劉潔

（重慶市煙草專賣局（公司）信息中心 重慶市 400023）

基于大數(shù)據(jù)的推薦系統(tǒng)是一種利用用戶地理位置、歷史購物習(xí)慣、社交圈子等信息對用戶進(jìn)行個(gè)性化推薦商品的系統(tǒng)。這種系統(tǒng)的核心在于如何利用算法分析用戶對于商品的潛在需求?，F(xiàn)階段，大數(shù)據(jù)推薦系統(tǒng)已經(jīng)在音樂、電影、閱讀、社交等領(lǐng)域擁有了較為廣泛的應(yīng)用。

1 電商大數(shù)據(jù)推薦系統(tǒng)當(dāng)前主要使用的幾種算法

1.1 關(guān)聯(lián)規(guī)則推薦算法

所謂關(guān)聯(lián)規(guī)則推薦算法，主要是指以關(guān)聯(lián)規(guī)則為基礎(chǔ)的推薦算法，該算法的使用前提是用戶已購買某個(gè)商品，之后通過參考該用戶購買的商品類別和其他商品之間的相關(guān)性進(jìn)行推薦。在建立關(guān)聯(lián)規(guī)則時(shí)，采用的方式為概率統(tǒng)計(jì)，進(jìn)而對兩種或兩種以上商品之間的相關(guān)性做出精準(zhǔn)判斷。此類推薦算法能夠操作和實(shí)現(xiàn)較為簡單，且具有較好通用性，能夠很好滿足零售業(yè)潛在消費(fèi)者推薦等工作需求。但是，由于關(guān)聯(lián)規(guī)則推薦算法建立在消費(fèi)者已購買產(chǎn)品的記錄、內(nèi)容以及時(shí)間等要素上，所以，關(guān)聯(lián)規(guī)則的建立較為容易受到隱含因素影響，導(dǎo)致最終的相關(guān)性計(jì)算結(jié)果出現(xiàn)偏差，甚至與消費(fèi)者實(shí)際相關(guān)需求完全相反，因此，在使用該算法開展電商大數(shù)據(jù)推薦相關(guān)工作時(shí)，要使用實(shí)際結(jié)果對關(guān)聯(lián)規(guī)則有效性進(jìn)行校驗(yàn)，從而保證最終結(jié)果的準(zhǔn)確性和有效性。從當(dāng)前現(xiàn)狀來看，使用關(guān)聯(lián)規(guī)則推薦算法時(shí)，主要借助兩個(gè)指標(biāo)對產(chǎn)品之間的關(guān)聯(lián)程度進(jìn)行評價(jià)，一是信任度，指標(biāo)公式為：confident（x，y）=Records containing（x，y）/Records containing x；二是支持度，指標(biāo)公式為：support（x，y）=Records containing（x，y）/Total number of records。

1.2 協(xié)同過濾推薦算法

所謂協(xié)同過濾推薦算法，主要以最近鄰算法為基礎(chǔ)，即利用與目標(biāo)群體有相似偏好的用戶集合進(jìn)行商品推薦，進(jìn)而得到目標(biāo)消費(fèi)者對商品的喜好程度，并使用協(xié)同機(jī)制對信息進(jìn)行過濾，實(shí)現(xiàn)針對性推薦?！皡f(xié)同”，主要是指的是與目標(biāo)群體喜好較為類似的群體，通過記錄兩位消費(fèi)者對同個(gè)商品的評價(jià)，尋找評價(jià)相同或類似用戶，那么這兩位消費(fèi)者就滿足相同喜好這一原則，之后以相似人群為基礎(chǔ)生產(chǎn)推薦信息。其中，協(xié)同過濾推薦以最近鄰算法為基礎(chǔ)，該算法主要分為三種，即基于用戶、基于物品以及基于模型，相較于其他推薦算法，協(xié)同過濾推薦算法在較大數(shù)據(jù)量下仍能夠提供優(yōu)秀的結(jié)果，正因如此，該算法在電商大數(shù)據(jù)推薦相關(guān)中應(yīng)用較為廣泛。但是，該算法同樣具有相應(yīng)的缺點(diǎn)，即若是數(shù)據(jù)較為稀疏，則算法應(yīng)用效果相對較低，外加其具有較大性能開銷，所以，協(xié)同過濾推薦算法更適用于密集數(shù)據(jù)的處理，例如Item-based 協(xié)同過濾或是User-based 協(xié)同過濾的實(shí)現(xiàn)。User-based 算法是以用戶特征為基礎(chǔ)，主要用于線上社交投票平臺推薦問題的解決，相較于電影等傳統(tǒng)推薦項(xiàng)目，社交投票依托于社交連接進(jìn)行傳播，這意味著用戶參與投票活動(dòng)概率較大，通過掌握真實(shí)的投票軌跡，能夠有效提高投票推薦最終整理結(jié)果的準(zhǔn)確性。該算法具有兩個(gè)突出優(yōu)點(diǎn)，一是不需要開展嚴(yán)格的用戶模型和推薦對象模型構(gòu)建，對物品特征表達(dá)的要求較低，有效降低該系統(tǒng)構(gòu)建難度；二是能夠發(fā)現(xiàn)目前群體潛在喜好，最終得到的計(jì)算推薦結(jié)果具有較強(qiáng)新穎性。

