摘  要： 針對(duì)目前電子商務(wù)個(gè)性化推薦研究的不足，提出準(zhǔn)確全面地獲取用戶獨(dú)特興趣愛(ài)好、滿足用戶差異化需求的推薦服務(wù)，同時(shí)構(gòu)建了具體的個(gè)性化推薦系統(tǒng)模型，給出了基于協(xié)作過(guò)濾算法的電子商務(wù)個(gè)性化推薦的流程、系統(tǒng)設(shè)計(jì)和系統(tǒng)實(shí)現(xiàn)，從而有利于推動(dòng)電子商務(wù)的發(fā)展。

　　關(guān)鍵詞： 個(gè)性化推薦；用戶興趣模型；協(xié)作過(guò)濾

　　電子商務(wù)的迅速發(fā)展革命性地改變了人們的生產(chǎn)和生活方式，對(duì)于個(gè)人可以做到足不出戶就獲得所需要的商品和服務(wù)，對(duì)于企業(yè)則轉(zhuǎn)變了傳統(tǒng)經(jīng)營(yíng)模式，通過(guò)網(wǎng)站為用戶提供一個(gè)直接、迅速而且不受商品陳列空間限制的龐大的商品購(gòu)物平臺(tái)[1]。然而在享受互聯(lián)網(wǎng)技術(shù)推動(dòng)電子商務(wù)發(fā)展的便利的同時(shí)，用戶也發(fā)現(xiàn)自己處于了“信息爆炸而知識(shí)貧乏”的困境之中，也就是網(wǎng)站提供的品類繁雜的商品和用戶相對(duì)單一的購(gòu)物需求之間的矛盾[2]。

　　因此電子商務(wù)網(wǎng)站希望通過(guò)應(yīng)用個(gè)性化推薦技術(shù)較準(zhǔn)確地預(yù)測(cè)用戶的購(gòu)物需求，并給用戶提供高質(zhì)量的推薦服務(wù)，以此來(lái)挖掘更多的潛在用戶，盡可能地將網(wǎng)站的瀏覽者轉(zhuǎn)化為購(gòu)買者，增強(qiáng)網(wǎng)站的關(guān)聯(lián)銷售能力，提高用戶購(gòu)物的滿意度，最終達(dá)到提高網(wǎng)站競(jìng)爭(zhēng)力，提高網(wǎng)站經(jīng)營(yíng)效益的目的。本文就如何針對(duì)不同用戶提供差異化的服務(wù)做了研究并予以實(shí)現(xiàn)[3]。

　　電子商務(wù)個(gè)性化推薦系統(tǒng)以電子商務(wù)購(gòu)物網(wǎng)站為依托，根據(jù)已知的用戶信息（比如個(gè)人注冊(cè)信息、歷史訪問(wèn)記錄、評(píng)分記錄和訂單），利用推薦技術(shù)和算法，分析用戶的消費(fèi)偏好，為不同的用戶有針對(duì)性地推薦符合興趣的商品。個(gè)性化推薦技術(shù)作為推薦系統(tǒng)的核心，是其重要的組成部分。其基本思想是：首先找與他自身興趣比較相似的用戶，然后將這些用戶感興趣的消費(fèi)內(nèi)容推薦給目標(biāo)用戶。其最大的優(yōu)點(diǎn)是對(duì)推薦對(duì)象沒(méi)有特殊的要求，能處理非結(jié)構(gòu)化的復(fù)雜數(shù)據(jù)結(jié)構(gòu)，如音頻、視頻等，也無(wú)需向基于內(nèi)容的推薦那樣去考慮推薦對(duì)象的內(nèi)容及關(guān)鍵字的抽取等。但也存在著數(shù)據(jù)稀疏、冷啟動(dòng)等缺點(diǎn)。

1 系統(tǒng)總體設(shè)計(jì)

