【正文】 客戶先簡(jiǎn)單確定他所需要的產(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(kù)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(duì)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。推薦系統(tǒng)必須要具備特殊領(lǐng)域的知識(shí)和與客戶即時(shí)交互的能力。由于沒(méi)有足夠的關(guān)于客戶過(guò)去購(gòu)買(mǎi)的信息，推斷客戶以前的參數(shù)將會(huì)非常困難；另一方面，客戶的每次購(gòu)買(mǎi)通常無(wú)太大的關(guān)聯(lián)，而且每次購(gòu)買(mǎi)的要求都不盡相同，那么推斷客戶以前的參數(shù)也沒(méi)有必要了。 2）非頻繁購(gòu)買(mǎi)的產(chǎn)品 包括家用電器、耐用消費(fèi)品、層次性消費(fèi)品。這種方式是獲得初次訪問(wèn)客戶興趣參數(shù)的最為有效的方法。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(duì)客戶興趣變化的適應(yīng)能力。 1）頻繁購(gòu)買(mǎi)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(gòu)買(mǎi)的產(chǎn)品，例如書(shū)籍、 CD、 DVD、服裝等。典型例子包括 Amazon 提供的 Book Matcher 推薦， Movie Find 提供的 Web Predict 推薦。用戶相關(guān)推薦一般不需要用戶顯式輸入信息。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。商品相關(guān)性推薦系統(tǒng)可以是全自動(dòng)化推薦系統(tǒng)，也可以是全手工方式推薦系統(tǒng)。典型例子包括 Amazon 提供的 Delivers 推薦， Reel 提供的 Movie Map 推薦?；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。典型例子包括 Amazon 提供的 Average Customer Rating 推薦， eBay 提供的Customer Comments 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。 根據(jù)用戶獲得推薦的自動(dòng)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 自動(dòng)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(dòng)化程度分為自動(dòng)化方式和手工方式。如果某個(gè)物品在當(dāng)前用戶請(qǐng)求的最新頁(yè)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(duì)象。此外，如果某些物品購(gòu)買(mǎi)時(shí)間距離當(dāng)前購(gòu)買(mǎi)時(shí)間久遠(yuǎn)，則基于這類物品推薦的可能性降低 [36][37]。站點(diǎn)上的物品存在一定的關(guān)聯(lián)相似關(guān)系。在這一類用戶中權(quán)值較高和已經(jīng)購(gòu)買(mǎi)該物品（瀏覽過(guò)的頁(yè)面）的用戶對(duì)它 的平均評(píng)價(jià)值也高的物品（頁(yè)面），就是系統(tǒng)推薦給用戶的對(duì)象。根據(jù)當(dāng)前非注冊(cè)用戶的訪問(wèn)狀態(tài)，把用戶歸類。 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(cè)，分為對(duì)注冊(cè)用戶的推薦和對(duì)非注冊(cè)用戶的推薦 [35]。這種輸出形式可以吸引用戶再次訪問(wèn)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。這種輸出形式具有簡(jiǎn)潔明了的優(yōu)點(diǎn)，用戶可以立即獲得對(duì)該商品的總體評(píng)價(jià)。個(gè)體評(píng)分輸出比較適合于個(gè)體數(shù)值評(píng)分?jǐn)?shù)據(jù)比較少的場(chǎng)合。 3）個(gè)體評(píng)分輸出：向目標(biāo)用戶提供其他用 戶對(duì)商品的數(shù)值評(píng)分信息。相關(guān)商品輸出可以基于簡(jiǎn)單的銷售排行向用戶推薦熱門(mén)商品；也可以基于對(duì)用戶的行為特征進(jìn)行深入分析，發(fā)現(xiàn)用戶的購(gòu)買(mǎi)行為模式，從而產(chǎn)生個(gè)性化的推薦。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。