基于协同过滤的电子商务智能推荐方法研究

李加军

(广州华商学院，数据科学学院，广东，广州 511300)

0 引言

随着互联网技术的不断成熟和推广，互联网已经进入了人们生活、工作、学习、消费等多个领域，其中电子商务是互联网技术的一个重要应用成果。为了满足用户对信息的需求，每天有大量的电子商务呈现在用户面前，尽管电子商务信息很多，但用户真正感兴趣的电子商务信息很少，如何及时、准确有效地获取用户感兴趣的电子商务信息十分重要[1]。当前获取用户感兴趣信息有2种途径：一种是信息检索系统，主要通过百度等搜索引擎，由于用户对信息需求具有多元化和个性化特点，搜索引擎系统无法满足用户个性化服务信息要求[2]；另一种就是智能推荐系统，该系统可以根据用户的兴趣、特征、浏览记录推荐给用户其爱好的商品，可以对用户个性化信息进行过滤服务，是当前电子商务实际应用一个重要的研究方向[3-4]。

由于很多企业发现了电子商务智能推荐可以提高产品销量，提高企业的经济利益，因此国内外企业、学者和专家对电子商务智能推荐问题进行了深入、广泛的研究，出现了许多有效的电子商务智能推荐方法[5-7]。其中一些发达国家对电子商务智能推荐问题研究时间比较长，技术比较成熟，如亚马逊电子商务网站开发的电子商务智能推荐方法。尽管国内的电子商务智能推荐研究开展的时间稍晚，但发展速度很快，如阿里巴巴旗下淘宝网开发的电子商务智能推荐方法等。但在实际应用过程中，当前电子商务智能推荐方法还存在一些不足，如数据稀疏问题、冷启动问题等，使得电子商务智能推荐结果不稳定，有时电子商务智能推荐误差比较大，推荐结果难以满足用户真正需求[8-10]。

为了解决当前电子商务推荐系统存在的缺陷，提出一种基于协同过滤的电子商务智能推荐方法。首先收集电子商务相关信息，建立用户评分矩阵，然后根据用户间的相性度进行电子商务智能推荐，最后通过具体电子商务推荐对比测试，验证本文方法的有效性和优越性。

1 基于协同过滤的电子商务智能推荐方法

1.1 电子商务智能推荐系统的总体结构

随着互联网技术的不断发展，当前已经进入了一个电子商务信息过载时代，这无论对于消费用户或者生产者而言，都面临巨大的挑战。对于电子商务来说，信息就是商品，而用户就是消费者，电子商务推荐系统对商品和消费者之间的联系进行挖掘，给用户推荐真正需要的商品，是解决信息过载问题的重要工具。电子商务智能推荐系统的总体结构如图1所示。

图1 电子商务智能推荐方法的工作原理

1.2 电子商务智能推荐系统的模块功能

对图1的电子商务智能推荐系统的总体结构进行分析可以发现，其主要包含用户群体、获取用户偏好、用户偏好信息库、协同过滤推荐、推荐用户偏好信息等。它们主要功能如下。

(1)用户群体：主要对用户的点击、搜索、浏览、购买等行为进行分析，将用户划分为不同的群体。

(2)获取用户偏好模块：主要根据用户群体中的信息，对每类用户的偏好或者感兴趣的物品进行分析和评价，产生用户偏好信息。

(3)用户偏好信息库：主要负责以用户偏好信息格式进行转换，并且保存在用户偏好信息库中，构建用户偏好信息数据库。

(4)推荐用户偏好信息模块：主要用于获取推荐对象的相关偏好信息，如可能感兴趣的物品。

(5)协同过滤推荐模块：其为电子商务智能推荐最为重要的关键模块，可以根据协同过滤推荐算法分析用户和电子商务商品间的映射关系，计算相似度，根据相似度产生电子商务推荐结果。

1.3 协同过滤推荐算法

协同过滤算法是当前电子商务推荐最为流行的算法，其工作原理为：首先分析电子商务用户的历史行为数据，根据分析结果建立用户偏好模型，计算相似度，然后根据相似度获得目标用户的近邻用户，最后根据近邻用户的偏好实现目标用户的电子商品推荐。

1.3.1 建立用户-商品评分矩阵

设电子商务推荐系统中的用户集合为U={U1,U2,U3,…，Us}，s表示用户数量，商品集合为I={I1,I2,I3,…,It}，t表示商品数量，通常情况下，每一个用户对每一种商品的偏好是已知，这样可以建立用户-商品评分矩阵，具体如表1所示，表中Ra,j表示Ua对Ik的评分，即用户对商品的偏好程度。

