商品推荐模型.docx

个性化商品B2C网站推荐模型的研究和设计孙洁，陈建斌，方德赢（音译）北京联合大学商业学院，北京，100025，中国北京联合大学商业学院，北京，100025，中国北京联合大学商业学院，北京，100025，中国摘要：个性化信息服务被看做是一个典型的方法去处理大量信息和个人需求两者之间的矛盾。这篇文章根据个性化信息服务的思想，提出一个个性化商品B2C电子 商务网站推荐模型。对于个性化推荐服务，本文中提出这个模型考虑到各种不同的 使用者，而且可以学习和追溯使用者的兴趣爱好。而且，另一方面，商品是根据使用者的兴趣爱好进行推荐的。关键字:B2C网站，个性化信息服务，个性化商品推荐模型1. 引言如今阶段，所有的不同种类的电子商务网站都受到了由于因特网技术的迅速发 展而带来冲击。电子商务公司之间的竞争要比传统的企业之间的竞争更加激烈。以 网络零售作为例子，传统模式下，顾客会浪费大量的时间和金钱在一个又一个的商 业中心中进行选择，同时还需要去考虑一些相关的问题，例如出行路径。然而，顾 客如果从一家电子商务网站到另一家电子商务网站中选择，只要在家里点几下鼠标 就可以完成。因此，如何提高服务质量，如何吸引顾客以及维护好顾客成为网站经 营者的一个需要解决的急迫的问题。个性化信息服务是这个问题的一种解决方案，同时个性化信息服务已经广泛用 作处理“信息过载”和“信息遗失”的问题。他可以向不同的用户提供面向顾客个 别的个性化服务。事实上，这种服务的引入对于B2C网站来说有着极其重大的意义。首先，对于电子商务企业来说，个性化信息服务的实现可以实现吸引更多的顾 客，提高网站的访问量，而且可以借此培养用户的忠诚度。因此，个性化信息服务 的实现可以帮助企业赢得更多的市场份额，而且可以帮助提高销售实力，最后获得 相当大的经济利益。然后，对于顾客来说可以节省了很多的时间和金钱。面向顾客的个性化商品推 荐不仅允许用户避免了大量的繁琐的搜索过程，这些搜索过程会导致大量的时间浪 费，而且可以获得他们所需要的商品信息。同时，这个方法很有效的避免了“信息 缺失”等问题。最后，对于存在网站上的商品，信息资源得到有效的关注和推荐，使顾客和网 站运营商等避免迷失在大量的信息海洋之中。基于这种思想，本篇论文所展示个性化商品推荐服务模型是面向B2C类型的电 子商务网站的。这种模型有两个主要的功能，一个功能是通过分析在网站上用户浏 览和顾客行为来发掘用户的兴趣，另外一个功能是根据用户的兴趣，向可能购买这 种商品的用户推荐商品。2. 个性化商品推荐服务的过程设计个性化商品推荐服务的基本过程这种个性化商品推荐服务的过程是基于用户的注册信息以及用户在网站上浏览 行为和购物习惯而建立的，然后据此建立用户的个人信息数据库一一外部的信息源 和用户个人兴趣数据库一一内部的信息数据源，而且通过分析这些外部和内部信息 建立用户兴趣模型，然后去探索用户的消费心理和兴趣，根据这些信息，在合适的 时间，向那些可能愿意去买他们商品的用户推荐商品。个性化商品推荐服务的详细分析个性化商品推荐服务的基本过程如下图1所示:图1个性化商品推荐服务的基本过程第一步，搜集信息资源：为了给顾客提供恰当的个性化信息服务，对顾客的信 息做一个详细的分析是必须的。一般而言，如果顾客提供更多的用户信息，这种分 析将更准确，同时如果有更多的顾客在网站上访问和购物记录，网站可以提供的服 务也会更好。用户的信息可以粗略分成两类，一类是外部信息顾客在注册的时 候填写的表单内容，另一类是内部信息顾客的浏览行为和购物记录。以顾客是 随机访问网站的内容的角度来看，这些内部信息是需要过滤的。例如，尽管不可能 做到完全的精确，但是我们可以过滤货那些浏览频率很低的货物的信息。总而言之， 精确地发现出用户的信息资源是个性化信息服务的一个很好的开始。第二部，计算用户兴趣度：在本篇论文中，用户兴趣度的计算是基于用户的购 物的可能性，主要是为了进行内部信息分析。兴趣度的计算对于个性化商品推荐服 务是很重要的，因为他是向顾客推荐他感兴趣的商品和对这些商品的进行排名的基 础。兴趣度可以依照商品的名字和类别分别各自地累积。具有很高分数的商品排列 在表1的顶部，同时，商品组有很高分数的排在表格2的顶部。