桑志超

(河北工程大學(xué)，河北 邯鄲 056038)

0 引言

隨著電子商務(wù)的不斷發(fā)展，其規(guī)模越來(lái)越大，可以提供的商品種類和數(shù)量也不斷大幅度地增加。如何使顧客方便、快速的找到商品，順利地完成購(gòu)物過(guò)程成為電子商務(wù)企業(yè)亟待解決的問(wèn)題，也是企業(yè)提高其自身競(jìng)爭(zhēng)力的重要砝碼。個(gè)性化推薦技術(shù)為解決這一問(wèn)題提供了有力的支撐。目前，以搜索引擎為基礎(chǔ)的推薦引擎技術(shù)為提高購(gòu)物效率提供了強(qiáng)有力的技術(shù)支持。

1 關(guān)于推薦引擎

1.1 推薦引擎定義

推薦引擎的目的是解決信息過(guò)載問(wèn)題，其本質(zhì)在于通過(guò)對(duì)用戶歷史活動(dòng)記錄進(jìn)行分析后，得出用戶的興趣特點(diǎn)等信息，進(jìn)而主動(dòng)為用戶推薦其感興趣的商品或信息。個(gè)性化是推薦引擎的精髓所在，通過(guò)對(duì)群體數(shù)據(jù)進(jìn)行分析得出用戶的個(gè)性化愛(ài)好，然后針對(duì)其個(gè)性化需求等給出相應(yīng)的推薦。從長(zhǎng)遠(yuǎn)看來(lái)，推薦引擎技術(shù)具有極為廣闊的發(fā)展空間。

1.2 推薦引擎與搜索引擎的聯(lián)系與區(qū)別

推薦引擎與搜索引擎有著一定的聯(lián)系與區(qū)別。二者都是基于網(wǎng)絡(luò)平臺(tái)的工具，旨在發(fā)現(xiàn)答案或興趣點(diǎn)；算法考慮的角度比較類似，不過(guò)算法思想存在很大的差異，搜索引擎給出的結(jié)果強(qiáng)調(diào)內(nèi)容關(guān)聯(lián)，而推薦引擎給出的結(jié)果則強(qiáng)調(diào)個(gè)性化；搜索引擎是幫助用戶找到最為合適的結(jié)果，而推薦引擎可以幫助進(jìn)行多樣化體驗(yàn)進(jìn)而滿足其多個(gè)興趣需要；海量數(shù)據(jù)的處理和計(jì)算是二者不可缺少的一部分；相比于搜索引擎被動(dòng)等待用戶搜索請(qǐng)求的情況，推薦引擎是主動(dòng)為用戶推送相關(guān)的服務(wù)。

2 推薦引擎技術(shù)原理

2.1 基于內(nèi)容相似度的算法

該推薦算法是以從推薦物品或者推薦內(nèi)容的元數(shù)據(jù)中找出物品與內(nèi)容的關(guān)聯(lián)性然后根據(jù)用戶以往的興趣愛(ài)好為算法的核心思想，這是在推薦引擎出現(xiàn)之初是使用最為廣泛的推薦方法。例如：假設(shè)用戶A、用戶B、用戶C都喜歡看影視劇，用戶A喜歡看的電影a屬于愛(ài)情、浪漫類,用戶B、C喜歡的電影b屬于恐怖驚悚類，電影c與電影a相似屬于愛(ài)情浪漫類，則可以把電影c推薦給用戶A。

基于該算法的推薦機(jī)制的不足之處在于：1）需要對(duì)商品進(jìn)行分析建模，其建模的完整性與否直接影響到推薦的質(zhì)量；2）在對(duì)商品進(jìn)行建模的過(guò)程中往往會(huì)忽略人對(duì)物品的態(tài)度；3）存在“冷啟動(dòng)”問(wèn)題。應(yīng)用該推薦方法的網(wǎng)站有百度、優(yōu)酷、gmail、google等。

