简论商务B2C电子商务个性化推荐技术期刊
最后更新时间：2024-02-19
作者：用户投稿
本站原创
点赞:7011
浏览:23676
本站原创
点赞:7011
浏览:23676
论文导读：荐系统如果说以上方法不能很好的满足当今B2C模式推荐系统的要求，那么协同过滤技术相比来说是能够实现高准确性的推荐效果的。基于协同过滤技术的推荐系统是从用户的角度为出发点来进行相应推荐的，并且是自动的，即用户获得的推荐是系统从用户购买模式或浏览行为等行为信息学习到的，不需要用户努力地搜索适合自己兴趣的信息
摘 要：本篇文章在分析B2C电子商务网站特点的基础上介绍了协同过滤技术在B2C电子商务网站个性化推荐系统中的应用，并且对常用的几种推荐技术进行了简单的对比，最后介绍了矩阵因子技术在向用户进行推荐中的应用。
关键词：个性化推荐 协同过滤 矩阵因子技术
随着互联网和IT技术的发展，B2C电子商务模式取得了长足的进步。B2C电子商务模式指的是企业（Business）对消费者（Consumer）的一种商务模式，它直接为最终客户提供商品，免去中间环节，降低了经营成本，可使得最终客户享受优惠；也使得企业可以直接与最终客户交流，详细了解他们的需求，使企业更有目的生产适销对路的产品。然而，B2C电子商务的飞速发展也给用户带来了烦恼，他们不得不从大量的信息中找到所需的商品。虽然B2C公司想到对用户进行信息的推荐，但这些公司把用户当成整体来看，将推荐信息不加区分的推送给所有用户，这不能解决用户个性化需求的问题。
B2C电子商务目前已处在竞争激烈的时代，不同B2C网站上所提供商品间的差别越来越小，因此，任何一家B2C网站如果能够根据用户的兴趣爱好等特点主动推荐给用户所需的商品或服务，那么该家网站一定可以在激烈的竞争中处于优势地位。因此，电子商务网站的个性化推荐技术便产生了，其目的是根据不同的客户的特点提供更有针对性地服务，更好的吸引客户，保留客户，提高该网站的销售能力。
1.基于内容推荐。基于内容的推荐是信息过滤技术的延续与扩展，内容指的是可以用来刻画某个实体（既可以是一个人，一个地点，也可以是一个物体）特点的那些信息，这些信息是与用户和应用（包括地点，时间，活动，对某一实体的偏好）的交互关系有关的。以此来看，基于内容的推荐技术需要获得相关的外部信息，（例如，电影的特征描述包括它的题材，演员，票房收入等的；用户的特征描述包括人口信息等）。内容过滤成功实现的一个典型例子是音乐基因组计划——音乐分析师根据大量的特征对每首歌进行打分，其所依据的信息不仅是音乐本身的特征，也有对于听者偏好的信息。
这种方法的优点是：a）不依赖其它用户的数据，不存在冷启动问题和稀疏问题；b）在为兴趣爱好比较特殊的用户推荐时，效果明显；c）根据所列出的推荐商品或服务的内容特征，可以解释推荐的原因。
缺点是：a）对有意义的特征信息的依赖性强，要求特征信息有良好的结构性，并且用户的偏好能够用特征信息来表达；b）不能显式地得到其它用户的情况。
2.基于关联规则推荐。基于关联规则的推荐是以关联规则挖掘理论为基础，关联规则挖掘是Agrawal（1993）首先提出的，关联规则直观的意义就是用户在购买某些商品的同时有多大程度去购买另外一些商品。比如在对某家超市的实际分析中发现，购买啤酒的人往往同时会购买尿布。关联规则挖掘可以发现不同商品在销售过程中的相关性，这在零售业已得到了成功的应用。
关联规则与其他的技术相比有如下优点：a）所需数据源简单，只要有准确的交易记录即可；b对用户购买行为具有预测性，挖掘用户的潜在兴趣；c） 对商品特性没有要求，可以挖掘不同类型的商品。
然而，基于关联规则方法的推荐只是在大量数据分析的基础上得到的用户在购买某中产品后有多大程度去购买另外一种产品，却不能根据具体某个用户的特点来推荐给他（她）所需的产品，因此在推荐上还是不能取得很高的准确率。
协同过滤技术的优点是：a）对推荐对象没有特别的要求，既能处理结构化的对象，如关系数据表。又能处理非结构化的复杂对象，如音乐、电影、图书等；b） 可以利用其用户的摘自：毕业论文评语www.7ctime.com
