們不需要出門就可以在網(wǎng)上購(gòu)買他們喜歡的東西，給人們提供了很大的便捷，提高了人們的生活品質(zhì)。但是隨著信息的增加，物品品牌和種類爆炸性增長(zhǎng)，使得人們?cè)诿媾R多種選擇的時(shí)候變得難以抉擇。因?yàn)檫@樣的背景所以有了推薦系統(tǒng)，它使得這個(gè)讓人們不知所措的問(wèn)題的解決變得容易起來(lái)。推薦系統(tǒng)使人們不用再去主動(dòng)的搜索大量物品，而是可以被動(dòng)地接受信息，并且這些信息還都是人們喜歡的內(nèi)容。用戶行為和商品信息的數(shù)字化加倍促進(jìn)了推薦系統(tǒng)在電子商務(wù)的運(yùn)用。

1、電子商務(wù)個(gè)性化推薦概述及研究現(xiàn)狀

1.1 電子商務(wù)個(gè)性化推薦概述

Renick給出了電子商務(wù)個(gè)性化推薦的定義：電子商務(wù)個(gè)性化推薦是指利用電子商務(wù)網(wǎng)站向用戶提供商品信息和建議，幫助用戶決定購(gòu)買什么產(chǎn)品[1]。電子商務(wù)個(gè)性化推薦主要有三部分構(gòu)成：輸入、推薦方法模塊和輸出。

輸入主要是將用戶的各種信息收集起來(lái)以作后續(xù)的運(yùn)用。這些用戶信息包含了用戶自己的個(gè)人信息，例如年齡、工作、居住地等，還有用戶的歷史記錄，例如評(píng)分，購(gòu)買，加購(gòu)，點(diǎn)贊，評(píng)論等。根據(jù)這些歷史記錄信息可以判斷出用戶的興趣愛好，之后再采用各種先進(jìn)的推薦算法根據(jù)這些信息找到與用戶喜歡的商品類似的商品給用戶做推薦，最后給用戶呈現(xiàn)出一個(gè)可視化的推薦結(jié)果。這就是一個(gè)完整的推薦過(guò)程。

1.2 電子商務(wù)個(gè)性化推薦研究現(xiàn)狀

優(yōu)秀的服務(wù)和技術(shù)，可以吸引大量的用戶并且還可以使他們變?yōu)殡娮由虅?wù)網(wǎng)站的忠實(shí)用戶，這兩個(gè)也是成功的重要因素。個(gè)性化推薦技術(shù)可以根據(jù)用戶個(gè)人的需求和興趣給出意見，幫助用戶解決信息過(guò)載帶來(lái)的困擾同時(shí)提高其決定的質(zhì)量；也可以通過(guò)將潛在用戶變成真正的購(gòu)買者從而幫助網(wǎng)站提高收入；還能在提高銷售數(shù)量的同時(shí)提高用戶對(duì)電子商務(wù)網(wǎng)站的忠誠(chéng)和喜愛度。目前，有非常多的電子商務(wù)企業(yè)已經(jīng)認(rèn)識(shí)到個(gè)性化推薦帶來(lái)的價(jià)值，并在他們的網(wǎng)站中引入了這項(xiàng)技術(shù)。例如亞馬遜網(wǎng)上書店，淘寶、京東也都會(huì)給出如類似產(chǎn)品推薦、流行產(chǎn)品推薦、猜你喜歡和購(gòu)買此商品的用戶還購(gòu)買了B商品的形式。

