裴英梅

[摘要]個(gè)性化推薦是根據(jù)不同顧客的偏好和特質(zhì)做出針對(duì)于特定顧客的精確的推薦，是智能的信息挖掘過程。本文主要介紹了電子商務(wù)推薦系統(tǒng)中采用的模型和幾中常用的推薦技術(shù)。

[關(guān)鍵詞]電子商務(wù)；個(gè)性化推薦；推薦模型；推薦技術(shù)

隨著電子商務(wù)的迅猛發(fā)展，傳統(tǒng)的商貿(mào)活動(dòng)已發(fā)生了革命性的變化，一是，地域的限制基本被消除，二是，消費(fèi)者有了更廣闊的選擇空間。當(dāng)消費(fèi)者瀏覽電商網(wǎng)頁，搜索喜好商品時(shí)，總會(huì)看到頁面周邊的一些相關(guān)推薦，這些推薦商品可能是消費(fèi)者現(xiàn)在需要的，也可能是曾經(jīng)搜索過的。產(chǎn)生這種現(xiàn)象的原因是背后強(qiáng)大技術(shù)的支持，這些技術(shù)保證了在精準(zhǔn)推送的同時(shí)還能使消費(fèi)者獲得較高的體驗(yàn)度。

個(gè)性化推薦就是通過全方位的數(shù)據(jù)，精準(zhǔn)判斷出用戶的購買意圖，有針對(duì)性為用戶推薦他最愿意購買的商品，提升用戶對(duì)產(chǎn)品的體驗(yàn)度，提高下單轉(zhuǎn)化率。增強(qiáng)用戶粘性。

1個(gè)性化推薦模型

電子商務(wù)個(gè)性化推薦系統(tǒng)主要通過以下三方面提高電子商務(wù)系統(tǒng)的銷售能力：通過網(wǎng)站瀏覽將潛在客戶變?yōu)閷?shí)際商品的購買者：通過推薦相關(guān)系列產(chǎn)品增加其它商品的交叉銷售量：提高客戶對(duì)商務(wù)網(wǎng)站的粘度。個(gè)性化推薦模型分為召回和排序兩大類。

1.1召回模型

召回模型就是選舉推薦的侯選。主要有基于行為的召回：基于偏好的召回：基于地域的召回等模型。

（1）基于行為的召回模型

這種模型又分為近期行為和中長(zhǎng)期行為。近期行為召回模型推薦的商品與用戶搜索過的商品相似或相關(guān)，這種商品購買搭配推薦是最常用同時(shí)也是轉(zhuǎn)化率最高的。中長(zhǎng)期行為召回模型發(fā)生的行為通常在半年左右，針對(duì)于某些沒有用戶行為的新商品，利用購物籃分析，建立產(chǎn)品和產(chǎn)品之間的關(guān)系，把這些關(guān)系應(yīng)用到個(gè)性化推薦中去，提升長(zhǎng)尾商品的搭配覆蓋率。

（2）基于偏好的召回模型

這種模型是針對(duì)用戶進(jìn)行全方位地描述，存儲(chǔ)用戶曾經(jīng)的購買行為數(shù)據(jù)，對(duì)其興趣愛好進(jìn)行判別從而做出推薦，并同時(shí)考慮用戶的購買力和敏感度等問題。如果該用戶沒有近期產(chǎn)品行為，此模型會(huì)基于大數(shù)據(jù)從海量的其他用戶中挖掘出最接近的一個(gè)用戶，通過算法來預(yù)測(cè)該用戶感興趣的產(chǎn)品，然后再做出推薦。

（3）基于地域的召回模型

根據(jù)不同地域的消費(fèi)特點(diǎn)不同做出有針對(duì)性的建模，推薦當(dāng)?shù)赜脩糍徺I率高的商品。有些地區(qū)具有非常明顯的地域特點(diǎn)，如消費(fèi)水準(zhǔn)高、人口結(jié)構(gòu)單一、地方特色鮮明，這樣顧客就會(huì)偏向于某些特定消費(fèi)品。

1.2排序模型

當(dāng)積累一定的用戶和流量，有一定點(diǎn)擊和購買之后，就需用到排序算法。以京東為例，在排序上進(jìn)行兩級(jí)預(yù)估，先預(yù)估CTR（點(diǎn)擊率），再預(yù)估CVR（轉(zhuǎn)化率），由此進(jìn)行排序。對(duì)于任何一個(gè)商品。它都具備品牌、中心詞、類目、擴(kuò)展屬性等指標(biāo)，可以用銷售量來度量。各個(gè)商品之間還有一張相互關(guān)聯(lián)的網(wǎng)，這種網(wǎng)狀關(guān)系包含了評(píng)論數(shù)、好評(píng)度、瀏覽深度等指標(biāo)。

