基于網絡數據挖掘的個性化電子商務推薦系統研究

濮力

【摘 要】電子商務是伴隨著計算機技術發展起來的新興事物，而推薦系統的任務則是解決信息過載問題。針對當前的協同過濾算法所存在的缺陷，引入了網絡思想，解決了推薦系統現有的問題，可以在網絡數據的基礎上實現對用戶的個性化服務，有利于電子商務的進一步發展。為此，本文就基于網絡數據挖掘的個性化電子商務推薦系統進行了淺要探討。

【關鍵詞】網絡數據挖掘；個性化電子商務；推薦系統

【中圖分類號】C37【文獻標識碼】A【文章編號】1672-5158（2013）07-0109-01

引言

在信息化全方位發展的今天，電子商務之所以能在世界范圍內迅速發展，其優勢在于方便、快捷、成本低、受限少。然而，電子商務也同樣存在一些必須解決的問題，就是用戶和商家之間的互選問題，即用戶對所需產品的挑選和商家對用戶所需的了解。通過網絡數據挖掘與電子商務的恰當結合，就可以很好的解決這一問題，對電子商務的發展起到了很大的幫助。

1 網絡數據挖掘

1.1 網絡概述

在社會生活中存在著關乎人們工作和生活的各種各樣的系統，通過對其本質進行分析，可以得到一個抽象的包含眾多節點和連接節點的邊的網絡。網絡是復雜系統的研究工具，為復雜系統的研究提供了新的模式和思想方法。

1.2 網絡數據挖掘推薦算法

1.2.1 基于二部分圖網絡結構的推薦算法

因為系統的主體都是用節點來表示的，但是網絡中的節點可以是一個類型，也可以不是一個類型。節點的連接關系用矩陣表示，這類節點屬于單模式網絡；節點不是一種的類型，不同類型的節點之間才能連接的網絡稱為二部分網絡。

運用二部分圖結構的算法，把推薦的系統中項目節點看作是具備一定的，能夠分配出去的資源，同時可以把資源分配給其他看好的商品項目。

1.2.2 基于用戶關聯網絡的推薦算法

之所以可以將網絡思想引入推薦算法，是因為電子商務系統中的用戶與商品及用戶與用于之間具有關聯性，這種基于網絡的商務系統具有非常強大的適應性。主要思想就是：首先，建立用戶選擇的商品與評價信息之間的關聯圖，以權值計量。然后，在已形成的關聯圖中，按某商品的全部使用記錄，把該商品推薦給其它相關權值較大的用戶。

2 個性化電子商務推薦系統

2.1 個性化電子商務推薦系統的內容

電子商務是指有商務能力的實體，通過現代的電子技術來進行商務活動的過程。特別是現階段，電子商務所表現出的優勢越來越明顯?，F有的個性化推薦系統在主動為用戶提供所需的信息或服務的基礎上，更能同時滿足為企業謀利益的要求，能為企業大力發展潛在用戶，也就是可以通過個性化推薦系統實現雙向推薦。

2.2 推薦系統的主要研究內容

2.2.1 信息的獲取以及模型建立

隨著因特網在全球的迅速發展，在準確獲取用戶信息的基礎上，包括用戶瀏覽行為等內容在內的交互式用戶信息獲取方式成為發展的趨勢，這就要求在獲取用戶信息時，要對信息提前進行分類。

模型建立和更新的數據來源于不同途徑得到的用戶信息數據，并與其數量和質量密切相關，通過數據清理和轉換篩選出適用于建模的數據?，F階段常見的建模技術有：關聯規則挖掘、基于內容的過濾、聚類算法等。

2.2.2 推薦算法設計的有關研究

推薦算法有實時、準確、高效的特點，現在使用的主要算法都具有不同的適用領域，由于電子商務系統的使用率日漸增多，用戶數據庫的內容也越來越多，因此必須要在保證算法準確性的基礎上，同時對其實時性進一步研究。盡管新的設計正在不斷被推出，但都有一定的片面性，所以，想要得到較理想的推薦算法還需要進一步的研究。

2.2.3 評價推薦系統存在的問題

由于推薦系統的應用領域較多，并且不同的推薦系統的評價目的各異，另外，現在的評價指標大多只注重評價系統的單一特征，想對目前的推薦系統進行客觀的評價還是比較困難的?，F在常用的六種準確度評價指標有：預測準確度、排序準確度、半衰期效用指標、距離標準化指標、預測打分關聯、分類準確度。

