論電子商務平臺個性化推薦的實現

顧徐斌

(上海市行知中學，上海 200431)

一、引言

隨著后電商時代的到來，電商巨頭將競爭火力集中于下沉市場，網絡購物的普及率大大提升，成為了千家萬戶日常消費生活的標配。從數據來看，天貓“雙11”活動銷售額從2009年的5200萬元增長到了2020年的4982億元，增長了9581倍。2020年中國網民數量約為9.5億，故僅考慮天貓這一家電商平臺，網民人均消費就達到了524.42元，足以看出該市場的廣闊。在供給側改革的時代背景下，生產力已經不再是限制人們消費的關鍵因素。電商平臺的消費者在產生購物需求時，面臨的選擇過多，反而難以尋找到自己需要的適合的商品，即產生了信息過載問題。

為了解決信息過載問題，提升用戶的購物效率，電商平臺均大力開發與迭代個性化推薦系統。電子商務個性化推薦系統就是根據用戶的行為數據和興趣模型，為用戶提供可能符合他們需求的特定商品信息，提升用戶購物體驗的同時促進消費，為平臺帶來更大的經濟效益。如果說，用戶搜索商品是一種主動行為，那用戶接受個性化推薦則是一種被動化的行為，源于用戶被激發了弱化的、潛在的需求。需要關注的是，互聯網雖然在技術上能夠實現去中心化，然而電商巨頭對流量入口的把持又重新塑造了一個中心化的世界，個性化推薦系統能夠推動多樣化的實現，使得更多小而美的商家能夠被看見。總的來說，個性化推薦系統無論對消費者還是商家，都是有一定的積極意義和現實價值，故本文重點研究不同電子商務平臺應用個性化推薦系統的現狀以及異同點，試圖挖掘出個性化系統還有待改進的部分，希望能夠為個性化推薦系統的完善提出建議。

二、概念闡釋

1.個性化推薦系統的概念

20世紀末Tapestry作為第一個推薦系統誕生，隨著時代的飛速發展，現如今個性化推薦系統已經滲入到人們生活的點點滴滴，如短視頻、電商平臺等。不同的學術研究者也就個性化推薦系統給出了自己的看法。Resnick(1997)認為個性化推薦系統就是為網購平臺上的消費者推薦適合他們的產品。朱巖(2009)認為個性化推薦系統是一種輔助工具，它幫助消費者減少檢索所耗費的時間，以及幫助消費者更快地做出決定。蒲彬(2016)則認為個性化推薦系統是平臺根據消費者的消費習慣、數據所得出的信息，再將此信息主動推送給消費者，幫助他們選取合適的商品。綜上所述，目前學界并沒有一個統一的定義，本文認為個性化推薦系統是基于消費者過往的消費記錄、個人數據等，利用多種算法構建信息處理模型，從而主動為消費者提供符合他們需求的商品的一種系統。

2.個性化推薦系統的發展過程

個性化推薦系統是互聯網和電子商務發展的產物，最早在1995年3月，卡耐基梅隆大學的Robert Armstrong等學者在美國人工智能協會上提出了個性化導航系統Web Watcher，但受限于技術，該系統的理論意義強于實踐價值。由于技術的限制，主要還是停留在理論探討階段。21世紀初，Google創新性地提出了個性化元素，不再單一分析用戶的搜索關鍵詞，而是利用用戶的瀏覽記錄開展更加精確的分析。此后，個性化推薦系統逐漸成為業界和學術界的研究熱點。2009年7月，北京百分點信息科技有限公司成立，其作為國內首個個性化推薦系統科研團隊，構建了個性化推薦引擎技術與數據平臺，匯聚一百多家知名電商及資訊類網站的信息，嘗試為消費者提供實時的商品推薦服務。2011年9月，百度將推薦引擎與云計算共同作為互聯網未來發展重要戰略，強調個性化，此后個性化推薦系統才真正成為電商平臺技術中的重要構成。淘寶、天貓、京東、小紅書、蘇寧易購、唯品會等電商平臺，均推出自己的個性化推薦系統，并不斷迭代發展。

