基于协同过滤的电子商务个性化推荐算法研究

成保梅

摘  要： 采用基于使用者的协同过滤推荐算法进行电子商务个性化推荐，将获取的评价数据作为推荐算法的输入，根据使用者行为的相似性获取 “最近邻居”集，统计其中各邻居对项目商品的评价分数，并以使用者对项目商品的评分形式和使用者关注度最高的多个项目商品推荐列表形式进行项目商品推荐。在获取“最近邻居”集的过程中，通过使用者特征集提升电子商务推荐系统推荐最近邻居的准确度，利用兴趣度随时间变化函数修正使用者评价矩阵，从使用者特性和兴趣两方面对协同过滤推荐算法进行个性化改进。研究结果表明，所提算法推荐项目商品所需时间始终低于对比算法，且采用该推荐算法后电子商务平台交易成功率由38.4%提升至87.2%。

关键词： 电子商务; 个性化推荐; 协同过滤; 商品推荐; 个性化改进; 交易平台

中图分类号： TN99?34; TP301                       文献标识码： A                   文章编号： 1004?373X（2019）20?0037?03

Research on e?commerce personalized recommendation algorithm

based on collaborative filtering

CHENG Baomei

（Department of E?commerce， Business College of Shanxi University， Taiyuan 030031， China）

Absrtact： The user?based collaborative filtering recommendation algorithm is used to carry out the e?commerce personalized recommendation， and the obtained evaluation data is used as the input of the recommendation algorithm. The "nearest neighbor" set is obtained according to the similarity of the users′ behavior， and all the neighbors′ evaluation scores for the project products are counted. The project product recommendation is carried out according to the users′ scoring form on the project products and the recommendation list form of multi?project produts with the highest attention degree of users. In the process of obtaining the "nearest neighbor" set， the accuracy of recommending nearest neighbors of e?commerce recommendation system is improved by using users′ feature sets， and user evaluation matrix is modified by means of the time?varying function of interestingness. The personalized improvement of collaborative filtering recommendation algorithm is conducted in the two terms of user characteristics and interests. The research results show that the proposed algorithm always takes less time to recommend project product than that of contrast algorithm， and the transaction success rate of e?commerce platform is increased from 38.4 % to 87.2%.

Keywords： e?commerce; personalized recommendation; collaborative filtering; product recommendation; personalized improvement; transaction platform

利用电子商务平台进行购物时，想在同类商品中选取自己喜欢的商品是很困难的，因此电子商务推荐系统得到广泛关注[1]，针对不同使用者的兴趣爱好对其推荐可能感兴趣的信息[2]。随着时间的延长与交易量的提升，其中大部分信息与使用者需求不相关，缺乏个性化特征，导致推荐达不到预期效果。因此提出基于协同过滤的电子商务个性化推荐算法，提升电子商务平台的推荐能力。

1  电子商务个性化推荐算法

1.1  协同过滤推荐算法

1.1.1  协同过滤推荐算法的输入与输出

利用协同过滤进行电子商务项目商品推荐时，以全部使用者对不同商品的评价为依据[3]。用[u]和[i]分别表示使用者和项目商品，[m]和[n]分别表示使用者和项目商品的数量，[m×n]评价矩阵描述原始数据，使用者[i]对项目商品[j]的评分可通过评价矩阵中的元素[dij]描述。通常情况下，通过某区间的整数值描述[dij]，当[dij]为0时，说明使用者尚未对项目商品给予评价[4]。

在推荐列表输出形式中，推荐的N个项目商品均为目标使用者从未购买过的。图1中描述的是基于协同过滤的电子商务推荐过程。

图1  协同过滤推荐过程

1.1.2  基于使用者的协同过滤推荐算法

电子商务推荐系统基于目标使用者的历史行为对比，获取目标使用者与其他使用者间存在的行为相似性，得到一组与目标使用者存在相似兴趣爱好的使用者[5?6]，这一组使用者称为目标使用者的“最近邻居”。

