基于三維協(xié)同過濾的C2C電子商務(wù)推薦系統(tǒng)

艾丹祥，左 暉，楊 君

(1.廣東工業(yè)大學(xué)管理學(xué)院，廣東廣州510520;2.廣東工業(yè)大學(xué)經(jīng)濟(jì)與貿(mào)易學(xué)院，廣東廣州510520)

0 引言

電子商務(wù)推薦系統(tǒng)是互聯(lián)網(wǎng)環(huán)境下解決信息過載和吸引客戶的有效途徑，已廣泛應(yīng)用于各種電子商務(wù)網(wǎng)站［1-2］。它通過分析用戶的歷史行為，發(fā)現(xiàn)用戶的興趣需求和購買模式，有針對性地進(jìn)行商品或服務(wù)推薦。協(xié)同過濾是目前最成功的推薦技術(shù)之一［3］。傳統(tǒng)的協(xié)同過濾推薦主要針對B2C(business to customer)電子商務(wù)模式設(shè)計，推薦過程只涉及兩個維度: “用戶和商品”，推薦的基本任務(wù)為:“計算用戶和商品的相關(guān)度，并從商品集合中選擇與用戶相關(guān)度最高的若干商品進(jìn)行推薦”［4］。然而這種二維協(xié)同過濾方法并不能較好地適用于C2C(customer to customer)電子商務(wù)中的推薦問題。C2C電子商務(wù)網(wǎng)站中不但存在大量的商品，還存在大量的賣家，且同一商品被多個賣家同時銷售的情況非常普遍。這使得C2C網(wǎng)站中的買家面臨的不僅是一組商品，而是一個由賣家和商品形成的銷售網(wǎng)絡(luò)。買家既要選擇喜愛的商品，也要選擇合適的賣家。因此C2C網(wǎng)站中的推薦問題變得更為復(fù)雜，涉及到買家、賣家和商品三個維度，推薦任務(wù)也變?yōu)?“計算買家、賣家和商品三者間的相關(guān)度，并從銷售網(wǎng)絡(luò)中選擇與買家相關(guān)度最高的若干商品及銷售該商品的賣家進(jìn)行推薦。”由于二維協(xié)同過濾方法只能推薦商品而不能同時推薦賣家，因此其用于C2C網(wǎng)站時具有較大的局限性。通常C2C網(wǎng)站會提供一些簡單的賣家篩選策略，如根據(jù)價格高低、信用度大小、銷售量大小等屬性對賣家進(jìn)行排序。簡單篩選策略雖然可以在一定程度上彌補二維協(xié)同過濾推薦的缺陷，輔助買家對賣家進(jìn)行選擇，但是它沒有考慮買家選擇商品和選擇賣家的相關(guān)性，也沒有考慮買家對賣家的個性化要求。

針對上述問題，本文對傳統(tǒng)的二維協(xié)同過濾方法進(jìn)行擴(kuò)展，使其適用于C2C中“買家×賣家×商品”的三維推薦空間，并以此為基礎(chǔ)設(shè)計基于三維協(xié)同過濾［5］的C2C電子商務(wù)推薦系統(tǒng)，為C2C買家推薦個性化的賣家和商品組合。

1 二維協(xié)同過濾推薦

傳統(tǒng)的二維協(xié)同過濾技術(shù)依據(jù)“相似用戶具有相似興趣”的基本假設(shè)，在用戶群中找到目標(biāo)用戶的相似用戶，綜合這些相似用戶對某一商品的評價，形成目標(biāo)用戶對此商品的喜好程度預(yù)測［6］。相似用戶通常被稱為目標(biāo)用戶的“最近鄰”，通過計算用戶相似度來進(jìn)行識別。協(xié)同過濾的基本過程包括以下3步［7］:

