葛欣然 張瀚文 張金冰

摘 要：隨著電子商務(wù)用戶量、信息量和商品量的不斷增多，大眾定制化需求和商品多樣化供給間的矛盾更加凸顯，這對(duì)電子商務(wù)中的推薦系統(tǒng)提出了更高要求?；趨f(xié)同過濾技術(shù)的智能推薦方法既能結(jié)合用戶的個(gè)人偏好、習(xí)慣等精準(zhǔn)進(jìn)行個(gè)性化推薦，又可以通過推薦系統(tǒng)發(fā)掘并展示長(zhǎng)尾商品，加速商品的利用與轉(zhuǎn)化，順應(yīng)市場(chǎng)多元化發(fā)展。首先，本文基于挖掘用戶歷史行為并判斷用戶偏好的目標(biāo)，分析協(xié)同過濾算法的實(shí)現(xiàn)原理。其次，針對(duì)電子商務(wù)平臺(tái)需求特征，構(gòu)建包括數(shù)據(jù)預(yù)處理、相似度計(jì)算、推薦生成和評(píng)估在內(nèi)的智能推薦方法步驟。最后，針對(duì)現(xiàn)有算法提出實(shí)現(xiàn)條件。

關(guān)鍵詞：電子商務(wù)；智能推薦系統(tǒng)；協(xié)同過濾；多元化；數(shù)字化

本文索引：葛欣然，張瀚文， 張金冰.<變量 2>[J].中國(guó)商論，2023（17）：-120.

中圖分類號(hào)：F713.36 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-0298（2023）09（a）--04

根據(jù)中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心發(fā)布的第51次《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》，截止到2022年12月，我國(guó)網(wǎng)民規(guī)模達(dá)10.67億，互聯(lián)網(wǎng)普及率達(dá)75.6%。在此背景下，信息化、數(shù)字化手段逐漸滲透消費(fèi)的各個(gè)領(lǐng)域。截至2022年6月，國(guó)內(nèi)使用網(wǎng)絡(luò)進(jìn)行購(gòu)物的用戶規(guī)模已達(dá)到8.41億，在網(wǎng)民整體中達(dá)到80%的較高比重，而在2013年，中國(guó)使用網(wǎng)絡(luò)購(gòu)物的用戶規(guī)模僅占全體網(wǎng)民的48.9%。

電商行業(yè)領(lǐng)域信息量的快速擴(kuò)張，使得消費(fèi)者對(duì)高效商品推介的訴求持續(xù)攀升。面對(duì)電子商務(wù)網(wǎng)站中紛繁復(fù)雜的信息資源，高效的智能化數(shù)據(jù)處理技術(shù)成為處理信息的關(guān)鍵。傳統(tǒng)引擎檢索不能針對(duì)不同用戶及不同環(huán)境的個(gè)性化需求提供差異化的結(jié)果；智能推薦系統(tǒng)則不需要用戶詳細(xì)描述自己的需求，而是通過用戶的歷史數(shù)據(jù)探索興趣偏好，針對(duì)用戶個(gè)性化信息進(jìn)行篩選服務(wù)，并將預(yù)測(cè)結(jié)果反饋給用戶，使用戶購(gòu)物體驗(yàn)和商家銷量效率得以有效提高。因此，本文引入現(xiàn)階段運(yùn)用比較成功的協(xié)同過濾算法，應(yīng)用于電子商務(wù)智能推薦實(shí)踐，可以協(xié)同客戶的反饋、評(píng)價(jià)和意見等，對(duì)海量的電子商務(wù)信息進(jìn)行過濾，契合電子商務(wù)問題的癥結(jié)點(diǎn)，對(duì)電子商務(wù)的發(fā)展有十分深遠(yuǎn)的影響。

