顏 穎

（義烏工商職業(yè)技術(shù)學(xué)院創(chuàng)業(yè)學(xué)院，浙江 義烏 322000）

通過(guò)對(duì)各大主流電子商務(wù)網(wǎng)站的研究，可以發(fā)現(xiàn)推薦系統(tǒng)的功能已遍布各類網(wǎng)站。無(wú)論淘寶網(wǎng)站中的“猜你喜歡”，亦或亞馬遜網(wǎng)站中的“為您推薦”等功能，無(wú)不展示了推薦系統(tǒng)的強(qiáng)大。在各個(gè)電子商務(wù)網(wǎng)站之間，推薦系統(tǒng)已成為電子商務(wù)網(wǎng)站中最有競(jìng)爭(zhēng)力的模塊之一，它是必不可少的存在。因此，開(kāi)發(fā)一個(gè)精準(zhǔn)、強(qiáng)大的個(gè)性化推薦系統(tǒng)已成為各個(gè)電子商務(wù)網(wǎng)站面臨的最大挑戰(zhàn)。

一、推薦系統(tǒng)的意義

（一）推薦系統(tǒng)的含義

所謂的推薦系統(tǒng)，并不是一個(gè)獨(dú)立的系統(tǒng)，在一定程度上說(shuō)，它是依附于主體網(wǎng)站而存在的模塊，也可以被稱為是一種工具，其功能的運(yùn)作需要主體網(wǎng)站的支撐。基于對(duì)主體網(wǎng)站中用戶知識(shí)、用戶行為及喜好的分析，該系統(tǒng)能夠發(fā)現(xiàn)客戶最為感興趣的商品，并及時(shí)推薦給客戶，從而達(dá)到提升交易額的目的。

（二）推薦系統(tǒng)的作用

從技術(shù)角度出發(fā)，推薦系統(tǒng)與搜索引擎類似，其被開(kāi)發(fā)目的都是為了解決信息過(guò)載的問(wèn)題。但與搜索引擎不同，推薦系統(tǒng)的推薦功能是在沒(méi)有用戶明確需求的情況下進(jìn)行的，它通過(guò)對(duì)用戶歷史行為數(shù)據(jù)進(jìn)行挖掘、分析、建模，最終找到用戶可能會(huì)感興趣的內(nèi)容并加以推送。

從電子商務(wù)的角度出發(fā)，電子商務(wù)網(wǎng)站其跨時(shí)空跨地域的天然優(yōu)勢(shì)，以及較實(shí)體市場(chǎng)相對(duì)低廉的運(yùn)營(yíng)成本，使得其銷售的產(chǎn)品數(shù)量遠(yuǎn)遠(yuǎn)大于實(shí)體店。而在電子商務(wù)網(wǎng)站中，主流商品通常只占一小部分，其余的大量商品大多為長(zhǎng)尾商品[1]，長(zhǎng)尾商品通常具有非常客觀的銷售額。那么，如何將這批產(chǎn)品挖掘出來(lái)，將它們推送給可能對(duì)其感興趣的用戶，從而增加下單率與訂單轉(zhuǎn)換率，就是個(gè)性化推薦系統(tǒng)需要做的。

總的來(lái)說(shuō)，推薦系統(tǒng)算法的目標(biāo)就是根據(jù)不同的規(guī)則，找到產(chǎn)品和用戶的對(duì)應(yīng)關(guān)系，為不同需求的用戶提供定制化的推薦。這樣既解決了數(shù)據(jù)過(guò)載的問(wèn)題，又為大量存在的長(zhǎng)尾數(shù)據(jù)的再次被利用指明了方向。

二、推薦系統(tǒng)是如何與其他網(wǎng)站進(jìn)行接口的

對(duì)于電子商務(wù)系統(tǒng)，必然會(huì)有一個(gè)用戶界面（User Interface，簡(jiǎn)稱UI系統(tǒng)）。UI系統(tǒng)主要負(fù)責(zé)頁(yè)面展示與用戶交互。用戶在UI系統(tǒng)中會(huì)產(chǎn)生各種操作行為，包括點(diǎn)擊、瀏覽、購(gòu)買、支付等操作。為了記錄用戶在界面上的各種操作行為，網(wǎng)站通常會(huì)有日志系統(tǒng)。日志系統(tǒng)中的日志一般會(huì)存儲(chǔ)在內(nèi)存緩存、數(shù)據(jù)庫(kù)或者文件系統(tǒng)中。但無(wú)論存儲(chǔ)在何處，推薦系統(tǒng)都會(huì)獲取到這些日志信息，并通過(guò)分析用戶的行為數(shù)據(jù)，把數(shù)據(jù)結(jié)果匯總并生成推薦表，最終將推薦表展示在用戶界面中。但是，不同的推薦系統(tǒng)在進(jìn)行行為日志分析時(shí)所用到的算法不盡相同，根據(jù)不同的目標(biāo)，采取的方式也會(huì)有所差異。

