基于大数据技术的电子商务个性化推荐系统设计与实现(编辑修改稿)

基于大数据技术的电子商务个性化推荐系统设计与实现(编辑修改稿)内容摘要：

个性化推荐是 基于 用户的兴趣特点和购买行为，向用户推荐 其感兴趣的信息和商品。 随着电子商务规模 不断扩大，商品 数量 和种类 不断 增长，顾客需要花费大量的时间 寻找 自己想买的商品。 这 一过程 无疑会使淹没 在 大量产品信息 中 的消费者不断流失。 为了解决用户流失的问题，电子商务个性化推荐系统应运而生。 电子商务个性化推荐系统是基于 大数据挖掘基础上的一种商务智能平台，能够帮助 电子商务企业为用户提供个性化 的产品的推荐和购买决策，电子商务企业的个性化推荐系统为用户推荐商品，网站 会智能的完成商品选择，最大限度 的 满足客户的个性化需求，电子商务个性化推荐是 根据 以下几方面来推测客户将来可能的购买行为：网站 销量最高的商品、客户所在的 城市、客户过去的购买行为和购买记录。 北 京 交 通 大 学 专 业 硕 士 学 位 论 文 … 电 子 商 务 个 性 化 推 荐 理 论 介 绍 4 个性化推荐系统的工作原理 首先是基础数据包含个人信息、评分、历史行为、以及社会化 关系，然后根据收集到的信息分析用户喜好，建立用户模型，最后选择合适的推荐技术进行推荐并将结果展示给用户。 实现个性化服务的关键是对 Web 用户的浏览信息进行正确的分析，准确掌握用户兴趣。 只有通过用户浏览信息数据和其他方式的用户行为，才能准确地找出用户的浏览兴趣，从而向用户推荐感兴趣的产品，同时也才能在不同的用户群之间进行精准地协作过滤推荐。 准确地掌握用户的兴趣可包括两个方面： 1) 从用户浏览行为中准确地挖掘出隐藏的用户个性化的兴趣信息； 2) 采用准确的表示方法来表示用户兴趣。 个性化服务系统主要包括四个主要部分：文本页 面的特征提取、基于用户浏览内容的兴趣挖掘、基于用户浏览行为的兴趣分析和推荐服务。 个性化推荐在电子商务中的应用 现在的电子商务网站上都有大量的商品，而个性化的推荐应用在其中起了非常大的作用，著名的电子商务网站就是个性化推荐的积极应用者和推广者，被 RWW（读写网）称为推荐系统之网。 国内的淘宝网，京东商城等电子商务网站也无一例外的使用了推荐系统为用户提供更好的购物体验。 图 21亚马逊（ )的个性化推荐列表 Amazon Personalized Remendation List 图 21 就是亚马逊中国（ ）的个性化推荐列表，它包含了一下几个部分：推荐结果的标题，推荐结果的平均分以及推荐理由。 该系统会去寻找用户之前喜欢过的物品，然后找出那些和这些物品相似的当用户没有接触过的物品然后推荐给用户。 比如用户以前买过一本星座相关的书籍，那么就可以向用户推荐一本血型相关的书籍，因为这两本书都是属性相近的。 北 京 交 通 大 学 专 业 硕 士 学 位 论 文 … 电 子 商 务 个 性 化 推 荐 理 论 介 绍 5 除了这种推荐方法，亚马逊也还有其他的推荐方法，就是按照用户在 Facebook 的好友关系，给用户推荐他们的好友在亚马逊上喜欢的物品。 图 22亚马逊的相关推荐列表 (1) Related Remended a list of Amazon(1) 图 23亚马逊的相关推荐列表 (2) Related Remended a list of Amazon(2) 图 22 和图 23 则是另外一种推荐方式 相关推荐列表。 当你在购买一个商品的时候，网站会向你推荐相关商品。 图 22 推荐的是购买过这个这个商品的人同时还购买的其他商品，图 23 则推荐浏览过这个商品的人同时还购买的其他商品。 显然 图 22 的推荐更有说服力，然后这些推荐都是通过收集海量的数据并计算出来的，所以图 23 的推荐的商品也是具有相关性的，因为用户在买一类东西的时候会先去浏览各种相似的商品然后货比三家，这些浏览过的数据也是具有信息价值的。 北 京 交 通 大 学 专 业 硕 士 学 位 论 文 … 电 子 商 务 个 性 化 推 荐 理 论 介 绍 6 然后这些推荐系统给亚马逊带了多少的商业利益呢，在这方面的准确数字官方也没有给出过答案，亚马逊的前科学家 Greg Linden 在他的博客曾说过推荐系统帮助亚马逊销售了 20%的商品。 此外，前首席科学家 Andreas Weigend 在给他们的同学们上课的时候也透露推荐算法帮助亚马逊买了 20%30%的商品。 