基于社會網絡協同過濾的社會化電子商務推薦研究*

琚春華，鮑福光，許翀寰

（1.浙江工商大學現代商貿研究中心 杭州 310018；2.浙江工商大學計算機與信息工程學院 杭州 310018；3.浙江工商大學工商管理學院 杭州 310018）

1 引言

隨著電子商務市場的迅速擴大、網絡零售交易量的激增，一些網絡交易平臺紛紛為其用戶提供各種推薦或者行為決策支持。同時，社會化媒體的出現、崛起并且迅速發展，不僅建立了消費者之間跨越時空的溝通，而且讓消費者可以參與媒體信息的制造和分享。在傳統的電子商務推薦模型中，主要通過銷量排行、信用排行或者價格排行等進行簡單的推薦。那么由社會化媒體構建的社會關系網絡對消費者網上商品的選擇和網絡行為是否具有重要的影響以及會產生怎樣的影響都值得進一步研究。

截至2013年12月，中國網民規模達6.18億人，其中，網絡購物用戶規模達3.02億人，即時通信網民（包括QQ、微信、旺信、易信等應用）規模達5.32億人次，即時通信使用率為86.2%[1]。即時通信服務一直是網民最基礎的應用之一，但是其一般不直接創造商業價值，更多的是在此基礎上提供增值服務和應用。然而，通過這種即時通信服務建立起來的社會關系網絡是相對穩定的，社會網絡關系（socialnetwork relationship,SNR）強度也相對較高。研究如何有效利用社會化媒體構建的社會關系網絡來實現有效的商品推薦具有十分重要的理論和實踐意義。

2 基于社會關系網絡的推薦系統研究

隨著社會網絡關系的不斷復雜化，傳統的依賴于單因素影響形成的用戶相似度或商品相似度的推薦方法已不能滿足推薦系統在精確度和多樣化方面的要求。人們逐漸發現商品是否符合用戶的實際需求或者是否推薦成功，除了基于商品本身的特征外，還受社會網絡關系的影響。商品本身的特征是指商品的固有性質，即不同領域差異性的集合。該特征構成影響消費者偏好差異的主要因素。社會網絡關系包括用戶對某商品的評論、朋友之間的互動等因素。事實上，很多用戶更加信任來自朋友的推薦，而非機器通過單因素計算出來的推薦結果。基于上述原因，構建一個融入社會網絡關系的電子商務推薦系統是十分必要的。

2.1 在線社會化關系網絡

社會關系網絡是指由一群相對獨立而又相互影響的個體及它們之間的關系組成[2]。隨著社會化媒體和網絡應用的迅速發展，線上的社會化關系網絡也得以在很短的時間內構建，并迅速壯大。社會網絡的聯系，使得社會心理學中的羊群效應（群體行為）對社會化電子商務產生了現實的影響。一些研究表明，社會網絡對電子商務有著重要的影響。這種影響常常是指人們的行為、態度和信仰會努力向所處的社會系統靠近。社會影響理論通常被稱為跟隨大多數可獲得的意見，而進行選擇的簡單行為[3]。

社會化電子商務正在以一種新市場浪潮的勢頭向人們靠近。有學者研究認為商品本身的質量和社會關系網絡的支持是影響消費者參與社會化電子商務的重要動機[4]。然而，比較之前的相關研究發現，基于在線社會網絡協同的電子商務推薦的研究和應用較少[5,6]。

2.2 推薦模型與方法

隨著互聯網的發展與電子商務的廣泛應用，推薦模型和方法已經引起了學術理論界和實踐應用界的廣泛關注。推薦的目的是在網絡信息過載的今天，選擇合適的信息和商品給合適的目標用戶[7]。現有的推薦模型和方法的相關研究主要分為以下3類[8]。

·基于內容的推薦機制，根據用戶歷史的購買偏好，推薦相似的商品。

·協同推薦機制，根據相似用戶的普遍偏好推薦項目或商品。協同推薦機制計算的是用戶的相似性而不是商品的相似性。

·混合推薦機制，結合基于內容推薦和協同過濾推薦的優點，利用基于內容的推薦獲取用戶歷史網絡行為和數據，同時利用協同過濾機制分析相似用戶的普遍共同偏好。

雖然這些相似性計算方法和推薦機制在一定程度上改善了應用環境以及突破了一些新的需求。但是，在社會網絡關系的環境下，這些方法都存在著一定的應用局限。傳統的基于內容的推薦機制或基于用戶協同的推薦機制已不能滿足推薦系統在精確度和多樣化方面的要求。在目前復雜的社會網絡關系環境下，用戶會更偏向信任自己的朋友，這樣在網絡上搭建起來的社會網絡會對推薦產生極其重要的影響。因此，構建一個融入社會網絡關系的電子商務推薦方法和模型是本文的立足點。

