电子商务个性化推荐系统

丛佳智+++姜书浩

摘 要：电子商务日益渗透到千家万户中，传统经营模式正经历着变革。随着网络技术的发展，很多机构构建了自己的web站点，让人们的生活变得更加便捷。推荐系统凭借其贴心、便捷的处理方式逐渐进入公众的视野。

关键词：电子商务；协同过滤；个性化推荐系统

0 引言

随着互联网走进各家各户，电子商务发展越来越快，服务和产品也越来越多，这就造成信息过于冗杂，客户面对海量选择，往往要浪费很多时间来挑选自己需要的商品。为了使消费者避免浪费时间，已更加从容的心态来购买商品，电子商务推荐系统可以精确识别消费者的喜好，模拟销售人员帮助消费者完成购买，给消费者想要的推荐，让挑选变得简单。统计学、人工智能数据挖掘等技术都应用于电子商务推荐系统（Recommendation Systems）中，想要引导消费者完成购买行为，就要先分析消费者的购买意愿，所谓知己知彼百战不殆，分析消费者访问网站的行为，并最后给出令客户满意的推荐结果，来产生丰厚的利润。所以说，推荐系统的核心便是推荐结果是否准确，如果是客户需要的，则会提高顾客的购买意愿；反之如果推荐结果不合顾客的意，那便是端起石头砸自己的脚，客户也会对推荐系统产生怀疑，购买兴趣大大降低。

1 推荐系统介绍

对客户行为信息进行收集的记录模块、对用户喜好进行分析的模型分析模块、推荐系统的核心推荐算法模块以及处理售后服务的反馈处理模块组成了一个完整的推荐系统。将对的商品推荐给对的人就是推荐系统的目标，常见的推荐机制算法有三种，分别是基于关联规则的算法（Association Rule_based Recommendation）、基于内容的推荐算法（Content-based Recommendation）、协同过滤推荐算法（Collaborative Filtering Recommendation）。算法数据的表示不是很复杂，一个二维表或者是一个MXN的矩阵足以。把日志或消费类的数据通过一定的预处理，所有的商品类目用列表示，所有用户用行表示。

把用户的购买需求转化成购买结果，这是一个电子商务推荐系统的终极目标，也是衡量推荐机制好坏的标准。在实际生活中，消费者去实体店购买商品，会有“导购员”进行服务，提高消费者的购买意愿，而在电子商务网站中，推荐系统就是这个“导购员”。一个好的推荐系统就像一个好的“导购员”一样，让消费者了解商品后更加愿意购买商品。主要实现一下功能：①完善用户体验，给出个性化推荐；②更好的向消费者展示商品，提高转换率；③发现消费者潜在需求，挖掘更广的市场。

网站的推荐形式多种多样，经常用到的有三种：①根据会员的历史购买记录，来进行推荐机制的营销；②由购物车或物品收藏来做相似物品推荐；③针对消费者的历史信息来做相关推荐。

个性化推荐系统能够深度挖掘电商消费者的兴趣，增强消费者持续购买的意愿，从而形成信任关系达到维系老客户，减缓以及解决现在电商平台存在消费者持续购买意愿不强的问题。我们假设一下，如果没有了推荐系统的精准推荐，消费者可能将要花更多的时间来找自己中意的商品；如果失去了系统的热门推荐，消费者将很难买到质量好价格低的产品；如果失去了推荐系统的辅助政策，消费者做出的选择往往不是最优的，这样也不会购买到自己感到满意的产品，对网站也不会有好感度，二次购买也不会再有了。这对卖家和买家来说都是损失，因此电商平台是一种双赢的表现。

2 协同过滤推荐

假如两个用户过去有相似的喜好产品，那么他们现在依然有相似的喜好产品，这是基于用户（user-based）的协同过滤；假如有用户过去喜好某产品，那么他现在任然喜好与该产品类似的产品，这是基于项目（item-based）的协同过滤。传统协同过滤算法一般就分为这两种，协同过滤不需要获得产品或用户特征，而是凭借相似性度量方法和评分数据来进行预测，只要评分数据越多，预测也会变得更精准。

