移動電子商務中的推薦技術研究

徐紅宇

【摘 要】隨著電子商務的發展及移動通信的普及，移動電子商務涉及到的數據越來越多，在海量信息中找到合適的需求已經成為移動電子商務研究的重點。個性化推薦方法可以從海量信息中精準的找到需要的信息，有效解決移動商務面臨的信息過載困擾。

【關鍵詞】個性化推薦；電子商務；協同推薦；關聯規則挖掘

0 前言

電子商務涉及的用戶可能有不同背景、愛好，電商提供多樣化、個性化的服務有助于滿足不同類型用戶的個性化需求。和傳統的電子商務相比，移動電子商務具有“人機對應、一人一機”的特點，所以可以針對用戶進行便捷的個性化推薦服務。

1 移動商務及個性化服務

移動電子商務是傳統電商的特別形式，是一種利用移動通信網絡實現的電子商務活動，其商務形式由固定地點延伸到隨時隨地；移動電子商務的特征包括：位置相關性、隨時隨地訪問。傳統的電子商務中用戶的位置并不重要，展現給所有用戶的是統一的內容。移動電子商務可以定位使用者，而且在移動終端中的配置可以分辨用戶的身份；定位及用戶識別這兩個特性的結合使移動電子商務具備一定的個性化特征。

移動電子商務的個性化服務觀點有不同的內涵：（1）用戶特性。可以將移動電子商務看作是為不同特性客戶提供針對性的信息內容的服務。（2）用戶偏好及習慣。不同用戶的行為習慣以及偏好不盡相同，移動電子商務需要為用戶提供滿足個性化需求的服務。針對上述觀點，可以將移動個性化服務定義為：內容及服務提供商根據用戶的身份、職業、偏好、年齡等特性，為不同的使用者提供針對性的內容。個性化主要體現在[1]：（1）內容的個性化。不同用戶對商品的需求不同，移動電子商務不再僅僅提供多樣化的商品，而是根據用戶的興趣偏好為用戶推薦真正需要、可能消費的商品，盡量減少用戶在商品搜索過程中耗費的時間、精力。（2）服務方式的個性化。傳統的信息服務方式多為“PULL”模式，即信息直接發布到網絡上，用戶從海量信息中查找需要的信息。為了提高銷售效率，移動電子商務必須改變為“PUSH”模式，直接將合適的信息精準的推薦給可能需要的用戶。

2 個性化推薦技術

電子商務的整個流程中涉及到大量不同類型的數據，比如用戶信息、商品信息、服務信息及日志、交易信息等。移動電子商務涉及到的數據類型更多，而且異構數據的比例更大；移動用戶的需求可能會隨著時間、用戶場景的變化而變化；例如，旅行中的用戶通常更關注住宿、交通相關的商品信息，而休假中的用戶往往對娛樂信息更感興趣；這無疑增加了預測用戶行為、推薦合適商品的難度。

移動電子商務中的個性化推薦技術的主要步驟包括：數據采集、數據預處理、數據建模、數據分析、個性化推薦。數據采集階段負責采集所有用戶的信息，包括用戶資料、購買歷史信息等。數據預處理對采集到的數據進行有效性檢查，去掉無效訂單。建模階段以數據挖掘技術為主，對預處理后的數據進行聚類分析、關聯分析等。數據分析階段試圖從大量數據中發現用戶的購買傾向，以便進行個性化推薦。

通過上述分析可知移動電子商務中個性化推薦的功能需要滿足[2]：（1）分析用戶的偏好和行為習慣，以進行更加精確的用戶行為預測。關聯規則挖掘可以從用戶的購買歷史數據中發現潛在的關聯關系。（2）分析用戶行為，針對用戶的購買習慣，為用戶提供個性化推薦。協同過濾可以根據有相似購買習慣用戶的偏好，為當前用戶推薦其可能感興趣的商品信息。

3 關聯規則挖掘

關聯規則挖掘技術是實現移動電子商務個性化推薦的關鍵，直接決定著個性化推薦的效果。關聯規則挖掘的目的是從海量信息中找到有商業價值的關聯關系，并為商業決策提供支持。

假設現有m條交易記錄、n個物品，并且物品集合I={Ij|j=1，2，…，n}，交易數據庫D={Ti|i=1，2，…，m}，則關聯數據挖掘過程中涉及到的概念主要包括[3]：（1）項集（Item set）。集合I中的任意子集，有p個物品項的項集（p-項集）Ip={I1，I2，…，Ip}。（2）關聯規則（Association Rule）。關聯規則是類似于R：Ii？圯Ij這樣的蘊涵式，表明如果數據庫中的事務包含項集Ii，那么此事務也很可能包含項集Ij。（3）支持度。假設組成關聯規則r的物品項集為Ir，那么Ir在D上的支持度即為包含Ir的事務占D中所有事務的比例。（4）頻繁項集（Frequent Item Set）。頻繁項集指的是數據庫D中滿足指定最小支持度的所有非空子集。

獲取頻繁項集后，就能夠根據頻繁項集生成關聯規則；值得注意的是，生成的關聯規則中有很多是無意義或冗余的，為了提高推薦的質量，必須改進關聯規則的評價過程。關聯規則的評價過程又被稱為關聯規則的興趣度量度；常見的度量方法有主觀興趣度及客觀興趣度，前者一般是基于用戶的知識，而后者多依賴于挖掘數據和關聯規則的表現形式。支持度——置信度框架是最經典的興趣度量方式[4]：支持度用來度量關聯規則的可用性，置信度用于評價關聯規則的確定性。

4 協同過濾推薦

傳統的電子商務技術在進行商品推薦時大多使用的是基于內容的過濾技術，這種方法在商品數量過多時的分析能力相對有限，而且難以發現用戶已經展現出的興趣之外的潛在興趣。基于內容的過濾和協同過濾的推薦方式如圖1所示：

協同過濾推薦技術克服了基于內容過濾的不足，它根據其他習慣近似用戶的偏好為當前用戶推薦可能感興趣的信息，并且在推薦時只需要用戶的購買行為以及評分信息，并不需要其他額外信息，也不會涉及到用戶的個人隱私。

協同過濾技術的步驟包括：（1）采集電商的銷售數據、評分數據，并根據相似性算法計算指定用戶、商品間的相似性；（2）根據相似性信息，獲取和指定用戶、商品最相似的k個目標，稱為k近鄰集合；（3）根據k近鄰集合的信息，預測指定用戶對目標商品的購買興趣。

5 總結

要在移動電子商務中進行商品推薦需要發現用戶偏好、分析用戶行為，關聯規則挖掘的目的是從海量信息中找到有商業價值的關聯關系，協同過濾技術可以用于個性化推薦；這兩者的結合可以有效用于移動電子商務，將特定內容有針對性的推薦給電商的潛在用戶。

【參考文獻】

[1]吳吉義，龔祥國，林志潔.基于協同過濾的移動電子商務個性化推薦系統若干研究[J].電子技術應用.2016（1）.

[2]Adomavicius G，Tuzhilin A. Toward the Next Generation of Recommender Systems：A Survey of the State of the Art and Possible Extensions[J].IEEE Transaction on Knowledge and Data Engineering，2015（6）.

[3]徐月美，姜薇，王溢策.移動設備的個性化推薦在上下文感知應用[J].微計算機信息，2016（7）.

[4]張娜.電子商務環境下的個性化信息推薦服務及應用研究[D].西安：西北工業大學，2016.endprint