2.3 推薦系統

自從1995年，卡耐基梅隆大學的Robert Armstrong和斯坦福大學的Marko Balabanovic等在人工智能協會上分別推出個性化導航系統Web Watcher和個性化推薦系統LIRA以來，國內外研究和實踐人員紛紛對不同的推薦服務進行了研究。目前的信息推薦系統分為非個性化商務推薦系統、基于項目屬性的推薦系統、基于歷史行為的推薦系統、用戶相關性協同過濾推薦系統、基于項目相關性的協同推薦系統和基于多種方法的混合推薦系統等[9]。本文研究的系統屬于基于多種方法的混合推薦系統。

影響推薦系統服務質量的關鍵是用戶的興趣偏好模型的構建。目前已有的用戶興趣偏好模型研究包括用戶對特定項目的特定評論方式、基于情境的用戶偏好分析、基于用戶標簽的研究等。1999年Dey和Abowd定義了情境的概念，用來描述所處的環境特征和本質[10]。2012年張海燕等研究了基于社會標簽的推薦系統，用戶之間可以通過標簽進行標記和選擇[11]。2013年北京郵電大學的孟祥武等對移動網絡環境下的推薦系統關鍵技術與應用進行了分析和綜述[12]。上述推薦系統中相關用戶模型的構建雖然考慮了多因素的影響，但是未考慮社會網絡關系對用戶模型的影響。張佩云等將社會網絡融入個性化需求的可信服務推薦中，一定程度上改善了推薦的準確度[13]。本文在社會網絡關系相關研究的基礎上，將社會網絡關系強度、興趣偏好強度和商品流行性與聲望強度3個關鍵因子融入用戶興趣模型之中，構建基于社會網絡協同過濾的社會化電子商務推薦系統。

3 社會化電子商務推薦框架

隨著社會化媒體和網絡的迅速發展，用戶之間所建立的社會化關系網絡及其在該關系網上進行的交互評論等都會對網絡消費和行為產生重要的影響[14,15]。所以，要設計一個在社會化關系網絡下的電子商務推薦系統，應該合理考慮以下3個關鍵因素：

·網上商品與服務本身的屬性特征與關系；

·在線社會化關系網絡；

·在關系網上進行的關注、購買與交互評論等。

針對上述3個關鍵因素，本系統模型需要設計3個分析模塊，分別是社會網絡關系強度分析模塊、興趣偏好強度分析模塊、商品流行性與聲望強度分析模塊。

圖1為基于社會網絡協同的電子商務推薦模型。

3.1 商品關聯性與流行性

圖1 基于社會網絡協同的電子商務推薦模型

一般而言，一件商品的流行性和聲望越高，其推薦成功的可能性就越大，就越有推薦的價值。如圖2所示，可以用來衡量或影響商品流行性和聲望的主要因素包括銷售量（近一個月的銷售量）、用戶反饋（好評率、差評與描述評價）以及其競爭商品的實力（競爭商品的流行性與聲望或者在同類中的排名）。在本研究中，商品流行性與聲望是一項多因素融合的特征。不同因素對商品流行性與聲望的影響程度是不同的，因此，計算商品流行性與聲望PRs的表達式為：

其中，xij表示不同商品i的各個指標數值，wj表示不同指標因素j的權重。

圖2 影響商品流行性與聲望的主要因素

3.2 社會網絡關系相似性與交互性

社會網絡關系相似性與交互性分析是研究當前社會化網絡下的用戶行為的重要方面。用戶所處的社會網絡中的關系及其強度都會影響用戶的網絡行為。社會網絡關系是相對穩定的，社會網絡關系的交互性是動態的[16]。

社會網絡關系可以定義為:

其中，U={u1,u2,…,um}表示社會網絡中的用戶集，NU×U表示用戶集間通過聯系建立的網絡。P=Pu1∪Pu1∪…∪Pum，Pui表示用戶ui在網絡關系之間發表的評論、留言、標簽以及涉及ui的交互內容等的集合。

社會商品關系（social commodities relationship,SCR）可以定義為:

其中，A={a1,a2,…,an}表示平臺上的網絡商品集合，NU×U∈U×A表示用戶和商品之間的關系網絡（包括購買、評價等）。

用戶之間的社會關系（social relation,SR）是一個與社會相似度（social similarity,SS）、 社會互動度（social interaction,SI）以及社會群組（socialgroup,SG）有關的函數。

其中，wi表示各個影響因素的權重，SS(ui,fj)表示用戶ui與其好友fj之間的社會相似度，SI(ui,fj)表示用戶ui與其好友fj之間的社會互動度，SG(ui,fj)表示用戶ui與其好友fj之間的社會群組相似度。

用戶ui與其好友fj之間的社會相似度SS(ui,fj)是一個關于用戶購買相似度SimB(ui,fj)和評價相似度SimE(ui,fj)的函數。

其中，用戶購買相似度SimB(ui,fj)計算式如下:

評價相似度SimE(ui,fj)計算式如下:

用戶ui與其好友fj之間的社會互動度SI(ui,fj)是一個關于互動量和互動內容領域的函數:

其中，Interac(ui,fk)哿Pui表示相關內容領域的互動量；F(ui)表示用戶ui的好友集合。

用戶ui與其好友fj的社會群組相似度SG(ui,fj)是一個關于好友相似度SimF(ui,fj)和群組關系β的函數:

其中，F(ui)表示用戶ui的好友集合。

計算了用戶ui與其好友fj的關系強度SR(ui,fj)，那么用戶ui在該社會網絡關系中的商品關系網絡推薦度可以表示為:

其中，fj∈F∩A(ak)表示正好購買過商品ak的用戶ui的那一部分好友。

3.3 用戶興趣偏好

根據用戶的關注、收藏、購買、評價等歷史網絡行為，分析用戶的網購偏好，包括品牌偏好、價位偏好和對賣家的信用要求等，進而推薦適合不同用戶的社會化網絡商品。例如，某產品屬于某一特定的品牌，屬于某一特定的價位區間以及賣家當前的信譽等。用戶在網絡平臺上篩選某一產品，勢必會考慮這些因素，但是每個用戶的偏好或者閾值都存在差異。可以通過分析用戶歷史網絡行為，計算其對某類產品的興趣程度、偏好需求以及特征偏好權重。

用戶 ui對品牌 cj的偏好程度 BP（ui,cj）為：

其中，ak表示用戶曾購買的商品，Sum(ui,cj)表示用戶ui購買商品屬于品牌cj的總和，count(ui,cj)表示用戶ui購買的商品ak屬于cj則計為 1，否則計為 0。

用戶對商品ak的價位偏好度PP(ak)為：

其中，pik表示商品ak的實際價格，Max(pk)表示商品ak在網絡平臺上的最高價格，min(pk)表示商品ak在網絡平臺上的最低價格。

用戶ui對商品ak的信用偏好度SC(ak)為：

其中，SCik表示商品ak的賣家信用等級，max(SCk)表示商品ak在網絡平臺上的賣家最高信用等級，min(SCk)表示商品ak在網絡平臺上的賣家最低信用等級。

計算用戶ui對商品ak的興趣偏好程度IPs(ui,ak)，可以表示為：

4 實驗分析

實驗數據說明，淘寶和天貓平臺上的網絡交易量大，但是，目前在該平臺上的社會網絡關系并未建立（阿里旺旺、旺信以及來往上的好友關系并不明確，更不強烈）。然而，在QQ和微信平臺上雖然已經構建起強大且廣泛的社會網絡關系，但在該平臺上的網絡交易和支付卻還未流行。而且，阿里巴巴集團和騰訊集團之間的合作在目前來看是不太可能的。因此本文實驗數據來自與QQ群和微信群都有密切聯系和交互的網絡用戶在淘寶和天貓平臺上的網絡行為數據，共采集126個用戶在2014年1月1日-5月10日的網購與評價等行為數據。實驗數據商務網購分布情況如圖3所示。