但是用戶購(gòu)買(mǎi)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(duì)購(gòu)買(mǎi)的商品進(jìn)行重新評(píng)分，從而使推薦系統(tǒng)產(chǎn)生更精確的推薦。一旦用戶購(gòu)買(mǎi)了特定商品，則認(rèn)為用戶喜歡該商品。 6) 編輯推薦輸入（ purchase history）：將領(lǐng)域?qū)＜覍?duì)特定商品的評(píng)價(jià)作為推薦系統(tǒng)的輸入，領(lǐng)域?qū)＜覍?duì)商品的性能特點(diǎn)進(jìn)行全面詳細(xì)的介紹，用戶通過(guò)專家的專業(yè)介紹 ，可以對(duì)自己并不熟悉的商品加深認(rèn)識(shí)，從而決定是否購(gòu)買(mǎi)該商品。 5) 用戶文本（ text）評(píng)價(jià)輸入：用戶對(duì)已經(jīng)購(gòu)買(mǎi)的商品或自己熟悉的商品以文本的形式進(jìn)行個(gè)人評(píng)價(jià)，推薦系統(tǒng)本身并不能判斷這些評(píng)價(jià)的好壞。電子商務(wù)推薦系統(tǒng)列出一系列商品讓用戶評(píng)分，用戶的評(píng)分可以是一個(gè)數(shù)值，數(shù) 值大小表示用戶對(duì)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。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。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。 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(ài)好。用戶當(dāng)前正在瀏 覽的商品、用戶購(gòu)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。 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(wèn)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(wèn)一般的 Web 站點(diǎn)沒(méi)有區(qū)別。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(wèn)過(guò)程中的歷史行為。 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。 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。目前，推薦系統(tǒng)已廣泛運(yùn)用到各行業(yè)中，推薦對(duì)象包括書(shū)籍、音像、網(wǎng)頁(yè)、文章和新聞等。 電子商務(wù)推薦系統(tǒng)（ Remendation Systems for ECommerce）正式的定義是 1997 年 Resnickamp。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(gòu)物行為特征的可能性。 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(gòu)買(mǎi)過(guò)程。 第 3 章 電子商務(wù)推薦系統(tǒng)基礎(chǔ)理論 電子商務(wù)推薦系統(tǒng) 電子商務(wù)系統(tǒng)通過(guò)互聯(lián)網(wǎng)建立虛擬的網(wǎng)上商店，但這些虛擬的網(wǎng)上商店并沒(méi)有配備相應(yīng)的銷售人員來(lái)引導(dǎo)用戶購(gòu)物。 MYCDNOW 采用基于隱式評(píng)分和顯式評(píng)分的混合評(píng)分模式提供 CD 唱片推薦。研究表明這種技術(shù)可以 有效識(shí)別站點(diǎn)的受歡迎程度。 Video 推薦系統(tǒng)證明，相對(duì)于基于電影評(píng)論的推薦而言，使用協(xié)同過(guò)濾推薦技術(shù)可以大大提高推薦系統(tǒng)的推薦質(zhì)量。 MovieLens 自動(dòng)個(gè)性化協(xié)同過(guò)濾推薦系統(tǒng)用于產(chǎn)生電影推薦。在自動(dòng)個(gè)性化協(xié)同過(guò)濾推薦系統(tǒng)中，系統(tǒng)自動(dòng)識(shí)別用戶的最近鄰居，根據(jù)最近鄰居對(duì)項(xiàng)的評(píng)價(jià)產(chǎn)生推薦。在上述協(xié)同過(guò)濾推薦系統(tǒng)中，用戶之間必須了解對(duì)方的興趣愛(ài)好，因此一般只適用于用戶數(shù)量比較小的場(chǎng)合。用戶需要明確指出與自己興趣愛(ài)好相似的其他用戶，推薦系統(tǒng)根據(jù)指定的其他用戶對(duì)商品的評(píng)價(jià)信息產(chǎn)生推薦結(jié)果。這種推薦機(jī)制根據(jù)所有的用戶評(píng)分信息產(chǎn)生推薦，所有用戶在同一時(shí)間得到的推薦都是相同的，因此這種推薦方法又稱為非個(gè)性化推薦。