在電子商務(wù)平臺(tái)中，智能推薦系統(tǒng)發(fā)揮著必不可少的作用，國(guó)內(nèi)外企業(yè)及學(xué)者針對(duì)電子商務(wù)中運(yùn)用的智能推薦問題進(jìn)行了深層次的研究，眾多個(gè)性化推薦的方法應(yīng)運(yùn)而生，也使得亞馬遜、攜程、阿里巴巴等在推薦領(lǐng)域取得了諸多應(yīng)用成果。但與國(guó)外相比，我國(guó)對(duì)電子商務(wù)智能推薦技術(shù)的研究仍處于跟隨模式，新思路、新方法和新技術(shù)與電子商務(wù)的契合度仍較弱，如推薦策略較簡(jiǎn)單、推薦方法的選擇未跟隨環(huán)境變化而改變，且國(guó)內(nèi)推薦算法大部分用在面向客戶推送，而針對(duì)企業(yè)產(chǎn)品和產(chǎn)品評(píng)價(jià)推薦算法的相關(guān)研究相對(duì)較少。

1 協(xié)同過濾算法原理分析

總體而言，協(xié)同過濾算法是分析具有相似興趣的群體行為，找到用戶或物品間的相似性，再通過相似性進(jìn)行推薦?；谀Ｐ偷膮f(xié)同過濾算法主要包括三類：基于用戶的協(xié)同過濾、基于項(xiàng)目的協(xié)同過濾和基于模型的協(xié)同過濾。

1.1 基于用戶的協(xié)同過濾算法

基于用戶的協(xié)同過濾（User-based CF）主要思想是相似的用戶可能具有相似的喜好，即“人以群分”，這樣便可以依據(jù)用戶對(duì)項(xiàng)目的歷史行為發(fā)掘與之興趣相投的用戶，再把這些確定的相似用戶對(duì)物品的評(píng)分?jǐn)?shù)據(jù)估算成目標(biāo)用戶對(duì)這一物品的未評(píng)分?jǐn)?shù)據(jù)值，邏輯示例如圖1所示。

圖1中，箭頭從用戶指向項(xiàng)目表示用戶對(duì)該項(xiàng)目是有興趣偏向的，而項(xiàng)目指向用戶的反方向箭頭表示最終對(duì)用戶推薦該項(xiàng)目。圖1中假設(shè)用戶a和用戶c都喜歡物品A和物品C，用戶b喜歡物品B，說明用戶a和用戶c具有相似的偏好，而用戶b與另外兩個(gè)用戶的偏好有較大差距，所以根據(jù)推薦的原則，物品D作為用戶c的喜好但用戶a沒有評(píng)分的物品，可以推薦給用戶a。

1.2 基于項(xiàng)目的協(xié)同過濾算法

基于項(xiàng)目的協(xié)同過濾（Item-based CF）主要思想是同個(gè)用戶可能喜歡的是相似的物品，即“物以類聚”。該算法通過分析用戶的行為喜好找到相似的項(xiàng)目，而與項(xiàng)目本身的特點(diǎn)無關(guān)，再根據(jù)用戶對(duì)項(xiàng)目的偏好程度向其推送類似或相關(guān)的物品，邏輯示例如圖2所示。

假設(shè)用戶a與用戶b喜歡的共同項(xiàng)目是物品A和物品C，可以認(rèn)為物品A與物品C比較相似，喜歡物品A的都喜歡物品C，所以會(huì)把物品C推薦給喜歡物品A的用戶c。

1.3 基于模型的協(xié)同過濾算法

基于模型的協(xié)同過濾算法一般針對(duì)部分用戶對(duì)部分物品有評(píng)分?jǐn)?shù)據(jù)，而其余部分沒有評(píng)分記錄，這是要用已知部分稀疏數(shù)據(jù)來預(yù)測(cè)那些空白的用戶和物品之間的評(píng)分關(guān)系，再將預(yù)測(cè)的高評(píng)分物品推薦給用戶。