电子商务个性化推荐系统 电子商务个性化推荐系统是帮助客户决定购买什么商品的系统。 推荐系统的服务对象是客户 ,系统的目标是为客户提供项目推荐。 客户是指推荐系统的使用者 ,即电子商务网站中的客户。 项目则是被推荐的对象 ,即电子商务网站中的商品或服务 ,也就是最终推荐给用户的内容。 本节先介绍了电子商务个性化推荐系统的概念和分类，然后介绍了电子商务个性化推荐系统的研究现状和研究意义。 电子商务个性化推荐系统的概念 随着数字技术的飞速发展和互联网络的全面普及应用，人类进入了信息社会和网络经济时代，企业发 展和个人生活都被深深影响着。 随着网络交易的机制被大多数人接受之后，电子商务网站纷纷崛起，因为网络交易的成本低廉，人们通过互联网络进行商务活动，可以创造出新的商机。 电子商务的发展模式对企业提出了了许多新的要求，比如商品选购舒适、送货及时、商品的质量保证、退换货方便等等，其中最为突出的问题是商品选购。 因为在电子商务处在虚拟的环境中，商家尽可能多的在网上提供自己所能提供的商品，品类繁多，用户很难在一个网页上发现自己感兴趣的商品，用户或者没有时间，或者不愿意在网上漫无边际的寻找商品。 虽然目前在信息检索界提供了许多搜索引擎如百度， Google 等可以帮助用户在大互联网中根据关键字寻找到自己所需的信息，但是此类搜索引擎自动化程度较低，属于被动系统。 并且其搜索结果中鱼龙混杂，使用者常常需要过滤掉大部分垃圾信息或不准确的信息，依然要花费很大精力才能找出自己真正需要的信息。 此外，浏览某个电商网站时，使用者根本不知道这个商家提供了某项商品，当然更不可能去搜索寻找了。 这种情况下，是否主动送出的推荐就显得尤为重要。 在这种需求趋势下，出现了电子商务个性化推荐系统。 电子商务推荐系统被定义为：“利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程 [1]。 ”北 京 交 通 大 学 专 业 硕 士 学 位 论 文 … 电 子 商 务 个 性 化 推 荐 理 论 介 绍 7 这是一种提升电子商务零售网站整体营销性能的个性化推荐工具，也是目前电商网站为了促进网站发展，增加经济效益，吸引新客户并留住老客户的一种有效手段。 电子商务推荐系根据用户制定个性化营销策略，并在合适的时候提供用户最需要的信息，提升用户忠诚度，提高用户购物体验。 电子商务个性化推荐系统的分类 电子商务个性化推荐系统围绕客户为中心，提供对用户的服务，根据系统推荐的持久性和自动 化程度对电子商务个性化推荐系统进行分类 [2]。 自动化 程度。 自动化程度从客户的角度来说，就是需要客户为系统手工输入提供自身所需要的信息的多少，系统才能根据这些信息进行处理从而提供相关的推荐。 从这个角度来看，自动化程度范围从系统对客户一无所知的全手工推荐，到系统自动根据用户的操作历史从而主动推送的全自动推荐。 持久性。 持久性是指推荐系统产生的推荐是基于客户当前的会话产生的相关信息还是包括客户历史会话的信息进行推荐的。 持久性的维度划分范围从完全暂时性的推荐到完全永久性的推荐。 完全暂时性的推荐仅仅基于客户当前 唯一的会话，不考虑客户先前会话的任何信息。 永久性的推荐考虑客户历史的会话，综合客户的多个对话来产生推荐。 电子商务个性化推荐系统根据自动化和持久性程度，可以分为以下四种类型 [2]： 非个性化电子商务个性化推荐系统。 以其他客户对商品做出的评价为基础，向用户做出推荐，或者根据电子商务系统的销售排行等与特定用户无关的输入信息进行推荐。 这种推荐技术是与特定用户无关，独立于目标用户，对所有用户推荐的内容都是相同的。 非个性化电子商务个性化推荐系统的推荐方式属于自动化方式推荐，产生推荐于用户的任意会话，不区分用户个体， 是瞬时的推荐，个性化程度为零。 基于属性的电子商务个性化推荐系统。 这种推荐方式类似与搜索引擎的方式，需要用户手动输入商品的属性特征，然后根据商品的属性特征为用户生成推荐列表。 因而属于手动方式推荐，推荐可以是根据用户单个会话产生的，也可以是根据用户多个会话产生的。 基于商品相关性的推荐系统。 根据商品间的相关程度向用户推荐相应的商品。 基于商品相关性的推荐北 京 交 通 大 学 专 业 硕 士 学 位 论 文 … 电 子 商 务 个 性 化 推 荐 理 论 介 绍 8 系统即可以是全自动化方式的推荐系统，还能是全手动方式的推荐系统。 