1.3 邏輯回歸推薦算法

所謂邏輯回歸推薦算法，主要是指一種分類模型，屬于機(jī)械學(xué)習(xí)，相較于其他推薦算法，該算法更為簡單和高效，且具有較高穩(wěn)定性，結(jié)果也容易解釋，因此，該算法在回歸任務(wù)、分類中得到廣泛應(yīng)用。邏輯回歸推薦算法的核心思想建立在線性回歸上，為有效解決其量綱敏感問題，可以將線性回歸Logistic 函數(shù)相結(jié)合，函數(shù)為：g（z）=1/（1+ez）。套用該函數(shù)后，該算法的中心思想為：當(dāng)線性回歸結(jié)果輸出為連續(xù)值時(shí)，其范圍無法限定，為此，將該輸出結(jié)果映射為（0,1）上的概率值，從而判斷最終結(jié)果。而為了改善線性回歸的魯棒性，提高回歸模型在訓(xùn)練集上的表現(xiàn)，可以引入Sigmoid 函數(shù)，從而提高算法使用效果。通過利用二維空間直觀的理解邏輯回歸，能夠讓閾值映射為一條判定邊界，隨著特征復(fù)雜程度的提高，平面的判定邊界具有多種樣貌，但是仍能夠分隔開兩類樣本點(diǎn)，從而實(shí)現(xiàn)分類問題的有效解決。但是，即便邏輯回歸推薦算法整體較為簡單，也支持在線學(xué)習(xí)，但該算法需要大量人工設(shè)計(jì)特征，當(dāng)該算法面對的數(shù)據(jù)量較大時(shí)，其工作量隨之提高，其效率難以得到保證。

2 邏輯回歸推薦算法在電商推薦當(dāng)中的主要應(yīng)用

2.1 邏輯回歸算法的判斷標(biāo)準(zhǔn)

傳統(tǒng)的各類算法一般是通過采用關(guān)聯(lián)規(guī)則或過濾等條件作為個(gè)性化推薦的依據(jù)，而邏輯回歸算法則不同。邏輯回歸算法在本質(zhì)上屬于一個(gè)線性結(jié)構(gòu)，研究者在使用邏輯回歸算法的同時(shí)，應(yīng)當(dāng)利用用戶的各類特征對算法進(jìn)行訓(xùn)練，用戶的各類特征組合是邏輯回歸算法判斷潛在用戶和購物欲望的關(guān)鍵。

邏輯回歸算法在進(jìn)行判斷的過程當(dāng)中，能夠減少預(yù)測值范圍，電商大數(shù)據(jù)推薦在本質(zhì)上來說屬于二分類問題，在這種問題當(dāng)中，用戶只存在是否購買的兩種狀態(tài)。在選定數(shù)據(jù)樣本之后，算法系統(tǒng)會(huì)自動(dòng)采集數(shù)據(jù)樣本當(dāng)中用戶的特征信息并進(jìn)行分析，通過數(shù)據(jù)解析出用戶的不同行為特征和歷史購物意向，并完成用戶特征的存儲工作，判斷用戶是否會(huì)進(jìn)行購買[1]。

邏輯回歸算法具有判斷簡單，使用效果好，支持機(jī)器學(xué)習(xí)，可以基于大數(shù)據(jù)和用戶特征進(jìn)行自我訓(xùn)練等優(yōu)點(diǎn)，但邏輯回歸需要的數(shù)據(jù)基數(shù)過大，人工設(shè)計(jì)數(shù)據(jù)篩選條件的工作量也過大，所以在實(shí)際操作過程當(dāng)中也可以使用其他算法予以配合。

2.2 預(yù)測電商用戶的復(fù)購行為

在電子商務(wù)領(lǐng)域，每天都有海量的用戶進(jìn)行下單或復(fù)購操作，通過邏輯回歸算法，可以根據(jù)用戶過去半年在電商平臺上的行為操作，對該用戶能否在一個(gè)月的時(shí)間內(nèi)實(shí)現(xiàn)復(fù)購進(jìn)行預(yù)測。由于要獲取較高的精確率和召回率，因此不能為每位用戶都生成個(gè)性化的推薦購買列表，而應(yīng)當(dāng)生成該批用戶最有可能的購買列表。這與傳統(tǒng)的電商推薦算法截然不同。