(1)用戶建模［8］

協(xié)同過濾中典型的用戶模型為“用戶——項目”評分矩陣 (如表1所示)，通過采集所有用戶對所有項目的歷史評分形成。

表1 “用戶——項目”評分矩陣

評分值通常會被歸一化，取值范圍為 ［0，1］或 ［-1，1］之間，分值大小反映用戶對項目感興趣的程度，NULL表示用戶沒有對項目進(jìn)行過評分。

(2)最近鄰計算

最近鄰是指與目標(biāo)用戶興趣相似度最高的N個用戶。獲得最近鄰的關(guān)鍵在于計算用戶間的相似度。在協(xié)同過濾系統(tǒng)中，相似度通常基于兩個用戶對項目的共同評分來計算。測量用戶相似度的方法有很多，其中最常用的兩種是皮爾遜相關(guān)系數(shù)相似度和余弦相似度［9］。

(3)評分預(yù)測

一旦獲得目標(biāo)用戶的最近鄰，即可根據(jù)最近鄰的歷史評分計算目標(biāo)用戶對某項目的未知評分［10］。假設(shè)用戶u對項目i的未知評分為r(u，i)，則r(u，i)是N個最近鄰對項目i的評分的聚合值

2 基于三維協(xié)同過濾的推薦系統(tǒng)

2.1 三維協(xié)同過濾基本思想

一種將二維協(xié)同過濾方法直接擴(kuò)展到“買家×賣家×商品”三維推薦空間的方法是:將賣家和商品的組合視作一個項目，根據(jù)買家對此“項目”的共同評分計算買家最近鄰并預(yù)測未知評分。但此方法在實際計算時的效果很難保證。由于同時涉及到賣家和商品兩個維度，且C2C網(wǎng)站中可選的賣家和商品數(shù)通常都很龐大，使得兩個買家對同一賣家的同一商品進(jìn)行評分的情況較少出現(xiàn)，共同評分?jǐn)?shù)據(jù)由此變得非常稀疏，影響了相似度和未知評分的計算。為此，本文不僅僅對二維協(xié)同過濾方法進(jìn)行三維擴(kuò)展，而且依據(jù)“同一買家選擇的賣家應(yīng)彼此相似”的原則，引入對賣家相似度的計算，并依據(jù)賣家相似度以及賣家和商品間的銷售關(guān)系對評分?jǐn)?shù)據(jù)進(jìn)行適當(dāng)?shù)赝茢嗪吞钛a，減少三維數(shù)據(jù)的稀疏程度，保證推薦計算的有效性。

2.2 基于三維協(xié)同過濾的推薦系統(tǒng)架構(gòu)

圖1顯示了基于三維協(xié)同過濾的電子商務(wù)推薦系統(tǒng)的基本架構(gòu)。系統(tǒng)由用戶界面、數(shù)據(jù)存儲模塊和三維協(xié)同過濾推薦模塊3個部分構(gòu)成。

用戶界面部分負(fù)責(zé)實現(xiàn)與C2C買家的交互，一方面觀察和記錄買家的交易或評價行為，形成買家對賣家和商品的評分;另一方面為買家提供推薦的結(jié)果。

數(shù)據(jù)存儲模塊包含三個數(shù)據(jù)庫:買家評分?jǐn)?shù)據(jù)庫存儲買家對所購買的商品以及銷售商品的賣家的歷史評分;賣家-商品銷售關(guān)系數(shù)據(jù)庫記錄當(dāng)前賣家銷售商品的狀況;賣家屬性數(shù)據(jù)庫存儲賣家的各種特征屬性。C2C網(wǎng)站為了使買賣雙方的信息更加對稱，通常會展示賣家各方面的屬性，如信用度、銷售量、銷售價格、物流速度等，這些屬性是買家選擇賣家時的決定性因素，也是計算賣家相似度的主要依據(jù)。

圖1 基于三維協(xié)同過濾的電子商務(wù)推薦系統(tǒng)架構(gòu)

三維協(xié)同過濾推薦模塊是推薦系統(tǒng)的核心模塊，它與數(shù)據(jù)存儲模塊交互，完成三維協(xié)同過濾的運算，最終形成推薦結(jié)果，具體的推薦過程如下:

(1)根據(jù)賣家的屬性值，計算賣家間的相似度;

(2)利用賣家相似度對具有相似賣家的商品的評分進(jìn)行推斷，并對評分?jǐn)?shù)據(jù)進(jìn)行填補;

