信息技术XINXUISHU2021年第3期个性化特征的电子商务智能推荐系统
李元吉
(河南省驻马店财经学校，河南驻马店463000)
摘要：以准确向用户推荐商品，提升电子商务网站销售量为目标，设计基于个性化特征的电子商务智能推荐系统。系统以个性化推荐引擎为核心，采集交易事务、商品特征、用户评价等数据，利用基于个性化特征的协同过滤推荐算法计算商品间相似度，确定新商品的近邻，根据近邻用户对新商品的评价结果选择商品进行推荐。测试结果表明，该系统的电子商务商品推荐误差小，有利于提升电子商务网站交易率，而且电子商务商品推荐性能明显优于其他推荐系统。
关键词：个性化特征；电子商务；智能推荐；数据挖掘；商品特征
中图分类号：TP393文献标识码：A文章编号：1009-2552(2021)03-0131-05
DOI:10.13274/jki.hdzj.2021.03.024
Personalized e-commerce intelligent recommendation system
LI Yuan-ji
(Henan Zhumadian Finance&Economics School,Zhumadian463000,Henan Province,China) Abstract:In order to accurately recommend goods to urs and improve the sales volume of e-commerce websites,an intelligent e-commerce recommendation system bad on personalized features is designed・The system takes the personalized recommendation engine as the core,collects the transactions,commodity characteristics,ur evaluations and other datas,us collaborative filtering recommendation algorithm bad on personalized features to calculate the similarity between products,determines the neighbors of new products,predicts the ur's evaluation of new products according to the evaluation results,and lects products for recommendation according to the evaluation results.The test results show that the e-commerce product recommendation error of the system is small,which is beneficial to improve the transaction rate of e-commerce website,and the e-commerce commodity recommendation performance is obviously better than other recommendation systems.
随机macKey words：personalization feature;e-commerce；intelligent recommendation；data mining；commodity features
o引言
电子商务网站数量迅速上升，将电子商务网站浏览者变为实际消费者，满足消费者需求，通过不同形式提升消费者忠诚度是各电子商务网站面临的首要问题r，-3]o在此背景下研究具有个性化特征的电子商务推荐系统具有重要意义。
作者简介：李元吉（1986-），男，硕十，讲师，研究方向为电子商务与网络营销。
以往普遍使用的电子商务推荐系统主要有，基于面向集成系统的推荐系统⑷和基于多分类支持向量机的推荐系统⑸，前者在生成推荐信息时忽略了新到商品推荐，后者则无法为新用户提供个性化推荐服务。针对当前复杂的电子商务网站结构以及用户与商品种类数量持续上升的趋势⑹，设计了基于个性化特征的电子商务智能推荐系统，利用基于个性化特征的协同过滤推荐算