2、電子商務(wù)個(gè)性化推薦技術(shù)研究

2.1 協(xié)同過(guò)濾推薦

推薦算法中最成功就是協(xié)同過(guò)濾推薦，并且它也是相比較其他算法準(zhǔn)確率表現(xiàn)較好的算法。協(xié)同過(guò)濾方法主要是根據(jù)評(píng)分來(lái)為用戶進(jìn)行推薦，所以需要大量的評(píng)分?jǐn)?shù)據(jù)。具體的分為user-based和item-based。User-based方法，是找到與給定用戶擁有相似評(píng)分的用戶，然后根據(jù)這些相似用戶來(lái)預(yù)估給定用戶對(duì)這個(gè)候選物品的評(píng)分。例如，用戶A對(duì)電影a的評(píng)分為4，電影b的評(píng)分為5，用戶B對(duì)A的評(píng)分為5，對(duì)B的評(píng)分也為5，那么用戶A和B就可以認(rèn)為是相似用戶，按照這種方法可以找到所有相似用戶，綜合這些所有相似用戶的評(píng)分得出目標(biāo)用戶對(duì)候選物品的大概評(píng)分。Item-based協(xié)同過(guò)濾算法思想是利用物品間分?jǐn)?shù)的相似度，而不是利用用戶間相似度來(lái)計(jì)算預(yù)測(cè)值。為了推薦給定物品A，對(duì)于一個(gè)候選物品集S，找到集合種與A相似度最高的物品。為了預(yù)測(cè)物品A的評(píng)分，需要確定A對(duì)集合S中物品的評(píng)分，通過(guò)對(duì)這些評(píng)分的加權(quán)平均值來(lái)計(jì)算物品A的可能分值。

2.2 基于內(nèi)容的過(guò)濾

協(xié)同過(guò)濾算法雖然效果很好，然而因?yàn)樵u(píng)分矩陣十分稀疏，且還存在冷啟動(dòng)方面問(wèn)題，所以有時(shí)候也表現(xiàn)不佳。然而基于內(nèi)容的方法不用大量的評(píng)分?jǐn)?shù)據(jù)，只需要用戶個(gè)人的歷史記錄就可以給用戶做推薦。一般情況分為以下三個(gè)步驟：

（1）物品表示。物品表示就是用這個(gè)物品的一些特征來(lái)表示此物品。物品特征向量是實(shí)現(xiàn)該方法的關(guān)鍵所在。通過(guò)特征提取，能從項(xiàng)目中獲取項(xiàng)目特征向量。所謂特征提取，就是從項(xiàng)目的各種不同特征中提取出最具有說(shuō)服力的特征子集。對(duì)于文本，可以采取TF-IDF或LDA主題模型等方式將文本轉(zhuǎn)換為特征向量表示。

（2）用戶偏好表示。根據(jù)用戶以往瀏覽或者購(gòu)買的物品，將這些物品的特征作為用戶的偏好。例如用戶曾經(jīng)看過(guò)標(biāo)簽為喜劇，愛情類的電影，那么這些特征就可以用來(lái)表示這個(gè)用戶的偏好。

（3）生成推薦。構(gòu)造出物品的特征表示和用戶偏好矩陣之后，就可以計(jì)算物品之間的相似度然后把那些用戶可能喜歡且無(wú)操作記錄的物品推薦給用戶。

基于內(nèi)容的方法雖然不需要大量的數(shù)據(jù)，但是它的準(zhǔn)確率沒有其他方法好，而且推薦的東西經(jīng)常會(huì)很相似，這對(duì)用戶來(lái)說(shuō)是不好的體驗(yàn)。

2.3 基于關(guān)聯(lián)規(guī)則的推薦

關(guān)聯(lián)規(guī)則技術(shù)在電子商務(wù)領(lǐng)域被成功的應(yīng)用到購(gòu)物籃數(shù)據(jù)中。應(yīng)用該技術(shù)，可以發(fā)現(xiàn)一些不為人知的規(guī)律，在銷售的時(shí)候哪些商品具有相關(guān)性，知道了這種聯(lián)系后，可以增加商品的組合銷售能力，也可以用來(lái)設(shè)計(jì)布局?；陉P(guān)聯(lián)規(guī)則的方法是依據(jù)用戶的以往信息提取出隱性規(guī)律，通過(guò)這些規(guī)則可以獲得一些有意義的關(guān)聯(lián)組合，例如用戶買商品A的時(shí)候還買了B，然后就可以利用這些組合為用戶產(chǎn)生推薦內(nèi)容，這種方法產(chǎn)生的結(jié)果會(huì)更有效果。最經(jīng)典的案例是啤酒-尿布，我們?cè)谏钪幸矔?huì)發(fā)現(xiàn)這些關(guān)聯(lián)的規(guī)則，例如，你去超市就會(huì)發(fā)現(xiàn)打折的商品會(huì)和你平常需要的日用品放在一起。