(3)利用協(xié)同過濾技術(shù)，依據(jù)買家對＜賣家，商品＞組合的共同評分，計算買家間的相似度，并將與目標(biāo)買家相似度最高的若干買家確定為目標(biāo)買家的最近鄰。

(4)以買家相似度和賣家相似度為權(quán)值，聚合前N個最近鄰的評分，預(yù)測目標(biāo)買家對＜賣家，商品＞組合的未知評分。

(5)將預(yù)測評分最高的若干＜賣家，商品＞組合推薦給目標(biāo)買家。

下一節(jié)將詳細(xì)描述三維協(xié)同過濾推薦中涉及到的4個關(guān)鍵運算:賣家相似度計算、買家評分?jǐn)?shù)據(jù)填補、買家相似度計算和買家未知評分預(yù)測。

2.3 三維協(xié)同過濾推薦的關(guān)鍵運算

2.3.1 賣家相似度計算

賣家之間的相似度由賣家的屬性 (信用度、好評率、價格水平等)決定，具有類似屬性值的賣家相似度較高。我們利用余弦相似度計算賣家相似度，假定賣家s和s'的相似度為sim(s，s')，其計算方法為

式中:fk(s)和 fk(s')——賣家 s和 s'的第 k個屬性值，n——屬性的數(shù)目。

2.3.2 買家評分?jǐn)?shù)據(jù)填補

對買家評分?jǐn)?shù)據(jù)進(jìn)行推斷和填補的基本思想為:假設(shè)賣家s和s'均銷售商品p，買家b從未對s和p進(jìn)行過評分，但曾對s'和 p給出過評分r(b，s'，p)，則根據(jù) r(b，s'，p)以及賣家s和s'的相似度可推斷b對s和p的評分r(b，s，p)，可以認(rèn)為賣家s和賣家s'越相似，r(b，s，p)和r(b，s'，p)的值也越接近。

假定rinference(b，s，p)為買家b對賣家s和商品p的評分推斷值，其計算方法為

式中:S(b，p)——銷售p且被b評分過的所有賣家。sim(s，s')——賣家s和s'的相似度。M——S(b，p)中的賣家數(shù)量。計算所得的rinference(b，s，p)將作為r(b，s，p)的替代值填入買家評分?jǐn)?shù)據(jù)中。

2.3.3 買家相似度計算

計算買家相似度的方法與二維協(xié)同過濾方法類似，即將＜賣家，商品＞視作一個整體項目，以經(jīng)過填補的買家評分?jǐn)?shù)據(jù)為基礎(chǔ)，依據(jù)買家對＜賣家，商品＞的共同評分計算相似度。假設(shè)買家b和b'的相似度為我們采用皮爾森相關(guān)系數(shù)進(jìn)行計算

2.3.4 買家未知評分預(yù)測

與二維協(xié)同過濾方法類似，我們通過對最近鄰評分的聚合來預(yù)測目標(biāo)買家b對賣家s和商品p的未知評分r(b，s，p)。聚合函數(shù)采用調(diào)整后的加權(quán)求和，因而有

3 實驗

為了驗證本文所提出的C2C電子商務(wù)系統(tǒng)的可行性與有效性，我們在windows平臺上，采用Java語言編程實現(xiàn)三維協(xié)同過濾推薦算法，并利用從淘寶網(wǎng)上采集的真實數(shù)據(jù)進(jìn)行模擬實驗。

3.1 數(shù)據(jù)集

數(shù)據(jù)集為2010年8月到10月佳能數(shù)碼照相機(jī)及其配件在淘寶網(wǎng)的銷售和評價記錄，每一條記錄由“買家、賣家、商品、評分”4項基本內(nèi)容構(gòu)成。原始數(shù)據(jù)共包含16564條記錄，涉及13183個買家，419個賣家和144個商品。為了使數(shù)據(jù)更好地適用于實驗驗證，我們對數(shù)據(jù)記錄進(jìn)行了篩選，去掉在該時間段只購買了1個商品的買家，最終獲得4138條記錄，涉及1557個買家，268個賣家和144個商品，其中賣家和商品的銷售關(guān)系共1171條。