對(duì)于“冷啟動(dòng)”的極端情況，可采用根據(jù)最近的熱點(diǎn)進(jìn)行類別多樣化精選推薦的策略，把每一類當(dāng)下最流行的商品拼在一起推薦給新用戶，然后根據(jù)用戶的交互反饋，慢慢向用戶主信息上收斂。

2電子商務(wù)個(gè)性化推薦技術(shù)

個(gè)性化的推薦不同于大眾行為的推薦。靜態(tài)的、由管理員設(shè)定的大眾行為的推薦會(huì)對(duì)每個(gè)用戶都推薦同樣的商品，或根據(jù)所有的用戶反饋信息，用統(tǒng)計(jì)學(xué)原理計(jì)算出時(shí)下最流行的商品并做出推薦。個(gè)性化的推薦則需要根據(jù)不同顧客的偏好和特質(zhì)做出針對(duì)于特定顧客的精確的推薦，因此。個(gè)性化推薦是智能的信息挖掘過程。目前，主要的技術(shù)有基于內(nèi)容的推薦，協(xié)同過濾推薦，基于知識(shí)推薦，混合推薦等。

2.1基于內(nèi)容的推薦

這種推薦是根據(jù)物品或內(nèi)容的元數(shù)據(jù)，根據(jù)資源屬性內(nèi)容的相關(guān)性，基于用戶曾經(jīng)的愛好，推薦給用戶相似的物品。它的好處是對(duì)用戶的品味能夠做出很好的建模。它存在的問題是提取能力有限，常陷于推薦容易分析內(nèi)容的商品，對(duì)缺乏使用數(shù)據(jù)的新用戶存在冷啟動(dòng)問題。

2.2協(xié)同過濾推薦

協(xié)同過濾推薦是目前應(yīng)用最多的電子商務(wù)推薦技術(shù)，并被廣泛研究。它的原理是根據(jù)用戶對(duì)物品或信息的喜好，找到其它物品或信息與其相關(guān)聯(lián)，或是發(fā)現(xiàn)品味或喜好與當(dāng)前用戶相似的“鄰居”用戶群，然后再基于這些關(guān)聯(lián)性進(jìn)行推薦。

其優(yōu)點(diǎn)是推薦的個(gè)性化程度高，用戶容易對(duì)被推薦商品感興趣，商品的特征不必被考慮，任何形式的商品都能被推薦。缺點(diǎn)是存在冷啟動(dòng)、數(shù)據(jù)稀疏性以及可擴(kuò)展性問題。

2.3基于知識(shí)的推薦

基于知識(shí)的推薦利用“功能知識(shí)”的概念，無需考慮用戶的歷史信息和用戶——項(xiàng)目矩陣，它依據(jù)某個(gè)項(xiàng)目所包含的知識(shí)如何滿足某個(gè)客戶。比如用戶在某個(gè)搜索引擎下輸入包含某類知識(shí)的項(xiàng)目，系統(tǒng)則會(huì)產(chǎn)生多個(gè)推薦項(xiàng)目，這些推薦項(xiàng)目都與該用戶查詢的項(xiàng)目在知識(shí)上相關(guān)聯(lián)，這是一種規(guī)范化的查詢。

2.4混合推薦

為了取得更好的推薦效果，流行的網(wǎng)絡(luò)站點(diǎn)采用的往往不是單一的推薦方式，而是若干種方法混合在一起的機(jī)制和策略。最常見的做法有切換的混合、分區(qū)的混合和分層的混合等。切換的混合推薦是根據(jù)不同的數(shù)據(jù)量、系統(tǒng)運(yùn)行狀況、用戶和物品的數(shù)目等情況選擇最為合適的推薦機(jī)制計(jì)算推薦：分區(qū)的混合即采用多種推薦機(jī)制，分出不同的區(qū)域顯示采用不同推薦算法而推薦出的商品，這樣用戶可以得到全面的推薦，容易找到理想的商品，這種推薦方式也被很多電子商務(wù)網(wǎng)站所采用：分層的混合是先采用—個(gè)推薦機(jī)制得到結(jié)果后作為另一種推薦機(jī)制的輸入。這種推薦能夠綜合多個(gè)推薦機(jī)制的優(yōu)點(diǎn)，使用戶在全方位的推薦中找到真正使自己感興趣的商品。

3結(jié)語

個(gè)性化推薦使得人們?cè)陔娮由虅?wù)海量的數(shù)據(jù)當(dāng)中能夠?qū)ふ业綖樽约核玫男畔?，系統(tǒng)的應(yīng)用節(jié)約了大量顧客搜索時(shí)間成本，提高了商品的銷售度，已成為電子商務(wù)網(wǎng)站的必備競(jìng)爭(zhēng)工具。隨著體驗(yàn)經(jīng)濟(jì)的到來，未來的個(gè)性化推薦必將包含強(qiáng)大的大數(shù)據(jù)挖掘分析能力，滲透更多的人情關(guān)懷。

[責(zé)任編輯：張濤]