三、電商平臺個性化推薦系統的原理與價值

1.個性化推薦算法原理及分類

(1)基于內容的推薦

想要基于內容來推薦商品，首先給商品劃分屬性，然后根據消費者可能感興趣的物品的屬性特征，給消費者推薦同一類別的商品。從現實場景來看，當用戶瀏覽了某一件休閑類女裝，那么可以向其推薦其他的休閑類女裝。當然在實際應用中，只根據內容類型進行推薦，會有一些片面與不妥，比如未考慮用戶對于價格的敏感性、圖像中的顏色等信息，無法對其進行詳細地分類，有著很大的局限性，但基于內容的推薦仍然是一種基礎且可靠的算法。

(2)協同過濾

協同過濾則是通過利用消費者的搜索記錄，以及相似消費者的記錄來向該用戶推薦可能所需求的商品。協同過濾的核心是根據用戶及相似用戶喜好來推薦該消費者可能感興趣的商品。對于同一類型的商品，不同消費者對其評價相一致，則被定為相似消費者，然后根據相似消費者對該商品評價的高低，從而決定是否推薦此商品給該消費者。協同過濾的優勢在于當被分析及推薦的商品不存在明顯的基于內容的分類、或者沒有固定的評判標準時，能發揮出較好的推薦效果。同時，來自于相似用戶群體的類似偏好時常在空間上具有聚集性特征，故也存在較為明顯的即時性特征。其不足之處在于，若某個產品是最新上架的、沒有積累足夠的評論數據時，其初期的推薦效果就會存在較大的偏差[5]。此外，當某一產品的用戶規模逐漸變大時，用戶的成分越來越駁雜，衡量用戶偏好的影響因素越來越多，反過來影響了面向最初精準定位用戶的推薦精度，降低了用戶體驗。

(3)混合過濾

在個性化推薦技術騰躍式發展的十多年之間，不論是基于內容的推薦還是協同推薦算法，都存在各自的優勢與局限性。尤其是當電商領域巨頭的用戶量達到了數億的規模后，其面臨的場景紛繁復雜，僅靠單一的推薦算法難以一次性解決所有的問題。因此，技術人員考慮將不同的算法組合起來，發揮不同算法各自的優勢[2]。組合的基本思想分成3種：在協同過濾中加入基于內容的過濾，在基于內容的過濾中加入協同過濾，或者將兩者整合到一個推薦系統中。實踐當中，混合過濾大致可以分成加權式、切換式、級聯式、合并式、特征組合、特征遞增、元層混合等。目前各大電商平臺的個性化推薦算法都是不同形式的混合算法，且隨著用戶反饋不斷迭代更新。

2.電商平臺個性化推薦系統的實際價值與實現

個性化推薦系統的價值可以從用戶維度、產品維度和企業維度等多個角度來衡量。從用戶維度，個性化推薦系統可以提高購物效率，幫助用戶更快地找到自己感興趣的商品；從產品維度，更好的用戶體驗則會帶來更高的用戶粘性，提升產品的活躍度和整體流量；從企業角度，用戶的活躍度提升能夠吸引更多賣家入駐，從而提升廣告和傭金的收入。