基于使用者的协同过滤推荐算法中先要获取一组目标使用者的“最近邻居”，也就是获取使用者[u]的邻居集合[N=N1，N2，…，Na]，在此集合中不包含使用者[u]，集合中[N1]～[Na]的相似度用[Simu，Ni]表示。采用Pearson相关系数确定使用者的行为相似度，计算公式为：

式中：[Cab]表示使用者[a]和使用者[b]的行为相似度;[dij]，[da]和[db]分别表示使用者[i]对项目商品[j]的评分、使用者[a]对全部项目商品评分的平均分和使用者[b]对全部项目商品评分的平均分。

采用聚集的方法进行目标使用者“最近邻居”集获取的过程：若当前已确定[j]个邻居，并将他们归属在“最近鄰居”集内，确定这[j]个邻居的中心位置[W=1jjD]后，从目标使用者的其他邻居内确定与得到的中心位置距离最近的邻居充当目标使用者第[j+1]个邻居。重复以上过程至[j=1]为止。

电子商务推荐系统能够基于统计后得到的评价分数预估目标使用者对项目商品的评价得分，评价矩阵如下：

使用者兴趣度随时间变化和使用者特性两方面对基于使用者的协同过滤推荐算法进行个性化改进，以便电子商务推荐系统更好地为使用者提供推荐服务。

1.2  协同过滤推荐算法的个性化改进

1.2.1  基于使用者特性的算法个性化改进

首先需依照使用者职业领域构建倒立的职业领域树[7?8]。用[H]表示职业领域树的总层数，即高度。职业领域[m]，[n]在职业领域树内最近的公用父类节点就是二者的最近父类节点，该节点在职业领域树的高度用[Ha，b]表示，假设根节点是职业领域[m]，[n]在职业领域树的最近公用父类节点，则职业领域[m]，[n]的高度为0。若使用者[i]的职业领域为[m]，使用者[j]的职业领域为[n]，则两个使用者在职业领域特性上的相似度为：

1.2.2  基于使用者兴趣度的算法个性化改进

随着时间变化，使用者的兴趣也会发生改变，而在短时间内，使用者的兴趣发生显著变化的可能性较小，所以在利用权重值计算评价得分时[9]，使用者早期的评价在推荐过程中的权重值要低于近期的评价。心理学家对不同时期兴趣的变化进行研究，结果表明：时间变化与兴趣改变间存在非线性的关系[10]。按照时间[t]使用者对项目商品评价得分权重值逐步降低，用[Iu，t]表示兴趣度随时间变化函数，该函数描述使用者兴趣度随时间变化的过程。[Iu，t]作为一个非线性递减函数，体现使用者近期评价的权重值大，权重值范围用[0，1]描述。

在基于使用者的协同过滤推荐算法中引入兴趣度随时间变化函数（见式（7）），研究使用者兴趣随时间改变对电子商务推荐系统推荐结果的影响。

式中：[m]和[n]均为常数;[Qu，i]表示使用者浏览项目商品最近和最早时间的间隔。在调整使用者兴趣度随时间变化对推荐结果影响的权重值时，可通过改变[m]和[n]的值来实现。

2  实验分析

2.1  项目商品推荐所需时间对比

以某电子商务平台为实验对象，采用三种不同推荐算法进行项目商品推荐。在推荐项目商品一致的条件下，采用不同推荐算法的推荐时间如图2所示。

图2  商品推荐时间对比结果

分析图2得到，在推荐项目商品一致的条件下，采用本文算法推荐项目商品所需的时间始终低于其他两种推荐算法。

2.2  电子商务平台交易量对比

针对第2.1节实验中的实验对象，采用三种不同推荐算法进行项目商品推荐，得到的平台交易成功率如图3所示。分析图3得到，采用基于关联规则的推荐算法对于电子商务平台交易成功率的影响几乎可忽略不计;而本文算法能够让使用者得到更多更符合自身需求的项目商品信息。

图3  电子商务平台交易量对比结果

3  结  论

电子商务平台的信息推荐作为提升交易成功率的有效方式，能够提升推荐效率，促进交易量提升。为了提高电子商务个性化推荐效果，在基于使用者的协同过滤推荐算法的基础上，从使用者特性和兴趣两方面对推荐算法进行个性化改进，提高算法的个性化推荐效果。研究结果表明，利用本文算法后，电子商务推荐系统能够更好地为使用者提供推荐服务，并提升电子商务平台交易成功率。

参考文献

[1] 李桃迎，李墨，李鹏辉.基于加权Slope One的协同过滤个性化推荐算法[J].计算机应用研究，2017，34（8）：2264?2268.