根據(jù)淘寶網(wǎng)的信譽機(jī)制，在每筆交易完成后，買家可以根據(jù)購物體驗為商品和賣家進(jìn)行評分，每一個評分具有3個等級:好評、中評、差評。如果買家沒有在規(guī)定的時間內(nèi)進(jìn)行評分，則淘寶網(wǎng)會默認(rèn)給出好評。這種機(jī)制使得每一筆銷售記錄都具有相應(yīng)的評分。為了便于計算，我們將好評、中評、差評分別對應(yīng)于評分1、0.5和0，由此形成買家評分?jǐn)?shù)據(jù)。

除此以外，我們采集了淘寶網(wǎng)提供的關(guān)于賣家的19項屬性值，包括:成交數(shù)量、收藏人氣、瀏覽次數(shù)、價格等級、庫存數(shù)量、賣家信用度、好評率、虛擬商品交易比例、實物商品交易比例、寶貝與描述相符度評分、賣家的服務(wù)態(tài)度評分、賣家的發(fā)貨速度評分、是否如實描述、是否支持7天退換、是否支持正品保障、有無違規(guī)行為、有無退款糾紛、有無處罰情況、是否為淘寶商城。其中前12項為連續(xù)值屬性，在預(yù)處理階段對其值進(jìn)行分級排序，用1、2、3、4……表示不同的等級;后7項為二值屬性，取值為1和0。

3.2 評價指標(biāo)

為了評估三維協(xié)同過濾方法的推薦效果，我們采用了三個評價指標(biāo):召回率 (Recall)、準(zhǔn)確率 (Precision)和F-Measure［11］。其定義分別為

3.3 實驗過程

我們在數(shù)據(jù)集上同時實現(xiàn)三維協(xié)同過濾推薦和二維協(xié)同過濾推薦，并對其推薦效果進(jìn)行比較。三維方法將直接產(chǎn)生〈賣家、商品〉組合的推薦，而二維方法在產(chǎn)生商品推薦后，還需要通過簡單篩選策略為被推薦的商品組合相應(yīng)的賣家。具體過程如下:

實驗1:通過三維協(xié)同過濾推薦方法計算〈賣家、商品〉組合的推薦。

實驗2:通過二維協(xié)同過濾方法計算商品推薦，并通過價格排序為每個推薦商品組合價格最低的賣家

實驗3:通過二維協(xié)同過濾方法計算商品推薦，并通過信用度排序為每個推薦商品組合信用度最高的賣家

實驗4:通過二維協(xié)同過濾方法計算商品推薦，并通過銷售量排序為每個推薦商品組合銷售量最高的賣家

實驗5:通過二維協(xié)同過濾方法計算商品推薦，并為每個被推薦商品隨機(jī)的組合一個賣家。

3.4 實驗結(jié)果及分析

實驗結(jié)果如圖2至圖4所示。

圖2至圖4中的橫坐標(biāo)K表示保留的買家最近鄰數(shù)，取值分別為10、15、20、25、30。從圖中可以看出，當(dāng)需要推薦＜賣家，商品＞組合時，三維推薦方法在Recall、Precision和F-measure三個指標(biāo)上的表現(xiàn)都優(yōu)于二維推薦方法。此外，隨機(jī)選擇賣家的二維推薦方法表現(xiàn)好于其他幾種二維推薦方法，這從某種意義上說明買家對賣家的選擇并不是一個簡單的行為，可能受到各種因素的綜合影響。不同的買家對賣家的要求各不相同，單一的賣家篩選策略并不能很好的適應(yīng)不同買家的需求。而三維推薦方法的表現(xiàn)優(yōu)于各種二維推薦方法，說明通過計算賣家相似度和買家相似度能較好地為買家對賣家的個性化要求建模。