基于模型的協(xié)同過濾算法與上述兩種算法有著本質(zhì)區(qū)別，前者是在尋找關(guān)聯(lián)的鄰居前建立用戶偏好模型，再后使用訓(xùn)練好的模型分析用戶喜好的實(shí)時(shí)信息，預(yù)測(cè)用戶與物品間的喜好關(guān)系，最終確認(rèn)喜好程度高的物品并推薦給用戶?；谀Ｐ偷膮f(xié)同過濾算法離線訓(xùn)練算法模型，運(yùn)用機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘等技術(shù)，并使用訓(xùn)練的模型在線預(yù)測(cè)未知商品的得分，這種算法的優(yōu)勢(shì)是預(yù)測(cè)精度較高、節(jié)省訓(xùn)練空間且預(yù)測(cè)速度快，但是不足之處是其訓(xùn)練模型花費(fèi)較長(zhǎng)時(shí)間。建立模型常見的方法有聚類算法、關(guān)聯(lián)算法、矩陣分解、回歸算法等。

1.4 三類協(xié)同過濾算法的適用性

基于用戶的協(xié)同過濾向用戶推薦興趣相似的人也喜歡的物品，而基于項(xiàng)目的協(xié)同過濾給用戶推薦與其以往喜歡的物品類似的物品。從兩種算法的原理可以看出，基于用戶的協(xié)同過濾推薦的結(jié)果更多是反映與用戶興趣相投的群體中的熱門產(chǎn)品，具有較強(qiáng)的社交特性，這樣的特點(diǎn)適合用戶少、商品多、實(shí)效性強(qiáng)的情況。另外，使用該算法還可以令用戶發(fā)現(xiàn)更多的驚喜，其為用戶推薦的物品是與之興趣相同的用戶喜好所在，可能使其找到以往未察覺的興趣，從而產(chǎn)生更大的驚喜感?；陧?xiàng)目的協(xié)同過濾推薦的結(jié)果反映更多的是用戶的歷史興趣，具有更加個(gè)性化的特性，所以該算法更適用物品少、用戶多且用戶興趣較為穩(wěn)定，物品更新速度較慢的場(chǎng)景，維持用戶的興趣傳承。

基于模型的協(xié)同過濾是在當(dāng)以上兩種算法出現(xiàn)需要使用較大內(nèi)存計(jì)算相似度時(shí)，利用模型直接計(jì)算預(yù)測(cè)值，而不需要將商品及用戶信息全部放在內(nèi)存中計(jì)算，解決了基于用戶與基于項(xiàng)目的協(xié)同過濾算法中內(nèi)存不足或計(jì)算復(fù)雜等問題產(chǎn)生的影響。

2 電子商務(wù)平臺(tái)的需求導(dǎo)向

2.1 商品評(píng)價(jià)缺乏參考統(tǒng)一性

在電商平臺(tái)中，不同用戶或不同方式的評(píng)分?jǐn)?shù)據(jù)可能處于不同的評(píng)價(jià)范圍，如常見的包括5分評(píng)價(jià)制、百分評(píng)價(jià)制和星級(jí)評(píng)價(jià)制，且在不同評(píng)價(jià)方法內(nèi)，消費(fèi)者對(duì)商品的描述依據(jù)更加多元，使得傳統(tǒng)比對(duì)方法無法提取不同類型用戶或不同類型商品的特征信息，造成參考性不強(qiáng)。

2.2 客商匹配缺乏選擇專業(yè)性

現(xiàn)有電商平臺(tái)往往沒有足夠的專業(yè)技術(shù)評(píng)估客戶和商家之間的匹配度，如客戶實(shí)際需求與商家產(chǎn)品特點(diǎn)和服務(wù)優(yōu)勢(shì)間未形成最高效銜接。原因在于電商平臺(tái)的技術(shù)規(guī)則不能充分考慮到不同行業(yè)、不同類型的客戶和商家之間的差異性，使得客戶和商品的分類特征總結(jié)不全。這可能導(dǎo)致一些商家無法展示其獨(dú)特的產(chǎn)品和服務(wù)，以及一些客戶無法得到滿足其專業(yè)需求的服務(wù)。

