探讨推荐系统在电子商务中的应用

DOI:10.16707/j.cnki.fjpc.2018.08.044

建电脑

COMPUTER

探讨推荐系统在电子商务中的应用

吕福春S Wei Qiu2

(1 福建工程学院福建福州 350118; 2 Fayetteville—Manlius High School, Manlius, NY 13104，USA)

【摘要】随着科学技术和信息技术的蓬勃发展，人们会遭遇信息过载的难题。而推荐系统通过对用户行为特征进行 分析，将用户和商品联系起来，向用户推荐其可能需要的信息，可以很好地解决这一难题，从而实现消費者和生产者的 共臝。个性化的推荐系统被广泛应用于电商领域，和大数据以及AI —样，将成为一种趋势。本文通过对推荐系统中涉及 的算法进行研究和归纳，以求使其更好地应用于电子商务领域。

【关键词】协同过滤；数据挖掘；个性化

总的来说，推荐系统是一个巨大的研究领域。在各种应用 中，多多少少都有推荐系统的身影。小到文章推荐，大到以用户 为导向的广告的推送。

一、 推荐系统的含义与意义

(一） 推荐系统和搜索引擎的涵义与区别

通过对互联网中各大电子商务网站的研究，我们不难发现: 推荐系统和搜索引擎常常被作为一对互补工具来使用。推荐系 统和搜索引擎一样，其诞生都是为了解决信息过载的问题，使用 户方便快捷地找到对自己有用的信息。和搜索引擎不同的是，推 荐系统可以在用户没有明确需求下，通过分析用户的历史行为， 给用户的兴趣建模，从而帮助用户发现其感兴趣的新内容。

(二） 推荐系统在电子商务中的作用

因此，推荐系统作为一种工具，最早被应用于电子商务领 域，同时也在目前的电子商务领域中被广泛使用。从物品的角 度出发，推荐系统可以更好地发掘物品的长尾，从而提高总体 的销售额。在当今的互联网条件下，由于电子商务网站的成本 远远低于实体店，电子商务网站往往能销售的商品数量比实体 店多得多。对于电子商务网站来说，主流商品只占了所有商品 的一小部分，剩下的绝大部分商品都属于长尾商品，所以长尾 商品的总销售额将是一个不可小覷的数字。如果电子商务网站 能够利用推荐系统这种自动化的工具来发掘用户对长尾商品 的潜在需求，那么其带来的商业价值将是不可估量的。

(三） 推荐系统的本质

说到底，推荐算法的本质就是通过特定的方法将用户和商 品联系起来。根据其目标不同，进而采取不同的方式。比如，常 用的方式有：利用好友、利用用户的日志记录以及用户的预留 信息等。

二、 个性化推荐技术在电子商务中的应用(一)个性化推荐系统和搜索引擎的涵义与区别

个性化的推荐系统和搜索引擎不同的地方在于：个性化的 推荐系统往往是需要依赖用户的行为数据，所以个性化的推荐 系统不可能独立存在于一个电子商务网站中，而一般只是作为 其中的一个应用存在于不同的电子商务网站中。在各大电子商 务网站中都可以看到推荐系统的应用，而个性化推荐在这些电 子商务网站中的主要作用是通过分析大量用户行为日志，给不 同的用户提供不同的个性化的页面展示，来提高电子商务网站 的点击率和转化率。

基金项目：福建工程学院教研教改课题项目编号SJ2001041

(二） 推荐系统的组成

尽管不同的电子商务网站使用不同的推荐系统技术，但总 的来说，几乎所有的推荐系统应用都是由前台的展示页面、后 台的日志系统以及推荐系统这三部分组成的。而推荐系统中 的算法优劣往往代表了一个电子商务网站的竞争力，电子商务 网站的核心，是不会对外公开的。

