蔣文娟 蘇佳 陸娜 李富蕓

摘要：個(gè)性化推薦系統(tǒng)可以幫助電子商務(wù)網(wǎng)站為用戶提供快速有效的商品搜索服務(wù)，滿足用戶的需求，提高用戶的購物效率。服裝是電子商務(wù)平臺的重要類目，但是由于用戶對服裝的偏好因素多，且用戶對服裝商品同時(shí)有趨同性和求異性，對服裝個(gè)性化推薦的研究有很有必要。基于協(xié)同過濾算法，對用戶收藏夾的信息進(jìn)行了分析，計(jì)算出相似度最高的用戶，并將該用戶的收藏夾信息中目標(biāo)用戶還未關(guān)注到的信息推薦給目標(biāo)用戶，實(shí)現(xiàn)了一個(gè)簡單電子商務(wù)網(wǎng)站的個(gè)性化推薦系統(tǒng)。

關(guān)鍵詞：協(xié)同過濾;個(gè)性化推薦;推薦算法;相似度;電子商務(wù)

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2019）35-0194-03

1 概述

隨著互聯(lián)網(wǎng)的高速發(fā)展和物流產(chǎn)業(yè)的日益成熟，電子商務(wù)已經(jīng)成為互聯(lián)網(wǎng)的重要應(yīng)用之一，我國電子商務(wù)行業(yè)的市場規(guī)模也發(fā)生了翻天覆地的變化。電子商務(wù)對二十一世紀(jì)人類的生活起到的作用和帶來的改變是不可預(yù)估的，網(wǎng)絡(luò)已是人們重要的購物途徑。據(jù)國家統(tǒng)計(jì)局?jǐn)?shù)據(jù)顯示，2018年全國電子商務(wù)交易額達(dá)31.63萬億元，同比增長8.5%。其中，商品、服務(wù)類電子商務(wù)交易額30.61萬億元，增長14.5%。2018年全國網(wǎng)上零售額達(dá)9.01萬億元，如圖1所示，其中實(shí)物商品網(wǎng)上零售額為7.02萬億元。從品類來看，服裝鞋帽針紡織品、日用品、家用電器及音響器材占前三，分別占實(shí)物商品網(wǎng)絡(luò)零售額的25.2%、14.4%和10.6%。[1]

服裝作為日常消費(fèi)品，消費(fèi)者的需求比較大，消費(fèi)者頻次高，密度大。2018年“雙十一”全天成交額達(dá)到2315億元，其中服裝服飾占比達(dá)到了20.3%。隨著商品種類和數(shù)量的呈現(xiàn)指數(shù)級的增長，對于消費(fèi)者來說，從眾多商品中搜索到心儀的商品并非易事。服裝是一種個(gè)性化需求特點(diǎn)比較強(qiáng)的商品，普通的搜索引擎并不適用于消費(fèi)者快速有效地選擇到自己心儀的服裝，個(gè)性化推薦系統(tǒng)可以幫助解決以上的問題。

2 個(gè)性化推薦系統(tǒng)

個(gè)性化推薦系統(tǒng)是通過分析消費(fèi)者的歷史消費(fèi)數(shù)據(jù)以及商品信息，預(yù)測消費(fèi)者的喜好，然后在電子商務(wù)網(wǎng)站上為消費(fèi)者展示其可能感興趣的商品。個(gè)性化推薦系統(tǒng)可以幫助銷售服裝的商家及網(wǎng)站迅速而有效地為消費(fèi)者推薦感興趣的服裝，滿足消費(fèi)者的需求，提高消費(fèi)者的購物效率，提升消費(fèi)者的購物體驗(yàn)。個(gè)性化推薦系統(tǒng)在B2C（Business-to-Customer）電子商務(wù)領(lǐng)域的應(yīng)用，有著良好的發(fā)展與應(yīng)用前景。當(dāng)前，幾乎所有大型B2C電商系統(tǒng)，如亞馬遜、京東、當(dāng)當(dāng)?shù)龋荚诓煌潭壬嫌型扑]系統(tǒng)的應(yīng)用。國內(nèi)的京東網(wǎng)站在瀏覽商品時(shí)會彈出“猜你喜歡”“為你推薦”等關(guān)鍵詞;當(dāng)當(dāng)網(wǎng)站上為用戶進(jìn)行私人定制的“專屬商城”，“當(dāng)當(dāng)為您推薦”等推薦功能;網(wǎng)易云的音樂個(gè)性化調(diào)頻推薦，微博、知乎和百度貼吧論壇的內(nèi)容推薦都是典型的個(gè)性化推薦技術(shù)的應(yīng)用。

服裝個(gè)性化推薦系統(tǒng)在原理上與其他商品的推薦系統(tǒng)類似，但因?yàn)榉b本身不易建立用戶模型，服裝推薦通同時(shí)具有趨同心理和求異心理等原因，服裝推薦系統(tǒng)本身有其特殊性。