协同过滤作为目前最成功的推荐技术之一，已被广泛应用于各类电子商务推荐系统及互联网的相关领域，譬如国外的Amazon， eBay， NetFlix以及国内的淘宝网和当当网等等。伴随电子商务的不断发展，用户数量也飞速增加，用户—项目评分数据的维度急剧增高，可是用户给予的评价却不是很多，使得传统的协同过滤推荐面临严峻的用户评分数据稀疏性问题。同时，用户的需求也在随着时间改变，而传统协同过滤并不能很好的解决这个问题，存在着局限性。所以，如何捕捉移动的用户感兴趣的信息已经变成电子商务亟待解决的问题。

3 典型应用

亚马逊作为电商平台的领头羊，推荐商品占销售总量的百分之四十，同时也是较早使用推荐系统的电子商务平台，当然他们的推荐形式也是别出心裁。例如，一位顾客买了一个相机，系统就会自动的给他推荐能用到的电池产品。但是由于商品多样化的趋势，亚马逊电商平台不断更新后数据分析能力的增强，推荐系统可以推荐购买过该产品的用户还购买的其他产品。

由于使用真实的购买数据，而不是假设消费者会购买什么商品，亚马逊能够提出非常精准的提議。例如提示“购买此商品的用户同时购买”，就是一种很机智的营销手法，可以让消费者横向比较，开阔自己的眼界，更加容易找到自己的需要。

亚马逊使用的是“协同过滤”算法，这种算法把消费者串联起来，有相似兴趣行为的划为一组，参照消费者的购买历史，经常做到事半功倍。任何人的兴趣都不是孤立的，这就是“协同过滤”算法的出发点，应该处于一个群体所感兴趣的产品中，就是如果一群消费者对一个商品的评分很相似，那么他们对另一个商品的评分也不会相差很多。该推荐算法的核心在于采用技术找到于目标消费者有相似兴趣的消费者，然后根据相似消费者对目标商品的评分做出推荐，并且把测试评分最高的多项商品作为该消费者推荐列表。

亚马逊的页面分为非登录用户和登录用户。对于非登录用户，亚马逊会推荐各个类目的畅销品，换言之就是排行榜。查询浏览页面和详细的商品页面则会有关联推荐，比如“购买此物品还可购买”；通过人的相似兴趣来推荐，像“购买此物品的顾客也购买了”，“看过此商品的顾客购买的其他商品”。

而对于登录用户，亚马逊的推荐方式却截然不同，首页的页面会有一个今日推荐的栏目，这个栏目是由用户的历史浏览记录生成出来的，在下面是最近一次购买商品给的记录以及类似商品的推荐，如“根据浏览推荐给我的产品”，“浏览XX商品的用户会买XX的概率”，有意思的是，每个页面的最下方都会根据消费者的浏览内容给出对应的推荐，没有浏览记录的会推荐系统畅销。

4 结论

当然，一个好的推荐系统不可能一挥而就的，想要成功，需要不断的积累经验，收集客户的数据，从算法、计算效率上寻找突破点，在不断的更新中，逐渐的完善系统，并建立稳定的客户群。另外，每个人都是不一样的，推荐系统要想成功，还要做到因人而异，区别对待，让消费者真真切切的感受到贴心的服务，这样也就离成功不远了。

基金项目：本文系天津市大学生创新创业训练计划项目“个性化推荐算法在微课学习系统中的应用研究”（项目编号：201610069094）研究成果之一。

参考文献

[1] 王桂芬.电子商务个性化推荐系统中协同过滤算法的研究与应用[D].南昌：南昌大学，2012.

[2]邓晓懿，韩庆平.移动电子商务个性化服务推荐方法研究[D].大连：大连理工大学，2013，12.

[3]卢琦蓓.面向电商平台客户持续购买问题的情境化推荐模型研究[D].杭州：浙江工商大学，2016，1.