(三) 个性化推荐系统在亚马逊中的应用

以著名的电子商务网站亚马逊为例，亚马逊曾经被RWW (读写网）称为”推荐系统之王”。亚马逊的推荐系统深入到了 其各类产品中，其中最主要的应用有个性化的商品推荐列表和 相关商品的推荐列表。而亚马逊的个性化的商品推荐列表大概 采用的是一种基于物品的推荐算法（item-based method)，该算 法的核心在于给用户推荐一些和他们之前感兴趣的物品相似 的物品。相关推荐列表的核心思想在于通过用户的行为计算物 品的相关性。相关推荐列表的最主要应用就是打包销售(cross selling)。这种销售手段后来也被电子商务网站列为标准应用。 据不完全统计，亚马逊至少有35%的销售额得益于推荐算法的 应用。由此可见，一点点推荐算法的优化都能产生巨大的经济 效益。亚马逊与其他电子商务网站相比，其最大的优势就在于 个性化的推荐系统。

(四） 个性化推荐系统的重要性

换一句话说，个性化的推荐系统就等于让每一个用户都能 拥有一个属于自己的在线商店。它的存在，意义非凡。个性化 的推荐系统不仅能提升经济效益，还能提升用户的体验感和对 其电子商务网站信任度。

三、如何利用用户行为数据和推荐算法(一) 基于用户行为的推荐算法

在电子商务网站和传统零售业中，购物车分析是其核心数 据分析任务。个性化推荐算法使人们可以借助计算机来发现一 些潜在的规律，从而指导产品的设计。这种基于用户行为的推 荐算法是个性化推荐系统中最重要的算法，学术界称其为协同 过滤算法，它是推荐系统产生的标志。一般来说，用户的行为数 据存在于系统的日志中。系统中的日志详细地记录了用户每 次的操作。在电子商务网站中，这些行为主要包括：浏览、点击、 评分、购买、评论等。目前最著名并且在业界应用最广泛的是基 于邻域的算法。

(二) 基于邻域的算法

（下转第147页）

2018年第8期

福建电脑

*89.

C-

建电脑

第三，公司介绍部分为用户提供可循的依靠和信任，介绍

COMPUTER

作等综合运用，站在用户的角度考虑问题，从需要理论角度分 析问题，了解用户以及熟知用户的操作习惯，最大化为用户节 省时间，提高效率，遵循人性化设计，以满足用户的需要，以突 出网站本身的作用，继而体现形式要美观、行为要易用、内容要 有用的整体思想。

用户在浏览网页时与产品或者是服务等发生交互的过程 中会产生一种总体印象，或者是心里的及时感受，都是属于一 种纯主观的体验，所以这种体验是存在个体差异性的，不会做 到一个设计能使所有用户都能享受到良好的体验，但是相对于 一个目标界定明确的用户群体来说，是可以达到让其都对一个 设计产品产生良好体验的效果的。

参考文献：

[1] 董海斌.平面视觉元素在网页设计中的应用研究[D].西安理工大学, 2008.

[2] 张聪聪.基于响应式Web设计中用户界面的分析与探究[J].中南民 族大学,2015.

[3] 曹文俊.面向推荐内容呈现位置的网页布局及区域权重研究[D].华 中师范大学,2015.

[4] 彭丹.基于体验设计的互联网界面设计[J].湖南工业大学,2015.[5] 陈烨.面向用户体验的网页界面优化设计方法研究[J].重庆大学, 2010.

公司的成立与发展，也代表公司的企业形象与理念，主要采用 处理过的暗色背景图片为背景，内容文字以白色显示，让用户 能舒服的阅读，并产生一定的美感。

3. 案例赏析及团队体系

设计赏析部分排版布局主要使用图片素材并结合交互体 验设计，当用户将鼠标置于图片上时，会从图片下方往上弹出 半透明的黑色小方框，紧接着出现三维虚拟空间展示灯饰效 果，鼠标离开图片则会向下缓慢退出以显示原效果。这样的互 动体验设计不仅方便用户浏览，也可为用户创造使用愉悦感， 调动用户的好奇心和即视体验感。经典案例部分由于案例较 多，网页布局适当留白会给画面以呼吸感，故均以小型图的方 式展示，并进行轮播显示，同时结合设计赏析部分效果，这样既 能让用户看到所有的案例，又能让排版显得精致化，以提高用 户的浏览兴趣。此外，企业之所以优秀，少不了背后一直默默无 闻的团队，拥有一支优秀的团队，才能达到一定的水平给与给 予用户充分的信任，因此，团队风采也是网页中的一大亮点。

