【文章內(nèi)容簡(jiǎn)介】 個(gè)性化推薦是 基于 用戶的興趣特點(diǎn)和購(gòu)買行為，向用戶推薦 其感興趣的信息和商品。隨著電子商務(wù)規(guī)模 不斷擴(kuò)大，商品 數(shù)量 和種類 不斷 增長(zhǎng)，顧客需要花費(fèi)大量的時(shí)間 尋找 自己想買的商品。這 一過(guò)程 無(wú)疑會(huì)使淹沒(méi) 在 大量產(chǎn)品信息 中 的消費(fèi)者不斷流失。為了解決用戶流失的問(wèn)題，電子商務(wù)個(gè)性化推薦系統(tǒng)應(yīng)運(yùn)而生。電子商務(wù)個(gè)性化推薦系統(tǒng)是基于 大數(shù)據(jù)挖掘基礎(chǔ)上的一種商務(wù)智能平臺(tái)，能夠幫助 電子商務(wù)企業(yè)為用戶提供個(gè)性化 的產(chǎn)品的推薦和購(gòu)買決策，電子商務(wù)企業(yè)的個(gè)性化推薦系統(tǒng)為用戶推薦商品，網(wǎng)站 會(huì)智能的完成商品選擇，最大限度 的 滿足客戶的個(gè)性化需求，電子商務(wù)個(gè)性化推薦是 根據(jù) 以下幾方面來(lái)推測(cè)客戶將來(lái)可能的購(gòu)買行為：網(wǎng)站 銷量最高的商品、客戶所在的 城市、客戶過(guò)去的購(gòu)買行為和購(gòu)買記錄。 北 京 交 通 大 學(xué) 專 業(yè) 碩 士 學(xué) 位 論 文 … 電 子 商 務(wù) 個(gè) 性 化 推 薦 理 論 介 紹 4 個(gè)性化推薦系統(tǒng)的工作原理 首先是基礎(chǔ)數(shù)據(jù)包含個(gè)人信息、評(píng)分、歷史行為、以及社會(huì)化 關(guān)系，然后根據(jù)收集到的信息分析用戶喜好，建立用戶模型，最后選擇合適的推薦技術(shù)進(jìn)行推薦并將結(jié)果展示給用戶。實(shí)現(xiàn)個(gè)性化服務(wù)的關(guān)鍵是對(duì) Web 用戶的瀏覽信息進(jìn)行正確的分析，準(zhǔn)確掌握用戶興趣。只有通過(guò)用戶瀏覽信息數(shù)據(jù)和其他方式的用戶行為，才能準(zhǔn)確地找出用戶的瀏覽興趣，從而向用戶推薦感興趣的產(chǎn)品，同時(shí)也才能在不同的用戶群之間進(jìn)行精準(zhǔn)地協(xié)作過(guò)濾推薦。準(zhǔn)確地掌握用戶的興趣可包括兩個(gè)方面： 1) 從用戶瀏覽行為中準(zhǔn)確地挖掘出隱藏的用戶個(gè)性化的興趣信息； 2) 采用準(zhǔn)確的表示方法來(lái)表示用戶興趣。 個(gè)性化服務(wù)系統(tǒng)主要包括四個(gè)主要部分：文本頁(yè) 面的特征提取、基于用戶瀏覽內(nèi)容的興趣挖掘、基于用戶瀏覽行為的興趣分析和推薦服務(wù)。 個(gè)性化推薦在電子商務(wù)中的應(yīng)用 現(xiàn)在的電子商務(wù)網(wǎng)站上都有大量的商品，而個(gè)性化的推薦應(yīng)用在其中起了非常大的作用，著名的電子商務(wù)網(wǎng)站就是個(gè)性化推薦的積極應(yīng)用者和推廣者，被 RWW（讀寫(xiě)網(wǎng)）稱為推薦系統(tǒng)之網(wǎng)。國(guó)內(nèi)的淘寶網(wǎng)，京東商城等電子商務(wù)網(wǎng)站也無(wú)一例外的使用了推薦系統(tǒng)為用戶提供更好的購(gòu)物體驗(yàn)。 