電子商务推荐.pptVIP

电子商务推荐 电子商务的迅速发展导致网络商务信息爆炸，这带来的第一个问题就是商务信息的过载(超载)，使得用户很难方便地找到自己需要的商品信息。这将影响消费者购物的心情和意愿。如何解决这个问题，将消费者留住，增强网站的吸引力，增加网站的销售量。对于电子商务网站的生存和发展是至关重要的。为解决这个问题，电子商务推荐技术应运而生。 电子商务推荐系统 电子商务推荐系统(Recommendation system)在识别消费者消费偏好的基础上模拟超市的导购人员向消费者提供信息和建议，帮助消费者快速准确地找到自己需要的商品，避免信息过载给消费者带来的烦恼。推荐系统利用统计学、人工智能、数据挖掘等技术，分析消费者在电子商务网站的访问行为，向消费者推荐他可能感兴趣的商品信息，诱导顾客的购买行为，为网站创造利润。推荐信息的准确性是推荐系统成败的关键因素。 推荐系统的作用 增加网站访问量，提升销售额。 增加单个商品被访问的机会。 增加顾客在网站的停留时间，浏览更多商品。 帮助顾客发现感兴趣的商品，提升购物体验。 将电子商务网站的浏览者转化为购买者。 提高网站的交叉销售能力。 提高客户对电子商务网站的忠诚度。 推荐系统的表现形式 搜索响应：客户提出对特定产品的查询要求，推荐系统根据要求返回高质量的推荐。 Similar Item(相似产品推荐): 推荐系统根据客户购买过或者选择的商品，推荐可能感兴趣的商品。 Email: 推荐系统通过电子邮件的方式向客户客户提供可能感兴趣的产品信息。 推荐的内容 Text Comments: 向客户提供其他客户对某个产品的评价。 Average Rating: 向客户提供其他客户对产品的等级评价。 Top-N: 按照销量对商品进行排名，将热度最高的产品列出，诱导消费者购买。 Ordered search results: 搜索排序：列出所有的搜索结果，按照客户的兴趣排序。 推荐的依据 客户的浏览行为(有显式和隐式行为)。 关键词和项目搜索行为。 消费者在本网站购买商品的历史记录。 其他用户对产品的评价。 其他购买者的购买记录。 购买者的平分记录。 产品之间的关联度数据。 产品的属性 推荐形式 建议Suggestion(single item suggestion, unordered list suggestion, ordered list suggestion)。 个体评分(individual rating): 其他客户对给定商品的个体评分。 评论(Review): 其他客户对产品的文本评价。 预言Prediction：系统对已有的评分进行的统计分析。 推荐系统构建技术(1) 基于内容的过滤(Content-based filtering)：该技术通过比较商品之间的相似性或者相关性进行推荐。这种方式忽略用户的购买行为，只考虑商品之间的相似关系。其优点是简单、有效。商品之间相似性的建模和相似度计算可以提前进行，因而推荐响应时间快。其缺点是不能区分产品信息的质量和风格，无法为用户发掘出新的感兴趣的商品。只能发现和用户感兴趣商品相似的商品。 推荐系统构建技术(2) 协同过滤(collaborative filtering): 根据本客户感兴趣的商品推荐相关产品或者根据其他已购买商品的客户的产品的关联性推荐相关的产品。这种技术不分析产品之间的相似性，只利用目标用户和历史用户购买行为的相似性。其优点是因为不考虑产品相似性，任何产品都可以推荐，能为用户发现新的感兴趣的商品。其缺点是产品可能非常分散，用户的评价可能很少。因而系统性能越来越差。 推荐系统构建技术(3) 混合型：综合利用基于内容的过滤和协同过滤技术为客户推荐可能感兴趣的产品。混合推荐技术具有前述两种推荐技术的优点，避免了两种技术的缺点。为了做到这一点需要考虑过滤的策略，是先采用基于内容的过滤，还是先采用协同过滤是很有讲究的，这需要根据具体情况灵活运用。 推荐技术基础 数据挖掘各种算法：所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程(/view/7893.htm)。数据挖掘主要可以完成下面几种任务:分类(决策树ID3、贝叶斯、后向传播、神经网络、K-means, K-nearest)、聚类、预测、相关性(关联性)分析、描述可视化等，这些都是推荐技术的基础。更深入的内容参看《数据挖掘》。 统计方法：统计分析的方法是数据挖掘的理论基础也是推荐技术的直接理论基础。 推荐技术的研究 改进现有的推荐系统，使其更加精确。 充分应用Web挖掘技术和AI技术，产生全自动化、个性化的推荐。 将推荐系统转化为市场分析的工具。 开发为卖方提供服务的推荐系统，为商品生产、销售提供推荐建议。 电子商务推荐参考文献