協同過濾技術在電子商務個性化推薦中的研究與應用

文 君

（文華學院信息學部 湖北 武漢 430074）

1 引言

相關數據顯示，我國上網用戶數量已經超過了12億，CN下注冊的域名數量也快速增長，而個性化推薦是當前一種先進的服務方式，能夠為顧客提供個性化的決策支持以及信息服務。但是伴隨電子商務交易規模不斷擴大，網購的熱潮也在不斷地升溫，要想準確地預測顧客的興趣，并且產生有效的推薦結果，尤其是面對數據信息的稀疏性以及計算時遇到的各種問題，那么對以往協同過濾算法就要進行積極改進[1-2]。

2 電子商務概述

電子商務主要是借助信息技術開展的商務活動，基于服務器以及瀏覽器等應用方式，買方和賣方在線上開展各種商貿活動，從而實現顧客的網上購物、在線支付及各種商務活動等。

即便電子商務在各個國家或不同的領域都有著不同的定義，然而最關鍵的仍舊是依靠網絡技術以及電子設備進行的一種商業模式，電子商務主要包括網絡營銷、電子貨幣交換、存貨管理、電子交易以及供應鏈管理等系統。在這個過程中，運用的信息技術又包含：外聯網、移動電話、內聯網、互聯網以及電子郵件等[3]。

3 推薦系統作用

將瀏覽者變成購買者，電子商務站點的訪問人員通常只是隨便瀏覽網站，他們并沒有購買的意向，若是此時推薦系統可以有針對性地給瀏覽網站的人員提供一些高質量產品的話，那么，就能極大地引起瀏覽人員購買產品的興趣，將訪問者轉化成消費者[4-5]。

推薦系統能夠通過向消費者推薦額外的產品來提升其交叉銷售量，若是網站推薦系統較好，那么還能增加各企業平均定購數量。其次，推薦系統能夠結合顧客目前購物車里面的商品來向其推薦一些類似的商品。比如顧客買了一個鞋柜，網站就會向顧客推薦衣柜、酒柜等。

與顧客建立忠誠度。在當前的環境下，必須要提升網站的吸引力。首先，要通過優質的內容實現。其次，要為顧客提供一個便于快捷瀏覽到自己比較喜歡感興趣產品的途徑。若是顧客在每一次購買產品時，推薦系統都能夠進行有效的產品推薦，那么肯定會吸引顧客下一次繼續在此網站上購買產品。不僅如此，個性化的推薦系統還能夠進一步吸引顧客[6]。

4 協同過濾技術存在的問題

即便協同過濾技術在現階段獲得了成功的運用，然而，協同過濾技術并不是說在什么環境下都可以表現出比較好的效果。比如隨著電子商務站點規模不斷地擴大，其商品數量以及用戶數量也在迅速增長，所以協同過濾技術便遇到了較為嚴重的挑戰，包含數據信息的可擴展性以及稀疏性問題等。要想解決這些問題就要從下面兩個方面著手，首先是在沒有改變數據信息的情況下提升算法的準確度，其次是采取有效的技術方法改變數據信息稀疏的情況[7]。

5 協同過濾技術應用

5.1 信息數據的檢索

信息數據檢索技術應用于顧客查詢，信息數據檢索所研究的內容包含兩種，一種是查詢技術，另一種是索引技術。后者是對資源內容展開分析，然后把資源表示成計算機能夠處理的數據信息結構。前者是通過接口來接受顧客的需求，所以可以看出，信息數據檢索技術通常運用在大規模數據庫系統當中，并且這一數據庫通常是靜止的。它既不能主動為顧客做出推薦，也不能發掘出顧客更多的興趣[8]。

5.2 信息過濾

與信息檢索不同，信息過濾重視顧客的長線需求，主要是用來處理一些文本信息，最終的目標是幫助顧客處理海量的信息，這一技術必須建立在基于顧客興趣愛好上。其主要分為兩種，一種是基于內容信息過濾技術，另一種是協同過濾技術，結合信息內容特征來過濾，把信息流與顧客檔案文件有機匹配，根據匹配的程度來確定這一信息流對顧客有沒有價值[9]。

