基于B2C电子商务网站的个性化商品推荐系统研究

第３４卷第３期　２０１４年８月　郑州牧业工程高等专科学校学报　Ｊｏｕｒｎａｌ　ｏｆ　Ｚｈｅｎｇｚｈｏｕ　Ｃｏｌｌｅｇｅ　ｏｆ　Ａｎｉｍａｌ　Ｈｕｓｂａｎｄｒｙ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｖｏ１．３４　Ｎｏ．３　Ａｕｇｕｓｔ　２０１４　基于Ｂ２Ｃ电子商务网站的个性化商品推荐系统研究　张志明，张一帆　（河南牧业经济学院，河南郑州４５００１１）　摘要：本文在分析当前Ｂ２Ｃ电子商务和用户购物特点的基础上，从个性化商品推荐的作用、概念、推荐系统分类，以　及多种推荐系统优缺点对比展开叙述，从而系统地介绍了个性化推荐系统在Ｂ２Ｃ电子商务网站中的应用。　关键词：Ｂ２Ｃ电子商务；个性化；商品推荐　中图分类号：ＴＰ３９３．０９　文献标识码：Ａ　文章编号：１００８—３１１１（２０１４）０３一Ｏ０４Ｏ—Ｏ３　近年来，随着电子商务的快速发展和用户购物　习惯日益理性，Ｂ２Ｃ电子商务网站作为电子商务一　个重要分支，呈现出诸多的竞争优势和快速的发展　１概念与定义　目前个性化商品推荐系统有很多版本的定义，　其中最被读者广泛接受的定义是由Ｒｅｓｎｉｃｋ和　势头。以亚马逊为代表，众多Ｂ２Ｃ电子商务网站不　断涌现，规模迅速扩大，经营同类或类似商品的网站　也越来越多，在给用户带来更多选择机会的同时，用　户查找所需商品的难度和时间成本变得越来越高。　如何帮助用户快速准确的找到所需商品，巩固和提　高老客户忠诚度，增加对新用户的吸引力，在众多竞　争对手中脱颖而出，已成为各个Ｂ２Ｃ电子商务网站　所面临的共同课题。　Ｖａｒｉａｎ提出的，即个性化商品推荐系统是利用电子　商务网站向客户提供商品信息和建议，帮助用户决　定应该购买什么产品，模拟销售人员帮助客户完成　购买过程的计算机程序　］。　通用的个性化商品推荐系统由用户建模模块、　推荐商品建模模块和推荐算法３个模块组成，个性　化商品推荐系统流程如图１所示。其中，推荐系统　首先收集用户购物相关信息，分析用户购物习惯构　造用户模型；其次参考用户模型，合理设置商品参　数，构造推荐商品模型；最后将用户模型中兴趣需求　目前，几乎所有的大型Ｂ２Ｃ电子商务网站都采　用了站内搜索引擎优化技术和个性化商品推荐系　统，如亚马逊、淘宝商城和当当网等。据Ｖｅｎｔｕｒｅ－　Ｂｅａｔ统计，Ａｍａｚｏｎ的个性化推荐系统为其提供了　信息和推荐商品模型中的参数匹配，通过相应的商　品推荐算法对商品筛选推荐给用户。　用户　模型　３５　的商品销售额［１］。其中，个性化商品推荐系统　是根据用户消费习惯和个人喜好，由系统自动从大　量商品信息中快速查找到用户最可能感兴趣的商　品，缩短商品查找时间，降低商品查找难度，进而将　用户从商品信息浏览者转变为商品购买者。并通过　这种个性化的便捷操作，使用户与网站之间产生更　多的互动，改善用户购物体验，增强用户对网站的粘　图１个性化商品推荐系统模型　商品　对象　模型　合度，从而提高网站竞争力。　收稿日期：２０１４—０６—１１　基金项目：河南省重大科技专项项目（１２１１００１１１０００）　作者简介：张志明（１９８０一），男，河南郑州人，讲师，学士。　第３期　张志明等：基于Ｂ２Ｃ电子商务网站的个性化商品推荐系统研究　４１　２推荐系统的分类　目前，市面上个性化商品推荐系统较多，常见的　主要有基于内容推荐、协同过滤推荐和混合推荐系　统三种，下面对这三种常见的推荐系统进行说明。　２．１基于内容推荐　基于内容的推荐（ｃｏｎｔｅｎｔ—ｂａｓｅｄ　ｒｅｃｏｍｍｅｎ－　ｄａｔｉｏｎ）系统起源于早期的网络信息检索，是根据当　前用户浏览和选择的商品对象，分析当前商品的各　项关键属性数据，总结用户兴趣爱好。然后根据商　品关键属性值，从商品信息库中过滤出具有相似特　征的商品作为推荐商品，推荐给用户。例如，用户在　网上书店浏览图书时，推荐系统会根据用户点击的　图书获取用户兴趣爱好，完成用户模型的构建；然　后，推荐系统根据当前用户模型对照推荐对象模型，　从众多图书分类中找出符合用户兴趣的图书推荐给　用户。　在该推荐系统算法中，计算推荐对象关键属性　和用户模型中的兴趣爱好间的相似度是关键环节。　例如，公式　（Ｃ，ｓ）一ｓｃｏｒｅ（ｕｓｅｒｐｒｏｆｉｌｅ，ｃｏｎｔｅｎｔ）就　是一个计算商品相似度的函数。其中，ｓｃｏｒｅ的计算　方法有很多种，如向量夹角余弦的距离计算方法“　（ｆ，ｓ）一ＣＯＳ（Ｗ　，ｗ　）＝　∑　ｗ　Ｗ　藏　。　然　后再将得到了值按大小排序，将排名靠前的商品推　荐给用户［３］。　２．