电子商务中个性化推荐系统的实现技术研究

袁　源

(山西职业技术学院计算机系，山西 太原 030006)



电子商务中个性化推荐系统的实现技术研究

袁源

(山西职业技术学院计算机系，山西 太原 030006)

摘要：由于电子商务和信息规模的快速增长，信息量在不断的加大，用户面对这些海量的信息无法知道哪些是对自己有用的信息，信息过滤的重要手段之一就是推荐系统，通过对用户行为的分析，个性化推荐系统就可以预测出用户的喜好，使用户能够更轻松地找到所需要的信息，能够自行在模拟状态下通过销售人员的帮助来完成所有的购买过程。

关键词：电子商务；推荐算法；个性化服务；协同过滤

1个性化推荐系统的概念

在商务智能平台中个性化推荐系统占主导地位，它挖掘了大量数据，从而为用户提供个性化的决策支持以及信息服务。购物网站的个性化推荐系统为客户智能推荐商品，这种基于用户习惯的在线商品推荐算法就相当于我们实际生活中的导购员，在了解客户的基本需求以及偏爱的商品的特征后，就可以向用户提供有价值的建议，算法基于信息：网购平台客户购买商品的历史行为记录。近几年来，搜索引擎技术由于被广泛应用，其发展较快，比较有代表性的谷歌，百度等，由“信息爆炸”和“信息过载”引发的信息丢失问题，在一定程度上可以被缓解[1]。

但客户对于个性化的要求越来越迫切，这种能够实现基于用户习惯做出推荐的算法无论是在国内还是国外，都有专业的研究机构投入大量资源进行相应数学模型的研究。

2电商系统中个性化推荐算法原理

个性化推荐系统的运行遵循输入、处理和输出的程序经典处理流程。用户基本信息模块负责接受输入信息、个性化推荐模块负责处理信息和评价反馈模块负责输出信息，个性化推荐系统首先接受用户输入的注册信息、用户的行为记录信息等，再按照使用的算法对得到的信息进行筛选，最终将筛选的结果通过网站设定的模式推荐给用户。

用户喜好的信息主要来源于“输入一处理一输出”模式中输入阶段的用户输入的信息，这些信息直接影响网站最终给出的推荐效果，因此要脱离网络对数据进行筛选去噪，确定能够实现合理化推荐的物理结构来进行展现。依据用户的习惯进行推荐的流程的实现，还是脱离不了算法对于初期收集的存储于系统中的数据的处理，包括修改、过滤、提取、传递等，最终实现通过网站平台将适合的信息展现给用户以便他们做出合理的选择。一些网站还提供给用户一些选项，用户可以根据喜好来进行选择，例如可以通过选择“收藏店铺”、“收藏宝贝”、“我已经拥有”、“不感兴趣”等明确告诉系统自己对哪些商品感兴趣。用户是否能够客观的选择对于推荐系统的优化是非常关键的，系统通过这些反馈信息可以捕捉到用户的兴趣点以及兴趣的动态变化，强化推荐算法的运行效率与选择精准度，同时对用户购买偏好模型进行实时调整，在运行过程中实现良性循环[2]。

3实现用户个性化推荐系统的关键技术

3.1COOKIE缓存文件

Cookie是将少量的数据存储到客户的电脑存储设备中，或可以使网站服务器在客户的电脑中获取数据的一种方法。它通过在客户端PC上生成一个小文件，用于客户端与服务器之间传递关键信息。当你浏览某个网站时，网站的数据库服务器可以通过它获取你浏览过的网页以及浏览的时间等信息，这时的Cookie文件就具有了日期和时间，同时就变相的减轻了各个电子商务网站的数据库服务器的存储压力[3]。

当你再次访问该网站时，网站通过读取客户电脑中的Cookies，得知你的相关信息，就会因人而异地给出不同的首页提示，包括登录用户的用户名都会显示出来，或者有些网站可以在两周之内直接登录，因为你的用户名及对应密码系统可以从Cookies中获得等等。这就好像我们的身份证，但当你换电脑操作这样的功能就不能实现。Cookies是每个用户专属的信息，只能有对应网站的数据库服务器来识别，所以它们会以不用名字存储加以区分。这些不同网站的Cookies存储在电脑的同一个文件夹中，但都经过了加密技术的处理，我们即使打开也都是一些乱码形式，不用担心重要信息的丢失。

当前，绝大部分互联网广告推荐技术都是以cookies技术为核心为构建的，例如你通过浏览器搜索了某一类商品的信息，你的搜索信息会被记录在cookies文件中，广告报务商会通过分析这些cookies信息有针对性的向你推荐相类似的产品。