圖 21亞馬遜（ )的個(gè)性化推薦列表 Amazon Personalized Remendation List 圖 21 就是亞馬遜中國(guó)（ ）的個(gè)性化推薦列表，它包含了一下幾個(gè)部分：推薦結(jié)果的標(biāo)題，推薦結(jié)果的平均分以及推薦理由。該系統(tǒng)會(huì)去尋找用戶之前喜歡過(guò)的物品，然后找出那些和這些物品相似的當(dāng)用戶沒(méi)有接觸過(guò)的物品然后推薦給用戶。比如用戶以前買過(guò)一本星座相關(guān)的書(shū)籍，那么就可以向用戶推薦一本血型相關(guān)的書(shū)籍，因?yàn)檫@兩本書(shū)都是屬性相近的。 北 京 交 通 大 學(xué) 專 業(yè) 碩 士 學(xué) 位 論 文 … 電 子 商 務(wù) 個(gè) 性 化 推 薦 理 論 介 紹 5 除了這種推薦方法，亞馬遜也還有其他的推薦方法，就是按照用戶在 Facebook 的好友關(guān)系，給用戶推薦他們的好友在亞馬遜上喜歡的物品。 圖 22亞馬遜的相關(guān)推薦列表 (1) Related Remended a list of Amazon(1) 圖 23亞馬遜的相關(guān)推薦列表 (2) Related Remended a list of Amazon(2) 圖 22 和圖 23 則是另外一種推薦方式 相關(guān)推薦列表。當(dāng)你在購(gòu)買一個(gè)商品的時(shí)候，網(wǎng)站會(huì)向你推薦相關(guān)商品。圖 22 推薦的是購(gòu)買過(guò)這個(gè)這個(gè)商品的人同時(shí)還購(gòu)買的其他商品，圖 23 則推薦瀏覽過(guò)這個(gè)商品的人同時(shí)還購(gòu)買的其他商品。顯然 圖 22 的推薦更有說(shuō)服力，然后這些推薦都是通過(guò)收集海量的數(shù)據(jù)并計(jì)算出來(lái)的，所以圖 23 的推薦的商品也是具有相關(guān)性的，因?yàn)橛脩粼谫I一類東西的時(shí)候會(huì)先去瀏覽各種相似的商品然后貨比三家，這些瀏覽過(guò)的數(shù)據(jù)也是具有信息價(jià)值的。 北 京 交 通 大 學(xué) 專 業(yè) 碩 士 學(xué) 位 論 文 … 電 子 商 務(wù) 個(gè) 性 化 推 薦 理 論 介 紹 6 然后這些推薦系統(tǒng)給亞馬遜帶了多少的商業(yè)利益呢，在這方面的準(zhǔn)確數(shù)字官方也沒(méi)有給出過(guò)答案，亞馬遜的前科學(xué)家 Greg Linden 在他的博客曾說(shuō)過(guò)推薦系統(tǒng)幫助亞馬遜銷售了 20%的商品。此外，前首席科學(xué)家 Andreas Weigend 在給他們的同學(xué)們上課的時(shí)候也透露推薦算法幫助亞馬遜買了 20%30%的商品。 電子商務(wù)個(gè)性化推薦系統(tǒng) 電子商務(wù)個(gè)性化推薦系統(tǒng)是幫助客戶決定購(gòu)買什么商品的系統(tǒng)。推薦系統(tǒng)的服務(wù)對(duì)象是客戶 ,系統(tǒng)的目標(biāo)是為客戶提供項(xiàng)目推薦?？蛻羰侵竿扑]系統(tǒng)的使用者 ,即電子商務(wù)網(wǎng)站中的客戶。項(xiàng)目則是被推薦的對(duì)象 ,即電子商務(wù)網(wǎng)站中的商品或服務(wù) ,也就是最終推薦給用戶的內(nèi)容。 