【導(dǎo)讀】息空間中，無法順利找到自己需要的商品。電子商務(wù)推薦系統(tǒng)（Remender. 找到他們真正所需購買的商品。都得到了很大的發(fā)展，然而電子商務(wù)推薦系統(tǒng)仍面臨著一系列挑戰(zhàn)。推薦系統(tǒng)體系結(jié)構(gòu)等關(guān)鍵技術(shù)進(jìn)行探討。則推薦算法和協(xié)同過濾推薦算法，并了解評價(jià)推薦系統(tǒng)兩個(gè)重要要素。據(jù)庫資源以及利用Google學(xué)術(shù)搜索引擎等進(jìn)行論文檢索。性較強(qiáng)的內(nèi)容，使論文整體上得到了進(jìn)一步的充實(shí)和規(guī)范。論文選題有相當(dāng)強(qiáng)的理論與實(shí)踐意義。新性且在實(shí)踐中的指導(dǎo)作用較強(qiáng)。求，打印規(guī)范清晰。主題，表達(dá)流暢，具有很強(qiáng)的說服力。

　　

【正文】 研究 梁銳彪 所需商品的難度，用戶在找到自己需要的商品之前，必須瀏覽大量的無關(guān)信息為了解決上述信息過載問題，有效的知道用戶在電子商務(wù)系統(tǒng)中方便的購物，人們提出了推薦系統(tǒng)技術(shù)。 電子商務(wù)推薦系統(tǒng)直接與用戶交互，模擬商店銷售人員向用戶提供商品推薦，幫助用戶找到所需商品，從而順利完成購買過程。電子商務(wù)推薦系統(tǒng)產(chǎn)生的推薦可以基于電子商務(wù)系統(tǒng)的銷售排行，可以基于用戶以前的購買行為，也可以基于用戶表現(xiàn)出來的興趣愛好等。電子商務(wù)不僅為用戶提供了便利的交易方式和廣泛的選擇，同時(shí)也為商家提供了更加深 入了解用戶需求和購物行為特征的可能性。推薦系統(tǒng)作為電子商務(wù)中的重要應(yīng)用技術(shù)之一，為電子商務(wù)系統(tǒng)實(shí)現(xiàn) “一對一營銷 ”提供了可能 [31]。 電子商務(wù)推薦系統(tǒng)（ Remendation Systems for ECommerce）正式的定義是 1997 年 Resnickamp。Varian 給出的， “ 電子商務(wù)個(gè)性化推薦系統(tǒng)是利用電子商務(wù)網(wǎng)站向用戶提供產(chǎn)品信息和相關(guān)建議，幫助用戶決定購買什么產(chǎn)品，通過模擬銷售人員幫助用戶完成購物過程的系統(tǒng) [32]” ，同時(shí)還指出其作用主要表現(xiàn)在三個(gè)方面： ① 將電子商務(wù)網(wǎng)站的瀏覽者轉(zhuǎn)變?yōu)橘徺I者 （ Converting Browsers into Buyers）； ② 提高電子商網(wǎng)站的交叉銷售能力（ CrossSell）； ③ 提高客戶對電子商務(wù)網(wǎng)站的忠誠度（ Building Loyalty）。目前，推薦系統(tǒng)已廣泛運(yùn)用到各行業(yè)中，推薦對象包括書籍、音像、網(wǎng)頁、文章和新聞等。研究表明，電子商務(wù)的銷售行業(yè)使用個(gè)性化推薦系統(tǒng)后，銷售額能提高 2%～ 8%[33]，尤其在書籍電影、 CD 音像、日用百貨等產(chǎn)品相對較為低廉且商品種類繁多、用戶使用個(gè)性化推薦系統(tǒng)程度高的行業(yè)，推薦系統(tǒng)能大大提高企業(yè)的銷售額。 