协同过滤技术在电子商务个性化推荐中的研究与应用

文 君

（文华学院信息学部 湖北 武汉 430074）

1 引言

相关数据显示，我国上网用户数量已经超过了12亿，CN下注册的域名数量也快速增长，而个性化推荐是当前一种先进的服务方式，能够为顾客提供个性化的决策支持以及信息服务。但是伴随电子商务交易规模不断扩大，网购的热潮也在不断地升温，要想准确地预测顾客的兴趣，并且产生有效的推荐结果，尤其是面对数据信息的稀疏性以及计算时遇到的各种问题，那么对以往协同过滤算法就要进行积极改进[1-2]。

2 电子商务概述

电子商务主要是借助信息技术开展的商务活动，基于服务器以及浏览器等应用方式，买方和卖方在线上开展各种商贸活动，从而实现顾客的网上购物、在线支付及各种商务活动等。

即便电子商务在各个国家或不同的领域都有着不同的定义，然而最关键的仍旧是依靠网络技术以及电子设备进行的一种商业模式，电子商务主要包括网络营销、电子货币交换、存货管理、电子交易以及供应链管理等系统。在这个过程中，运用的信息技术又包含：外联网、移动电话、内联网、互联网以及电子邮件等[3]。

3 推荐系统作用

将浏览者变成购买者，电子商务站点的访问人员通常只是随便浏览网站，他们并没有购买的意向，若是此时推荐系统可以有针对性地给浏览网站的人员提供一些高质量产品的话，那么，就能极大地引起浏览人员购买产品的兴趣，将访问者转化成消费者[4-5]。

推荐系统能够通过向消费者推荐额外的产品来提升其交叉销售量，若是网站推荐系统较好，那么还能增加各企业平均定购数量。其次，推荐系统能够结合顾客目前购物车里面的商品来向其推荐一些类似的商品。比如顾客买了一个鞋柜，网站就会向顾客推荐衣柜、酒柜等。

与顾客建立忠诚度。在当前的环境下，必须要提升网站的吸引力。首先，要通过优质的内容实现。其次，要为顾客提供一个便于快捷浏览到自己比较喜欢感兴趣产品的途径。若是顾客在每一次购买产品时，推荐系统都能够进行有效的产品推荐，那么肯定会吸引顾客下一次继续在此网站上购买产品。不仅如此，个性化的推荐系统还能够进一步吸引顾客[6]。

4 协同过滤技术存在的问题

即便协同过滤技术在现阶段获得了成功的运用，然而，协同过滤技术并不是说在什么环境下都可以表现出比较好的效果。比如随着电子商务站点规模不断地扩大，其商品数量以及用户数量也在迅速增长，所以协同过滤技术便遇到了较为严重的挑战，包含数据信息的可扩展性以及稀疏性问题等。要想解决这些问题就要从下面两个方面着手，首先是在没有改变数据信息的情况下提升算法的准确度，其次是采取有效的技术方法改变数据信息稀疏的情况[7]。

5 协同过滤技术应用

5.1 信息数据的检索

信息数据检索技术应用于顾客查询，信息数据检索所研究的内容包含两种，一种是查询技术，另一种是索引技术。后者是对资源内容展开分析，然后把资源表示成计算机能够处理的数据信息结构。前者是通过接口来接受顾客的需求，所以可以看出，信息数据检索技术通常运用在大规模数据库系统当中，并且这一数据库通常是静止的。它既不能主动为顾客做出推荐，也不能发掘出顾客更多的兴趣[8]。

5.2 信息过滤

与信息检索不同，信息过滤重视顾客的长线需求，主要是用来处理一些文本信息，最终的目标是帮助顾客处理海量的信息，这一技术必须建立在基于顾客兴趣爱好上。其主要分为两种，一种是基于内容信息过滤技术，另一种是协同过滤技术，结合信息内容特征来过滤，把信息流与顾客档案文件有机匹配，根据匹配的程度来确定这一信息流对顾客有没有价值[9]。