基于商品相关性的推荐系统是依据于用户的单个会话。 基于用户相关性的推荐系统。 也称为协同过滤 推荐系统。 基于用户相关性的推荐系统先查找目前用户的最近邻居，再根据最近邻居的购买记录、评分信息为当前用户进行推荐。 用户相关推荐不用用户显式输入信息。 推荐是基于用户的多个会话产生的。 电子商务个性化推荐系统研究现状 我国的电子商务个件化推荐系统与国外还有一定的差距，主要表现在以下几个方面： 多数为普适性的推荐，缺少针对个人的推荐：目前的电子商务网站从全部的角度出发，通过分类推荐的方式，把推荐结果展示给用户，这样造成了推荐结果和用户兴起不一致的情况，影响了电子商务个性化推荐的效果。 个性化推荐系统的智能化程度较低：目前现有的电子商务企业需要客户多次的访问，同时需要输入相关的个人信息，推荐系统才可以基于这些信给用户提供个性化的服务，然而这样增加了用户的负担，降低了用户体验。 持久性比较差：目前国内的个性化推荐技术是依赖用户当前的会话，并没有采用以前的历史访问记录，使得个性化推荐系统的持续性比较低。 推荐的方式过于单一：国内的网站多是基于单一模式的推荐技术，缺少多种推荐策略的混合使用。 在从 Web 日志数据挖掘转向用户兴趣模型方面，刑东山 [3]提出的支持 偏爱度的概念，设计了网站访问矩阵，并基于这个矩阵提出了用户浏览偏爱路径挖掘算法，该算法能准确地反映用户浏览兴趣。 沈均毅 [4]等人提出首先以 Web 站点的 URL为行，以 UserlD 为列，建立 URL_UserID 关联矩阵，每个单元的元素值为用户的访问次数。 然后，对列向量进行相似度的检测和分析，从而得到相似客户群体，同时对行向量进行相似度的检测和分析，获得相关 Web 页面，然后再对相关页面进一步分析和处理，就能够发现频繁访问路径。 王熙法 [5]等人在文献中提出使用神经网络方法的用户行为分析方法，先对 Web 日志文件进行预 处理分析，然后再从网站会话中找出频繁项集，进一步规范化处理后得出用户聚类，聚类分区通过将用户或商品项进行聚类分区 ,相似性和商品推荐的计算在分区内或分区之间进行从而大大降低了数据空间的大小和数据的稀疏程度，提高了算法效率和准确度 [6]。 关于推荐系统的研究起源较早，在 90 年代中后期出现了第一批协同过滤的文章 [79]， Breese[10]等人将协同过滤技术分为两类：基于内容和基于模型的协同过滤。 北 京 交 通 大 学 专 业 硕 士 学 位 论 文 … 电 子 商 务 个 性 化 推 荐 理 论 介 绍 9 Cyrus Shahabi 等人综合两种推荐技术的优势，设计离线线挖掘模式和在线模式为一体的挖掘方法，一定程度上提高了 电子商务推荐系统的精准度和实时性 [11]。 Giovanni Semeraro 等人基于网页内容过滤中，引入语义分析技术，概括用户信息并进行聚类分析，然后使用协同过滤技术向用户进行个性化的推荐，提高了推荐系统的精准度和扩展性 [12]。 张丙奇 [13]提出了利用领域知识进行相似度计算的协同过滤算法，使用户在评分的共同项目很少或为零的情况下也能找到最近邻进行协同推荐。 算法解决了传统协同过滤算法中相似性度量方法“过严”的问题，在过滤初期显著地提高了推荐质量。 针对推荐系统不精确的研究方面，刘枚莲提出一种改进邻居集合的个 性化推荐算法，该算法赋予每项评分一个按时间逐步递减的权重，利用加权后的评分寻找目标用户的最近邻居。 张新猛提出一种基于协同过滤的网络论坛个性化推荐算法，采用加权方法计算用户帖子的评分矩阵，获取邻近用户集合，通过邻居用户的来预测和推荐给用户分数最高的帖子。 邓爱林提出了项目预测评价的协同个过滤算法，并在此基础上用相识度方法计算目标用户的邻居，算法可以有效地解决用户评分数据极端稀疏情况下传统相似性度量方法存在的问题，显著地提高推荐系统的推荐质量。 在推荐系统中应用最广泛和最成功的是混合推荐系统 [1417]，常用的 混合推荐方法 [18]有： 1. 权重型，根据多个推荐方法的计算结果结合而成，如 P Tango 系统 [19]； 2. 转换型，几个推荐方法根据具体情况切换； 3. 合并型，一起呈现多个推荐方法的结果 [20]； 4. 特征组合，把协同过滤信息看作为商品的附加特征，再采用基于内容的推荐技术 [21]。 文献【 22】中，郭艳红运用基于内容预测的方法，对电子商务推荐系统内未被用户评价过的产品进行评分预测，通过 2 种优化步骤，把预测不准确的用户评分进行过。