本節(jié)先介紹了電子商務(wù)個(gè)性化推薦系統(tǒng)的概念和分類，然后介紹了電子商務(wù)個(gè)性化推薦系統(tǒng)的研究現(xiàn)狀和研究意義。 電子商務(wù)個(gè)性化推薦系統(tǒng)的概念 隨著數(shù)字技術(shù)的飛速發(fā)展和互聯(lián)網(wǎng)絡(luò)的全面普及應(yīng)用，人類進(jìn)入了信息社會(huì)和網(wǎng)絡(luò)經(jīng)濟(jì)時(shí)代，企業(yè)發(fā) 展和個(gè)人生活都被深深影響著。隨著網(wǎng)絡(luò)交易的機(jī)制被大多數(shù)人接受之后，電子商務(wù)網(wǎng)站紛紛崛起，因?yàn)榫W(wǎng)絡(luò)交易的成本低廉，人們通過(guò)互聯(lián)網(wǎng)絡(luò)進(jìn)行商務(wù)活動(dòng)，可以創(chuàng)造出新的商機(jī)。電子商務(wù)的發(fā)展模式對(duì)企業(yè)提出了了許多新的要求，比如商品選購(gòu)舒適、送貨及時(shí)、商品的質(zhì)量保證、退換貨方便等等，其中最為突出的問(wèn)題是商品選購(gòu)。因?yàn)樵陔娮由虅?wù)處在虛擬的環(huán)境中，商家盡可能多的在網(wǎng)上提供自己所能提供的商品，品類繁多，用戶很難在一個(gè)網(wǎng)頁(yè)上發(fā)現(xiàn)自己感興趣的商品，用戶或者沒(méi)有時(shí)間，或者不愿意在網(wǎng)上漫無(wú)邊際的尋找商品。 雖然目前在信息檢索界提供了許多搜索引擎如百度， Google 等可以幫助用戶在大互聯(lián)網(wǎng)中根據(jù)關(guān)鍵字尋找到自己所需的信息，但是此類搜索引擎自動(dòng)化程度較低，屬于被動(dòng)系統(tǒng)。并且其搜索結(jié)果中魚(yú)龍混雜，使用者常常需要過(guò)濾掉大部分垃圾信息或不準(zhǔn)確的信息，依然要花費(fèi)很大精力才能找出自己真正需要的信息。此外，瀏覽某個(gè)電商網(wǎng)站時(shí)，使用者根本不知道這個(gè)商家提供了某項(xiàng)商品，當(dāng)然更不可能去搜索尋找了。這種情況下，是否主動(dòng)送出的推薦就顯得尤為重要。在這種需求趨勢(shì)下，出現(xiàn)了電子商務(wù)個(gè)性化推薦系統(tǒng)。 電子商務(wù)推薦系統(tǒng)被定義為：“利用電子商務(wù)網(wǎng)站向客戶提供商品信息和建議，幫助用戶決定應(yīng)該購(gòu)買什么產(chǎn)品，模擬銷售人員幫助客戶完成購(gòu)買過(guò)程 [1]?！北?京 交 通 大 學(xué) 專 業(yè) 碩 士 學(xué) 位 論 文 … 電 子 商 務(wù) 個(gè) 性 化 推 薦 理 論 介 紹 7 這是一種提升電子商務(wù)零售網(wǎng)站整體營(yíng)銷性能的個(gè)性化推薦工具，也是目前電商網(wǎng)站為了促進(jìn)網(wǎng)站發(fā)展，增加經(jīng)濟(jì)效益，吸引新客戶并留住老客戶的一種有效手段。電子商務(wù)推薦系根據(jù)用戶制定個(gè)性化營(yíng)銷策略，并在合適的時(shí)候提供用戶最需要的信息，提升用戶忠誠(chéng)度，提高用戶購(gòu)物體驗(yàn)。 電子商務(wù)個(gè)性化推薦系統(tǒng)的分類 電子商務(wù)個(gè)性化推薦系統(tǒng)圍繞客戶為中心，提供對(duì)用戶的服務(wù)，根據(jù)系統(tǒng)推薦的持久性和自動(dòng) 化程度對(duì)電子商務(wù)個(gè)性化推薦系統(tǒng)進(jìn)行分類 [2]。 