電子商務推薦系統研究論文

導語：電子商務推薦系統研究論文一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

[摘要]隨著互聯網的普及和電子商務的發展，商品推薦系統逐漸成為電子商務IT技術的一個重要研究內容，越來越多地受到研究者的關注。本文探討了電子商務系統的構成、研究內容、研究現狀，分析了目前有的推薦系統存在的缺陷和問題，提出了未來電子商務推薦系統研究的發展方向。

[關鍵詞]電子商務；推薦系統；協作過濾；個性化推薦

隨著互聯網的普及和電子商務的發展，商品推薦系統逐漸成為電子商務IT技術的一個重要研究內容，越來越多地得到研究者的關注。目前，幾乎所有大型的電子商務系統，如Amazon、CDNOW、eBay、當當網上書店等，都不同程度地使用了各種形式的推薦系統。

而且現在電子商務系統規模的進一步擴大，用戶數目和項目數據急劇增加，迫切需要相應信息檢索技術產生。商品個性化推薦技術，尤其是協同過濾技術，構成了現有電子商務個性化推薦系統的基礎。在這里，之所以強調個性化，是因為需要推薦系統能為每個用戶推薦適合他們偏好和興趣的產品，而不是千篇一律的推薦。

一、電子商務推薦系統及構成

電子商務推薦系統(RecommendationSystemsforE-Commerce)定義是：“它是利用電子商務網站向客戶提供商品信息和建議，幫助用戶決定應該購買什么產品，模擬銷售人員幫助客戶完成購買過程”。

推薦系統面對的是用戶(user)，任務是為用戶提供對項目(item)的推薦。用戶是指推薦系統的使用者，也就是電子商務活動中的客戶。項目是被推薦的對象，是指電子商務活動中提供給客戶選擇的產品和服務，也就是最終推薦系統返回給用戶的推薦內容。在一個電子商務活動中，用戶數和項目數是非常多的。推薦系統面對的當前用戶，稱為目標用戶或者活動用戶。推薦系統的當前工作，就是為根據一定的算法，給出對目標用戶的推薦項目。

電子商務推薦系統主要由三大部分構成：輸入模塊、推薦方法模塊和輸出模塊。輸入模塊用來接受用戶的輸入信息，用戶的輸入信息中最重要的是用戶對項目的評價(rating)數據；推薦方法模塊用來根據一定算法，根據用戶數據，得出對目標用戶的推薦，該模塊是整個推薦系統的核心部分，個性化推薦方面的研究的很大一部分，都集中在找到好的推薦方法。輸出模塊主要是指得到的推薦以何種形式反饋給用戶。

根據項目的特點，目前主要有兩種類型的推薦系統，一種是以網頁為對象的個性化推薦系統，主要采用Web數據挖掘的方法與技術，為用戶推薦符合其興趣愛好的網頁；另一種是網上購物環境下的、以商品為推薦對象的個性化推薦系統，為用戶推薦符合其興趣愛好的各類產品，如各種書籍，音像等，這種推薦系統也稱電子商務個性化推薦系統。

二、電子商務個性化推薦系統的作用

電子商務推薦系統的最大的優點在于它能收集用戶興趣資料并根據用戶興趣偏好為用戶主動作出個性化的推薦，也就是說，當用戶每次輸入用戶名和密碼登錄電子商務網站后，推薦系統就會按照目標用戶偏好程度的高低推薦用戶最喜愛的N個產品，而且系統給出的推薦是實時更新的，也就是說當系統中的產品庫和用戶興趣資料發生改變時，給出的推薦序列會自動改變，大大方便了用戶，也提高了企業的服務水平。

總體說來，電子商務推薦系統的作用主要表現在以下幾個方面：一方面，使用戶從無限的網絡資源和商品世界中解脫出來，大大節約了用戶采購商品的時間和成本；與此同時，推薦系統的個性化推薦服務，提高了客戶對電子商務網站的忠誠度(BuildingLoyalty)，將更多的電子商務網站瀏覽者轉變為商品的購買者，從而提高電子商務網站的交叉銷售能力(Cross-Selling)，為電子商務企業贏得了更多的發展機會。

