基于用户兴趣模型的电子商务网站推荐技术比较

本文是一篇电子商务论文范文,电子商务相关毕业论文的格式,关于基于用户兴趣模型的电子商务网站推荐技术比较相关开题报告范文。适合电子商务及用户及电子商务企业方面的的大学硕士和本科毕业论文以及电子商务相关开题报告范文和职称论文写作参考文献资料下载。

[摘 要]介绍用户兴趣模型、推荐系统以及协同过滤推荐技术、基于内容、基于人口统计、基于知识、基于效用、基于关联规则的推荐技术等主流推荐技术,并对六种推荐技术从应用角度进行深入比较研究,最终提出将协同过滤推荐技术、基于关联规则的推荐技术与基于效用的推荐技术综合运用的组合推荐技术的构思,认为应当构建以用户为中心、基于用户兴趣模型的推荐技术.

[关 键 词]电子商务　兴趣模型　推荐技术　用户模型

[分类号]F713

1引言

电子商务技术近年来发展极为迅速,给企业的生产经营,也给人们的日常生活和生产带来深刻的影响.传统的商品交易行为和流程开始逐渐向网络交易转移.电子商务的快速发展也催生了一些基于电子商务的企业的繁荣发展,如阿里巴巴、慧聪、淘宝、拍拍、易趣、Amazon等.用户在电子商务环境下可获取的信息是以往传统商业模式所无法比拟的,然而随之而来的“信息超载”问题在很大程度上影响了电子商务企业在用户群体中的受欢迎程度.这就促使电子商务企业开发个性化的推荐系统,协助用户从海量信息中寻得自己的所需信息,这也是企业在激烈市场竞争中盈利的关键.因此,在电子商务环境下,对用户兴趣模型以及基于用户兴趣模型的推荐技术进行研究,不仅有利于企业电子商务站点的改善创新,而且对电子商务的发展更有极其重要的意义.

2　用户兴趣模型与电子商务推荐技术

2.1　用户兴趣模型

用户模型是用于存储用户的兴趣、存储和管理用户的行为历史、存储学习用户行为的知识和进行相关推导的知识的功能集合,即对用户感兴趣的信息的可计量描述等.它用于捕捉并记录用户的需求兴趣和用户行为的历史,通过建立模型来记录、管理用户的兴趣,描述用户可能的潜在兴趣需求.电子商务系统建立这种用户兴趣模型的主要目的在于利用该模型推断客户在某种环境下的购物意图,并通过系统判断,主动对其提供服务和帮助,进而增加本企业的盈利.网络环境下,全球各地的用户通过网络访问海量的电子商务站点,总是希望可以直接获取或者不用耗费太多时间精力获得自己所需信息,这就要求系统可以根据用户兴趣主动推荐信息,并对查询结果进行处理使之按照客户的需求呈现,因而电子商务系统必须为访问该站点的用户建立用户兴趣模型,将其商品资讯主动推送给客户并对查询结果进行分类排列,帮助用户快速准确地从繁杂的信息资源中获取有用信息,为用户提供个性化服务.

系统获取用户模型一般可以通过两种方式实现：用户显性反馈和用户隐性反馈.所谓显性反馈是指用户初次访问系统时,系统通常通过表的形式让用户回答预设的一些问题,用户通过填表主动提交个人的兴趣点和背景信息等资料,直接参与到建模的过程；隐性反馈是指用户直接访问系统,系统在观察用户行为的基础上,通过其检索关 键 词、浏览方式等进行推理进而获得用户兴趣模型,这种方式并不需要用户主动提交个人兴趣点,而是通过系统自主学习.前者由于是用户个人主动提供,通常比较具体、直观、可靠性较高,但是会占用大量的用户时间,招致用户的反感；后者完全依靠系统学习来进行推断构建模型,节省用户时间.笔者建议用户兴趣模型的构建采用显性反馈和隐性反馈相结合的方式,即用户初次访问系统时回答少量且必要的问题,系统据此建立用户兴趣的初始模型；系统在用户使用过程中,动态地对用户行为进行学习,推断用户兴趣点,更新初始和逐步完善用户兴趣模型.

