摘 要： 針對目前電子商務個性化推薦研究的不足，提出準確全面地獲取用戶獨特興趣愛好、滿足用戶差異化需求的推薦服務，同時構(gòu)建了具體的個性化推薦系統(tǒng)模型，給出了基于協(xié)作過濾算法的電子商務個性化推薦的流程、系統(tǒng)設計和系統(tǒng)實現(xiàn)，從而有利于推動電子商務的發(fā)展。
關(guān)鍵詞： 個性化推薦；用戶興趣模型；協(xié)作過濾
電子商務的迅速發(fā)展革命性地改變了人們的生產(chǎn)和生活方式，對于個人可以做到足不出戶就獲得所需要的商品和服務，對于企業(yè)則轉(zhuǎn)變了傳統(tǒng)經(jīng)營模式，通過網(wǎng)站為用戶提供一個直接、迅速而且不受商品陳列空間限制的龐大的商品購物平臺[1]。然而在享受互聯(lián)網(wǎng)技術(shù)推動電子商務發(fā)展的便利的同時，用戶也發(fā)現(xiàn)自己處于了“信息爆炸而知識貧乏”的困境之中，也就是網(wǎng)站提供的品類繁雜的商品和用戶相對單一的購物需求之間的矛盾[2]。
因此電子商務網(wǎng)站希望通過應用個性化推薦技術(shù)較準確地預測用戶的購物需求，并給用戶提供高質(zhì)量的推薦服務，以此來挖掘更多的潛在用戶，盡可能地將網(wǎng)站的瀏覽者轉(zhuǎn)化為購買者，增強網(wǎng)站的關(guān)聯(lián)銷售能力，提高用戶購物的滿意度，最終達到提高網(wǎng)站競爭力，提高網(wǎng)站經(jīng)營效益的目的。本文就如何針對不同用戶提供差異化的服務做了研究并予以實現(xiàn)[3]。
電子商務個性化推薦系統(tǒng)以電子商務購物網(wǎng)站為依托，根據(jù)已知的用戶信息（比如個人注冊信息、歷史訪問記錄、評分記錄和訂單），利用推薦技術(shù)和算法，分析用戶的消費偏好，為不同的用戶有針對性地推薦符合興趣的商品。個性化推薦技術(shù)作為推薦系統(tǒng)的核心，是其重要的組成部分。其基本思想是：首先找與他自身興趣比較相似的用戶，然后將這些用戶感興趣的消費內(nèi)容推薦給目標用戶。其最大的優(yōu)點是對推薦對象沒有特殊的要求，能處理非結(jié)構(gòu)化的復雜數(shù)據(jù)結(jié)構(gòu)，如音頻、視頻等，也無需向基于內(nèi)容的推薦那樣去考慮推薦對象的內(nèi)容及關(guān)鍵字的抽取等。但也存在著數(shù)據(jù)稀疏、冷啟動等缺點。
1 系統(tǒng)總體設計
1.1 總體設計思想
基于協(xié)作過濾的個性化推薦系統(tǒng)是電子商務網(wǎng)站模擬了店鋪營業(yè)員對用戶的推薦行為，盡可能準確地獲取用戶的個性消費愛好，給不同用戶提供差異化的推薦服務。首先，需要建立一種合理的個性化推薦體系，在該體系的指導下，分析用戶的購物行為進而獲取用戶的興趣愛好數(shù)據(jù)，構(gòu)建用戶興趣愛好模型，并使用個性化推薦算法計算目標用戶對每一個項目的期望值[4]。基于得出的用戶期望值，個性化推薦系統(tǒng)就可以對不同的目標用戶提供一種差異化的推薦服務。個性化推薦模型如圖1所示。
通過以上模型可知，在本系統(tǒng)中主要涉及到3個角色，分別是客戶端子系統(tǒng)、管理端子系統(tǒng)和個性化推薦子系統(tǒng)。而在作為核心部分的個性化推薦子系統(tǒng)中，以用戶興趣愛好數(shù)據(jù)作為輸入?yún)?shù)，使用協(xié)作過濾算法計算目標用戶對項目的預測值[5]。
1.2 系統(tǒng)框架
個性化推薦系統(tǒng)基于用戶提交的興趣愛好信息和在購物網(wǎng)站的瀏覽歷史信息提供個性化推薦服務和購買建議，其總體結(jié)構(gòu)分為前臺客戶端管理、后臺管理和個性化推薦3個模塊。
2 系統(tǒng)應用
2.1 客戶端子模塊
在個性化推薦系統(tǒng)中，用戶作為最終的服務對象，參與了整個系統(tǒng)的服務過程。在本模塊中，用戶可以實現(xiàn)買賣交易，注冊成為本站的會員享受系統(tǒng)提供的個性化推薦服務，也可以對商品和店鋪根據(jù)提供的服務做出客觀評價。此外，用戶可以申請在本系統(tǒng)開啟自己的網(wǎng)上店鋪。
