我国B2C电子商务个性化商品推荐服务实证研究

郭伟光

摘要： 优质的个性化推荐系统带来了巨大的经济价值和社会价值的同时，也能提高B2C电子商务在当今激烈的市场竞争环境下的存活能力。在简要介绍电子商务个性化推荐系统模型的基础上，详细分析比较了亚马逊、当当网、天猫三家B2C电子商务个性化商品推荐服务，最后对B2C电子商务推荐系统的进一步发展方向进行了展望。

Abstract： The high-quality personalized recommendation system has brought huge economic and social values， but also can improve the viability of e-commerce site in today's highly competitive market environment. Based on introducing the Model of E-commerce recommending system， this article compares the personalized recommender service of amazon.cn with dangdang.com and tmall.com. At last， some development directions for personalized recommender systems in E-Commerce are presented.

关键词： B2C电子商务；推荐系统；个性化推荐服务；实证研究

Key words： B2C e-commerce；recommendation system；personalized recommendation service；empirical research

中图分类号：F724.6 文献标识码：A 文章编号：1006-4311（2014）30-0025-03

0 引言

当前，面对海量的商品信息，用户需要一种类似采购助手的功能来帮助用户选购商品，并根据用户的兴趣爱好推荐用户可能感兴趣的商品。因此，电子商务个性化推荐系统[1]得到广泛应用，它是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。

而对于一个B2C在线销售商而言，他们除了期望推荐系统能帮助建立良好的客户关系、通过推荐一些有趣的商品向用户提供附加服务外，更关注推荐系统能一方面提高转化率，即如何将网站访问者转化为实际购买者；另一方面是如何影响访问者，让他们买更多可赚钱的物品。因此探讨B2C电子商务个性化商品推荐效果及其改进是一个有重要应用价值的研究课题。

为了研究我国B2C电子商务个性化商品推荐服务的实际应用状况，本文选择亚马逊（www.amazon.cn）、当当网（www.dangdang.com）、天猫（www.tmall.com）三个著名的B2C购物网站，对国内的B2C电子商务个性化商品推荐服务进行实证研究。

1 电子商务个性化推荐系统模型

1.1 电子商务个性化推荐系统模型 按系统的观点，电子商务个性化推荐系统模型可分为是输入、输出和推荐方法与技术，如图1所示。个性化推荐的输入模块表明从哪里去获取用户的偏好。所以主要涉及两部分，一是用户信息获取的平台，最典型的是传统的电子商务平台和网站，另一方面是随着社会性网络（如Facebook、Twitter、Renren等）的应用，基于社会性网络的社会商务系统也成为获取用户偏好信息的来源。

个性化推荐的输出主要包含两种形式，一是预测，预测用户对某商品的偏好；二是推荐，基于预测直接给用户推荐其可能感兴趣的商品。

1.2 电子商务个性化推荐算法 推荐方法模块是推荐系统的核心部分，决定着推荐系统的性能优劣。主要的推荐算法有：

协同过滤推荐（Collaborative Filtering Recommendation）[2]

是目前研究最多的个性化推荐技术，它是基于邻居用户的资料得到目标用户的推荐，推荐的个性化程度高。具体来讲，协同过滤推荐一般主要分为两类：一是基于内存的协同过滤（Memory-based Collaborative Filtering），其基本思想是用统计的方法得出所有用户对物品或者信息的偏好，然后发现与当前用户口味和偏好相似的“邻居”用户群，基于某个邻居的历史偏好信息，为当前用户进行物品的推荐，所以该方法也称基于用户的协同过滤（User-based Collaborative Filtering）或基于邻居的协同推荐（Neighbor-based Collaborative Filtering）；二是基于模型的协同过滤推荐（Model-based Collaborative Filtering），是指根据用户和物品的直接历史点击或购买记录，来计算物品和物品之间的相似度，得出一个模型，然后根据用户的历史偏好的物品信息，将挖掘到的类似的物品推荐给用户，即用此模型进行预测。