四、不同電商平臺的個性化推薦實例

1.拼多多

拼多多是一個以“電商+平臺”為屬性的平臺，其挖掘出了下沉市場的巨大消費潛力，而從電商市場白熱化的競爭中脫穎而出，躋身電商三大巨頭之一。就其在個性化推薦領域的探索，其推出了所謂的“千人千面”，該系統大致經歷了3個發展歷程。第一階段，“千人千面”考慮的因素包括商品類目和標題以及買家瀏覽記錄，用以定向推薦和做重定向標簽。第二階段，在原先基礎上增加了商品屬性和用戶興趣點，表現在系統加強相似商品的推薦，此外從買家行為中提取興趣點，定向推薦符合興趣點的商品。第三階段，拼多多全量開放最新客戶標簽庫構成的DMP系統，目前人群常見標簽包括人群屬性、行業偏好、消費能力以及用戶軌跡，并利用這些標簽設置更加精細的價格段。此外，拼多多給了用戶瀏覽、收藏、下單記錄等動態標簽更多的權重，而非不常改變的用戶信息等靜態標簽，故其推薦系統能夠保持較高的即時性特征。

2.小紅書

小紅書是由毛文超和瞿芳所創立的一個以記錄生活方式為切入口的社交電商平臺。由于其吸引了大量年輕人，成為一大流量入口，故啟動電商模式僅僅五個月就突破了2億元營業額，到2017年5月，達成了近2000億元的驚人營收。在快速發展的過程中，小紅書的個性化推薦系統也經歷了不斷的迭代過程，從最簡單的GBDT模型演進到了包含了千億參數的稀疏離散模型，包括GBDT+LR、GBDT+Deep&Wide等。同時小紅書的瀑布流頁面背后進行的是實時流計算，即根據用戶對已曝光的筆記是否點擊、是否點贊以及在該筆記頁面的停留時長記錄，反饋給LogServer(即日志服務器)系統，接著將數據接入到Kafka系統，隨之展開數據計算，系統構建實時的初步用戶/筆記畫像，同時實時歸因，再次導入LogServer系統進行分析，根據訓練樣本導入Hive系統所得出的模型訓練作為參照，分析儲存實時指標，在Clickllouse系統進行數據落地，畫出最終的用戶畫像。因此，小紅書的算法推薦以用戶對筆記的消費行為為輸入，再將計算結果輸出，實時更新用戶標簽，為其推薦個性化的筆記。同時，預期模型與策略也包含在龐大的個性化推薦系統之中。當模型對象愈發龐雜時，小紅書將線上服務器拆分成獨立的集群，線下數據則通過Flink做實時的行為歸因，從而使得運營成本和系統復雜度隨之有所下降。

3.京東

京東的個性化推薦系統起源于2012年，開發了“看了還看” “買了還買”等版塊，底層邏輯是簡單的關聯推薦，其準確程度并不是很高。到了2014年，京東順應國內大數據的潮流，著手研發首頁猜你喜歡、購物車猜你喜歡、免運費湊單等個性化推薦版塊，在算法邏輯上逐漸向場景智能推薦過渡。從2016年至2017年，京東又推出了京東秒殺、智能賣場、陪伴計劃、我的618好貨、東家小院等多個類型的推薦，即不僅僅局限于商品，而是將其擴展到如活動、文章、清單等其他類型的個性化推薦。此外，京東還推出了所謂的多屏場景，以用戶興趣偏好為出發點，將推薦結果重新排序，便于用戶使用。即使是看似簡單的多屏整合，其背后涉及到了多種技術和復雜的計算能力，包括前端埋點、打造點擊流系統、多屏行為信息手機、實時流計算等。經過了一系列整合和迭代之后，京東平臺推薦系統業務架構包含系統架構、模型服務、機器學習、數據平臺共4個部分。對于數據處理部分，包括離線數據預處理、機器學習模型訓練，以及在線實時行為的接入、實時特征計算；對于推薦平臺，它是用戶和平臺所推薦的個性化商品之間的交互，也是整個個性化推薦流程中的核心模塊；在模型服務層面，其主要通過線下的算法訓練，達到精確尋找個性化商品的目的；對于特征服務平臺，通過提取用戶與商品交互的場景特征，從而給推薦給該用戶的個性化商品進行排序；而在線學習功能則是即時性更強的深度學習，是大規模的個性化推薦平臺進行改進的主要方式。