　　1.1 總體設(shè)計(jì)思想

　　基于協(xié)作過(guò)濾的個(gè)性化推薦系統(tǒng)是電子商務(wù)網(wǎng)站模擬了店鋪營(yíng)業(yè)員對(duì)用戶的推薦行為，盡可能準(zhǔn)確地獲取用戶的個(gè)性消費(fèi)愛(ài)好，給不同用戶提供差異化的推薦服務(wù)。首先，需要建立一種合理的個(gè)性化推薦體系，在該體系的指導(dǎo)下，分析用戶的購(gòu)物行為進(jìn)而獲取用戶的興趣愛(ài)好數(shù)據(jù)，構(gòu)建用戶興趣愛(ài)好模型，并使用個(gè)性化推薦算法計(jì)算目標(biāo)用戶對(duì)每一個(gè)項(xiàng)目的期望值[4]?；诘贸龅挠脩羝谕?，個(gè)性化推薦系統(tǒng)就可以對(duì)不同的目標(biāo)用戶提供一種差異化的推薦服務(wù)。個(gè)性化推薦模型如圖1所示。

　　通過(guò)以上模型可知，在本系統(tǒng)中主要涉及到3個(gè)角色，分別是客戶端子系統(tǒng)、管理端子系統(tǒng)和個(gè)性化推薦子系統(tǒng)。而在作為核心部分的個(gè)性化推薦子系統(tǒng)中，以用戶興趣愛(ài)好數(shù)據(jù)作為輸入?yún)?shù)，使用協(xié)作過(guò)濾算法計(jì)算目標(biāo)用戶對(duì)項(xiàng)目的預(yù)測(cè)值[5]。

　　1.2 系統(tǒng)框架

　　個(gè)性化推薦系統(tǒng)基于用戶提交的興趣愛(ài)好信息和在購(gòu)物網(wǎng)站的瀏覽歷史信息提供個(gè)性化推薦服務(wù)和購(gòu)買建議，其總體結(jié)構(gòu)分為前臺(tái)客戶端管理、后臺(tái)管理和個(gè)性化推薦3個(gè)模塊。

2 系統(tǒng)應(yīng)用

　　2.1 客戶端子模塊

　　在個(gè)性化推薦系統(tǒng)中，用戶作為最終的服務(wù)對(duì)象，參與了整個(gè)系統(tǒng)的服務(wù)過(guò)程。在本模塊中，用戶可以實(shí)現(xiàn)買賣交易，注冊(cè)成為本站的會(huì)員享受系統(tǒng)提供的個(gè)性化推薦服務(wù)，也可以對(duì)商品和店鋪根據(jù)提供的服務(wù)做出客觀評(píng)價(jià)。此外，用戶可以申請(qǐng)?jiān)诒鞠到y(tǒng)開(kāi)啟自己的網(wǎng)上店鋪。

　　客戶端子系統(tǒng)的另一個(gè)重要功能就是根據(jù)用戶在本站的行為收集用戶的興趣愛(ài)好數(shù)據(jù)，并將其量化以建立用戶興趣模型，作為個(gè)性化推薦系統(tǒng)向用戶提供推薦服務(wù)的有力依據(jù)，保證推薦的高質(zhì)量和精準(zhǔn)性。

　　2.2 管理端子模塊

　　為了確保系統(tǒng)的正常運(yùn)行，電子商務(wù)個(gè)性化推薦系統(tǒng)需要具有一個(gè)后臺(tái)管理子系統(tǒng)對(duì)整個(gè)系統(tǒng)進(jìn)行配置管理。主要功能模塊包括：訂單管理、會(huì)員管理、權(quán)限管理、管理員登錄、系統(tǒng)配置管理、商品管理、店鋪管理、廣告管理、信息管理和個(gè)性化推薦模塊管理。

　　為了增加個(gè)性化推薦系統(tǒng)的推薦質(zhì)量，加強(qiáng)推薦的彈性范圍，系統(tǒng)還允許管理員在個(gè)性化推薦模塊管理及時(shí)修改算法閾值，從而更進(jìn)一步提供系統(tǒng)的靈活性和擴(kuò)展性。

　　2.3 個(gè)性化推薦模塊

　　個(gè)性化推薦模塊遵循入-處理-輸出IPO（Input-Process-Output）模式[6]，作為系統(tǒng)的核心部分，主要由數(shù)據(jù)表述、發(fā)現(xiàn)最近鄰居和產(chǎn)生推薦數(shù)據(jù)集[7]3個(gè)階段組成，其基本架構(gòu)如圖2所示。