圖4 三維推薦與二維推薦F-measure指標(biāo)結(jié)果比較

4 結(jié)束語

本文針對C2C電子商務(wù)網(wǎng)站中的推薦問題，設(shè)計了一種基于三維協(xié)同過濾的電子商務(wù)推薦系統(tǒng)。該系統(tǒng)將傳統(tǒng)的二維協(xié)同過濾方法擴(kuò)展到“買家×賣家×商品”的三維推薦空間，依據(jù)買家的歷史評分和網(wǎng)站展示的賣家屬性，計算賣家相似度和買家相似度，在對評分?jǐn)?shù)據(jù)進(jìn)行適當(dāng)填補的基礎(chǔ)上，預(yù)測買家對＜賣家，商品＞組合的未知評分并據(jù)此形成推薦。實驗結(jié)果證明，該系統(tǒng)在C2C電子商務(wù)環(huán)境下能有效發(fā)現(xiàn)買家對賣家和商品的個性化需求，具有較好的推薦效果。

［1］LIU Pingfeng，NIE Guihua，Chen Dongli.A survey:Electronic commerce recommender systems ［J］.Journal of Information，2007，26(9):46-50(in Chinese).［劉平峰，聶規(guī)劃，陳冬林.電子商務(wù)推薦系統(tǒng)研究綜述 ［J］.情報雜志，2007，26(9):46-50.］

［2］XU Hailing，WUXiao，LIXiaodong，et al.Comparison study of internet recommendation system ［J］.Journal of Software，2009，20(2):350-362(in Chinese).［許海玲，吳瀟，李曉東，等.互聯(lián)網(wǎng)推薦系統(tǒng)比較研究［J］.軟件學(xué)報，2009，20(2):350-362.］

［3］Schafer J，F(xiàn)rankowski D，Herlocker J，et al.Collaborative filtering recommender systems［G］.LNCS 4321:Heidelberg:Springer Berlin，2007:291-324.

［4］Adomavicius G，Sankaranarayanan R，Sen S，et al.Incorporating contextual information in recommender systems using a multidimensional approach ［J］.ACM Trans Inf Syst，2005，23(1):103-145.

［5］LI Gai，PAN Rong，LI Lei.CubeALS:A novel approach to 3D collaborative filtering［J］.Journal of Frontiers of Computer Science and Technology，2012，6(2):156-164(in Chinese).［李改，潘嶸，李磊.CubeALS:新的三維協(xié)同過濾推薦算法［J］.計算機(jī)科學(xué)與探索，2012，6(2):156-164.］

［6］YU C，XU J R，DU X Y.Recommendation algorithm combining the user-based classified regression and the item-based filtering［C］//Proceedings of the8th International Conference on Electronic Commerce:The New E-commerce:Innovations for Conquering Current Barriers，Obstacles and Limitations to Conducting Successful Business on the Internet.New York:ACM Press，2006:574-578.

［7］GUO Yanhong，DENG Guishi.Improved personalized recommendation algorithm in collaborative filtering［J］.Application Research of Computers，2008，25(1):39-41(in Chinese).［郭艷紅，鄧貴仕.協(xié)同過濾的一種個性化推薦算法研究 ［J］.計算機(jī)應(yīng)用研究，2008，25(1):39-41.］

［8］WU Lihua，LIU Lu.User profiling for personalized recommending systems-a review ［J］.Journal of the China Society for Scientific and Technical Information，2006，25(1):55-62(in Chinese).［吳麗花，劉魯.個性化推薦系統(tǒng)用戶建模技術(shù)綜述［J］.情報學(xué)報，2006，25(1):55-62.］

［9］Adomavicius G，Tuzhilin A.Toward the next generation of recommender systems:A survey of the state-of-the-art and possible extensions［J］.IEEE Transactions on Knowledge and Data Engineering，2005，17(6):734-749.

［10］Ricci F，Rokach L，Shapira B，et al.Recommender systems handbook［M］.Berlin:Springer-Verlag，2011:1-842.

［11］LIU Jianguo，ZHOU Tao，GUO Qiang，et al.Overview of the evaluated algorithms for the personal recommendation systems ［J］.Complex Systems and Complexity Science，2009，6(3):1-8.(in Chinese).［劉建國，周濤，郭強，等.個性化推薦系統(tǒng)評價方法綜述.復(fù)雜系統(tǒng)與復(fù)雜性科學(xué)，2009，6(3):1-8.］