浅谈电子商务个性化推荐
摘要：简要介绍了电子商务推荐系统的概念、作用及组成构件，给出了推荐技术分类标准，系统综述了协同过滤推荐、基于内容推荐、基于人口统计信息推荐、基于效用推荐、基于知识推荐和基于规则推荐等6种主要的推荐技术。重点评述了电子商务个性化推荐领域中的研究热点问题，并分析了目前国内电子商务个性化推荐理论研究和应用现状，最后提出了电子商务个性化推荐领域所面临的挑战。
关键词：个性化推荐；协同过滤；推荐系统；电子商务
引言
Internet的迅猛发展将人类带入了信息社会和网络经济时代，对企业发展和个人生活都产生了深刻的影响。据预计，到2005年，电子商务活动的总价值将达到7．5亿元。事实上，电子商务的应用远没有挖掘出来，其中固然有硬件设施滞后、用户观念未改变的原因，但更多的是企业服务不到位。电子商务的发展模式对企业服务提出了许多新要求，包括商品的质量保证、送货及时、商品选购舒适、退货方便等，其中，最为突出的问题就是商品选购。 由于供应链和物流的发展，在电子商务的虚拟环境下，商家能够在网上提供的商品种类和数量非常多，但用户不可能通过一个小小的计算机屏幕很方便地发现自己感兴趣的商品，用户既不愿意花太多时间在漫无边际的网上寻找商品，也不可能像在物理环境下那样检查商品的质量。因此，用户很希望电子商务系统具有一种类似采购助手的功能来帮助其选购商品，并能根据用户的兴趣爱好自动地推荐给每个用户可能感兴趣且满意的商品。在这种背景下，推荐系统应运而生，它是根据用户的兴趣爱好，推荐符合用户兴趣爱好的对象，也称个性化推荐系统。根据推荐对象的特点，目前主要有两种类型的推荐系统，一种是以网页为推荐对象的搜索系统，主要采用web数据挖掘的方法与技术，为用户推荐符合其兴趣爱好的网页，如Google等；另一种是网上购物环境下、以商品为推荐对象的个性化推荐系统，为用户推荐符合兴趣爱好的商品，如籍、音像等，称这种推荐系统为电子商务个性化推荐系统，简称电子商务推荐系统。
l电子商务推荐系统简介
1．1电子商务推荐系统的概念
电子商务推荐系统的定义为：“利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程”。 1998年7月，由美国AAAI组织各学者在威斯康辛州专门召开了以推荐系统为主题的会议，集中讨论了推荐系统的发展问题。目前，推荐系统已广泛运用到各行业中推荐对象包括书籍、音像、网页、文章和新闻等。
1．2电子商务推荐系统的作用
电子商务推荐系统最大的优点在于它能收集用户感兴趣的资料，并根据用户兴趣偏好主动为用户作出个性化推荐。这样，当用户每次输入用户名和密码登录电子商务网站后，推荐系统就会自动按照用户偏好程度的高低推荐给用户最喜爱的N个产品，而且给出的推荐是实时更新的。也就是说，当系统中的产品库和用户兴趣资料发生改变时，给出的推荐序列会自动改变，大大方便了用户对商品信息的浏览，也提高了企业的服务水平。总的来说，电子 商务推荐系统的作用主要表现在三个方面：①将电子商务网站的浏览者转变为购买者；②提高电子商务网站的交叉销售能力；③提高客户对电子商务网站的忠诚度。研究表明，电子商务的销售行业使用个性化推荐系统后，销售额能提高2～8，尤其在书籍电影、CD音像、日
用百货等产品相对较为低廉且商品种类繁多、用户使用个性化推荐系统程度高的行业，推荐系统能大大提高企业的销售额。电子商务推荐系统和销售系统、供应链决策支持系统既相似又有不同。销售系统是帮助销售人员如何把产品销售出去；推荐系统是帮助用户对购买什么产品做出决策。供应链决策支持系统是帮助生产者决定什么时候生产什么产品，以及仓库应该存贮多少某类产品，其最终目的是为企业生产者服务；同样，推荐系统是面向用户的系统。
1．3电子商务推荐系统的组成