電子 商務(wù)推薦系統(tǒng)的輸入和輸出 從總體的層次結(jié)構(gòu)看，整個(gè)電子商務(wù)推薦系統(tǒng)的組成主要可以分為三個(gè)模塊：輸入功能（ the Input Functional）模塊、推薦方法（ the Remendation Method）模塊、輸出功能（ the Output Functional）模塊，如圖 25 所示。其中，推薦方法模塊是個(gè)性化推薦技術(shù)的集中體現(xiàn)，決定著推薦系統(tǒng)的性能優(yōu)劣，本文將于電子商務(wù)推薦系統(tǒng)關(guān)鍵技術(shù)研究 梁銳彪 第三章詳細(xì)論述。 圖 電子商務(wù)推薦系統(tǒng)結(jié)構(gòu)圖 電子商務(wù) 推薦系統(tǒng)的輸入 不同類型的電子商務(wù)推薦系統(tǒng)，其輸入信息也不相同。不同電子商務(wù)推薦系統(tǒng)根據(jù)不同的輸入信息產(chǎn)生不同類型的推薦。電子商務(wù)推薦系統(tǒng)的輸入可以是用戶當(dāng)前的行為，也可以是用戶訪問過程中的歷史行為。在大型的電子商務(wù)系統(tǒng)中，為了產(chǎn)生高質(zhì)量的推薦，推薦系統(tǒng)可能需要多種類型的輸入信息。 電子商務(wù)推薦系統(tǒng)的輸入包括多種形式，主要包括 [34]： 1) 隱式瀏覽輸入：將用戶訪問電子商務(wù) Web 站點(diǎn)的瀏覽行為作為推薦系統(tǒng)的輸入，用戶的瀏覽行為與訪問一般的 Web 站點(diǎn)沒有區(qū)別。并不知道電子商務(wù)推薦系統(tǒng)的存在。用戶當(dāng)前正在瀏 覽的商品、用戶購物籃中選擇的商品、用戶的瀏覽路徑等都可以作為作為隱式瀏覽輸入信息。例如： Amazon 可以根據(jù)用戶當(dāng)前瀏覽的圖書項(xiàng)向用戶推薦相關(guān)內(nèi)容的書籍。 2) 顯式瀏覽輸入（ explicit navigation）：也是將用戶的瀏覽行為作為電子商務(wù)推薦系統(tǒng)的輸入，但與隱式瀏覽輸入不同，用戶的顯式瀏覽輸入是有目的的向電子商務(wù)推薦系統(tǒng)提供自己的興趣愛好。例如，電子商務(wù)系統(tǒng)提供一系列熱門商品供用戶選擇，用戶只選擇瀏覽自己感興趣的商品列表，電子商務(wù)根據(jù)用戶的瀏覽行為向用戶提供個(gè)性化的推薦服務(wù)。例如 MovieFinder 的 Top10 給用戶提供了一個(gè)超鏈接列表，它包含了編輯推薦的 10 種產(chǎn)品。 3) 關(guān)鍵字 /商品屬性輸入（ keywords and item attributes）：用戶在搜索引擎中輸入關(guān)鍵字作為推薦系統(tǒng)的輸入，或者將用戶當(dāng)前正在瀏覽的商品類別作為推薦電子商務(wù)推薦系統(tǒng) 輸入模塊 推薦模塊 輸出模塊 電子商務(wù)推薦系統(tǒng)關(guān)鍵技術(shù)研究 梁銳彪 系統(tǒng)的輸入。這種類型的輸入不同于用戶隨意的瀏覽行為，用戶輸入的目的就是在電子商務(wù)系統(tǒng)中搜索自己需要的商品。 4) 用戶評分（ rating）輸入：將用戶對商品的數(shù)值評分?jǐn)?shù)據(jù)作為推薦系統(tǒng)的輸入。電子商務(wù)推薦系統(tǒng)列出一系列商品讓用戶評分，用戶的評分可以是一個(gè)數(shù)值，數(shù) 值大小表示用戶對商品的喜好程度，也可以是一個(gè)布爾值， 0 代表不喜歡，l 代表喜歡。用戶提供的評分?jǐn)?shù)據(jù)使得電子商務(wù)推薦系統(tǒng)可以為用戶提供個(gè)性化的推薦服務(wù)。 5) 用戶文本（ text）評價(jià)輸入：用戶對已經(jīng)購買的商品或自己熟悉的商品以文本的形式進(jìn)行個(gè)人評價(jià)，推薦系統(tǒng)本身并不能判斷這些評價(jià)的好壞。