靠前的排序的商品 将会是第一个推荐给这个用户所在组的其他用户，在所有参与了这个推荐过程中将 会第一个被推荐给用户。同时，这个也与新产品的推广有关。考虑到网站运营者的 费用，同样地也考虑到用户可能接受的信息，把存在于这个兴趣度表中所有的商品 都推荐给顾客是很不可能的，因此，只有那些有更高的兴趣度的商品才能被选择进 行推荐计算。第三步，计算用户信息相似度：这部分的主要数据来源是外部用户信息。这个 所谓的外部信息是会员用于在这个网站中注册所需要填写的基本信息，包括会员名， 密码，生日（用于计算用户年龄），性别，血型（与个性紧密相关），受教育程度， 职业，联系方式等信息。首先，这些信息应该是经过筛选的，因为并不是所有的信 息都是可以用于计算过程的，例如，用户名，密码，联系方式等。在这之后，需要 的是用于计算相似度的公式。用户信息相似度的计算，将会影响在相同用户群中的 顾客对信息都感兴趣的质量。第四步，建立用户群：常被采用的方法是聚类算法。用户具有相同兴趣的将会 被分到同一个相同的用户群中。同时，一个用户可能会被分到不同的用户群中。对 用户群的分类的原因是是一个用户感兴趣的商品可以推荐给同一组中的其他的用户， 实现在同一用户群中推荐同一种类的商品的目的。第五步，计算推荐度：这是计算链的最后一步。这点关系到推荐列表的形成。 考虑到用户的接受推荐信息的能力，不可能推荐表格中所有的商品给用户，这里需 要考虑的是什么时间进行推荐以及进行推荐的商品的数量。所以，推荐表格中的商 品的合成是特别重要的。不仅仅是合成的问题，同样的时间也是必须要考虑的问题， 例如用户的生日以及节假日。第六步，推荐新产品：为了丰富网站的商品，关注市场是用于来维护顾客的最 基本要素。即时提供了最好的服务，但是如果商品不能跟上潮流，或者商品根本不 能满足用户的基本需求，这样会直接导致顾客的流逝。在介绍新的产品之后，首先 根据分类添加商品信息，然后根据用户的兴趣，考虑这些商品是否需要包含在推荐 列表中。第七步，选择推荐方式：1）渠道推广，渠道网络广播是目前使用很广泛的技术。某些页面在浏览器中就 是定义成渠道的，用户可以通过网络作出选择去接受他感兴趣渠道内容。2）电子邮件推广，采取主动方式通过电子邮件将约定好的信息发布给存在列表 上的用户。3）网络推广，在特殊的页面，信息就可以被对它敢兴趣的用户接收到。4）独家推广，通过私人的一对一的对等的方式进行交流，信息就可以被送到特 殊的用户。3. 个性化商品推荐服务模型的构建个性化商品推荐服务模型是实现个人信息服务的一个关键的部分。这个模型一 般有两个主要功能，一个是对用户兴趣进行挖掘，另一个是进行信息推荐。个性化商品推荐服务模型的结构个性化商品推荐服务模型中有两个核心，一个是用户兴趣发掘模型，另一个是 商品推荐模型。每个模型都包括几个拥有自己的独立功能的模块。整体模型的功能 的实现是通过这些模块之间共同合作完成的。如图2中所示，个性化商品推荐服务模型包括6个功能模块和4个信息数据库。模块设计和分析用户接口模块：这些接口存在于用户和系统之间，通过这些接口，用户和系统 两者之间进行交流。当用户第一次登录到网站，他的基本信息被这个模块记录，而 且存储到用户信息数据库中。但是当系统推荐商品信息给用户时，这个模块的功能 是为用户的标识进行负责，从而避免推荐的错误。用户行为分析模块：这个模块的功能是进行过滤和获得内部信息。通过数据挖 掘获得用户感兴趣的商品而且据此计算用户的兴趣度。换句话来说，这个模型的主 要功能是挖掘用户兴趣。用户群建立模块：这个模块是用户兴趣数据库和兴趣推荐数据库之间的一座桥 梁。这个模块的功能是建立用户群，将兴趣度的相似度很接近的用户划分到一个相 同的组中，推荐一个用户感兴趣的商品给其他跟他在同一组中的其他用户。总而言 之，这个模块是实现的功能是具有相似兴趣的用户之间的信息共享。用户信息分析模块:这个模块的主要功能是获得用户的基本信息之间的相似点， 然后将数据提供给兴趣推荐数据库。信息推荐模块：这个模块主要是负责前摄地设计推荐信息，设计推广时间，信 息量和推荐的模式。这个模块和用户接口模块合作，完成信息推荐的最后的任务。反馈统计模块：这个模块是用计算用户对于推荐信息的反馈度。用户信息数据库：用于存储用户基本信息，如用户姓名和密码。