導(dǎo)語：電子商務(wù)推薦系統(tǒng)試析論文一文來源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

一、電子商務(wù)推薦系統(tǒng)及構(gòu)成

電子商務(wù)推薦系統(tǒng)(RecommendationSystemsforE-Commerce)定義是：“它是利用電子商務(wù)網(wǎng)站向客戶提供商品信息和建議，幫助用戶決定應(yīng)該購買什么產(chǎn)品，模擬銷售人員幫助客戶完成購買過程”。

推薦系統(tǒng)面對(duì)的是用戶(user)，任務(wù)是為用戶提供對(duì)項(xiàng)目(item)的推薦。用戶是指推薦系統(tǒng)的使用者，也就是電子商務(wù)活動(dòng)中的客戶。項(xiàng)目是被推薦的對(duì)象，是指電子商務(wù)活動(dòng)中提供給客戶選擇的產(chǎn)品和服務(wù)，也就是最終推薦系統(tǒng)返回給用戶的推薦內(nèi)容。在一個(gè)電子商務(wù)活動(dòng)中，用戶數(shù)和項(xiàng)目數(shù)是非常多的。推薦系統(tǒng)面對(duì)的當(dāng)前用戶，稱為目標(biāo)用戶或者活動(dòng)用戶。推薦系統(tǒng)的當(dāng)前工作，就是為根據(jù)一定的算法，給出對(duì)目標(biāo)用戶的推薦項(xiàng)目。

電子商務(wù)推薦系統(tǒng)主要由三大部分構(gòu)成：輸入模塊、推薦方法模塊和輸出模塊。輸入模塊用來接受用戶的輸入信息，用戶的輸入信息中最重要的是用戶對(duì)項(xiàng)目的評(píng)價(jià)(rating)數(shù)據(jù)；推薦方法模塊用來根據(jù)一定算法，根據(jù)用戶數(shù)據(jù)，得出對(duì)目標(biāo)用戶的推薦，該模塊是整個(gè)推薦系統(tǒng)的核心部分，個(gè)性化推薦方面的研究的很大一部分，都集中在找到好的推薦方法。輸出模塊主要是指得到的推薦以何種形式反饋給用戶。

根據(jù)項(xiàng)目的特點(diǎn)，目前主要有兩種類型的推薦系統(tǒng)，一種是以網(wǎng)頁為對(duì)象的個(gè)性化推薦系統(tǒng)，主要采用Web數(shù)據(jù)挖掘的方法與技術(shù)，為用戶推薦符合其興趣愛好的網(wǎng)頁；另一種是網(wǎng)上購物環(huán)境下的、以商品為推薦對(duì)象的個(gè)性化推薦系統(tǒng)，為用戶推薦符合其興趣愛好的各類產(chǎn)品，如各種書籍，音像等，這種推薦系統(tǒng)也稱電子商務(wù)個(gè)性化推薦系統(tǒng)。

二、電子商務(wù)個(gè)性化推薦系統(tǒng)的作用

電子商務(wù)推薦系統(tǒng)的最大的優(yōu)點(diǎn)在于它能收集用戶興趣資料并根據(jù)用戶興趣偏好為用戶主動(dòng)作出個(gè)性化的推薦，也就是說，當(dāng)用戶每次輸入用戶名和密碼登錄電子商務(wù)網(wǎng)站后，推薦系統(tǒng)就會(huì)按照目標(biāo)用戶偏好程度的高低推薦用戶最喜愛的N個(gè)產(chǎn)品，而且系統(tǒng)給出的推薦是實(shí)時(shí)更新的，也就是說當(dāng)系統(tǒng)中的產(chǎn)品庫和用戶興趣資料發(fā)生改變時(shí)，給出的推薦序列會(huì)自動(dòng)改變，大大方便了用戶，也提高了企業(yè)的服務(wù)水平。

