林正蕤
(南开大学商学院 天津南开 300110)
电子商务个性化推荐系统是以网站为平台,开展客户商品推荐的真实模拟,解决了信息过载的问题。该系统不仅可快速帮助客户定位,让他们在庞大的信息群中,用最 短的时间找到心仪的商品,还能帮助企业实现差异性经营,为其带来巨大的经济利益。客户看中某一商品后,是否会买下它有两个决定因素:商品质量、商家服务。为此,本文另辟蹊径,从关注客户分类入手,对电子商务个性化推荐问题深入研究,从客户需求进行分类,并以此为基础,提出针 对性的推荐法。
个性化的推荐即依照客户爱好及习惯、需求来模仿销售人员推荐信息、商品的程序。在实际操作中,电子商务个性化推荐系统融合了统计学、数据挖掘技术、人工智能技术等多个技术形式,在技术的配合下,能够分析访问者在网站上的访问行为,获取帮助顾客访问感兴趣产品信息的推荐结果,引导顾客购买行为,进而从中获取利润。
电子商务推荐系统可以划分为输入、推荐、输出等功能板块。在输入板块中,有社团、客户两个群体内容,个人输入目标主要是为了客户服务,目的是在了解用户需要的基础上为其提供有针对性的服务支持。
服务分析所参考的内容包含用户历史浏览、关键词搜索、之前所购买过的历史等。社团群体输入是集体方式的数据开展评估工作,包括历史、评价等内容。输出是推荐系统获得信息之后推荐给用户的内容,表现形式为建议、预测、个体评分和评论。
建议环节是根据客户的喜爱,推荐最能吸引他们的商品;预测则是给定项目开展总体的评分工作;而个体评分是输出对其他客户商品开展的个体的评分;评论则是输出其他客户进行字面上的评价。
这种推荐技术是当前研究最广的,可划分为两个类别,第一类是基于用户的协同过滤,即在实施操作的识货先用统计学分析方法,能获取有相似兴趣的客户;第二类是以历史的数据得到模型,以该模型完成预测的工作,这种方法我们称为“以模型开展的协同过滤”。该技术包括很多内容,如贝叶斯网络。但这个算法有一个致命的问题,其算法会因为用户数量的增加而增长,所以数据计算会以线性方式增长,数量越多,算法性能越弱,且对推荐结果未必会产生积极的影响。为了更好地解决这个问题,有人提出了一个全新的算法,即第三种协同过滤推荐算法,这种方法称之为项目协同推荐算法,这种算法对视对已评价完项目评估做出的选择,以相似度为权重分析,加权处理并完成后或获得预测的数据。
第一,以内容为主的推荐技术。以这种信息过滤技术的拓展,在运用时相关项目、对象或有关特征定义的内容。根据用户评估对象重点找到客户的群体,并根据用户资料及被检测项目,以其匹配度开展推荐工作;第二,以用记统计的信息进行推荐。该系统是以用户个人角度为用记开展分类的,之后根据用户分类结果为用户推荐信息;第三,采用交用推荐法。这种方法是根据用户以项目盗用计算的,关键的问题是如何使用户创造其有盗用的函数;第四,基于知识的推荐技术。基于知识的推荐技术是推理技术形式,会依照一系列逻辑思想完成知识的推荐。
CBR是一种基于案例的学习方法,在使用时,通过打造丰富的主体案例库来寻找最理想化的问题解决方案。CBR法在使用时与问题解决法非常类似,电子商务个性化推荐是否成功,取决于其推荐结果是否符合客户的思维特点和基本需要。因此,将CBR应用到电子商务个性化推荐系统中具有十分重要的现实应用意义。
CBR算法在推荐系统中的应用步骤如下:第一,案例收集和表示。收集过去进行问题求解的典型案例,在具体实施操作时每个案例由客户的个人特征资料、需求信息和消费行为信息构成;第二,案例检索。检索案例库,从中提取问题领域和目标问题相似的案例,之后根据客户需求信息,动态化地调整相关特征的权重比例;第三,案例匹配。通过案例的匹配计算出案例的相似度,并通过相似度的量值分析和排序结果,从案例库中检索出匹配的案例;第四,案例求解。对最理想化的相似案例求解方案实施修改和调整;第五,案例更新。将调整之后的目标案例推荐结构作为目标案例,引入案例库中,积累更多的案例累积经验。