主要用于检验 信息工作，而且向用户接口模块提供数据。用户行为数据库：用于存储用户浏览历史，包括浏览时间，频率，内容以及会 员购物历史，包括购买的商品和商品的类型。同时，用户每个从网站接受推荐信息 的时间需要被记录。例如，在什么时间，用户然后接受推荐商品信息，同时用户的 反馈信息也需要被记录下来。用户兴趣数据库：用于存储对用户行为分析的结果。包括用户感兴趣的商品和 与之相配的兴趣度，同样用户感兴趣的商品的类型和他的兴趣度。他们相关联的存 储在两张表中，为用户群建立和推荐度计算提供数据支持。兴趣度推荐数据库：用于存储兴趣推荐列表文件。为信息推荐模块提供数据支 持。4. 总结在B2C网站的个性化商品推荐服务实现的过程中，有两个主要关键点，一个是 发现用户的兴趣，另外一个是及时地提供给顾客相关的商品信息，最终达到满足用 户的潜在需求。这篇文章研究的重要意义是解决商品信息和用户需求之间的不一致问题。考虑 到不同用户不同的需求，提出了 “一对一服务”的观念。与此同时，还要提出想法 和方法解决这个问题。如今，在这个信息社会，个性化信息服务企业正在快速发展和膨胀，而且在逐 渐增加他的应用领域范围。感谢这份研究受到中国国家自然科学基金的拨款支持。参考文献【1】HE Ying， JIANG Waiwen(2007). An E-commerce Recommend System based on User Browse Behavior's Mining. Computer Knowledge and Technology(Academic Exchange)，12-027(in Chinese)【2 】LIANG Wei， ZHANG Hui-ying(2006). Study of Recommendation Models in E-Commerce Recommendation SystemsComputer Engineering and Applications， 36-055(in Chinese)【3】ZHANG Zhao，Xia Guo-ping，LI Xue-feng(2007). Personalized Recommendation System in E-commerce Based on Case-based ReasoningComputer Engineering20 一 067(in Chinese)【4】 Ziegler, C，Mcnee， S,Konstan， J,Lausen，G (2005). Improving recommendation lists through topic diversification. Proceedings of International World Wide Web Conference. Chiba,Japan： ACM Press. 22-32.【5】Balabanovic M. Recommender systems(1997). Communications of the ACM, 40(3)： 56-58【6】CooleyR, Mobasher B etal(1999). Data preparation for mining World Wide Web browsing patterns. Knowledge and Information Systems. 1 1, 1(1)： 1724.【7 】L Catledge, J Pitkow(1999). Chamcterizillg Browsing Behavior On the World Wide web .Computer Networks and ISDN Systems, 256, 25(6)： 2024.【8】Cooley R, MObashcr B, Srivastava J(1997)Web mining：Information and pattern discovery On the World Wide Web In： Proc of the 9th Int 1 Conf on Tools with Artificial Intelligence (CTAI97). CA,558,-,567.