LI Taoying，LI Mo， LI Penghui. Personalized collaborative filtering recommendation algorithm based on weighted Slope One [J]. Application research of computers， 2017， 34（8）：2264?2268.

[2] 文俊浩，袁培雷，曾骏，等.基于标签主题的协同过滤推荐算法研究[J].计算机工程，2017，43（1）：247?252.

WEN Junhao， YUAN Peilei， ZENG Jun， et al. Research on collaborative filtering recommendation algorithm based on topic of tags [J]. Computer engineering， 2017， 43（1）： 247?252.

[3] 曾群，程晓.基于相似传播和情景聚类的网络协同过滤推荐算法研究[J].现代情报，2016，36（11）：50?54.

ZENG Qun， CHENG Xiao. The research of network collaborative filtering recommendation algorithm based on similarity propagation and context clustering [J]. Modern information， 2016， 36（11）： 50?54.

[4] 王瑞琴，蒋云良，李一啸，等.一种基于多元社交信任的协同过滤推荐算法[J].计算机研究与发展，2016，53（6）：1389?1399.

WANG Ruiqin， JIANG Yunliang， LI Yixiao， et al. A collaborative filtering recommendation algorithm based on multiple social trusts [J]. Journal of computer research and development， 2016， 53（6）： 1389?1399.

[5] 田保军，胡培培，杜晓娟，等.Hadoop下基于聚类协同过滤推荐算法优化的研究[J].计算机工程与科学，2016，38（8）：1615?1624.

TIAN Baojun， HU Peipei， DU Xiaojuan， et al. Optimization of the collaborative filtering recommendation algorithm based on clustering under Hadoop [J]. Computer engineering and science， 2016， 38（8）： 1615?1624.

[6] 王劲松，蔡朝晖，李永凯，等.基于用户评分差异性和相关性的协同过滤推荐算法[J].计算机科学，2018，45（5）：190?195.

WANG Jingsong， CAI Zhaohui， LI Yongkai， et al. Collaborative filtering recommendation algorithm based on difference and correlation of users′ ratings [J]. Computer science， 2018， 45（5）： 190?195.

[7] 肖会敏，张锟，崔春生.基于协同过滤的移动电子商务推荐算法[J].系统科学与数学，2016，36（8）：1265?1274.

XIAO Huimin， ZHANG Kun，CUI Chunsheng. Recommendation algorithms for mobile e?commerce based on collaborative filtering [J]. Journal of systems science and mathematical sciences， 2016， 36（8）： 1265?1274.

[8] 张宁，范崇睿，张岩.一种基于RFM模型的新型协同过滤个性化推荐算法[J].电信科学，2015，31（9）：103?111.

ZHANG Ning， FAN Chongrui， ZHANG Yan. A novel personalized recommendation algorithm of collaborative filtering based on RFM model [J]. Telecommunications science， 2015， 31（9）： 103?111.

[9] 王成，朱志刚，张玉侠，等.基于用户的协同过滤算法的推荐效率和个性化改进[J].小型微型计算机系统，2016，37（3）：428?432.

WANG Cheng， ZHU Zhigang， ZHANG Yuxia， et al. Improvement in recommendation efficiency and personalized of user?based collaborative filtering algorithm [J]. Journal of Chinese computer systems， 2016， 37（3）： 428?432.

[10] 邓娟.用户兴趣变化下的协同过滤最优推荐仿真[J].计算机仿真，2016，33（8）：411?414.

DENG Juan. User Interest under the change of the optimal recommended simulation collaborative filtering [J]. Computer simulation， 2016， 33（8）： 411?414.