基于交互记忆系统和社会网络的购物专家推荐系统设计

基于交互记忆系统和社会网络的购物专家推荐系统设计基于交互记忆系统和社会网络的购物专家推荐系统设计基于交互记忆系统和社会网络的购物专家推荐系统设计基于交互记忆系统和社会网络的购物专家推荐系统设计1摘要摘要摘要摘要随着网络购物平台的大量出现，不同平台间的竞争越发激烈，其竞争的核心通常为网购的买家。因此，能为买家提供更高质量的平台将在竞争中占据优势。本文旨在设计一种新的购物专家推荐机制，通过专家对买家的指导来提高买家网购的满意度，进而吸引并保持用户。系统设计主要包括两个方面，一是如何从大量现有买家中筛选出有足够资质的并建立专家库；二是当有多个专家同时满足推荐条件时，如何为买家推荐其信任的专家，同时对这些专家进行推荐排序。本文最后提出了一个专家推荐排序的算法。关键词关键词关键词关键词专家推荐；交互记忆系统；在线社会网络；系统设计SHOPPINGEXPERTRECOMMENDATIONSYSTEMDESIGNBASEDONTRANSACTIVEMEMORYSYSTEMANDONLINESOCIALNETWORKSABSTRACTASTHENUMBERSHOPPINGPLATFORMSSURGES,THEMARKETCOMPETITIONCENTERINGONBUYERSAREINTENSIFIEDONERESULTISSHOPPINGPLATFORMSPROVIDINGHIGHQUALITYSERVICESWILLHAVEBETTEROPPORTUNITYOFGAININGCOMPETITIVEADVANTAGESTHECURRENTSTUDYPROPOSEDANEWTYPEOFSHOPPINGEXPERTRECOMMENDATIONSYSTEM,USINGWHICHBUYERSMAYBEMORESATISFIEDWITHTHEIRAFFILIATEDSHOPPINGPLATFORMTHESYSTEMDESIGNCONCERNSTWOASPECTS,NAMELYHOWTOSIFTINGOUTQUALIFIEDBUYERSANDESTABLISHEDASHOPPINGEXPERTDATABASE,ANDHOWTOSORTEXPERTSTHATARENOTONLYQUALIFIEDBUTALSOTRUSTWORTHYFROMTHETARGETBUYERSPERSPECTIVEASHOPPINGEXPERTSORTINGANDRECOMMENDATIONALGORITHMISOFFEREDKEYWORDSSHOPPINGEXPERTRECOMMENDATIONTRANSACTIVEMEMORYSYSTEMONLINESOCIALNETWORKSYSTEMDESIGN11引言近年来，随着互联网的飞速发展，国内以淘宝为代表的购物平台的逐渐兴起；购物人数不断增长，截至2009年，我国网购人数已达13亿，网购市场超过2600亿。这对于购物平台运营商来说，市场是巨大的。与此同时，在巨大市场的诱惑下，国内各类网购平台层出不穷，国外成熟购物平台虎视眈眈，网购市场的竞争相当激烈。因此，能否在竞争中发掘、维持自身的特点，形成核心竞争力，将成为购物平台能否生存和发展的关键。在购物平台之间的各类竞争中，对于买家（用户）的竞争非常关键。对于网购买家来说，一方面他们极大的依赖于网购平台；另一方面，由于他们更换网购平台的成本较低，因而对购物平台的忠诚度相对较低。网购平台所提供的服务质量，将决定买家对平台的偏好，又将最终影响网络零售商（卖家）对平台的偏好，卖家最终必将向最能吸引买家的平台上聚集。因此，如何提高买家在网购时的满意度，进而提高买家对购物平台的忠诚度，是网购平台需考虑的重要问题。结合买家在网购时所面临的巨大的不确定性，如卖家的信誉、所卖产品的质量以及产品是否能满足需求等问题，帮助买家降低购物时的不确定性，确保买家能买到最合适的产品，无疑将大大提高买家的购买体验。