基于改進RFM模型的產品推薦算法

王召義，汪 琪

安徽商貿職業技術學院經濟貿易系，安徽蕪湖，241002

?

基于改進RFM模型的產品推薦算法

王召義，汪 琪

安徽商貿職業技術學院經濟貿易系，安徽蕪湖，241002

為了提高電子商務產品推薦服務的質量，在傳統RFM模型的基礎上，先用顧客購買持續力、總利潤率代替RFM模型的R、M指標，建立RFT模型；然后對RFT指標賦以權重，計算用戶-RFT矩陣；最后引入兩個用戶對產品RFT值之和的權值，優化了用戶相似度計算方法。實驗結果表明，該方法在提高推薦滿意度和效率上優于傳統的基于RFM的產品推薦法。

產品推薦；RFM；RFT；用戶相似度

電子商務的本質是流量和轉化率，而轉化率越來越低、流量獲取成本越來越高，導致電子商務企業紛紛涉足電子商務推薦領域，以便進一步滿足消費者個性化需求，提升轉化率，降低流量獲取成本。與此同時，消費者為了提高購物效率，減少購物成本，也在不斷尋找既能快速找到所需產品，又能滿足個性需求的推薦方法。RFM模型是一種衡量用戶價值與創利能力的重要工具，能較好地體現消費者的購買行為和特征。其中，R(Recency，R)表示用戶在給定的時段內多久前最后一次購買某商品，F(Frequency，F)表示用戶在給定的時段內總共購買某商品次數，M(Monetary，M)表示用戶在給定的時段內共花費多少金額購買某商品[1]。RFM模型的這一特點恰好可以彌補傳統協同過濾推薦存在的缺點——用戶評價太主觀、缺乏科學性。因此，本文以RFM綜合值為切入點研究基于改進RFM模型的產品推薦算法。

1 改進RFM模型

RFM模型是通過對顧客交易記錄進行數據挖掘，以發掘顧客價值和潛在消費能力的重要工具和手段。結合電子商務推薦服務發展現狀和RFM模型的缺點，擬對R、M指標進行改進，以適應電子商務推薦服務發展。

1.1 改進R算法

計算R值的一般方法為：數據截止時間點-顧客最近消費時間點。傳統計算方法雖然考慮了最近來店時間對顧客價值和潛在消費能力的影響，但卻忽略了顧客的持續購買能力[2]。為了能夠正確反映顧客持續購買能力，引入最近購買時間差和最遠購買時間差兩個指標，并根據定義1對R進行改進。

定義1 設t為數據截止時間點，t1為顧客最近購買時間點，t2為顧客最遠購買時間點，則顧客最近購買時間差為(t-t1)、顧客最遠購買時間差為(t-t2)。由此可規定R值的新計算方法為：

(1)

當t1=t2時，R=1，表明顧客在特定時段內持續購買能力為“零”，很有可能是一名新顧客。R值越小，說明該顧客活躍度越高。

1.2 改進M算法

企業追求的是利潤，不是純粹的高銷售額，且高銷售額并不一定能帶來高額利潤，因此在RFM模型中不應該忽略利潤這一關鍵因素。在電子商務企業中，一般以利潤率來衡量產品的營利能力。因此，引入總利潤率指標，并根據定義2對M進行改進。

定義2 設某產品的成本為c，銷售價格為p，某顧客購買該產品的次數為f，則總利潤率T可由下面公式求得：

(2)

可知，某物品的利潤率一般是不變的，隨著購買次數的增加，總利潤率值越來越大。

1.3 RFT模型

經過改進R和M指標，定義改進后的模型稱為RFT模型。其中R、F、T三個指標的含義分別為：R(Recency，R)表示用戶在給定的時段內持續購買能力，F(Frequency，F)表示用戶在給定的時段內總共購買某商品多少次，T(Total profit，T)表示用戶在給定的時段內的總利潤率。