總體說來，電子商務(wù)推薦系統(tǒng)的作用主要表現(xiàn)在以下幾個(gè)方面：一方面，使用戶從無限的網(wǎng)絡(luò)資源和商品世界中解脫出來，大大節(jié)約了用戶采購商品的時(shí)間和成本；與此同時(shí)，推薦系統(tǒng)的個(gè)性化推薦服務(wù)，提高了客戶對(duì)電子商務(wù)網(wǎng)站的忠誠度(BuildingLoyalty)，將更多的電子商務(wù)網(wǎng)站瀏覽者轉(zhuǎn)變?yōu)樯唐返馁徺I者，從而提高電子商務(wù)網(wǎng)站的交叉銷售能力(Cross-Selling)，為電子商務(wù)企業(yè)贏得了更多的發(fā)展機(jī)會(huì)。

研究表明，在基于電子商務(wù)的銷售行業(yè)使用個(gè)性化推薦系統(tǒng)后，能提高銷售額2%-8%，尤其在書籍、電影、CD音像、日用百貨等產(chǎn)品相對(duì)較為低廉且商品種類繁多的行業(yè)，以及用戶使用個(gè)性化推薦系統(tǒng)的程度高的行業(yè)，推薦系統(tǒng)能大大提高企業(yè)的銷售額。

電子商務(wù)推薦系統(tǒng)和銷售系統(tǒng)(MarketingSystems)、供應(yīng)鏈決策支持系統(tǒng)(Supply-ChainDecision-SupportSystems)既相似又有不同。銷售系統(tǒng)是幫助銷售人員如何把產(chǎn)品銷售出去；推薦系統(tǒng)最終目的幫助用戶，輔助用戶購買什么產(chǎn)品做出決策。供應(yīng)鏈決策支持系統(tǒng)是幫助生產(chǎn)者決定什么時(shí)候生產(chǎn)多少什么產(chǎn)品，以及倉庫應(yīng)該存貯多少各類產(chǎn)品，其最終目的是為企業(yè)生產(chǎn)者服務(wù)的，而同樣推薦系統(tǒng)是面向用戶的系統(tǒng)。

三、電子商務(wù)個(gè)性化推薦系統(tǒng)的研究?jī)?nèi)容

電子商務(wù)個(gè)性化推薦的研究有四方面的問題：首先，要解決推薦系統(tǒng)的信息來源問題——推薦系統(tǒng)的基礎(chǔ)是用戶興趣資料信息，如何在電子商務(wù)環(huán)境下盡可能獲得更多用戶的相關(guān)信息，并以合適的形式表示是進(jìn)行個(gè)性化推薦的前提；其次，要實(shí)現(xiàn)被顧客接受和認(rèn)可的個(gè)性化推薦，設(shè)計(jì)準(zhǔn)確、高效率的個(gè)性化推薦算法是核心；另外，要讓推薦系統(tǒng)為廣大用戶所接受，必須對(duì)推薦系統(tǒng)作出客觀、綜合的評(píng)價(jià)，尤其要注意從準(zhǔn)確率、個(gè)性化、安全性、用戶滿意度等多方面進(jìn)行評(píng)價(jià)；推薦系統(tǒng)的應(yīng)用是最終研究的落腳點(diǎn)，推薦系統(tǒng)不僅能為用戶提供完全個(gè)性化購物環(huán)境，更應(yīng)為企業(yè)的銷售決策和客戶關(guān)系管理提供支持。

在電子商務(wù)環(huán)境下，用戶信息收集表示是電子商務(wù)個(gè)性化推薦的基礎(chǔ)。根據(jù)當(dāng)前對(duì)電子商務(wù)環(huán)境下用戶信息收集表示的研究來看，主要著眼于研究如何有效地收集能反映用戶興趣偏好的信息，以及如何通過網(wǎng)絡(luò)數(shù)據(jù)挖掘等的方法更自動(dòng)化地收集用戶的隱式信息，解決用戶信息收集過多的依賴于顯式評(píng)價(jià)數(shù)據(jù)的問題。