2.2　电子商务系统的推荐技术

电子商务环境下,企业为了赢得更多的客户资源,一个比较理想的做法是把客户真正需要的信息推送到客户面前以吸引客户的关注.为了更快、更准确地分辨客户,有效利用客户信息进而为客户提供服务,诸多电子商务企业纷纷引入电子商务推荐系统.推荐系统的基本作用在于：一方面使用户从无限多的网络资源和商品世界中解脱出来,在很大程度上节约用户采购商品的时间和成本；另一方面,其提供的个性化推荐服务将更多的电子商务站点浏览者转变成商品的购买者,同时也提高了用户对电子商务站点的忠诚度,提高电子商务网站的交叉销售能力,为电子商务企业赢得更多的发展机会.推荐系统的最大优点在于它可以收集电子商务站点用户的兴趣资料,并根据用户兴趣偏好主动为用户推荐商品,做到个性化服务.目前的推荐技术主要有以下几种：

协同过滤推荐技术.大致可分为两种：基于用户的协同过滤和基于项目的协同过滤.前者认为每个用户都属于某一用户群,该用户群具有与其相似的兴趣爱好和行为；后者认为用户更倾向于选择与其之前已购买的项目相类似的一些项目.其基本做法是收集用户的注册信息、用户对项目的评价信息以及用户的购买记录等可以推测其兴趣点的数据信息,对用户已购的商品建模,建立M*N阶用户评分矩阵user*i-tems,再运用k一最邻近搜索,搜索当前用户／项的k个最近邻居,根据当前用户／项k个最近邻居对商品的评分信息,选择评分最高的前若干项作为推荐结果反馈给当前用户.这种方法增大了顾客选择的空间,有效减少人机交互次数,提高了系统的推荐工作效率.然而该技术通常只依赖于一种或两种数据来源,比如基于购买数据.一个潜在的问题的是,对于数据缺失多的产品,就没有办法进行推荐,比如新产品,这个问题被称为“冷启动问题”.该方法的应用需要大量的历史数据和用户资料积累来反映用户兴趣偏好,是一个较长期的模型.

基于内容的推荐技术.该技术是信息检索和信息过滤技术的延伸和扩充,经常会采用很多的信息检索和信息过滤技术,其基本思想是用项目的相关特征、属性来定义项目,对项目进行分类,是基于商品的属性、商品之间的相关性以及用户的喜恶来产生推荐的”].其基本做法是产生一个与目标用户的评价相应的分类器,并将其应用于用户购买的能预测其兴趣的商品,系统通过学习用户已经评价、购买过的商品的特征来获得用户兴趣模型,从而将与用户兴趣点相似的项目推荐给用户.简单来说,就是首先分析项目的内容和特征以及用户的兴趣从而建立用户模型,根据项目与用户模型之间的相似性,对项目排序,将前N个项目推荐给用户,最后还可以根据用户的反馈信息修正推荐.该技术方法的局限性在于,其利用的资源内容应当以机器可以理解的格式表示,无法处理一些如音频、图片、视频等多媒体形式的资源内容；不能从质量、样式审美等角度进行过滤.与协同过滤推荐模型相似,基于内容的推荐模型也是一个长期模型.

基于人口统计信息的推荐技术.该技术的基本思想是根据用户个人属性、特征对用户进行分类,然后按照用户所属类别进行推荐,是基于人口统计信息做出的推荐.早期的Cmndy通过人机对话分析获得用户个人的基本信息,将用户的反应与人工创建的数据库相匹配,进而给用户推荐书籍.最近也有一些系统在人口统计信息的基础上,采用机器学习对用户分类.用户的统计信息在很大程度上代表用户模型,它使用的数据是用户个人认可的统计信息,避免了用户对于项目的评价历史数据不足的难题,并且可以发现新兴趣.其局限在于由于涉及个人隐私问题,获取较难并且也较容易失真.

基于知识的推荐技术.该技术是通过推断用户的需要和偏好向用户推荐商品,在某种程度上可以将其看成一种推理技术.其重点和难点是获取知识,如关于某个项目如何满足特定用户的知识,通过这些知识推导出用户需要与某一推荐项目之间的相互关系；又如关于系统推荐的商品及其特征的知识以及一些用户的统计信息或关于其特殊需求的信息.该技术将用户需求与产品特征相关联,推断出商品与用户需要之间的匹配,用户决策时可以考虑非产品属性.

