基于用户兴趣模型电子商务网站推荐技术比较及启示.docVIP

基于用户兴趣模型电子商务网站推荐技术比较及启示 　　[摘要]介绍用户兴趣模型、推荐系统以及协同过滤推荐技术、基于内容、基于人口统计、基于知识、基于效用、基于关联规则的推荐技术等主流推荐技术，并对六种推荐技术从应用角度进行深入比较研究，最终提出将协同过滤推荐技术、基于关联规则的推荐技术与基于效用的推荐技术综合运用的组合推荐技术的构思，认为应当构建以用户为中心、基于用户兴趣模型的推荐技术。 　　[关键词]电子商务　兴趣模型　推荐技术　用户模型 　　[分类号]F713 　　 　　1 引 言 　　 　　电子商务技术近年来发展极为迅速，给企业的生产经营，也给人们的日常生活和生产带来深刻的影响。传统的商品交易行为和流程开始逐渐向网络交易转移。电子商务的快速发展也催生了一些基于电子商务的企业的繁荣发展，如阿里巴巴、慧聪、淘宝、拍拍、易趣、Amazon等。用户在电子商务环境下可获取的信息是以往传统商业模式所无法比拟的，然而随之而来的“信息超载”问题在很大程度上影响了电子商务企业在用户群体中的受欢迎程度。这就促使电子商务企业开发个性化的推荐系统，协助用户从海量信息中寻得自己的所需信息，这也是企业在激烈市场竞争中盈利的关键。因此，在电子商务环境下，对用户兴趣模型以及基于用户兴趣模型的推荐技术进行研究，不仅有利于企业电子商务站点的改善创新，而且对电子商务的发展更有极其重要的意义。 　　 　　2　用户兴趣模型与电子商务推荐技术 　　 　　2.1　用户兴趣模型 　　用户模型是用于存储用户的兴趣、存储和管理用户的行为历史、存储学习用户行为的知识和进行相关推导的知识的功能集合，即对用户感兴趣的信息的可计量描述…。它用于捕捉并记录用户的需求兴趣和用户行为的历史，通过建立模型来记录、管理用户的兴趣，描述用户可能的潜在兴趣需求。电子商务系统建立这种用户兴趣模型的主要目的在于利用该模型推断客户在某种环境下的购物意图，并通过系统判断，主动对其提供服务和帮助，进而增加本企业的盈利。网络环境下，全球各地的用户通过网络访问海量的电子商务站点，总是希望可以直接获取或者不用耗费太多时间精力获得自己所需信息，这就要求系统可以根据用户兴趣主动推荐信息，并对查询结果进行处理使之按照客户的需求呈现，因而电子商务系统必须为访问该站点的用户建立用户兴趣模型，将其商品资讯主动推送给客户并对查询结果进行分类排列，帮助用户快速准确地从繁杂的信息资源中获取有用信息，为用户提供个性化服务。 　　 　　系统获取用户模型一般可以通过两种方式实现：用户显性反馈和用户隐性反馈。所谓显性反馈是指用户初次访问系统时，系统通常通过表的形式让用户回答预设的一些问题，用户通过填表主动提交个人的兴趣点和背景信息等资料，直接参与到建模的过程；隐性反馈是指用户直接访问系统，系统在观察用户行为的基础上，通过其检索关键词、浏览方式等进行推理进而获得用户兴趣模型，这种方式并不需要用户主动提交个人兴趣点，而是通过系统自主学习。前者由于是用户个人主动提供，通常比较具体、直观、可靠性较高，但是会占用大量的用户时间，招致用户的反感；后者完全依靠系统学习来进行推断构建模型，节省用户时间。笔者建议用户兴趣模型的构建采用显性反馈和隐性反馈相结合的方式，即用户初次访问系统时回答少量且必要的问题，系统据此建立用户兴趣的初始模型；系统在用户使用过程中，动态地对用户行为进行学习，推断用户兴趣点，更新初始和逐步完善用户兴趣模型。 　　2.2　电子商务系统的推荐技术 　　电子商务环境下，企业为了赢得更多的客户资源，一个比较理想的做法是把客户真正需要的信息推送到客户面前以吸引客户的关注。为了更快、更准确地分辨客户，有效利用客户信息进而为客户提供服务，诸多电子商务企业纷纷引入电子商务推荐系统。推荐系统的基本作用在于：一方面使用户从无限多的网络资源和商品世界中解脱出来，在很大程度上节约用户采购商品的时间和成本；另一方面，其提供的个性化推荐服务将更多的电子商务站点浏览者转变成商品的购买者，同时也提高了用户对电子商务站点的忠诚度，提高电子商务网站的交叉销售能力，为电子商务企业赢得更多的发展机会。推荐系统的最大优点在于它可以收集电子商务站点用户的兴趣资料，并根据用户兴趣偏好主动为用户推荐商品，做到个性化服务。目前的推荐技术主要有以下几种： 　　?协同过滤推荐技术。大致可分为两种：基于用户的协同过滤和基于项目的协同过滤。前者认为每个用户都属于某一用户群，该用户群具有与其相似的兴趣爱好和行为；后者认为用户更倾向于选择与其之前已购买的项目相类似的一些项目。其基本做法是收集用户的注册信息、用户对项目的评价信息以及用户的购买记录等可以推测其兴趣点的数据信息，对用户已购的商品建模，建立M*N阶用户评分矩阵user*i-tems，再运用k一最