5.3 協同過濾

在這一項技術中，顧客通過互相合作進行信息選擇，其主要是根據與自己興趣比較相似的顧客，通過這些顧客對信息數據做出評價。協作方通常是顧客信任的親戚朋友、同事或者與自己興趣比較相似的客戶等，根據他們的判斷來向消費者推薦信息。協同過濾技術最大的優勢在于其不再結合物品本身來分析，而是分析消費者的行為，進而完成過濾。通過不斷研究分析協同過濾技術，人們也開始完善這一項技術，進而產生一種自動化智能化的協同過濾技術。協同過濾技術有如下幾點優點。

（1）協同過濾技術不關心資源實際的內容，所以很難分析資源的內容，比如音樂、圖形、視頻以及圖像等作為資源內容時，協同過濾技術是非常好的選擇。

（2）協同過濾技術能夠發現內容上看起來完全不一樣的資源，消費者對推薦的內容無法提前預料。相比以往的傳統方式，協同過濾技術會有很多不可取代的優勢，也是[10]目前為止個性化推薦系統當中運用比較成功的一項技術

6 個性化推薦技術分類

6.1 基于項目推薦算法

主要分為兩個階段，第一個階段是最近鄰查詢，第二個階段是結合顧客對最近鄰居實際評分來預測其對目標項評分，然后產生TOP-N產品的推薦。

基于項目推薦算法，它除了可以提升可測量性，同時對于推薦的結果還能作出很好的解釋，由于大多數情況下，特定的一些消費者對特定的產品會比較感興趣。然而，基于項目推薦算法無法作出“跨類型”產品推薦，因此就不能夠挖掘出消費者的潛在興趣。

6.2 基于商品的推薦系統

結合商品屬性特征來向消費者產生推薦列表，這一推薦系統就需要消費者輸入其所需要的商品屬性特點，所以屬于手工輸入推薦的方式。基于商品屬性的推薦不僅是瞬時的，同時還是個性化的，主要取決于站點是不是保存消費者偏好的記錄。

6.3 基于內容推薦

首先，對每一個客戶的訪問要建立文檔，并且還要把網站內容進行分類，比如說商務網站中的產品、教育平臺的課程內容等要進行細致分類，在消費者訪問這一網站的時候，就能結合該消費者訪問內容建立文檔。

運用結合內容的方式來推薦，其優點是簡單。但缺點是無法為客戶挖掘出新鮮的資源，只是可以發現和客戶已有的興趣相類似的資源，同時還很難區分資源的風格與品質。其次，在推薦前還應該做全面的分析工作，詳細分析現階段客戶訪問的內容都是什么[11]。

6.4 知識工程方法

在個性化的推薦系統中，知識工程的方式能夠用來尋求在發現客戶選擇產品時，影響他們喜好的因素。這一系統使用人員通過自定義規則進行顯示文本的消息，然而規則對每一個客戶來說是個性化的。這部分自定義規則是結合內容以及文本消息屬性，比如說閃光點、發送人、長度等。知識工程的方式不僅可以基于項目的特征、其他特定的領域，并且還能基于用戶的特征。同其他方式相比，知識工程的方式的不同之處主要表現為知識工程所產生的過程不是自動的，并且在這種方法中，需要利用過去人類一切文明成果。

7 結語

綜上所述，隨著電子商務不斷發展，數據量正在以驚人的速度呈爆炸式增長，要想獲取有價值和有用的信息，那么電商推薦系統對于不同的用戶，以及對服務和商品就要作出個性化的推薦。協同過濾的方式當前已經成功運用在電子商務個性化推薦系統中，然而伴隨電商推薦系統普遍的運用以及系統規模逐步擴大，協同過濾推薦算法也暴露出了諸多問題和挑戰。對此，文章首先研究分析了協同過濾技術存在的問題，隨后又分析了電商個性化推薦方法，并對各種推薦方式在電商推薦系統中的運用進行了比較，希望能夠為廣大用戶提供更為精確的推薦結果。