基于協同過濾的電子商務推薦研究

摘要：本文針對基于協同過濾的電子商務推薦做出一定研究。通過對電子商務個性化推薦模型的設計，在K-Means聚類算法的基礎上針對基于用戶的協同過濾算法、基于聚類優化后的協同過濾推薦算法以及基于內容的協同過濾推薦算法做出一定的研究，最后通過實驗驗證得出最適合個性化推薦的一種推薦算法。

關鍵詞：個性化推薦;K-Means聚類;協同過濾

隨著現代科技的發展，大眾對電子商務的需求越來越大。當電子商務的發展跟不上大眾信息化的需求，會導致用戶難獲得需要的信息。因此，在信息化背景下，如何加強對用戶的精準推薦，是電子商務發展關注的重點。但傳統的協同推薦算法存在一定的弊端，如數據的稀疏性導致推薦精度不高。因此，針對該問題，人們提出很多解決方案，如通過對稀疏數據進行填充，但效果都不理想。而聚類具有易收斂、運行時間短、效率高的優點，因此本文結合聚類算法的優點，提出一種基于聚類改進數據稀疏性的協同過濾算法，并通過試驗進行驗證。

1 基本方法

1.1 K-Means聚類

K-Means聚類算法是將輸入的用戶及商品數據進行劃分，將分解出來的簇分為有效和無效兩個部分，并且將無效部分過濾刪除。這樣就極大的降低了數據集所需的空間規模，提高了數據集的質量。具體步驟為：給定數據集，選擇初始質心K。選定K后，可用誤差平方和來計算訓練樣本到初始質心的距離。待計算得出結果以后，判斷是否可以將訓練樣本加入到簇中。再運行一次后，再對新樣本進行劃分，重新選擇質心。重復以上步驟，直到所有的簇達到最大的迭代次數，或者是所有簇都不會發生變化，即樣本到聚類中心的距離平方和J（C）最小。詳細步驟如圖l所示。

如圖1所示，在進行K-Means聚類算法的時候，需要先選定一個數據空間中的K個對象為初始的聚類中心，這K個對象都代表著每一個分組的中心。選好以后再利用歐氏距離公式來進行分組計算，根據計算的結果重新選擇分組中心J（C）值，最后利用J（C）值判斷算法終止條件。具體流程如下：

1.2基于用戶的協同過濾推薦

基于用戶的協同過濾可以根據需求的不同分為不同的類型。分別是在用戶的基礎上、在算法的基礎上以及在項目的基礎上做出研究。本文主要的研究方向是基于用戶的協同過濾對商品個性化推薦系統設計，特點是能通過公式（3）計算出用戶對商品喜愛程度，然后根據用戶的喜好做出最適合的推薦，讓用戶能夠快速有效的找到自己喜歡的商品。

通過公式（4）就能夠得到其他相似用戶對該商品的綜合評分，在根據計算出來的結果給用戶做出針對性的推薦，節省了時間，提高了用戶選擇商品的效率。這里要特別的說明的一點是，這種方式只針對他們評論的交集部分，所以能夠大程度的減少某些用戶對商品過分的評分因素。

2 模型構建

2.1 個性化推薦模型構建思路

個性化推薦指的是以用戶的基本信息、上網行為等作為基礎，從而在海量的用戶中找到相似用戶，然后通過這些相似用戶對商品的評價，來預測其他用戶對該商品的喜好程度。基于聚類的協同推薦就是在相似的用戶中，通過聚類的方法將相似用戶分類，從而合并為新的簇，并篩選出新的用戶作為簇類代表，加入到協同推薦中，并按照協同推薦的計算步驟進行預測。

本文提出的基于聚類的協同過濾算法分為兩步驟：一是通過聚類改進數據的稀疏性;二是提出基于用戶的協同過濾。聚類優化采用K-Means聚類，該聚類方法的特點是先利用歐氏距離公式將用戶的相似度計算出來，然后在運用K-Means聚類將相似的用戶特征分在同一個簇內，形成一個完整的簇。基于用戶的協同過濾指的是通過計算目標用戶與分解出來的簇之間的距離，然后得出距離最近的簇信息，計算出簇信息以后再運用基于用戶協同過濾推薦算法進行評分計算，最后根據評分的結果生成展示列表。