其他用戶瀏覽該商品時(shí)，可以看到用戶對商品的文本評價(jià)信息。 6) 編輯推薦輸入（ purchase history）：將領(lǐng)域?qū)＜覍μ囟ㄉ唐返脑u價(jià)作為推薦系統(tǒng)的輸入，領(lǐng)域?qū)＜覍ι唐返男阅芴攸c(diǎn)進(jìn)行全面詳細(xì)的介紹，用戶通過專家的專業(yè)介紹 ，可以對自己并不熟悉的商品加深認(rèn)識，從而決定是否購買該商品。 7) 用戶購買歷史輸入：推薦系統(tǒng)將用戶的購買歷史作為隱式評分?jǐn)?shù)據(jù)。一旦用戶購買了特定商品，則認(rèn)為用戶喜歡該商品。推薦系統(tǒng)根據(jù)用戶的購買歷史產(chǎn)生相應(yīng)的推薦。但是用戶購買了某件商品并不代表用戶喜歡該商品，所以在精確的推薦系統(tǒng)中，用戶可以對購買的商品進(jìn)行重新評分，從而使推薦系統(tǒng)產(chǎn)生更精確的推薦。 電子商務(wù)推薦系統(tǒng)的輸出 不同類型的電子商務(wù)推薦系統(tǒng)，其輸出也各不相同。大型電子商務(wù)系統(tǒng)可以同時(shí)向用戶產(chǎn)生多種不同形式的輸出。 電子商務(wù)推薦系統(tǒng)的 輸出形式主要包括 [34]： 1）相關(guān)商品輸出：推薦系統(tǒng)根據(jù)用戶表現(xiàn)出來的行為特征或電子商務(wù)系統(tǒng)的銷售情況向用戶產(chǎn)生商品推薦，這種方式是電子商務(wù)推薦系統(tǒng)中最為普遍的一種輸出。相關(guān)商品輸出可以基于簡單的銷售排行向用戶推薦熱門商品；也可以基于對用戶的行為特征進(jìn)行深入分析，發(fā)現(xiàn)用戶的購買行為模式，從而產(chǎn)生個(gè)性化的推薦。 2）個(gè)體文本評價(jià)輸出：電子商務(wù)推薦系統(tǒng)向目標(biāo)用戶提供其他用戶對商品電子商務(wù)推薦系統(tǒng)關(guān)鍵技術(shù)研究 梁銳彪 的文本評價(jià)信息個(gè)體文本評價(jià)一般是非個(gè)性化的，對每個(gè)項(xiàng)而言，所有用戶得到的個(gè)體文本評價(jià)均相同。 3）個(gè)體評分輸出：向目標(biāo)用戶提供其他用 戶對商品的數(shù)值評分信息。個(gè)體評分輸出沒有大量的文本描述信息，因此更加簡潔明了。個(gè)體評分輸出比較適合于個(gè)體數(shù)值評分?jǐn)?shù)據(jù)比較少的場合。 4）平均數(shù)值評分輸出：電子商務(wù)推薦系統(tǒng)向用戶童工其他用戶對商品數(shù)值評分信息的平均值。這種輸出形式具有簡潔明了的優(yōu)點(diǎn)，用戶可以立即獲得對該商品的總體評價(jià)。 5）電子郵件輸出：電子商務(wù)推薦系統(tǒng)通過電子郵件的形式向用戶提供商品的最新信息。這種輸出形式可以吸引用戶再次訪問電子商務(wù)系統(tǒng)，從而達(dá)到保留用戶，防止用戶流失的目的。 6）編輯輸出推薦：向用戶提供領(lǐng)域?qū)＜覍ι唐返膶I(yè)介紹，用戶通過 專家的專業(yè)介紹可以對自己并不熟悉的商品加深認(rèn)識，了解商品的性能特點(diǎn)，從而決定是否購買該商品。 電子商務(wù)推薦系統(tǒng)分類 從不同的角度出發(fā)，電子商務(wù)推薦系統(tǒng)可以有不同的分類，下面給出電子商務(wù)推薦系統(tǒng)的幾種分類方式： （ 1）按照用戶是否需要注冊，分為對注冊用戶的推薦和對非注冊用戶的推薦 [35]。 