—131—
个性化特征的电子商务智能推荐系统—
—李元吉
法，以协同过滤技术为基础，弥补推存过程中冷启动与数据稀疏等缺陷。
1个性化特征的电子商务智能推荐系统
1.1系统逻辑架构
基于个性化特征的电子商务智能推荐系统采用三层逻辑架构⑺：数据层、业务逻辑层和表现层，如图1所示，其中实线箭头表示请求处理，虚线箭头表示个性化处理。
表现层
用户
浏览器
用户页面/
成人机交互与信息流程的功能，反馈推荐信息。
1.2用户使用记录的挖掘
基于个性化特征的电子商务信息推荐以电子
商务网站内用户使用记录信息为基础，因此需要
利用Web挖掘技术对电子商务网站中的用户使
用记录信息进行挖掘⑴】。用户使用记录挖掘模
型主要由数据预处理、模式识别与模式分析等部爱情丘比特
分组成，如图2所示。通过挖掘电子商务网站内
用户使用记录信息，能够统计出用户频繁访问页
面、用户交易量、商品特征量、单位时间访问量、用
户评价等信息，基于这些信息，采用基于个性化特
征的协同过滤推荐算法为用户提供个性化信息推
荐服务。
业
务逻辑层
历务数据层
荐
果
推
结
个
性
化
推
荐
引
擎
页面模板
历史业7
个性化特征
推荐算法
业务筑
总zr行为
4-
务
息
-
业
信
数据
«//
L
数
务
事
据
二
备孕期间注意事项
易
数
业
雄
苑
务
、叭亍为/»图1系统整体逻辑架构
①数据层中主要利用Web挖掘技术在电子商务网站用户使用记录中挖掘电子商务网站用户的交易事务数据、商品特征数据、用户评价数据以及用户行为数据，该层利用分布式结构与LDAP 技术为基础，负责电子商务网站实际数据存储与搜索，为业务逻辑层提供数据存储与管理服务⑻。
②业务逻辑层是系统的核心，包括行为记录模块、业务逻辑模块、个性化推荐引擎组成。行为记录模块的主要功能是记录用户的浏览信息与商品评价信息；业务逻辑模块连接商品购买流程⑼；个性化推荐引擎是业务逻辑层的核心，其中包含个性化特征推荐算法和页面模板两部分，前者负责根据数据挖掘结果提供推荐信息，后者基于XML技术实现推荐信息的个性化页面呈现。
③表现层负责用户与电子商务网站之间的交互〔心，基于HTTP(S)通信协议与网络浏览器完
图2用户使用记录挖掘模型
1.3基于个性化特征的协同过滤推荐算法
基于个性化特征的协同过滤推荐算法，基于商品的属性分析，确定新商品的相似商品；根据用户对相似商品的评价判断新商品的评分；利用协同过滤推荐技术确定目标用户最近邻居，基于最近邻居对于商品的评价向目标用户推荐新商品。
你好用英文怎么说1.3.1算法的输入与输出
基于个性化特征的协同过滤推荐算法的输人和输出分别如①〜④和⑤所示：
①商品特征量表、M*厶维矩阵、商品数量与特征量分别为M和厶个，用P4,(l WiWL)表示商品特征属性。
②用户评价表"*m维矩阵、商品数量与用户数量为M和N个，用C(“)表示商品评价值，其中，1W n W N,\W机W M。
—132—
个性化特征的电子商务智能推荐系统—
—李元吉
③输入阈值包括S和W表示的商品相似度阈
值和邻居用户相似度阈值。
④分别输入P、c和K表示的相似商品数量、
相似用户数量和推荐商品数量。
⑤任意用户i最感兴趣的若干商品。
1.3.2算法实现过程
基于个性化特征的协同过滤推荐算法实现过
程中共分为三个环节，分别是:①基于商品的特征
量表确定新商品的最近邻居集;②以用户对邻居
商品评价为基础，判断用户对目标商品的评价；
③基于协同过滤推荐算法生成推荐信息。
新商品最近邻居集确定：在商品特征量表内
产生新信息的条件下(电子商务网站内出现新商
品)，确定新商品的最近邻居集(离线状态下)。
交通事故处理流程对全部的商品集合)G/，确定商品/邻居项目，也
就是同商品j相似度最高的商品，用S//表示。用
Sim(j,p)表示商品同其他任意商品g e1,2,-,
j-1J+1,/之间的相似度。逐个对比目标商
品的特征量与其他任意商品的特征量，若PA jti与
PAqj一致，则Sim(j,p)=Sim(j,p)+1；若PA j t
与PA q i不一致，则Sim(j,p)不变少」。依照Sim(j,
p)的大小进行由大到小的排序，对全部Sim(j,
P)P e1,2,…,j-1+1，…，人取前P个Sim(j,