整个电子商务推荐系统主要可分为输入功能：输入功能模块、推荐方法模块和输出功能模块。输入可来自客户个人和社团群体两部分。客户个人输入主要指目标用户，即要求获得推荐的人，为得到推荐必须对一些项目进行评价，以表达自己的偏好，包括隐式浏览输入、显式浏览输入、关键词和项目属性输入以及用户购买历史等；社团群体输入主要指集体形式的评价数据，包括项目属性、社团购买历史、文本评价和等级评分等。输出主要为推荐系统获得输入信息后推荐给用户的内容，主要形式有：①建议，分为单个建议、未排序建议列表和排序建议列表；②预测，系统对给定项目的总体评分；③个体评分，输出其他客户对商品的个体评分；④评论，输出其他客户对商品的文本评价。推荐方法模块是推荐系统的核心部分，决定着推荐系统的性能优劣。
2个性化推荐技术
个性化推荐技术是电子商务推荐系统中最核心、最关键的技术，很大程度上决定了推荐系统性能的优劣。
2．1推荐技术分类标准
区别推荐技术的两维属性是：①自动化程度，客户要得到推荐系统的推荐是否需要显式的输入信息；②持久性程度，推荐系统产生推荐是基于客户当前的单个会话还是基于客户的多个会话。也有学者认为，除了上述两个特征外，个性化程度也是评价推荐技术的重要指标，可以用来反映推荐结果符合用户兴趣爱好的程度。
2．2主要推荐技术
2．2．1协同过滤推荐。
协同过滤推荐是目前研究最多的个性化推荐技术，它基于邻居用户的资料得到目标用户的推荐，推荐的个性化程度高。协同过滤的最大优点是对推荐对象没有特殊要求，能处理非结构化的复杂对象。协同过滤推荐主要分为两类：一是基于内存的协同过滤，先用相似统计的方法得到具有相似兴趣爱好的邻居用户；二是基于模型的协同过滤，先用历史数据得到一个模型，再用此模型进行预测。基于模型的推荐广泛使用的技术包括神经网络等学习技术、潜在语义检索和贝叶斯网络，训练一个样本得到模型。
基于用户的协同推荐算法随着用户数量的增多，计算量成线性加大，其性能越来越差，并且不能对推荐结果提供很好的解释。为此，在2001年Sar—wr教授提出了第三种协同过滤推荐算法，即基于项目的协同推荐算法。该算法通过先计算已评价项目和待预测项目的相似度，以相似度作为权重，加权各已评价项目的评价分，得到预测项目的预测值，并指出基于项目的推荐算法比基于用户的推荐算法还要好，且能解决基于用户的协同推荐的两个问题。但Mild教授从批判的角度重新审视了各种推荐算法，指出基于项目的协同推荐并不一定好，算法准确度与采用的实验规模数据有关，大多数情况下还是基于用户的协同推荐好。虽然协同过滤作为一种典型的推荐技术有相当的应用，但其仍有许多问题需要解决。目前很多技术都是围绕协同过滤展开研究的，最典型的有稀疏问题和冷开始问题，除此之外，还有新用户问题和算法健壮性等问题。
2．2．2其他推荐技术
(1)基于内容的推荐技术它是信息过滤技术的延续与发展，项目或对象通过相关特征的
属性来定义，系统基于用户评价对象的特征学习用户的兴趣，依据用户资料与待预测项目的匹配程度进行推荐。
(2)基于用户统计信息的推荐推荐系统基于用户个人属性对用户进行分类，再基于类对类中的用户进行推荐，不要求有一个历史的用户数据，而协同过滤和基于内容的推荐技术都需要。
(3)基于效用的推荐它是根据对用户使用项目的效用进行计算的，核心问题是如何为每个用户创建效用函数，并考虑非产品属性，如提供商的可靠性和产品的可用性等。
(4)基于知识的推荐在某种程度上可以看成是一种推理技术，各方法因所用的知识不同而有明显区别。
(5)基于关联规则的推荐以关联规则为基础，把已购商品作为规则头，推荐对象作为规则体，其中关联规则的发现最关键且最耗时，是算法的瓶颈，但可以离线进行，商品名称的同义性问题也是关联规则的一个难点。
3推荐评价
推荐评价也是推荐领域的一个重要问题，总体上推荐评价可以有两种方法：一是上线评价，二是下线评价。上线评价是在线调查用户对推荐系统的评价。K．Swearingen把推荐系统做出的评价和朋友做出的推荐做了比较，实验结果表明，朋友的推荐往往比推荐系统的推荐更好，而推荐系统给出的推荐比朋友的推荐更新，并辨别出了几个推荐设计的关键因素。下线评价用一个已知的数据集来评价推荐系统的性能，目前一般采用美国数字设备公司系统研究中心提供的一个专用实验数据库。
4主要研究热点
4．1稀疏问题
