馮 勇，韓曉龍，付陳平，王嶸冰，徐紅艷

(遼寧大學(xué) 信息學(xué)院，沈陽(yáng) 110036)(*通信作者電子郵箱wrb@lnu.edu.cn)

0 引言

隨著互聯(lián)網(wǎng)技術(shù)的高速發(fā)展與廣泛應(yīng)用，電子商務(wù)已成為人們?nèi)粘Ｉ钪胁豢苫蛉钡纳唐方灰啄Ｊ?。在影響商品銷售的諸多因素中，信任關(guān)系和品牌概念起到至關(guān)重要的作用。信任是構(gòu)建用戶間伙伴關(guān)系的基石，口碑營(yíng)銷、病毒營(yíng)銷等新型營(yíng)銷模式就是基于信任關(guān)系的銷售。品牌是商品的標(biāo)志，企業(yè)通過(guò)關(guān)系營(yíng)銷、數(shù)據(jù)庫(kù)營(yíng)銷、整合營(yíng)銷等營(yíng)銷手段提升用戶對(duì)品牌的認(rèn)可度，進(jìn)而增強(qiáng)用戶黏度，促進(jìn)商品銷售。這兩個(gè)關(guān)鍵因素的融合可以使用戶在種類繁多的電子商務(wù)環(huán)境中迅速找到合適的商品，提高用戶的購(gòu)買效率。為此，本文從用戶信任和品牌認(rèn)可兩個(gè)方面著手,對(duì)傳統(tǒng)個(gè)性化推薦方法進(jìn)行改進(jìn)，實(shí)現(xiàn)電子商務(wù)精準(zhǔn)營(yíng)銷。

近年來(lái)，眾多學(xué)者通過(guò)研究用戶信任關(guān)系與個(gè)性化商品推薦的關(guān)聯(lián)，或是通過(guò)分析用戶評(píng)分信息來(lái)提高推薦的準(zhǔn)確率，但卻忽視了商品自身最主要的品牌因素對(duì)推薦準(zhǔn)確率的影響。李良等[1]將信任融合到協(xié)同過(guò)濾推薦方法中，提出將用戶評(píng)分信任和偏好信任結(jié)合，但該方法在計(jì)算信任時(shí)忽略了用戶間的交互關(guān)系。王海艷等[2]通過(guò)建立可信聯(lián)盟的方法來(lái)提高推薦服務(wù)的精確度，考慮了信任計(jì)算中的直接信任和間接信任；但并沒(méi)有充分考慮信任的非對(duì)稱性，結(jié)果偏離現(xiàn)實(shí)信任關(guān)系。在用戶評(píng)分上，Liu等[3]將用戶評(píng)分相似性和用戶評(píng)論進(jìn)行綜合考慮，這種思想在一定程度上提高了推薦的準(zhǔn)確率，卻增加了算法時(shí)間復(fù)雜度。McAuley等[4]利用hidden factors as topics將評(píng)分和評(píng)論信息相結(jié)合構(gòu)建特征向量，但這并不能同時(shí)對(duì)商品和用戶兩個(gè)角度進(jìn)行充分考慮。FPCA(Fixed Point Continuation with Approximate SVD)算法[5]和LmaFit算法[6]等通過(guò)補(bǔ)全用戶評(píng)分矩陣來(lái)提高推薦算法的準(zhǔn)確度;但這些算法大多聚焦于用戶的評(píng)分信息，而忽視了用戶的評(píng)論、購(gòu)買足跡等因素，這些因素能夠更細(xì)致地描述用戶的輪廓，對(duì)用戶的消費(fèi)決策產(chǎn)生重要影響。

本文在改進(jìn)推薦算法中用戶信任度計(jì)算方式的同時(shí)，引入了品牌認(rèn)可度因素，將品牌認(rèn)可度與用戶信任度融合，提出一種集成用戶信任度和品牌認(rèn)可度的商品推薦方法(Commodity Recommendation Method Integrating User Trust and Brand recognition, TBCRMI)。該方法由品牌認(rèn)可度、用戶活躍度和用戶信任度三個(gè)核心計(jì)算環(huán)節(jié)構(gòu)成，其中：品牌認(rèn)可度充分考慮了用戶購(gòu)買商品時(shí)的品牌選擇行為；用戶活躍度分析了用戶的評(píng)價(jià)行為，突出活躍用戶；用戶信任度結(jié)合了現(xiàn)實(shí)世界中信任的雙向關(guān)系，定義了新的信任度計(jì)算方式。