五、電商平臺個性化推薦面臨的挑戰和發展趨勢

1.電商平臺個性化推薦發展中的挑戰

盡管個性化推薦系統正在快速地發展，但整個行業也面臨著一定的瓶頸，其推薦效率和精度難以取得突破性的提升。該領域目前的主要挑戰在于數據稀疏性、冷啟動、大數據處理、社會化推薦等。

(1)數據稀疏性問題

隨著時間推移，個性化推薦系統的規模也是越來越大，變量甚至達到數千億的規模，但是用戶與用戶之間選擇的重疊非常少。用戶和商品關系之間可能存在的比例關系，也被稱為稀疏度，其實是非常疏松的，因為單一用戶在絕大多數變量上的取值均為0，只有購買過的商品才會取值為1，這也使得個性化推薦系統需要處理的數據矩陣是高階稀疏矩陣。一般而言，數據的規模越大，商品稀疏度就越低，過濾便越來越困難。由此，絕大部分基于關聯分析的算法的效果并不好。

(2)冷啟動問題

對于任何個性化推薦系統來說，冷啟動階段都難以有很好的推薦精度。因為新用戶罕有有價值的數據或行為信息，所以個性化推薦平臺只能通過注冊時填寫的用戶基本信息，如年齡、性別、居住城市、職業等，給出精確度較低的基本的商品推薦。然而，大多數新用戶能給一個電商APP的時間是比較有限的，如果使用效果不達預期，則留存率會隨之大大降低。

(3)大數據處理與增量計算

如今，一個電商平臺能夠提供的商品總數動輒幾千萬，乃至上億。當涉及到如此大規模的商品、商品標簽以及同樣龐大的用戶規模和實時產生的各類用戶數據，如何在短時間內高效地處理這些信息成為了一個難題。一個可能的解決方案是設計增量算法，即當產生新用戶、新商品和新的連接關系時，算法不再從整體上采集信息，而是從相連局部進行數據采樣，從而降低計算量。

(4)有關社會化推薦

由大數據分析可知，大部分消費者相較于電商平臺給出的個性化推薦商品，更希望聽取并采納來自好友的商品推薦。如果個性化推薦系統能夠將社會關系考慮在內[6]，能夠大幅度提高推薦的精確度。目前社會化推薦的發展方向也存在三種挑戰：一是如何利用社會化推薦給出精確的商品推薦，二是如何在社交網絡與個性化推薦系統之間建立更加有機的聯系，三是道德風險。根據技術接受理論，部分消費者可能認為過于精確的個性化推薦涉及侵犯到自己的隱私，反而引發用戶的抵觸心理。

2.個性化推薦的發展趨勢

大數據推薦及算法是有可拓展性的。目前各大電商平臺的個性化推薦系統不僅數據量大，而且新用戶新產品會不斷進入系統，用戶也會生產出新的瀏覽、收藏、下單、評論等動態行為數據。此外，用戶除了會在購物環節有檢索需求外，在金融理財、休閑娛樂等不同領域也有同樣的個性化需求，因此在互聯網世界的探索過程中會積累形成其他能夠互補的數據信息[7]。電商平臺數據有望和其他領域的數據進行整合，形成跨領域推薦，實現更完善的個性化推薦，故跨領域推薦成為個性化推薦系統的一大發展趨勢。

六、總結

在流量時代，用戶注意力是最為稀缺的資源，也是各大電商平臺所爭奪的重點。個性化推薦系統，通過給用戶提供有可能感興趣的商品，來實現提高用戶留存率、活躍時間、下單金額的目的，因此受到了電商平臺的廣泛關注和更新迭代。當下商品規模，即使是同一類目的商品也有成千上萬種，做到精確的個性化推薦難度不言而喻，未來個性化推薦系統可能會以更高頻率的數據采集速度、更高效的算法模型、更多的數據來源，從而為用戶提供更加精準的個性化推薦。