2.3 商品推介缺乏精準(zhǔn)過濾性

電商平臺(tái)商品種類和數(shù)量的快速增加使得客戶獲取的商品質(zhì)量、價(jià)格、功能等產(chǎn)生偏差，算法可能將某些群體的商品需求視為次要需求，導(dǎo)致這部分用戶缺乏相應(yīng)商品的推薦。此外，一些商家往往通過付費(fèi)排名、促銷活動(dòng)等方式引導(dǎo)用戶購(gòu)買特定商品，甚至有可能利用大量虛假評(píng)價(jià)和吹噓營(yíng)銷手段來騙取消費(fèi)者信任。這種商家引導(dǎo)的方式會(huì)極大影響用戶的消費(fèi)決策和購(gòu)物體驗(yàn)。

3 面向電子商務(wù)的協(xié)同過濾算法實(shí)現(xiàn)

針對(duì)電子商務(wù)平臺(tái)的現(xiàn)存問題，三類協(xié)同過濾算法能夠?qū)崿F(xiàn)較好的解決。電子商務(wù)智能推薦系統(tǒng)的總體結(jié)構(gòu)如圖3所示。

在電商平臺(tái)實(shí)行推薦的實(shí)際應(yīng)用中，協(xié)同過濾算法包含更多需要考慮的因素，比如數(shù)據(jù)預(yù)處理、相似度計(jì)算、推薦生成和評(píng)估等步驟。其中，數(shù)據(jù)預(yù)處理是確保數(shù)據(jù)質(zhì)量的關(guān)鍵步驟；而相似度計(jì)算則是識(shí)別出和目標(biāo)用戶興趣相似的其他用戶或商品的關(guān)鍵環(huán)節(jié)；推薦生成和評(píng)估則是確保推薦結(jié)果準(zhǔn)確性和有效性的重要步驟。

圖3 電子商務(wù)智能推薦系統(tǒng)的總體結(jié)構(gòu)

3.1 數(shù)據(jù)預(yù)處理

針對(duì)評(píng)價(jià)缺乏參考統(tǒng)一性的問題，推薦系統(tǒng)在收集完用戶的行為信息后，需要對(duì)這些復(fù)雜的數(shù)據(jù)進(jìn)行預(yù)處理，其中包含兩個(gè)關(guān)鍵的步驟：（1）減噪。目的是去除用戶數(shù)據(jù)中的異常值或干擾項(xiàng)，以保證計(jì)算相似度時(shí)得到的結(jié)果更加準(zhǔn)確。（2）歸一化。目的是將不同維度的數(shù)據(jù)統(tǒng)一到同一尺度上，以消除量綱和單位的影響，使得不同維度之間相似度有可比性。

需要通過數(shù)據(jù)的歸一化將不同用戶的評(píng)分?jǐn)?shù)據(jù)映射到0～1的區(qū)間內(nèi)，從而保證計(jì)算出來的相似度更加準(zhǔn)確。再將預(yù)處理過的數(shù)據(jù)構(gòu)成一個(gè)用戶-商品評(píng)分矩陣R，如式（1）所示：

其中，橫向代表用戶對(duì)商品的評(píng)分；縱向代表商品獲得的用戶評(píng)分。m表示用戶；n表示項(xiàng)目；mi表示第i個(gè)用戶；nj表示第j個(gè)項(xiàng)目；Rminj表示第i個(gè)用戶對(duì)第j個(gè)項(xiàng)目的評(píng)分，其中數(shù)值的大小代表用戶對(duì)商品的興趣程度。

3.2 相似度計(jì)算

針對(duì)客商匹配缺乏選擇專業(yè)性的問題，系統(tǒng)將構(gòu)建的矩陣中每一行抽取出來，即代表每個(gè)用戶對(duì)所有商品的喜好程度；而將矩陣中的列向量抽取出來，代表的是所有用戶對(duì)一種商品的評(píng)價(jià)值，再計(jì)算出每?jī)蓚€(gè)行向量或列向量之間的相似度，便等同于基于用戶和基于項(xiàng)目的相似度評(píng)價(jià)值。計(jì)算相似度最常用的方法有杰卡德相似系數(shù)、余弦相似度及歐式距離等。以余弦相似度為例，其原理為衡量向量間的夾角大小，夾角越小，余弦相似度越大，即用戶或商品的相似度越大，定義如式（2）所示：

