个性化推荐在智能化电子商务中的应用.docxVIP

个性化推荐在智能化电子商务中的应用 1 提供个性化推荐 个性化推荐系统是根据用户的个人喜好和习惯推荐信息和商品的程序。电子商务网站可以使用推荐系统分析客户的消费偏好,向每个客户有针对性地推荐产品,帮助客户从众多商品目录中挑选适合自己的商品。个性化推荐系统可以跟据每个客户的喜好,帮助用户检索有用信息,进而通过合适的推荐,将一个浏览者变为购买者,不仅可以促进销售,而且有利于提高客户的忠诚度。推荐系统已经成为电子商务的研究热门之一。 2 向用户推荐兴趣 个性化推荐技术通过收集和分析用户信息来学习用户的兴趣,采用合适的推荐方式向用户推荐其感兴趣的商品。本文从用户兴趣模型(User Profile)的表示、个性化推荐技术等几个方面进行讨论。 2.1 用户对文件的满意 用户建模是指从有关用户兴趣和行为的信息(如浏览内容、浏览行为、背景知识等)中归纳出可计算的用户模型的过程。 2.1.1 新设计的知识简介 它的基本思路是:将一篇文档表示成一个向量,那么相似的文档就具有相似的文档向量。用户兴趣是多方面的,可以根据其浏览过的文档选取合适的关键词来表达用户兴趣,首先从预定义好的关键词表中选取词来描述训练文档,为每个词都创建一个分类器,新文档将被每个分类器处理,对该文档有意义的词就赋予该文档。这样用户兴趣模型p可以表示为一个关键词的矢量 u=kw1,kw2,…,kwn 其中kwi表示第i个主题词出现的次数或权重,矢量的维数n一般是固定的,用来描述关键词的数量。其权重大小由下式计算:IDF=log(D/DF), 其中D为文档集中的文档个数,DF指整个文档集合中包含此关键字的文档个数,DF越大,该关键字代表文档的能力就越小,然后计算 kwi=TF*IDF TF指某个关键字kwi在文档中出现的次数,TF越大,关键字就越能代表文档。显然,TF*IDF能有效地表示关键字的重要性。 采用向量空间法的用户兴趣学习,可以比较精确地学习到用户的兴趣,但它只对于用户提交正例的情况有效,不能处理用户同时提供正例和反例的情况。 2.1.2 第二概率模型 概率模型基于概率排序原理,考虑了词条之间、文档之间的内在联系,把文档集的文档分为相关文档和无关文档。根据概率论方法,通过赋予词某种概率值来表示这些词在相关和不相关文档之间出现的概率,然后计算文档之间相关的概率,系统据此概率值做出决策。 概率模型有多种形式,常见的一种称为第二概率模型。其基本思想是把词的概率值看作是对重复若干次相关性的计算结果,每重复一次,就由用户对检出文档进行人工判断。然后利用反馈信息并根据每个词在相关文档集合和无关文档集合的分布情况计算它们的相关概率,在该模型中,词的权值设计为logp(1?p)p′(1?p)logp(1-p)p′(1-p),式中p,p′分别表示某词在相关文档集和无关文档集中出现的概率。某一文档的权值是它所含标引词权值之和,于是文档与用户查询相关概率可定义为 S(D?Q)=∑i?1nlogpi(1?pi)pi′(1?pi′)S(D?Q)=∑i-1nlogpi(1-pi)pi′(1-pi′)。 概率模型的优点是采用了经典的数学理论为依据,文档可以按照其相关概率递减的顺序排序。缺点是存储和计算资源的开销加大,参数估计难度大。 2.2 个性化商品推荐 在了解用户的兴趣爱好之后,就可以根据用户模型对用户进行个性化的商品推荐了。可以采用基于规则的推荐技术、基于内容的过滤技术、协作过滤技术和混合推荐技术。 2.2.1 规则推荐—基于规则的推荐技术 基于规则的推荐是指根据事先生成的规则向用户推荐信息的方式。一个规则本质上是一个If-Then 语句。规则可以利用用户静态属性来建立,也可以利用用户动态信息来建立。信息推荐时的工作过程是这样的:首先根据当前用户阅读过的感兴趣的内容,通过规则推算出用户还没有阅读过的感兴趣的内容,然后根据规则的支持度(或重要程度),对这些内容排序并展现给用户。比如事先生成的适合于某用户的购买规则是“如果购买了牛奶,就会同时购买面包”,那么当用户再次浏览牛奶相关的商品时,网站可以同时向用户推荐与面包相关的信息。基于规则的推荐方式较多地应用于电子商务网站,根据用户浏览和购买的日志生成规则,向用户推荐感兴趣的商品。基于规则的系统如IBM 的WebSphere、BroadVision、ILOG等。其优点是简单直接,缺点是规则质量很难保证,而且不能动态更新,此外,随着规则的数量增多,系统将变得越来越难以管理。 2.2.2 基于内容过滤的系统 基于内容的推荐是指通过比较资源与用户模型的相似程度向用户推荐信息的方式,它是从客户喜欢的产品的内在特点出发来考虑推荐的目标。它的关键问题是相似度计算。以书名为例,首先从文本中略去一些辅助性的词汇,提取出关键字,然后用户兴趣模型u与书名d的相似度定义如