個(gè)性化推薦技術(shù)是電子商務(wù)自動(dòng)化推薦系統(tǒng)的核心問題。目前的推薦技術(shù)有協(xié)同過濾推薦(包括基于用戶的和基于項(xiàng)目的)、基于用戶人口統(tǒng)計(jì)信息的推薦、基于內(nèi)容的推薦、基于效用的推薦、基于知識(shí)的推薦、基于規(guī)則的推薦等等。協(xié)同過濾推薦是個(gè)性化推薦中研究和應(yīng)用最多的方法，廣泛應(yīng)用于電子商務(wù)網(wǎng)站、數(shù)字圖書館、網(wǎng)頁搜索、新聞過濾等，著名的推薦系統(tǒng)有Tapestry、GroupLens/NetPerceptions、Ringo/Firefly等，其前提假設(shè)是存在具有相似興趣愛好的用戶群，每個(gè)用戶都有與其興趣愛好相似的鄰居用戶。預(yù)測(cè)用戶對(duì)某一項(xiàng)目的偏好是根據(jù)鄰居用戶對(duì)該項(xiàng)目的偏好程度計(jì)算的，也就是說如果其鄰居用戶喜愛某項(xiàng)目，則該用戶也很可能會(huì)喜愛該項(xiàng)目。協(xié)同過濾最大優(yōu)點(diǎn)是不需要分析對(duì)象的特征屬性，所以對(duì)推薦對(duì)象沒有特殊的要求，能處理非結(jié)構(gòu)化的復(fù)雜對(duì)象，如音樂、電影等。

對(duì)推薦系統(tǒng)總體性能的評(píng)價(jià)是推薦系統(tǒng)研究的重要組成部分。目前大都只是采用準(zhǔn)確率、召回率等評(píng)判尺度對(duì)推薦算法進(jìn)行評(píng)價(jià)，并沒有真正意義上的、提升到對(duì)整個(gè)推薦系統(tǒng)進(jìn)行的評(píng)價(jià)，尤其缺乏從個(gè)性化程度、持久性程度、系統(tǒng)的安全性以及用戶接受程度等多方面對(duì)推薦系統(tǒng)進(jìn)行綜合的評(píng)價(jià)。

四、研究現(xiàn)狀

推薦行為產(chǎn)品或其它項(xiàng)目的軟件已經(jīng)在許多應(yīng)用中使用在電子商務(wù)領(lǐng)域，為了增加購買經(jīng)驗(yàn)并滿足客戶需求，已經(jīng)推出了充分利用消費(fèi)者的訪問和購買行為的推薦系統(tǒng)。推薦者通常通過給用戶展示他們可能感興趣的產(chǎn)品或服務(wù)來促進(jìn)購買。例如，諸如就是通過利用偏好或其他用戶購買信息來介紹書籍或者其它產(chǎn)品給用戶的推薦系統(tǒng)。然而，使用的技術(shù)相當(dāng)簡(jiǎn)單，而且并非很精確和有效?；旧希绦?qū)?dāng)前客戶購買的一系列產(chǎn)品與其他客戶購買的一系列產(chǎn)品作比較，選擇客戶購買較多的產(chǎn)品與當(dāng)前客戶購買的產(chǎn)品集合的交集，最后從中選出一些尚未被客戶所購買而仍然在顧客購物籃中的產(chǎn)品，并將它們作為推薦列表呈現(xiàn)給客戶。該技術(shù)也用于類似于協(xié)作過濾的文本文檔的信息抽取。電影或音樂唱片的推薦，例如，通過預(yù)知一個(gè)人的偏好與其他人偏好的線性權(quán)重集合，并運(yùn)用協(xié)作過濾技術(shù)來實(shí)現(xiàn)。