p)值最大的商品，将这P个商品作为目标商品的
邻居商品S/j。用户对目标商品评价的判断：依照
用户对于邻居商品的评价，利用式(1)判断用户a
对目标商品j的评价PE a j：
2Sim(j,n)*CE a n
PE-=注-----------------------(1)
X Sim(j,n)
n e Slj
式中,CE“表示用户a对邻居商品集内商品n的
评价。
通过对新商品的评价，用户评价表内前部的
商品均产生评分［⑶。利用式(2)计算任意用户i
对商品/的评价：
CE.CEj j if ur i rated item j
PE：訂if ur i not rated item j
(2)
式中,PE表示系统判断评价，用户实际评价商品过程中采用用户评价CE取代PE，由此可提升系统推荐精度。
推荐信息的生成：基于新商品最近邻居集与用户对目标商品评价的判断结果，采用协同过滤推荐算法生成用户推荐商品。协同过滤推荐算法推荐过程包含查询最近邻居与生成推荐结果两部分。查询最近
邻居的主要目的是针对任意用户
在全部用户空间内确定用户集合C=|C.,C2，申c，令任意用户z与G之间的相似度
)值>Sim(i,C2)值〉…〉Sim(i,C”)值。在此过程中，利用Pearson相关系数评估相似度：
/(Rc,i-R)(Rg-RJ
_________________________°丘_____________________________________________________________________ J》“(见一坨)叮工"(兀-I
(3)式中,Rc」、&和乩分别为用户i对C的评价、用户i对商品的评价均值和用户a对商品的评价均值。
依照Sim(i,k)由大至小的排序，取
k)k e1,2,…,i-1+1,•••,“内前C个最大的值对应的用户为目标用户的邻居用户集合Neighbor ika
基于上述的相似度评估能够确定目标用户的最近邻居集合，基于最近邻居集合最近邻居对商品的评价，利用式(4)能够确定目标用户i对商品的评价：
p如SMQ*(抵一心)
寿司怎么画工"如(1SM,a)丨)
(4)式中和分别表示用户i与用户a之间的相似性和用户a对商品丿•的评价。
基于以上过程能够判断用户对全部未评价商品的评价，基于判断结果的高低，选取最高的前K 个商品作为推荐结果，利用页面模板进行规划，通过表示层向用户进行个性化推荐。
2系统的仿真测试与分析
实验为验证本文设计的基于个性化特征的电子商务智能推荐系统的应用性能，以某服装类电
—133—
个性化特征的电子商务智能推荐系统—
—李元吉
子商务网站为研究对像，将本文系统应用于研究对象商品推荐中。
2.1系统性能研究
本文系统中存在一个重要参数，即相似用户数量，基于相似用户对商品的评价判断目标用户对商品的评价，向目标用户进行商品推荐。以准确率、召回率、覆盖率和流行度为本文系统性能的评价指标，各评价指标计算公式如下。
准确率=用户喜欢的商品
全部推荐商品
x100%(5)
召回率
推荐商品
用户喜欢的全部商品
X100%(6)
覆盖率推荐商品
全部商品
X100%(7)
流行度同推荐商品产生关系的用户
全部用户
X100%
(8)
图3所示为不同相似用户数量条件下，本文
Z准确率召回率\ /15.8%8.10%\ \50.19% 6.70%/
流行少
相似用户数量为5
确率
召回量\ /21.8%11.00%\ \32.06%7.01%/
率
流行务丿
相似用户数凰为15
确率
召回拿\ /24.1%12.06%\ \19.18%7.17%/
流磔丿相似用户数量为25
Z准确率召回率\ 119.4%9.84%\ \40.38% 6.86%/
流行少
相似用户数量为10
确率
召回臺\ /23.9%11.72%\ \24.76%7.12%/
率
流行少/
相似用户数量为20
相似用户数量为30
图3本文系统性能评价结果系统性能评价结果。由图3能够得到，相似用户数量的波动对于本文系统性能产生明显影响。
①准确率与召回率：本文系统的准确率与召回率同相似用户数量之间不存在线性相关性，当相似用户数量为25时，系统的准确率与召回率相对较高。同时系统的准确率与召回率对相似用户数量之间的相关性并不高，因此相似用户数量取值在相应范围内，系统的准确率与召回率差异并不显著。
②覆盖率：本文系统的覆盖率指标同相似用户数量之间为反比例关系，即相似用户数量越大，系统覆盖率评价越低。