　　（1）數(shù)據(jù)表述階段

　　數(shù)據(jù)表述階段最重要的是建立用戶興趣模型。用戶興趣模型建立的第一步是獲取用戶興趣數(shù)據(jù)，目前主要有兩種方法。一種是顯式獲取，即用戶主動(dòng)參與電子商務(wù)網(wǎng)站的反饋活動(dòng)，要求用戶中斷正常的瀏覽行為對(duì)資源項(xiàng)目進(jìn)行評(píng)分，這是獲取用戶興趣最佳的方式，不足之處是，顯式獲取需要為用戶帶來(lái)了額外的負(fù)擔(dān)，匆忙中填寫(xiě)的反饋信息很大程度上并不能客觀地反映用戶偏好。另一種是隱式獲取，主要是以Web使用挖掘、人工智能和知識(shí)發(fā)現(xiàn)等理論為基礎(chǔ)，利用JavaScript、AJAX等應(yīng)用技術(shù)分析用戶的瀏覽行為，獲取用戶興趣偏好并轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)的過(guò)程，它的優(yōu)勢(shì)主要在于整個(gè)過(guò)程不需要用戶的主動(dòng)參與，不會(huì)中斷用戶正常的瀏覽行為，也不會(huì)給用戶帶來(lái)額外負(fù)擔(dān)，能夠得到比顯示反饋更豐富的用戶偏好信息。因此，這里采用“以顯式獲取用戶興趣愛(ài)好為主，隱式獲取為輔，顯式和隱式相結(jié)合”的混合用戶興趣獲取方式[8]，避免了中文分詞帶來(lái)的誤差和關(guān)鍵字抽取。將混合方式獲得的用戶興趣數(shù)據(jù)先進(jìn)行降噪處理，降低噪聲對(duì)用戶興趣數(shù)據(jù)的干擾，比如在獲取用戶在某個(gè)頁(yè)面上停留的時(shí)間信息時(shí)，可能由于瀏覽者中途離開(kāi)而導(dǎo)致數(shù)據(jù)失效等。為了方便存儲(chǔ)和計(jì)算，對(duì)用戶興趣數(shù)據(jù)經(jīng)過(guò)降噪處理，轉(zhuǎn)換成相應(yīng)的用戶對(duì)資源項(xiàng)目的評(píng)分，從而構(gòu)建了用戶興趣模型。

　　本文借鑒MovieLens系統(tǒng)的用戶評(píng)分規(guī)則[1]，設(shè)定用戶顯式評(píng)分是一個(gè)0~5之間的數(shù)字，以0.5作為間隔共分為11個(gè)檔次，表示用戶對(duì)商品的個(gè)性化偏好程度，其轉(zhuǎn)換規(guī)則如下。

　?、儆脩魎購(gòu)買了某商品k但未評(píng)分，則Ru，k=3.0。

　?、谟脩魎對(duì)商品k的評(píng)分為score，則Ru，k=score。

　?、塾脩酎c(diǎn)擊商品k的次數(shù)n與給定的除“0”外的10個(gè)分?jǐn)?shù)檔對(duì)應(yīng)，則Ru，k=n×0.5，若Ru，k>5.0則Ru，k=5.0。

　　④獲取時(shí)間與推測(cè)隱式評(píng)分對(duì)應(yīng)關(guān)系如下：

　　Ru，k=1  （5≤t<10）2  （5≤t<10）3  （5≤t<10）4  （5≤t<10）5  （5≤t<10）

　　⑤其他情況下，Ru，k=0。

　　在一個(gè)典型的基于協(xié)作過(guò)濾技術(shù)的個(gè)性化推薦系統(tǒng)中，用戶興趣模型通常被表示為一個(gè)m×n的用戶-項(xiàng)目評(píng)估矩陣R，m是用戶數(shù)，n是項(xiàng)數(shù)，rij是第i個(gè)用戶對(duì)第j個(gè)項(xiàng)目的評(píng)估數(shù)值，其具體值由顯式和隱式用戶興趣獲取的數(shù)據(jù)轉(zhuǎn)換得來(lái)[6]。用戶-項(xiàng)目評(píng)估矩陣R如表1所示。