基于内容的推荐（Content-based recommendation）[3]是信息过滤技术的延续与发展，项目或对象是通过相关特征的属性来定义，系统基于用户评价对象的特征，学习用户的兴趣，依据用户资料与待预测项目的相匹配程度进行推荐，如新闻组过滤系统NewsWeeder。

此外，基于用户统计信息的推荐，基于关联规则的推荐[4]，还有基于效用的推荐[5]和基于知识的推荐等，前者基于用户对产品的效用函数，后面更多采用人工智能和推理技术。

2 国内知名B2C电商个性化商品推荐服务实证研究

2.1 亚马逊的个性化商品推荐服务 亚马逊与其他B2C电子商务网站相比，最大优势就在于个性化推荐系统。其推荐系统提供的最主要的服务有：endprint

今日推荐：通常是根据用户近期的历史购买或者查看记录，并结合时下流行的物品给出一个折中的推荐。

新产品的推荐：采用了基于内容的推荐机制，将一些新到物品推荐给用户。

捆绑销售：采用数据挖掘技术对用户的购买行为进行分析，找到经常被一起或同一个人购买的物品集，进行捆绑销售，这是一种典型的基于项目的协同过滤推荐机制。

别人购买/浏览的商品：这也是一个典型的基于项目的协同过滤推荐的应用，通过社会化机制用户能更快更方便的找到自己感兴趣的物品。

基于社会化的推荐，Amazon会给你事实的数据，让用户信服，例如：购买此物品的用户百分之多少也购买了那个物品。

基于物品本身的推荐，Amazon也会列出推荐的理由，例如：因为你的购物篮中有……，或者因为你购买过 ……，所以给你推荐类似的……。

亚马逊综合了多种推荐形式，其推荐服务深入到网站的各个角落。在亚马逊首页中提供：畅销榜、与您浏览过的商品相关的推荐、更多供您考虑的商品（您浏览过|查看此商品的顾客也查看了|编辑您的浏览历史）、有相似搜索和购买结果的顾客、根据购买记录为您推荐、根据浏览记录为您推荐、最受关注商品。在购物车中有：购买该商品的客户还购买了：浏览该商品的客户还浏览了：购买了购物车中商品的顾客同时购买了：有相似标签的产品；在心愿单提供：购买您心愿单中商品的顾客也同时购买。

2.2 当当网的个性化商品推荐服务 现在互联网各种新技术层出不穷：hadoop、erlang、gearman[6]等等。尤其是大数据的不断深入应用产生了广泛影响，并促使国内领先的B2C网上商城当当网融合协同过滤、标签、文本、矩阵分解等个性化推荐算法，主要向用户个性化推荐：买了还买了、看了还看了、基于浏览历史的推荐、发现跟您相似顾客、个性化邮件等。

当当网上有个专门栏目“猜你喜欢”，点击进入，再分为“您可能感兴趣的商品”、“和您兴趣相似的顾客还关

注”；在已购商品页面，有推荐“根据您购买的商品，当当猜您会喜欢”。

个性化推荐已经渗透到当当购物流程的各个环节：购物前、购物中、购物后。买了……的顾客也买了……，看了……的顾客也看了……——以上是基于一定时间段内的订单和访问日志数据推荐购买组合——基于同一张订单的数据。在购物车、收藏夹里会根据用户当前选中的商品进行实时计算、推荐商品。会在订单确认信等回馈信件中，附带根据本次包裹商品计算出来的商品推荐，但为了避免用户取消订单去选择别的商品，通常是在用户收到商品之后再推荐的。

