王珊珊

摘 要：近年來，大數(shù)據(jù)的快速發(fā)展為電子商務(wù)帶來了新的機(jī)遇，推薦系統(tǒng)便是大數(shù)據(jù)與電子商務(wù)平臺(tái)結(jié)合的典型應(yīng)用，能夠大大提升用戶服務(wù)質(zhì)量，增加用戶點(diǎn)擊率。據(jù)此，介紹了經(jīng)典的推薦系統(tǒng)并以此為基礎(chǔ)描述了K-means算法在推薦系統(tǒng)中的應(yīng)用。

關(guān)鍵詞：電子商務(wù)；推薦系統(tǒng)；k-means；大數(shù)據(jù)

中圖分類號(hào)：F49 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3198（2015）14-0051-03

電子商務(wù)是在Internet開放的網(wǎng)絡(luò)環(huán)境下，以在線形式實(shí)現(xiàn)用戶、合作伙伴、供應(yīng)商以及員工進(jìn)行交互的商業(yè)運(yùn)營模式。電子商務(wù)的涌現(xiàn)標(biāo)志著商貿(mào)活動(dòng)正從傳統(tǒng)方式向電子信息化方向變革。今天，Internet為電子商務(wù)帶來了飛速增長，同時(shí)電子商務(wù)平臺(tái)的競爭也日益激烈，如何為用戶提供更好的服務(wù)獲取更多的商品點(diǎn)擊率是各電商平臺(tái)競爭的焦點(diǎn)。

1 協(xié)作型過濾技術(shù)

當(dāng)前主流的推薦系統(tǒng)都是采用被稱為協(xié)作型過濾的技術(shù)，該算法基于一個(gè)假設(shè)，即為用戶找到他感興趣的內(nèi)容的方法是首先找到與其興趣相似的用戶，然后將這些用戶感興趣的內(nèi)容推薦給目標(biāo)用戶。其通用做法是對海量用戶進(jìn)行搜索，并從中找出與目標(biāo)用戶相似度最高的部分用戶。算法會(huì)對所有用戶進(jìn)行考查，并進(jìn)行組合構(gòu)造出一個(gè)經(jīng)過排名的推薦列表。

協(xié)作型過濾分為：基于用戶的協(xié)作型過濾和基于物品的協(xié)作型過濾。

1.1 基于物品的協(xié)作型過濾

將用戶對物品的喜好，當(dāng)作是物品的一個(gè)屬性來看待，也就是說，有多少用戶喜歡某物品，那么可以將該物品看作有多少個(gè)維度的屬性，具體偏好就是維度的屬性值。然后通過相似度算法，來計(jì)算物品間的相似度。當(dāng)大部分用戶購買的商品很少的時(shí)候，基于物品的協(xié)作過濾效果比較好。

1.2 基于用戶的協(xié)作型過濾

將用戶購買的物品看作是這個(gè)用戶的不同維度的屬性，很顯然，大部分用戶買了多件物品的數(shù)據(jù)，采用這種方法效果比較好。

2 相似度度量

協(xié)作型過濾系統(tǒng)需要通過相似度計(jì)算來獲取用戶間/物品間的相似度，通用的相似度評價(jià)體系有：歐幾里得距離和皮爾遜相關(guān)度。

2.1 歐幾里得距離

歐幾里得距離（Euclidean distance）也稱歐式距離，它是一個(gè)通常采用的距離定義，它是在n維空間中兩個(gè)點(diǎn)之間的真實(shí)距離。

在二維和三維空間中的歐式距離的就是兩點(diǎn)之間的距離，二維空間的公式：

2.2 皮爾遜相關(guān)系數(shù)

皮爾遜相關(guān)系數(shù)是一種度量兩個(gè)變量間相關(guān)程度的方法。它是一個(gè)介于1和-1之間的值，其中，1表示變量完全正相關(guān)，0表示無關(guān)，-1表示完全負(fù)相關(guān)。該系數(shù)是判斷兩組數(shù)據(jù)與某一直線擬合程度的一種度量，在數(shù)據(jù)不規(guī)范的時(shí)候，該系數(shù)會(huì)傾向于給出更好的結(jié)果。