　?。?）發(fā)現(xiàn)最近鄰居集階段

　　用戶興趣模型建立后，系統(tǒng)根據(jù)用戶興趣模型計(jì)算每一位用戶的用戶相似度，通過(guò)度量目標(biāo)用戶與所有候選鄰居間的相似度，產(chǎn)生基于協(xié)作過(guò)濾的top-n鄰居用戶集，然后根據(jù)這個(gè)鄰居用戶集，結(jié)合協(xié)作過(guò)濾推薦算法，對(duì)用戶作出個(gè)性化推薦服務(wù)和購(gòu)買建議。其中協(xié)作過(guò)濾推薦的示意圖如圖3所示。

　　協(xié)作過(guò)濾算法是目前使用最多、應(yīng)用最成熟的推薦技術(shù)。它的應(yīng)用前提是：假設(shè)存在具有相似興趣偏好的用戶群，每個(gè)用戶都有與其興趣偏好相似的鄰居用戶。預(yù)測(cè)用戶對(duì)某一項(xiàng)目的偏好是根據(jù)鄰居用戶的偏好程度計(jì)算的，也就是以屬性或興趣相近的用戶建議作為個(gè)性化推薦的基礎(chǔ)。協(xié)作過(guò)濾算法最大的優(yōu)勢(shì)在于不需要分析對(duì)象的特征屬性，所以對(duì)推薦沒(méi)有特殊要求，能處理非結(jié)構(gòu)化的復(fù)雜對(duì)象，如音頻、視頻等[8]。

　　基于協(xié)作過(guò)濾推薦的上述優(yōu)點(diǎn)，本文也采用協(xié)作過(guò)濾算法產(chǎn)生推薦。協(xié)作過(guò)濾算法有基于用戶（User-based）協(xié)作過(guò)濾算法和基于項(xiàng)目（Item-based）協(xié)作過(guò)濾兩種[9]。這里分別采用基于用戶協(xié)作過(guò)濾算法和基于項(xiàng)目協(xié)作過(guò)濾算法兩種方式產(chǎn)生推薦。采用余弦相似性算法計(jì)算用戶相似度，它既可以用于基于用戶的協(xié)作過(guò)濾中，也可以用于基于項(xiàng)目的協(xié)作過(guò)濾系統(tǒng)中。此方法是將用戶評(píng)分看作n維向量項(xiàng)目空間上的向量，如果用戶對(duì)項(xiàng)目沒(méi)有進(jìn)行評(píng)分，則將評(píng)分設(shè)置為默認(rèn)值0，用戶間的相似性通過(guò)向量間的余弦?jiàn)A角來(lái)度量。余弦值越大表示用戶的相似程度越高。設(shè)用戶i和用戶j在n維向量空間上的評(píng)分分別表示為向量和，則用戶i和用戶j之間的相似性sim（i，j）為：