特征信息，避免了内容分析的不完全或不精论文导读：常少的评分，缓解这一问题的一个方式就是，并入额外的与用户有关的信息源。推荐系统能够使用不明确的反馈来获得用户的偏好。例如，一个零售商可以使用顾客的购买历史和浏览历史来了解他们的倾向，而不是根据顾客们提供的评分。伴随着不同置信水平的输入，在许多的排列中，并不是所有的观察到的评分拥有同样的权重和可信度。例
确；c） 可以发现用户潜在的但用户自己尚未发现的兴趣偏好。
协同过滤技术主要的两个研究方向是近邻方法和潜在因素模型。近邻方法主要在于计算产品之间或者用户之间的联系；潜在因素模型根据产品和用户的特征来进行评级。
1.协同过滤技术。协同过滤推荐是基于邻居用户的兴趣爱好来预测目标用户的兴趣偏好，其推荐过程大致是首先搜索目标用户的若干最近邻居，然后根据最近邻居对产品的评分预测目标用户对产品的评分，从而产生推荐列表。本技术首先计算目标用户与各个聚类中心之间的相似性，获得目标用户所属各个聚类程度的向量，然后搜索类别所属程度矩阵，确定目标用户的最近邻居，然后就可以对用户进行推荐。
除基于用户的协同过滤技术以外，还有基于项目的协同过滤和基于模型的协同过滤。基于项目的协同过滤推荐算法是由Sarwar（2001）提出的，该算法有一个基本的假设就是，能够引起用户兴趣的产品，必定与其之前评分高的产品相似，通过计算产品之间的相似性来代替用户之间的相似性。以项目为基础的协同过滤不用考虑用户间的差别，所以精度比较差。但是却不需要用户的历史资料。对于产品来讲，它们之间的相似性要稳定很多，因此可以离线完成工作量最大的相似性计算步骤，从而降低了线上计算量，提高推荐效率。
基于模型的协同过滤和基于项目的协同过滤统称为基于记忆的协同过滤技术，基于模型的协同过滤是先用历史资料得到一个模型，再用此模型进行预测。以模型为基础的协同过滤广泛使用的方法有贝叶斯网络等，基于对一个样本的分析得到模型。2.矩阵因子技术。一些成功的潜在因素模型的实现是基于矩阵因子分解的。它的基本形式就是根据评级模式既描述产品又描述用户，两者高相关的话就产生一个推荐。推荐系统根据不同类型的数据，将这些数据构成一个二维矩阵，一个维度代表用户，另一维度代表产品。
矩阵因子法的一个优点是它允许额外信息的并入。当明确的信息不能得到时，推荐系统就会运用隐含的反馈信息来判断用户的偏好，这通过观察用户的行为（如购买史，浏览史，搜索模式，鼠标的移动等）来间接地反映用户的观点。
通常一个推荐系统必须要处理冷启动问题，原因在于用户提供非常少的评分，缓解这一问题的一个方式就是，并入额外的与用户有关的信息源。推荐系统能够使用不明确的反馈来获得用户的偏好。例如，一个零售商可以使用顾客的购买历史和浏览历史来了解他们的倾向，而不是根据顾客们提供的评分。
伴随着不同置信水平的输入，在许多的排列中，并不是所有的观察到的评分拥有同样的权重和可信度。例如，大范围的广告也许会影响用户对某一物品的评分，这不能很好的反映长期的特点。
通过分析我们知道因子模型越复杂，就需要更多的参数，根据Yehuda Koren（2009）的研究运用网飞公司（Netflix）的数据进行的实验表明，矩阵因子技术比传统的近邻技术更准确。
三、结论
本文在分析B2C电子商务网站特点的基础上介绍了协同过滤技术在B2C电子商务销售网站个性化推荐系统中的应用。当今时代，B2C电子商务网站的高速发展，使得网上销售的商品无论在种类上还是数量上都大幅增加，因此为用户在寻找有价值的产品或服务提供个性化的推荐就显得特别重要，这也是解决信息过载问题的有效方法。文章对常用的几种推荐技术进行了简单的对比，分析了以往推荐系统所用方法的不足之处，并且发现协同过滤是目前应用最为广泛和成功的个性化推荐技术，最后介绍了矩阵因子技术在向B2C电子商务模式的推荐系统中发挥的作用。
参考文献：
Yau， S. S.， & Karim， F.. An adaptive middleware for context-sensitive communications for real-time applications in ubiquitous computing environments[J].Real-Time Systems， 2004， 26 （1）， 29–61.