1 TBCRMI方法

1.1 方法架構(gòu)

為提升個(gè)性化商品推薦的成功率，促進(jìn)電子商務(wù)的開(kāi)展，本文結(jié)合商品營(yíng)銷中的核心要素：信任關(guān)系和品牌理念，給出一種集成用戶信任度和品牌認(rèn)可度的個(gè)性化商品推薦方法，其架構(gòu)如圖1所示。架構(gòu)圖的核心環(huán)節(jié)包括：品牌認(rèn)可度計(jì)算、用戶活躍度計(jì)算和用戶信任度計(jì)算。

圖1 TBCRMI 方法架構(gòu)Fig.1 Architecture of TBCRMI

1.2 核心算法

設(shè)用戶集合U={u1,u2,…,un}，品牌集合B={b1,b2,…,bm}，根據(jù)用戶行為數(shù)據(jù)集和信息交互數(shù)據(jù)集，先分析用戶的商品購(gòu)買記錄和評(píng)價(jià)行為記錄，計(jì)算得到用戶品牌認(rèn)可度和活躍度，然后按品牌構(gòu)建用戶向量。設(shè)存在bj∈B,ui∈U，用戶向量表示為：

ui(Bcoi, j,Uaci, j)

其中:Bcoi, j表示用戶ui對(duì)品牌bj的認(rèn)可度；Uaci, j表示用戶ui在品牌bj上的活躍度。

在形成用戶信任關(guān)系環(huán)節(jié)，采用DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法對(duì)用戶進(jìn)行聚類，用戶間的距離計(jì)算使用歐氏距離。聚類算法如下。

輸入U(xiǎn)為包含n個(gè)用戶的數(shù)據(jù)集；ε為半徑參數(shù)；MinPts為鄰域密度閾值。

輸出 基于密度的用戶的集合C。

標(biāo)記U中所有的用戶為unvisited;

do

{隨機(jī)選擇一個(gè)unvisited對(duì)象ui；

標(biāo)記ui為visited；

ifui的ε-鄰域至少有MinPts個(gè)對(duì)象

{創(chuàng)建新簇C,并把ui添到C；

令N為uiε-鄰域中對(duì)象集合；

把它添加到N；

輸出C；}

Else標(biāo)記ui為噪聲}

whileU中沒(méi)有標(biāo)記為unvisited的對(duì)象

根據(jù)聚類結(jié)果，得到關(guān)于品牌bi的用戶關(guān)系矩陣URbi：

其中:數(shù)據(jù)元素dij是用戶i和用戶j間的距離。

在用戶信任度計(jì)算環(huán)節(jié)，根據(jù)用戶間信息交流數(shù)據(jù)，計(jì)算得到用戶信任關(guān)系矩陣T如下：

其中:數(shù)據(jù)元素Trij為用戶ui對(duì)用戶uj的信任度。

在面向目標(biāo)用戶選取近鄰關(guān)系環(huán)節(jié)，將用戶聚類矩陣與用戶信任矩陣融合。設(shè)用戶ui為目標(biāo)用戶，在矩陣URbi中第i行表示用戶ui相對(duì)其他用戶的距離；同樣在矩陣T中第i行表示用戶ui對(duì)其他用戶的信任度。合并得到推薦用戶列表URn表示如下：

最后采用Top-K方法選取目標(biāo)用戶的K個(gè)最近鄰，再依據(jù)目標(biāo)用戶約束生成商品推薦列表。為了確定α和β的合理取值，本文針對(duì)不同的α、β取值進(jìn)行多次實(shí)驗(yàn)并計(jì)算相應(yīng)的準(zhǔn)確率P和召回率R。α、β的測(cè)試用例與計(jì)算結(jié)果如表1所示。從表1中可以看出當(dāng)α=0.5，β=0.5時(shí)推薦效果最佳。