顯式方式則讓用戶直接輸入用戶對(duì)商品的數(shù)字評(píng)分和文本評(píng)價(jià)信息協(xié)同過(guò)濾推薦系統(tǒng)通過(guò)用戶對(duì)項(xiàng)的評(píng)分信息，建立用戶檔案，然后使用不同的推薦機(jī)制提供推薦服務(wù)。 協(xié)同過(guò)濾推薦通過(guò)用戶對(duì)項(xiàng)的評(píng)分信息產(chǎn) 生推薦，用戶對(duì)項(xiàng)的評(píng)分信息可以通過(guò)隱式和顯式兩種方式得到。最近鄰協(xié)同過(guò)濾根據(jù)評(píng)分相似的最近鄰居的評(píng)分?jǐn)?shù)據(jù)向目標(biāo)用戶產(chǎn)生推薦。 2）新奇的推薦：協(xié)同過(guò)濾可以發(fā)現(xiàn)內(nèi)容上完全不相似的資源，用戶對(duì)推薦信息的內(nèi)容事先是預(yù)料不到的。協(xié)同推薦技術(shù)可以用圖 形象化的表示。協(xié)同過(guò)濾方法對(duì)用戶的行為進(jìn)行分析，并不關(guān)心信息的實(shí)際內(nèi)容。在協(xié)同過(guò)濾中，用戶通過(guò)相互協(xié)作來(lái)選擇信息，它依據(jù)其他 用戶對(duì)信息作出的評(píng)價(jià)來(lái)挑選信息。 2）推薦的資源過(guò)于狹窄：系統(tǒng)盡可能向用戶推薦最符合用戶檔案的信息，因此，推薦將局限于跟用戶以前瀏覽的資料類似的信息。 電子商務(wù)推薦系統(tǒng)關(guān)鍵技術(shù)研究 梁銳彪 圖 基于內(nèi)容的過(guò)濾示意圖 基于內(nèi)容的過(guò)濾方法主要存在如下不足 [52]： 1）特征提取的能力有限：通常只能對(duì)資源進(jìn)行比較簡(jiǎn)單的特征提取，在一些特定領(lǐng)域如圖形、圖像、視頻、音樂(lè)等媒體，目前還沒(méi)有有效的特征提取方法。例如 INFOSCOPE 利用基于規(guī)則的 Agent 分析用戶的使用風(fēng)格、監(jiān)測(cè)信息的內(nèi)容特征、判斷其是否是用戶感興趣的，并向用戶提供建議。分類挖掘模型可以通過(guò)多種機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)，如聚類 [48][49]、 Bayesian 網(wǎng)絡(luò) [50]、神經(jīng)網(wǎng)絡(luò)等 [51]。分類挖掘通過(guò)對(duì)訓(xùn)練集進(jìn)行學(xué)習(xí)，訓(xùn)練出對(duì)應(yīng)的分類器，然后利用該分類器對(duì)新用戶進(jìn)行分類?；陉P(guān)聯(lián)規(guī)則的商品推薦根據(jù)生成的關(guān)聯(lián)規(guī)則模型和用戶的購(gòu)買(mǎi)行為產(chǎn)生推薦結(jié)果。關(guān)聯(lián)規(guī)則挖掘在電子商務(wù)推薦系統(tǒng)中的應(yīng)用主要包括定點(diǎn)廣告投放和商品推薦。關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘中的一個(gè)重要研究?jī)?nèi)容 [46][47]。也可以基于用戶的當(dāng)前行為，如用戶當(dāng)前的會(huì)話行為、當(dāng)前購(gòu)物籃信息、當(dāng)前瀏覽商品等。 基于數(shù)據(jù)挖掘的推 薦系統(tǒng)根據(jù)數(shù)據(jù)挖掘技術(shù)建立用戶檔案 [44]。 電子商務(wù)推薦系統(tǒng)是將數(shù)據(jù)挖掘技術(shù)應(yīng)用于電子商務(wù)領(lǐng)域的范例 [44]隨著電子商務(wù)的應(yīng)用，數(shù)據(jù)庫(kù)中可以收集到大量的用戶數(shù)據(jù)，如用戶交易數(shù)據(jù)，用戶注冊(cè)數(shù)據(jù)、用戶評(píng)分評(píng)價(jià)數(shù)據(jù)、用戶投票數(shù)據(jù)等 。推薦系統(tǒng)的使用者是 用戶，推薦的對(duì)象是項(xiàng)目。這個(gè)定義現(xiàn)在已經(jīng)被廠 39。 9）可視化：采用直觀的圖形方式將信息模式、數(shù)據(jù)關(guān)聯(lián)或趨勢(shì)呈現(xiàn)給決策者，決策者可以通過(guò)可視化技術(shù)交互式分析數(shù)據(jù)關(guān)系?？梢杂糜诰垲惙治觥⑵罘治龅?。在數(shù)據(jù)挖掘中，模糊邏輯可以用來(lái)進(jìn)行證據(jù)合成、置信度計(jì)算等。 5）粗糙集：粗糙集是一種處理模糊和不確定性問(wèn)題的新型數(shù)學(xué)工具，粗糙集可以用于數(shù)據(jù)挖掘中的數(shù)據(jù)簡(jiǎn)化、關(guān)聯(lián)規(guī)則挖掘等。典型的決策數(shù)方法如分類回歸樹(shù)，主要用于分類挖掘。 