在这一方面，国内的网购平台“淘宝网”已率先做出有意义的尝试，提出了“淘宝购物专家（淘宝达人）”的概念。所谓购物专家，是指由购物平台官方从已有的注册用户（买家而非卖家）中根据用户的销售记录、活跃程度等筛选出来的一批具有丰富网购经验的网购群体。淘宝购物专家存在的意义是为初级买家提供购买指导，降低顾客网购过程中的不确定性，方便顾客购买，同时逐渐淘汰低质卖家，为优质卖家提供更广阔的市场。购物专家的存在不仅方便了用户，也有利于网购平台维持广大的客户群体。购物专家与买家通过在线交流的方式为买家提供购买指导，从而相互间建立联系，互相将对方纳入自己的社会关系网络中。活跃的购物专家通过将买家吸引在以该专家为中心的社会关系网络中，使买家在获益的同时产生对网购平台的归属感，提高买家对网购平台的忠诚度。但是，淘宝网购物专家推荐系统目前的实施情况来看，系统上线初期专家数量稀少，专家的筛选大多通过人工的方式进行，显然是不适合长远发展的。因此，能否设计一种自动化的算法并建立相应的信息系统，从而在数以亿计的买家中自动筛选出符合要求的购物专家、建立专家库、并为买家推荐合适的购物专家将是今后的发展的方向，也是本研究所探讨的核心问题。针对上述的专家推荐机制，经过查阅大量已有文献资料，本文发现大量文献所提供的推荐机制是针对商品推荐设计的，但关于如何为用户提供购物专家的推荐则很少研究；此外，已有的推荐机制大多是基于用户对产品评分的协同推荐COLLABORATIVEFILTERING。本文所研究的机制将基于交互记忆系统和社会网络理论，提出了一种购物专家的推荐技术，目的是通过网络社区建设为购物平台留住更多的买家。从交互记忆系统研究的角度看，本文的研究提出了一种将其应用至大型用户群体的可行方法。2理论基础WEGNER系统地观察了高效团队的工作方式，提出了交互记忆系统交互记忆系统交互记忆系统交互记忆系统（TRANSACTIVEMEMORYSYSTEM；以后简称TMS）的概念1。高效团队的成员并不是每个人都试图记忆和存储所有的相关知识，而是当新的信息或知识出现时将它分配给在此方面最具专业知识的人进行存储。一旦需要某类专业知识时，团队成员并不是试图去解决自己专业技能之外的问题，而是求助于在此方面更具专业技能的工作伙伴1。换言之，高效团队的每个成员只存储自己比较擅长的领域的专业知识，而将其它知识的处理和相关问题的解决“外包”给工作伙伴，使用所谓的外援记忆外援记忆外援记忆外援记忆（EXTERNALMEMORY），对来自不同领域的信息进行编码、存储、检索和交流活动的认知劳动分工2。交互记忆系统是一种社会认知（SOCIALCOGNITION）系统而不是通常意义下的信息系统。专长（SPECIALIZATION）、可信（CREDIBILITY）和协调（COORDINATION）是TMS的三个重要维度3。其中，专长意味着每个人具有相对不同的知识结构；可信意味着一个成员之间存在信任关系，当某个团队成员遇到自己领域外的问题时，能放心地将问题交由具有相应知识的同伴去解决；协调则需要团队中具有成员之间知识共享和集体行动的团队文化。已有研究成果显示，TMS的运用可以帮助小型工作团队大幅提高团队绩效。当团队的规模扩大到一定程度时，由于团队成员无法管理复杂的元知识（METAKNOWLEDGE）结构，TMS的作用会相应下降。BRAUNER及其同事提出了交交交交互知识系统互知识系统互知识系统互知识系统的概念，并进行了相应信息系统结构的设计4。但是，支持TMS在大型工作团队中提升团队绩效的实证研究结果还比较少。TMS是本文的理论基础，我们提出一种基于社会网络的购物专家推荐系统，从设计科学的角度来研究如何利用TMS在购物群体中达到知识共享的目的。