电子商务推荐技术发展的新动向.pdfVIP

1 电子商务推荐技术发展的新动向 1 1 2 张光前 ，郭艳红 ，高歌 1 大连理工大学系统工程研究所，辽宁大连（116024 ） 2 吉林大学管理学院 吉林长春（130012 ） 摘 要：该文介绍两个电子商务推荐的实例，从中提炼出两种新的电子商务推荐技术：基于 广义基因的推荐和基于社会化标签的推荐，并分析了它们的特点及在发展过程中亟待解决的 问题。由于它们与现有电子商务推荐技术的原理根本不同，因此不存在现有电子商务推荐所 普遍具有的冷启动、计算复杂性、数据稀疏等问题。尽管这两种推荐技术有很大的发展前景， 但还处于萌芽状态的，需要进行深入的研究，才有可能发展为成熟的电子商务推荐技术。 关键词：个性化推荐 广义基因 标签 Web2.0 中图分类号：查阅《中国图书馆分类法》 1. 引 言 网站的推荐机制是电子商务或内容网站的核心功能之一。目前几乎所有大型的电子商务 系统，如Amazon 、CDNOW、Netflix 等，都不同程度上使用了各种形式的推荐系统。出色 的推荐机制会留住老用户，吸引新用户。 [1]，而在实际应用中发 电子商务推荐是一种个性化推荐。其核心问题是发现用户的偏好 现用户偏好是一个非常具有挑战性的问题，于是有些推荐技术就退而求其次，找到与目标用 户兴趣相近的一组用户即可。也就是说，以前的行为选择与你相似的用户，在以后的行为中 很可能也会和你相似。这可以看作是现有电子商务推荐技术的基本原理。 现有的电子商务推荐技术可分解为数据和算法两个层次。个性化推荐是数据优先的，目 前所用的数据主要有：用户浏览历史记录、对商品的评价（评分）、购买记录、用户个人信 息等等能够显式或者隐式体现出用户喜好的数据。通常，数据的积累越多对推荐的精度就越 有好处；算法层就是具体的个性化推荐算法，如协同过滤、关联规则、效用函数、统计分析 等；两者的有机结合就形成了协同过滤推荐、基于内容推荐、基于人口统计推荐、基于效用 推荐、基于知识推荐等各种推荐技术。 于是，现有的电子商务推荐技术可以表示为： 电子商务推荐技术＝F （数据（含使用方向），算法） 值得说明的是，有的电子商务推荐技术专指算法一项，而这里的推荐技术则包括数据及 其使用的一个完整的过程。 例如，迄今为止，协同过滤（Collaborative Filtering ）技术是应用最成功的个性化推荐 技术[2]，也是解释上面公式的最佳例子。首先，用户相关的最初数据转化为用户－商品之间 关系的矩阵（这里是用表格表示的，如图1 所示）。矩阵中的值可表示购买与否或对用户对 商品的评价等。这是进行推荐的基础数据。 在此基础上，横向看就是第一代基于用户（User-based ）的协同过滤技术，是通过比较 目标用户的一系列行为选择来识别出一组相互具有同好的用户；纵向看就是第二代基于内容 项的协同过滤技术，计算内容项之间的相似性比较的是内容项与内容项之间的相似度。这种 1 教育部博士点基金新教师项目（20070141037 ） - 1 - 矩阵的纵向与横向就是数据的使用方向。 具体的比较过程就是计算矩阵中横向或纵向矢量间的相似度，比较经典的有泊松相关系 数和余弦相似性等。这些构成了算法层。从数据到算法就构成了完整的电子商务推荐技术。 由于现有的电子商务推荐是建立在用户 基 于 相关数据的基础上的，因此，就