社會網絡關系基本屬性與網購量的相關性見表1。

表1 社會網絡關系基本屬性與網購量的相關性

從126位參與的用戶中，選擇了10位用戶參與了AHP（層次分析法）權重的設定，指標體系和權重結果見表2。

表2 根據AHP獲得的各個指標的權重

圖3 實驗數據網購分布情況

利用所采集的126位用戶在2014年1月1日-5月10日的網購行為數據，將每位用戶在2014年1月1日-3月31日的網購行為作為訓練數據，在4月1日-5月10日的網購行為作為驗證數據。分析每位用戶在4月1日-5月10日的網購情況是否出現在通過本文設計模型計算的推薦列表中。本文分別以推薦前10項和前20項為例，進行推薦成功率分析。各種推薦策略的平均推薦成功率如表3和圖4所示。利用AHP將社會網絡協同推薦體系指標綜合的推薦策略效果最好，分別在 “推薦前10項”和“推薦前20項”的情況下，推薦成功率為10.71%和8.73%。單獨采用社會網絡關系強度進行推薦效果較差，可能的原因主要是網購本身是基于用戶自身需求的。總體來看，推薦前10項的成功率大于推薦前20項的成功率，所以，推薦的項目數會影響推薦效果，前面幾項推薦的成功可能性更大。

表3 各種推薦策略的平均推薦成功率

利用AHP將社會網絡協同推薦體系指標綜合的推薦策略和利用算術平均將社會網絡協同推薦體系指標綜合的策略的比較如圖5所示。前者略優于后者，但是區別相對較小。原因在于AHP確定的指標權重相對平均，導致這兩種策略推薦的結果比較相似。

5 結束語

隨著社會化媒體的發展和各種網絡應用的社會化，越來越多的網絡互動建立起了社會關系網絡。這些社會網絡關系必然對網絡產生影響，那么如何利用社會網絡關系進行電子商務的社會化推薦有著重要的理論和實踐意義。實驗結果驗證社會網絡關系會對其中成員的網購等網絡行為產生影響，而且網購行為往往是多因素造成的，單因素推薦效果遠遠比綜合指標的推薦效果差。本文構建了社會網絡關系強度、興趣偏好強度和商品流行性與聲望強度3個關鍵因子，每個一級因子又由若干個二級因子構成。本文構建的基于社會網絡的電子商務推薦策略的效果比其他單因素推薦策略好且穩定，具有很好的實際應用效果。

圖4 各種推薦策略的平均推薦成功率

圖5 每個用戶的推薦成功率情況

1 中國互聯網絡信息中心.第33次中國互聯網絡發展狀況統計報告.http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201403/t20140305_46240.htm,2014

2 Ni Y,Xie L,Liu Q Z.Minimizing the expected complete influence time ofasocialnetwork.Information Sciences 2010,180(1):2514～2527

3 Klein A,Bhagat P.E-commerce:evidence on a new virtual commerce platform.Journal of Business Research,2010,4(1):107～124

4 Liang T P,Ho Y T,Li Y W,et al.What drives social commerce:the role of social support and relationship quality.International Journal of Electronic Commerce,2011,16(1):69～90

5 趙華,林政,方艾等.一種基于知識樹的推薦算法及其在移動電子商務上的應用.電信科學,2011,27(6)

6 陶彩霞,謝曉軍,陳康等.基于云計算的移動互聯網大數據用戶行為分析引擎設計.電信科學,2013，29(3):30～35

7 Li Y,Lu L,Feng L X.A hybrid collaborative filtering method for multiple-interests and multiple-content recommendation in E-commerce.Expert Systems with Applications,2005,28(1):67～77

8 Jeong B,Lee J,Cho H.Improving memory-based collaborative filtering via similarity updating and prediction modulation.Information Sciences,2010,180(1):602～612

9 琚春華,鮑福光.基于情境和主體特征融入性的多維度個性化推薦模型研究.通信學報,2012,33(9A):17～27

10 Pan W K,Yang Q.Transfer learning in heterogeneous collaborative filtering domains.Artificial Intelligence,2013,197(1):39～55

11 張海燕,孟祥武.基于社會標簽的推薦系統研究.情報理論與實踐，2012,35(5):103～106

12 孟祥武,胡勛,王立才等.移動推薦系統及其應用.軟件學報,2013,24(1)：91～108

13 Ranganathan C,Ganapathy S.Key dimensions of business-toconsumerweb sites.Information&Management,2002,39(6):457～465

14 張佩云,陳恩紅,黃波.基于社會網絡面向個性化需求的可信服務推薦.通信學報，2013(12):49～59

15 Hsia T L,Wu J H,Li Y E.The E-commerce value matrix and use case model:a goal-driven methodology for eliciting B2C application requirements.Information&Management,2008,45(5):321～330

16 DeMeo P,Nocera A,Terracina G,et al.Recommendation of similarusers,resourcesand socialnetworksin asocialinternetworking scenario.Information Sciences,2010,181(1):1285～1305