为了使用户更更高效、更轻松地获得准确的系统推荐服务，当当网特别设计了“喜好大探底”FLASH游戏，用户只需要勾选自己的性别、年龄区间、职业和几个感兴趣的商品，系统就会自动运用相关算法，给出为用户量身打造的个性化推荐。当当网的“靠谱内容”模块，它会即根据不同用户的属性提供不一样的内容展示，新用户可以在新客购入中发现热门商品，老用户能够在“猜你喜欢”中找到贴心的推荐内容。除此之外，“用户关注”可以帮助用户可以在第一时间捕捉到收藏最多、好评最多、浏览最多的各种热点商品，让用户在选择商品时可以有更多的参考和比较。针对用户存在多兴趣或兴趣发生转移情况，当当网提出了基于项目相似性的邻居用户协同推荐算法。该算法改进了传统协同过滤算法，使之适合用户多兴趣下的个性化推荐。

2.3 天猫的个性化商品推荐服务 “天猫”（英文：Tmall，亦称淘宝商城、天猫商城）原名淘宝商城，是一个综合性的B2C购物网站。天猫的个性化推荐是在海量数据基础上，结合会员习惯和商品内容特性进行分析和挖掘，为天猫会员提供个性化的推荐服务，以期缩短用户购物路径，提升用户购物体验。天猫的个性化商品推荐服务遵循在合适的地方（首页、Offer页面、购买过程页面、搜索结果页面、促销邮件页面、资讯文章页面等），合适的时机（刚来首页、搜索查找、点击进入、反馈完成、收藏完成、交易完成、浏览页面上部、浏览页面底部等），通过合适的渠道（WEB页面、EMAIL、即时消息、智能手机等）把合适的内容（商品、公司、资讯、人等）推荐给合适的用户（企业用户、个人用户、不同客户群等）的设计理念。

天猫网通过收集买家信息、商品信息、品牌信息、店铺信息、营销活动信息等，运用相似替代商品模型、组合购买商品模型、榜单、用户个性化偏好模型、用户聚类及偏好模型、内容规则算法等模型算法，主要向用户推商品、品牌、店铺、活动、商品类目等。

天猫的个性化商品推荐服务深入客户购物的整个流程：当客户登录首页浏览商品意图模糊时向客户推荐：猜你喜欢、个性化品牌墙、个性化活动甚至构建个性化首页；当客户关注某一类商品正在挑选时向客户推荐：全网分类榜单、群体偏好榜单、个性化列表、个性化搜索、个性化店铺列表；当客户正关注某一特定商品时向客户推荐：个性化相似商品、群体看了还看、全网看了还看、同类优质商品；当用户快完成购买时，向客户推荐：商家搭配、全网买了还买、优惠活动凑单、顺手买日常用品；当客户买完还在线上时，向客户推荐个性化活动、猜你喜欢、个性化优惠券、个性化榜单；当用户在线下向用户发送个性化即时信息、短信、EMAIL。

3 国内知名B2C电商个性化商品推荐应用比较分析

从以上分析，我们可以看出三家的推荐系统都综合使用了多种推荐服务算法：基于Item相似和相关性的推荐、基于浏览/购买历史，基于协同过滤等等。都具有这样一些推荐服务：销售最好/流行的商品、特价推荐、专题推荐、新商品推荐、通过邮件推荐、查看其他用户评价、基于网友评论的推荐、商家推荐、买过此商品的用户还买过的、你可能感兴趣的、组合推荐、根据浏览历史推荐、根据相似的人推荐等。

从推荐的形式中我们可以看出各家都把推荐服务放到了网站的各个角落，深入到用户购买的各个阶段，并且都注重不断改进用户的个性化推荐体验。推荐的准确性直接影响客户对于推荐服务的认可程度，而要推得准各家除了组合多种推荐形式外，还允许用户提供或者修正推荐所依赖的信息，比如用户可以查看并修改自己的档案、浏览历史，可以对感兴趣的或不感兴趣的商品进行管理和打分，可以通过社区进行讨论、评论、反馈相关商品，而所有这些信息一经修改或产生后直接对推荐的结果产生影响，从而提供推荐的准确性。endprint