推荐系统在电子商务中的应用范文

【摘要】随着科学技术和信息技术的蓬勃发展，人们会遭遇信息过载的难题。而推荐系统通过对用户行为特征进行分析，将用户和商品联系起来，向用户推荐其可能需要的信息，可以很好地解决这一难题，从而实现消费者和生产者的共赢。个性化的推荐系统被广泛应用于电商领域，和大数据以及AI一样，将成为一种趋势。本文通过对推荐系统中涉及的算法进行研究和归纳，以求使其更好地应用于电子商务领域。

【关键词】协同过滤；数据挖掘；个性化

总的来说，推荐系统是一个巨大的研究领域。在各种应用中，多多少少都有推荐系统的身影。小到文章推荐，大到以用户为导向的广告的推送。

一、推荐系统的含义与意义

（一）推荐系统和搜索引擎的涵义与区别通过对互联网中各大电子商务网站的研究，我们不难发现:推荐系统和搜索引擎常常被作为一对互补工具来使用。推荐系统和搜索引擎一样，其诞生都是为了解决信息过载的问题，使用户方便快捷地找到对自己有用的信息。和搜索引擎不同的是，推荐系统可以在用户没有明确需求下，通过分析用户的历史行为，给用户的兴趣建模，从而帮助用户发现其感兴趣的新内容。

（二）推荐系统在电子商务中的作用因此，推荐系统作为一种工具，最早被应用于电子商务领域，同时也在目前的电子商务领域中被广泛使用。从物品的角度出发，推荐系统可以更好地发掘物品的长尾，从而提高总体的销售额。在当今的互联网条件下，由于电子商务网站的成本远远低于实体店，电子商务网站往往能销售的商品数量比实体店多得多。对于电子商务网站来说，主流商品只占了所有商品的一小部分，剩下的绝大部分商品都属于长尾商品，所以长尾商品的总销售额将是一个不可小觑的数字。如果电子商务网站能够利用推荐系统这种自动化的工具来发掘用户对长尾商品的潜在需求，那么其带来的商业价值将是不可估量的。

（三）推荐系统的本质说到底，推荐算法的本质就是通过特定的方法将用户和商品联系起来。根据其目标不同，进而采取不同的方式。比如，常用的方式有：利用好友、利用用户的日志记录以及用户的预留信息等。

二、个性化推荐技术在电子商务中的应用

（一）个性化推荐系统和搜索引擎的涵义与区别个性化的推荐系统和搜索引擎不同的地方在于：个性化的推荐系统往往是需要依赖用户的行为数据，所以个性化的推荐系统不可能独立存在于一个电子商务网站中，而一般只是作为其中的一个应用存在于不同的电子商务网站中。在各大电子商务网站中都可以看到推荐系统的应用，而个性化推荐在这些电子商务网站中的主要作用是通过分析大量用户行为日志，给不同的用户提供不同的个性化的页面展示，来提高电子商务网站的点击率和转化率。

（二）推荐系统的组成尽管不同的电子商务网站使用不同的推荐系统技术，但总的来说，几乎所有的推荐系统应用都是由前台的展示页面、后台的日志系统以及推荐系统这三部分组成的。而推荐系统中的算法优劣往往代表了一个电子商务网站的竞争力，电子商务网站的核心，是不会对外公开的。

（三）个性化推荐系统在亚马逊中的应用以著名的电子商务网站亚马逊为例，亚马逊曾经被RWW（读写网）称为”推荐系统之王”。亚马逊的推荐系统深入到了其各类产品中，其中最主要的应用有个性化的商品推荐列表和相关商品的推荐列表。而亚马逊的个性化的商品推荐列表大概采用的是一种基于物品的推荐算法（item-basedmethod），该算法的核心在于给用户推荐一些和他们之前感兴趣的物品相似的物品。相关推荐列表的核心思想在于通过用户的行为计算物品的相关性。相关推荐列表的最主要应用就是打包销售(crossselling)。这种销售手段后来也被电子商务网站列为标准应用。据不完全统计，亚马逊至少有35%的销售额得益于推荐算法的应用。由此可见，一点点推荐算法的优化都能产生巨大的经济效益。亚马逊与其他电子商务网站相比，其最大的优势就在于个性化的推荐系统。

（四）个性化推荐系统的重要性换一句话说，个性化的推荐系统就等于让每一个用户都能拥有一个属于自己的在线商店。它的存在，意义非凡。个性化的推荐系统不仅能提升经济效益，还能提升用户的体验感和对其电子商务网站信任度。

三、如何利用用户行为数据和推荐算法

（一）基于用户行为的推荐算法在电子商务网站和传统零售业中，购物车分析是其核心数据分析任务。个性化推荐算法使人们可以借助计算机来发现一些潜在的规律，从而指导产品的设计。这种基于用户行为的推荐算法是个性化推荐系统中最重要的算法，学术界称其为协同过滤算法，它是推荐系统产生的标志。一般来说，用户的行为数据存在于系统的日志中。系统中的日志详细地记录了用户每次的操作。在电子商务网站中，这些行为主要包括：浏览、点击、评分、购买、评论等。目前最著名并且在业界应用最广泛的是基于邻域的算法。

（二）基于邻域的算法基于邻域的算法又分为两种：基于用户的协同过滤算法和基于物品的协同过滤算法。前者是给用户推荐和他兴趣相似的其他用户喜欢的商品。后者是给用户推荐和他之前喜欢的商品相似的商品，在目前业界应用最多。基于用户的协同过滤算法的核心思想是先找到目标用户兴趣相似的用户集合，然后将找到的集合中用户喜欢的并且目标用户没有听说过的物品推荐给目标用户。而基于物品的协同过滤算法的核心思想是先计算出商品之间的相似度，然后根据用户的历史行为和商品之间的相似度给用户生成推荐列表。前者的推荐效果更社会化;后者的推荐效果更个性化。两者的相似之处在于同样要计算相似度矩阵。

（三）推荐系统对用户行为数据的处理推荐系统中的用户行为数据是以数据集的方式存在数据仓库中的。而数据仓库最大的特点就是它是随时间变化的数据集合，这就意味着:有效的数据数量越多，推荐系统的分析结果越精确。四、结语推荐系统作为一种强大的机器自学习的工具，只需要赋予它算法，就能得到精准的反馈，这在未来的电子商务领域的应用会越来越广泛。但推荐算法并不是一劳永逸的，它需要一个迭代的过程：只有通过算法让机器不断学习，得到的结果才会越来越符合人们的要求。通过奇异值分解（SingularValueDe-composition，SVD），可以简化数据，剔除不必要的垃圾数据对算法精度的影响，从而达到优化算法的效果，进而提升推荐引擎的性能。通过欧式距离公式，可以计算出商品间的相似度。凭借Phython语言强大的性能，可以将推荐算法嵌入到系统的后台数据库中去，让计算机更好地为人们服务，从而使系统更实用、更完美。虽然基于内容的推荐并没有基于协同过滤的推荐效果好，但是基于内容的推荐实施起来远没有基于协同过滤的推荐来得复杂，所以基于内容的推荐往往作为一个推荐应用的开端。个人认为，两者既有其自身的优点，也有其自身的缺点，如果在实际条件允许的情况下，我们完全可以将二者结合使用，来达到更好的推荐效果。

参考文献：

［1］郑岩.数据仓库与数据挖掘原理及其应用(第二版)［M］.北京:高等教育出版社，2015.1

［2］项亮.推荐系统实践［M］.北京:人民邮电出版社

作者：吕福春1；WeiQiu2 单位：1福建工程学院，2Fayetteville-ManliusHighSchool