自動(dòng)化 程度。 自動(dòng)化程度從客戶的角度來(lái)說(shuō)，就是需要客戶為系統(tǒng)手工輸入提供自身所需要的信息的多少，系統(tǒng)才能根據(jù)這些信息進(jìn)行處理從而提供相關(guān)的推薦。從這個(gè)角度來(lái)看，自動(dòng)化程度范圍從系統(tǒng)對(duì)客戶一無(wú)所知的全手工推薦，到系統(tǒng)自動(dòng)根據(jù)用戶的操作歷史從而主動(dòng)推送的全自動(dòng)推薦。 持久性。 持久性是指推薦系統(tǒng)產(chǎn)生的推薦是基于客戶當(dāng)前的會(huì)話產(chǎn)生的相關(guān)信息還是包括客戶歷史會(huì)話的信息進(jìn)行推薦的。持久性的維度劃分范圍從完全暫時(shí)性的推薦到完全永久性的推薦。完全暫時(shí)性的推薦僅僅基于客戶當(dāng)前 唯一的會(huì)話，不考慮客戶先前會(huì)話的任何信息。永久性的推薦考慮客戶歷史的會(huì)話，綜合客戶的多個(gè)對(duì)話來(lái)產(chǎn)生推薦。 電子商務(wù)個(gè)性化推薦系統(tǒng)根據(jù)自動(dòng)化和持久性程度，可以分為以下四種類型 [2]： 非個(gè)性化電子商務(wù)個(gè)性化推薦系統(tǒng) 。 以其他客戶對(duì)商品做出的評(píng)價(jià)為基礎(chǔ)，向用戶做出推薦，或者根據(jù)電子商務(wù)系統(tǒng)的銷售排行等與特定用戶無(wú)關(guān)的輸入信息進(jìn)行推薦。這種推薦技術(shù)是與特定用戶無(wú)關(guān)，獨(dú)立于目標(biāo)用戶，對(duì)所有用戶推薦的內(nèi)容都是相同的。非個(gè)性化電子商務(wù)個(gè)性化推薦系統(tǒng)的推薦方式屬于自動(dòng)化方式推薦，產(chǎn)生推薦于用戶的任意會(huì)話，不區(qū)分用戶個(gè)體， 是瞬時(shí)的推薦，個(gè)性化程度為零。 基于屬性的電子商務(wù)個(gè)性化推薦系統(tǒng) 。 這種推薦方式類似與搜索引擎的方式，需要用戶手動(dòng)輸入商品的屬性特征，然后根據(jù)商品的屬性特征為用戶生成推薦列表。因而屬于手動(dòng)方式推薦，推薦可以是根據(jù)用戶單個(gè)會(huì)話產(chǎn)生的，也可以是根據(jù)用戶多個(gè)會(huì)話產(chǎn)生的。 基于商品相關(guān)性的推薦系統(tǒng)。 根據(jù)商品間的相關(guān)程度向用戶推薦相應(yīng)的商品。基于商品相關(guān)性的推薦北 京 交 通 大 學(xué) 專 業(yè) 碩 士 學(xué) 位 論 文 … 電 子 商 務(wù) 個(gè) 性 化 推 薦 理 論 介 紹 8 系統(tǒng)即可以是全自動(dòng)化方式的推薦系統(tǒng)，還能是全手動(dòng)方式的推薦系統(tǒng)?；谏唐废嚓P(guān)性的推薦系統(tǒng)是依據(jù)于用戶的單個(gè)會(huì)話。 基于用戶相關(guān)性的推薦系統(tǒng)。 也稱為協(xié)同過(guò)濾 推薦系統(tǒng)?；谟脩粝嚓P(guān)性的推薦系統(tǒng)先查找目前用戶的最近鄰居，再根據(jù)最近鄰居的購(gòu)買記錄、評(píng)分信息為當(dāng)前用戶進(jìn)行推薦。