个性化推荐技术在电商网站中的应用

2019-11-29赵一格

科技传播 2019年15期

赵一格

在互联网技术快速发展的时代，网络购物已逐渐成为大势所趋。但由于近年来网上信息的迅猛出现，使得人们不能快速得到有效信息。而推荐系统的诞生和不断进化，极大地解决了电商服务平台在运行过程中出现的消费者购物效率低下的问题。为了更好的满足客户需求，一些电子商务购物软件还专门设计了“猜你喜欢”的相关推荐功能[1]。这是因为技术人员将个性化推荐运用在电商购物网站中。通过使用推荐系统，用户能根据需要更快速和准确的找到对应商品。因为这种推荐系统具有很强的实用性，所以这项技术在很多领域都有广泛应用[2]。

1 推荐系统的概述

1.1 推荐系统的概念

随着互联网和电子商务技术的日益成熟，个性化推荐逐步衍生。它是一个先进的商业智能平台，为用户提供其所需的信息。电子商务系统的具体定义可以总结为：电子商务网站使用推荐系统将符合需求类型的商品信息提供给用户，分析出适合其购买的物品，使用户的购买体验更加完整。

1.2 推荐系统的发展历程

1995—1997年有几所著名的大学先后提出了个性化推荐系统的理论，但由于当时的科技水平条件有限，一直停留在理论阶段。推荐系统在当时还只是一种设想。

通过科研人员的不断努力，直到20世纪90年代，个性化推荐系统取得了飞速的进展，德国Dresden技术大学的Tanja Joerding创新性地实现TELLIM——个性化电子商务的初步系统，这就标志着个性化推荐系统逐步走向了现实。在此后的10多年间，多家学院和公司将个性化推荐系统实践应用到电子商务中。人们可以更加快捷高效地获得商品信息。

随着科技水平的不断发展，个性化推荐系统不断进行完善。在21世纪初期，Google首次创新地加入了个性化元素。不再是着重分析使用者单一搜索的关键点，而是对用户最近的浏览记录进行分析，通过这种手段可以更多了解用户的爱好兴趣，更加准确地为用户展现适合他们的信息。由此带来的巨大经济效益推动了电商服务的快速发展，2011年9月，李彦宏将推荐引擎与云计算和搜索引擎一起作为未来互联网的重要发展战略。百度将会不断改进技术，向个性化进一步迈进。在这个时期个性化推荐系统才真正成为一项重要的电商服务应用技术。

2 电商网站中推荐技术的基本原理

为了提高消费者的购物效率，各大电商网站都将推荐系统应用其中。推荐系统通过计算机技术将多种技术融合，其中主要的核心技术为基于内容的推荐，协同过滤推荐和混合协同过滤推荐三大类。

2.1 基于内容的推荐

基于内容的推荐步骤可以概括为：首先给商品划分一些属性，然后根据商品的不同类别，向用户推荐一些相同类型的商品。我们可以创设一种情景，例如：通过一些精准的计算，会发现服装1和服装3较为相似，因为它们都属于休闲一类。推荐系统还会发现用户1喜欢服装1，根据推荐算法可以得出，用户1很可能对服装3也感兴趣。于是系统会将服装3推荐给1。在实际应用中，只根据内容类型进行推送显然过于粗略，还需要进行多方面考虑。

这种基于内容（基于标签）的推荐技术可以对用户兴趣进行的分类，还可以对网站中的商品进行精细的属性划分，这样可以更精准地分析信息。但这种推荐技术在某些方面上有一定的局限性：必须分析资源的内容信息，因此对音乐、图像、视频等信息不能深度分析；无法对某些信息进行高质量分析；无法提供实时新鲜的推荐等。但基于内容的推荐仍然是一种基础的算法。

