浅谈电子商务平台中的推荐系统

信息通信INFORMATION & COMMUNICATIONS2019(Sum. No 199)浅谈电子商务平台中的推荐系统王渊(广西交通职业技术学院，广西南宁530023)摘要：对现有推荐系统在电子商务平台中的作用，并对现有主要的推荐系统模型进行了介绍，在此基础上对不同模型及

算法进行详细的说明，同时指出了，在现有推荐系统设计中，应当解决的几个主要问题，包括数据的稀疏性、系统的评价、

冷启动等关键性问题。关键词:推荐系统；电子商务平台中图分类号:F724.6 文献标识码:A 文章编号：1673-1131(2019)07-0016-021推荐系统综述1.1电子商务中的推荐系统用户在登陆电子商务平台后，可以通过站内搜索、分类导

航展示及推荐系统获得商品信息，而前两种方法是用户明确

知道自己的意图时，所使用的方法,当用户不明确自己目标时， 推荐系统能够根据用户的过往行为，结合商品属性等相关信 息，为用户推荐商品。用户获取商品信息的三种主要方法是

站内搜索引擎、分类导航系统和推荐系统。本论文主要介绍

的就是其中的\"推荐系统\"方法，在日益激烈的竞争环境下，电

子商务的推荐系统能够有效的为平台提高用户粘性，提升系 统的可用性，以达到产生更大的经济效益的目的，所以构建一

个效率高、精确度也高的推荐系统，对于电子商务网站是十分 迫切及重要的。1.2推荐系统作用推荐系统一般都是作为一个模块存在于电子商务平台之

中，是一种为用户提供建议的智能化软件工具,是解决信息过

载问题非常有效的方法［1Io推荐系统与搜索引擎等信息检索 技术本质区别是:搜索注重于用户主动行为,而推荐则需要研

究用户的兴趣模型，主动发现引导用户的需求，并进行推送。

随着人们习惯的改变及大数据等概念的出现，信息过载［2］将 会越来越严重，并且人们会更多的无意识的在大量数据中进

行探索，所以对推荐系统这种智能为用户推送信息的需求将

会越来越大，可以预计，在今后数十年，推荐系统仍然会得到 持续关注。2推荐系统模型及算法介绍2.1协同过滤模型只基于用户的行为数据为依据，设计的推荐算法一般称

为协同过滤算法，在设计推荐系统时，主要的两个协同过滤算 法分别是：基于用户的协同过滤算法和基于商品的协同过滤 算法,以下分别对这两种算法进行介绍：基于用户的协同过滤。基于用户的协同过滤算法叫其实

就是寻找与需要推荐商品的用户相似的用户，是以寻找相似

用户为基础的推荐算法，基于用户的协同过滤算法(user-based

CF)可以概括成以下两个步骤:①找到与推荐商品用户相似的

用户集合(釆用分类或者聚类的方式)；②找到这个集合中用

户喜欢的商品，推荐给目标用户。用户之间的相似度可以釆用余弦相似度计算公式，如公

式⑴所示：_ |N(u)nN(v)|

“uv _ VIN(u)||N(v)|

⑴、也可以采用Jaccard公式,如公式(2)所示：16wWuv __ |N(u)nN(v)||n(u)||N(v)|

⑵其中N(u)表示用户u有过正向反馈的商品,N(v)表示用

户v有过正向反馈的商品。进一步可以推算出，用户u,对于商品i的兴趣度如公式 (3)所示：W(u, i) = Zv6S(u,k)nN(i) Wuv fvi

(3)其中S(u, K)表示包含和用户u兴趣最接近的K个用户，

N(i)是对商品i有过历史行为的用户集合,Ww是用户u和用户 v之间的兴趣相似度，r“代表用户v对商品i的兴趣，这里r“ 取 1［41=基于项目的协同过滤。基于项目的协同过滤(item-based CF)®,又可以称之为基于商品的协同过滤，在电子商务平台

中，是指基于平台中的商品，寻找相似商品的协同过滤算法,

此算法是目前业界应用最多的算法。这里考虑到用户经常会购买与自己有过历史行为商品相 似的商品，所以可以通过各种方法来发掘商品之间的相似度， 以达到为用户推荐商品的目的，以下为基于商品协同过滤算

法的三步:①获取用户感兴趣的商品;②计算不同商品之间的

相似度;③根据商品的相似度和其它相关数据,为用户生成推

荐列表。这里在计算两个商品之间相似度时，可能会用到其它算 法,比如基于内容的推荐模型。商品之间的相似度可以釆用余弦相似度计算公式冏，如公

式2.4所示：_ |N(i)nN(j)|

耳 _ E川N(j)|(4)也可以采用Jaccard公式,如公式(5)所示:_ |N(i)nN(j)| ij ~ |N(i)||N(j)|(5)其中N(i)可以表示喜欢商品i的用户数,也可以是商品i 所具有的属性等,N(j)可以表示喜欢商品i的用户数,也可以

是商品j所具有的属性等。进一步可以推算出，用户u,对于商品i的兴趣度如公式

(6)所示：W(U,i) = SieS(i,k)nN(u) wij ruj(6)其中S(i,K)是和商品j最相似的K个商品的集合,N(u) 是用户U喜欢的商品集合,Wij是商品i和j的相似度，心代表

