個性化推薦技術在電商網站中的應用

趙一格

在互聯網技術快速發展的時代，網絡購物已逐漸成為大勢所趨。但由于近年來網上信息的迅猛出現，使得人們不能快速得到有效信息。而推薦系統的誕生和不斷進化，極大地解決了電商服務平臺在運行過程中出現的消費者購物效率低下的問題。為了更好的滿足客戶需求，一些電子商務購物軟件還專門設計了“猜你喜歡”的相關推薦功能[1]。這是因為技術人員將個性化推薦運用在電商購物網站中。通過使用推薦系統，用戶能根據需要更快速和準確的找到對應商品。因為這種推薦系統具有很強的實用性，所以這項技術在很多領域都有廣泛應用[2]。

1 推薦系統的概述

1.1 推薦系統的概念

隨著互聯網和電子商務技術的日益成熟，個性化推薦逐步衍生。它是一個先進的商業智能平臺，為用戶提供其所需的信息。電子商務系統的具體定義可以總結為：電子商務網站使用推薦系統將符合需求類型的商品信息提供給用戶，分析出適合其購買的物品，使用戶的購買體驗更加完整。

1.2 推薦系統的發展歷程

1995—1997年有幾所著名的大學先后提出了個性化推薦系統的理論，但由于當時的科技水平條件有限，一直停留在理論階段。推薦系統在當時還只是一種設想。

通過科研人員的不斷努力，直到20世紀90年代，個性化推薦系統取得了飛速的進展，德國Dresden技術大學的Tanja Joerding創新性地實現TELLIM——個性化電子商務的初步系統，這就標志著個性化推薦系統逐步走向了現實。在此后的10多年間，多家學院和公司將個性化推薦系統實踐應用到電子商務中。人們可以更加快捷高效地獲得商品信息。

隨著科技水平的不斷發展，個性化推薦系統不斷進行完善。在21世紀初期，Google首次創新地加入了個性化元素。不再是著重分析使用者單一搜索的關鍵點，而是對用戶最近的瀏覽記錄進行分析，通過這種手段可以更多了解用戶的愛好興趣，更加準確地為用戶展現適合他們的信息。由此帶來的巨大經濟效益推動了電商服務的快速發展，2011年9月，李彥宏將推薦引擎與云計算和搜索引擎一起作為未來互聯網的重要發展戰略。百度將會不斷改進技術，向個性化進一步邁進。在這個時期個性化推薦系統才真正成為一項重要的電商服務應用技術。

2 電商網站中推薦技術的基本原理

為了提高消費者的購物效率，各大電商網站都將推薦系統應用其中。推薦系統通過計算機技術將多種技術融合，其中主要的核心技術為基于內容的推薦，協同過濾推薦和混合協同過濾推薦三大類。

2.1 基于內容的推薦

基于內容的推薦步驟可以概括為：首先給商品劃分一些屬性，然后根據商品的不同類別，向用戶推薦一些相同類型的商品。我們可以創設一種情景，例如：通過一些精準的計算，會發現服裝1和服裝3較為相似，因為它們都屬于休閑一類。推薦系統還會發現用戶1喜歡服裝1，根據推薦算法可以得出，用戶1很可能對服裝3也感興趣。于是系統會將服裝3推薦給1。在實際應用中，只根據內容類型進行推送顯然過于粗略，還需要進行多方面考慮。

這種基于內容（基于標簽）的推薦技術可以對用戶興趣進行的分類，還可以對網站中的商品進行精細的屬性劃分，這樣可以更精準地分析信息。但這種推薦技術在某些方面上有一定的局限性：必須分析資源的內容信息，因此對音樂、圖像、視頻等信息不能深度分析；無法對某些信息進行高質量分析；無法提供實時新鮮的推薦等。但基于內容的推薦仍然是一種基礎的算法。

2.2 協同過濾推薦

利用用戶的訪問記錄，根據用戶組群的相似性程度來向用戶推薦所需的產品，這種基于用戶的協同過濾推薦算法，其核心內容是推薦系統根據用戶的喜好來選擇推薦的對象，對于一些類型的產品，用戶對某種類型的產品可能會具有更高的評價，相似的程度更高。因此，協同過濾推薦首先找到與目標用戶興趣相似的用戶組，然后根據用戶組對商品的評估為目標用戶進行產品的推薦。