稀疏问题是推荐技术中的重要问题之一。每个用户一般都只对很少的项目作出评价，整个数据阵变得非常稀疏，一般都在1％以下，这种情况带来的问题是得到用户间的相似性不准确，邻居用户不可靠。目前，大多采用机器学习中的分类概念来解决疏问题，用初始评价矩阵的奇异值分解维度压缩技术去抽取一本质的特征，利用评价数据阵中的潜在结构可极地减少维数，使数据变得更为稠密。实验表明，这方法的性能好于以前其他的协同过滤算法。最，Aggarwal等利用一种新的图论方法来解决这个问题，能较好地避免以前一些算法的局限性，在据稀疏情况下，预测计算的准确性更高
4．2冷开始问题
冷开始问题称第一评价问题或新目问题，如果一个新项目没有人去价它，或都不去评价它，则这个项目肯定得不到推，推荐系统就失去了作用。这在协同推荐技术问上最为突出。目前，解决的办法主要是组合各种方法，最为常用的是组合协同过滤和基于内容的推荐。Fab系统是基于这一思想建立的，它分析用户评价项目的内容建立基于内容的用户兴趣资料，然后通过用户协同过滤技术发现具有相似兴趣爱好的邻居用户。GroupLens研究小组正在应用用户协同过滤技术去组合其他用户的意见和个人信息过滤代理。也有学者采用激励理论的方法来解决冷开始问题。
4．3奇异发现问题
推荐系统另一个重要的问题是奇异发现，也就是说，系统要推荐给用户的，是用户真正不知道的东西，如果推荐的东西用户本来就很熟悉，推荐效果就很不好。解决这个问题的整体思路，一是用关联规则的思想；二是嵌入关于项目的知识，其本质是一个基于内容的推荐和协同过滤的混合系统。
4．4健壮性分析
有时商家为了竞争的需要，破坏竞争对手的推荐系统，人为地制造假数据。MichaelO’Mahony等率先做了开创性的工作用概率方法从准确性和稳定性两方面对推荐系统健壮性进行了分析，给出了两种分析模型，得出了在考虑假数据的情况下推荐正确的概率，但此分析有很多的假设条件。
5国内电子商务个性化推荐研究和应用现状
目前，国内在推荐技术方面研究较多的是基于内容的推荐，典型的如各种搜索引擎的研究，但在个性化推荐和自动化推荐方面的理论研究几乎处于空白，以关键词“推荐系统”、“个性化推荐”在中国期刊网上搜索，只能发现极少数与此相关的文章，严重影响了个性化推荐技术在我国的应用。为此，笔者对国内各电子商务个性化推荐的应用情况进行了调查。为方便比较，选择了国内四个在书籍方面有影响的电子商务网站，并和国外著名电子商务网站Amazon进行了比较分析。从分析结果来看，国内主要使用的推荐策略有：①分类浏览 按商品类别进行逐层次的查找；②基于关键词的搜索，对要查找内容的关键词进行搜索；③流行推荐推荐最畅销的商品；④基于某一商品的推荐，推荐与该商品有关的商品；⑤信函式推荐，系统下线以Email形式回答用户要查找的商品。
国内电子商务网站的推荐存在以下问题：①缺乏个性化的推荐，不能根据不同用户的兴趣爱好给出不同的产品推荐；②推荐的自动化程度低，由于所采用的推荐技术主要是基于内容的搜索和分类浏览技术，用户想要得到相关的信息，必须输入搜索的关键词或是按商品的所属类别逐层查找；③推荐的持久性程度低，国内绝大多数电子商务网站给出的推荐都是基于用户一次登录得到的，不能收集用户每次浏览网页时给出的兴趣偏好信息，并据此信息对用户作出个性化的推荐；④推荐方法单一，大多数电子商务网站基本都是采用分类浏览和基于内容的检索；⑤不能在线推荐。
这表明，我国电子商务网站并没有采用真正意义上的个性化推荐技术，所使用的仅仅是一些查找技术，这些技术的个性化程度和自动化程度都很低，表明我国个性化推荐技术的应用还处于低水平或空白阶段。6研究展望电子商务的个性化推荐研究是一个新兴的领域，尽管目前已取得了很好的研究成果，但还存在很多问题，如数据获取主要依赖用户的显式评价，在自动获得用户的隐式信息方面做得不够；对稀疏问题及冷开始问题等经典问题缺乏有效的解决方法；对推荐系统的开发与应用，尤其是与企业其他系统的集成应用研究不够；推荐技术应用集中在网上购物，没有运用到其他行业等。