研究表明，在基于電子商務的銷售行業使用個性化推薦系統后，能提高銷售額2%-8%，尤其在書籍、電影、CD音像、日用百貨等產品相對較為低廉且商品種類繁多的行業，以及用戶使用個性化推薦系統的程度高的行業，推薦系統能大大提高企業的銷售額。

電子商務推薦系統和銷售系統(MarketingSystems)、供應鏈決策支持系統(Supply-ChainDecision-SupportSystems)既相似又有不同。銷售系統是幫助銷售人員如何把產品銷售出去；推薦系統最終目的幫助用戶，輔助用戶購買什么產品做出決策。供應鏈決策支持系統是幫助生產者決定什么時候生產多少什么產品，以及倉庫應該存貯多少各類產品，其最終目的是為企業生產者服務的，而同樣推薦系統是面向用戶的系統。

三、電子商務個性化推薦系統的研究內容

電子商務個性化推薦的研究有四方面的問題：首先，要解決推薦系統的信息來源問題——推薦系統的基礎是用戶興趣資料信息，如何在電子商務環境下盡可能獲得更多用戶的相關信息，并以合適的形式表示是進行個性化推薦的前提；其次，要實現被顧客接受和認可的個性化推薦，設計準確、高效率的個性化推薦算法是核心；另外，要讓推薦系統為廣大用戶所接受，必須對推薦系統作出客觀、綜合的評價，尤其要注意從準確率、個性化、安全性、用戶滿意度等多方面進行評價；推薦系統的應用是最終研究的落腳點，推薦系統不僅能為用戶提供完全個性化購物環境，更應為企業的銷售決策和客戶關系管理提供支持。

在電子商務環境下，用戶信息收集表示是電子商務個性化推薦的基礎。根據當前對電子商務環境下用戶信息收集表示的研究來看，主要著眼于研究如何有效地收集能反映用戶興趣偏好的信息，以及如何通過網絡數據挖掘等的方法更自動化地收集用戶的隱式信息，解決用戶信息收集過多的依賴于顯式評價數據的問題。

個性化推薦技術是電子商務自動化推薦系統的核心問題。目前的推薦技術有協同過濾推薦(包括基于用戶的和基于項目的)、基于用戶人口統計信息的推薦、基于內容的推薦、基于效用的推薦、基于知識的推薦、基于規則的推薦等等。協同過濾推薦是個性化推薦中研究和應用最多的方法，廣泛應用于電子商務網站、數字圖書館、網頁搜索、新聞過濾等，著名的推薦系統有Tapestry、GroupLens/NetPerceptions、Ringo/Firefly等，其前提假設是存在具有相似興趣愛好的用戶群，每個用戶都有與其興趣愛好相似的鄰居用戶。預測用戶對某一項目的偏好是根據鄰居用戶對該項目的偏好程度計算的，也就是說如果其鄰居用戶喜愛某項目，則該用戶也很可能會喜愛該項目。協同過濾最大優點是不需要分析對象的特征屬性，所以對推薦對象沒有特殊的要求，能處理非結構化的復雜對象，如音樂、電影等。

對推薦系統總體性能的評價是推薦系統研究的重要組成部分。目前大都只是采用準確率、召回率等評判尺度對推薦算法進行評價，并沒有真正意義上的、提升到對整個推薦系統進行的評價，尤其缺乏從個性化程度、持久性程度、系統的安全性以及用戶接受程度等多方面對推薦系統進行綜合的評價。