Pazzani， Michael J.an摘自：毕业论文格论文导读：stems.IEEEComputerSociety，2009：42-43.作者简介：魏吉勇，南京大学商学院电子商务系研究生；张莹，南京大学商学院人力资源系研究生上一页123
式下载www.7ctime.com
d Daniel Billsus. Content-based recommendation systems[J].The adaptive web. Springer Berlin Heidelberg， 2007：325-341.
[3] Andrew I. Schein， Alexandrin Popescul， Lyle H. Ungar， Did M. Pennock. Methods and Metrics for Cold-Start Recommendations[C].Proceedings of the 25th annual international ACM SIGIR conference on Research and development in information retrieval， 2002：253-258.
[4]J.J. Sandvig， Bamshad Mobasher， and Robin Burke. Robertness of Collaborative Recommendation Based On Association Rule Mining[C].Proceedings of the 2007 ACM conference on Recommender systems， ACM New York， USA，2007：105-110.
[5]Sarwar Z. Project-based Learning to Facilitate Learner Autonomy[J].English Language Education in South Asi： From Policy to Pedagogy， 2011： 195.
[6]Yehuda Koren， Robert Bell and Chris Volinsky. Matrix Factorization Techniques for Recommender Systems[J].IEEE Computer Society， 2009：42-43.
作者简介：魏吉勇，南京大学商学院电子商务系研究生；张莹，南京大学商学院人力资源系研究生
摘 要：本篇文章在分析B2C电子商务网站特点的基础上介绍了协同过滤技术在B2C电子商务网站个性化推荐系统中的应用，并且对常用的几种推荐技术进行了简单的对比，最后介绍了矩阵因子技术在向用户进行推荐中的应用。
关键词：个性化推荐 协同过滤 矩阵因子技术
随着互联网和IT技术的发展，B2C电子商务模式取得了长足的进步。B2C电子商务模式指的是企业（Business）对消费者（Consumer）的一种商务模式，它直接为最终客户提供商品，免去中间环节，降低了经营成本，可使得最终客户享受优惠；也使得企业可以直接与最终客户交流，详细了解他们的需求，使企业更有目的生产适销对路的产品。然而，B2C电子商务的飞速发展也给用户带来了烦恼，他们不得不从大量的信息中找到所需的商品。虽然B2C公司想到对用户进行信息的推荐，但这些公司把用户当成整体来看，将推荐信息不加区分的推送给所有用户，这不能解决用户个性化需求的问题。
B2C电子商务目前已处在竞争激烈的时代，不同B2C网站上所提供商品间的差别越来越小，因此，任何一家B2C网站如果能够根据用户的兴趣爱好等特点主动推荐给用户所需的商品或服务，那么该家网站一定可以在激烈的竞争中处于优势地位。因此，电子商务网站的个性化推荐技术便产生了，其目的是根据不同的客户的特点提供更有针对性地服务，更好的吸引客户，保留客户，提高该网站的销售能力。
一、传统个性化推荐技术
推荐技术是推荐系统性能的优劣的关键，好的电子商务个性化推荐技术能够以很高的精度来帮助用户推荐商品或服务。传统的个性化推荐技术有基于内容推荐和基于关联规则推荐这两种传统的推荐技术。1.基于内容推荐。基于内容的推荐是信息过滤技术的延续与扩展，内容指的是可以用来刻画某个实体（既可以是一个人，一个地点，也可以是一个物体）特点的那些信息，这些信息是与用户和应用（包括地点，时间，活动，对某一实体的偏好）的交互关系有关的。以此来看，基于内容的推荐技术需要获得相关的外部信息，（例如，电影的特征描述包括它的题材，演员，票房收入等的；用户的特征描述包括人口信息等）。内容过滤成功实现的一个典型例子是音乐基因组计划——音乐分析师根据大量的特征对每首歌进行打分，其所依据的信息不仅是音乐本身的特征，也有对于听者偏好的信息。