2 產品推薦算法

2.1 構建用戶-RFT矩陣

產品推薦算法的核心是計算用戶-商品評價矩陣。現通過對用戶交易記錄進行數據挖掘，計算用戶-RFT矩陣，具體計算步驟如下。

第一步，挖掘R、F、T值。根據用戶交易記錄數據庫，制作至少包含用戶ID、最近購買時間點、最遠購買時間點、商品成本、商品銷售價格、銷售金額等變量的銷售記錄統計表。F值可以使用有關數據挖掘工具直接統計得出，而R和T值可由定義1和定義2計算得出。

第二步，數據標準化。在進行數據挖掘時，需要對各類數據進行規范化處理，以保障數據量綱相同，此處采用極差正規比變換方法進行數據規范化處理[3]。因R是成本性指標，F和T是收益性指標，所以規范化公式有所區別，具體如下：

(3)

其中，R、F、T是第一步得到的初始值，Rmin、Fmin、Tmin是初始值中的最小值，Rmax、Fmax、Tmax是初始值中的最大值，R′、F′、T′是預處理以后的值。

第三步，確定R′、F′、T′權重。采用層次分析法計算權重，R′、F′、T′對應權重值分別為w1、w2、w3，且w1+w2+w3=1。

第四步，計算RFT綜合值。為了方便數據處理和數據減噪，對R′、F′、T′值進行加權求和操作，得到的綜合值記為RFT，計算公式為：

RFT=w1R′+w2F′+w3T′

(4)

2.2 計算用戶相似度

相似度的計算其實就是計算兩個向量的距離，距離越近相似度越大。實驗分析顯示，對于基于用戶的推薦系統來說，Pearson相關系數比其他方法更勝一籌。Pearson相關系數計算公式見下：

sim(Ci,Cj)

(5)

上述計算公式依賴于H，也就是說H越大相似度計算結果越準確；H比較小時，相似度存在一定的偶然性。比如兩個用戶都只買過一個商品，且綜合值Z相同，根據公式，兩個用戶是完全相似的。因此，根據一個商品就判斷兩個用戶完全相似，顯然不合理。羅軍和朱文奇[4]改進了Pearson相似度計算公式，如下：

sim′(Ci,Cj)

(6)

2.3 智能推薦

智能推薦是指電子商務推薦系統向目標用戶推薦商品或服務，且能夠滿足目標用戶個性化需求。

定義3 設目標用戶為C，a是集合N中的元素，則目標用戶C對商品j的綜合指標的預測值PC,j可以通過集合N中各用戶的商品項綜合值得到，計算公式為[6]：

(7)

把計算出的PC,j值進行降序操作，把前top-L位的商品推薦給目標用戶C。

3 實驗研究

3.1 數據來源

本文所用數據來源于A電子商務企業在2015年6-10月的45257條交易記錄，共分為退貨、贈送、特價和正常四種銷售類型，共銷售35種商品。經過數據處理，其中退貨記錄數為1070，贈送記錄數為7989，特價記錄數為1736，正常記錄數為34462。因為退貨和贈送交易類型產生的交易額為負數或0消費額，對數據分析無用，所以在數據處理時需要刪去退貨和贈送類型的交易記錄。因此，有效的交易記錄數應為36198，用戶數為8687，商品種類數為35。

為了保證實驗的有效性，把數據源分為訓練集和測試集，其中訓練集為2015年6月至2015年8月的有效記錄26875條，約占75%；測試集為2015年9月和10月的有效記錄9323條，約占25%，即閥值r=0.75。

3.2 評價指標

(8)

3.3 實驗結果

在上面的實驗數據和評價標準的前提下，開展三項實驗研究。實驗1比較皮爾遜-RFT與皮爾遜加權-RFT推薦質量；實驗2比較基于RFM的產品推薦算法與基于改進RFM的產品推薦算法；實驗3檢驗RFT指標權重對產品推薦算法的影響程度。