2.2.4 一些應用方面的問題

研究推薦系統的目的就是使其能夠在不同的領域中取得應用，雖然推薦系統已經取得很好的應用效果，但其發展空間還是非常巨大的，如發展企業需要的潛力用戶、拓寬推薦系統應用領域等。

3 數據挖掘與個性化推薦系統

電子商務系統中的信息量非常巨大，并且保持與日俱增的趨勢，數據挖掘技術可以讓這些蘊含著非常有用的規則和模式的數據得到很好的運用，從而更好的提供個性化服務。

3.1 聚類分析技術

聚類就是把數據在無指導的情況下通過非預先設定方式進行分組劃分，這些數據之所以具有潛在性是因為它們都是在劃分過程中自動生成的。利用這種技術得到的數據更有關注意義，更適合于分析使用。在個性化推薦系統中，通過聚類技術將客戶按照不同的特征劃分成不同的部分，這就使得搜索工作的效率大大提高。

3.2 關聯規則技術

關聯規則就是在數量龐大的數據中找出項集中的有用規則，以其高效的性能和伸縮性而成為是一個很熱門的數據挖掘技術。但關聯規則也有它的不足之處，就是參數閾值設置時會影響規模的效率。

關聯規則中有兩個很重要的概念，即置信度和支持度。以商品銷售為例，關聯規則生成步驟如下：第一步，從所有銷售產品中找到全部的繁項集，這也是關聯規則挖掘的核心和熱點所在。第二步，生成關聯規則，在頻繁項目集中找到同時符合最小置信度和最小支持度的關聯規則。

3.3 協同過濾技術

協同過濾是現階段使用頻率最多、效果最好、最受歡迎的一項技術。該技術主要是針對用戶，通過搜索目標用戶得到用戶的行為偏好同時做出商品評價。通常所說的協同過濾技術主要指基于用戶的協同過濾技術，隨著對該技術的不斷研究和發展，基于商品項目的協同過濾技術也得到了不斷的提高。

3.3.1 基于用戶的協同過濾技術

該技術的研究對象主要是用戶，并且在現實生活中的使用率較高。即通過假設，把對某一商品具有相似評價的用戶列為相似用戶，并由此推斷歸結到一起的相似用戶對其他商品也會有相似的評價。

基于用戶的協同過濾算法實施步驟：（1）獲取用戶信息，即利用用戶—項目矩陣描述用戶所獲得的商品的信息，這是用戶信息獲取步驟中最主要的內容；（2）相似性的計算以及相似用戶集的產生，就是通過相似性計算得到與目標用戶相似的用戶群，得到符合相似用戶數的一定數量的相似用戶；（3）生成推薦結果，是在相似用戶集的基礎上，根據推薦方法生成推薦結果。

3.3.2 基于項目的協同過濾技術

基于項目的協同過濾技術的研究對象主要是商品項目。該技術就是用相似性計算，得到用戶評價的商品項目與目標項目的相似值。利用它們之間的共性，預測用戶對目標項目的評價值，通過這樣的方式來獲得同類商品信息。

結束語

電子商務推薦系統的應用領域非常之廣，特別是將網絡數據挖掘技術與其相結合，更好的符合了電子商務領域的用戶所需。本文系統地闡述了網絡數據挖掘和個性化商務系統以及他們之間的結合，探討了網絡技術在個性化商務系統中的應用。在今后的工作過程中，還應加強對基于網絡數據挖掘的個性化電子商務推薦系統的深入研究，以切實提升系統運行的安全性與可靠性。

參考文獻

[1] 張遠程，康永勝.基于swarm平臺和社交網絡的電子商務個性化推薦系統仿真模型的理論構建[J].計算機光盤軟件與應用，2012，（21）：124-125

[2] 艾丹祥，左暉，楊君.基于三維協同過濾的C2C電子商務推薦系統[J].計算機工程與設計，2013，34（2）：702-706

[3] 吳海彬，劉利民，劉曉莉，等.電子商務個性化推薦原型系統的設計與實現[J].內蒙古工業大學學報：自然科學版，2012，31（3）：26-31