这种方法的优点是：a）不依赖其它用户的数据，不存在冷启动问题和稀疏问题；b）在为兴趣爱好比较特殊的用户推荐时，效果明显；c）根据所列出的推荐商品或服务的内容特征，可以解释推荐的原因。
缺点是：a）对有意义的特征信息的依赖性强，要求特征信息有良好的结构性，并且用户的偏好能够用特征信息来表达；b）不能显式地得到其它用户的情况。
2.基于关联规则推荐。基于关联规则的推荐是以关联规则挖掘理论为基础，关联规则挖掘是Agrawal（1993）首先提出的，关联规则直观的意义就是用户在购买某些商品的同时有多大程度去购买另外一些商品。比如在对某家超市的实际分析中发现，购买啤酒的人往往同时会购买尿布。关联规则挖掘可以发现不同商品在销售过程中的相关性，这在零售业已得到了成功的应用。
关联规则与其他的技术相比有如下优点：a）所需数据源简单，只要有准确的交易记录即可；b对用户购买行为具有预测性，挖掘用户的潜在兴趣；c） 对商品特性没有要求，可以挖掘不同类型的商品。
然而，基于关联规则方法的推荐只是在大量数据分析的基础上得到的用户在购买某中产品后有多大程度去购买另外一种产品，却不能根据具体某个用户的特点来推荐给他（她）所需的产品，因此在推荐上还是不能取得很高的准确率。
二、基于协同过滤技术的个性化推荐系统
如果说以上方法不能很好的满足当今B2C模式推荐系统的要求，那么协同过滤技术相比来说是能够实现高准确性的推荐效果的。基于协同过滤技术的推荐系统是从用户的角度为出发点来进行相应推荐的，并且是自动的，即用户获得的推荐是系统从用户购买模式或浏览行为等行为信息学习到的，不需要用户努力地搜索适合自己兴趣的信息，如填写一些调查表格等。协同过滤技术的优点是：a）对推荐对象没有特别的要求，既能处理结构化的对象，如关系数据表。又能处理非结构化的复杂对象，如音乐、电影、图书等；b） 可以利用其用户的摘自：毕业论文评语www.7ctime.com
特征信息，避免了内容分析的不完全或不精论文导读：常少的评分，缓解这一问题的一个方式就是，并入额外的与用户有关的信息源。推荐系统能够使用不明确的反馈来获得用户的偏好。例如，一个零售商可以使用顾客的购买历史和浏览历史来了解他们的倾向，而不是根据顾客们提供的评分。伴随着不同置信水平的输入，在许多的排列中，并不是所有的观察到的评分拥有同样的权重和可信度。例
确；c） 可以发现用户潜在的但用户自己尚未发现的兴趣偏好。
协同过滤技术主要的两个研究方向是近邻方法和潜在因素模型。近邻方法主要在于计算产品之间或者用户之间的联系；潜在因素模型根据产品和用户的特征来进行评级。
1.协同过滤技术。协同过滤推荐是基于邻居用户的兴趣爱好来预测目标用户的兴趣偏好，其推荐过程大致是首先搜索目标用户的若干最近邻居，然后根据最近邻居对产品的评分预测目标用户对产品的评分，从而产生推荐列表。本技术首先计算目标用户与各个聚类中心之间的相似性，获得目标用户所属各个聚类程度的向量，然后搜索类别所属程度矩阵，确定目标用户的最近邻居，然后就可以对用户进行推荐。
除基于用户的协同过滤技术以外，还有基于项目的协同过滤和基于模型的协同过滤。基于项目的协同过滤推荐算法是由Sarwar（2001）提出的，该算法有一个基本的假设就是，能够引起用户兴趣的产品，必定与其之前评分高的产品相似，通过计算产品之间的相似性来代替用户之间的相似性。以项目为基础的协同过滤不用考虑用户间的差别，所以精度比较差。但是却不需要用户的历史资料。对于产品来讲，它们之间的相似性要稳定很多，因此可以离线完成工作量最大的相似性计算步骤，从而降低了线上计算量，提高推荐效率。
基于模型的协同过滤和基于项目的协同过滤统称为基于记忆的协同过滤技术，基于模型的协同过滤是先用历史资料得到一个模型，再用此模型进行预测。以模型为基础的协同过滤广泛使用的方法有贝叶斯网络等，基于对一个样本的分析得到模型。2.矩阵因子技术。一些成功的潜在因素模型的实现是基于矩阵因子分解的。它的基本形式就是根据评级模式既描述产品又描述用户，两者高相关的话就产生一个推荐。推荐系统根据不同类型的数据，将这些数据构成一个二维矩阵，一个维度代表用户，另一维度代表产品。