未来电子商务推荐研究应有以下热点与方向：(1)数据的多样化。推荐系统利用各种隐式和显式数据作出推荐，尤其要将数据挖掘技术及web挖掘技术应用到电子商务推荐系统中，产生完全自动化的推荐，使用户感受到完全个性化的购物体验。目前，基于协同过滤的推荐系统一般以用户的显式评价信息作为推荐的原始信息，这种收集信息的方法要求用户对一些产品做出偏好评价，以反映用户的兴趣偏好，收集用户兴趣资料的自动化程度低，而且很多用户不愿特意对一些产品做出评价。未来推荐系统除了显式收集用户信息外，还要在Web挖掘技术收集用户的隐式浏览信息方面，使收集信息的自动化程度提高。(2)对推荐算法的进一步改进。提高推荐算法的运算性能及实时性，以使推荐系统能产生更精确、实时的推荐。尽管目前对协同过滤技术的研究很多，但实际效果并不很理想，尤其在处理稀疏和冷开始问题上缺乏真正有效的方法。随着Internet的普及，用户评价数据库不断增大，对推荐算法的运算性能提出了新要求，要求提高推荐算法的速度，加强算法的推荐实时性。同时，提高推荐的准确性也是研究推荐算法的主要任务，目前个性化推荐系统没有真正普及，尤其在一些价格相对昂贵的产品方面，用户并不使用个性化推荐系统，主要原因就是目前推荐系统推荐的准确度并不高，用户不是很依赖推荐系统。(3)坚持以客户为中心的推荐研究，从单一客户推荐的研究转向支持客户群推荐。目前的推荐系统都是支持单一用户的个性化推
荐，未来的推荐系统应该支持多用户推荐，包括为某用户群作出推荐及用户群之间互相推荐，主要的研究问题是用户群之间、用户之间如何共享兴趣资料信息，推荐算法模型的设计等。
(4)将电子商务推荐系统由虚拟的销售人员转变为市场分析工具。目前的电子商务推荐系统主要面向用户，未来电子商务系统除为用户作出个性化推荐服务外，还应增强其市场分析能力。(5)开发销售方的电子商务推荐系统，为商家的产品定价、促销活动及交叉销售等提供推荐。为增强推荐系统的功能，未来的电子商务推荐系统应集成企业销售系统、客户关系管理系统和供应链系统等企业信息系统，共同为企业的产品定价、销售等提供决策支持。
参考文献：
[1]ResnickandVarian．Recommendersystems[J]．CommunicationsoftheACM，1997，40(3)：56—58．
[2]SARWARBM,KARYPISG,KONSTANJAeta1．Analysisofrecommendationalgorithmsfore—commerce[A]．Pro—ceedingsoftheACM EC00Conference[C]．Minneapolis，M N．，2000．158 167．
[3]RESNICKP,IACOVOUN,SUCHAKM,eta1.Grouplensanopenarchitectureforcollaborativefilteringofnetnews[A]．ProceedingsoftheConferenceonComputerSupportedCooperativeWork[C]．ChapelHill。NC，1994．175 186．
[4]SHARDANANDU，MAESP.Socialinformationfiltering：algorithmsforautomating“wordofmouth”[A]．InProceed—ingsoftheACM CHIConference(CHI95)[c]．1995．
[5]GOLDBERGD,NICHOLSD,OKIBM,eta1．Usingcollaborativefilteringtoweaveaninformationapestry[J]．Communica—tionsoftheACM，1992，35(12)：61—7O．
[6]SCHAFERJB,KONSTANJ,RIEDLJ,Recommendersys-temsinemcommerce[A]．ProceedingsoftheFirstACM Con—ferenceonElectronicCommerce[C]．Denver，CO，1999．158—166．