2.2 基于聚類的協同過濾推薦構建

圖2為基于聚類的協同過濾算法流程。由圖2可以看出，相對于傳統的協同過濾算法，優化過程主要是加快了聚類距離的計算時間以及簇的更新時間。假設聚類距離Du是一個NxN的矩陣，距離計算時間復雜度為O（N2），隨著不斷進行迭代重復，提取出來的數據也越來越精簡，提取出來簇的數量也是越來越少，由此，時間的復雜度也會有所減小，設立為O（N），這時候設立的聚類距離的整個計算時間復雜度為O（N2）。雖然在理論上看起來比較復雜，但是這些過程都可以在離線情況下進行，也就是如果將這個方式應用到整體上，對在線推薦效果時間影響很小。所以需要先利用K-Means聚類算法將選定的數據集進行劃分，劃分以后再利用協同推薦算法進行計算，以此來降低個性化推薦的時間消耗，達到高效效果。

通過分析得知，基于聚類優化的協同過濾推薦優點在于在離線模式下，將輸入的模型用戶和商品數據集劃分成很多個數據子集，對個性化推薦算法的運行時間不產生影響。將劃分好的數據子集用基于用戶的協同過濾推薦算法進行推薦，很大程度的降低了數據計算復雜度，提升運行效率。

3 實驗驗證

3.1 評價指標

為了得到最適合的個性化推薦模型，針對以上的方法做出一定的實驗驗證。為了得到最準確的結果，此次采用的是平均絕對誤差MAE（Mean Absolute Error）的方式對實驗結果進行驗證。平均絕對誤差均方誤差指的是絕對誤差的平均值。利用公式（5）計算出最適合的結果，能夠很好的反應出設立的預測值誤差的真實情況。

3.2 試驗對比結果

通過對聚類的協同過濾編程，得到圖3的對比結果。

通過圖3對各個推薦算法的比較可以得知，基于聚類優化后的協同過濾推薦算法相較于基于內容的協同過濾推薦算法以及基于用戶的協同過濾推薦算法都有更高效的作用，是比較適合個性化推薦的一種推薦算法。

4 結語

隨著電子商務的發展，大眾對于電子商務信息化的需求逐步提高，為了滿足大眾的需求，本文通過對個性化推薦模型算法設計，分別針對基于用戶的協同過濾推薦算法、基于聚類優化后的協同過濾推薦算法以及基于內容的協同過濾推薦算法做出一定的研究.最后通過一系列的計算，得出最適合當代用戶需求的個性化推薦算法。不僅減少了計算的難度，縮短了線上計算的時間，還能夠通過計算目標用戶與相似用戶對商品的評分，快速高效的根據用戶的需求給他們推薦適合他們喜好的商品，提高了用戶對電子商務使用的效率，是非常有必要性的一項研究。

參考文獻

[1]翟麗麗，邢海龍，張樹臣.基于情境聚類優化的移動電子商務協同過濾推薦研究[J].情報理論與實踐，2016，39 （08）：106-110.

[2]李菲，基于關聯規則優化的個性化推薦系統[J].內蒙古師范大學學報（自然科學漢文版），2016，45 （04）：515-520.

[3]蘭艷，曹芳芳，面向電影推薦的時間加權協同過濾算法的研究[J].計算機科學，2017，44 （04）：295-301+322.

[4]田磊，任國恒，王偉，基于聚類優化的協同過濾個性化圖書推薦[J].圖書館學研究，2017 （08）：75-80.

[5]盛先鋒.基于聚類優化的數字圖書館協同過濾個性化推薦服務研究[J].中國中醫藥圖書情報雜志，2019，43 （03）：37-40.

[6]翟爍.基于用戶興趣和雙重聚類融合的協同過濾算法的優化研究[J].無線互聯科技，2015 （05）：124-127.

作者簡介

陶建強（1978-），男，德州職業技術學院，講師，電子商務專業。