三、基于用戶行為數(shù)據(jù)分析的推薦算法

基于用戶行為數(shù)據(jù)分析算法為推薦系統(tǒng)算法中的一種。此外，推薦系統(tǒng)算法還包括基于推薦原則與推薦內(nèi)容的算法。由于這兩種算法與用戶行為相較而言是相對(duì)獨(dú)立的，它們的推薦結(jié)果很難適應(yīng)于當(dāng)前需求多變的用戶群，用戶體驗(yàn)感往往較差，因此在電子商務(wù)網(wǎng)站系統(tǒng)中已不是主流的算法。相比之下，基于用戶行為數(shù)據(jù)分析的算法正好能彌補(bǔ)這一缺陷，特別是基于協(xié)同過(guò)濾的個(gè)性化推薦模型，協(xié)同過(guò)濾算法的個(gè)性化推薦模型具有精準(zhǔn)匹配客戶需求與及時(shí)推送等特性，有助于提升商品在電商平臺(tái)的交易額，進(jìn)而提升企業(yè)的盈利能力。[2]

因此，我們著重對(duì)基于用戶行為數(shù)據(jù)分析的推薦算法進(jìn)行探討。

（一）基于用戶行為的推薦算法

基于用戶行為的推薦算法是一種比較直觀的算法，從本質(zhì)上說(shuō)，其將用戶數(shù)據(jù)分析結(jié)果分為用戶感興趣與不感興趣兩大類。

用戶行為在電子商務(wù)網(wǎng)站上會(huì)產(chǎn)生各種操作記錄，包括網(wǎng)頁(yè)瀏覽、購(gòu)買、點(diǎn)擊、收藏、評(píng)分和評(píng)論等，這些記錄均以日志的形式保存在系統(tǒng)中。通過(guò)對(duì)用戶行為的分析，可以將數(shù)據(jù)分為顯性反饋數(shù)據(jù)與隱形反饋數(shù)據(jù)。顯性反饋數(shù)據(jù)中可以較明確地確定用戶對(duì)產(chǎn)品的喜好。如：用戶直接的評(píng)價(jià)，喜歡或者不喜歡。隱性反饋數(shù)據(jù)則較難確定，如頁(yè)面瀏覽數(shù)據(jù)，通過(guò)瀏覽頁(yè)面很難直觀地判斷出用戶是否對(duì)某一產(chǎn)品感興趣。通常情況下，分析顯性反饋數(shù)據(jù)可以很容易區(qū)分用戶行為是正反饋還是負(fù)反饋，而隱形反饋數(shù)據(jù)就比較難以確定。

（二）基于領(lǐng)域的算法

推薦系統(tǒng)中最基本的算法為基于領(lǐng)域的一類算法，這類算法在行業(yè)中被廣泛使用。這類算法主要分為兩個(gè)類別：其一為基于用戶的協(xié)同過(guò)濾算法，其二為基于物品的協(xié)同過(guò)濾算法。

1.基于用戶協(xié)同過(guò)濾算法（UserCF算法）

UserCF算法的基本思想：在一個(gè)個(gè)性化的推薦系統(tǒng)中，當(dāng)一個(gè)用戶A需要個(gè)性化推薦時(shí)，首先需要確定與其興趣相似的其他用戶集合B，進(jìn)而確定用戶集合B感興趣但用戶集合A卻沒(méi)有接觸過(guò)的產(chǎn)品，并推薦給A集合的用戶。所以，以協(xié)同過(guò)濾算法機(jī)制的核心計(jì)算包括如下兩個(gè)方面：

（1）確定與目標(biāo)用戶興趣的相似度較高的用戶集合；

（2）確定（1）集合內(nèi)用戶感興趣且較為新奇物品的同時(shí)將其推薦給用戶A。

UserCF算法中的首要任務(wù)是計(jì)算兩個(gè)用戶的興趣相似度。給定用戶u和用戶v，令N(u)與N(v)分別表示有過(guò)正反饋的用戶v與u物品的結(jié)合。通過(guò)余弦相似度的計(jì)算公式，則可以計(jì)算：

事實(shí)上對(duì)獨(dú)立用戶而言，對(duì)冷門物品通過(guò)這類方式進(jìn)行計(jì)算，一定程度上更能表明用戶間興趣的相似度。因此，如果直接使用基于余弦相似度的公式來(lái)計(jì)算所得的結(jié)果并不夠準(zhǔn)確，我們需要對(duì)熱門產(chǎn)品進(jìn)行一定程度的懲罰：