由于要根據(jù)用戶過去半年的行為對用戶是否能夠復(fù)購商品做出預(yù)測，研究者應(yīng)當(dāng)根據(jù)用戶半年以來對電商平臺的操作歷史、瀏覽歷史、購買歷史等信息通過算法訓(xùn)練來得到推薦目標(biāo)，再將推薦目標(biāo)錄入到具體的算法當(dāng)中，這樣才能得到最終的精確率與召回率指標(biāo)。首先，研究人員應(yīng)當(dāng)對收集到的用戶歷史數(shù)據(jù)進(jìn)行分析，并將其均勻地分為兩份，一份為訓(xùn)練數(shù)據(jù)，這部分?jǐn)?shù)據(jù)能夠錄入算法進(jìn)行機(jī)器學(xué)習(xí)，使算法得到推薦模型。而另一部分用來評價(jià)算法推薦成果，避免算法出現(xiàn)誤差。通過研究人員不斷改進(jìn)用戶特征的準(zhǔn)確度與篩選規(guī)則，算法能夠逐漸改善推薦的效率與準(zhǔn)確性，逐漸獲得進(jìn)步。

由于在機(jī)器學(xué)習(xí)領(lǐng)域，算法能達(dá)到的效果一般取決于數(shù)據(jù)與特征的準(zhǔn)確性與數(shù)量，因此有研究人員曾經(jīng)說過：“數(shù)據(jù)和特征決定了機(jī)器學(xué)習(xí)的上限，而模型和算法只能逐漸逼近這個(gè)上限[2]?！庇纱丝梢钥闯鲇脩魯?shù)據(jù)和用戶特征在機(jī)器學(xué)習(xí)當(dāng)中的重要意義。

2.3 選擇用戶特征，挑選忠誠用戶

在進(jìn)行機(jī)器學(xué)習(xí)的過程當(dāng)中，算法應(yīng)當(dāng)收集用戶在平臺上的各類歷史信息，其中包括用戶歷史操作行為、點(diǎn)擊、收藏、關(guān)注等，還包括商品信息，如商品名稱、發(fā)布時(shí)間、商品價(jià)格、商品評價(jià)和店鋪評價(jià)等信息。針對算法數(shù)據(jù)的信息，系統(tǒng)應(yīng)主要存儲三個(gè)類別的信息。

2.3.1 用戶屬性信息集合

用戶屬性信息集合當(dāng)中儲存了包括所有用戶屬性的相關(guān)數(shù)據(jù)信息，其中主要包括：用戶信息屬性（比如用戶年齡、學(xué)歷、性別、主要居住地等等）、用戶使用數(shù)據(jù)（包括用戶的商品收藏、用戶的付費(fèi)購買能力、用戶的其他興趣商品、用戶的關(guān)注店鋪等）、用戶的標(biāo)志屬性（包括用戶名、昵稱等）、最后還包括用戶本身的手機(jī)型號、電腦型號、運(yùn)營商、操作系統(tǒng)等信息。其中，用戶的使用數(shù)據(jù)信息依賴于電商網(wǎng)站構(gòu)建的用戶畫像系統(tǒng)，該系統(tǒng)可以通過用戶平時(shí)的使用操作習(xí)慣，例如用戶對于電商購物軟件的使用時(shí)間等信息對用戶進(jìn)行繪制畫像。

2.3.2 商品屬性信息集合

商品屬性信息集合當(dāng)中儲存了商品屬性的相關(guān)數(shù)據(jù)，其中主要包括：商品的標(biāo)志屬性（如廠商、商品名稱等）、商品的固定屬性（商品價(jià)格、上架時(shí)間等）還包括商品的可變屬性（如被購買的總次數(shù)、評論區(qū)顧客的留言與評價(jià)、商品的輪換時(shí)間等）。

2.3.3 用戶-商品交叉屬性信息集合

用戶-商品交叉屬性信息集合當(dāng)中存儲了用戶與商品屬性具有相關(guān)特征的數(shù)據(jù)信息，最主要的用戶-商品交叉特征信息包括：用戶性別與商品種類的交叉、用戶年齡信息與商品種類的交叉、用戶的愛好與商品種類的交叉、用戶已經(jīng)購買或收藏的商品種類與系統(tǒng)所推薦的商品種類的交叉等等。例如：用戶A 已將商品一與商品二添加至收藏當(dāng)中，之后又將商品三添加至收藏，系統(tǒng)就可以記錄商品一、商品二、商品三之間具有交叉屬性[3]。如果算法系統(tǒng)將用戶數(shù)據(jù)與商品數(shù)據(jù)進(jìn)行相對獨(dú)立的分析與訓(xùn)練，則只會(huì)影響商品在每一個(gè)用戶推薦列表當(dāng)中的存留，不會(huì)影響不同用戶的不同個(gè)性化推薦。利用用戶-商品交叉屬性集合實(shí)現(xiàn)對忠實(shí)用戶的普遍挑選，對算法推薦結(jié)果進(jìn)行大幅度優(yōu)化，使每個(gè)用戶的商品推薦結(jié)果實(shí)現(xiàn)差異化，最終使不同的人成為不同商品的忠實(shí)用戶。