2.2 基于協(xié)同過(guò)濾推薦算法

2.2.1 基于用戶的協(xié)同過(guò)濾推薦

該推薦方法的基本原理是運(yùn)用“K-鄰居”算法，找出與當(dāng)前用戶偏好相同或相似的鄰居群，然后根據(jù)鄰居群的歷史記錄對(duì)當(dāng)前用戶進(jìn)行推薦。例如，假設(shè)用戶 A喜歡物品 a，物品 c和物品 d，用戶 B喜歡物品b，用戶C喜歡物品a和物品c；從各個(gè)用戶的歷史偏好信息中，我們可以發(fā)現(xiàn)用戶 A與用戶C的偏好比較類似，同時(shí)用戶C還喜歡物品d，由此我們可以推斷用戶 A可能也喜歡物品 d，因此可以將物品d推薦給用戶A。

該算法的領(lǐng)域擴(kuò)展性比較好，其推薦多樣性遠(yuǎn)遠(yuǎn)高于基于物品的協(xié)同過(guò)濾推薦。其不足之處在于算法具有時(shí)效性，無(wú)法離線計(jì)算；在大規(guī)模數(shù)據(jù)集上數(shù)據(jù)稀疏嚴(yán)重。

2.2.2 基于物品的協(xié)同過(guò)濾推薦

該推薦機(jī)制的原理同基于用戶的協(xié)同過(guò)濾推薦機(jī)制類似，它是發(fā)現(xiàn)物品與物品之間的相似性，針對(duì)用戶的歷史偏好信息對(duì)用戶作出物品推薦。例如，假設(shè)用戶A喜歡物品 a和物品 c，用戶B喜歡物品 a，物品 b和物品 c，用戶 C喜歡物品 a，從這些用戶的歷史喜好可以分析出物品a和物品c時(shí)比較類似的，喜歡物品a的人都喜歡物品 c，基于這個(gè)數(shù)據(jù)可以推斷用戶 C很有可能也喜歡物品 c，所以系統(tǒng)會(huì)將物品c推薦給用戶C。

該推薦機(jī)制能夠離線計(jì)算，不存在時(shí)效性的問(wèn)題；盡管依舊有數(shù)據(jù)稀疏的問(wèn)題，但是可以計(jì)算；能夠有效地發(fā)現(xiàn)具有相同興趣的用戶的相似item。其不足之處在于多樣性不如基于用戶的推薦機(jī)制，對(duì)于興趣單一的用戶較為適用。

2.3 基于人口統(tǒng)計(jì)學(xué)的算法

該算法指根據(jù)用戶的基本信息，從中發(fā)現(xiàn)用戶之間的相關(guān)度，然后將相關(guān)用戶喜歡的商品推薦給當(dāng)前用戶。例如，通過(guò)用戶基本信息調(diào)查發(fā)現(xiàn)，用戶A與用戶C都是女性，且屬于同一年齡段，則可以認(rèn)為用戶A和用戶C相似，就可以把用戶A喜歡的商品推薦給用戶C。這種推薦方法的優(yōu)勢(shì)在于不存在冷啟動(dòng)問(wèn)題，且適用于任何商品領(lǐng)域；其不足之處是對(duì)用戶分類方法過(guò)于粗糙，無(wú)法深入發(fā)掘出用戶偏好，且對(duì)于有些用戶敏感的信息難以獲取。

2.4 基于Topic model的算法

該算法的思想是為每個(gè)Item定義不同的topic標(biāo)簽，之后定義每個(gè)topic之間的相似度。用戶選擇topic后，基于其選擇進(jìn)行各個(gè)topic之間相似度的計(jì)算，最后生成推薦item集合。

在該推薦算法中，topic作為聯(lián)系user與item之間的紐帶，借助較好的用戶回饋機(jī)制，就能夠使系統(tǒng)更好地演繹。其不足之處是item之間相似度計(jì)算比較麻煩且topic定義繁瑣。使用該算法作為推薦算法的主要有 youtube、google news、jinni等網(wǎng)站。

