电子商务推荐技术研究.doc

电子商务推荐技术研究 摘要：互联网应用的普及，在推动了电子商务迅速发展的同时，也造成了信息的过载。作为电子商务的一种重要工具，推荐系统帮助消费者在海量的商品信息中得到有价值的购买建议，因此在电子商务中具有良好的应用前景。然而,当前的电子商务推荐系统还存在很多问题。本文简要的介绍了电子商务推荐系统的概念和构成，详细的论述了电子商务推荐系统所采用的推荐技术及其优缺点。最后，结合用户兴趣模式表达方式和个性化推荐技术的应用领域，说明了未来的发展前景和展望。关键词：个性化；电子商务；推荐系统一、前言电子商务推荐系统是利用知识发现技术从客户数据库中抽取潜在的商业价值，帮助客户发现他们想要的商品的智能系统，由于它方便了用户，提高了营销效果，因此在电子商务中获得了巨大的成功。电子商务中的推荐系统首先从客户那里获得客户喜爱的产品信息，然后向他推荐可能满足需要的商品。由于具有很强的实用性，电子商务推荐系统现在正快速成为B2C电子商务平台销售中不可缺少的工具。然而，正如所有的网络应用一样，现代的电子商务技术也面临着很多挑战，其中比较明显的问题就是信息过载。近年来，人们对此进行了大量的研究和探索。随着个性化推荐技术的出现和发展，在电子商务站点中使用此技术将有助于上述问题的改善。二、正文一）、电子商务推荐系统概念及构成电子商务推荐系统 (Recommender Systems)是指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,模拟销售人员帮助客户完成购买过程。其作用主要表现在三个方面：将电子商务网站的浏览者转变为购买者；提高电子商务网站的交叉销售能力；提高客户对电子商务网站的忠诚度。从总体的层次结构看，电子商务推荐系统可以分为三大部分：输入功能模块、推荐方法模块与输出功能模块。1.输入功能模块，包含客户个人和社团群体两部分。客户个人输入主要是目标用户，指要求获得推荐的人，为得到推荐必须对某些项目进行评价，以表达自己的偏好，包括隐式浏览输入、显式浏览输入、关键词和项目属性输入以及用户购买历史等；社团群体输入指集体形式的评价数据，包括项目属性、社团购买历史、文本评价和等级评分。2.推荐方法模块，它是推荐系统的核心部分，采用的推荐技术决定着推荐系统的性能优劣。在实际应用中， 电子商务推荐系统一般采用多种推荐技术的组合，尽量利用各种推荐技术的优点而避免其缺点， 提高推荐系统的性能和推荐质量。3.输出功能模块，它是推荐系统获得输入信息后推荐给用户的内容，主要形式有：(1)建议，典型的如Top-N，根据客户的喜好向客户推荐最可能吸引客户的 N 件产品;(2)预测，系统对给定项目的总体评分;(3)个体评分，输出其他客户对商品的个体评分;(4)评论，输出其他客户对商品的文本评价。二）、电子商务推荐技术 目前,电子商务推荐系统中使用的主要推荐技术有基于内容推荐,协同过滤推荐,基于知识推荐,基于效用推荐，基于关联规则推荐,混合推荐等等。1.基于内容的推荐。它是信息过滤技术的延续与发展，项目或对象通过相关特征的属性来定义，系统基于商品信息,包括商品的属性及商品之间的相关性和客户的喜好来向其推荐。基于商品属性主要是基于产品的属性特征模型推荐。内容推荐技术分析商品的属性及其相关性可以脱机进行，因而推荐响应时间快。缺点是难以区分商品信息的品质和风格，而且不能为用户发现新的感兴趣的商品，只能发现和用户已有兴趣相似的商品。2.协同过滤推荐。协同过滤推荐是目前研究最多、应用最广的电子商务推荐技术。它基于邻居客户的资料得到目标客户的推荐,推荐的个性化程度高。利用客户的访问信息,通过客户群的相似性进行内容推荐,不依赖于内容仅依赖于用户之间的相互推荐,避免了内容过滤的不足,保证信息推荐的质量。协同过滤推荐优点有:能为用户发现新的感兴趣的商品;不需要考虑商品的特征,任何形式的商品都可以推荐。缺点是:稀疏性问题,用户对商品的评价矩阵非常稀疏;可扩展性问题,随着系统用户和商品的增多,系统的性能会越来越低;冷启动问题,如果从来没有用户对某一商品加以评价,则这个商品就不可能被推荐。3.基于知识的推荐。在某种程度上可以看成是一种推理技术，各个方法因所用的知识不同而有明显区别。基于知识的推荐提出了功能知识的概念。简单的说，功能知识是关于某个项目如何满足某个特定客户的知识，它能解释需要和推荐之间的关系。在基于知识的推荐看来，客户资料可以是任何能支持推理的知识结构，并非一定是用户的需要和偏好。4.基于效用的推荐。它是根据对客户使用项目的效用进行计算的，核心问题是如何为每个客户创建效用函数，并考虑非产品属性，如提供商的可靠性和产品的可用性等。它的优点是能在效用函数中考虑非产品因素。效用函数通过交互让用户指定影响因素及其权重对于大多数用户而言是极其繁琐的事情，因而限制了该技术的应用。5.基于关联规则的推荐系统往往利用实际交易数据作为数据源，它符合数据源的通用性要求。以关联规则为基础，把已购商品作为规则头,推荐对象作为规则体,其中关联规则的发现最关键且最耗时,但可以离线进行。其特点是实现起来比较简洁,推荐效果良好,并能动态地把客户兴趣变化反映到推荐结果中。6.混合推荐技术。混合推荐系统整合两种或更多推荐技术以取得更好的实际效果。