2.4 將備選商品提供給潛在客戶

通過邏輯回歸算法進(jìn)行備選商品和潛在客戶的挑選需要首先實(shí)現(xiàn)基于大數(shù)據(jù)的模型訓(xùn)練。訓(xùn)練數(shù)據(jù)由用戶特征、該類用戶特征的權(quán)重、流水號等數(shù)據(jù)構(gòu)成，通過數(shù)據(jù)訓(xùn)練生成備選商品需要經(jīng)過三個(gè)步驟。

2.4.1 模擬曝光步驟

曝光的含義是用戶在瀏覽電商網(wǎng)站時(shí)看到了哪些商品信息，也就是系統(tǒng)將哪些商品推薦在潛在客戶面前。系統(tǒng)將推薦的商品列表曝光在用戶面前，對于這類推薦當(dāng)中的商品，假如用戶進(jìn)行了收藏操作或點(diǎn)擊關(guān)注店鋪，則這種商品被稱為正向樣本，與此同時(shí)，如果用戶繼續(xù)瀏覽并沒有進(jìn)行收藏或關(guān)注的操作，則這類商品被稱為反向樣本，由于推薦系統(tǒng)當(dāng)中往往只能識別正向樣本，無法識別反向樣本，降低了推薦系統(tǒng)的靈敏度和可靠性，于是研究者應(yīng)當(dāng)采用規(guī)則完善等方式進(jìn)行解決，在算法給出的商品推薦列表當(dāng)中，假如用戶收藏了某個(gè)商品或關(guān)注了某個(gè)店鋪，則同樣對該商品之前的5個(gè)商品進(jìn)行曝光，通過這種方式，算法系統(tǒng)能夠有效識別和儲存反向樣本，對增加算法系統(tǒng)的可靠性和準(zhǔn)確度具有積極影響。

2.4.2 統(tǒng)計(jì)點(diǎn)擊通過率

點(diǎn)擊通過率即用戶對商品的實(shí)際點(diǎn)擊次數(shù)除以商品的總瀏覽量，在算法推薦系統(tǒng)當(dāng)中采用的點(diǎn)擊通過率統(tǒng)計(jì)法有很多種，使用較多的有以下幾種，如：性別統(tǒng)計(jì)通過率，不同性別的電商用戶對商品的需求有著很大差異，如女性用戶收藏美妝產(chǎn)品、護(hù)膚產(chǎn)品的比例遠(yuǎn)高于男性用戶，而男性用戶收藏電子產(chǎn)品、五金工具的比例也遠(yuǎn)高于女性用戶，這類有著明顯差別的特征可以有效用于用戶樣本的分辨，從而得到準(zhǔn)確度更高，敏感度更好的算法模型。不同種類的商品特征差別很大，研究人員需要注意是否因?yàn)槠毓獠蛔慊蚱渌驅(qū)е曼c(diǎn)擊通過率過高或過低產(chǎn)生的推薦系統(tǒng)準(zhǔn)確率降低問題，為了解決這一問題，研究人員可以用一級分類的點(diǎn)擊通過率替代二級分類的點(diǎn)擊通過率，從而增加推薦系統(tǒng)的推薦準(zhǔn)確性。此外，通過交叉特征統(tǒng)計(jì)點(diǎn)擊通過率也是推薦算法經(jīng)常使用的一種方式，研究人員可以將任何不同的用戶特征或商品特征進(jìn)行交叉，例如用戶年齡、性別、商品類型，可以顯示出不同年齡性別的用戶對不同商品的需求差異[4]。

3 總結(jié)

綜上所述，邏輯回歸算法在電商大數(shù)據(jù)推薦系統(tǒng)當(dāng)中的應(yīng)用越來越廣泛，不僅能夠根據(jù)用戶的行為進(jìn)行分析，有效預(yù)測消費(fèi)者的購物需求，還能向潛在客戶實(shí)現(xiàn)精準(zhǔn)推送。科學(xué)利用邏輯回歸算法進(jìn)行商品推薦有效提升了用戶粘性，打造個(gè)性化的優(yōu)質(zhì)推薦服務(wù)。