大数据时代下电子商务个性化推荐系统的分析与设计

·132·

智库观察

大数据时代下电子商务个性化推荐系统的分析与设计

王腾宇

（湖北经济学院法商学院，湖北武汉 430205）

摘要：大数据时代电子商务个性化推荐系统是一种可以提升电子商务网站整体总成交额（GMP）与访问量（PV）的个性化推荐工具。在不同平台收集消费者购买行为大数据，加上产品销量大数据，产品点击浏览量数据，消费者基础数据，搜索数据，点击量数据进行个性化推荐。在此基础上，引入了一种可以持续个性化数据模型，使平台系统后台支持按种类调整因子，调整商品的排序，支持个性化名单参与排序等。依靠个性化的推荐，把过去“以产品为导向”的营销观念转化为注重“以客户为中心”的营销理念，这样更能满足客户的需求，也促进客户与电商平台的交流，通过这种个性化的推荐，使得电商平台能够更加的精准有效，从而提高电商平台的总成交额（GMV）。

关键词：大数据；个性化；推荐系统；分析 中图分类号：F724.6

文献标识码：A

文章编号：2096-4609（2020）08-0132-002

电商平台通过大数据进行预测与分析，高效利用客户的产生的数据，找到客户的个性化偏好，通过信息积累挖掘出客户的购买能力，从而导向用户的潜在购买商品能力。个性化推荐系统就是为这个服务的，电商个性化推荐系统以消费者为中心在大数据的基础上建立起个性化的消费者沟通反馈体系，以关注和满足细分客户的需求目标和优势。提出三种条件下的个性化推荐规则，即注册用户、未注册用户、固定用户，以及平台在线用户采用大数据平台个性化推荐数据，陌生用户推送支持个性化排序推荐，第一次登录用户采用当前销量好的大数据默认进行排序和个性化推荐。

一、电子商务推荐系统和个性化电子商务推荐系统

（一）电子商务推荐系统（Recommender Systems）

是指利用电子商务平台向消费者提供产品信息与相关建议，来推荐消费者购买喜欢类型的产品，模仿销售员帮助消费者来完成购买行为。总体的层次结构可以分为三大部分：输入功能模块，建议方法模块与输出功能模块。

（1）输入功能模块：包括消费者个体与消费者整体，消费者个体的输入为了得到推荐系统的推荐必须要对商品进行评价，消费者整体指集体的评价数据，比如项目属性，文本评价和等级评分。（2）建议方法模板：为建议推荐系统的核心内容，采用的建议推荐系统技术决定建议推荐系统的好坏性能。（3）导出功能模板：是推荐系统获得导入商品信息后给消费者推荐的内容。

（二）个性化电子商务推荐系统是指电子商务平台挖掘消费者的爱好，增加消费者用户再次购买的意愿，来形成良好的信任关系达到维护固定关系，解决目前电商平台消费者再次购买意愿不强的问题。如果没有个性化电子商务推荐系统，消费者可能要用更多的时间和精力来找到用户自己喜欢的商品也很难买到性价比很高的商品，如果我们不去做个性化电子商务推荐系统，消费者在电商平台做出的购买选择可能不是最优的，也不会购买到自己很满意的商品，对电子商务网站就会出现差感，再次购买也不会实现。这对电商平台和消费者来说都是损失，因此个性化电子商务推荐系统是一种双赢的表现。

（三）电商平台通过大数据深入分析消费者

遵循“以顾客为中心”的营销理念，主动为消费者提供贴近兴趣与需求的商品，个性化电子商务推荐系统一般包括以下主要功能：

（1）引导潜在消费者购买。（2）促进消费者再次浏览交易。（3）提高消费者对电商平台的忠诚度。（4）重视反馈评价。

二、个性化电子商务推荐系统常用推荐系统技术

（1）基于内容的推荐技术：根据消费者搜索、浏览以及购买过的商品信息记录来为消费者推荐类似的商品。

（2）基于人口统计学的推荐技术:根据消费者的地域、年龄、性别、工作的相同比例来为相同的用户来推荐具有某些相同特性的商品。

（3）基于消费者协同过滤个性化推荐技术：根据消费者的相关性及消费者对商品的兴趣相似性，将有购买商品记录，搜索记录，收藏记录相似性的消费者分为一类整体，将整体的喜欢与感兴趣的商品推荐给未关注过该商品的同类消费者。（4）基于项目的协同过滤推荐技术：将消费者感兴趣的相似商品归类，为消费者个性化推荐具有向特属性的商品。