1.3 算法時(shí)間復(fù)雜度分析

本文算法的時(shí)間復(fù)雜度主要取決于以下兩個(gè)過(guò)程：1)分析用戶行為數(shù)據(jù)與用戶交互數(shù)據(jù)過(guò)程中遍歷所有記錄的時(shí)間；2)對(duì)用戶進(jìn)行聚類時(shí)使用的DBSCAN算法的時(shí)間復(fù)雜度。由于分析用戶品牌商品的購(gòu)買記錄、用戶評(píng)價(jià)行為記錄和用戶交流信息的過(guò)程是并行執(zhí)行的，所以遍歷n個(gè)用戶的n條記錄所產(chǎn)生的時(shí)間復(fù)雜度為O(n2)；而采用DBSCAN算法對(duì)用戶聚類時(shí)的基本時(shí)間復(fù)雜度是O(n×找出ε-鄰域中的用戶所需要的時(shí)間),n是用戶的個(gè)數(shù)，在最壞情況下其時(shí)間復(fù)雜度是O(n2)。綜合以上分析，本文的時(shí)間復(fù)雜度為O(n2)。

表1 測(cè)試用例及結(jié)果Tab. 1 Test cases and results

2 TBCRMI方法核心環(huán)節(jié)

本文所提出的集成用戶信任度和品牌認(rèn)可度的個(gè)性化商品推薦方法包含三個(gè)核心環(huán)節(jié)：品牌認(rèn)可度計(jì)算、用戶活躍度計(jì)算和用戶信任度計(jì)算。

2.1 品牌認(rèn)可度

Halim[11]的研究發(fā)現(xiàn)，一個(gè)能給消費(fèi)者帶來(lái)深刻印象的品牌總能贏得消費(fèi)者特別的注意力，超值的品牌更可能贏得消費(fèi)者的認(rèn)可。在現(xiàn)實(shí)生活中，如果用戶在體驗(yàn)過(guò)某個(gè)品牌的商品后對(duì)其并不滿意，那么再向該用戶推薦這個(gè)品牌的其他商品時(shí)，用戶接受的可能性很小。因此，在個(gè)性化商品推薦中融合品牌認(rèn)可度因素，可以提升推薦的準(zhǔn)確性。

定義1 品牌認(rèn)可度。是指相對(duì)一種品牌，用戶對(duì)其熟悉度和忠誠(chéng)度的表達(dá)。假如在同類商品中用戶對(duì)某品牌的商品購(gòu)買的次數(shù)明顯高于該品牌下所有用戶的平均購(gòu)買次數(shù)，且高于用戶自身對(duì)同類商品的平均購(gòu)買次數(shù)，那就說(shuō)明該用戶對(duì)此品牌商品比較偏愛(ài)，有較高的認(rèn)可度。

用戶的品牌認(rèn)可度由式(1)計(jì)算得到：

(1)

2.2 用戶活躍度

高活躍度用戶對(duì)品牌商品的評(píng)論存在正、負(fù)兩面，正面評(píng)論可以增加品牌的影響力進(jìn)而吸引更多用戶，而負(fù)面評(píng)論卻可以促進(jìn)企業(yè)或商城對(duì)商品的持續(xù)改進(jìn)。相對(duì)于普通用戶，高活躍度用戶瀏覽推薦商品的次數(shù)頻繁，在瀏覽過(guò)程中發(fā)現(xiàn)自己感興趣商品的概率隨之提高，從而提升了商品購(gòu)買概率。

定義2 用戶活躍度。是指根據(jù)用戶對(duì)推薦列表中商品瀏覽次數(shù)和商品體驗(yàn)評(píng)價(jià)情況而反映出的用戶在社會(huì)網(wǎng)絡(luò)中的活躍程度。

用戶活躍度采用式(2)計(jì)算得到:

(2)

使用式(2)可以對(duì)用戶在社交網(wǎng)絡(luò)中的綜合活躍度進(jìn)行計(jì)算。當(dāng)針對(duì)單一品牌商品進(jìn)行推薦時(shí)，也可使用式(2)針對(duì)用戶對(duì)某一品牌商品的瀏覽量、評(píng)論次數(shù)和字?jǐn)?shù)等，計(jì)算用戶在單一品牌上的用戶活躍度。

2.3 用戶信任度

在日常生活，尤其是電子商務(wù)中，信任表現(xiàn)出越來(lái)越重要的作用，是開(kāi)展商品交易、交換的基礎(chǔ)，成為電子商務(wù)網(wǎng)絡(luò)中用戶與用戶間溝通的橋梁。推薦系統(tǒng)中融入信任關(guān)系，在一定程度上解決了數(shù)據(jù)稀疏問(wèn)題，提高了推薦的準(zhǔn)確性。

