基于顧客交易數(shù)據(jù)的電子商務(wù)推薦方法研究

摘要：文章首先簡(jiǎn)要介紹了電子商務(wù)個(gè)性化推薦系統(tǒng)的概念、分類及作用，并綜述了幾種主要的協(xié)同過濾推薦技術(shù)；然后針對(duì)當(dāng)前推薦系統(tǒng)的缺點(diǎn)提出了基于顧客交易數(shù)據(jù)的協(xié)同過濾推薦方法；最后簡(jiǎn)單評(píng)述了電子商務(wù)個(gè)性化推薦領(lǐng)域所面臨的挑戰(zhàn)及需解決的問題。

關(guān)鍵詞：電子商務(wù)；推薦系統(tǒng)；協(xié)同過濾；交易數(shù)據(jù)

一、電子商務(wù)個(gè)性化推薦系統(tǒng)簡(jiǎn)介

1． 電子商務(wù)個(gè)性化推薦系統(tǒng)的概念。在文獻(xiàn)“1”中，Resnick等對(duì)電子商務(wù)網(wǎng)站個(gè)性化推薦系統(tǒng)進(jìn)行了明確的定義，即利用電子商務(wù)網(wǎng)站向客戶提供商品信息和建議，幫助用戶選擇應(yīng)該購買的商品，模擬銷售人員幫助客戶完成購買過程。推薦系統(tǒng)首先要分析以前的顧客行為數(shù)據(jù)，建立表示顧客行為的模型，并充分利用模型模擬商店銷售人員向用戶提供商品推薦，幫助用戶找到所需商品，從而順利完成購買過程。

2． 電子商務(wù)網(wǎng)站個(gè)性化推薦系統(tǒng)的分類。根據(jù)用戶獲得推薦系統(tǒng)推薦的自動(dòng)化程度和持久性程度我們可以將電子商務(wù)個(gè)性化推薦系統(tǒng)分為以下幾類：（1）基于產(chǎn)品屬性的推薦系統(tǒng)：根據(jù)商品的屬性特征向用戶產(chǎn)生推薦列表。（2）相關(guān)產(chǎn)品推薦系統(tǒng)：根據(jù)客戶感興趣的產(chǎn)品推薦相關(guān)的產(chǎn)品。（3）相關(guān)客戶推薦系統(tǒng)：又稱協(xié)同過濾推薦系統(tǒng)，它是根據(jù)客戶與其他已經(jīng)購買了商品的客戶之間的相關(guān)性進(jìn)行推薦。

3． 電子商務(wù)個(gè)性化推薦系統(tǒng)的作用。電子商務(wù)網(wǎng)站可以使用推薦系統(tǒng)來分析顧客的消費(fèi)偏好，向每個(gè)顧客具有針對(duì)性地推薦商品，幫助用戶從龐大的商品目錄中挑選適合自己需要的商品。電子商務(wù)個(gè)性化推薦系統(tǒng)的作用主要表現(xiàn)在三個(gè)方面：（1）將電子商務(wù)網(wǎng)站的瀏覽者轉(zhuǎn)變?yōu)橘徺I者；（2）提高電子商務(wù)網(wǎng)站的交叉銷售能力；（3）提高客戶對(duì)電子商務(wù)網(wǎng)站的忠誠度。

二、 協(xié)同過濾推薦技術(shù)

目前推薦系統(tǒng)中應(yīng)用到的個(gè)性化推薦技術(shù)有很多，例如協(xié)同過濾推薦技術(shù)、基于內(nèi)容推薦技術(shù)、基于人口統(tǒng)計(jì)信息推薦技術(shù)、基于效用推薦、基于知識(shí)推薦、基于關(guān)聯(lián)規(guī)則推薦和混合推薦技術(shù)等等。而在眾多推薦技術(shù)當(dāng)中，協(xié)同過濾推薦（collaborative filtering recommendation）是目前研究最多并且應(yīng)用最成功的個(gè)性化推薦技術(shù)。以下是目前所應(yīng)用的幾種協(xié)同過濾推薦技術(shù)。

1． User—based協(xié)同過濾。該推薦是根據(jù)其他用戶的觀點(diǎn)產(chǎn)生對(duì)目標(biāo)用戶的推薦列表。它使用統(tǒng)計(jì)技術(shù)搜索目標(biāo)用戶的若干最近鄰居，然后根據(jù)最近鄰居對(duì)項(xiàng)的評(píng)分預(yù)測(cè)目標(biāo)用戶對(duì)未評(píng)分項(xiàng)的評(píng)分，選擇預(yù)測(cè)評(píng)分最高的前若干項(xiàng)作為推薦結(jié)果反饋給用戶。