2）人工神經(jīng)網(wǎng)絡(luò)：模仿生物神經(jīng)網(wǎng)絡(luò)，通過(guò)訓(xùn)練進(jìn)行學(xué)習(xí)的非線性預(yù)測(cè)模型，可以完成分類，聚類等多種數(shù)據(jù)挖掘任務(wù)。 7）序列分析（ Sequence Analysis）：構(gòu)造順序模型，發(fā)現(xiàn)數(shù)據(jù)之間在時(shí)間上的相關(guān)性。 6）鏈接分析（ Link Analysis）：判斷數(shù)據(jù)庫(kù)或數(shù)據(jù)倉(cāng)庫(kù)中字段之間存在的關(guān)系。 4）概括（ Summarization）：為數(shù)據(jù)的一個(gè)子集給出一個(gè)簡(jiǎn)潔的描述。 2）回歸（ Regression）：將數(shù)據(jù)項(xiàng)映射到若干預(yù)定義的變量上。 數(shù)據(jù)挖掘知識(shí)分類和數(shù)據(jù)挖掘方法 數(shù)據(jù)中隱藏的知識(shí)有各種各樣的形式，這些知識(shí)實(shí)際上是大量數(shù)據(jù)之間的某種關(guān)系。另外，數(shù)據(jù)挖掘是面向最終用戶的，需要對(duì)發(fā)現(xiàn)的模式進(jìn)行可視化，或者將結(jié)果轉(zhuǎn)換為用戶易懂的表示方式。 （ 4）結(jié)果 解釋和評(píng)估 數(shù)據(jù)挖掘階段發(fā)現(xiàn)出來(lái)的模式，可能存在冗余或無(wú)關(guān)的模式，需要將其剔除。確定挖掘任務(wù)后，進(jìn)行算法的選擇。一般包括消除噪聲和無(wú)關(guān)數(shù)據(jù)、推導(dǎo)計(jì)算缺值數(shù)據(jù)、消除重復(fù)記錄、考慮時(shí)間順序，完成數(shù)據(jù)類型轉(zhuǎn)換等。 圖 數(shù)據(jù)挖掘基本過(guò)程 （ 1）建立目標(biāo)數(shù)據(jù)集 確定數(shù)據(jù)對(duì)象，清晰地定義出業(yè)務(wù)問(wèn)題，一方面明確實(shí)際工作對(duì)數(shù)據(jù)挖掘的要求，另一方面通過(guò)對(duì)各種學(xué)習(xí)算法的對(duì)比而確定可用的學(xué)習(xí)算法。也可以粗略分為：建立目標(biāo)數(shù)據(jù)集、數(shù)據(jù)清理和預(yù)處理、選擇特定的數(shù)據(jù)挖掘算法、結(jié)果的解釋和評(píng)估以及知識(shí)驗(yàn)證及應(yīng)用等幾個(gè)過(guò)程。 一般來(lái)說(shuō)，數(shù)據(jù)挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的實(shí)際應(yīng)用數(shù)據(jù)中 ，提取隱含在其中的，人們事先不知道的，但又潛在有用的信息和知識(shí)的過(guò)程。從更廣泛的角度來(lái)說(shuō)：數(shù)據(jù)挖掘意味著在一些事實(shí)或者觀察數(shù)據(jù)的集合中尋找模式的決策支持過(guò)程。數(shù)據(jù)挖掘技術(shù)在金融、保險(xiǎn)、電信、大型超市等積累有大量數(shù)據(jù)的電子商務(wù)行業(yè)有著廣泛的應(yīng)用，如信用分析、風(fēng)險(xiǎn)分析、欺詐檢驗(yàn)、用戶聚類分析、消費(fèi)者習(xí)慣分析等。數(shù)據(jù)挖掘采用的技 術(shù)包括數(shù)據(jù)庫(kù)、數(shù)據(jù)倉(cāng)庫(kù)和 OLAP、統(tǒng)計(jì)、機(jī)器學(xué)習(xí)、可視化、神經(jīng)元網(wǎng)絡(luò)等不同領(lǐng)域的技術(shù)，如圖 所示。 目前，數(shù)據(jù)挖掘技術(shù)在理論和應(yīng)用上都已經(jīng)得到了巨大的發(fā)展。隨著研究的深入，數(shù)據(jù)挖掘技術(shù)研究組建成為計(jì)算機(jī)領(lǐng)域的一個(gè)熱門(mén)課題，得到了越來(lái)越多研究者的關(guān)注。 自從 KDD 一詞首次出現(xiàn)在 1989 年 8 月舉行的第 11 屆國(guó)家聯(lián)合人工智能學(xué)術(shù)會(huì)議上。傳統(tǒng)的統(tǒng)計(jì)分析技術(shù)具有確切性 ,電子商務(wù)推薦系統(tǒng)關(guān)鍵技術(shù)研究 梁銳彪 是正向思維 ,即首先由用戶設(shè)定一個(gè)前提 ,然后證實(shí)或否定它 ,是用戶發(fā)揮主動(dòng)性 。數(shù)據(jù)挖掘是 20 世紀(jì) 90 年代初針對(duì) “數(shù)據(jù)爆炸 ,知識(shí)貧乏 ”這一問(wèn)題而出現(xiàn)的一種新技術(shù) ,是處理海量信息的有效手段。當(dāng)產(chǎn)品目錄中加入新書(shū)時(shí)， Eyes 推薦根據(jù)用戶輸入的關(guān)鍵詞和新書(shū)提供的相關(guān)信息，選擇用戶感興趣的新書(shū)作為推薦結(jié)果，通過(guò) EMail 的方式推薦給用戶。例如， 提供的 Eyes推薦就是一個(gè)典型的基