對(duì)于推薦系統(tǒng)的研究可分為三個(gè)種類：技術(shù)系統(tǒng)開發(fā)研究，用戶行為研究和隱私問題研究。其中技術(shù)系統(tǒng)開發(fā)是重點(diǎn)。目前各種推薦技術(shù)，例如數(shù)據(jù)挖掘，和推理，都已經(jīng)應(yīng)用到了推薦系統(tǒng)中?，F(xiàn)存的推薦系統(tǒng)從廣義上可以劃分為基于規(guī)則的系統(tǒng)和信息過濾系統(tǒng)。信息過濾系統(tǒng)又可分為基于內(nèi)容過濾的系統(tǒng)和協(xié)作過濾系統(tǒng)兩種。

基于規(guī)則的系統(tǒng)，N1如：IBM的WebSphere，BroadVi-sion，ILOG等。他們?cè)试S系統(tǒng)管理員根據(jù)用戶的靜態(tài)特征和和動(dòng)態(tài)屬性來制定規(guī)則，一個(gè)規(guī)則本質(zhì)上是一個(gè)if-then語句，規(guī)則決定了在不同的情況下提供不同的服務(wù)。基于規(guī)則的系統(tǒng)，其優(yōu)點(diǎn)是簡(jiǎn)單、直接，缺點(diǎn)是規(guī)則質(zhì)量很難保證，而且不能動(dòng)態(tài)更新。此外，隨著規(guī)則的數(shù)量增多，系統(tǒng)將變得越來越難以管理。

基于內(nèi)容過濾的系統(tǒng)，例如：PersonalWebWather，SysKill&Webert，Letizia，CiteSeer，ifWeb，SIFTER，PVA，WebMate，WebACE，ELFI和WebPersonalizer等。他們利用資源與用戶興趣的相似性來過濾信息。基于內(nèi)容的推薦系統(tǒng)通過將顧客的偏好與產(chǎn)品內(nèi)容自動(dòng)匹配來給顧客提供建議，例如網(wǎng)頁和消息條目的推薦。在基于內(nèi)容的系統(tǒng)中，產(chǎn)品由其普通屬性描述。顧客偏好通過分析產(chǎn)品比率以及相應(yīng)的產(chǎn)品屬性來預(yù)測(cè)?；趦?nèi)容過濾的系統(tǒng)，其優(yōu)點(diǎn)是簡(jiǎn)單、有效。缺點(diǎn)是難以區(qū)分資源內(nèi)容的品質(zhì)和風(fēng)格，而且不能為用戶發(fā)現(xiàn)新的感興趣的資源，只能發(fā)現(xiàn)和用戶已有興趣相似的資源。在基于內(nèi)容的推薦系統(tǒng)中，一個(gè)核心問題是識(shí)別關(guān)鍵屬性集合。如果該集合太小，顯然，這對(duì)于識(shí)別用戶剖面是不充分的。因此，基于內(nèi)容的推薦系統(tǒng)不能用于僅僅實(shí)施一次購買行為新顧客，或者訪問了該網(wǎng)站，卻沒有實(shí)施任何購買行為的潛在顧客，以及購買他不是特別經(jīng)常購買的一種產(chǎn)品的顧客。