2.1研究現(xiàn)狀

1987年Malonedeng等研究者最早提出了推薦系統(tǒng)（Recom-mender System）的概念，它是通過評分來進(jìn)行推薦的，且只在電子商務(wù)領(lǐng)域有運(yùn)用。直到20世紀(jì)90年代，Resnick和Varian等[2]研究者在推薦系統(tǒng)的基礎(chǔ)上提出個(gè)性化推薦系統(tǒng)的新概念。1998年亞馬遜（Amazon.com）上線了基于物品的協(xié)同過濾算法，將推薦系統(tǒng)推向服務(wù)千萬級用戶和處理百萬級商品的規(guī)模，并能產(chǎn)生質(zhì)量良好的推薦。2005年Adomavicius等人將推薦系統(tǒng)分為3個(gè)主要類別，并提出了未來可能的主要研究方向。2007年第一屆ACM推薦系統(tǒng)大會在美國舉行。2016年，YouTube發(fā)表論文[3]，將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用推薦系統(tǒng)中，實(shí)現(xiàn)了從大規(guī)?？蛇x的推薦內(nèi)容中找到最有可能的推薦結(jié)果。

與國外相比，國內(nèi)的個(gè)性化推薦技術(shù)和互聯(lián)網(wǎng)發(fā)展比較晚，但經(jīng)過學(xué)習(xí)國外的技術(shù)并結(jié)合自己的研發(fā)后，發(fā)展非常迅速，已經(jīng)取得了一定的成功。

2.2組成和分類

個(gè)性化推薦系統(tǒng)主要由三部分組成：一是收集數(shù)據(jù)并分析以獲取用戶偏好;二是選擇推薦算法;三是實(shí)現(xiàn)推薦。其中推薦算法是整個(gè)系統(tǒng)的關(guān)鍵。

目前，系統(tǒng)推薦算法主要分為三類[4]：

2.2.1協(xié)同過濾推薦

協(xié)同過濾算法是最早應(yīng)用到推薦系統(tǒng)中的，也是目前最常用的推薦算法之一。協(xié)同過濾推薦首先基于用戶一評分矩陣來分析目標(biāo)用戶的興趣愛好，然后檢索與目標(biāo)用戶有類似興趣愛好的用戶群體，根據(jù)類似用戶群體的商品評價(jià)信息，將評分高的商品推薦給目標(biāo)用戶。協(xié)同過濾推薦對多媒體內(nèi)容能夠達(dá)到較好的推薦效果，也可以發(fā)現(xiàn)用戶新的偏好信息;但是協(xié)同過濾推薦對于新的產(chǎn)品和多興趣用戶存在評價(jià)系數(shù)和冷啟動等問題。

2.2.2基于內(nèi)容的推薦

基于內(nèi)容的推薦是協(xié)同過濾推薦的延續(xù)與發(fā)展。該算法首先通過用戶的評價(jià)、分享、收藏夾等歷史行為信息來建立用戶偏好模型，還要通過分析和提取推薦商品中的內(nèi)容信息建立推薦商品模型;再計(jì)算推薦商品模型和用戶偏好模型的相似度，最后將相似度最大的商品推薦給用戶。基于內(nèi)容的推薦簡單且高效，可以很好地解決冷啟動問題;但是該算法只能推薦用戶已有興趣類似的商品，另外對于如音頻視頻等多媒體內(nèi)容的特征不好提取因此也難以達(dá)到滿意的推薦效果。

2.2.3混合推薦

每種算法都有其優(yōu)點(diǎn)和缺點(diǎn)?；旌贤扑]是綜合利用幾種推薦算法的優(yōu)點(diǎn)，可以產(chǎn)生由于獨(dú)立推薦算法的推薦效果。采用最多的混合方法是基于內(nèi)容和協(xié)同過濾的推薦。

3 基于協(xié)同過濾的服裝個(gè)性化推薦

3.1協(xié)同過濾算法

協(xié)同過濾算法不需要預(yù)先獲得用戶或物品的特征數(shù)據(jù)，僅依賴于用戶的歷史行為數(shù)據(jù)對用戶進(jìn)行建模，從而為用戶進(jìn)行推薦。協(xié)同過濾以健壯性與優(yōu)異的速度，在互聯(lián)網(wǎng)領(lǐng)域得到了廣泛應(yīng)用。協(xié)同過濾推薦算法正迅速成為信息過濾與信息系統(tǒng)中的流行技術(shù)。與傳統(tǒng)的推薦方法不同，協(xié)同過濾是用來分析用戶興趣的方法。通過綜合這些用戶對某一信息的評估，從而形成了一個(gè)系統(tǒng)來預(yù)測用戶對該信息的偏好程度。[5]

協(xié)同過濾算法分為以用戶為基礎(chǔ)（User-based）的協(xié)同過濾和以商品為基礎(chǔ)（Item-based）的協(xié)同過濾兩種算法[6]，通過比較，本設(shè)計(jì)采用基于用戶的協(xié)同過濾。