用戶相關(guān)推薦不用用戶顯式輸入信息。推薦是基于用戶的多個(gè)會(huì)話產(chǎn)生的。 電子商務(wù)個(gè)性化推薦系統(tǒng)研究現(xiàn)狀 我國(guó)的電子商務(wù)個(gè)件化推薦系統(tǒng)與國(guó)外還有一定的差距，主要表現(xiàn)在以下幾個(gè)方面： 多數(shù)為普適性的推薦，缺少針對(duì)個(gè)人的推薦：目前的電子商務(wù)網(wǎng)站從全部的角度出發(fā)，通過(guò)分類推薦的方式，把推薦結(jié)果展示給用戶，這樣造成了推薦結(jié)果和用戶興起不一致的情況，影響了電子商務(wù)個(gè)性化推薦的效果。 個(gè)性化推薦系統(tǒng)的智能化程度較低：目前現(xiàn)有的電子商務(wù)企業(yè)需要客戶多次的訪問(wèn)，同時(shí)需要輸入相關(guān)的個(gè)人信息，推薦系統(tǒng)才可以基于這些信給用戶提供個(gè)性化的服務(wù)，然而這樣增加了用戶的負(fù)擔(dān)，降低了用戶體驗(yàn)。 持久性比較差：目前國(guó)內(nèi)的個(gè)性化推薦技術(shù)是依賴用戶當(dāng)前的會(huì)話，并沒(méi)有采用以前的歷史訪問(wèn)記錄，使得個(gè)性化推薦系統(tǒng)的持續(xù)性比較低。 推薦的方式過(guò)于單一：國(guó)內(nèi)的網(wǎng)站多是基于單一模式的推薦技術(shù)，缺少多種推薦策略的混合使用。 在從 Web 日志數(shù)據(jù)挖掘轉(zhuǎn)向用戶興趣模型方面，刑?hào)|山 [3]提出的支持 偏愛(ài)度的概念，設(shè)計(jì)了網(wǎng)站訪問(wèn)矩陣，并基于這個(gè)矩陣提出了用戶瀏覽偏愛(ài)路徑挖掘算法，該算法能準(zhǔn)確地反映用戶瀏覽興趣。沈均毅 [4]等人提出首先以 Web 站點(diǎn)的 URL為行，以 UserlD 為列，建立 URL_UserID 關(guān)聯(lián)矩陣，每個(gè)單元的元素值為用戶的訪問(wèn)次數(shù)。然后，對(duì)列向量進(jìn)行相似度的檢測(cè)和分析，從而得到相似客戶群體，同時(shí)對(duì)行向量進(jìn)行相似度的檢測(cè)和分析，獲得相關(guān) Web 頁(yè)面，然后再對(duì)相關(guān)頁(yè)面進(jìn)一步分析和處理，就能夠發(fā)現(xiàn)頻繁訪問(wèn)路徑。王熙法 [5]等人在文獻(xiàn)中提出使用神經(jīng)網(wǎng)絡(luò)方法的用戶行為分析方法，先對(duì) Web 日志文件進(jìn)行預(yù) 處理分析，然后再?gòu)木W(wǎng)站會(huì)話中找出頻繁項(xiàng)集，進(jìn)一步規(guī)范化處理后得出用戶聚類，聚類分區(qū)通過(guò)將用戶或商品項(xiàng)進(jìn)行聚類分區(qū) ,相似性和商品推薦的計(jì)算在分區(qū)內(nèi)或分區(qū)之間進(jìn)行從而大大降低了數(shù)據(jù)空間的大小和數(shù)據(jù)的稀疏程度，提高了算法效率和準(zhǔn)確度 [6]。 關(guān)于推薦系統(tǒng)的研究起源較早，在 90 年代中后期出現(xiàn)了第一批協(xié)同過(guò)濾的文章 [79]， Breese[10]等人將協(xié)同過(guò)濾技術(shù)分為兩類：基于內(nèi)容和基于模型的協(xié)同過(guò)濾。