客戶端子系統(tǒng)的另一個重要功能就是根據(jù)用戶在本站的行為收集用戶的興趣愛好數(shù)據(jù)，并將其量化以建立用戶興趣模型，作為個性化推薦系統(tǒng)向用戶提供推薦服務的有力依據(jù)，保證推薦的高質(zhì)量和精準性。
2.2 管理端子模塊
為了確保系統(tǒng)的正常運行，電子商務個性化推薦系統(tǒng)需要具有一個后臺管理子系統(tǒng)對整個系統(tǒng)進行配置管理。主要功能模塊包括：訂單管理、會員管理、權(quán)限管理、管理員登錄、系統(tǒng)配置管理、商品管理、店鋪管理、廣告管理、信息管理和個性化推薦模塊管理。
為了增加個性化推薦系統(tǒng)的推薦質(zhì)量，加強推薦的彈性范圍，系統(tǒng)還允許管理員在個性化推薦模塊管理及時修改算法閾值，從而更進一步提供系統(tǒng)的靈活性和擴展性。
2.3 個性化推薦模塊
個性化推薦模塊遵循入-處理-輸出IPO（Input-Process-Output）模式[6]，作為系統(tǒng)的核心部分，主要由數(shù)據(jù)表述、發(fā)現(xiàn)最近鄰居和產(chǎn)生推薦數(shù)據(jù)集[7]3個階段組成，其基本架構(gòu)如圖2所示。
（1）數(shù)據(jù)表述階段
數(shù)據(jù)表述階段最重要的是建立用戶興趣模型。用戶興趣模型建立的第一步是獲取用戶興趣數(shù)據(jù)，目前主要有兩種方法。一種是顯式獲取，即用戶主動參與電子商務網(wǎng)站的反饋活動，要求用戶中斷正常的瀏覽行為對資源項目進行評分，這是獲取用戶興趣最佳的方式，不足之處是，顯式獲取需要為用戶帶來了額外的負擔，匆忙中填寫的反饋信息很大程度上并不能客觀地反映用戶偏好。另一種是隱式獲取，主要是以Web使用挖掘、人工智能和知識發(fā)現(xiàn)等理論為基礎(chǔ)，利用JavaScript、AJAX等應用技術(shù)分析用戶的瀏覽行為，獲取用戶興趣偏好并轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)的過程，它的優(yōu)勢主要在于整個過程不需要用戶的主動參與，不會中斷用戶正常的瀏覽行為，也不會給用戶帶來額外負擔，能夠得到比顯示反饋更豐富的用戶偏好信息。因此，這里采用“以顯式獲取用戶興趣愛好為主，隱式獲取為輔，顯式和隱式相結(jié)合”的混合用戶興趣獲取方式[8]，避免了中文分詞帶來的誤差和關(guān)鍵字抽取。將混合方式獲得的用戶興趣數(shù)據(jù)先進行降噪處理，降低噪聲對用戶興趣數(shù)據(jù)的干擾，比如在獲取用戶在某個頁面上停留的時間信息時，可能由于瀏覽者中途離開而導致數(shù)據(jù)失效等。為了方便存儲和計算，對用戶興趣數(shù)據(jù)經(jīng)過降噪處理，轉(zhuǎn)換成相應的用戶對資源項目的評分，從而構(gòu)建了用戶興趣模型。
本文借鑒MovieLens系統(tǒng)的用戶評分規(guī)則[1]，設定用戶顯式評分是一個0~5之間的數(shù)字，以0.5作為間隔共分為11個檔次，表示用戶對商品的個性化偏好程度，其轉(zhuǎn)換規(guī)則如下。
①用戶u購買了某商品k但未評分，則Ru，k=3.0。
②用戶u對商品k的評分為score，則Ru，k=score。
③用戶點擊商品k的次數(shù)n與給定的除“0”外的10個分數(shù)檔對應，則Ru，k=n×0.5，若Ru，k>5.0則Ru，k=5.0。
④獲取時間與推測隱式評分對應關(guān)系如下：
Ru，k=1 （5≤t<10）2 （5≤t<10）3 （5≤t<10）4 （5≤t<10）5 （5≤t<10）
⑤其他情況下，Ru，k=0。
在一個典型的基于協(xié)作過濾技術(shù)的個性化推薦系統(tǒng)中，用戶興趣模型通常被表示為一個m×n的用戶-項目評估矩陣R，m是用戶數(shù)，n是項數(shù)，rij是第i個用戶對第j個項目的評估數(shù)值，其具體值由顯式和隱式用戶興趣獲取的數(shù)據(jù)轉(zhuǎn)換得來[6]。用戶-項目評估矩陣R如表1所示。