（5）基于用户记忆协同过滤推荐，包括基于消费者的协同过滤个性化推荐系统和基于电子商务平台推荐项目的协同过滤，是电子商务个性化推荐系统领域最优化的个性化推荐系统。

（6）基于消费者协同模型的过滤个性化推荐技术：将消费者的消费行为进行分析，然后基于算法生成消费者偏好模型，通过该模型为消费者推荐商品。

（7）混合交叉推荐：目前电商平台一般都使用混合交叉推荐技术，将不同的推荐系统技术混合在一起使用，能融合单个推荐技术的优点，并且降低其缺点，原则上是将协同过滤推荐技术与其他推荐混合交叉推荐。

三、当前电子商务个性化推荐系统发展现状

（一）缺乏对热点推荐技术的总结与比较

电子商务系统面临海量的大数据数以千万计的消费者和商品数，在个性化系统中需要在秒计之内实时反馈需求，消费者每次关注的兴趣和内容千差万别，推荐系统必须积极应对新的需求，但当前没有对热点推荐技术的总结与比较，也没有提出相应的解决方案。

（二）缺乏对信息服务体验的调研当前，对电子商务平台推荐系统只有对现有的商品进行信息服务，缺乏对未来信息服务的调研和对未来的规划个性化推荐的信息准备。

（三）对待用户缺乏忠诚度

当前，电商推荐系统对用户的忠诚度提升较低，很多情况消费者因为电子商务个性化推荐系统发现感兴趣的商品

智库时代

·133·

智库观察

后会因为价格，运送时间等问题而去选择其它电商平台。

（四）缺乏对浏览者的重视

对浏览者较为忽视，登录用户与非登录用户的UI 推荐界面近乎一样，完全没有做任何的变动。

（五）不注重信息的安全性

很多电商平台因为数据挖掘生成的个性化推荐系统，可能过分挖掘用户信息导致信息泄露后，用户不信任与恐慌。

四、大数据时代个性化电商平台推荐系统解决方法

（一）重视大数据带来的隐私问题大数据的生成是无时无刻的，如果电商平台无底线的收集用户数据会侵犯用户的隐私，因此个性化推荐系统需要更加人性化，而不是一味的考虑如何做到精确与时效。首先用户是有隐私权的，其次国家颁布电商平台用户隐私的法律，再者电商平台需要有自我约束力，最后用户有权利拒绝电商平台收集自我数据。

（二）提升个性化推荐系统的热点问题

个性化推荐系统热点技术一般未在业界广泛应用，还需要进一步地进行实践与优化。

（三）应用冷启动推荐技术

关于消费者冷启动推荐问题，基于推荐可以很好的适用，对于无记录的新消费者地区，性别以及热搜产品进行推荐，之后采集消费者行为建立消费者模型。产品冷启动问题，基于项目协同过滤推荐可以很好的适用，将新产品暂时归类于相似产品推荐给该类消费者群体，之后根据消费者的行为数据调整该产品的定位。

（四）提升个性化推荐系统测评数据指标的分析

随着个性化推荐系统的不断完善，推荐系统的指标也变得更加多种多样，指标的加入可以让消费者更加忠诚于一个电商平台。

（五）增强个性化推荐系统信息编排和推荐渠道

对于电子商务个性化推荐信息的编排必须逻辑有序，格式适当，整体版面很有吸引力。推荐渠道需要根据用户的偏好社交渠道，选择短信、微信、电子邮件、微博等渠道进行推荐。

（六）兼顾电子商务系统自动化推荐电子商务系统自动化根据商品的分类、库存、历史浏览数，优惠幅度等进行系统自动化推荐。自动化推荐能对用户进行总体情况的推荐，避免了个性化推荐对用户过于精确对消费者产生信息泄露怀疑的情况，方便根据用户的宏观

情况进行推荐达到优化效果。

五、个性化电子商务推荐系统分析与设计

（一）Web 数据分析技术设计

Web 数据就是通过对网络用户的购买活动中分析有价值的模式，可以对Web 内容数据分析设计，通过对网络用户文字信息、图像信息、音频信息、视频信息中分析出对电子商务平台有价值的信息，重点对用户浏览和购买的商品分类，包含文本分析和多媒体分析技术。