實驗1 比較皮爾遜-RFT與皮爾遜加權-RFT推薦質量。令top-L值分別為3,5,10,15,20,25,30等，觀察MAE值變化情況。如圖1所示。

由圖1可以看出，使用皮爾遜加權-RFT的MAE一直小于皮爾遜-RFT的MAE，即w加權方法能明顯提高產品推薦質量。

圖1 皮爾遜-RFT與皮爾遜加權-RFT比較

實驗2 不同算法比較實驗。令top-L的值分別為3,5,10,15,20,25,30等，觀察MAE值變化情況。如圖2所示。

圖2 兩種算法的比較

由圖2可以看出，top-L值逐漸變大時，基于RFT的產品推薦算法的MAE值較好，尤其在top-L大于10后，優勢更加明顯，證明本文算法可以提高產品推薦的滿意度和效率。

圖3 不同RFT指標權重下算法對比

實驗3：不同RFT指標權重下算法對比實驗。采用層次分析法確定RFT指標權重值，需要組建專家組。在A企業支持下，選擇總經理3人，業務經理3人，店長6人，操作人員9人，客戶9人，共計30人組建專家團隊。為了讓實驗效果更加科學準確，把專家組平均分為三組：A組、B組和C組，每組10人(總經理1人、業務經理1人、店長2人、操作人員3人、客戶3人)。

經過計算，A組結果為Wf=0.255，Wp=0.509，Wr=0.236；B組結果為Wf=0.355，Wp=0.413，Wr=0.232；C組結果為Wf=0.405，Wp=0.375，Wr=0.220。圖3為不同RFT指標權重下算法對比情況。

分析實驗結果可知，C組MAE值最小，B組MAE值較大，A組MAE值最大，但是隨著top-L的增加，A、B兩組的MAE值越來越接近；從曲線軌跡來看，A、B、C三組的MAE值有趨于相同的趨勢，證明RFT各指標權重的變化對推薦質量有影響，且這種影響會逐漸減弱。因此，企業在開展推薦服務時，應該采用合理的方法，確定合適的指標權重值。

4 結束語

電子商務企業在提供推薦服務時，不僅要考慮用戶的消費特點，也要考慮客戶價值在產品推薦中的體現。正如以上所述，用購買持續力、總利潤率代替R、M指標，更符合企業目標的要求，也讓推薦結果更加符合實際情況。以RFT模型來修正基于RFM的產品推薦算法，對電子商務企業開展推薦服務具有一定的借鑒作用。

[1]趙曉煜,黃小原,曹忠鵬.基于顧客交易數據的協同過濾推薦方法[J].東北大學學報：自然科學版,2009(12):1792-1795

[2]季曉芬,賈真.基于RFM行為模型的服裝企業VIP顧客數據挖掘[J].浙江理工大學學報：社會科學版，2015,34(2):131-135

[3]趙曉煜，丁延玲.基于顧客交易數據的電子商務推薦方法研究[J].現代管理科學,2006(3):93-94

[4]羅軍,朱文奇.考慮物品相似權重的用戶相似度計算方法[J].計算工程與應用，2015,51(8)：123-127

[5]朱文奇.推薦系統用戶相似度計算方法研究[D].重慶：重慶大學計算機學院,2014：11-14

[6]王召義,雷麗麗.基于改進RFM模型的協同過濾推薦算法研究[J].安陽工學院學報，2015,14(2)：52-56

[7]Koren Y,Sill J,OrdRec:An ordinal model for predicting personalized item rating distributions[C]//Proc. 5th ACM Conference on Recommender Systems,New York：ACM Press,2011：117-124

[8]Sarwar B,Karypis G,Konstan J,et al.Item-based collaborative filtering recommendation algorithms[C]//Proceeding of the 10th International World Wide Web Conference. New York:ACM Press,2001:285-295

(責任編輯：汪材印)

2016-08-25

安徽省高校自然科學研究重點項目“基于改進RFM模型的電子商務協同過濾推薦算法研究”(KJ2016A253)；安徽商貿職業技術學院科研項目“基于支持向量回歸的汽車后市場數據預測模型構建”(2016KYZ02)。

王召義(1983-)，安徽宿州人，碩士，講師，主要研究方向：數據挖掘。

10.3969/j.issn.1673-2006.2016.11.027

TP311.13

A

1673-2006(2016)11-0101-04