2.3 混合協同過濾推薦

在個性化推薦技術騰躍式發展的十多年之間，技術人員將許多的算法進行比較，經過大量的實踐驗證，不難發現單一的推薦算法是不足以使系統具有完整性的，每一種推薦算法都存在一些不完美的地方。因此在這樣的情況下，解決每種推薦算法中存在的問題最好的解決辦法就是將各種基本算法綜合起來，其思路非常清晰，就是揚長避短。大多數電商購物網站都是先利用基于內容的推薦去解決一些問題，在獲得較多的用戶信息的基礎之上利用協同過濾等推薦技術向用戶推薦更多符合需求的商品并且還可以向用戶推薦潛在興趣商品。

3 推薦系統的不足及發展趨勢

3.1 推薦系統存在的不足

3.1.1 新用戶問題和冷啟動問題

由表5可知，10 g的糖漿添加量甜度不夠，而15 g的糖漿添加量不能完全浸入到魚片內部，添加糖漿25 g太多，偏甜，對質構也有影響，添加糖漿20 g適宜且鳳尾魚片的表面較光滑，有光澤，咸甜適中，無油膩感。

如果消費者在一個購物網站中成為新用戶，在使用初期因為關于該用戶的興趣數據比較少，電商網站很難依據個的人需求向用戶推薦商品。在初期推薦的效率比較低；個性化推薦系統是以擁有大量關于該用戶興趣數據為基礎，從而能夠自動對商品或用戶進行分類關聯。而對于沒有足夠多使用記錄的用戶，要讓其獲得優質的購物體驗則比較困難。因此，我們應不斷創新來克服這個問題。

3.1.2 延伸性問題

當商品的某種屬性產生改變時，相似度的計算的結果會發生不同程度的變化。這些商品由于屬性的變化會增加不同的類別，這會對系統進行個性化推薦增加困難。

3.1.3 探索與利用問題

大部分的推薦系統給用戶推薦的是已知的興趣商品，而很少去推薦用戶有潛在興趣的商品。如電商購物網站很難向客戶推薦商品的同時利用個性化推薦去發掘客戶的潛在興趣[3]。部分推薦系統可能不會根據興趣向用戶推薦，而用其他方式向消費者進行推薦，比如按時間順序推薦、隨機推薦等。這些探索與利用問題也是推薦系統前進發展面臨的一項嚴峻挑戰。

3.1.4 計算性能問題

對于電商網站中的推薦技術而言，計算性能和反饋速度是為用戶提供良好用戶體驗的關鍵性指標。推薦算法在計算過程中需要耗費大量的計算資源，如何提升推薦算法的效率應給予高度的重視，并且應在實際應用中采取優化措施。但推薦算法本身需要運算加工海量數據，加工過程復雜，為提升運算效率設置了很大的難題。基于這種情況，我們必須不斷創新設計出更加簡潔高效的算法來減少計算資源的消耗，更快地為用戶提供推薦結果[4]。

3.2 個性化推薦的發展趨勢

因推薦系統具有很強的實用性，其便成為了工業界和學術界共同關注的熱點。學術界更專注于理論的分析，并追求更準確的推薦算法。電商行業更注重實踐，尤其是用戶的個人體驗。以最近幾年推薦系統的發展特點來看，可以將個性化推薦的發展趨勢大致概括為3點：1）在不斷將推薦系統精確度提高的同時，還需要注意用戶的體驗。用戶需要的不只是滿足要求的商品，最主要的是合理的建議。優質的推薦理由可以提高用戶對購物網站的信任度。比如電商購物網站應該向用戶推薦好評商品。2）對于數據稀疏性和冷啟動等方面的問題，在操作中應加入多方面的信息，例如交際信息，用戶愛好信息等。3）為了更精確的獲取用戶的興趣和物品的特征，應引入深度的學習技術，比如利用CNN技術來處理。

4 結語

個性化推薦系統在電商購物網站中的應用，使人們的生活更加方便快捷，它的發展趨勢也是令人期待的[5]，但這種推薦技術仍然面臨著一些問題，這就需要科研人員不斷攻破技術難關。我相信在不久的將來一定能研制出更加智能的個性化推薦系統。