1）對于非注冊用戶采用協(xié)作過濾的方法。根據(jù)當(dāng)前非注冊用戶的訪問狀態(tài)，把用戶歸類。在用戶所屬的類里，權(quán)值較高的物品（頁面）代表是這一類用戶普遍感興趣的。在這一類用戶中權(quán)值較高和已經(jīng)購買該物品（瀏覽過的頁面）的用戶對它 的平均評價(jià)值也高的物品（頁面），就是系統(tǒng)推薦給用戶的對象。 2）對于注冊用戶則根據(jù)用戶的當(dāng)前購買狀態(tài)和購買歷史向用戶做推薦。站點(diǎn)上的物品存在一定的關(guān)聯(lián)相似關(guān)系。根據(jù)這個(gè)關(guān)系，系統(tǒng)就可以對當(dāng)前注冊用戶已經(jīng)購買的物品來確定推薦。此外，如果某些物品購買時(shí)間距離當(dāng)前購買時(shí)間久遠(yuǎn)，則基于這類物品推薦的可能性降低 [36][37]。 3）無論是注冊用戶還是非注冊用戶，系統(tǒng)根據(jù)他們請求的最新頁面中所涉電子商務(wù)推薦系統(tǒng)關(guān)鍵技術(shù)研究 梁銳彪 及到的物品和物品之間存在的關(guān)聯(lián)相似關(guān)系，尋找可以推薦的物品。如果某個(gè)物品在當(dāng)前用戶請求的最新頁面中的權(quán)值高，那么和這個(gè)物品有 極高的相似關(guān)聯(lián)關(guān)系的物品可以作為推薦的對象。 （ 2）電子商務(wù)推薦系統(tǒng)以用戶為中心，為用戶提供服務(wù)，可以根據(jù)用戶獲得推薦系統(tǒng)推薦的自動化程度和持久性程度對電子商務(wù)推薦系統(tǒng)進(jìn)行分類[35][38][39]。 ① 自動化程度，按照用戶為了得到推薦系統(tǒng)的推薦是否需要顯式的輸入信息，自動化程度分為自動化方式和手工方式。 ② 持久性程度，電子商務(wù)推薦系統(tǒng)產(chǎn)生推薦是基于用戶當(dāng)前的單個(gè)會話還是基于用戶的多個(gè)會話。 根據(jù)用戶獲得推薦的自動化程度和持久性程度，可以將將電子商務(wù)推薦系統(tǒng)分為非個(gè)性化電子商務(wù)推薦系統(tǒng)，基于屬性的電子商務(wù)推薦 系統(tǒng)，商品相關(guān)性推薦系統(tǒng)和用戶相關(guān)性推薦系統(tǒng)。 1)非個(gè)性化電子商務(wù)推薦系統(tǒng)，向當(dāng)前用戶提供的推薦結(jié)果可能基于其他用戶對商品的平均評價(jià)，或者基于電子商務(wù)系統(tǒng)的銷售排行，或者基于電子商務(wù)系統(tǒng)的編輯推薦。這種推薦技術(shù)獨(dú)立于各個(gè)用戶，每個(gè)用戶得到的推薦都是相同的。非個(gè)性化電子商務(wù)推薦系統(tǒng)屬于自動化方式推薦，產(chǎn)生的推薦基于用戶的單個(gè)會話。典型例子包括 Amazon 提供的 Average Customer Rating 推薦， eBay 提供的Customer Comments 推薦。 2)基于屬性的電子商務(wù)推薦系統(tǒng)，根據(jù)商品的 屬性特征向用戶產(chǎn)生推薦列表，這種推薦系統(tǒng)類似于搜索引擎，用戶需要手工輸入所需商品的屬性特征?；趯傩缘碾娮由虅?wù)推薦系統(tǒng)需要用戶顯式輸入商品的屬性特征，因此屬于手工方式推薦。產(chǎn)生的推薦可以基于用戶的單個(gè)會話，也可以基于用戶的多個(gè)會話。典型例子包括 Amazon 提供的 Delivers 推薦， Reel 提供的 Movie Map 推薦。 