其中，u和v可以為兩用戶或兩商品向量。計(jì)算出相似度后將用戶或商品進(jìn)行排序，利用k最近鄰算法思想，選取相似度最高的前K個(gè)鄰居組成最近鄰集合。

3.3 電子商務(wù)智能推薦結(jié)果

針對(duì)商品推介缺乏精準(zhǔn)過濾性的問題，選取用戶或商品的近鄰集合后，根據(jù)相似度權(quán)重預(yù)測(cè)近鄰集合中包含商品的評(píng)分，計(jì)算得出商品的預(yù)測(cè)評(píng)分并按照降序排序，最后采用Top-N方法向目標(biāo)用戶推薦前N個(gè)商品。在基于用戶的協(xié)同過濾推薦算法中，用戶i對(duì)商品j的預(yù)測(cè)評(píng)分見式（3）：

其中，U為用戶i在商品j上有評(píng)分的最近鄰集合；k為集合中的一個(gè)相似用戶；Rk，j為用戶k對(duì)商品j的評(píng)分。基于項(xiàng)目的協(xié)同過濾推薦算法與之類似，將用戶的近鄰集合及用戶間的相似度換為商品的相關(guān)數(shù)據(jù)即可。

需要注意的是，在預(yù)測(cè)過程中，由于用戶行為的不確定性，算法可能存在誤差，因此需要根據(jù)實(shí)際情況對(duì)預(yù)測(cè)結(jié)果進(jìn)行一定的評(píng)估和優(yōu)化，以提高推薦算法的準(zhǔn)確性和推薦效果。

4 電子商務(wù)協(xié)同過濾推薦算法的實(shí)現(xiàn)條件

雖然基于協(xié)同過濾的推薦技術(shù)在電子商務(wù)中應(yīng)用的可行性較高，但是隨著電商規(guī)模的擴(kuò)大發(fā)展及數(shù)據(jù)量的增長(zhǎng)，協(xié)同過濾技術(shù)在實(shí)際運(yùn)用中仍需滿足以下條件。

4.1 冷啟動(dòng)條件

冷啟動(dòng)問題一般為新項(xiàng)目或新用戶面臨的問題，對(duì)于商品而言，一個(gè)新的商品投入電商平臺(tái)，如果沒有任何關(guān)于用戶對(duì)它的評(píng)價(jià)數(shù)據(jù)，那么這個(gè)商品就不可能被推薦給用戶；對(duì)于一個(gè)新用戶而言，由于未在該電商平臺(tái)留下評(píng)價(jià)、收藏和購(gòu)買等相關(guān)偏好記錄，推薦系統(tǒng)就不知道新用戶的興趣所在，無法為其推薦喜歡的商品，這就令電子商務(wù)平臺(tái)因無法為新用戶提供準(zhǔn)確的推薦而導(dǎo)致用戶流失。解決冷啟動(dòng)問題最直接的方法就是直接詢問用戶相關(guān)偏好信息，以獲得為其推薦的支撐數(shù)據(jù)，現(xiàn)諸多平臺(tái)會(huì)在新用戶注冊(cè)時(shí)采用這種方法獲取他們的喜好信息。

4.2 數(shù)據(jù)稀疏性條件

稀疏性條件是影響推薦系統(tǒng)質(zhì)量的重要因素，隨著使用電子商務(wù)平臺(tái)用戶數(shù)的增多，大量商品隨之涌現(xiàn)，用戶評(píng)價(jià)的項(xiàng)目數(shù)據(jù)只占總數(shù)據(jù)的一小部分，這樣得到的就是非常稀疏的用戶-項(xiàng)目評(píng)分矩陣。據(jù)統(tǒng)計(jì)，在一個(gè)實(shí)際應(yīng)用的推薦系統(tǒng)中，用戶對(duì)項(xiàng)目的評(píng)分?jǐn)?shù)據(jù)通常低于1%，因此在計(jì)算用戶或項(xiàng)目的相似性時(shí)，精確率會(huì)隨之降低，導(dǎo)致最終的推薦質(zhì)量大幅度降低。商品存在的評(píng)分越多，推薦的質(zhì)量就越高，所以熱門的頭部商品很容易找到大量的相似物品，稀疏性問題會(huì)令沒有交互的或較低交互的尾部商品無法實(shí)現(xiàn)推薦。解決稀疏性問題可以使用空值填補(bǔ)、結(jié)合內(nèi)容過濾、降維等方法，它們從不同的角度增加計(jì)算相似性的可考慮因素，以改善數(shù)據(jù)稀疏引起的問題。