3 聚類算法在推薦系統(tǒng)中的應(yīng)用

協(xié)作型過濾技術(shù)在推薦系統(tǒng)中的應(yīng)用已經(jīng)非常成熟且取得了很好的效果，但是隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展，數(shù)據(jù)量的逐步增大，通過搜索全部用戶尋找與目標(biāo)用戶相似度排名較高的用戶會(huì)極大的影響推薦系統(tǒng)的效率，特別是一些實(shí)時(shí)性要求較高的系統(tǒng)中，效率問題會(huì)更加凸顯。

因此在大數(shù)據(jù)環(huán)境下，一種通過離線聚類在線搜索的方式，提高推薦系統(tǒng)效率的方法可以有效提升系統(tǒng)效率而不損失推薦效果；首先在收集到大量用戶數(shù)據(jù)后，預(yù)先對后臺(tái)用戶數(shù)據(jù)進(jìn)行聚類，然后通過人工方式對各個(gè)類別進(jìn)行標(biāo)注，當(dāng)有用戶需要推薦時(shí)，僅僅對用戶當(dāng)前關(guān)注商品的類別已及相鄰類別中的數(shù)據(jù)進(jìn)行搜索，這樣可以大大減少搜索的范圍提升系統(tǒng)效率。

3.1 K-means算法

K-means是發(fā)現(xiàn)給定數(shù)據(jù)集在k個(gè)簇的算法。簇個(gè)數(shù)k是用戶給定的，每個(gè)簇通過其質(zhì)心（centroid），即簇中所有點(diǎn)的中心來描述。

K-means算法的工作流程如下：首先，隨機(jī)確定k個(gè)初始點(diǎn)作為質(zhì)心。其次，將數(shù)據(jù)集中的每個(gè)點(diǎn)分配到一個(gè)簇中。即為每個(gè)點(diǎn)找距離其最近的質(zhì)心，并將其分配給質(zhì)心所對應(yīng)的簇中。最后，每個(gè)簇的質(zhì)心更新為該簇所有點(diǎn)的平均值。

3.2 二分K-means算法

為了克服K-means算法收斂于局部最小值的問題，于是二分K-means算法被提出了。該算法首先將所有點(diǎn)作為一個(gè)簇，然后將該簇一分為二，然后選擇其中的一個(gè)簇繼續(xù)進(jìn)行劃分，具體選擇哪個(gè)簇可以由其劃分是否可以最大程度上降低誤差的值為標(biāo)準(zhǔn)。不斷重復(fù)基于誤差的劃分過程，直到得到用戶所指定的數(shù)目為止。

二分K-means源碼如下：

4 總結(jié)

本文主要介紹了電子商務(wù)領(lǐng)域最重要的推薦系統(tǒng)之一，協(xié)作型過濾技術(shù)的算法及主流的相似度計(jì)算方法，并以此為基礎(chǔ)介紹了K-means算法在推薦系統(tǒng)中的應(yīng)用。

K-means算法及其改進(jìn)算法的引入可以在不損失推薦效果的前提條件下，有效的提高系統(tǒng)的效率，獲得更好的用戶體驗(yàn)。

參考文獻(xiàn)

[1]P.S.Bradley and U.M.Fayyad.Refining Initial Poins for k-means Clustering[C].In proc.of the 15th Intl.conf.on machine learning：91-99.

[2]張娜.電子商務(wù)環(huán)境下的個(gè)性化信息推薦服務(wù)及應(yīng)用研究[D].合肥：合肥工業(yè)大學(xué)，2007.

[3]張建萍，劉希玉.基于聚類分析的K-means算法研究及應(yīng)用[J].計(jì)算機(jī)應(yīng)用研究，2007，24（5）：166-168.

[4]賈磊，丁冠華.數(shù)據(jù)挖掘中的K-means算法及改進(jìn)[J].福建電腦，2006，（11）：47-56.

[5]B.S.Everitt，S.Landau，M.Leese.Cluster Analysis.Arnold Publishers[C].London，fourth edition，may，2001.