電子商務網站用戶體驗信息個性化推薦應用研究

王新露 劉廣成

摘? 要：傳統個性化推薦應用存在與用戶實際需求信息匹配度低的問題，為此設計了一種電子商務網站用戶體驗信息個性化推薦方法。通過分析數據清洗工作流程，設計用戶體驗信息個性化推薦應用算法，并根據用戶在網站上的相關行為，計算用戶個性推薦項目相似度。整合用戶對個性化推薦的反饋數據，提供用戶在網站體驗的個性化信息，以此完成對用戶體驗信息個性化推薦。此外，采用設計仿真實驗的方式，驗證了用戶經過提出的個性化推薦后，在電子商務網站的平均瀏覽時長增多，證明推薦的個性化內容與用戶的實際信息需求匹配度較高。

關鍵詞：電子商務網站;用戶體驗信息;個性化推薦;應用

中圖分類號：F713.36? ? ? ?文獻標志碼：A? ? ? ? ?文章編號：2095-2945（2020）27-0184-02

Abstract： Traditional personalized recommendation applications have the problem of low matching with the actual needs of users， so a personalized recommendation method for user experience information of e-commerce websites is designed. By analyzing the work flow of data cleaning， the personalized recommendation application algorithm of user experience information is designed， and the similarity of user personality recommendation project is calculated according to the relevant behavior of users on the website. Integrate the feedback data of users on personalized recommendation， and provide personalized information of user experience on the website， so as to complete the personalized recommendation of user experience information. In addition， the design simulation experiment is used to verify that after the personalized recommendation， the average browsing time of the e-commerce website increases， which proves that the recommended personalized content matches the actual information needs of users.

Keywords： e-commerce website; user experience information; personalized recommendation; application

引言

在網站中常出現由于數據定位不準確，造成的信息傳輸延誤問題。為了順應時代發展，滿足不同社會群體的電商購物需求，提出一種整合用戶體驗的信息個性化推薦方法。在大型電子商務網站中，已經設計了相關個性化推薦的線上檢索頁面，以此縮短使用者與海量信息數據的距離[1]。此前，已有大量市場調研數據表明，使用個性化推薦應用設計的電子商務網站，每年商業額度平均上升了1.5～7.5個百分點。為此本文將從用戶體驗信息層面出發，深入探究適應信息時代發展的電子商務網站個性化推薦應用設計。提高用戶對網站使用的滿意程度，改善電子商務網站發展落后的現狀。

1 電子商務網站用戶體驗信息個性化推薦應用設計

1.1 基于用戶體驗信息設計個性化推薦應用算法

為了解決不同用戶群體的不同需求，應先明確電子商務網站中不同項目之間潛在的差異性。利用大數據技術導入用戶在網站中的日志文件，建立用戶推薦項目數據庫。選中用戶在網站中近一周的服務器日志[2]。同時對用戶文件實施數據清洗工作，挖掘具有相同特征屬性的文件信息。

將導出的文件統一后綴名為.Axd或.js，并生成新的URL字段。在完成數據清洗工作后，導出的數據具備一定特征表述能力。為了滿足用戶的個性化推薦應用，選擇引入個性化推薦應用算法的方式。在訪談的基礎上，進一步感知用戶在瀏覽電子商務網站的時長、訪問次數等信息。并從計算機角度深入研究用戶的相關瀏覽行為，個性化推薦應用算法可用下述計算公式表示。

公式（1）中：a表示為用戶體驗時間;b表示為用戶體驗次數;sim表示為電子商務用戶興趣項目;？琢表示為網站節點參數;N表示為網站項目特征數據;P表示為項目公共屬性。根據上述算法公式，掌握用戶對電子商務網站的基本認知，并根據用戶在網站上的相關行為，判定項目個性化推薦的穩定區間，以此提高導出數據與用戶個性化的適配程度。

1.2 用戶個性推薦項目相似度計算

應用上述設計的用戶個性化信息推薦算法，可知每一個用戶的網站瀏覽信息都借用空間定量計算公式表達。為了進一步定位用戶的個性化需求，采用計算用戶個性化推薦項目相似度的方式，獲取個性化項目相關性信息。計算公式如下。

根據上述計算公式，考慮到網站上不同項目之間存在余弦近似能力，同步分析不同項目的權重表述能力，將公式（2）整理為如下。

公式（3）中：x表示為橫向個性化定量;y表示為縱向個性化定量;cos？茲表示為用戶在網站余弦近似能力;k表示為提取的用戶在網站檢索中的關鍵詞;w表示為項目分項權重值。根據上述計算公式，假定用戶為X，將其檢索的相關信息代入公式，可得到用戶體驗信息個性化函數關系式。表示為：