（2）發(fā)現(xiàn)最近鄰居集階段
用戶興趣模型建立后，系統(tǒng)根據(jù)用戶興趣模型計算每一位用戶的用戶相似度，通過度量目標用戶與所有候選鄰居間的相似度，產(chǎn)生基于協(xié)作過濾的top-n鄰居用戶集，然后根據(jù)這個鄰居用戶集，結(jié)合協(xié)作過濾推薦算法，對用戶作出個性化推薦服務和購買建議。其中協(xié)作過濾推薦的示意圖如圖3所示。
協(xié)作過濾算法是目前使用最多、應用最成熟的推薦技術(shù)。它的應用前提是：假設存在具有相似興趣偏好的用戶群，每個用戶都有與其興趣偏好相似的鄰居用戶。預測用戶對某一項目的偏好是根據(jù)鄰居用戶的偏好程度計算的，也就是以屬性或興趣相近的用戶建議作為個性化推薦的基礎(chǔ)。協(xié)作過濾算法最大的優(yōu)勢在于不需要分析對象的特征屬性，所以對推薦沒有特殊要求，能處理非結(jié)構(gòu)化的復雜對象，如音頻、視頻等[8]。
基于協(xié)作過濾推薦的上述優(yōu)點，本文也采用協(xié)作過濾算法產(chǎn)生推薦。協(xié)作過濾算法有基于用戶（User-based）協(xié)作過濾算法和基于項目（Item-based）協(xié)作過濾兩種[9]。這里分別采用基于用戶協(xié)作過濾算法和基于項目協(xié)作過濾算法兩種方式產(chǎn)生推薦。采用余弦相似性算法計算用戶相似度，它既可以用于基于用戶的協(xié)作過濾中，也可以用于基于項目的協(xié)作過濾系統(tǒng)中。此方法是將用戶評分看作n維向量項目空間上的向量，如果用戶對項目沒有進行評分，則將評分設置為默認值0，用戶間的相似性通過向量間的余弦夾角來度量。余弦值越大表示用戶的相似程度越高。設用戶i和用戶j在n維向量空間上的評分分別表示為向量和，則用戶i和用戶j之間的相似性sim（i，j）為：
采用余弦性算法的用戶相似度處理過程如下：
輸入：用戶i和用戶j關(guān)于所有項目的評分
輸出：用戶i和用戶j的相似度
算法步驟：
第一步：判斷用戶i和用戶j的合法性。
第二步：初始化sum（x2）、sum（y2）、sum（xy）分別為0，n為項目個數(shù)。
第三步：計算sum（x2）、sum（y2）、sum（xy）的值：
for 每一條項目記錄
do
x=i1；y=j1；
if x，y都不為空
sum（x，y）+=x*y；
sum（x2）+=x*x；
sum（y2）+=y*y；
end if
end do
return sum（x，y）/（sqrt（sum（x2））*sqrt（sum（y2）））；
將以上使用余弦相似性算法得到用戶X和用戶Y的相似度進行降序排序，取前k個用戶做為目標用戶的k鄰居用戶群。
（3）產(chǎn)生推薦數(shù)據(jù)集階段
在得到最近鄰居用戶集數(shù)據(jù)后，接下來根據(jù)計算出來的最近鄰居集預測評分并給目標用戶產(chǎn)生推薦結(jié)果。設目標用戶u的最近鄰居集合用Tu表示，則目標用戶u對項目i的預測評分Pu，i可以通過用戶u對最近鄰居集Tu中項目的評分得到，其中Pu，i的計算方法如下：
上式中sim（u，n）表示用戶u與n之間的相似程度，Rn，i表示用戶n對項目i的評分，u和n分別表示用戶u和用戶n對項目的平均評分。通過上述方法計算用戶對所有未評分的項目的評分，然后選擇其中預測評分最高的前若干項（top-n）作為推薦結(jié)果給當前用戶[10]，通過這樣的基于用戶興趣相似度的推薦，網(wǎng)站就可以在恰當?shù)臅r間向不同的用戶推薦合適的商品。
基于項目的協(xié)作過濾推薦算法和基于用戶的協(xié)作過濾推薦算法基本一致，且由于資源項目的相對靜態(tài)性，因此它的計算相對簡單。這里不再描述。