協(xié)作過濾系統(tǒng)如：WebWather，Let＇sBrowse，Tapestry，GroupLens，F(xiàn)ab，Alexa，F(xiàn)irefly，SELECT，LikeMinds和Site-Seer等。他們利用用戶之間的相似性來過濾信息。協(xié)作性的推薦系統(tǒng)估計(jì)顧客對(duì)特定產(chǎn)品的偏好是根據(jù)顧客對(duì)該產(chǎn)品的偏好率以及其他顧客對(duì)同一產(chǎn)品的偏好率的比較來實(shí)現(xiàn)的。協(xié)作性的推薦系統(tǒng)與基于內(nèi)容的推薦系統(tǒng)之間的主要區(qū)別是協(xié)作性的推薦系統(tǒng)通過跟蹤一組顧客過去的行為來給該組中的個(gè)別顧客提供建議。使用該方法，顧客現(xiàn)在就可以接受建議，而在基于內(nèi)容的推薦系統(tǒng)中，只要具有相似意向的其他顧客的偏好，顧客就己經(jīng)具有先前預(yù)測(cè)了?；趨f(xié)作過濾系統(tǒng)的優(yōu)點(diǎn)是能為用Web數(shù)據(jù)挖掘的研究及其在網(wǎng)絡(luò)學(xué)習(xí)個(gè)性化推薦中的應(yīng)用戶發(fā)現(xiàn)的新的感興趣的信息，缺點(diǎn)是存在兩個(gè)很難解決的問題，一個(gè)是稀疏性，亦即在系統(tǒng)使用初期，由于系統(tǒng)資源還未獲得足夠多的評(píng)價(jià)，系統(tǒng)很難利用這些評(píng)價(jià)來發(fā)現(xiàn)相似的用戶；另一個(gè)是可擴(kuò)展性，亦即隨著系統(tǒng)用戶和資源的增多，系統(tǒng)的性能會(huì)越來越低。協(xié)作性的過濾方法用來識(shí)別與既定客戶具有相似興趣的顧客，所推薦的產(chǎn)品也是這些給定客戶喜歡的產(chǎn)品。該方法的一個(gè)主要局限是稀疏問題。在基于協(xié)作過濾的推薦系統(tǒng)中，很難精確確定下相似客戶和識(shí)別要推薦的產(chǎn)品。不僅如此，系數(shù)問題的極端形式是first-rater問題，當(dāng)市場(chǎng)引入一種新產(chǎn)品時(shí)，不存在可用的先前估計(jì)信息。

還有一些個(gè)性化服務(wù)系統(tǒng)如：WebSIFT，F(xiàn)AB，Anatagon-omy和DynamicProfiler等，同時(shí)采用了基于內(nèi)容過濾和協(xié)作過濾這兩種技術(shù)。結(jié)合這兩種過濾技術(shù)可以克服各自的一些缺點(diǎn)，為了克服協(xié)作過濾的稀疏性問題，可以利用用戶瀏覽過的資源內(nèi)容預(yù)期用戶對(duì)其他資源的評(píng)價(jià)，這樣可以增加資源評(píng)價(jià)的密度，利用這些評(píng)價(jià)再進(jìn)行協(xié)作過濾，從而提高協(xié)作過濾的性能。

近來，許多因特網(wǎng)公司還引進(jìn)了有關(guān)信息產(chǎn)品的推薦系統(tǒng)，它包括Web站點(diǎn)推薦，音樂推薦，視頻推薦，書籍推薦等等(例如，以及等等)。因特網(wǎng)行銷機(jī)構(gòu)運(yùn)用推薦系統(tǒng)對(duì)某一廣告公司推薦用戶(例如Ac-tiveAgentWerbenetz。

通過將書籍推薦給已經(jīng)購買過特定書籍的顧客實(shí)現(xiàn)個(gè)性化推薦的。.所推薦書籍概括的分為有兩種：小說書籍和非小說書籍。小說書籍的推薦很簡(jiǎn)單，就是將同一作者的其它小說書籍推薦給特定用戶，這樣最終就將由該作者撰寫的相似類別的小說書籍推薦給了有相似背景的用戶。而非小說書籍的推薦將是將每個(gè)作者的相似類別的小說書籍推薦給了有相似背景的用戶。

五、電子商務(wù)推薦技術(shù)存在的問題和發(fā)展方向

綜合目前電子商務(wù)中個(gè)性化推薦系統(tǒng)的現(xiàn)狀可以看出，現(xiàn)存的個(gè)性化推薦系統(tǒng)技術(shù)大都是基于規(guī)則的系統(tǒng)，基于內(nèi)容過濾的系統(tǒng)，以及協(xié)作過濾系統(tǒng)三種。而且，這些個(gè)性化推薦系統(tǒng)所運(yùn)用的技術(shù)也僅僅限于基于內(nèi)容的過濾，KNN(L-NearestNeighboring)技術(shù)，基于聚類的(Clustering-based)協(xié)作過濾，基于項(xiàng)目的(Item-based)協(xié)作過濾，序列模式，規(guī)則分析等等。由于這些推薦系統(tǒng)各自應(yīng)用范圍的局限，而且都不同程度的需要人工參與，因而導(dǎo)致目前推薦系統(tǒng)的推薦精確度較低。不僅如此，大多數(shù)個(gè)性化推薦系統(tǒng)只是給用戶推薦一些不同類別的資源，這與普通的搜索引擎比較相似，而且對(duì)用戶正確行為的推薦卻比較少。