2． Item—based協(xié)同過濾。根據(jù)用戶對(duì)相似項(xiàng)的評(píng)分預(yù)測(cè)該用戶對(duì)目標(biāo)項(xiàng)的評(píng)分。它使用統(tǒng)計(jì)技術(shù)找到目標(biāo)項(xiàng)的若干最近鄰居，由于當(dāng)前用戶對(duì)最近鄰居的評(píng)分與對(duì)目標(biāo)項(xiàng)的評(píng)分比較類似，所以可以根據(jù)當(dāng)前用戶對(duì)最近鄰居的評(píng)分預(yù)測(cè)當(dāng)前用戶對(duì)目標(biāo)項(xiàng)的評(píng)分，然后選擇預(yù)測(cè)評(píng)分最高的前若干項(xiàng)作為推薦結(jié)果反饋給用戶。

3． 基于Horting圖的協(xié)同過濾。它是一種基于圖表的技術(shù)，圖中的節(jié)點(diǎn)代表顧客，連接節(jié)點(diǎn)的邊顯示兩個(gè)顧客之間的相似度。通過沿著圖尋找鄰近節(jié)點(diǎn)并且結(jié)合鄰近顧客的評(píng)價(jià)產(chǎn)生預(yù)測(cè)。Horting圖技術(shù)不同于最近鄰居查詢，因?yàn)橥ㄟ^圖可以搜索到對(duì)目標(biāo)項(xiàng)沒有進(jìn)行評(píng)分的顧客，這樣就可以發(fā)現(xiàn)最近鄰居算法所考慮不到的過渡關(guān)聯(lián)。

4． Cluster—based協(xié)同過濾。該技術(shù)將整個(gè)用戶空間根據(jù)用戶的購買習(xí)慣和評(píng)分特點(diǎn)劃分為若干不同的聚類，從而使得聚類內(nèi)部用戶對(duì)項(xiàng)的評(píng)分盡可能相似，而不同聚類間用戶對(duì)項(xiàng)的評(píng)分盡可能不同。根據(jù)每個(gè)聚類中用戶對(duì)商品的評(píng)分信息生成一個(gè)虛擬用戶，將所有虛擬用戶對(duì)商品的評(píng)分作為新的搜索空間，查詢當(dāng)前用戶在虛擬用戶空間中的最近鄰居，產(chǎn)生對(duì)應(yīng)的推薦結(jié)果。這種方法有效地提高了推薦算法的實(shí)時(shí)響應(yīng)速度。

5． 基于降維的協(xié)同過濾。該推薦方法將奇異值分解應(yīng)用到協(xié)同過濾推薦算法中，用奇異值分解算法分解后的低維正交矩陣在原始矩陣基礎(chǔ)上降低了噪音，并且可以更有效地揭示用戶和商品的潛在關(guān)聯(lián)。這種算法較好的解決了數(shù)據(jù)稀疏性問題，但推薦的精確性會(huì)有一定的下降。

6． 基于Bayesian網(wǎng)絡(luò)的協(xié)同過濾。該推薦技術(shù)是基于訓(xùn)練數(shù)據(jù)集建立一個(gè)模型，訓(xùn)練集是一個(gè)決策樹，并且每個(gè)節(jié)點(diǎn)和邊都描述了顧客信息。在關(guān)于顧客偏好的知識(shí)變化相對(duì)于建模時(shí)間較慢的環(huán)境中，Bayesian網(wǎng)絡(luò)技術(shù)顯得更具實(shí)用價(jià)值。

三、 基于顧客交易數(shù)據(jù)的電子商務(wù)推薦系統(tǒng)