基于協(xié)作過濾算法的電子商務個性化推薦系統(tǒng)改進了傳統(tǒng)的基于文本的推薦技術(shù)，擴大了推薦范圍，提高了推薦質(zhì)量，單渠道用戶興趣獲取模式變成了多渠道用戶興趣獲取模式，既避免了顯式用戶興趣獲取時帶來的不良用戶體驗，也消除了單純顯式獲取用戶興趣數(shù)據(jù)導致的數(shù)據(jù)稀疏性問題。
參考文獻
[1] Chong Jiang. Research of an e-commerce personalized recommendation system[D]. Changsha： Central South University， 2009.
[2] Ting Wen. Research of mining personalized service based on Web content and Log[D]. Dalian： Dalian University of Technology， 2007.
[3] Zhao Liang， Hu Naijing， Zhang Shouzhi. Design of personalized recommendation algorithm[J]. Computer Research and Development， 2002：78-84.
[4] Li Dandan. Research of an e-commerce personalized recommendation based on hybrid algorithm[D]. Tianjing： Tianjing Finance University， 2008.
[5] Jie Yang. Appliation and research of an personalized recommendation system[D]. Beijing： University of Science and Technoloy of China， 2009.
[6] Wei Lu. Application of an e-commerce personalized recommendation system based on collaborative filtering algorithm[D].Beijing： Beijing University of Posts and Telecommunications， 2007.
[7] MASSA P， AVESANI P. Trust-aware collaborative filtering for recommender systems[C]. Proceedings of International Conference on Cooperative Information Systems， 2004：240-249.
[8] BADRUL SARWAR， GEORGE KARYPIS， JOSEPH KONSTAN， et al. Item-Based collaborative filtering recommendation Algorithms[C]． Proceedings of the Tenth International Conference on World Wide Web， 2003：285-295.
[9] CHEN Y L， CHENG L C． A novel collaborative filtering approach for recommending ranked items[J]． Expert System with Applications， 2008，34（4）：2396-2405．
[10] ADOMAVICIUS G， TUZHILIN A． Towad the next generation of recommender systems：A survey of-the state-of-the—art and possible extensions[J]． IEEE Transaction on Knowledge and Data Engineering， 2005， 17（6）：734-749．