3文献综述传统的协同过滤（COLLABORATIVEFILTERING）推荐系统主要是利用具有类似兴趣的用户购买信息，为当前用户进行购物商品推荐。但是，传统的CF系统具有冷启动、数据集稀疏、高维数据计算困难等缺点。研究表明，相比推荐系统的推荐，人们更偏爱朋友的推荐5，人们之间的信任度和兴趣相似度具有正相关6。在线社会网络的流行，促进研究人员思考将“朋友”信息集成进CF系统的方法，从而提出了基于社会网络的协同推荐系统基于社会网络的协同推荐系统基于社会网络的协同推荐系统基于社会网络的协同推荐系统的概念。一类文献研究了利用社会网络信息改进传统CF和各种方法。LAM提出SNACK推荐模型，利用用户在社会网络结构中的最短路径来改进传统用户的评分相似性度量，改善了最近邻选择算法7。TIDALTRUST是电影推荐领域广泛使用的算法，用来推算用户的间接信任度8。研究发现，TIDALTRUST可用于计算社会网络中关联用户之间的信任度，可以解决传统CF算法数据稀疏的问题，并具有很好的预测准确性。SHIMON等提出用广度优先算法来为每个用户生成一棵关系树，其它节点是根节点的朋友，用来预测根节点（目标用户）对于电影的评价分数。同样是解决数据稀疏问题9。卢竹兵和唐雁提出了基于信任网络的推荐策略，给出了间接信任度的计算模型10。FAN和LI提出的VISOLINK模型通过用户之间的互访频率和用户之间日志内容的相似性来补充信任度的计算，可以对用户关系的亲密度排名11。文献中还结合了语义知识对于基于社会网络的CF系统进行改进。其中，文献中提出了基于信任网络的推荐系统，结合推荐资源的语义知识和本体向用户进行推荐12。AVESANI等面向日志结构的社区提出一种新的信任测度算法，利用语义网技术FOAF（FRIENDOFAFRIEND）描述文件来抽取WEB社会网络结构13。文献中还比较了基于社会网络的CF系统与传统CF系统的推荐精度。通过向最近邻集合中加入社会网络成员、重叠的成员被赋予较高权值的方法，LIU和LEE对最近邻成员进行修正，证实了算法可以改进推荐的精度14。ZHENG等研究了两种将社会网络信息集成进传统协同过滤算法的技术1）基于近邻的技术基于结点的相邻结点（朋友），构造朋友的影响力矩阵，以改进传统的CF系统；2）基于选择的技术使用社会网络作为筛选侯选推荐者（推荐专家）的选择依据，进而用传统的协同过滤技术进行推荐。结果表明，第二种方法比传统的CF更加有效，而第一种方法不如传统的CF15。郭艳红等提出基于信任因子的协同过滤算法，利用用户对项目的评价数量以及用户对其它用户做出推荐的次数作为计算信任因子的两个要素，并把信任因素加权到传统的结点相似度计算方法16。以上文献综述可见，在推荐系统方面，虽然已经提出了许多结合社会网络的推荐方法，但是主要思路还是将“商品（物）”推荐给用户，而不是将专家推荐给用户。推荐人和推荐物最大的不同在于，专家能够思考和回答非结构化问题，可以解决复杂的商品选购决策问题，而推荐的商品如果不能满足用户的需要，不容易通过算法设计来进行动态调整和修正。本文提出的购物专家推荐系统与基于社会网络SN的协同推荐系统的主要区别如表1所示。表1基于社会网络的协同推荐系统与本文设计的专家推荐系统的区别比较项目比较项目比较项目比较项目基于基于基于基于SN的协同推荐系统的协同推荐系统的协同推荐系统的协同推荐系统基于基于基于基于SN的购物专家推荐系统的购物专家推荐系统的购物专家推荐系统的购物专家推荐系统设计理念兴趣相似的人会有相似的购买行为，社会网络信息可以帮助改善协同推荐的精度可信任的购物专家能够对用户的购买提供有帮助的推荐推荐方法系统自动为目标用户推荐其可能感兴趣的商品系统自动推荐购物专家，专家与目标用户进行在线交互商品相似度信息的使用方法作为推荐系统设计的一部分进行考虑，集成在推荐算法中查找和匹配对目标用户拟购商品有购物经验的专家社会网络信息的使用方法作为用户间相似性信息的补充，解决数据稀疏和冷启动问题作为筛选可信任购物专家的依据系统性能指标用户对系统的使用情况、接受和满意程度系统所推荐专家的可信度，以及专家是否具有相关的推荐资质4购物专家推荐系统设计本章节具体阐述所提出的专家推荐机制，它由两部分构成，第一部分为购物专家的筛选算法，第二部分为购物专家的推荐排序方法设计。