基于效用的推荐技术.该技术基于用户需要和可选集之间的匹配的评估,通过计算商品对用户的效用作出推荐.该技术的核心在于为用户创建合适的效用函数,即系统需要先得到用户对商品的效用描述,得到效用函数以后用该函数对所有的项目进行排序,取前N个推荐给目标用户.电子商务网站PersonaLog-ic2使用了该项技术.该技术的优点在于其所需数据资料是商品的特征属性数据.该技术也考虑非产品属性,如供应商的可靠性、产品的可用性等,这样用户在选择商品时,就可以考虑一些非产品本身属性诸如到货时间等因素.

基于关联规则的推荐技术.该技术是根据关联规则对项目进行排序,进而对用户进行推荐,其关键在于关联规则的发现.其基本做法是从数据集市中获取目标顾客的已交易数据,然后利用数据挖掘工具,按照预先设定好的关联规则算法,基于关联规则建立商品关联模型,将商品按照在关联规则Rl中的置信度排序,挑选前N个商品作为算法输出,将这些商品推荐给用户浏览.使用该种推荐技术的网站应当尤其注意商品分类工作,因为商品的分类水平会影响到关联规则的质量,进而会影响顾客网上购物的结果.关联规则的典型应用如购物篮分析,可以发现顾客的购买习惯和所购商品间的关联性,有利于网站性能和经营的改进.该种推荐技术的局限性在于可能需要较长时间构建关联规则,个性化程度较低.

2.3　推荐技术的比较

电子商务站点为满足用户个性化服务的需求,多数在其电子商务站点中或多或少地采用如上的推荐技术,然而每一种推荐技术均有其优缺点,见表1.

表1中,所谓冷开始问题指一个没有或未得到足够评价的新商品或得不到推荐.新用户问题指推荐系统对用户分类是依据目标用户与其他用户基于其评价的比较,而对做出较少评价的用户群(如新用户)难以进行分类.可以看到,每种推荐技术都存在一定的缺陷,但是不同推荐技术之间可以互补.3适应于电子商务环境的混合推荐技术

在现有的推荐系统中,用户兴趣模型基本可以有效表达用户的需求,但当用户兴趣发生变化时,却不能动态调整用户兴趣模型.电子商务企业应用推荐技术时,必须充分考虑用户因素.较理想

本文是一篇电子商务论文范文,电子商务相关毕业论文的格式,关于基于用户兴趣模型的电子商务网站推荐技术比较相关开题报告范文。适合电子商务及用户及电子商务企业方面的的大学硕士和本科毕业论文以及电子商务相关开题报告范文和职称论文写作参考文献资料下载。

本文倡导采用层叠和加权的组合思路,认为可以先采用层叠方法,即先用基于关联规则的推荐方法产生一种较为粗糙的推荐结果；然后采用加权的方法,通过加权协同过滤推荐技术和基于效用的推荐技术,在第一步的结果基础上作进一步的推荐.在这整个过程中,构建用户兴趣模型的时候,应该采用显性反馈和隐性反馈相结合的方式以求用户模型的构建更有效率.基于关联规则的推荐算法不需要用户输入,对非注册用户也有效,然而该技术产生的推荐结果个性化程度低,采用协同过滤与基于效用的推荐技术相结合可以弥补这一缺陷,并且可以产生新异推荐；基于效用的推荐技术对用户兴趣的变化非常敏感,可以解决冷开始和稀疏问题,恰好与协同过滤推荐技术构成互补.各个不同的网站可以根据实际情况确定自己的加权系数.

4　结语和展望

除推荐效果有待提高外,电子商务站点的推荐技术仍存在诸多问题亟待解决,如收集用户信息过程中的用户个人隐私以及用户信息安全问题、用户模型的自适应问题等,都需要进行研究.从用户兴趣模式的表达上来看,运用语义分析技术和关 键 词分析技术有望达到更好的系统性能；电子商务系统也在逐渐从现在的单用户个性化推荐为主向支持多用户推荐的方向发展.在这方面,网格计算可以给多用户推荐技术提供良好的解决途径.此外,Web使用挖掘技术也为个性化推荐技术的用户兴趣模型构建提供了更好的途径.随着电子商务站点以客户为中心,基于用户兴趣模型的推荐技术的发展,电子商务必定会更加繁荣发展.