最常见的做法是将协同过滤推荐技术与其它某一种推荐技术相结合。例如,结合基于协同过滤和基于内容推荐这两种推荐技术,尽量利用它们的优点而避免其缺点,提高推荐系统的性能和推荐质量。比如,为了克服协同过滤的稀疏性问题,可以利用用户浏览过的商品预期用户对其他商品的评价,这样可以增加商品评价的密度,利用这些评价再进行协同过滤,从而提高协同过滤的性能。三）、技术研究现状与分析推荐系统中的推荐技术主要分为三类：基于内容的推荐技术，协同过滤推荐技术和混合推荐技术：基于内容的过滤（Content-based filtering approach）是信息检索领域的重要研究内容。基于内容过滤的推荐系统需要分析资源内容信息，根据用户兴趣建立用户档案（Profile），然后根据资源内容与用户档案之间的相似性向用户提供推荐服务。基于内容过滤的实验型推荐系统主要包括Malone等人提出的电子邮件信息过滤系统（1987）、音乐过滤系统LyricTime（1992）、Stanford大学提出的信息过滤工具SIFT（1995）、SIFTER原形系统（1997）等。基于内容过滤的推荐技术具有一定的局限性，主要表现在必须分析资源的内容信息，因此对音乐、图像、视频等信息无能为力；无法分析信息的质量；无法提供新颖的推荐。协同过滤推荐技术(Collaborative filtering approach)是目前研究最多、应用最广的电子商务推荐技术。它是基于邻居用户的资料得到对目标用户的推荐，推荐的个性化程度高。利用用户的访问信息，通过用户群的相似性进行产品推荐，不依赖于内容仅依赖于用户之间的相互推荐，避免了内容过滤的不足，保证信息推荐的质量。协同过滤是根据和自己有着相似爱好的邻居用户所喜欢的商品，自己也同样会喜欢的原理进行推荐，能为用户发现新的感兴趣的商品，不需要考虑商品的特征，任何形式的商品都可以推荐。例如，使用基于内容的推荐技术进行推荐冯小刚的电影，系统返回的只是冯小刚的电影，但是如果使用了协同过滤技术，它会根据品质等特征进行推荐，返回的是冯小刚确实拍的好的电影，协同过滤技术尤其适合应用在文化产品上，例如推荐音乐，电影等。但是协同过滤技术也同样存在着很多局限性:如冷启动问题，如果一个用户没有对任何项目进行过评价，自然不存在评分矩阵，也不能得到推荐，同理，如果一个项目是新项目，同样也得不到推荐;评分矩阵稀疏问题，在大多数的推荐系统中，用户涉及的信息量是相当的有限的，在一些大的系统Amazon，用户最多不过评价了上百万书的1%-2%，这样的评分矩阵是很稀疏的，难以找到相似的用户集，导致推荐结果大大的降低;可扩展性问题，面对日益增多的用户，数据量的急剧增加，算法的扩展性问题(即适应系统规模不断扩大的问题)成为制约推荐系统实施的重要因素。但随着计算机性能的增强，这个问题己经得到了很好的解决。每种推荐技术都有各自的优缺点。为了给用户提供更准确更合理的推荐，在设计推荐系统的推荐方法模块时结合多种基本推荐技术，以达到扬长避短的目的。这就是组合推荐的思路。一般而言，推荐技术的组合有以下几种思路:l) 加权(weight):采用多种推荐技术得到对某一项目的预测评分，根据权重相加得到总评分，以此得出推荐结果。2) 切换 (switch):具体采用哪种推荐技术取决于当时的实际情况，根据应用场合切换不同的推荐技术。3) 混合(Mixed):同时采用多种推荐技术进行推荐。4) 特征组合 (Feature combination):组合来自不同推荐数据源的特征并被一种推荐算法所采用。5) 层叠(Cascade):一个推荐器从另一种推荐器中提炼抽取一部分推荐。6) 特征放大 (Feature augmentation):一种推荐技术的输出结果作为另一种推荐技术的特征输入。7) 模型放大(Meta-level):被一种推荐器学习的模型作为另一种推荐器的输入。四）、电子商务推荐系统研究内容、热点及难点电子商务推荐系统目前研究的内容主要有以下几个方面：1.实时性：网站数据量越来越大，系统越来越难以处理，如何在规定的时间内处理并响应用户输入。2.推荐质量：由于数据的稀疏性，如何有效的利用数据，提高用户推荐质量，不能给用户推荐了他不喜欢的商品。3.多推荐技术的运用：各类技术只能在某一方面运用效果较好，如何在电子商务各种环境中，都能很好的满足用户需要，则需要多元化的推荐技术，在不同条件下，选用最有效的技术予以推荐。如何提高电子商务推荐系统的性能以及改善推荐的正确性，是目前推荐系统研究的热点与难点问题。随着电子商务数据量的不断增大以及需考虑到推荐的实时性，目前有如下问题需解决：数据稀疏性问题、可扩展性、同值重复、物品相似、用户相似、反馈算法以及算法可伸缩性等。三、小结电子商务推荐系统，一方面有助于电子商务网站内容和结构自适应性的实现，另一方面在帮助客户快速定位感兴趣的商品的同时也为企业实现了增值。电子商务推荐系统作为有利的分析工具和促销手段，已成为电子商务网站的竞争工具，必将获得广泛的应用和发展。本文重点分析与评述了各种电子商务推荐技术的特点、优势和不足，阐述了电子商务推荐系统的研究内容、热点和难点，为电子商务推荐系统的研究和发展指明了方向，从一定程度上促进了我国电子商务信息化建设的快速进行。目前国内的电子商务网站在这方面的实践处在快速发展的阶段，因此