2.4 基于網(wǎng)絡(luò)結(jié)構(gòu)的推薦

基于網(wǎng)絡(luò)結(jié)構(gòu)的推薦通過(guò)二部網(wǎng)絡(luò)結(jié)構(gòu)分析用戶和項(xiàng)目，即把用戶看出一類點(diǎn)，把商品看成另一類點(diǎn)，當(dāng)某個(gè)用戶購(gòu)買過(guò)某個(gè)商品時(shí)，則他們之間會(huì)存在一條邊，但是同一類點(diǎn)之間不會(huì)存在連邊的，即用戶與用戶之間、商品與商品之間沒有邊相連，類似于這樣組成的網(wǎng)絡(luò)就稱作二部圖。電子商務(wù)中的商品推薦可以看成圖上的鏈路挖掘問(wèn)題，通過(guò)擴(kuò)散來(lái)找兩節(jié)點(diǎn)的關(guān)聯(lián)程度。基于網(wǎng)絡(luò)結(jié)構(gòu)的方法的優(yōu)點(diǎn)是能夠發(fā)現(xiàn)用戶的潛在興趣，而且能夠稍微解決數(shù)據(jù)稀疏帶來(lái)的問(wèn)題，但是它也存在著冷啟動(dòng)問(wèn)題。例如那些長(zhǎng)尾商品，通過(guò)網(wǎng)絡(luò)結(jié)構(gòu)可能就會(huì)被發(fā)現(xiàn)然后推薦給用戶。

3、電子商務(wù)個(gè)性化推薦技術(shù)改進(jìn)研究

傳統(tǒng)的推薦算法存在數(shù)據(jù)稀疏、冷啟動(dòng)和可擴(kuò)展性問(wèn)題，針對(duì)這些缺陷，許多專家和學(xué)者在已有的算法基礎(chǔ)上進(jìn)行了改進(jìn)。

針對(duì)算法存在的推薦準(zhǔn)確性不高問(wèn)題，王健等人采用將用戶特征融入到原有的協(xié)同過(guò)濾對(duì)算法進(jìn)行改進(jìn)，以提高推薦的準(zhǔn)確度[2]。在用戶特征相似性計(jì)算中，不同性別的用戶在選擇物品時(shí)會(huì)有不同的偏好，除了性別，還從年齡，職業(yè)，地區(qū)等方面的不同刻畫了相似性公式，通過(guò)和傳統(tǒng)的協(xié)同方法結(jié)合，得出計(jì)算用戶相似性公式。

針對(duì)傳統(tǒng)協(xié)同過(guò)濾算法存在的數(shù)據(jù)稀疏和過(guò)分依賴評(píng)分?jǐn)?shù)據(jù)的問(wèn)題，張小川等人提出一種基于關(guān)聯(lián)規(guī)則的改進(jìn)算法[3]。該算法預(yù)先給定一個(gè)閾值，然后根據(jù)相似度選出較高的用戶組成鄰居集，根據(jù)閾值來(lái)判斷選擇計(jì)算的方法。相似度低于閾值，采用關(guān)聯(lián)規(guī)則的算法進(jìn)行評(píng)分預(yù)測(cè)，否則則照原來(lái)的方法進(jìn)行預(yù)測(cè)。鄧愛林等提出根據(jù)項(xiàng)目評(píng)分預(yù)測(cè)的協(xié)同過(guò)濾方法[4]，利用物品間的相似度計(jì)算出給定用戶的最近鄰居。

為了提高二部圖隨機(jī)游走推薦算法的多樣性和解決數(shù)據(jù)集稀疏、信息缺失等問(wèn)題，黃繼婷等人提出融合偏好度和網(wǎng)絡(luò)結(jié)構(gòu)的推薦算法（IUNR）[5]。首先，將偏好度融合于用戶-項(xiàng)目二部圖及進(jìn)行隨機(jī)游走，調(diào)整用戶不跟隨大眾個(gè)性化喜好的項(xiàng)目的游走概率，降低熱門項(xiàng)目推薦概率和提高冷門項(xiàng)目推薦概率，得到符合用戶個(gè)性化興趣且多樣性好的項(xiàng)目推薦列表；其次，考慮到用戶對(duì)項(xiàng)目所打標(biāo)簽是項(xiàng)目的重要特征數(shù)據(jù)，充分利用項(xiàng)目的社會(huì)化標(biāo)簽，將偏好度融合于用戶-標(biāo)簽二部圖再進(jìn)行隨機(jī)游走，挖掘用戶跟其他用戶不同的個(gè)性化興趣標(biāo)簽；最后，將個(gè)性化興趣標(biāo)簽對(duì)應(yīng)的關(guān)聯(lián)項(xiàng)目提取出來(lái)，并與得到的推薦列表結(jié)合，得到最終的推薦列表top-N，將列表推薦給目標(biāo)用戶。