定義3 用戶信任度。是指電商網(wǎng)絡(luò)中用戶之間通過(guò)直接、間接聯(lián)系表現(xiàn)出相對(duì)信任的程度，具有不對(duì)稱性、雙向性、傳遞性等特點(diǎn)?，F(xiàn)實(shí)生活中，信任是人與人之間的一種相互關(guān)系，是雙向且不對(duì)稱的，所以用圖論來(lái)描述社交網(wǎng)絡(luò)中用戶的信任關(guān)系恰到好處，因此在社交網(wǎng)絡(luò)中，用戶關(guān)系可用有向帶權(quán)圖G(U,E,X)表示。其中：U是網(wǎng)絡(luò)中的節(jié)點(diǎn)集合，表示所有的用戶；E是網(wǎng)絡(luò)中節(jié)點(diǎn)之間的有向邊，表示用戶間的交流關(guān)系，箭頭指向消息的接收方；X是節(jié)點(diǎn)間連線的權(quán)值，表示用戶之間單向信息交流的數(shù)量[12]。用戶間信息交流如圖2所示。

圖2 用戶間信息交流示意圖Fig.2 Schematic diagram of information exchange among users

因?yàn)橛脩糸g的信息交流是雙向且不對(duì)稱的，所以在計(jì)算信任度時(shí)不僅考慮信任的雙向性，同時(shí)還要體現(xiàn)信任的不對(duì)稱性。以圖2中D節(jié)點(diǎn)為例，在計(jì)算D節(jié)點(diǎn)相對(duì)于其他節(jié)點(diǎn)的信任度時(shí)，要以D為中心向外擴(kuò)散，選擇由D向外指的權(quán)值(D→H→I)。擴(kuò)散范圍依據(jù)六度分離理論確定，對(duì)于因社交網(wǎng)絡(luò)不能覆蓋或缺少關(guān)鍵中間聯(lián)系人而造成的超出六度分離理論的用戶予以保留，但并不作為關(guān)系節(jié)點(diǎn)參與計(jì)算[12]。

用戶間信任度由式(3)計(jì)算：

(3)

其中:D是根節(jié)點(diǎn)；U表示與D有信任關(guān)系的其他節(jié)點(diǎn)；i表示由根節(jié)點(diǎn)D到目標(biāo)節(jié)點(diǎn)n條路徑的第i條；j表示該條路徑中由根節(jié)點(diǎn)D到目標(biāo)節(jié)點(diǎn)的m層中的第j層(層表示由根節(jié)點(diǎn)向外，所有直接聯(lián)系的節(jié)點(diǎn)為第一層，隔一個(gè)節(jié)點(diǎn)間接聯(lián)系的為第二層，以此類推)；X(Sj-1,Sj)表示節(jié)點(diǎn)Sj-1與節(jié)點(diǎn)Sj之間的權(quán)值；Xj_total表示第j層與根節(jié)點(diǎn)D相關(guān)聯(lián)的節(jié)點(diǎn)的權(quán)值之和，圖2中用戶間節(jié)點(diǎn)的權(quán)值是信任度計(jì)算公式的核心參數(shù)。

3 實(shí)驗(yàn)與分析

為了驗(yàn)證信任關(guān)系和品牌概念融合的方法對(duì)推薦算法的影響，本文選擇基于用戶的協(xié)同過(guò)濾算法(UserCF)[1]、融合用戶信任的協(xié)同過(guò)濾推薦算法 (SPTUserCF)[1]、合并用戶信任的協(xié)同過(guò)濾算法 (MTUserCF)[17]作為對(duì)比算法，采用準(zhǔn)確率、召回率和F1值等指標(biāo)與TBCRMI方法進(jìn)行對(duì)比分析。

3.1 實(shí)驗(yàn)環(huán)境配置

本文實(shí)驗(yàn)用到的環(huán)境配置如下：操作系統(tǒng)Linux Ubuntu 14.04，CPU i5-4590 3.30 GHz，內(nèi)存8 GB或以上，可用硬盤(pán)空間50 GB以上，給虛擬機(jī)分配24 GB空間。算法采用Java 語(yǔ)言編寫(xiě)。

本文實(shí)驗(yàn)處理的兩個(gè)數(shù)據(jù)集：Amazon Food(642 MB)和Unlocked Mobile phone(141 MB)，由于數(shù)據(jù)量很大，為提高數(shù)據(jù)處理速度和實(shí)驗(yàn)運(yùn)行速度，實(shí)驗(yàn)平臺(tái)采用Hadoop2.6.0完全分布式集群，共添加3個(gè)節(jié)點(diǎn)。

