电子商务个性化推荐系统模型介绍

电子商务个性化推荐系统模型介绍王许辉1　吕肖飞2（1.华中师范大学 人文社会科学高等研究院，湖北 武汉　430000；2.河南恩湃高科集团有限公司，河南 郑州　450000）摘　要：笔者简单介绍了当前电子商务的发展状况，并对当前的电子商务个性化推荐系统模型及个性化推荐技术进行了介绍，重点介绍了协同过滤推荐算法、基于内容的推荐算法以及基于关联规则的推荐算法，并分析了其中存在的问题，介绍了相关的改进算法，并对现有的模型提出了改进的意见。

最后指出本研究的不足之处以及后期将要进行的工作。

关键词：电子商务；个性化推荐；协同过滤中图分类号：F713.36 文献标识码：A 文章编号：1003-9767（2017）10-085-05 Introduction of Personalized Recommender System Model in E-commerceWang Xuhui1, Lv Xiaofei2(1.Institute for Advanced Studies in Humanities and Social Sciences, Central China Normal University, Wuhan Hubei 430072, China;2.Henan EPRI Hitech Group, Zhengzhou Henan 450000, China)Abstract: The author introduces the current development situation of e-commerce, and introduces the current e-commerce personalized recommendation system model and personalized recommendation technology, at the same time introduces the collaborative filtering recommendation algorithm, the content-based recommendation algorithm and the recommendation based on association rules algorithm. Then this paper analyzes the existing problems, introduces the relevant improved algorithm, and puts forward the improvement of the existing model. Finally, this paper analyzes the shortcomings of this study and the work will be carried out later.Key words: e – commerce; personalized recommendation; collaborative filtering1　引言因为互联网技术发展迅速，基于互联网技术的电子商务在人们的日常活动中发挥越来越重要的作用。

据2017年CNNIC（中国互联网络信息中心）公布的第39次《中国互联网络发展状况统计报告》显示，到2016年12月，中国互联网用户规模达7.31亿，普及率为53.2%，其中移动互联网用户高达6.95亿。

移动互联网与离线经济联系十分密切，2016年，我国手机在线支付用户增长迅速，达4.69亿。

据艾瑞咨询最新的数据显示，2016年中国电子商务市场交易量达到20.2万亿元，增长23.6%。

其中，网络购物占比为23.3%。

另据艾瑞APP指数显示，2017年2月手机淘宝月度独立设备为43 447万台，在网购APP中排名第1。

虽然网络已成为用户购物的重要途径，但是用户却很难快速从海量的商品中找到自己所需要的商品，也就是所谓的“信息超载”问题。

近年来，个性化推荐系统的出现是解决这一问题的关键。

美国互联网数据中心（IDC）曾指出，互联网数据每年增长约50%，且增长速度仍在不断上升。

近几年来由于互联网计算处理技术不断成熟，大数据逐渐被应用到各行各业。

移动交易商的红利逐年降低，通过分析大量的数据，对供求信息进行准确匹配、个性化推荐、用户偏好预测、页面优化，提高运营效率，将电子商务的利益提升到一个新的高度。

个性化推荐就是通过采集、分析用户的历史信息，并根据得到的结果对用户进行画像，描绘用户的行为偏好，并最终得出用户的特征和偏好，据此向用户推荐信息和商品。

英国Tamba站点调查数据显示，同一商品购买者有76%的人是靠朋友推荐作出购买决策，仅仅15%是靠广告，有72%的用户认为在线评论好像亲朋好友们的亲自推荐，76%的用户会首先看在线评论再来决定去哪家商店进行消费[1]。

作者简介：王许辉（1987-），男，河南禹州人，硕士研究生在读。

研究方向：数据挖掘，个性化推荐。

2017年第10期信息与电脑China Computer&Communication算法语言2　当前电子商务个性化推荐系统介绍大数据在电子商务领域可以概括为三个方面的运用。

（1）个性化营销，分析用户的历史数据，对用户进行准确的画像，并据此进行个性化推荐，以提高营销效率。

（2）科学预测，通过对数据的分析可以得出及时、动态的行业上下游数据以及其他相关数据，企业可以据此调节供应链和营销策略，提高决策的科学性和准确性。

（3）网站优化，商家可以根据竞争对手及用户偏好数据进行网站优化，优化商品布局、优化价格安排以及制定合理的促销方案，从而提升运营效率和用户体验。

也就是说个性化推荐技术利用大数据不仅便于用户购物，同时也有利于商家分析用户的历史行为，从而提高商品的销量。

目前比较著名的基于个性化推荐的商务网站，国外的有亚马逊、eBay ，国内的有天猫、京东以及当当网。

本节会简单介绍当前主流的电子商务个性化推荐系统。

2.1　电子商务个性化推荐系统的定义卡耐基·梅隆大学的Robert Armstrong 等人于1995年3月在美国人工智能协会上提出了个性化导航系统Web Watcher ，这是第一个个性化推荐系统。