案例的表示是基于相似案例分析的电子商务个性化系统打造的一个基础性工作,在系统运作时只有完整、清晰地表达自己的特点及在购买时的需求信息,才能为客户提供相应的支持。站在个性化角度,完善案例模型,要包括客户的信息特点,也包括需求的信息。
在确定案例表示方法后,结合数据分析结果打造相似案例索引机制,将目标案例和问题的解决相匹配,为了保证匹配结果的精准性,可以对数据信息实施全面的量化分析。相似度的测量范围大小深受测量领域的影响,返回数值在0~1时,意味着一个案例中的特征数值和其需求关联的案例特征值存在较大的相似性。在综合统计分析之后对相似度进行分析,即根据案例之间的距离判定案例数据信息之间的相关度。
在确定相似度之后,基于相似案例分析的电子商务个性化,系统会根据相似度对备选方案实施排序。案例检索时,以客户需求设定参数,系统显示大于阈值案例信息,推荐系统能够向客户提供适当数量的和目标案例匹配的信息。
基于CBR的个性化推荐系统使用了三层体系结构,具体如图1所示,笔者结合图1的结构做出如下分析:
图1 基于CBR的个性化推荐系统三层结构框架
第一,客户应用层。为客户和企业客户访问推荐系统提供一个良好的交互界面,整个界面的功能如下:(1)为客户端的消费、客户信息输出提供推荐结果;(2)为企业端的客户、产品生产加工提供重要决策支持。
第二,Web服务层。Web服务层会从数据源中检索、更新数据信息,在此期间,系统中间层会根据需要调节信息的使用,主要模块如下:(1)管理模块。管理模块在运作时会和第一层相互作用,并对其他模块实施管理;(2)检索模块、匹配模块。检索模块和匹配模块能够按照需要完成信息的检索和匹配应用;(3)案例挖掘模块。案例挖掘模块会分析案例仓库中的数据信息,并结合信息的应用情况调整信息使用规则,将信息的使用规则输入管理模块中。
第三,数据源层。数据源层包含案例约束库、案例仓库、产品数据库、历史数据库。其中,案例仓库包含所有客户的特征信息和长期消费行为信息;案例阅书库包含信息使用标准;历史数据库包含消费客户的消费历史、浏览记录。
某服装电子销售网站设计的个性化推荐系统在设计时,以消费者的购买行为(一次、多次均计算在内)把客户分成新、旧两种。新的通过破瓦颓垣有关偏好抽取数据库的案例,把目标特点和历史案例的特征量进行相似度匹配,从中选择理想的数据,通过多次修订,获取目标的问题解值。如果未能检索到相似案例,就可把问题当成新案例,反复进行计算,就推导出来的结果进行分析,同时把目标案例、决策结果都加到新案例库内(见图2)。
图2 基于CBR的个性化推荐系统实际案例应用
在模型打造好之后,推荐系统动作进一步说明:
第一,新客户推荐。系统把这类客户定义成C10,结合基本情况,从案例库中检索寻找和用户特征符合的数据信息,实现案例抽取,获得从大到小的案例序列。在具体分析时,如果将前三个相似度较大的案例作为一个研究备选方案,获得案例图解:SIM(C10)=(C1、C2和C6)。在此期间,如果用户对推荐结果不是很满意,就需要操作人员积极调整和修改案例信息,并将修改后的案例信息推荐给用户。
第二,对老客户实施推荐。假设老用户的信息编号是C7,在客户偏好不出现变化的情况下,编号是C7的老客户的备选案例解为:SIM(C7)=(C7、C3、C5),客户信息的个性化程度达到最高的状态。在客户的喜好出现变化时,需要对客户的数据信息重新进行计算,并根据计算出来的结果对相似度进行排列,整合后来的序列排序结果,为客户的选择提供信息参考支持。
在开展上文分析评价时,不需要了解客户对项目的态度,是项目分析时克服传统意义推荐系统数据,输入过多依赖客户对项目评估问题。通过上述的案例分析可发现,基于个性化案例推导分析推荐系统可有效提升客户信息个性化水平。
在未来,为了更好地发挥基于相似案例分析的电子商务个性化系统应有的作用,需要相关人员引进更为先进的技术来处理多样化的案例数据信息,并结合企业发展的内外部环境变化打造具有实际应用意义的案例仓库,并借助案例仓库中的数据信息解决企业经营发展所面临的不确定问题,拉近企业销售和客户之间的距离。