41购物专家筛选购物专家筛选购物专家筛选购物专家筛选在进行推荐之前，首先需要建立一个由合格专家组成的库，其中对于每个专家所擅长的商品类目进行预先设定。本文将决定购物专家的资格的因素归纳为两个方面一是专家的资质，即专家是否有能力为买家提供帮助；二是专家在社会网络中的影响力，表明专家愿意为其他买家提供帮助并且能够影响足够多的买家的购买行为。首先，购物专家的资质通常是由购物专家的购买历史决定的。也就是说，只有交易次数或是交易总金额达到一定的标准以后，才具备成为购物专家的资格。之所以如此，是因为从买家的角度来考虑，当买家提出购买某种特定类别的产品时，向其推荐的购物专家必须在相关类别的产品购买上有丰富的经验，才能保证顾客从专家处获得的购买建议具备一定的权威性和可信性。在系统实施中，可以通过顾客的购买历史数据来审查购物专家的资质。其次，购物专家在所处的社会网络中是否活跃，即他是否乐于与人交流（用可影响的人数多少来衡量）以及在网络中是否具备足够的影响力，也是影响其成为购物专家的重要因素。购物专家应当是一个乐于与人分享经验的社交网络中心。本文将通过图论的方式来还原买家的真实社会网络，并通过该买家在网络中的邻近性（PROXIMITY）来测量他的影响力。所谓买家的邻近性，是指在该买家的社会关系网络中，所有能通过有限个连接与该买家建立联系的其他买家的总数与该买家到该网络中其他买家的平均距离（即建立连接所需通过的平均连接数）之比17。具体来说，对于某个待审的买家，假设能通过有限连接数与目标买家建立联系的买家的数量为N，而这些买家到目标买家的平均距离为W，则目标买家的邻近性即为N/W。从邻近性的计算方式可以看出，买家的邻近性既考虑了买家在网络中的影响范围（即N），又考虑了买家对其他买家的影响力大小（即W）。因此，用邻近性来衡量买家在网络中的活跃程度是合适的。买家的影响范围越大（N越大），对其他买家的影响力越大（W越小），邻近性越高，越有资格成为购物专家。值得注意的是，在专家库建立初期，由于专家与买家的交流较少，因而任意买家只要在资历与网络活跃性上达到要求，都能成为购物专家并储存在专家库中。但随着专家与买家的交流增多，买家将根据专家对自己的建议对专家进行评价，这些评价也将成为现有专家能否继续留在专家库中的评判指标。在这种情况下，那些有资格通过前两项审核的买家在成为专家后，还将接受他的客户，即买家对他的评价，若评价低于某个标准，则表明该专家不具备为买家提供有效建议的能力，从而应当从专家库中剔除，进而保证对买家的服务质量。在以上机制下，希望将专家库建设为一个动态的库，通过信息技术自动将具备资格的买家纳入专家库，同时将专家库中存在问题的专家清除。以下是购物专家筛选的流程图图1购物专家筛选算法流程图42购物专家排序购物专家排序购物专家排序购物专家排序当“购物专家库”建立以后，接下来的问题是如何将一批符合客户需求的购物专家按对用户的价值大小进行排序并呈现给用户，即针对一个具体的推荐需求如何对购物专家进行排序的问题。需要指出的是，购物专家库中的某一购物专家通常只在一类或几类产品的购买上较有发言权，因而很难满足不同买家的所有需求。因此，当某个买家在购买某类商品的过程中需要专家推荐时，首先必须从购物专家库中将相关商品领域中的购物专家选出来，购物专家是否具有向买家提供这类产品购买建议的能力是将购物专家推荐给买家所需要考虑的基本因素。这种筛选是基于购物专家的历史购买数据进行的。通过上述筛选，系统为买家推荐的购物专家都是有能力为买家提供相关商品的购买建议的权威买家。