四、研究現狀

推薦行為產品或其它項目的軟件已經在許多應用中使用在電子商務領域，為了增加購買經驗并滿足客戶需求，已經推出了充分利用消費者的訪問和購買行為的推薦系統。推薦者通常通過給用戶展示他們可能感興趣的產品或服務來促進購買。例如，諸如就是通過利用偏好或其他用戶購買信息來介紹書籍或者其它產品給用戶的推薦系統。然而，使用的技術相當簡單，而且并非很精確和有效。基本上，程序將當前客戶購買的一系列產品與其他客戶購買的一系列產品作比較，選擇客戶購買較多的產品與當前客戶購買的產品集合的交集，最后從中選出一些尚未被客戶所購買而仍然在顧客購物籃中的產品，并將它們作為推薦列表呈現給客戶。該技術也用于類似于協作過濾的文本文檔的信息抽取。電影或音樂唱片的推薦，例如，通過預知一個人的偏好與其他人偏好的線性權重集合，并運用協作過濾技術來實現中國論文聯盟-對于推薦系統的研究可分為三個種類：技術系統開發研究，用戶行為研究和隱私問題研究。其中技術系統開發是重點。目前各種推薦技術，例如數據挖掘，和推理，都已經應用到了推薦系統中?，F存的推薦系統從廣義上可以劃分為基于規則的系統和信息過濾系統。信息過濾系統又可分為基于內容過濾的系統和協作過濾系統兩種。

基于規則的系統，N1如：IBM的WebSphere，BroadVi-sion，ILOG等。他們允許系統管理員根據用戶的靜態特征和和動態屬性來制定規則，一個規則本質上是一個if-then語句，規則決定了在不同的情況下提供不同的服務?；谝巹t的系統，其優點是簡單、直接，缺點是規則質量很難保證，而且不能動態更新。此外，隨著規則的數量增多，系統將變得越來越難以管理。中國論文聯盟

基于內容過濾的系統，例如：PersonalWebWather，SysKill&Webert，Letizia，CiteSeer，ifWeb，SIFTER，PVA，WebMate，WebACE，ELFI和WebPersonalizer等。他們利用資源與用戶興趣的相似性來過濾信息。基于內容的推薦系統通過將顧客的偏好與產品內容自動匹配來給顧客提供建議，例如網頁和消息條目的推薦。在基于內容的系統中，產品由其普通屬性描述。顧客偏好通過分析產品比率以及相應的產品屬性來預測?；趦热葸^濾的系統，其優點是簡單、有效。缺點是難以區分資源內容的品質和風格，而且不能為用戶發現新的感興趣的資源，只能發現和用戶已有興趣相似的資源。在基于內容的推薦系統中，一個核心問題是識別關鍵屬性集合。如果該集合太小，顯然，這對于識別用戶剖面是不充分的。因此，基于內容的推薦系統不能用于僅僅實施一次購買行為新顧客，或者訪問了該網站，卻沒有實施任何購買行為的潛在顧客，以及購買他不是特別經常購買的一種產品的顧客。

協作過濾系統如：WebWather，Let＇sBrowse，Tapestry，GroupLens，Fab，Alexa，Firefly，SELECT，LikeMinds和Site-Seer等。他們利用用戶之間的相似性來過濾信息。協作性的推薦系統估計顧客對特定產品的偏好是根據顧客對該產品的偏好率以及其他顧客對同一產品的偏好率的比較來實現的。協作性的推薦系統與基于內容的推薦系統之間的主要區別是協作性的推薦系統通過跟蹤一組顧客過去的行為來給該組中的個別顧客提供建議。使用該方法，顧客現在就可以接受建議，而在基于內容的推薦系統中，只要具有相似意向的其他顧客的偏好，顧客就己經具有先前預測了。基于協作過濾系統的優點是能為用Web數據挖掘的研究及其在網絡學習個性化推薦中的應用戶發現的新的感興趣的信息，缺點是存在兩個很難解決的問題，一個是稀疏性，亦即在系統使用初期，由于系統資源還未獲得足夠多的評價，系統很難利用這些評價來發現相似的用戶；另一個是可擴展性，亦即隨著系統用戶和資源的增多，系統的性能會越來越低。協作性的過濾方法用來識別與既定客戶具有相似興趣的顧客，所推薦的產品也是這些給定客戶喜歡的產品。該方法的一個主要局限是稀疏問題。在基于協作過濾的推薦系統中，很難精確確定下相似客戶和識別要推薦的產品。不僅如此，系數問題的極端形式是first-rater問題，當市場引入一種新產品時，不存在可用的先前估計信息。