4. 新闻动态

传统的网页界面一般都是把新闻动态放在最上方，banner 图之后，这里把它放在最后的原因是现在对于用户来说，企业 的核心理念与技术能力等才是关注的重点，对于企业新闻来 说，相对关注度较低。这里的新闻动态为了让用户产生好奇心， 设计的是以一问一答的方式来解决关于LED灯具的问题，既能 有效解决用户们的问题，又摒弃传统的新闻内容方式，从反馈 信息来看，该布局方式比较受大众喜欢。

五、小结

在网页布局中，良好的用户体验要将视觉、版式、交互和动

作者简介：

胡萍（1986-)，女，硕士，助教，主要研究方向：数字媒体、信息技术教育。

(上接第89页）

基于邻域的算法又分为两种：基于用户的协同过滤算法和 基于物品的协同过滤算法。前者是给用户推荐和他兴趣相似的 其他用户喜欢的商品。后者是给用户推荐和他之前喜欢的商品 相似的商品，在目前业界应用最多。基于用户的协同过滤算 法的核心思想是先找到目标用户兴趣相似的用户集合，然后将 找到的集合中用户喜欢的并且目标用户没有听说过的物品推 荐给目标用户。而基于物品的协同过滤算法的核心思想是先 计算出商品之间的相似度，然后根据用户的历史行为和商品之 间的相似度给用户生成推荐列表。前者的推荐效果更社会化; 后者的推荐效果更个性化。两者的相似之处在于同样要计算相 似度矩阵。

(三)推荐系统对用户行为数据的处理

推荐系统中的用户行为数据是以数据集的方式存在数据 仓库中的。而数据仓库最大的特点就是它是随时间变化的数据 集合，这就意味着:有效的数据数量越多，推荐系统的分析结果 越精确。

四、结语

推荐系统作为一种强大的机器自学习的工具，只需要赋予 它算法，就能得到精准的反馈，这在未来的电子商务领域的应 用会越来越广泛。但推荐算法并不是一劳永逸的，它需要一个 迭代的过程：只有通过算法让机器不断学习，得到的结果才会 越来越符合人们的要求。通过奇异值分解(Singular Value De-参考文献：

[1] 郑岩.数据仓库与数据挖掘原理及其应用（第二版)[M].北京:高等教 育出版社，2015.1

[2] 项亮.推荐系统实践[M].北京:人民邮电出版社

[3] (美）Francesco Ricci.推荐系统:技术、评估及高效算法[M].李艳民 译.北京.机械工业出版社，2015

[4] (美）Peter Harrigton.Machine Learning in Action.北京:人民邮电出版社

[5 ](奥地利）Dietmar Jannach.推荐系统[M].北京：人民邮电出版社， 2013

composition，SVD)，可以简化数据，剔除不必要的垃圾数据对算

法精度的影响，从而达到优化算法的效果，进而提升推荐引擎 的性能。通过欧式距离公式，可以计算出商品间的相似度。凭借

Phython语言强大的性能，可以将推荐算法嵌入到系统的后台

数据库中去，让计算机更好地为人们服务，从而使系统更实用、 更完美。虽然基于内容的推荐并没有基于协同过滤的推荐效果 好，但是基于内容的推荐实施起来远没有基于协同过滤的推荐 来得复杂，所以基于内容的推荐往往作为一个推荐应用的开 端。个人认为，两者既有其自身的优点，也有其自身的缺点，如 果在实际条件允许的情况下，我们完全可以将二者结合使用， 来达到更好的推荐效果。

2018年第8期

福建电脑

.147.