公式（4）中：n表示為個性化項目數量;i表示為檢索次數;c表示為層次樹。按照函數計算公式，劃分用戶體驗項目層次，并細化項目中的節點信息。根據節點在網站的所處深度，計算兩個隨機節點信息的相似性。計算公式如下。

公式（5）（6）中：dis表示為用戶在電子商務網站的瀏覽深度;dep表示為用戶在電子商務網站的瀏覽次數;f表示為用戶體驗信息中節點數量。根據上述計算公式，掌握用戶在網站的深度瀏覽情況，以此為用戶推薦提供信息支撐。

1.3 相關瀏覽網頁推薦

根據上述的計算結果，自定義電子商務網站個性化網頁主題為？琢。當使用者瀏覽一個指定網站時，使用者一定是基于某種檢索目標來進行瀏覽的，因此使用者也一定會結合網站提供的不同路徑進行指定的功能檢索，因此應保持網頁的主題？琢與用戶的檢索目標一致，才能提升用戶在瀏覽網頁時的興趣焦點。

同時，采用實體添加網頁標注的方法提升網頁的主題個性化性能，定期根據用戶的瀏覽歷史與閱讀深度更新用戶檢索的個性化信息[3]。結合云計算處理數據技術對網頁中的關鍵數據或信息進行全方面檢索，側重于對網頁鏈接關系之間的分析，結合相關數據篩查方法，選定具有代表性的數據用戶表示網頁具有的特征，表達式如下所示。

公式（7）中：Wi表示為個性化主題？琢的關鍵詞匯，A、B表示為？琢的實體對應屬性，A、B表示為對應點ai、bi是實體屬性的擴增形容詞。根據上述計算公式，整合相關用戶信息，增設電子商務網站在線推薦模塊，允許用戶在網站上對推薦的個性化信息反復修訂。當用戶反饋滿意程度超過80%時，網站將深入用戶信息提供用戶個性化推薦，假定用戶滿意程度不足80%，重復上述相似度計算，直至找到與用戶興趣相匹配的個性化推薦項目，以此完成電子商務網站用戶體驗信息個性化推薦。

2 實驗論證分析

提出實驗，選擇市場內某電子商務網站為此次實驗的對象。搭建仿真實驗操作臺，設計以下仿真實驗，選擇32位進制的Windows17計算機操作系統，采用60～30MHz和2.40MHz的時鐘源為仿真實驗臺提供256kb的在線運行內存，使用i7計算機運行處理器，為電子商務網站的運行提供穩定的運行平臺。隨機抽選20名電子商務網站注冊用戶，將其分為兩組，每組10名用戶，整合20名用戶近一周內在網站上的瀏覽記錄與閱讀深度。獲取用戶前一周在電子商務網站的平均在線時長，先根據其中一組的用戶使用網站行為對其進行個性化網站應用推薦，獲取在推薦后一周的用戶在網站的在線時長。再使用傳統的個性化推薦應用實施相同的操作步驟，獲取另一組用戶的網站周在線時長，對比兩組用戶的周在線平均時長。并以此作為評價個性化推薦應用實用性的依據。整理實驗數據，將其繪制成統計圖，對數據進行分析。

經過本文設計的個性化推薦應用，用戶在網站的周平均在線時長明顯提升，為此根據實驗過程及實驗中產生的實驗數據，可以得出下述結論：在相同網絡環境中，采用同樣的本文設計的電子商務網站用戶體驗信息個性化推薦應用，用戶在電子商務網站上的瀏覽時長增多，表明了本文設計推薦應用為用戶提供的個性化推薦信息與用戶興趣的匹配程度更高，切合實際的滿足了不同社會群體對電子商務網站的信息定位需求，更具備實際應用價值。

3 結束語

文章開展了電子商務網站用戶體驗信息個性化推薦應用的設計，并采用設計實驗的方式，驗證了本文提出方法在實際應用中，可提高用戶對網站的興趣度，以此證明本文研究更具有實際應用價值。盡管此次研究可結合用戶的瀏覽歷史，提供用戶個性化信息，但該應用方法的應用仍處于初級階段，在一些方面仍有待深入研究。

參考文獻：

[1]李芳，劉新民，王松.個性化推薦的信息呈現、心理距離與消費者接受意愿——基于解釋水平理論的視角[J].企業經濟，2018，37（05）：

109-115.

[2]黃逸珺，杜夢甜，傅玉婷.基于用戶感知的個性化推薦系統效果研究——以淘寶電商平臺為例[J].北京郵電大學學報（社會科學版），

2018，20（05）：28-35.

[3]耿曉利，王淑娟，陳曉鋒.Apriori算法在電商網站個性化推薦中的研究與實現[J].電腦知識與技術，2018，014（006）：244-246，253.