5.3 协同过滤

在这一项技术中，顾客通过互相合作进行信息选择，其主要是根据与自己兴趣比较相似的顾客，通过这些顾客对信息数据做出评价。协作方通常是顾客信任的亲戚朋友、同事或者与自己兴趣比较相似的客户等，根据他们的判断来向消费者推荐信息。协同过滤技术最大的优势在于其不再结合物品本身来分析，而是分析消费者的行为，进而完成过滤。通过不断研究分析协同过滤技术，人们也开始完善这一项技术，进而产生一种自动化智能化的协同过滤技术。协同过滤技术有如下几点优点。

（1）协同过滤技术不关心资源实际的内容，所以很难分析资源的内容，比如音乐、图形、视频以及图像等作为资源内容时，协同过滤技术是非常好的选择。

（2）协同过滤技术能够发现内容上看起来完全不一样的资源，消费者对推荐的内容无法提前预料。相比以往的传统方式，协同过滤技术会有很多不可取代的优势，也是[10]目前为止个性化推荐系统当中运用比较成功的一项技术

6 个性化推荐技术分类

6.1 基于项目推荐算法

主要分为两个阶段，第一个阶段是最近邻查询，第二个阶段是结合顾客对最近邻居实际评分来预测其对目标项评分，然后产生TOP-N产品的推荐。

基于项目推荐算法，它除了可以提升可测量性，同时对于推荐的结果还能作出很好的解释，由于大多数情况下，特定的一些消费者对特定的产品会比较感兴趣。然而，基于项目推荐算法无法作出“跨类型”产品推荐，因此就不能够挖掘出消费者的潜在兴趣。

6.2 基于商品的推荐系统

结合商品属性特征来向消费者产生推荐列表，这一推荐系统就需要消费者输入其所需要的商品属性特点，所以属于手工输入推荐的方式。基于商品属性的推荐不仅是瞬时的，同时还是个性化的，主要取决于站点是不是保存消费者偏好的记录。

6.3 基于内容推荐

首先，对每一个客户的访问要建立文档，并且还要把网站内容进行分类，比如说商务网站中的产品、教育平台的课程内容等要进行细致分类，在消费者访问这一网站的时候，就能结合该消费者访问内容建立文档。

运用结合内容的方式来推荐，其优点是简单。但缺点是无法为客户挖掘出新鲜的资源，只是可以发现和客户已有的兴趣相类似的资源，同时还很难区分资源的风格与品质。其次，在推荐前还应该做全面的分析工作，详细分析现阶段客户访问的内容都是什么[11]。

6.4 知识工程方法

在个性化的推荐系统中，知识工程的方式能够用来寻求在发现客户选择产品时，影响他们喜好的因素。这一系统使用人员通过自定义规则进行显示文本的消息，然而规则对每一个客户来说是个性化的。这部分自定义规则是结合内容以及文本消息属性，比如说闪光点、发送人、长度等。知识工程的方式不仅可以基于项目的特征、其他特定的领域，并且还能基于用户的特征。同其他方式相比，知识工程的方式的不同之处主要表现为知识工程所产生的过程不是自动的，并且在这种方法中，需要利用过去人类一切文明成果。

7 结语

综上所述，随着电子商务不断发展，数据量正在以惊人的速度呈爆炸式增长，要想获取有价值和有用的信息，那么电商推荐系统对于不同的用户，以及对服务和商品就要作出个性化的推荐。协同过滤的方式当前已经成功运用在电子商务个性化推荐系统中，然而伴随电商推荐系统普遍的运用以及系统规模逐步扩大，协同过滤推荐算法也暴露出了诸多问题和挑战。对此，文章首先研究分析了协同过滤技术存在的问题，随后又分析了电商个性化推荐方法，并对各种推荐方式在电商推荐系统中的运用进行了比较，希望能够为广大用户提供更为精确的推荐结果。