移动电商平台推荐系统及关键技术研究.docxVIP

移动电商平台推荐系统及关键技术研究 　　摘要：在介绍推荐系统的概念与内涵、推荐系统分类的基础上，重点阐述移动电商平台推荐系统研究过程中涉及的几项关键技术，主要包括：数据预处理技术、相似度计算技术、K最近邻分类算法技术、矩阵分解算法技术等，这是移动电商平台推荐系统开发设计过程中不可逾越的问题， 　　关键词：移动电商;平台;推荐系统;关键技术　　0引言　　移动互联网迅猛发展的趋势不可阻挡，PC互联网正在日渐式微。据中国互联网信息中心（CNNIC）2019年2月所发布的第43次《中国互联网络发展状况统计报告》显示，截至2018年12月，中国网民规模已经达到8.29亿，手机网民规模为8.17亿，占比98.6%。可见，手机在上网设备中已占據了绝对的主导地位与优势。所以，针对移动电商平台的推荐系统是一件非常有意义的工作。本文主要对推荐系统的概念与内涵、推荐系统的分类进行了介绍，并在此基础上对推荐系统的关键技术进行了阐释，　　1 推荐系统的概念与内涵　　推荐系统（Recommender System.RS）主要是在“信息过载”背景下出现的一新技术，是互联网迅猛发展过程中一种个性化信息服务的重要表现形式，这种个性化服务得以实现的重要理论基础就是“信息检索”和“信息过滤”两大技术。Resnick认为“在日常生活中，人类经常需要在对事物没有充分个人体验之前进行决策，在这种情况下，人们只能根据他人的口头意见、推荐信、影评、书评或者中立机构的调查结果做出判断”。认为推荐系统就是通过对用户提供的相关信息，进行综合分析和处理后，为用户提供有针对性的信息，推荐的过程其实是把“推荐信息”匹配给“寻求信息”的用户。Burke认为“推荐系统泛指任何可以制造并输出个性化推荐信息的系统，或者是能够在大信息对象空间中以个性化的方式引导用户找到符合兴趣或有价值的信息对象的系统”，这个定义把推荐系统的内涵进行了更准确地概括与表达。Niblock站在电子商务应用的角度对推荐系统进行考察，指出了推荐系统其实就是传统“定制营销策略”（Mass Customization）在电子商务平台上的应用与实现。推荐系统是电商平台的有机成分，通过对客户历史购买行为的综合分析与处理，以此为基础预测客户未来的购买行为，从而为具有不同兴趣和习惯的顾客提供个性化推荐与服务。　　由此可见，在不同领域，推荐系统就会有不一样的表达，很难对其作出统一的定义。不过，可以从各种不同的定义中找到其核心的内涵。从对象上看，推荐系统主要涉及两大部分：一是寻找信息的用户，二是在互联网上的海量信息。由于每个用户所要找的信息都不同，要实现电商平台上精准的信息推荐，就必须分析、研究用户的行为、兴趣、习惯和兴趣偏好等个性化的信息。通过构建用户的知识模型、兴趣模型等，能推算用户特征的模型，最终把符合用户特征与用户兴趣的信息准确地提供给客户，这就是推荐系统最为本质的内涵。　　2 推荐系统的分类　　2.1 基于内容过滤的推荐　　基于内容推荐算法（Content-Based Filtering.CBF）最关键的就是“信息检索技术”，信息检索领域中的重要技术和成果都被这种推荐算法采用。这种算法最基本的思想就是根据用户在网站或平台上留下的历史操作记录（如购买记录、浏览历史、收藏记录、分享行为等）分析与预测用户的兴趣与偏好，在此基础上进行建模，深入挖掘用户的相关数据，进而准确推测用户可能会做出的行为，从而把用户感兴趣的信息精准推荐给用户。基于内容的推荐算法，最关键的步骤就是要计算出：项目信息和用户兴趣的相似度，然后把相似度的计算结果进行比较和鉴别，最终把相似度最高的项目，精准地推荐给目标客户。例如，在电商平台上，基于内容推荐的系统就会通过对用户浏览记录、收藏记录、购买记录、分享行为的综合分析，有针对性地给客户推荐评价最好的商品项目。　　基于内容推荐算法的计算如公式（1）所示：　　基于内容推荐算法的关键技术就是如何准确、有效地抽取商品项目的共同特征。普通文本值项目共同特征的抽取相对容易，通过文本项目关键字特征的提取，然后利用F-IDF（Ternl Frequency-InverseDocument Frequency）计算并确定关键字的权重即可。　　计算公式（1）中，假设电商平台上总项目数为n.第j个项目为Ij，该项目的第i个关键字就是Ki，Ki的权重为ωij。总项目数N的关键字为ni。关键字Ki在Ij中出现的次数为fij，出现的词频为TFij，在项目总数N中的出现的频率IDFi，fij反映出来的就是Ki在项目Ij的权重，关键字k.出现频率的最大值为maxzfzj。　　2.2 基于协同过滤的推荐　　基于协同过滤推荐（Collaborative Filtering.CF）是所有算法中应用最广的一种。“协同过滤”