1． 電子商務(wù)推薦系統(tǒng)存在的問題。盡管提出了這么多種推薦技術(shù)，然而大部分推薦系統(tǒng)都沒有針對(duì)性，對(duì)待瀏覽者（未注冊(cè)）、新顧客（已注冊(cè)但未進(jìn)行購買）和老顧客（有購買記錄的注冊(cè)用戶）都是應(yīng)用同樣的推薦方法，并沒有體現(xiàn)出個(gè)性化。其次，傳統(tǒng)協(xié)同過濾推薦模型的輸入即數(shù)據(jù)源，大都是基于顧客評(píng)分/評(píng)價(jià)或是簡(jiǎn)單的購買/未購買記錄。基于顧客評(píng)分/評(píng)價(jià)的推薦系統(tǒng)采用顧客評(píng)分的方法，通過獲得的評(píng)價(jià)值來反映顧客的購買興趣，這種方法缺乏通用性，因?yàn)槭占u(píng)分?jǐn)?shù)據(jù)需要顧客的一些額外配合，這并不是每一個(gè)電子商務(wù)網(wǎng)站都能做到的，其推薦結(jié)果也不一定客觀，同時(shí)還存在數(shù)據(jù)稀疏性問題、推薦準(zhǔn)確性問題等等。也有的推薦系統(tǒng)采用簡(jiǎn)單的購買/未購買交易記錄，通過這些購買行為數(shù)據(jù)來反映顧客的興趣，這種方法雖然考慮到了顧客的購買經(jīng)歷，但是它卻不能動(dòng)態(tài)地反映顧客的興趣變化，推薦結(jié)果自然不能令顧客十分滿意。更重要的是，目前很少推薦系統(tǒng)考慮到顧客忠誠度及其對(duì)商品推薦的影響，在當(dāng)今競(jìng)爭(zhēng)日趨激烈的環(huán)境下，識(shí)別顧客的忠誠度在幫助決策者更加清晰地定位目標(biāo)市場(chǎng)過程中顯得更加重要，為了制定更有效的銷售策略，我們應(yīng)在商品推薦過程中著重對(duì)顧客忠誠度的研究。

2． 基于顧客交易數(shù)據(jù)的協(xié)同過濾推薦方法。針對(duì)目前推薦系統(tǒng)的弱點(diǎn)本文提出基于顧客交易數(shù)據(jù)的個(gè)性化商品推薦思想。該推薦思想的創(chuàng)新之處在于它是專門針對(duì)老顧客提供高質(zhì)量推薦，推薦模型的輸入是這些老顧客的購買歷史即以往的實(shí)際交易數(shù)據(jù)。

購買歷史記錄中有大量的交易信息，但并不是每一項(xiàng)信息都應(yīng)該或者都能被考慮到，所以選擇能夠更好的體現(xiàn)顧客購買偏好的交易信息是推薦過程中很重要的環(huán)節(jié)。一般顧客的購買偏好經(jīng)常表現(xiàn)為經(jīng)常性購買某種商品或者在某種商品上花費(fèi)很多金額，而這種購買行為正體現(xiàn)了一個(gè)顧客對(duì)商品或站點(diǎn)的忠誠度。所以可以通過對(duì)顧客忠誠度進(jìn)行評(píng)價(jià)來度量顧客的購買偏好。RFM方法是目前應(yīng)用最廣泛的一種顧客忠誠度評(píng)價(jià)方法，即用RFM數(shù)據(jù)來表現(xiàn)顧客特征，從而對(duì)不同的顧客采取不同的市場(chǎng)策略。本文也正是應(yīng)用該理論，從顧客的交易數(shù)據(jù)庫中抽取顧客購買商品項(xiàng)目的RFM值，并在此基礎(chǔ)上分析顧客的購買偏好。

RFM分析方法的基本思想是通過3個(gè)重要的顧客行為指標(biāo)，即最近購買時(shí)間R（Recency），購買頻率F（Frequency），總購買金額M（Monetary）來判斷顧客對(duì)某種商品的偏好程度。從交易數(shù)據(jù)庫中很容易獲得m個(gè)顧客對(duì)n個(gè)商品項(xiàng)的RFM指標(biāo)值，這樣便可得到顧客—商品項(xiàng)RFM分析矩陣。通過獲得的顧客—商品項(xiàng)RFM分析矩陣，我們可以很好的度量顧客的購買偏好。但對(duì)于一個(gè)具有多顧客多商品的大型網(wǎng)站來說，從交易數(shù)據(jù)庫中分別獲得的RFM指標(biāo)值也會(huì)較多，這樣決策者依據(jù)這些值來進(jìn)行分析就顯得過于繁瑣。為了解決這一問題，可以用綜合指標(biāo)值WRFM來描述顧客對(duì)商品的忠誠度，且

