CACER一种基于疯狂蚁群算法电子商务模型.docVIP

CACER一种基于疯狂蚁群算法电子商务模型 　　摘要： 为了解决电子商务在线营销中的信息阻塞等问题，提出了一种新型的、高效的推荐系统模型。给出了该系统模型中采用的疯狂蚂蚁算法，并描述了它的消息结构和处理流程，最后给出了一个系统应用实例和性能对比结果。仿真实验表明该模型在实时性和客户满意度上超过了传统系统。 　　关键词： 电子商务；推荐模型；蚁群算法；匹配；算法 　　中图分类号：TP393 文献标识码：A 文章编号：1006-4311（2013）32-0014-03 　　0 引言 　　在过去十年中，电子商务已经成为了一个集成的系统工程；其中海量的营销网页使得客户的选择变得低效而无趣——客户过去面对的商品信息较为有限，而今在网上信息爆炸导致了客户的信息过载问题。为解决这一问题，互联网研究人员采用了诸多办法提高客户的信息检索效率；近年来，网店也应用了大量的有效方法改善其营销策略，其中一种方法就是获取和分析客户的偏好信息，从而主动向客户提供他们感兴趣的商品目录等信息，而不是被动等待客户自己检索相关信息；经过一定时间的实验与应用，这种被称之为“推荐”的在线营销方法，已经证明是信息过载的一种有效解决手段。 　　总的来说，推荐系统是根据客户的个性化需求、兴趣习惯等信息，将客户感兴趣的商品、服务等相关信息推荐给客户的个性化信息智能处理系统。和搜索引擎相比，它能够通过研究客户的兴趣偏好，进行个性化处理，由系统发现客户的兴趣点，从而引导其发现自己的信息需求。目前这些系统已经广泛应用于电影、音乐、网页等方面的在线营销。 　　进来，越来越多的推荐系统尝试使用各类先进算法提高其推荐效果；根据基础算法的不同，可将推荐系统分为三类：基于内容的推荐、协同过滤推荐以及组合推荐。目前，协同过滤推荐系统最为流行。协同过滤推荐系统往往采用最近邻匹配算法，利用客户的历史喜好信息计算客户之间的距离，然后利用目标客户的最近邻居客户对商品评价的加权评价的绝对值来判断客户对特定商品或服务的喜好程度，从而根据这一喜好程度来对目标客户进行推荐。协同过滤对推荐对象没有特殊的要求，并且能处理非结构化的复杂对象，如音乐、电影，因此在电子商务领域应用较广。 　　蚁群优化算法（ACO）是一个相对较新的启发式算法，能够有效的进行局部搜索，并解决相应组合优化问题，如推荐等[8]；该算法模拟了自然界中蚁群寻找食物的过程，从而寻找问题的最有效的途径。第一个蚁群算法是由clolrni等人开发，并成功地应用于旅行商问题（TSP）。而bulleneimer等人基于这种基本思路，设计了路径选择优化解决方案，并随之提出了一种改进的蚁群算法。因为推荐问题是非常复杂的，而基本的蚁群算法不能直接应用，并满意的系统的性能需要；因此，许多研究人员都提出了新的方法来提高改进方案来解决一系列不同的问题。 　　上述研究成果，成功证明了蚁群算法与其他算法来解决各类大规模复杂问题的可能性；基于他们的启发，本文提出了一种新型的电子商务推荐系统模型（CACER： crazy ant colony E-commerce recommendation）。本文其他部分安排如下：第二部分总结传统推荐系统的不足，并提出系统模型；第三部分，给出疯狂蚁群算法及其应用，包括算法数据结构、运行流程等。最后两部分分别给出仿真实验结果，并总结全文。 　　1 系统模型 　　基于推荐算法的不同，推荐系统通常可以分为以下三类： 　　①基于内容的推荐系统：此类系统能够根据客户对内容的偏好，自动检索过滤众多内容，选择一些与客户偏好匹配度高的信息推荐给客户，并能够依据相似度的高低顺序，产生推荐商品列表。由于其信息依赖程度较低，因此被应用在NewWeeder、Tapestry、InfoFinder、Mooney等系统中。 　　②基于协同过滤的推荐系统：此类系统基于一组兴趣相同的客户或项目进行推荐，它根据邻居客户（与目标客户兴趣接近或相似的客户）的偏好信息产生对目标客户的推荐列表，因此适合于客户数量较大的电子商务系统，目前已被应用在Amazon、Linden、Smith、and York、Sarwar： Sarwar、Karypis、Konstan、Riedl、Hofmann等系统中。 　　③组合推荐系统按不同的需求，采取不同的混合策略将不同推荐类型或推荐算法进行组合并推荐。例如，Adomavicius和Tuzhilin等提出了一种基于上下文感知的推荐系统，该系统将传统的“用户-项目”二维评分效用模型拓展为包含多种上下文信息的多维评分效用模型，因此取得了较好的精度和客户满意度。 　　我们的系统模型基于内容推荐，并根据疯狂蚁群算法进行了改造和创新，系统的整体结构描述如下（图1）。该模型中，应用了部分的传统模块用于实现推荐系统，例如商品的联