2.5 基于關(guān)聯(lián)規(guī)則的推薦算法

關(guān)聯(lián)規(guī)則算法是數(shù)據(jù)挖掘算法中的經(jīng)典算法之一，它主要是找出數(shù)據(jù)的依賴關(guān)系。通過(guò)進(jìn)行關(guān)聯(lián)規(guī)則分析，能夠了解到什么樣的物品被同時(shí)購(gòu)買的幾率比較大，或者了解到用戶在購(gòu)買一些物品后通常還會(huì)購(gòu)買哪些別的物品。當(dāng)挖掘出這樣的具有關(guān)聯(lián)規(guī)則的物品信息后，就可以基于這些信息為用戶推薦關(guān)聯(lián)商品。

2.6 混合推薦機(jī)制

在現(xiàn)行的多數(shù)網(wǎng)站中，并不是使用單一一種推薦模式，往往是集合各種推薦方法的優(yōu)勢(shì)，進(jìn)而達(dá)到更好的推薦效果。目前常用的混合方法主要有加權(quán)混合、分區(qū)混合、切換混合和分層混合。加權(quán)混合指用線性代數(shù)中的公式將不同的推薦方法以一定的權(quán)重組合起來(lái)，利用測(cè)試數(shù)據(jù)進(jìn)行反復(fù)實(shí)驗(yàn)以期達(dá)到最好的推薦效果；分區(qū)混合指將不同推薦方法的推薦結(jié)果顯示在不同的區(qū)域，這種方式在當(dāng)當(dāng)網(wǎng)、亞馬遜等網(wǎng)站中都可以看到；切換混合指針對(duì)不同的物品，不同的情況下采用最合適的推薦機(jī)制來(lái)向用戶進(jìn)行推薦；分層混合指采用多種推薦機(jī)制，并將一種推薦機(jī)制的推薦結(jié)果作為另一種推薦機(jī)制的輸入，從而得出更為精確的推薦結(jié)果。

3 推薦引擎技術(shù)在電子商務(wù)中的應(yīng)用

在推薦引擎技術(shù)出現(xiàn)后，用戶在電子商務(wù)網(wǎng)站瀏覽的效率得到了很大的提高，它只顯示用戶想要看到的內(nèi)容。試目前應(yīng)用推薦引擎技術(shù)的電子商務(wù)網(wǎng)站很多，最典型的就是亞馬遜，像淘寶網(wǎng)、當(dāng)當(dāng)網(wǎng)、京東商城、騰訊等大家所熟知的網(wǎng)站中也大量應(yīng)用了推薦引擎技術(shù)。

推薦引擎在電子商務(wù)中的應(yīng)用主要表現(xiàn)在如下幾個(gè)方面：1）今日推薦：通常是基于用戶近期的購(gòu)買記錄或者瀏覽記錄，結(jié)合當(dāng)下一些比較流行的物品等信息對(duì)用戶進(jìn)行推薦；2）捆綁銷售：基于數(shù)據(jù)挖掘技術(shù)對(duì)用戶的購(gòu)買行為進(jìn)行深入挖掘分析，找到其購(gòu)買記錄中具有關(guān)聯(lián)的物品進(jìn)行捆綁銷售，如淘寶網(wǎng)中的搭配套餐；3）top排行榜：基于銷售記錄中銷售數(shù)量最多的商品進(jìn)行排行，向用戶進(jìn)行推薦。

4 小結(jié)

論文對(duì)推薦引擎的相關(guān)定義以及算法原理進(jìn)行了較詳細(xì)的介紹，推薦引擎能夠促成更多的網(wǎng)上交易，具有很大的發(fā)展空間。但是，盡管推薦引擎在推動(dòng)電子商務(wù)發(fā)展方面有很大的優(yōu)勢(shì)，但是其仍有其不足，比如“冷啟動(dòng)”問(wèn)題，而且在涉及到用戶個(gè)人信息時(shí)是否觸及用戶的隱私權(quán)還有待確定。

［1］HAN Jiawei，KAMBER Micheline．?dāng)?shù)據(jù)挖掘概念與技術(shù)[M]．范明，孟小峰，譯．北京:機(jī)械工業(yè)出版社，2007．

［2］張奇鋒.潛力巨大的推薦引擎讓互聯(lián)網(wǎng)更懂你[N].廣東科技報(bào)，2011-09-24.

［3］陳靜.推薦引擎搶占行業(yè)先機(jī)[N].經(jīng)濟(jì)日?qǐng)?bào)，2011-09-15.