3.2基于用戶的協(xié)同過濾算法

基于用戶協(xié)同過濾的推薦算法包括三個(gè)步驟，如圖2所示：

3.2.1收集數(shù)據(jù)

此數(shù)據(jù)指的是用戶的歷史行為數(shù)據(jù)，如用戶的關(guān)注、購買歷史、收藏行為，或給某個(gè)商品的評分等，這些都可以作為數(shù)據(jù)供推薦算法使用。本文是將用戶的收藏行為作為數(shù)據(jù)來收集的。

3.2.2找到相似用戶

計(jì)算用戶間的相似度的方法有如下幾種：

本文用公式（2）余弦相似度來計(jì)算用戶間的相似度[7]，其中N（u）為用戶u喜歡的物品集合，N（v）為用戶v喜歡的物品集合。可以根據(jù)用戶的收藏夾的內(nèi)容來獲得N（u）和N（v）。

3.2.3進(jìn)行推薦

本文使用用戶的收藏夾來計(jì)算用戶相似度。如下圖3所示，對于用戶A只能計(jì)算得到一個(gè)相似用戶C，然后將用戶C收藏的服裝D推薦給用戶A?？捎脠D4說明基于用戶的協(xié)同過濾推薦原理。

圖5給出的是系統(tǒng)具體實(shí)現(xiàn)中對用戶vape1和其他用戶的相似度的計(jì)算結(jié)果。根據(jù)此結(jié)果，可看出用戶vape1和vape2、vape3的相似度較高，因此會給用戶vape1推薦用戶vape2和用戶vape3的收藏夾中的物品。

4 總結(jié)

本文通過運(yùn)用協(xié)同過濾算法對服裝個(gè)性化推薦系統(tǒng)進(jìn)行了研究，僅通過采集用戶的收藏夾內(nèi)容，根據(jù)收藏夾內(nèi)容進(jìn)行用戶相似度的比較，尋找相似用戶，為用戶在購買服裝前提供個(gè)性推薦，從而提高用戶網(wǎng)購服裝的效率以及更好的購物體驗(yàn)。本系統(tǒng)僅以收藏夾內(nèi)容作為基礎(chǔ)數(shù)據(jù)，考慮并不全面，在后續(xù)的系統(tǒng)完善中，可以考慮將消費(fèi)者購物數(shù)據(jù)以及其他相關(guān)信息納入系統(tǒng)基礎(chǔ)數(shù)據(jù)，從而使推薦更為精準(zhǔn)、有效。

參考文獻(xiàn)：

[1]商務(wù)部電子商務(wù)和信息化司.中國電子商務(wù)報(bào)告2018[R].北京：中國商務(wù)出版社，2018.

[2]Resnick P，Iacovou N，Suchak M，et al.GroupLens： an open ar-chitecture for collaborativefiltering of netnews[C]. USA： Pro-ceedings of the 1994 ACM Conference on Computer Support-ed Cooperative Work，1994：175-186.

[3]Cremonesi P，Tripodi A，Turrin R.Cross-DomainRecommend-er Systems.[C] IEEE， International Conference on Data Mining-Workshops， 2012：496-503.

[4]劉建國，周濤，汪秉宏.個(gè)性化推薦系統(tǒng)的研究進(jìn)展[J].自然科學(xué)進(jìn)展，2009，19（1）：1-15.

[5]鄧愛林，朱揚(yáng)勇，施伯樂.基于項(xiàng)目評分預(yù)測的協(xié)同過濾推薦算法[J].軟件學(xué)報(bào)，2003（9）：1621-1628.

[6]趙亮，胡乃靜，張守志.個(gè)性化推薦算法設(shè)計(jì)[J].計(jì)算機(jī)研究與發(fā)展，2002（8）：986-991.

[7]單毓馥，李丙洋.電子商務(wù)推薦系統(tǒng)中服裝推薦問題研究[J].毛紡科技，2016，44（5）：66-69.

[8]王寧，何震.改進(jìn)協(xié)同過濾算法在服裝個(gè)性化推薦的研究[J].湖南工程學(xué)院學(xué)報(bào)，2019，29（1）：34-36.

[9]胡覺亮，王正方.基于用戶偏好的個(gè)性化服裝推薦模式研究[J].浙江理工大學(xué)學(xué)報(bào)，2018，40（2）：136-143.

【通聯(lián)編輯：代影】

收稿日期：2019-11-12

基金項(xiàng)目：海南省自然科學(xué)基金項(xiàng)目（617119）;國家自然科學(xué)基金項(xiàng)目（61562023）;海南省自然科學(xué)基金（617124）;海南省高等學(xué)?？茖W(xué)研究項(xiàng)目（Hnky2017-17）

作者簡介：蔣文娟（1975-），女，甘肅人，副教授，碩士，主要研究方向?yàn)橛?jì)算機(jī)應(yīng)用、圖像處理;蘇佳，學(xué)士;陸娜，副教授，碩士;李富蕓，副教授，碩士。