3)商品相關(guān)性推薦系統(tǒng)，根據(jù)商品之間的相關(guān)性向用戶產(chǎn)生相應(yīng)的推薦。商品相關(guān)性推薦系統(tǒng)可以是全自動化推薦系統(tǒng)，也可以是全手工方式推薦系統(tǒng)。這種推薦技術(shù)一般是基于用戶的單個(gè)會話。典型例子如 Amazon 提供的 Customers who bought this book also bought 推薦， CDNOW 提供的 AlbumAdvisor 推薦。 4)用戶相關(guān)性推薦系統(tǒng)，又稱為協(xié)同過濾推薦系統(tǒng)，這種推薦系統(tǒng)首先搜索當(dāng)前用戶的最近鄰居，然后根據(jù)最近鄰居的購買歷史或評分信息向當(dāng)前用戶產(chǎn)生推薦。用戶相關(guān)推薦一般不需要用戶顯式輸入信息。產(chǎn)生的推薦一般是基于用戶電子商務(wù)推薦系統(tǒng)關(guān)鍵技術(shù)研究 梁銳彪 的多個(gè)會話。典型例子包括 Amazon 提供的 Book Matcher 推薦， Movie Find 提供的 Web Predict 推薦。 （ 3）按照客戶購買頻度劃 分產(chǎn)品類型，可以把產(chǎn)品分為頻繁購買的產(chǎn)品和 非頻繁購買的產(chǎn)品 [40]。 1）頻繁購買的產(chǎn)品 包括各種快速消費(fèi)品，例如食品、日用品、化妝品等；其它可能頻繁購買的產(chǎn)品，例如書籍、 CD、 DVD、服裝等。對于這一類產(chǎn)品推薦系統(tǒng)通過分析客戶的個(gè)人信息、瀏覽記錄及其以前的網(wǎng)上購物記錄推斷他的個(gè)人參數(shù)。這類推薦系統(tǒng)的核心是學(xué)習(xí)客戶個(gè)人參數(shù)和對客戶興趣變化的適應(yīng)能力。 在收集信息階段，可以給出一個(gè)表單讓用戶明確地表示他的興趣。這種方式是獲得初次訪問客戶興趣參數(shù)的最為有效的方法。 針對這類產(chǎn)品，采用基于模塊的方法構(gòu)建推薦系統(tǒng) ，每個(gè)模塊自治地執(zhí)行各自的任務(wù)，同時(shí)共同完成產(chǎn)品推薦。 2）非頻繁購買的產(chǎn)品 包括家用電器、耐用消費(fèi)品、層次性消費(fèi)品。這類產(chǎn)品客戶不會像前一種產(chǎn)品一樣經(jīng)常購買。由于沒有足夠的關(guān)于客戶過去購買的信息，推斷客戶以前的參數(shù)將會非常困難；另一方面，客戶的每次購買通常無太大的關(guān)聯(lián)，而且每次購買的要求都不盡相同，那么推斷客戶以前的參數(shù)也沒有必要了。在這種情況下，客戶常常沒有特殊的領(lǐng)域知識來評價(jià)這類產(chǎn)品，專家的建議變得非常重要。推薦系統(tǒng)必須要具備特殊領(lǐng)域的知識和與客戶即時(shí)交互的能力。 這類推薦系統(tǒng)不是建立在客戶過去的參數(shù) 模型上，而是獲得和分析客戶當(dāng)前的需求，然后在有關(guān)的產(chǎn)品中幫助他尋找最合適的一個(gè)?？蛻粝群唵未_定他所需要的產(chǎn)品類型，形容出產(chǎn)品特征或要求的特殊功能；推薦系統(tǒng)比較數(shù)據(jù)庫中的產(chǎn)品與客戶要求的產(chǎn)品之間的相似處，選出一些與客戶要求最為匹配的產(chǎn)品；然后客戶對這些預(yù)推薦產(chǎn)品的某些特征進(jìn)行修正，或者增加或減少某些特征的需要程度；推薦系統(tǒng)根據(jù)修改后的要求提供新的推薦產(chǎn)品。通過這種方式，客戶可以在推薦系統(tǒng)的引導(dǎo)下逐漸找到最符合