得出用戶間興趣相似度的結(jié)果后，UserCF算法會(huì)智能地對(duì)用戶推薦感興趣的物品，同時(shí)也會(huì)告知用戶有k個(gè)用戶也對(duì)該物品感興趣。具體的計(jì)算公式如下式：

上式中，S(u,K)表示用戶u興趣最接近的用戶數(shù)量為K個(gè)，N(i)為用戶對(duì)物品i有過(guò)行為的集合，Wuv為用戶v與u的興趣相似度，γvi則為用戶V對(duì)物品i的興趣程度。

2.基于物品的協(xié)同過(guò)濾算法（Item CF算法）

通俗地講，這一算法在于能夠?yàn)橛脩敉扑]感興趣的物品或是與其感興趣物品特性相近的物品。需要注意的是，Item CF這一算法并非是通過(guò)物品內(nèi)置屬性的相似度來(lái)確定用戶關(guān)注相似度的，而是對(duì)用戶行為數(shù)據(jù)進(jìn)行分析后得出的物品間的相似度。也可以理解為：若A與B兩種物品的相似度較高，用戶對(duì)A物品感興趣的同時(shí)也對(duì)B物品感興趣。所以，關(guān)于ItemCF的算法主要包括如下兩個(gè)步驟：

（1）對(duì)物品間相似的計(jì)算；

（2）基于用戶歷史行為與物品間的相似度為用戶生成并推薦有關(guān)物品列表。

令給定兩位用戶分別為i和j，若│N（i）│為對(duì)商品i感興趣的用戶數(shù)量，N（i）∩N（j）為同時(shí)對(duì)物品 i與 j感興趣的用戶數(shù)，則Wij可看作為用戶同時(shí)對(duì)i于j物品的占比。那么，

然而，當(dāng)物品j很熱門時(shí)，Wij的值就會(huì)很大，接近于1。此時(shí)，就會(huì)出現(xiàn)一種現(xiàn)象：任何物品都會(huì)和熱門的物品有很大的相似度。為了避免推薦出熱門的物品，可以根據(jù)余弦相似度公式得出：

但是事實(shí)上，并不是每個(gè)用戶的貢獻(xiàn)都是相同的，非因自身需求因素而批量購(gòu)買的用戶的貢獻(xiàn)遠(yuǎn)遠(yuǎn)沒(méi)有出于自身興趣而購(gòu)買少量物品的用戶的貢獻(xiàn)大。因此，針對(duì)這類用戶，需要對(duì)其進(jìn)行懲罰。這時(shí)需引入IUF概念，這一概念是由John S.Breese提出，其既為用戶活躍度對(duì)數(shù)的導(dǎo)數(shù)的參數(shù)，同時(shí)不活躍用戶對(duì)物品相似度的貢獻(xiàn)應(yīng)當(dāng)大于等于活躍用戶。若增加IFU的有關(guān)參數(shù)來(lái)對(duì)物品相似度進(jìn)行修正，則得出興趣相似度公式如下：

這里，N(u)代表用戶喜歡的物品集合。

得到用戶之間的興趣相似度后，ItemCF算法會(huì)為用戶推薦和他興趣最相似的k個(gè)用戶喜歡的物品。公式如下：

S(j,K)是和物品j最相似的K個(gè)物品的集合，Wij是物品i和物品j的相似度，γui是用戶u對(duì)物品i的興趣。

3.UserCF算法和ItemCF算法的比較

從數(shù)據(jù)分析維度的角度看，可以說(shuō)UserCF算法是對(duì)用戶數(shù)據(jù)進(jìn)行橫向的挖掘，更著重于為用戶推薦那些和該用戶有共同興趣愛(ài)好的用戶喜歡的物品，關(guān)注點(diǎn)在于興趣相似的小群體的熱點(diǎn)。而ItemCF算法是對(duì)用戶數(shù)據(jù)縱向的挖掘，其關(guān)注的點(diǎn)是目標(biāo)用戶的歷史，通過(guò)分析目標(biāo)用戶過(guò)去的記錄為其推薦其感興趣的相似度高的產(chǎn)品。

從數(shù)據(jù)算法復(fù)雜度的角度來(lái)看，在UserCF算法中，計(jì)算機(jī)需要針對(duì)每個(gè)用戶維護(hù)一個(gè)巨大的興趣相似度矩陣。隨著電子商務(wù)的不斷發(fā)展，系統(tǒng)中的用戶數(shù)量會(huì)成倍增加，因此對(duì)于用戶興趣相似度矩陣的相關(guān)計(jì)算就會(huì)越來(lái)越繁雜，其運(yùn)算時(shí)間復(fù)雜度和空間復(fù)雜度會(huì)近似于幾何倍數(shù)的增長(zhǎng)，這就對(duì)計(jì)算機(jī)的硬件需求提出了嚴(yán)峻的挑戰(zhàn)。相比之下，ItemCF算法著重于維護(hù)物品相似度矩陣，在用戶數(shù)目遠(yuǎn)遠(yuǎn)小于物品數(shù)量，系統(tǒng)中相對(duì)比較穩(wěn)定，因此更適用于電子商務(wù)類的網(wǎng)站。