雖然許多學(xué)者都提出了改進(jìn)的方法，但由于環(huán)境的不斷變化，現(xiàn)有電子商務(wù)個(gè)性化推薦技術(shù)仍然不能完全解決目前存在的問(wèn)題。除此上述介紹的改進(jìn)方法，提高長(zhǎng)尾物品的推薦，優(yōu)化運(yùn)營(yíng)策略，也可以帶來(lái)更多的收益。因?yàn)橛泻芏辔锲芬驗(yàn)闆]有評(píng)分，很難被推薦給用戶，這些物品就是長(zhǎng)尾物品。推薦更多樣的物品可以使用戶更加滿意；同時(shí)，根據(jù)時(shí)代的變化，提出更加新穎的運(yùn)營(yíng)策略，再結(jié)合個(gè)性化推薦技術(shù)，可以使用戶的體驗(yàn)感更好，從而加強(qiáng)用戶對(duì)網(wǎng)站的忠誠(chéng)度，提高網(wǎng)站的銷售和利潤(rùn)。

4、電子商務(wù)個(gè)性化推薦在未來(lái)的發(fā)展建議

在推薦系統(tǒng)的評(píng)估指標(biāo)中，有很多個(gè)指標(biāo)其中有兩個(gè)是新穎性和多樣性。一般的推薦都是在強(qiáng)調(diào)推薦結(jié)果的準(zhǔn)確率，但是只有準(zhǔn)確是不夠的，多樣性和新穎性也是十分關(guān)鍵的。新穎的物品是用戶沒有聽過(guò)或者見過(guò)的，給用戶推薦新穎的商品可以給用戶一種驚喜、意外的感覺?；趦?nèi)容的方法只是依據(jù)用戶自身的喜好給用戶推薦商品，從而缺少了新穎性。同時(shí)還需要增加長(zhǎng)尾商品的推薦，可以更加全方位的滿足不同用戶的需求，而且長(zhǎng)尾商品也會(huì)是新穎的，因?yàn)樗怀Ｒ?。多樣化的推薦同時(shí)可以提高用戶的選擇范圍，也可以提高用戶的體驗(yàn)感。

參考文獻(xiàn)

[1] Resnick P， Varian H R. Recommender Systems[J]. Communications of the ACM，1997，40（3）：56-58

[2] 王健，馬佳琳.協(xié)同過(guò)濾推薦算法的改進(jìn)[J].通信電源技術(shù)，2019， 36（03）：29-30+35.

[3] 張小川，周澤紅，向南，桑瑞婷.基于關(guān)聯(lián)規(guī)則的協(xié)同過(guò)濾改進(jìn)算法[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2019，33（03）：161-168.

[4] 鄧愛林，朱揚(yáng)勇，施伯樂(lè).基于項(xiàng)目評(píng)分預(yù)測(cè)的協(xié)同過(guò)濾推薦算法[J].軟件學(xué)報(bào)，2003（09）：1621-1628

[5] 黃繼婷，陳建兵，陳平華.融合偏好度與網(wǎng)絡(luò)結(jié)構(gòu)的推薦算法[J/OL].計(jì)算機(jī)工程與應(yīng)用：1-10[2019-05-28].

作者信息：

郭琪，浙江理工大學(xué)經(jīng)理管理學(xué)院，專業(yè)：管理科學(xué)與工程，研究方向：個(gè)性化推薦；

潘旭偉，浙江理工大學(xué)，啟新學(xué)院創(chuàng)業(yè)學(xué)院黨委書記，教授，博士研究生，研究方向：個(gè)性化推薦，知識(shí)管理，情境感知計(jì)算。