③流行度：本文系统的流行度指标同相似用户数量之间存在线性相关性，即相似用户数量越大，流行度评价结果越高，这主要是由于相似用户数量决定系统推荐过程中参考多少与目标用户相似的其它用户对商品的评价，参考的用户越多，系统推荐结果越趋近于热门商品。
综合图3结果可知，本文系统中相似用户数量为20时，可得到最优推荐结果。
2.2推荐结果的对比
以文献［4］中面向集成系统的推荐系统与文献［5］中基于多分类支持向量机的推荐系统为对比系统，以平均绝对偏差(用户对商品评价的判断结果与实际用户评价间的偏差)为推荐结果质量对比指标，对比本文系统与对比推荐结果的质量，结果如图4所示。分析图4得到，采用三个推荐系统针对研究对象内60个用户进行商品推荐，牛面向集成系统的推荐系统
0.8-一♦一基于多分类支持向量机的推荐系统
-■—本文系统▲
糊S
廿x^
^T
k
O
O
°102030405060A
用户数量/个
图4推荐结果质量对比
—134—
个性化特征的电子商务智能推荐系统—
—李元吉本文系统推荐结果的平均绝对偏差低于0.2，与
两个对比系统相比明显下降，由此说明本文系统推荐结果具有较高精度。
图5所示为客观环境一致条件下，本文系统与两个对比系统进行商品推荐过程花费的时间对比结果。
图5商品推荐时间对比结果
分析图5得到，本文系统进行商品推荐所用时间与基于多分类支持向量机的推荐系统所用时间大致相同，面向集成系统的推荐系统所用时间显著高于另两个系统。由此说明本文系统的推荐效率上也存在一定优势。
2.3应用分析
为测试本文系统在实际应用中的应用效果，采用本文系统挖掘研究对象过去三年不同月份的用户行为数据，以用户的浏览量与交易率为分析指标，将过去三年研究对象中用户的浏览量与交易率均值作为对比标准，对比研究对象采用本文系统后用户的浏览量与交易率变化，结果如图6所示。由图6得到，每年的6月、11月和12月是电子商务网站交易的高峰月。研究对象采用本文系统后，各月浏览量平均
上升12%左右，以2月、6月、11月和12月上升比例最高；各月交易率平均上升4%左右,6月J1月和12月上升比例近6%。以上结果说明本文系统能够显著提升研究对象用户浏览量与交易率。
3结束语
随着电子商务网站数量迅速上升，各大电子商务网站为吸引消费者，提升市场占有率，各显
15浏览量■交易率
12
9
6
3
IhnllhM
123456789101112
月份/月
图6浏览量与交易率变化
所长。本文设计基于个性化特征的电子商务智能推荐系统，基于电子商务网站内用户行为数据，为用户准确推荐感兴趣的商品，以此吸引消费者，提升交易率。
参考文献：
[1]李桃迎，李墨，李鹏辉•基丁•加权Slope One的协同过
共青团的意义滤个性化推荐算法[J].计算机应用研究,2017,34
(8)：2264-2268.
[2]田保军湖培培，杜晓娟，等.Hadoop下基于聚类协同
过滤推荐算法优化的研究[J].计算机工程与科学, 2016,38(8)：1615-1624.
[3]肖会敏，张棍，崔春生•基于协同过滤的移动电子商西羌
务推荐算法[J].系统科学与数学,2016,36(8)=1265 -1274.
[4]吴文李，范小朋，周庚申，等.面向企业生产集成系统
的物料推荐系统[J]•中国机械工程,2019,30(15)：1856-1865.
[5]崔建双，车梦然•基于多分类支持向量机的优化算法
智能推荐系统与实证分析[J].计算机工程与科学, 2019,41(1)：153-160.
[6]Tomohiro M,Bijoy C,Nattapong K,et al.Designing a ha-
doop system bad on computational resources and network delay for wide area networks[J].Telecommunication Systems,2019,70(1)：13-25.
[7]李宇琦，陈维政，闫宏飞，等.基于网络表示学习的个
性化商品推荐[J].计算机学报,2019,42(8):1767-1778.
[8]黄逸珥，杜梦甜，傅玉婷•基于用户感知的个性化推
荐系统效果研究—
—以淘宝电商平台为例[J].北京邮电大学学报：社会科学版,2018,20(5):24-31.
(下转第142页)
—135
—