２协同过滤推荐　协同过滤推荐（ｃｏｌｌａｂｏｒａｔｉｖｅ　ｆｉｌｔｅｒｉｎｇ　ｒｅｃｏｍ—　ｍｅｎｄａｔｉｏｎ）是第一代商品推荐系统，运用相当广泛，　如亚马逊的图书推荐系统就是采用该推荐算法。该　推荐算法是将用户的历史消费习惯记录，分析，将具　有相似购物习惯的用户分类，进而将商品按照同类　用户的评分来预测未来用户对商品的评分情况。常　见的预测商品评分有基于模型和基于记忆两种算　法，通过算法将商品评分高的商品推荐给关联用户。　协同过滤推荐的关键是对用户分类，常见的是　采用Ｐｅａｒｓｏｎ相关系数公式来计算用户之间的相似　度，常用公式为　∑　∈Ｐ．（　，ｐ—　）（ｒｊ，ｐ－－一ｒｊ）　ｓｉｅｒ（ｉ，ｊ）＝　．其中，相关系数公式ｓｉｍ（ｉ，ｊ）用来计算用户ｉ和用户　Ｊ的用户相似度，表示用户ｉ和用户ｊ共同评价过的　一组商品。　２．３　混合推荐　混合推荐（ｈｙｂｒｉｄ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ）是基于两　种或者两种以上的商品推荐算法，结合实际应用和　多种算法各自的优缺点，将多种算法综合而得到的　一种综合型算法。该算法主要是通过多种算法相配　合，达到扬长避短的理想效果。目前，主要的混合推　荐算法主要是基于内容推荐和协同过滤推荐两种算　法的基础上创建的，如将上述两种算法的推荐算法　混合，或者将两种算法得到的结果混合等。　３推荐系统的对比　基于内容的推荐系统在推荐结果的理解方面相　对直观，不需要用户掌握太多的专业知识，就可以较　为轻松的理解和掌握。而且相对于协同过滤推荐系　统而言，基于内容的推荐不需要对用户历史记录过　多的分析、分类，避免了对历史数据的过分依赖。但　该推荐系统在商品特征提取方面存在较为严重的不　足，主要表现在商品资源种类和特征差异，以及推荐　商品信息量很大等多个方面。同时，基于内容的推　荐系统对于新商品推荐存在不足，推荐系统要参考　商品评价记录，而新商品在上架初期很长一段时间　内的商品评价是不足的，而且老商品的评价信息数　量有着明显优势，在老商品具有优势，新商品存在评　价不足的劣势的情况下，新商品很难被推荐系统所　推荐。　协同过滤推荐系统是在分析用户特征的基础上　进行的推荐系统，它强调以用户为中心自动进行商　品推荐，而且随着用户数量的增加，推荐效果更趋向　于理想化。从用户自身需求和数量递增方面考虑，　协调过滤推荐存在较多的优势，尤其是对于非结构　化的商品对象更是如此。但协同过滤推荐在系统推　广初期，由于用户信息较少会出现冷启动现象，即用　户信息少，无法将用户分类和挖掘同类用户的购物　特点。冷启动现象时协同推荐系统研究中一个重要　课题，也是研究的重点和难点。协同推荐系统的推　荐质量在很大程度上取决于对用户的分类和用户购　郑州牧业工程高等专科学校学报　第３４卷　物历史记录的分析，这就出现了新用户没有归类和　新商品因缺乏用户评价两个方面的问题。即一个新　用户由于没有购物记录，无法完成用户分类，在没有　物意识的不断增强，商品推荐系统研究的意义将更　加凸显。目前，像亚马逊、当当网等多家大型网上购　物平台都在不同程度上采用了商品推荐系统，商品　推荐使得网络购物更加准确便捷，在很大程度上改　善了用户购物体验。得到良好用户体验的用户又将　更加热衷于网络购物，从而形成一个良性循环。商　品推荐系统经历了多年的发展，已经取得了一定的　同类用户的前提下，系统将没有办法为新用户推荐　商品。同时新商品问题也同样存在。　混合推荐系统是结合了两种或者两种以上的推　荐系统算法，在商品推荐过程中可以针对具体问题　采用不同的推荐系统算法或者采用综合多种推荐系　成绩，但面对瞬息万变的信息技术和不断改变的购　统算法，考虑到推荐系统算法的计算效率和算法的　物观念，商品推荐系统的研究还需要不断的成熟和　实现的复杂程度等因素，混合推荐系统算法还存在　发展，以便更好地服务于用户的购物体验。　一定的不足，而组合推荐算法在这方面拥有一定的　参考文献：　优势，并且达到多种推荐系统扬长避短的目的，有效　Ｅ１Ｊ刘建国，尚冬娟，汪秉宏．个性化推荐系统的研究进展　提升了推荐效果。但考虑到推荐系统算法的计算效　ＥＪ］．自然科学进展，２００９（１）：７６—９５．　率和推荐系统实现的复杂程度等因素，混合推荐系　Ｅ２］　Ｒｅｓｉｎｉｃｋ　Ｐ，Ｖａｒｉａｎ　Ｈ　Ｒ．Ｒｅｃｏｍｍｅｎｄｅｒ　ｓｙｓｔｅｍｓ　ＥＪ］．　统还存在一定的不足。　Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ　ｏｆ　ｔｈｅ　ＡＣＭ，１９９７（３）：５６—５８．　Ｅ３－１　王国霞，刘贺平．个性化推荐系统综述ＥＪ］．计算机工　４　结语　程与应用，２０１２（７）：６８—６９．　随着国家对电子商务的大力扶持和用户网络购