未來電子商務(wù)推薦技術(shù)研究的發(fā)展主要體現(xiàn)在以下幾個(gè)方面：

1.組合推薦技術(shù)的研究

眾所周知，現(xiàn)存的推薦技術(shù)已經(jīng)得到推廣和應(yīng)用，但各種技術(shù)都存在一些缺陷，能否將各種推薦技術(shù)融合起來作到取長補(bǔ)短是未來電子商務(wù)推薦技術(shù)研究的重要課題。

2.推薦技術(shù)準(zhǔn)確度的研究

目前的推薦技術(shù)推薦的準(zhǔn)確性還得不到保證，準(zhǔn)確度的研究還局限在手工實(shí)驗(yàn)階段，因此，研究出自動(dòng)的準(zhǔn)確性驗(yàn)證理論模型就顯得非常重要。

3.數(shù)據(jù)獲取方面，主要還是依賴用戶的顯式評(píng)價(jià)，在自動(dòng)獲得用戶的隱式信息方面做得不夠。

4.研究過于集中解決推薦算法性能的提高，對(duì)推薦系統(tǒng)的開發(fā)與應(yīng)用，尤其是與企業(yè)其它系統(tǒng)的集成應(yīng)用，在輔助企業(yè)的市場(chǎng)銷售，客戶管理和企業(yè)商務(wù)智能方面缺乏研究。

參考文獻(xiàn)：

[1]CooleyR，MobasherB，SrivastavaJ.Dataprepara2tionforminingworldwideWebbrowsingpatterns.JournalofKnowledgeandInformationSystems，1999(1)：230～241

[2]GoldbergD，NicholsD，OkiBM，TerryD.Usingcol-muni-cationsoftheACM，1992，35(12)：61～70.

[3]ResnickandVarian.RecommendationsystemsCommu-nicationsoftheACM，40(3)：56C58，1997.98-122

[4]R.D.Lawrence，G.S.Almasi，V.Kotlyar，M.S.Viveros，S.S.Duri，Personalizationofsupermarketproductrecommenda-tions，IBMResearchRport，2000.43-75.

[5]鄧愛林，朱揚(yáng)勇，施伯樂.基于項(xiàng)目評(píng)分預(yù)測(cè)的協(xié)同過濾推薦算法[J].軟件學(xué)報(bào)，2003，(9).

[6]曾春，邢春曉，周立柱.個(gè)性化服務(wù)技術(shù)綜述[J].軟件學(xué)報(bào)，2002，(10).

[7]趙亮，胡乃靜，張守志.個(gè)性化推薦算法設(shè)計(jì)[J].計(jì)算機(jī)研究與發(fā)展，2002，(8).

[摘要]隨著互聯(lián)網(wǎng)的普及和電子商務(wù)的發(fā)展，商品推薦系統(tǒng)逐漸成為電子商務(wù)IT技術(shù)的一個(gè)重要研究?jī)?nèi)容，越來越多地受到研究者的關(guān)注。本文探討了電子商務(wù)系統(tǒng)的構(gòu)成、研究?jī)?nèi)容、研究現(xiàn)狀，分析了目前有的推薦系統(tǒng)存在的缺陷和問題，提出了未來電子商務(wù)推薦系統(tǒng)研究的發(fā)展方向。

[關(guān)鍵詞]電子商務(wù)；推薦系統(tǒng)；協(xié)作過濾；個(gè)性化推薦