4.3 擴(kuò)展性條件

大數(shù)據(jù)時(shí)代下，電子商務(wù)平臺(tái)的數(shù)據(jù)量增長(zhǎng)迅速，使得推薦系統(tǒng)的可擴(kuò)展性問題成為一個(gè)重要的關(guān)注點(diǎn)。數(shù)據(jù)的急劇增長(zhǎng)會(huì)阻礙算法計(jì)算用戶或項(xiàng)目的相似度，尤其是當(dāng)面對(duì)系統(tǒng)龐大的數(shù)據(jù)時(shí)，推薦系統(tǒng)的計(jì)算效率急劇減慢，難以實(shí)時(shí)計(jì)算出準(zhǔn)確的推薦結(jié)果。矩陣分解、聚類和數(shù)據(jù)集縮減等方法都是用來解決擴(kuò)展性問題的常見方法，它們的主要原理是通過降低用戶-商品評(píng)分矩陣的維度或減小近鄰搜索范圍，以提高推薦的效率。在解決擴(kuò)展性問題時(shí)需要注意，在保證準(zhǔn)確性的前提下，盡量提高算法的效率，以平衡算法的效率和準(zhǔn)確性。

4.4 信息利用條件

協(xié)同過濾的特點(diǎn)是僅利用用戶與物品的交互信息，而與物體或用戶自身的屬性無關(guān)。此特點(diǎn)使推薦系統(tǒng)更簡(jiǎn)單高效地進(jìn)行推薦，但也帶來了不足，因?yàn)槲催\(yùn)用如用戶年齡、用戶性別、商品種類等用戶及商品的特征，導(dǎo)致這些有效信息的遺漏，不能充分利用各個(gè)方面的特征數(shù)據(jù)。為解決這個(gè)問題，推薦系統(tǒng)可以采用邏輯回歸等機(jī)器學(xué)習(xí)模型來綜合不同類型的特征，從而提升推薦效果。

5 結(jié)語

隨著電子商務(wù)中數(shù)據(jù)量爆炸式的增長(zhǎng)，電商平臺(tái)需要針對(duì)不同用戶做出個(gè)性化推薦的推薦技術(shù)來提升電商服務(wù)水平及效率，智能推薦技術(shù)還可以為買家快速選擇所需商品提供了更為快速準(zhǔn)確的途徑。電商平臺(tái)運(yùn)用協(xié)同過濾推薦算法構(gòu)建電子商務(wù)推薦系統(tǒng)，并結(jié)合不斷增大的信息數(shù)據(jù)規(guī)模，針對(duì)算法實(shí)現(xiàn)的困難與挑戰(zhàn)，需從多維角度創(chuàng)造實(shí)現(xiàn)條件。

參考文獻(xiàn)

王娜.基于某電商平臺(tái)用戶行為的個(gè)性化推薦[D].蘭州：蘭州財(cái)經(jīng)大學(xué)，2021.

李加軍.基于協(xié)同過濾的電子商務(wù)智能推薦方法研究[J].微型電腦應(yīng)用，2022，38（3）：70-72.

朱梟帥.基于混合方法的電商推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].西安：西安電子科技大學(xué)，2020.

崔春生，杜柏瀚，王雪.基于分層序列的移動(dòng)電子商務(wù)推薦系統(tǒng)策略研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2020，50（8）：12-21.

于宏禮.電子商務(wù)環(huán)境下消費(fèi)者在線購(gòu)買意愿的影響因素研究[J].中國(guó)商論，2022（6）：72-74.

陳勇.基于協(xié)同過濾算法的旅游推薦系統(tǒng)的設(shè)計(jì)[J].價(jià)值工程，2022，41（30）：160-162.