2.2 协同过滤推荐

利用用户的访问记录，根据用户组群的相似性程度来向用户推荐所需的产品，这种基于用户的协同过滤推荐算法，其核心内容是推荐系统根据用户的喜好来选择推荐的对象，对于一些类型的产品，用户对某种类型的产品可能会具有更高的评价，相似的程度更高。因此，协同过滤推荐首先找到与目标用户兴趣相似的用户组，然后根据用户组对商品的评估为目标用户进行产品的推荐。

2.3 混合协同过滤推荐

在个性化推荐技术腾跃式发展的十多年之间，技术人员将许多的算法进行比较，经过大量的实践验证，不难发现单一的推荐算法是不足以使系统具有完整性的，每一种推荐算法都存在一些不完美的地方。因此在这样的情况下，解决每种推荐算法中存在的问题最好的解决办法就是将各种基本算法综合起来，其思路非常清晰，就是扬长避短。大多数电商购物网站都是先利用基于内容的推荐去解决一些问题，在获得较多的用户信息的基础之上利用协同过滤等推荐技术向用户推荐更多符合需求的商品并且还可以向用户推荐潜在兴趣商品。

3 推荐系统的不足及发展趋势

3.1 推荐系统存在的不足

3.1.1 新用户问题和冷启动问题

由表5可知，10 g的糖浆添加量甜度不够，而15 g的糖浆添加量不能完全浸入到鱼片内部，添加糖浆25 g太多，偏甜，对质构也有影响，添加糖浆20 g适宜且凤尾鱼片的表面较光滑，有光泽，咸甜适中，无油腻感。

如果消费者在一个购物网站中成为新用户，在使用初期因为关于该用户的兴趣数据比较少，电商网站很难依据个的人需求向用户推荐商品。在初期推荐的效率比较低；个性化推荐系统是以拥有大量关于该用户兴趣数据为基础，从而能够自动对商品或用户进行分类关联。而对于没有足够多使用记录的用户，要让其获得优质的购物体验则比较困难。因此，我们应不断创新来克服这个问题。

3.1.2 延伸性问题

当商品的某种属性产生改变时，相似度的计算的结果会发生不同程度的变化。这些商品由于属性的变化会增加不同的类别，这会对系统进行个性化推荐增加困难。

3.1.3 探索与利用问题

大部分的推荐系统给用户推荐的是已知的兴趣商品，而很少去推荐用户有潜在兴趣的商品。如电商购物网站很难向客户推荐商品的同时利用个性化推荐去发掘客户的潜在兴趣[3]。部分推荐系统可能不会根据兴趣向用户推荐，而用其他方式向消费者进行推荐，比如按时间顺序推荐、随机推荐等。这些探索与利用问题也是推荐系统前进发展面临的一项严峻挑战。

3.1.4 计算性能问题

对于电商网站中的推荐技术而言，计算性能和反馈速度是为用户提供良好用户体验的关键性指标。推荐算法在计算过程中需要耗费大量的计算资源，如何提升推荐算法的效率应给予高度的重视，并且应在实际应用中采取优化措施。但推荐算法本身需要运算加工海量数据，加工过程复杂，为提升运算效率设置了很大的难题。基于这种情况，我们必须不断创新设计出更加简洁高效的算法来减少计算资源的消耗，更快地为用户提供推荐结果[4]。

3.2 个性化推荐的发展趋势

因推荐系统具有很强的实用性，其便成为了工业界和学术界共同关注的热点。学术界更专注于理论的分析，并追求更准确的推荐算法。电商行业更注重实践，尤其是用户的个人体验。以最近几年推荐系统的发展特点来看，可以将个性化推荐的发展趋势大致概括为3点：1）在不断将推荐系统精确度提高的同时，还需要注意用户的体验。用户需要的不只是满足要求的商品，最主要的是合理的建议。优质的推荐理由可以提高用户对购物网站的信任度。比如电商购物网站应该向用户推荐好评商品。2）对于数据稀疏性和冷启动等方面的问题，在操作中应加入多方面的信息，例如交际信息，用户爱好信息等。3）为了更精确的获取用户的兴趣和物品的特征，应引入深度的学习技术，比如利用CNN技术来处理。