但是，对于买家来说，并非所有购物专家的建议都是买家所乐意接受的，购物专家的可信度将在很大程度上决定推荐是否成功。本文认为，这种影响力通常是由购物专家与买家的亲疏程度决定的。专家与买家的关系越紧密，推荐越容易成功，在推荐时应该优先考虑。以往对社会网络研究表明，人们的购买行为更容易受到亲友的影响，而不是陌生人5。对于专家的推荐排序，本文的基本思路是从目标买家（接受推荐的一方）的角度来构建社会关系网络，考察被推荐的专家与目标买家间的社会联系。一旦能用图论的方式将一个以某一买家为中心的社会网络构建出来，则可以通过计算买家与购物专家间的带权路径长度来量化二者之间的亲疏程度。在所有具备资格的购物专家中，优先向买家推荐更亲近的购物专家。而若所有筛选出的购物专家都与该买家无联系，则按购物专家的资历进行排序。此外，买家在与专家进行互动交流后，将根据专家对其提供的建议的价值来对专家进行评价，如41中所述，这将用于专家的动态筛选。图2是购物专家排序算法的流程图图2购物专家推荐排序算法流程图从图2可以看出，本算法设计的中心问题是，如何计算一个购物专家与目标用户之间的亲疏度。为此，本文提出以下假设1）用户有多种社会网络关系，具体包括建议网、朋友网和娱乐网；2）每个网络对于购物推荐的重要性程度不同，具体通过相应的权重系数K1，K2，K3来衡量；3）一个购物专家与目标用户的近期交互频率越高，他们之间的信任程度就越高，他们的社会网络距离就越短；4）如果一个购物专家与目标用户通过社会网络在6步内不可达，专家与用户彼此信任程度（亲密程度）将非常低（接近0）。根据以上假设，设计图3所示的购物专家推荐排序算法。算法算法算法算法购物专家推荐排序输入输入输入输入所有用户（包括专家和目标用户）的所有社会网络关系（考虑三种网络，建议网、朋友网和娱乐网，即K1，2，3），包括每个类型的社会网络中所有用户之间近期交互的频率（例3次/月）；为目标用户推荐的专家个数N；目标用户希望获得推荐的商品类目（与专家的专长相对应）。输出输出输出输出目标用户的推荐专家列表。步1对每个目标用户，执行如下步骤26步2生成从目标用户为中心、最多为6步可达的社会子网络步3如果社会子网络中至少包含一名侯选专家，则继续步4，否则对初步筛选出来的同一商品类目中的专家按照资质进行排序，并输出排在前面的最多N个专家。转第6步。步4计算目标用户I与所有社会子网络中侯选专家J的亲疏程度,1MIN,1,2,3IJKKTRUSTDEGREEIJDK。其中，,IJKD为目标用户I与侯选专家J之间在社会子网络K中最短可达路径的距离。一条路径的距离由这条路径上所有社会子网络连接的长度加和加和加和加和而成。每条社会网络连接的长度LENGTHI,J定义如下1,1,2,3,KKKLENGTHIJKCFIJ，其中，,KFIJ表示I与J之间通过第K种社会子网络建议网、朋友网或游戏网的交互频率，KC为三个社会子网的权重系数（01之间的常数）步5根据TRUSTDEGREE，按所有侯选专家与目标用户的亲疏程度由高到低进行排序，并输出排在前面的最多N个专家步6结束图3购物专家推荐排序算法5一个算例为进一步说明42节提出的亲疏度算法，提供如下算例供参考。对于目标用户T，对于他的某次推荐需求，我们在其社会关系网络中一共发现了三名专家，分别以A、B、C表示。T共有三种社会网络，分别是建议网、朋友网、以及娱乐网，假设三种网络对于购物推荐的重要性程度相同，不妨设C1C2C31。在三种网络中，A、B、C到T的最短路径、距离以及交互频率如图4和表2所示。