　　采用余弦性算法的用戶相似度處理過(guò)程如下：

　　輸入：用戶i和用戶j關(guān)于所有項(xiàng)目的評(píng)分

　　輸出：用戶i和用戶j的相似度

　　算法步驟：

　　第一步：判斷用戶i和用戶j的合法性。

　　第二步：初始化sum（x2）、sum（y2）、sum（xy）分別為0，n為項(xiàng)目個(gè)數(shù)。

　　第三步：計(jì)算sum（x2）、sum（y2）、sum（xy）的值：

　　for 每一條項(xiàng)目記錄

　　do

　　x=i1；y=j1；

　　if x，y都不為空

　　sum（x，y）+=x*y；

　　sum（x2）+=x*x；

　　sum（y2）+=y*y；

　　end if

　　end do

　　return sum（x，y）/（sqrt（sum（x2））*sqrt（sum（y2）））；

　　將以上使用余弦相似性算法得到用戶X和用戶Y的相似度進(jìn)行降序排序，取前k個(gè)用戶做為目標(biāo)用戶的k鄰居用戶群。

　?。?）產(chǎn)生推薦數(shù)據(jù)集階段

　　在得到最近鄰居用戶集數(shù)據(jù)后，接下來(lái)根據(jù)計(jì)算出來(lái)的最近鄰居集預(yù)測(cè)評(píng)分并給目標(biāo)用戶產(chǎn)生推薦結(jié)果。設(shè)目標(biāo)用戶u的最近鄰居集合用Tu表示，則目標(biāo)用戶u對(duì)項(xiàng)目i的預(yù)測(cè)評(píng)分Pu，i可以通過(guò)用戶u對(duì)最近鄰居集Tu中項(xiàng)目的評(píng)分得到，其中Pu，i的計(jì)算方法如下：

　　上式中sim（u，n）表示用戶u與n之間的相似程度，Rn，i表示用戶n對(duì)項(xiàng)目i的評(píng)分，u和n分別表示用戶u和用戶n對(duì)項(xiàng)目的平均評(píng)分。通過(guò)上述方法計(jì)算用戶對(duì)所有未評(píng)分的項(xiàng)目的評(píng)分，然后選擇其中預(yù)測(cè)評(píng)分最高的前若干項(xiàng)（top-n）作為推薦結(jié)果給當(dāng)前用戶[10]，通過(guò)這樣的基于用戶興趣相似度的推薦，網(wǎng)站就可以在恰當(dāng)?shù)臅r(shí)間向不同的用戶推薦合適的商品。

　　基于項(xiàng)目的協(xié)作過(guò)濾推薦算法和基于用戶的協(xié)作過(guò)濾推薦算法基本一致，且由于資源項(xiàng)目的相對(duì)靜態(tài)性，因此它的計(jì)算相對(duì)簡(jiǎn)單。這里不再描述。

　　基于協(xié)作過(guò)濾算法的電子商務(wù)個(gè)性化推薦系統(tǒng)改進(jìn)了傳統(tǒng)的基于文本的推薦技術(shù)，擴(kuò)大了推薦范圍，提高了推薦質(zhì)量，單渠道用戶興趣獲取模式變成了多渠道用戶興趣獲取模式，既避免了顯式用戶興趣獲取時(shí)帶來(lái)的不良用戶體驗(yàn)，也消除了單純顯式獲取用戶興趣數(shù)據(jù)導(dǎo)致的數(shù)據(jù)稀疏性問(wèn)題。

　　參考文獻(xiàn)

　　[1] Chong Jiang. Research of an e-commerce personalized recommendation system[D]. Changsha： Central South University， 2009.

　　[2] Ting Wen. Research of mining personalized service based on Web content and Log[D]. Dalian： Dalian University of Technology， 2007.

　　[3] Zhao Liang， Hu Naijing， Zhang Shouzhi. Design of personalized recommendation algorithm[J]. Computer Research and Development， 2002：78-84.

　　[4] Li Dandan. Research of an e-commerce personalized recommendation based on hybrid algorithm[D]. Tianjing： Tianjing Finance University， 2008.

　　[5] Jie Yang. Appliation and research of an personalized recommendation system[D]. Beijing： University of Science and Technoloy of China， 2009.

　　[6] Wei Lu. Application of an e-commerce personalized recommendation system based on collaborative filtering algorithm[D].Beijing： Beijing University of Posts and Telecommunications， 2007.

　　[7] MASSA P， AVESANI P. Trust-aware collaborative filtering for recommender systems[C]. Proceedings of International Conference on Cooperative Information Systems， 2004：240-249.

　　[8] BADRUL SARWAR， GEORGE KARYPIS， JOSEPH KONSTAN， et al. Item-Based collaborative filtering recommendation Algorithms[C]． Proceedings of the Tenth International Conference on World Wide Web， 2003：285-295.

　　[9] CHEN Y L， CHENG L C． A novel collaborative filtering approach for recommending ranked items[J]． Expert System with Applications， 2008，34（4）：2396-2405．

　　[10] ADOMAVICIUS G， TUZHILIN A． Towad the next generation of recommender systems：A survey of-the state-of-the—art and possible extensions[J]． IEEE Transaction on Knowledge and Data Engineering， 2005， 17（6）：734-749．