用户u对商品i的兴趣，这里為取1。2.2基于内容的推荐模型基于内容的推荐(content-based recommendation)是根据

信息通信王渊:浅谈电子商务平台中的推荐系统项目内容的特征，计算用户与目标项目的匹配度，将匹配度高 的项目推荐给用户。在电子商务平台,商品的各种属性都可以作为其内容，我

召回率，表示在用户喜欢的商品中，有多大的比例进入了

推荐列表,如公式(8)所示：们可以通过这些内容计算商品之间的相似度，以便为用户进 行商品的推荐。recall =EueulR(u)nT(u)|Sueu |T(u)|(8)可以把准确率和召回率融合成单个指标，来描述推荐算

法的推荐结果，此方法为F-measure法，如公式⑼所示：2.3基于关联规则的推荐模型关联规则(association rule)是数据挖掘的一个重要课题, 一般是在大量数据中寻找满足最小支持度和置信度的所有规 则。主要分析用户购物车(这里的购物车是指产生了购买行 为商品，即产生了销售订单)之间商品的相关规则，关联规则 F =recall+precisionF-measure方法接近于准确率和召回率中较小的值，能够

比较全局的描述推荐系统。有很多的算法，如Apriori算法、AprioriTid算法、DHP算法、

Fp_tree算法等。2.4基于图的推荐模型基于图的模型(graph-based model)171,很多人把基于领域

的模型也称为基于图的模型。可以采用二元组(u,i)表示一个

用户u对商品i产生过行为，此时可以采用二分图的方法来表 示这种关系。在将用户行为转化为二分组后，推荐系统的任务就简化 成了，找到用户顶点％和没有和用户顶点％产生过购买行为 的商品j相关性。如果相关性大于一定的阀值,便可连接这两

个点。主要的基于图的算法有PersonalRank算法等。3推荐系统需要解决的问题3.1城的稀疏性由于数据的高度稀疏性，用户和项目的数量级可以达到

百万，甚至千万级，而已有的数据又十分的稀少，在做数据处

理时就需要花大量时间用于数据清理上。在设计高效率的算

法时,会遇到很大的困难。3.2推荐系统的评价不同的推荐系统，有不同的评测指标，比如分类推荐系统 的分类准确度指标，评分系统中的评分关联指标和评分准确

度指标等,用户的满意度，项目的覆盖率以及推荐系统的流行

度、多样性,也是评价一个推荐系统好坏的不同指标叫

3.3推荐系统的冷启动冷启动问题这里分为三类叫(1) 用户冷启动。在新用户注册平台后，平台中没有用户

任何的行为数据，无法根据其行为历史计算其兴趣度,此时可

以引导用户输入其兴趣信息，来为用户提供商品推荐。(2) 商品冷启动。新商品刚上架后,没有用户对其有过任

何历史记录，此时，可以利用商品内容属性,计算其相似度，来

为用户进行推荐。(3) 系统冷启动。一个新的平台，没有任何用户行为及用

户数据，也只有少量的项目数据,此时设计的推荐系统就需要

进行系统的冷启动，本平台就面临系统冷启动的问题，以下章 节会对此进行详细的介绍。4推荐系统评测包括用户的满意度，预测的准确度,算法的覆盖率等相关 的指标.这里使用F-measure方法进行计算：准备率，表示为用户所产生的推荐列表中，有多大的比例

是用户真正产生了购买行为的,如公式(7)所示：precision =EueulR(u)nT(u)|EueulR(u)l(7)在公式(7)及公式(8)中,R(u)是指用户在训练集上，给出 的推荐列表,T(u)指的是用户在测试集上的行为列表(即实际

产生购买行为的列表),U为全体用户。覆盖率也是对推荐算法进行评估的一种方法，即指的是 为用户推荐的产品能够覆盖所有产品的比率，可以使用如下

公式计算算法的覆盖率,如公式(9)所示：(9)其中I表示所有商品(Item)的集合,U为用户集合，即为 用户推荐的所有商品占平台总商品的集合。5结语个性化推荐系统作为能够根据用户的兴趣特点及购买行 为，向用户推荐其感兴趣的商品的一个模块系统，在电子商务

规模日益扩大的现今网络信息时代，发挥着关键的作用。文 章对各种推荐算法模型进行了介绍，同时为具体推荐算法的

设计提供了理论的基础。文献:[1] 蔺丰奇，刘益.信息过载问题研究述评[J].情报理论与实践,

2007(5) :710-714,[2] Ganging up on information overload[J].(A Borchers,J Her-

locker.J Konstan,etal),Computer, 1998,31(4): 106-10&[3] 刘文.基于协同过滤的推荐算法研究[D].中国科学技术大

学,2013.[4] Enhancing collaborative filtering by userinterest expansion

via personalized ranking [J] (Liu Q,Chen E, Xiong H,etal). IEEE transactions on Systems, Man, and Cybernetics, 2012,42(1):218-233.7[5] 熊宇.协同过滤的电子商务个性化服务推荐系统的研究

[D].电子科技大学,2013.[6] 彭玉锐.基于用户兴趣的推荐算法研究[D].江苏科技大学,

2016.[7] Community detection in graphs [J] (FortunatoS). Physics

Reports,2010,486(3):75-174.[8] 刘建国，周涛，郭强，等.个性化推荐系统评价方法综述[J].复

杂系统与复杂性科学,2009,6(3):1-10.[9] 申辉繁.协同过滤算法中的冷启动问题研究[D].重庆大学,

2015.作者简介:王渊(1985-),男,江西九江人,助教,工程硕士,研究 方向:计算机科学与技术。17