电子商务网站的建立改变了传统的贸易行为,它对传统的商业形态、交易形式、流通方式以及营销方式等都产生了巨大的影响,企业和用户也都因此而面临很多新的问题。对用户而言,电子商务网站为用户提供了前所未有的巨大的产品选择空间,给人们的生活带来了极大的便利。伴随电子商务网站中产品极大丰富的同时,用户的个性化产品需求也日益显现。为找到自己需要的商品,用户必须花费大量的时间浏览很多无关的信息,从而出现了信息过载的现象。虽然电子商务网站为用户提供的产品选择范围扩大了,用户的选择机会也增多了,但是用户的信息处理负担却越来越重。电子商务网站中包含了大量的信息,用户不得不花费越来越多的时间搜寻他们所需要的产品,因为电子商务网站中的很多信息与用户的兴趣是不相关的。此外,网络的虚拟性使得用户不可能像现实中的商场购物那样直接触摸产品以检查它的外观和质量。因此,用户迫切地希望电子商务网站能够提供一种类似购物助手的功能,可以根据用户的兴趣爱好推荐他们满意的产品。
通过构建电子商务推荐系统可以解决上述问题。电子商务推荐系统根据用户的兴趣爱好向他们推荐感兴趣的产品或服务,有利于促进交易的进行,有利于提高服务的质量。推荐系统帮助用户节省了寻找信息的时间,企业也可以利用推荐系统收集和反馈的信息改进企业的营销策略,吸引更多的忠实客户。电子商务推荐系统向客户提供商品信息和建议,帮助客户决定购买何种商品,模拟销售人员向客户推荐商品,完成购买的过程。它是数据挖掘系统的一类,但它又是一种较为特殊的数据挖掘系统:主要体现在推荐系统的实时性和交互性上。推荐系统不但根据用户以往的历史记录,更需要结合当前一段时间的行为动作做出实时的反应,并根据与用户交互的反馈结果修正和优化其推荐结果[38]。
1.电子商务推荐系统的构成
电子商务推荐系统主要由三个模块组成:输入模块、推荐方法模块和输出模块,如图3-9所示。
图3-9 智能商务推荐系统框架
(1)输入模块。输入模块主要负责对用户信息的收集和更新。输入来源按时间来划分可以分为用户当前的行为输入和用户访问过程中的历史行为输入,也可以分为个人输入和群体输入两部分。用户个人输入主要指推荐系统的目标用户为了得到系统准确的推荐结果而对一些项目进行评价,这些评价表达了用户自己的偏好。群体输入主要指以群体形式出现的评价数据。
用户个人输入往往包括用户注册信息输入、隐式浏览输入、显式浏览输入、关键词/项目属性输入和用户购买历史输入等。群体输入主要包括项目属性输入、用户购买历史输入、文本评价输入、用户评分输入等。
(2)推荐方法模块。推荐方法模块是整个电子商务个性化推荐系统的核心部分,它直接决定着推荐系统的性能优劣。
目前电子商务推荐系统中常用的推荐方法有:
1)分类浏览。分类浏览是基于主题分类查找的方法,特点是符合用户的习惯,易于被用户接受。这种方法的缺点是:很多内容难以决定其所属子类且分类查找方法所花的时间比较多,用户必须根据查找目标的内容和分类标准一步一步地缩小查找范围,缺乏自动化和智能化。很多时候用户对自己的需求也是不清楚的,系统不能强求用户一次性把自己的需求全部表达出来。所以尽管分类查找的方法广泛使用,但实际上存在很严重的问题,必须通过其他的方法来弥补其缺陷。
2)基于内容的检索。基于内容的检索是一种传统的查找技术,也是使用相当普遍和成熟的一种技术。其主要思想是根据查找目标所包含的主要内容,在被查找范围内,寻找与目标匹配的内容。该方法优点是技术比较成熟,用户易于接受查找结果;缺点是查找结果非常依赖于内容的确定,不易发现用户新的和潜在的兴趣点,很多项目的内容信息无法得到或者很难得到。
3)统计分析。电子商务网站将产品的购买或评分信息统计后呈现给顾客,作为顾客购买商品的参考信息,如给用户推荐卖得最好的N种商品等。这种方法的优点是客观以及计算方便,但是没有考虑每个顾客的不同需求,推荐缺乏个性化。由于这种方法实现简单且推荐原因易于理解,所以很多网站都采用了这种方法,如最热门列表。
4)关联规则。推荐系统以诸如“购买本商品的人可能还会对以下商品感兴趣”的形式向顾客提供经常同时购买的商品的信息。系统还可能根据顾客购物篮中的商品向顾客推荐。
5)协同过滤。用户对一些有代表性的商品评分,系统根据和该用户评分相近的顾客群体的兴趣偏好进行推荐。协同过滤最具个性化和针对性,真正做到了一对一推荐,应用前景最为看好。该过程是由计算机自动处理完成的,我们称之为自动推荐系统。这种方法的主要思想是推荐出最符合用户兴趣的N个项目,推荐结果的个性化程度最高,这也是本书研究的重点。(www.xing528.com)
(3)输出模块。输出模块负责将推荐结果输出给用户。电子商务推荐系统的输出形式主要包括:相关产品输出、个体文本评价输出、个体评分输出、平均数值评分输出、电子邮件输出、编辑推荐输出等。
2.电子商务推荐系统的过滤机制
(1)内容过滤推荐技术。内容过滤主要采用自然语言处理、人工智能、概率统计和机器学习等技术进行过滤。通过相关特征的属性来定义项目或对象,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,努力向客户推荐与其以前喜欢的产品相似的产品。
基于内容过滤的系统优点是简单、有效;缺点是特征提取的能力有限,过分细化,纯基于内容的推荐系统不能为客户发现新的感兴趣的资源,只能发现和客户已有兴趣相似的资源。这种方法通常被限制在容易分析内容的商品的推荐,而对于一些较难提取出内容的商品,如音乐CD、电影等就不能产生满意的推荐效果。
(2)协同过滤技术。协同过滤正迅速成为一项在信息过滤和信息系统中很受欢迎的技术。与传统的基于内容过滤直接分析内容进行推荐不同,协同过滤分析用户兴趣,在用户群中找到指定用户的相似(兴趣)用户,综合这些相似用户对某一信息的评价,形成系统对该指定用户对此信息的喜好程度预测。
与传统文本过滤相比,协同过滤有下列优点:
1)能够过滤难以进行机器自动基于内容分析的信息。如艺术品、音乐;
2)能够基于一些复杂的,难以表达的概念(信息质量、品位)进行过滤;
3)推荐的新颖性。
正因为如此,协同过滤在商业应用上也取得了不错的成绩。Amazon、CD-Now、MovieFinder等网上商店都采用了协同过滤的技术来提高服务质量。但是协同过滤同样有局限性:
1)用户对商品的评价非常稀疏,这样基于用户的评价所得到的用户间的相似性可能不准确(即稀疏性问题);
2)随着用户和商品的增多,系统的性能会越来越低(即可扩展性问题);
3)如果从来没有用户对某一商品加以评价,则这个商品就不可能被推荐(即最初评价问题)。
因此,现在的电子商务推荐系统都采用了几种技术相结合的推荐技术。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。