算法中的半徑參數(shù)ε根據(jù)用戶距離計(jì)算得出[19]，本文為0.695，鄰域密度閾值MinPts取值為3[19]。

3.2 實(shí)驗(yàn)數(shù)據(jù)集與評(píng)價(jià)指標(biāo)

為驗(yàn)證本文方法的有效性，將TBCRMI與其他推薦算法進(jìn)行對(duì)比，實(shí)驗(yàn)所用數(shù)據(jù)集為Amazon Food(簡(jiǎn)稱數(shù)據(jù)集1)和Unlocked Mobile phone(簡(jiǎn)稱數(shù)據(jù)集2)。兩個(gè)數(shù)據(jù)集均是下載于聚數(shù)力網(wǎng)站的公共數(shù)據(jù)集：Amazon Food是食品評(píng)論數(shù)據(jù)集，包括用戶、評(píng)論內(nèi)容、評(píng)論食品、食品評(píng)分等9項(xiàng)共計(jì)50多萬(wàn)條數(shù)據(jù)；Unlocked Mobile phone是無(wú)鎖手機(jī)評(píng)論數(shù)據(jù)集，包括用戶、無(wú)鎖移動(dòng)手機(jī)的價(jià)格、用戶評(píng)分、評(píng)論等8項(xiàng)共計(jì)40多萬(wàn)條數(shù)據(jù)。具體使用的數(shù)據(jù)信息見(jiàn)表2，這兩個(gè)數(shù)據(jù)集的下載地址均為: http://www.dataju.cn/Dataju/web/dataDescriptionAndDataset。

表2 數(shù)據(jù)集信息表Tab. 2 Dataset information

本文所給的改進(jìn)方法主要目的是提高推薦質(zhì)量,所以在指標(biāo)選擇上選取了準(zhǔn)確率、召回率以及F1值等常用的推薦算法評(píng)價(jià)指標(biāo)來(lái)進(jìn)行對(duì)比分析。

1)準(zhǔn)確率P。推薦列表中用戶喜歡的物品所占的比例，準(zhǔn)確率計(jì)算如式(4)所示：

(4)

2)召回率R。測(cè)試集中有多少用戶喜歡的物品出現(xiàn)在推薦列表中，召回率計(jì)算如式(5)所示：

(5)

其中:Lu表示通過(guò)訓(xùn)練集得出的推薦列表；Tu表示測(cè)試集上用戶的實(shí)際行為列表。

3)F1值。是信息檢索領(lǐng)域常用的一個(gè)評(píng)價(jià)標(biāo)準(zhǔn)，其計(jì)算公式為：

F1=2PR/(P+R)

(6)

圖3 Amazon Food數(shù)據(jù)集中不同K值的各指標(biāo)對(duì)比Fig.3 Indexes comparison of different K on dataset Amazon Food

3.3 實(shí)驗(yàn)對(duì)比分析

在選擇品牌效應(yīng)進(jìn)行推薦的情況下，推薦列表中商品的數(shù)目K會(huì)對(duì)推薦結(jié)果產(chǎn)生影響。將商品數(shù)目K作為變量，在兩種數(shù)據(jù)集中對(duì)多種品牌綜合推薦效果和單一品牌推薦效果進(jìn)行多角度驗(yàn)證。

3.3.1 多種品牌綜合推薦效果

在Top-K的推薦方法中，隨著商品推薦數(shù)目的不同會(huì)產(chǎn)生不同的推薦效果。將商品推薦數(shù)目K作為自變量，分析不同的推薦算法在相同的數(shù)據(jù)集下產(chǎn)生的推薦效率。

針對(duì)多種不同品牌商品向用戶進(jìn)行綜合推薦時(shí)，TBCRMI方法和其他算法在準(zhǔn)確率、召回率和F1值的對(duì)比結(jié)果如圖3所示。