北 京 交 通 大 學(xué) 專 業(yè) 碩 士 學(xué) 位 論 文 … 電 子 商 務(wù) 個(gè) 性 化 推 薦 理 論 介 紹 9 Cyrus Shahabi 等人綜合兩種推薦技術(shù)的優(yōu)勢(shì)，設(shè)計(jì)離線線挖掘模式和在線模式為一體的挖掘方法，一定程度上提高了 電子商務(wù)推薦系統(tǒng)的精準(zhǔn)度和實(shí)時(shí)性 [11]。Giovanni Semeraro 等人基于網(wǎng)頁(yè)內(nèi)容過(guò)濾中，引入語(yǔ)義分析技術(shù)，概括用戶信息并進(jìn)行聚類分析，然后使用協(xié)同過(guò)濾技術(shù)向用戶進(jìn)行個(gè)性化的推薦，提高了推薦系統(tǒng)的精準(zhǔn)度和擴(kuò)展性 [12]。張丙奇 [13]提出了利用領(lǐng)域知識(shí)進(jìn)行相似度計(jì)算的協(xié)同過(guò)濾算法，使用戶在評(píng)分的共同項(xiàng)目很少或?yàn)榱愕那闆r下也能找到最近鄰進(jìn)行協(xié)同推薦。算法解決了傳統(tǒng)協(xié)同過(guò)濾算法中相似性度量方法“過(guò)嚴(yán)”的問(wèn)題，在過(guò)濾初期顯著地提高了推薦質(zhì)量。 針對(duì)推薦系統(tǒng)不精確的研究方面，劉枚蓮提出一種改進(jìn)鄰居集合的個(gè) 性化推薦算法，該算法賦予每項(xiàng)評(píng)分一個(gè)按時(shí)間逐步遞減的權(quán)重，利用加權(quán)后的評(píng)分尋找目標(biāo)用戶的最近鄰居。張新猛提出一種基于協(xié)同過(guò)濾的網(wǎng)絡(luò)論壇個(gè)性化推薦算法，采用加權(quán)方法計(jì)算用戶帖子的評(píng)分矩陣，獲取鄰近用戶集合，通過(guò)鄰居用戶的來(lái)預(yù)測(cè)和推薦給用戶分?jǐn)?shù)最高的帖子。鄧愛(ài)林提出了項(xiàng)目預(yù)測(cè)評(píng)價(jià)的協(xié)同個(gè)過(guò)濾算法，并在此基礎(chǔ)上用相識(shí)度方法計(jì)算目標(biāo)用戶的鄰居，算法可以有效地解決用戶評(píng)分?jǐn)?shù)據(jù)極端稀疏情況下傳統(tǒng)相似性度量方法存在的問(wèn)題，顯著地提高推薦系統(tǒng)的推薦質(zhì)量。 在推薦系統(tǒng)中應(yīng)用最廣泛和最成功的是混合推薦系統(tǒng) [1417]，常用的 混合推薦方法 [18]有： 1. 權(quán)重型，根據(jù)多個(gè)推薦方法的計(jì)算結(jié)果結(jié)合而成，如 P Tango 系統(tǒng) [19]； 2. 轉(zhuǎn)換型，幾個(gè)推薦方法根據(jù)具體情況切換； 3. 合并型，一起呈現(xiàn)多個(gè)推薦方法的結(jié)果 [20]； 4. 特征組合，把協(xié)同過(guò)濾信息看作為商品的附加特征，再采用基于內(nèi)容的推薦技術(shù) [21]。 文獻(xiàn)【 22】中，郭艷紅運(yùn)用基于內(nèi)容預(yù)測(cè)的方法，對(duì)電子商務(wù)推薦系統(tǒng)內(nèi)未被用戶評(píng)價(jià)過(guò)的產(chǎn)品進(jìn)行評(píng)分預(yù)測(cè)，通過(guò) 2 種優(yōu)化步驟，把預(yù)測(cè)不準(zhǔn)確的用戶評(píng)分進(jìn)行過(guò)