3.2聚类分析算法

人们常说“物以类聚，人以群分”，聚类就是这样的一种行为。聚类分析的分类就是依据不同分类标准进行信息的划分，就像按照肤色分为白人、黑人和黄种人，按照职业分为工人、农民、知识分子。现实生活中，人们都是通过聚类模式来区分不同的实物，包括一些程序设计语言中都会用到类的概念进行程序代码的封装。聚类分析就是依据对象的共同点进行分类，将相似度较高的对象放在一起，它们的共同点就是与其它类区分的关键。所以在应用中，一个类的对象就被看做一个整体。在数据挖掘技术中会用到聚类算法，它可以使个性化推荐系统在客户群中将客户进行分类对待，划分出不同的客户群，继而可以确定他们不同的购买模式作出合理的推荐[4]。

3.3基于内容的过滤技术

基于内容的过滤主要是通过各种方法(包括机械学习等)从事例中得到用户的兴趣情况，并将相似的物品推荐给用户。它以获得的物品的内容信息(包括物品特征信息和项目内容信息)为基础进行信息过滤，找到这些物品之间的相关性，不需要搜集用户的评价意见以及行为信息，而是它不涉及冷启动和稀疏问题，它通过对物品的信息进行分析以及建模，从而进行推荐。如果物品信息完整度以及全面度较高，则推荐质量就会相对高一些，这样才能吸引更多的客户。但是这种推荐对于物品相似度的分析完全依赖于物品自身的一些特征，离不开用户以往的一些行为记录、喜好历史。

3.4协同过滤介绍

协同过滤通过对用户登录网站的浏览记录以及行为记录产生的信息进行分析过滤，得到用户的兴趣喜好，然后将具有相同喜好的用户进行分类，对于目标用户就可以找到与他兴趣喜好最相近的邻居用户，从而预测目标用户还有可能的喜好，给出目标用户最准确的个性化推荐。

这种过滤方式既可以基于用户过滤又可以基于商品进行过滤，第一种过滤的方式就是按照用户的兴趣和对商品的喜好，将用户进行分片，使他们成为“邻居”，让这些邻居之间互通有无，交换彼此的感兴趣的商品的信息给当前用户。而划分邻居的量尺就是他们之间对商品的偏好，通过用户A对商品的喜好找到邻居用户B，根据他们之间相似喜好的程度，计算出当前用户暂未涉及的商品并给出推荐。而第二种过滤的方式与第一种方式类似，区别就是从商品的角度出发，对于A用户基于他对商品的喜好再找到类似的商品，并结合A用户的历史行为信息推荐商品，所以，划分商品的量尺就是商品之间的相似度，找到A用户喜好商品的类似商品之后，按照该用户历史行为推荐商品。

4结论

随着我国电子商务信息化建设快速发展，如何为用户提供更加准确、高效、便捷的信息化服务成为电子商务建设中的一个重要任务。个性化推荐系统在获取用户的浏览偏好与历史购物信息的基础上，模拟导购流程与用户进行直接交互，帮助用户找到所需要的商品，它是解决用户对信息过滤问题的最好的也是最有效的方法。通过对用户行为的分析，个性化推荐系统就可以预测出用户的喜好，使用户能够更轻松地找到他们所需要的不同的信息，用户能够自行在模拟状态下通过销售人员的帮助来完成所有的购买过程。通过对用户行为的分析，个性化推荐系统就可以预测出用户的喜好，使用户能够更轻松地找到他们所需要的不同的信息。

参考文献

[1]蒋翀.电子商务个性化推荐系统研究[D].长沙：中南大学,2009：10-33.

[2]邢春晓，高风荣，战思南，等.适应用户兴趣变化的协同过滤推荐算法[J].计算机研究与发展,2007,44(2):296-301.

[3]张光卫，李德毅，李鹏，等.基于云模型的协同过滤推荐算法[J].软件学报,2007,18(10):2403-2411.

[4]张守志，许彦.一个个性化服务系统的设计与实现[J].小型微型计算机,2003,24(12):2155-2158.

收稿日期：2015-12-24

作者简介：袁源(1978- )，女，山西大同人，助教，硕士，研究方向：计算机软件及网络。

文章编号：1674- 4578(2016)02- 0089- 02

中图分类号：TP311

文献标识码：A

Research on the Realization Technology of Personalized Recommendation System in Electronic Commerce

Yuan Yuan

(DepartmentofComputerScience,ShanxiPolytechicCollege,TaiyuanShanxi030006,China)

Abstract:Due to the rapid growth of e-commerce and the scale of information, the amount of information is constantly increasing. Facing these vast amounts of information, users can not know what is useful for their own information, so the information filtering is one of the important means of recommendation system. Through the analysis on user behavior, the personalized recommendation system can predict the user’s preferences, and users can easily find the information needed to complete all the purchase process through the help of sales staff in the simulation state.

Key words:electronic commerce; recommendation algorithm; personalized service; collaborative filtering