圖3顯示的是在Amazon Food數(shù)據(jù)集下，針對(duì)不同數(shù)目的推薦商品所對(duì)應(yīng)的準(zhǔn)確率、召回率和F1。從圖3的實(shí)驗(yàn)結(jié)果對(duì)比可以看出：TBCRMI擁有最高的推薦準(zhǔn)確率，并且明顯高于其他方法。此外還可以看出隨著推薦商品數(shù)目的增加準(zhǔn)確率會(huì)降低，在K值從1增加到10的過(guò)程中：SPTUserCF準(zhǔn)確率下降46.43%，MTUserCF準(zhǔn)確率下降50%，UserCF準(zhǔn)確率下降53.57%，TBCRMI準(zhǔn)確率下降41.56%，可以看出本文方法在準(zhǔn)確率保持方面取得較好效果。當(dāng)K=4時(shí)，TBCRMI的推薦準(zhǔn)確率比對(duì)比算法中效果最好的SPTUserCF還要提升18.75%；召回率方面隨著推薦商品數(shù)目的增加而上升，K=4時(shí)，TBCRMI的召回率較SPTUserCF算法提升3.57%；在F1方面，K=4時(shí)，TBCRMI比SPTUserCF提升10.14%。

圖4顯示了在Unlocked Mobile phone數(shù)據(jù)集下，針對(duì)不同數(shù)目的商品進(jìn)行推薦時(shí)的準(zhǔn)確率、召回率和F1。從實(shí)驗(yàn)結(jié)果可以看出TBCRMI的推薦效果最好,在準(zhǔn)確率下降趨勢(shì)方面，SPTUserCF準(zhǔn)確率下降46.62%，MTUserCF準(zhǔn)確率下降39.94%，UserCF準(zhǔn)確率下降40.81%，TBCRMI準(zhǔn)確率下降30.36%，依然取得最好的效果。在此次實(shí)驗(yàn)中，MTUserCF是所選擇的對(duì)比算法中效果最好的，但與本文提出的TBCRMI算法相比，在K=4時(shí)，TBCRMI的準(zhǔn)確率比MTUserCF高29.86%，召回率比其高40.66%，F(xiàn)1值比其高36.45%。

圖4 Unlocked Mobile phone數(shù)據(jù)集中不同K值的各指標(biāo)對(duì)比Fig.4 Indexes comparison of different K on dataset Unlocked Mobile phone

3.3.2 單一品牌推薦效果

圖5是在Amazon Food數(shù)據(jù)集下，針對(duì)用戶進(jìn)行單一品牌商品推薦時(shí)的推薦準(zhǔn)確率。從圖5可以看出：TBCRMI在準(zhǔn)確率上取得了比較大的優(yōu)勢(shì)，當(dāng)商品數(shù)目K=4時(shí)，三種品牌平均準(zhǔn)確率分別較SPTUserCF、MTUserCF和UserCF提升了64.59%、69.9%和82.88%。

圖5 Amazon Food數(shù)據(jù)集中單一品牌不同算法準(zhǔn)確率對(duì)比Fig.5 Accuracy comparison of different algorithms to single brand on dataset Amazon Food

圖6是在Unlocked Mobile phone數(shù)據(jù)集下，針對(duì)用戶進(jìn)行單一品牌商品推薦時(shí)的推薦準(zhǔn)確率。從圖6可以看出：TBCRMI在準(zhǔn)確率上的優(yōu)勢(shì)依然很明顯，當(dāng)商品數(shù)目K=4時(shí)，三種品牌平均準(zhǔn)確率分別較SPTUserCF、MTUserCF和UserCF提升了52.23%、46.83%和63.85%。

圖6 Unlocked Mobile phone數(shù)據(jù)集中單一品牌不同算法準(zhǔn)確率對(duì)比Fig.6 Accuracy comparison of different algorithms to single brand on dataset Unlocked Mobile phone

總體來(lái)看無(wú)論是多種品牌綜合推薦還是單一品牌推薦，TBCRMI都取得了比較突出的推薦效果，尤其是在單一品牌商品推薦方面，準(zhǔn)確率有了較為明顯的提高。

4 結(jié)語(yǔ)

本文在個(gè)性化商品推薦方法中引入了影響商品銷售的兩個(gè)關(guān)鍵因素：用戶信任度和品牌認(rèn)可度，提出了一種集成用戶信任度和品牌認(rèn)可度的商品推薦方法。該方法通過(guò)分析用戶歷史行為得到用戶品牌認(rèn)可度和活躍度，并據(jù)此進(jìn)行用戶聚類，融入用戶信任度得到近鄰關(guān)系進(jìn)行推薦。所給方法充分利用了商品銷售中的品牌理念，并且通過(guò)對(duì)比實(shí)驗(yàn)驗(yàn)證了所給方法在商品推薦的準(zhǔn)確率、召回率及F1值等多方面有所提升，尤其是在單一品牌商品推薦方面準(zhǔn)確率提高明顯，效果顯著。