電子商務個性化推薦模型及技術研究

裴英梅

[摘要]個性化推薦是根據不同顧客的偏好和特質做出針對于特定顧客的精確的推薦，是智能的信息挖掘過程。本文主要介紹了電子商務推薦系統中采用的模型和幾中常用的推薦技術。

[關鍵詞]電子商務；個性化推薦；推薦模型；推薦技術

隨著電子商務的迅猛發展，傳統的商貿活動已發生了革命性的變化，一是，地域的限制基本被消除，二是，消費者有了更廣闊的選擇空間。當消費者瀏覽電商網頁，搜索喜好商品時，總會看到頁面周邊的一些相關推薦，這些推薦商品可能是消費者現在需要的，也可能是曾經搜索過的。產生這種現象的原因是背后強大技術的支持，這些技術保證了在精準推送的同時還能使消費者獲得較高的體驗度。

個性化推薦就是通過全方位的數據，精準判斷出用戶的購買意圖，有針對性為用戶推薦他最愿意購買的商品，提升用戶對產品的體驗度，提高下單轉化率。增強用戶粘性。

1個性化推薦模型

電子商務個性化推薦系統主要通過以下三方面提高電子商務系統的銷售能力：通過網站瀏覽將潛在客戶變為實際商品的購買者：通過推薦相關系列產品增加其它商品的交叉銷售量：提高客戶對商務網站的粘度。個性化推薦模型分為召回和排序兩大類。

1.1召回模型

召回模型就是選舉推薦的侯選。主要有基于行為的召回：基于偏好的召回：基于地域的召回等模型。

（1）基于行為的召回模型

這種模型又分為近期行為和中長期行為。近期行為召回模型推薦的商品與用戶搜索過的商品相似或相關，這種商品購買搭配推薦是最常用同時也是轉化率最高的。中長期行為召回模型發生的行為通常在半年左右，針對于某些沒有用戶行為的新商品，利用購物籃分析，建立產品和產品之間的關系，把這些關系應用到個性化推薦中去，提升長尾商品的搭配覆蓋率。

（2）基于偏好的召回模型

這種模型是針對用戶進行全方位地描述，存儲用戶曾經的購買行為數據，對其興趣愛好進行判別從而做出推薦，并同時考慮用戶的購買力和敏感度等問題。如果該用戶沒有近期產品行為，此模型會基于大數據從海量的其他用戶中挖掘出最接近的一個用戶，通過算法來預測該用戶感興趣的產品，然后再做出推薦。

（3）基于地域的召回模型

根據不同地域的消費特點不同做出有針對性的建模，推薦當地用戶購買率高的商品。有些地區具有非常明顯的地域特點，如消費水準高、人口結構單一、地方特色鮮明，這樣顧客就會偏向于某些特定消費品。

1.2排序模型

當積累一定的用戶和流量，有一定點擊和購買之后，就需用到排序算法。以京東為例，在排序上進行兩級預估，先預估CTR（點擊率），再預估CVR（轉化率），由此進行排序。對于任何一個商品。它都具備品牌、中心詞、類目、擴展屬性等指標，可以用銷售量來度量。各個商品之間還有一張相互關聯的網，這種網狀關系包含了評論數、好評度、瀏覽深度等指標。

對于“冷啟動”的極端情況，可采用根據最近的熱點進行類別多樣化精選推薦的策略，把每一類當下最流行的商品拼在一起推薦給新用戶，然后根據用戶的交互反饋，慢慢向用戶主信息上收斂。

2電子商務個性化推薦技術

個性化的推薦不同于大眾行為的推薦。靜態的、由管理員設定的大眾行為的推薦會對每個用戶都推薦同樣的商品，或根據所有的用戶反饋信息，用統計學原理計算出時下最流行的商品并做出推薦。個性化的推薦則需要根據不同顧客的偏好和特質做出針對于特定顧客的精確的推薦，因此。個性化推薦是智能的信息挖掘過程。目前，主要的技術有基于內容的推薦，協同過濾推薦，基于知識推薦，混合推薦等。

2.1基于內容的推薦

這種推薦是根據物品或內容的元數據，根據資源屬性內容的相關性，基于用戶曾經的愛好，推薦給用戶相似的物品。它的好處是對用戶的品味能夠做出很好的建模。它存在的問題是提取能力有限，常陷于推薦容易分析內容的商品，對缺乏使用數據的新用戶存在冷啟動問題。

2.2協同過濾推薦

協同過濾推薦是目前應用最多的電子商務推薦技術，并被廣泛研究。它的原理是根據用戶對物品或信息的喜好，找到其它物品或信息與其相關聯，或是發現品味或喜好與當前用戶相似的“鄰居”用戶群，然后再基于這些關聯性進行推薦。

其優點是推薦的個性化程度高，用戶容易對被推薦商品感興趣，商品的特征不必被考慮，任何形式的商品都能被推薦。缺點是存在冷啟動、數據稀疏性以及可擴展性問題。

2.3基于知識的推薦

基于知識的推薦利用“功能知識”的概念，無需考慮用戶的歷史信息和用戶——項目矩陣，它依據某個項目所包含的知識如何滿足某個客戶。比如用戶在某個搜索引擎下輸入包含某類知識的項目，系統則會產生多個推薦項目，這些推薦項目都與該用戶查詢的項目在知識上相關聯，這是一種規范化的查詢。

2.4混合推薦

為了取得更好的推薦效果，流行的網絡站點采用的往往不是單一的推薦方式，而是若干種方法混合在一起的機制和策略。最常見的做法有切換的混合、分區的混合和分層的混合等。切換的混合推薦是根據不同的數據量、系統運行狀況、用戶和物品的數目等情況選擇最為合適的推薦機制計算推薦：分區的混合即采用多種推薦機制，分出不同的區域顯示采用不同推薦算法而推薦出的商品，這樣用戶可以得到全面的推薦，容易找到理想的商品，這種推薦方式也被很多電子商務網站所采用：分層的混合是先采用—個推薦機制得到結果后作為另一種推薦機制的輸入。這種推薦能夠綜合多個推薦機制的優點，使用戶在全方位的推薦中找到真正使自己感興趣的商品。

3結語

個性化推薦使得人們在電子商務海量的數據當中能夠尋找到為自己所用的信息，系統的應用節約了大量顧客搜索時間成本，提高了商品的銷售度，已成為電子商務網站的必備競爭工具。隨著體驗經濟的到來，未來的個性化推薦必將包含強大的大數據挖掘分析能力，滲透更多的人情關懷。

[責任編輯：張濤]