1.3.2 计算用户之间的相似度

相似度可以采用商品相似度或者用户相似度，本文根据用户-商品评分矩阵计算用户之间的相似度。表1中，每一行可以看作是一个用户对所有商品的评价向量，当前用户相似度计算方法有余弦相似度和Pearson相关系数两种，本文选择余弦相似度计算用户之间的相似度，具体过程如下。

表1 用户-商品评分矩阵

(1)Ra,k和Rb,k分别为Ua和Ub对商品Ik的评分值，Ra和Rb表示评分向量，那么余弦相似度计算式为

(1)

Sim(Ua,Ub)值越大，表示Ua和Ub间的偏好程度越高。

(2)

1.3.3 电子商务智能推荐结果

对于目标用户Um，根据相似度对近邻用户进行搜索，选择与目标用户偏好相近的k个近邻用户，建立目标用户的最近邻集合S(Um)。根据最近邻集合得到目标用户对商品Ij的评分，根据评分给目标用户推荐多个商品，目标用户对商品Ij的评分具体计算公式如下

(3)

1.4 基于协同过滤的电子商务智能推荐流程

基于协同过滤的电子商务智能推荐流程见图2。从图2可以发现：首先收集电子商务用户相关信息，并对信息进行预处理，然后计算电子商务用户对项目的评分，构建电子商务用户评分矩阵，最后采用余弦夹角算法根据用户评分矩阵计算用户之间的相性度，基于用户相似度进行电子商务智能推荐。

图2 基于协同过滤的电子商务智能推荐流程

2 仿真实验

2.1 实验对象

为了测试基于协同过滤的电子商务智能推荐效果，选择以某电子商务购物平台的订单数据集作为实验对象，该数据集包括1 000个用户，在不同时间的2 000条订单数据，商品种类为1 400种，用户评分值集合为(1,2,3,4,5)，采用Java编程语言实现协同过滤推荐算法。为了使本文电子商务智能推荐方法的实验结果更具说服力，选择文献[9]和文献[10]的电子商务智能推荐方法进行对比测试。选择电子商务智能推荐精度、召回率，以及商品新颖度、商品流行度作为实验结果的评价指标。

设N表示推荐的商品数，M表示用户喜欢的商品数，电子商务智能推荐精度、召回率的计算式如：

(4)

(5)

N=Ntr+Nfr，M=Ntr+Nfn

(6)

式中，Ntr表示推荐的商品，同时用户很喜欢；Nfr表示推荐的商品，但是用户不喜欢；Ntr表示用户很喜欢，但是没有推荐；Nfn表示用户不喜欢，也没推荐。

2.2 电子商务推荐精度、召回率

计算3种方法的电子商务推荐精度、召回率，具体如图3和图4所示。对图3、图4的电子商务推荐精度、召回率进行分析可以发现，本文方法的电子商务推荐精度、召回率远高于对比方法，提高了电子商务推荐准确性，降低了电子商务推荐错误率，获得了理想的电子商务推荐结果，可以满足用户的个性化需求。

图3 不同方法的电子商务推荐推荐精对比

图4 不同电子商务推荐方法的召回率对比

2.3 商品新颖度和流行度分析

对于一个电子商务智能推荐系统而言，其应该可以对商品的新颖度和流行度进行分析，从而为用户推荐一些新颖度和流行度较高的商品，以对商品销售起着促进效果，实验结果如图5、图6所示。对图5和图6的新颖度和流行度进行分析可以发现，随着用户对商品的评分次数不断增加，商品的新颖度和流行度就逐渐增加，相对于对比方法，本文方法的新颖度和流行度分析结果更加科学、合理，在为用户提供个性化推荐列表的同时，能够对商品进行更加精准的推荐，具有明显的优越性。

图5 不同电子商务推荐方法的商品新颖度对比

图6 不同电子商务推荐方法的商品流行度对比

3 总结

电子商务是当前研究的热点，其中电子商务智能推荐系统是电子商务实际应用中的一项关键技术，为了提高电子商务智能推荐的准确性，解决当前电子商务智能推荐过程存在的一些难题，提出基于协同过滤的电子商务智能推荐方法，并在相同情况下与其他电子商务智能推荐方法在相同环境下进行了对比测试，结果表明，本文方法是一种精度高的电子商务智能推荐技术，能够帮助用户找到自己需要的商品，具有十分广泛的应用前景。