WRFMij=WRRij＋WFFij＋WMMij

其中WRFMij表示第i個(gè)顧客對(duì)第j個(gè)商品項(xiàng)的綜合指標(biāo)值，Rij、Fij和Mij 分別表示第i個(gè)顧客對(duì)第j個(gè)商品項(xiàng)的RFM指標(biāo)值，WR、WF和WM是應(yīng)用RFM變量的相對(duì)權(quán)重。由此可得顧客—商品項(xiàng)WRFM分析矩陣。

獲得的顧客—商品項(xiàng)WRFM分析矩陣即作為協(xié)同過濾商品推薦系統(tǒng)模型的輸入，從而為顧客提供個(gè)性化的商品推薦。

四、 總結(jié)

本文在分析當(dāng)前推薦系統(tǒng)缺點(diǎn)的基礎(chǔ)上提出了基于顧客交易數(shù)據(jù)的協(xié)同過濾推薦方法，該思想突破傳統(tǒng)協(xié)同過濾推薦模型將顧客評(píng)分/評(píng)價(jià)或是簡(jiǎn)單的購買/未購買記錄作為模型的輸入，而提出將顧客的購買歷史即以往的實(shí)際交易數(shù)據(jù)作為模型的數(shù)據(jù)源，由此而建立的模型具有良好的通用性，實(shí)現(xiàn)起來比較簡(jiǎn)潔，而且能夠動(dòng)態(tài)地把顧客興趣變化反映到推薦結(jié)果當(dāng)中。

但是電子商務(wù)推薦系統(tǒng)還是存在很多問題，例如數(shù)據(jù)稀疏性問題（Sparsity）、冷開始問題（Cold—start）、奇異發(fā)現(xiàn)問題（Serendipity）、健壯性分析、評(píng)價(jià)數(shù)據(jù)模型、自動(dòng)化推薦問題以及多種數(shù)據(jù)和多種推薦技術(shù)的有效集成問題等等。

未來電子商務(wù)網(wǎng)站個(gè)性化推薦研究要對(duì)下面幾個(gè)問題進(jìn)行更進(jìn)一步的探討。（1）有效地解決用戶評(píng)分?jǐn)?shù)據(jù)的極端稀疏性問題，對(duì)推薦算法要進(jìn)一步改進(jìn)，提高推薦算法性能及實(shí)時(shí)性，以使推薦系統(tǒng)能產(chǎn)生更精確、實(shí)時(shí)的推薦；（2）根據(jù)用戶行為向用戶提供完全自動(dòng)化的推薦；（3）將電子商務(wù)推薦系統(tǒng)由虛擬的銷售人員轉(zhuǎn)變?yōu)槭袌?chǎng)分析工具，增強(qiáng)其市場(chǎng)分析能力；（4）利用盡可能多的信息，收集多種類型的數(shù)據(jù)并有效集成，從而提供更加精確而有效的推薦；（5）增強(qiáng)推薦系統(tǒng)的功能，集成企業(yè)銷售系統(tǒng)、客戶關(guān)系管理系統(tǒng)和供應(yīng)鏈系統(tǒng)等企業(yè)信息系統(tǒng)，共同為企業(yè)的產(chǎn)品定價(jià)、銷售等提供決策支持；（6）對(duì)于站點(diǎn)的老顧客，推薦系統(tǒng)要試圖從他們的購買記錄即交易數(shù)據(jù)中獲得更多的信息，從而提供更準(zhǔn)確、高質(zhì)量的推薦，提高他們的忠誠度；（7）在不需要用戶提供主觀評(píng)價(jià)信息的條件下，為非注冊(cè)用戶提供更高質(zhì)量的推薦；（8）為了適用于多種不同的商業(yè)應(yīng)用環(huán)境，電子商務(wù)個(gè)性化推薦系統(tǒng)要將多種模型集成到一起，例如同時(shí)提供關(guān)聯(lián)規(guī)則推薦模型、熱門銷售推薦模型和協(xié)同過濾推薦模型等。

參考文獻(xiàn)：

1．Resnick and Varian．Recommender systems．Communications of the ACM，1997，40（3）：56-58．

2．Schafer J B，Konstan J，Riedl J．Recommender systems in e—commerce．Proceedings of the First ACM Conference on Electronic Commerce．Denver，1999：158-166．

3．Ben J，Konstan J A，John R．．E—commerce recommendation applications．University of Minnesota，2001．

作者簡(jiǎn)介：趙曉煜，東北大學(xué)工商管理學(xué)院副教授、博士；丁延玲，東北大學(xué)管理科學(xué)與工程專業(yè)碩士生。