斯坦福大学的Marko Balabanovic 等人在同一会议上推出了LIRA 个性化推荐系统。

电子商务推荐系统的定义有很多，被普遍引用的定义是1997年Resnick&Varian 给出的：“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，模仿销售人员帮助客户完成购买过程。

”[2]迄今为止个性化推荐系统已发展了20多年的时间。

目前，推荐系统已在社会各行各业中得到了广泛的应用，其推荐内容包括书籍、电影、新闻、服装以及日用百货等诸多方面。

2.2　电子商务个性化推荐系统的作用电子商务推荐系统可以收集用户的信息，并根据得到的信息分析出用户的兴趣偏好，然后对用户进行个性化推荐。

简单地说，只要用户打开电子商务推荐系统，系统就会自动呈现你所需要的商品，无需用户输入。

研究表明电子商务网站使用个性化推荐系统后，其销量将会提高2%～8%[3]，在书籍、音像制品以及日用百货等价格较低的商品，或者是用户使用个性化程度较高行业的销量上表现尤为显著。

2.3　电子商务个性化推荐系统的组成一般来说，电子商务个性化推荐系统主要由数据输入模块、推荐方法模块、推荐输出模块三个模块组成。

推荐系统通过数据输入模块获取用户的数据输入，包含用户的显示输入和隐式输入。

显示数据包括用户注册时填写的姓名、性别、收货地址、搜索记录以及商品的评分和评论等信息，其中最重要的是用户的评分、评价记录。

隐式输入包括用户的浏览记录、浏览商品的时长，以及商品的收藏、购买记录等信息。

推荐方法模块通过一定的算法对数据输入模块获取的用户数据进行分析，从而获得用户的兴趣偏好，并结合商品信息数据，进而得到用户可能需要的商品。

推荐输出模块则是根据一定的推荐方式把商品列表推荐给用户。

2.4　当前电子商务个性化推荐系统的模型推荐方法模块是整个推荐系统的主要部分，它决定着推荐结果的准确性，决定着推荐系统性能，从而影响用户对该系统的认可度。

而推荐方法模块中最重要的是推荐算法的实现，所以说对于整个个性化推荐系统来说最重要的就是推荐算法的实现。

当前有许多推荐算法，广泛使用的推荐算法有基于协同过滤的推荐算法、基于内容的推荐算法以及基于关联规则的推荐算法等。

每种算法都有各自的优缺点，不同的电子商务个性化推荐系统可以根据其推荐理念以及所售商品的性质采用不同的算法。

其中基于协同过滤的推荐算法是研究最多、最成功、使用最广的推荐算法[4]。

个性化界面是模型与用户的接口，用户通过该界面浏览、检索产品信息，并接受个性化产品信息推荐。

此外，商品数据库用于记录商品的属性特征及其比重。

当用户进行注册、购买、浏览、反馈等相关操作时，用户偏好数据库提取用户偏好特征，并将其保存在数据库中。

依据用户检索或浏览等行为，由用户偏好特征构建模块根据该用户的个性化特征来创建用户信息模型，由个性化过滤模块根据用户偏好特征模型，实现产品信息过滤。

个性化推荐流程，模型依据用户在页面的行为，包括注册、购买、浏览、反馈等行为，提取用户个性特征，并借此建立用户偏好特征模型，进而由过滤功能模块根据用户信息模型对产品信息库中所有产品信息按照指定的推荐策略进行过滤，得到按相似度排序的所有与用户模型相关的商品，形成初始推荐结果。

最后，根据一定的排序规则，把初始推荐结果中的商品信息形成个性化推荐结果提交给用户。

3　个性化推荐算法介绍当前有很多个性化推荐算法，本节介绍三种常用的算法：协同过滤推荐算法、基于内容的推荐算法以及基于关联规则的推荐算法。

3.1　协同过滤推荐算法介绍协同过滤推荐算法（Collaborative Filtering ）是目前研究最多、最成熟的推荐算法，该算法的思想是基于邻居用户的信息从而得到目标用户的推荐，推荐的个性化程度较高。

比较著名的基于协同过滤的推荐系统有Amazon、CDNow、MovieFinder等。

协同过滤推荐算法主要分为两类：基于用户的协同过滤推荐算法（User-based Collaborative Filtering Recommendation）和基于项目的协同过滤推荐算法（Item-based Collaborative Filtering Recommendation）。

3.1.1　基于用户的协同过滤推荐算法基于用户的协同过滤推荐算法，是最容易理解的推荐技术，这一技术首先依据不同用户之间的相似性，找到目标用户的邻居（邻居用户），而后依据目标用户邻居的偏好对目标用户进行推荐。