（二）个性化电子商务推荐系统应用分析设计

根据网络用户日志记录、代理服务器的日志文件、消费者的注册信息、网络用户的购买交易的分析，提取网络用户的访问模式，预测用户对于各电子商务应用的分析，提供个性化的应用界面和设计，以更好的为网络用户需求服务。

（三）个性化电子商务推荐系统聚类技术

把具有相同或者相似的用户聚合成群，并把这些用户进行分别进行个性化推荐，这个比最近相邻的推荐更有准确性，如把聚类的用户规模分解的越小，系统进行个性化推荐的效果就会更好。

（四）个性化电子商务推荐系统显示/隐式反馈技术

电商平台收集用户喜欢的商品，搜索，购买收藏，评价反馈为显式数据，用户浏览和点击量为隐式数据。基于由此数据分析用户的基本类型进行内容推荐，基于关联规则的个性化推荐和基于协同过滤推荐生成大数据有用户与商品的关联性根据用户所在地的时间，地区，天气，生成数据，经过与之前收集的数据库混合，排序，过滤，分流后为用户提供个性化的电子商务推荐系统技术。

（五）个性化电子商务推荐系统召回模型技术

基于人口统计学的推荐，不同地域用户的购买力、消费习惯、热销商品都有明显的个性化差异，召回模型能找出这些个性化差异来为用户推荐更符合该地域的商品。基于行为的召回模型是基于项目的协同过滤推荐，根据消费者最近的购买行为产生满足消费者有周期性的需求商品。基于消费者喜好的召回模型是基于模型的协同过滤推荐，通过对消费者基本分析消费者的喜好、购买能力来建立用户模型分析出消费者感兴趣的商品，有针对性的推荐给消费者。

（六）个性化电子商务推荐系统排序模型技术

电子商务平台通过排序学习，将推荐排序的问题转化成分类的问题去分析

解决，从网络用户日志中模型训练特征

权重利用 L2Ｒ 排序学习算法来改进排序模型。

（七）个性化电子商务推荐系统智能推荐引擎技术

根据不同的消费者的喜好生成消费者画像，根据用户注册信息，搜索习惯，浏览网站特别是电子商务平台的记录日志，为网络用户提供精准个性化的推荐内容，提升电商平台的浏览量，主要还是转化为购买能力和稳定的消费群体。对也要用户已购买商品类进行过滤，避免出现了已购买商品再次推荐的情况。

随着电子商务时代逐渐发展，计算机技术不断进步，电子商务个性化推荐系统的竞争也越来越激烈，对于电商平台而言，如何让平台的UI 设计更加吸引消费者，如何让平台的推荐系统更加符合消费者的行为特征，如何让消费者第一时间选择该平台等一些问题都是电商平台需要研究和追寻的目标，而达到这些目的的基础便是构建一个完善的大数据电子商务个性化推荐系统。

【参考文献】

[1]陈联平.关于电商平台冷门商品的推荐系统研究[D].昆明:云南财经大学,2018.

[2]潘学文,鲍正德,刘怡亨.电子商务盈利系统的优化[J].电脑迷,2018(3):85.

[3]韩潞潞.协同过滤算法在电子商务推荐领域的应用研究[D].沈阳:沈阳理工大学,2018.

[4]王东.基于Hadoop 的电子商务推荐系统设计与实现[D].西安:西安工业大学,2017.

[5]蔡蕊.云计算环境下的电子商务推荐系统关键技术研究[D].北京:北京信息科技大学,2017.

[6]冀晓岩.基于Hadoop 的电子商务个性化推荐研究与实现[D].兰州:兰州交通大学,2017.

[7]李志勇.基于大数据的电子商务商品推荐系统研究[J].电子测试,2016(15):85+43.

[8]严克文.大数据环境下电子商务个性化推荐算法应用研究[D].合肥:合肥工业大学,2016.

[9]邓玉林.基于hadoop 大数据框架的个性化推荐系统研究与实现[D].成都:电子科技大学,2016.

[10]赵菲菲.基于影视大数据的推荐算法研究及应用[D].北京:北京邮电大学,2016.

【作者简介】王腾宇（1998-），男，本科在读，研究方向为计算机。