四、推薦技術(shù)在電子商務(wù)中的應(yīng)用

（一）推薦系統(tǒng)在亞馬遜中的應(yīng)用

以著名電子商務(wù)網(wǎng)站亞馬遜為例。亞馬遜是最早使用推薦系統(tǒng)的電子商務(wù)平臺(tái)。基于物品的ItemCF算法（協(xié)同過(guò)濾算法）于1998年正式上線，這一算法將處理百萬(wàn)級(jí)商品，同時(shí)也將用戶推向了一個(gè)電子商務(wù)領(lǐng)域發(fā)展的新高度。[3]在此之前，協(xié)同過(guò)濾算法主要還是基于用戶的，由于物品數(shù)變化頻率要小于用戶數(shù)量的變化率，因此此前并不完全適用于亞馬遜。

亞馬遜在ItemCF算法廣泛使用以后，系統(tǒng)在一定程度上進(jìn)行了改版，將推薦系統(tǒng)的功能分布在網(wǎng)站頁(yè)面的多個(gè)角落。首先，在主頁(yè)面中較為醒目位置放置了用戶購(gòu)買歷史與瀏覽行為等個(gè)性化模塊；在搜索結(jié)果頁(yè)一側(cè)展示了與搜索商品有關(guān)的推薦結(jié)果；此外，在用戶購(gòu)物車界面中增設(shè)了用戶可能感興趣的其他商品；在訂單的尾部會(huì)出現(xiàn)購(gòu)買這些物品后未來(lái)建議購(gòu)買的產(chǎn)品（也就是捆綁銷售）等。整個(gè)亞馬遜電子商務(wù)系統(tǒng)中到處出現(xiàn)了推薦模塊的身影，它以各種形式融入于頁(yè)面中。每位用戶登錄系統(tǒng)所見(jiàn)到的網(wǎng)上商店都是不同的，千人千面。依據(jù)微軟研究院對(duì)其后幾年的調(diào)查數(shù)據(jù)顯示，亞馬遜至少有三成的頁(yè)面瀏覽量源于系統(tǒng)的推薦。[3]

（二）推薦系統(tǒng)中算法的選擇

在實(shí)際的開(kāi)發(fā)過(guò)程中，沒(méi)有一種算法是適用于所有系統(tǒng)的，也沒(méi)有一種算法能夠滿足所有系統(tǒng)的需求。當(dāng)面臨不同的應(yīng)用場(chǎng)景的算法選擇時(shí)，一定要結(jié)合產(chǎn)品自身與使用平臺(tái)的考量，需要考慮到例如產(chǎn)品冷啟動(dòng)期間數(shù)據(jù)量、長(zhǎng)期樣本數(shù)據(jù)量的多少以及算法所在的平臺(tái)的成熟度等。[4]另外，不同的數(shù)據(jù)量級(jí)下不同方法配合不同算法產(chǎn)生的性能壓力也需要考察。多數(shù)情況下，很多業(yè)務(wù)場(chǎng)景不會(huì)只使用一種算法來(lái)解決問(wèn)題，往往需要多個(gè)算法相互結(jié)合。因此，在推薦系統(tǒng)算法的選擇上，根據(jù)不同的場(chǎng)景和需求可以采用混合推薦的方法，利用多種方法之間的優(yōu)勢(shì)，規(guī)避各種方法的劣勢(shì)，從而達(dá)到比較完美的效果。

個(gè)性化推薦系統(tǒng)是一門強(qiáng)大的自學(xué)習(xí)工具，它的核心就是有好的算法，通過(guò)好的算法就可以得到較精確的反饋。它的發(fā)展從無(wú)到有，現(xiàn)如今已演變成為電商網(wǎng)站的基礎(chǔ)設(shè)施之一。面對(duì)未來(lái)的挑戰(zhàn)，個(gè)性化推薦系統(tǒng)還需要不斷地提高，不斷地更新與探索。算法是一個(gè)程序系統(tǒng)的靈魂所在，其更新迭代的速度也極快，唯有不斷地使機(jī)器學(xué)習(xí)，才更有可能提供更為智能化與人性化的服務(wù)。相信未來(lái)，個(gè)性化推薦系統(tǒng)可以做得更好、更智能、更全面。