矩阵因子法的一个优点是它允许额外信息的并入。当明确的信息不能得到时，推荐系统就会运用隐含的反馈信息来判断用户的偏好，这通过观察用户的行为（如购买史，浏览史，搜索模式，鼠标的移动等）来间接地反映用户的观点。
通常一个推荐系统必须要处理冷启动问题，原因在于用户提供非常少的评分，缓解这一问题的一个方式就是，并入额外的与用户有关的信息源。推荐系统能够使用不明确的反馈来获得用户的偏好。例如，一个零售商可以使用顾客的购买历史和浏览历史来了解他们的倾向，而不是根据顾客们提供的评分。
伴随着不同置信水平的输入，在许多的排列中，并不是所有的观察到的评分拥有同样的权重和可信度。例如，大范围的广告也许会影响用户对某一物品的评分，这不能很好的反映长期的特点。
通过分析我们知道因子模型越复杂，就需要更多的参数，根据Yehuda Koren（2009）的研究运用网飞公司（Netflix）的数据进行的实验表明，矩阵因子技术比传统的近邻技术更准确。
三、结论
本文在分析B2C电子商务网站特点的基础上介绍了协同过滤技术在B2C电子商务销售网站个性化推荐系统中的应用。当今时代，B2C电子商务网站的高速发展，使得网上销售的商品无论在种类上还是数量上都大幅增加，因此为用户在寻找有价值的产品或服务提供个性化的推荐就显得特别重要，这也是解决信息过载问题的有效方法。文章对常用的几种推荐技术进行了简单的对比，分析了以往推荐系统所用方法的不足之处，并且发现协同过滤是目前应用最为广泛和成功的个性化推荐技术，最后介绍了矩阵因子技术在向B2C电子商务模式的推荐系统中发挥的作用。
参考文献：
Yau， S. S.， & Karim， F.. An adaptive middleware for context-sensitive communications for real-time applications in ubiquitous computing environments[J].Real-Time Systems， 2004， 26 （1）， 29–61.
Pazzani， Michael J.an摘自：毕业论文格论文导读：stems.IEEEComputerSociety，2009：42-43.作者简介：魏吉勇，南京大学商学院电子商务系研究生；张莹，南京大学商学院人力资源系研究生上一页123
式下载www.7ctime.com
d Daniel Billsus. Content-based recommendation systems[J].The adaptive web. Springer Berlin Heidelberg， 2007：325-341.
[3] Andrew I. Schein， Alexandrin Popescul， Lyle H. Ungar， Did M. Pennock. Methods and Metrics for Cold-Start Recommendations[C].Proceedings of the 25th annual international ACM SIGIR conference on Research and development in information retrieval， 2002：253-258.
[4]J.J. Sandvig， Bamshad Mobasher， and Robin Burke. Robertness of Collaborative Recommendation Based On Association Rule Mining[C].Proceedings of the 2007 ACM conference on Recommender systems， ACM New York， USA，2007：105-110.
[5]Sarwar Z. Project-based Learning to Facilitate Learner Autonomy[J].English Language Education in South Asi： From Policy to Pedagogy， 2011： 195.
[6]Yehuda Koren， Robert Bell and Chris Volinsky. Matrix Factorization Techniques for Recommender Systems[J].IEEE Computer Society， 2009：42-43.
作者简介：魏吉勇，南京大学商学院电子商务系研究生；张莹，南京大学商学院人力资源系研究生