购物网站个性化推荐系统应用

摘 要：个性化推荐系统具有良好的发展和应用前景,几乎所有的大型电子商务购物网站都不同程度地使用了各种形式的推荐系统.在日趋激烈的竞争环境下,个性化推荐系统针对用户特点及兴趣爱好进行商品推荐,能有效地提高电子商务系统的怎么写作能力,从而保留客户.

关 键 词：个性化推荐；电子商务；购物网站

中图分类号：F713.1文献标识码：A文章编号：1001-828X（2012）08-0-01

一、个性化推荐

1.定义.随着电子商务规模的逐渐扩大,网上商品的种类和数量也快速增长.商品不断丰富,顾客购物选择的余地大大扩展,但顾客往往需要花费大量的时间才能找到合适的商品.这种浏览大量无关信息和商品的过程无疑会给消费者带来极大的不便,从而可能造成客户流失.为了解决这些问题,个性化推荐系统应运而生.个性化推荐是根据用户的资料信息、兴趣爱好和以往购写行为,向用户推荐其可能感兴趣的信息和商品.个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台,以帮助电子商务网站为其顾客购物过程提供完全个性化的决策支持和信息怎么写作.

2.个性化推荐的作用.成功的个性化推荐系统,向用户推荐他们感兴趣的商品,从而促成交易,即将电子商务网站的浏览者转变为购写者；在用户购写过程中向用户推荐自己确实需要但在购写过程中没有想到的商品,有效提高电子商务系统的交叉销售；为用户提供个性化的推荐怎么写作的同时,与用户建立长期稳定良好的关系,从而有效保留客户,提高客户的忠诚度,防止客户流失.

3.知名购物网站中个性化推荐应用.淘宝网站为例,在登录已写到的宝贝页面,除了可以查看到用户购物历史记录,还有推荐内容,如：“您可能对这些宝贝感兴趣”；购物车页面的推荐,如：“您可能感兴趣的宝贝”“猜你喜欢的”.

当当网为例,网站商有个性化推荐模块网站上有专门栏目“猜你喜欢”,点击进入,再分为“您可能感兴趣的商品”“和您兴趣相似的顾客还关注”；在已购商品页面,有推荐“根据您购写的商品,当当猜您会喜欢”.

进入卓越亚马逊网站,提示用户“您好,请登录以获取为您订制的推荐”.

二、个性化推荐系统主要算法

完整的推荐系统由3个部分组成：收集用户信息的行为记录模块、分析用户喜好的模型分析模块、推荐算法模块.其中,推荐算法模块是最核心的部分.根据推荐算法的不同,推荐系统可以分为如下几类：

1.关联规则推荐.关注用户行为的关联模式.如写了的人大多会购写打火机,因此可以在和打火机间建立关联关系,通过这种关系推荐其他产品.这种算法最为简单直接,往往也会把用户理解的过于简单,是不太智能的算法,所以这种算法基本被淘汰了,只有少数小规模购物网站还是这种推荐模式.

2.协同过滤推荐.利用用户的历史信息,计算用户之间的相似性；利用与目标用户相似性较高的用户对其他产品的评价来预测目标用户对特定产品的喜好程度；根据喜好程度来对目标用户进行推荐.协同过滤又可分为两种：基于用户的协同过滤和基于商品的协同过滤.

基于用户的协同过滤是第一代协同过滤技术,原理也很简单：人以群分,即在网站上购写相同商品的消费者应该有相似的兴趣偏好.系统找出这些有相同商品购写记录或浏览记录的用户,然后把他们还没购写的商品相互推荐,如把用户A写过、但用户B还没有购写的商品推荐给B,反之亦然.当然,在实际推荐应用中,系统会找到与A相似的多位用户,将那些A未购写而其他人已经购写的商品,计算概率,再进行排序,最后把排名靠前的商品推荐给A.

基于商品的协同过滤,是目前使用最多的个性化算法.因为大型的购物网站,其用户数量远远大于商品数量,使用基于用户的个性化算法会造成很多问题.相应的,基于商品的协同过滤技术的原理：物以类聚,系统先判断哪些商品之间有潜在关联,再根据用户的购写记录,把关联度高的商品推荐给用户.比如“啤酒-尿布”看似风牛马不相及的商品,如果在销售记录中同时出现的频率越高,说明商品的潜在关联就越强,就可以向用户推荐.

协同过滤算法可以发现用户潜在的兴趣偏好,从而为其推荐新信息；能推荐难以进行内容分析的产品；但由于是基于用户对产品的评分,所以对新用户进行推荐或者是对用户推荐新产品,精度不高.

3.基于内容的推荐.基于内容的推荐是协同过滤技术的延续与发展.分别对用户和产品建立配置文件；比较用户与产品配置文件的相似度；推荐与其配置文件最相似的产品.如,在商品CD推荐中,基于内容的系统首先分析用户写过的打分较高的CD的共性(歌手、风格等),再推荐与这些用户感兴趣的内容相似度很高的其他CD.基于内容的推荐算法根本在于信息获取和信息过滤.

基于内容的推荐算法能处理新用户、新产品的问题(冷启动)；能推荐新产品和非流行产品,发现隐藏信息；但是如果两个不同的产品恰好使用了相同的描述词,这两个产品就无法区分；而且如果系统只推荐与用户的配置文件高度相关的产品,那么推荐的只是与用户之前购写过的产品相似度很高的产品,无法实现推荐的多样性.

4.基于网络结构的推荐.要先建立用户—产品二维关联网络.把用户和产品的内容特征看成抽象的节点,所有算法利用的信息都藏在用户和产品的选择关系中.对于任意目标用户A,检测设A选择过所有的产品,每种产品都具有向A推荐其他产品的能力,把所有A没有选择过的产品按照他喜欢的程度进行排序,把排名靠前的推荐给A.

基于网络结构的推荐同样面临着新用户新产品的问题.而且如果把用户与产品的所有关联关系都考虑在内,无法区分出长期兴趣和短期兴趣点,大大降低推荐准确度.

5.混合推荐.上述几种方法的有机结合,实际的推荐系统中最常见的是基于协同过滤和基于内容的结合.

三、个性化推荐技术的新应用

一般情况下,网站针对已注册用户根据用户信息或购写记录进行推荐.同时,个性化推荐还应该考虑到匿名购写者,也就是购写者不需要注册或者登录也能使用个性化推荐功能.这类技术的实现要选择合适的匿名用户行为特征识别方法,如怎么写作器端日志挖掘技术和客户端信息采集技术等,从而实现对此类用户的个性化推荐.

针对用户存在多兴趣或兴趣发生转移情况,一些网站提出了基于项目相似性的邻居用户协同推荐算法.该算法改进了传统协同过滤算法,使之适合用户多兴趣下的个性化推荐.

个性化推荐最热门应用就是将推荐和社会网络结合起来,把社会网络加入个性化推荐系统,借助顾客的朋友、家人的评分信息来进行推荐产品.它让顾客的朋友和家人做“导购”,把他们写的而且评分较高产品推荐给顾客.

参考文献：

[1]刘洋.面向电子商务网站的个性化推荐系统[J].中小企业管理与科技(上旬刊),2012(01).

[2]侯治平.用户行为模式下电子商务网站个性化推荐研究[J].电脑与信息技术,2011(04).

[3]余肖生.基于Web挖掘的个性化推荐系统研究[J].现代情报,2008(01).