基干商品特征属性个性化实时推荐系统研究.doc

基于商品特征属性的个性化实时推荐系统研究 　　摘要：通过研究用户历史行为数据去捕捉用户购物的动态偏好，结合BP算法挖掘与每位用户购物习惯息息相关的商品特征属性集，并建立基于商品特征属性的关联规则推荐模型及基于商品时效的推荐模型，进一步提升个性化实时推荐系统推荐商品的效率并增加其多样性 关键词：实时推荐系统；R语言；BP算法；FP-tree关联规则算法；商品时效 DOIDOI：10.11907/rjdk.161723 中图分类号：TP319 文献标识码：A文章编号2016）010012303 0引言 近几年来，电子商务推荐系统发展迅速，个性化及多样化的推荐系统为企业带来了丰厚的利润。有研究表明，电子商务零售行业提供个性化推荐服务后，其销售额会提高2%～8%[1]。目前推荐方式主要有：协同过滤推荐、基于内容的推荐、基于知识的推荐、混合推荐。随着大数据时代到来，数据量急剧增长以及用户多样性的需求对推荐系统的实时性提出了更高要求。因此，更有效、更多样性的实时推荐系统已成为电子商务领域研究的热点之一 1实时推荐相关技术 在提高电子商务推荐系统实时性的问题上，国内外专家学者研究出一些切实可行的解决方案，其中主要包括云计算技术、Cookie技术、站外广告推荐技术等 1.1基于云计算的实时推荐技术 国内著名的电子商务平台阿里云主要采用云计算[2]推荐方式，它是基于先进的云计算系统，支持海量网页数据和用户行为数据的分析计算，从而可以在很短时间内完成对大量用户数据的分析及计算，从而达到实时推荐的目的。目前运用较多的基于云的实时推荐框架主要有Spark框架、Kiji框架和Storm框架3种[3]。一定程度上，这些框架都是通过缩短模型训练时间，从而提高实时推荐速度 1.2基于Cookies的实时推荐技术 基于Cookie的实时推荐是将Cookie技术与模式识别算法相结合，根据用户与相关站点、内容或服务互动时所提供的信息，实时捕捉用户兴趣偏好，然后在电子商务平台所有站点以及其它站点上显示以兴趣为基础的广告。亚马逊电子商务平台就使用了这种推荐方式，使得企业可以快速了解用户浏览了哪些广告、点击了哪些广告，以及追踪用户在各种站点上进行了哪些操作，以便收集用户的站点操作数据，并实时分析用户的兴趣偏好，为用户提供更有效的推荐 1.3站外广告推荐的实时推荐方式 随着Web2.0技术发展的成熟，许多电子商务网站都采用了站外广告推荐，它们采用将推荐广告投放到其它网站的方式进行实时推荐，当用户浏览某门户网站时，会发现网站上投放的广告会是不久前有哪些信誉好的足球投注网站过的商品。这种推荐方式使用户浏览网站的同时可以点击了解自己心仪的商品详情，这样做既符合用户心理，又可提高商家的销售额 1.4存在的问题 综合以上3种实时推荐方式发现：云推荐系统搭建成本很高；基于Cookies技术推荐方式存在较大的用户隐私泄漏风险；基于站外广告投放的实时推荐方式，相对而言其成本较低，运用也很广泛，但目前该平台是基于社会广告的投放方式，在推荐时根据用户有哪些信誉好的足球投注网站过的商品进行实时推荐，会造成推荐浪费，即：用户通过推荐购买了推荐的商品，下次仍出现相似甚至相同商品的推荐，但对于一些商品，用户在短时间内，一般不会购买同样商品，而更愿意看到更多样化的商品实时推荐 2系统框架 为解决实时推荐系统推荐效率不高、推荐商品多样性不强，造成企业推荐成本浪费并影响用户满意度的问题，本文重点对用户历史行为数据进行研究，运用挖掘算法挖掘用户购物商品的特征属性，根据每位用户对应的商品特征属性集合，为用户制定个性化的实时推荐。本文所设计的推荐系统主要创新点就在于可以追踪用户在一段时间内所购买商品的特征属性，为用户制定更有效、更多样的商品实时推荐。推荐系统框架如图1所示 如图1所示，本文设计的个性化实时推荐系统框架主要包括以下3个部分：数据预处理、数据挖掘、实时推荐，其中实时推荐是推荐系统的核心部分。本文采用基于FPTree关联规则的推荐模型[4]，并在其基础上提出建立商品时序推荐模型，根据商品的特征属性设定主动推荐商品的时序。例如，对于服装类商品，用户在购买有哪些信誉好的足球投注网站过的商品后，通常在很短时间内不会重新购买类似产品，此时可将此类商品推荐时效后延，保证推荐的多样性和新颖性 3系统实现 3.1数据预处理 本文运用R语言工具对收集的输入数据进行预处理，R语言是一个用于统计计算和统计制图的优秀工具，具有一套完整的数据处理、计算和制图软件系统[5]。对用户购买商品的历史表格进行统计，按照用户ID统计购买对应的商品信息，然后对数据进行筛选，检查数据类型是否统一，是否存在明显的数据错误。另外，从服务器上收集的Web日志数据也同样需要进行处