還有一些個性化服務系統如：WebSIFT，FAB，Anatagon-omy和DynamicProfiler等，同時采用了基于內容過濾和協作過濾這兩種技術。結合這兩種過濾技術可以克服各自的一些缺點，為了克服協作過濾的稀疏性問題，可以利用用戶瀏覽過的資源內容預期用戶對其他資源的評價，這樣可以增加資源評價的密度，利用這些評價再進行協作過濾，從而提高協作過濾的性能。

近來，許多因特網公司還引進了有關信息產品的推薦系統，它包括Web站點推薦，音樂推薦，視頻推薦，書籍推薦等等(例如，以及等等)。因特網行銷機構運用推薦系統對某一廣告公司推薦用戶(例如Ac-tiveAgentWerbenetz。

通過將書籍推薦給已經購買過特定書籍的顧客實現個性化推薦的。.所推薦書籍概括的分為有兩種：小說書籍和非小說書籍。小說書籍的推薦很簡單，就是將同一作者的其它小說書籍推薦給特定用戶，這樣最終就將由該作者撰寫的相似類別的小說書籍推薦給了有相似背景的用戶。而非小說書籍的推薦將是將每個作者的相似類別的小說書籍推薦給了有相似背景的用戶。

五、電子商務推薦技術存在的問題和發展方向

綜合目前電子商務中個性化推薦系統的現狀可以看出，現存的個性化推薦系統技術大都是基于規則的系統，基于內容過濾的系統，以及協作過濾系統三種。而且，這些個性化推薦系統所運用的技術也僅僅限于基于內容的過濾，KNN(L-NearestNeighboring)技術，基于聚類的(Clustering-based)協作過濾，基于項目的(Item-based)協作過濾，序列模式，規則分析等等。由于這些推薦系統各自應用范圍的局限，而且都不同程度的需要人工參與，因而導致目前推薦系統的推薦精確度較低。不僅如此，大多數個性化推薦系統只是給用戶推薦一些不同類別的資源，這與普通的搜索引擎比較相似，而且對用戶正確行為的推薦卻比較少。

未來電子商務推薦技術研究的發展主要體現在以下幾個方面：

1.組合推薦技術的研究

眾所周知，現存的推薦技術已經得到推廣和應用，但各種技術都存在一些缺陷，能否將各種推薦技術融合起來作到取長補短是未來電子商務推薦技術研究的重要課題。

2.推薦技術準確度的研究

目前的推薦技術推薦的準確性還得不到保證，準確度的研究還局限在手工實驗階段，因此，研究出自動的準確性驗證理論模型就顯得非常重要。

3.數據獲取方面，主要還是依賴用戶的顯式評價，在自動獲得用戶的隱式信息方面做得不夠。

4.研究過于集中解決推薦算法性能的提高，對推薦系統的開發與應用，尤其是與企業其它系統的集成應用，在輔助企業的市場銷售，客戶管理和企業商務智能方面缺乏研究。

參考文獻：

[1]CooleyR，MobasherB，SrivastavaJ.Dataprepara2tionforminingworldwideWebbrowsingpatterns.JournalofKnowledgeandInformationSystems，1999(1)：230～241

[2]GoldbergD，NicholsD，OkiBM，TerryD.Usingcol-muni-cationsoftheACM，1992，35(12)：61～70.

[3]ResnickandVarian.RecommendationsystemsCommu-nicationsoftheACM，40(3)：56C58，1997.98-122

[4]R.D.Lawrence，G.S.Almasi，V.Kotlyar，M.S.Viveros，S.S.Duri，Personalizationofsupermarketproductrecommenda-tions，IBMResearchRport，2000.43-75.

[5]鄧愛林，朱揚勇，施伯樂.基于項目評分預測的協同過濾推薦算法[J].軟件學報，2003，(9).

[6]曾春，邢春曉，周立柱.個性化服務技術綜述[J].軟件學報，2002，(10).

[7]趙亮，胡乃靜，張守志.個性化推薦算法設計[J].計算機研究與發展，2002，(8).