图4以目标用户为中心最多6步可达的社会子网络表2目标用户与购物专家在社会子网络最短路径上的交互频率A建议网关系最短路径上的交互频率（次/月）TA3T424ATB1T141BTC6TCB朋友网关系最短路径上的交互频率（次/月）TA2TATB4T232BTC2T444323CC娱乐网关系最短路径上的交互频率（次/月）TA3T545ATB5TBTC7T333C根据定义，不难计算得到如下结果111111,1MIN,12322342TRUSTDEGREETA111111,1MIN,15144355TRUSTDEGREETB1111111,1MIN,166242736TRUSTDEGREETC由于,TRUSTDEGREETCTRUSTDEGREETBTRUSTDEGREETA，因此，最终向T推荐专家的排列顺序为C，B，A，即C优先推荐，其次是B，A最后推荐。6结论本文从提高网络购物平台用户的满意度入手，探讨了对于网购专家的筛选及推荐排序算法。在专家筛选时，综合考虑了侯选专家的推荐能力，即购买资历以及其在网络中的活跃程度；此外，买家根据专家的推荐质量对专家的评价，也将成为筛选专家的标准。在专家排序算法中，我们首先根据用户的特定需求，从专家库中选出具备满足该需求的专家或专家组，为了提高专家的可信任度，我们假设专家与买家的社会网络距离越近，越容易为买家所接受，并通过设计相应的计算公式计算出不同专家到目标买家的距离以确定其亲疏程度。专家到目标买家的距离越近，越优先推荐，进而在此基础上给出一个专家推荐的排序。若满足需求的专家与目标买家间无法通过社会网络建立联系，则根据专家的资历进行排序。需要指出的是，本文所提出的算法具有一定的局限性。首先，由于类似研究的匮乏，无法找到一个合适的标准来对我所提出算法的优劣；其次，由于本研究尚停留在算法设计阶段，对于其在实际环境中能否实现以及实现后的具体效果尚不得而知，这些都是未来研究中需要探索的地方。参考文献1WEGNER,DMTRANSACTIVEMEMORYACONTEMPORARYANALYSISOFTHEGROUPMIND,INTHEORIESOFGROUPBEHAVIORM,BMULLENANDGRGOETHALSEDS,SPRINGERVERLAG,NEWYORK,1987,1852052张钢,熊立交互记忆系统研究回顾与展望J,心理科学进展,2007，1558408453LEWIS,KMEASURINGTRANSACTIVEMEMORYSYSTEMSINTHEFIELDSCALEDEVELOPMENTANDVALIDATIONJ,JOURNALOFAPPLIEDPSYCHOLOGY,2003,8845876044BRAUNER,E,ANDBECKER,ABEYONDKNOWLEDGESHARINGTHEMANAGEMENTOFTRANSACTIVEKNOWLEDGESYSTEMSJ,KNOWLEDGEANDPROCESSMANAGEMENT,2006,13162715SINHAR,SWARINGENK,COMPARINGRECOMMENDATIONMADEBYONLINESYSTEMSANDFRIENDSA,INPROCEEDINGSOFTHEDELOSNSFWORKSHOPONPERSONALIZATIONANDRECOMMENDERSYSTEMSINDIGITALLIBRARIESDUBLINC,IRELAND,20016ZIEGLER,CAINICOLAS,GEORGLAUSEN,ANALYZINGCORRELATIONBETWEENTRUSTANDUSERSIMILARITYINONLINECOMMUNITIESA,INPROCEEDINGSOFSECONDINTERNATIONALCONFERENCEONTRUSTMANAGEMENTC,20047LAMCP,SNACKINCORPORATINGSOCIALNETWORKINFORMATIONINAUTOMATEDCOLLABORATIVEFILTERINGAINPROCEEDINGSOFTHEACMCONFERENCEONELEC