《基于移动终端的电子商务商品推荐模型研究》-工学论文，软件工程论文-论文范文参考-科学狗论文网

标题

基于移动终端的电子商务商品推荐模型研究

范文

闫科忠

摘要：随着移动互联网技术和电子商务的快速发展，基于移动终端的“掌上消费”在人们的消费形式中占据着越来越大的比重。同时，商品推荐系统作为电子商务系统中的重要组成部分受到了研究学者的普遍关注。因此，如何在商品推荐技术中结合移动终端特性，成为一个值得关注的问题。为了解决这个问题，本文在介绍了几种主流的推荐技术及其优缺点之后，提出了一种新型推荐算法，该算法基于移动终端特性并混合了基于内容和协同过滤两种推荐算法，随后本文详细的介绍了该算法的系统流程与步骤，最后在实验环境下实现了该算法的应用，验证了该算法的可行性。

关键词：计算机应用技术；商品推荐；移动终端；电子商务

中图分类号：TP399

文献标识码：A

DOI：10.3969/j.issn.1003-6970.2015.11.020

0 引言

随着移动互联网的普及和电子商务的快读发展，推荐系统已经成为电子商务系统的重要研究内容之一，如Amazon宣称推荐系统提高了其30%左有的销售额。但随着电子商务的发展，电子商务。推荐系统具有很强的实用性，它能根据用户的兴趣和购买力等特性帮助用户发现并推荐给他们感兴趣的商品，在方便用户的同时提高了营销效果，因此在电子商务中获得了巨大的成功。因此，目前几乎所有的大型电子商务系统都在不同程度地使用着各种形式的推荐系统。电子商务中的推荐系统首先从客户方提取客户喜爱的产品信息，然后向他们推荐最大可能满足其需求的商品。在消费过程中，推荐系统类似于实际消费行为中的销售人员，帮助并引导消费者完成购买。其作用主要表现在三个方面：将电子商务网站的浏览者转变为购买者；提高客户对电子商务网站的忠诚度；提高电子商务网站的交叉销售能力，如用户之前购买了奶粉，下次购物的时候就会推荐母婴物品等。

电子商务平台的实现形式以PC（Personal Com-puter）端网站为主，而移动设备相对于PC端设备，有着不可比拟的优势与特点。首先，移动设备最大的特点就是可移动性，用户可以带着移动设备在任何可以联网的地方上网，活动范围包含公共交通工具、公共场合等地方；其次，移动设备可以借助于设备本身，获取如天气状况、朋友列表、周边环境等信息；最后，移动设备要比PC设备小很多，而且不同的移动设备屏幕大小也会相差很大。现有的商品推荐算法都是基于PC端的电子商务网站设计，虽然近几年电子商务平台陆续开发了基于移动设备的应用程序，但还只是停留在将针对PC端的商品推荐结果显示在移动端应用中，并没有针对移动端的特性进行设计和完善。如何在设计商品推荐算法的同时兼顾移动设备的优势，是本文将要解决的主要问题。

1 现有推荐算法

目前应用最广泛的商品推荐算法有：基于内容的推荐、协同过滤推荐和混合推荐算法。这几种算法在商品推荐方面有着各自的优劣。

1.1 基于内容的推荐

基于内容的推荐（Content-based Recommenda-tion）是信息过滤技术的延续与发展。该算法基于内容信息做出推荐，如历史信息、关键同等信息，不依据用户在项目中的评价等信息，主要使用机器学习的相关方法，从与内容相关的事例中提取用户的兴趣信息。基于内容的推荐方法通过历史信息来构造用户偏好模型，计算推荐项目和用户偏好模型之间的相似度，将相似度最高的项目推荐给用户。相对于多媒体信息（图片、音频、视频等），文本信息类项目的特征提取比较容易，因此基于内容的推荐算法在文本信息类推荐领域得到了广泛的应用。

基于内容的推荐基于这样的假设：一个用户会更喜欢那些与他购买过的商品相似的商品。所以该算法的核心是分析每个商品的特性，在此基础上计算应该被推荐的商品。分析商品的相似性首先需要描述商品的内容，描述一般通过定义一组商品的属性，然后对不同的属性值进行相似度计算。计算方法主要有条件概率近似度计算和向量近似度计算二种。对于一般电子商务网站而言，基于内容的推荐并不十分适用，主要原因有：电子商务网站的用户数量普遍较大，而在针对大量用户集合进行推荐时，基于内容的推荐算法只能发现用户感兴趣的项目，不能发掘用户新的心情和够买倾向，缺乏个性化；另一方面，基于内容的推荐仅限于分析属性规定的内容，不能发现一些隐含的属性或特点；最后一点，缺乏用户反馈。

1.2 协同过滤推荐

协同过滤推荐（Collaborative Filtering Recom-mendation）是最早被提出来的推荐方式，也是个性化推荐当中研究和使用最多的推荐技术。协同过滤推荐算法一般采用近邻技术，即根据目标用户对商品的历史评价相似性查找目标用户的近邻用户，然后利用近邻用户对商品评价的评价值来预测目标用户对特定商品的喜好程度，类似于在现实生活中购物时听取熟人或朋友的建议，系统则根据这一喜好程度对目标用户进行推荐。例如用户1喜欢商品a，用户2和用户3分别喜欢商品a、b和商品a、b、c，则协同过滤算法认为喜欢商品a的用户都喜欢商品b，于是就给用户1推荐商品b。协同过滤推荐最大的优点是对推荐对象没有特殊要求，能处理非结构化的复杂对象，如图书、音频、视频等。

协同过滤基于这样的假设：有着相似兴趣爱好的人会对相似的内容感兴趣。为了得到这样的推荐方式，就需要为用户找到与其兴趣爱好相似的“邻近”用户，然后将邻近用户感兴趣的内容推荐给此用户。其基本思想非常易于理解，在日常生活中，人们往往会采纳朋友或熟人的建议来进行选择。协同过滤正是把这一思想运用到电子商务推荐系统中来，基于其他用户对某一内容的评价来向目标用户进行推荐。因此在用户评分数据较少的时候推荐的质量较低。

1.3 本文创新点

本文主要解决的问题是基于移动终端的电子商务推荐系统模型，结合移动设备本身的特点与电子商务推荐算法，提出一种新的商品推荐方式，主要针对电子商务推荐系统中三个模块：输入模块、推荐模块和输出模块，提出如下创新点：

1）输入模块：结合地理位置和周边环境进行推荐

移动终端在有网络的时候可以获取到设备本身的地理位置信息，基于这一特性，将同一地理范围内的用户划分成一个集合，综合集合内多个用户的购买习惯，获取与用户本身兴趣相似度高的购买记录，然后根据得到的购买记录推荐合理的商品给用户。除此之外，根据地理位置信息可以获取到用户当前环境和未来的天气状况等实时信息，将实时信息加入到推荐算法的计算中，可以增加推荐算法的实时性和智能程度，提高算法的准确度。

2）推荐模块：概率计算得到最终的推荐商品

以往的算法都是将推荐算法获得的相似度最高的N个商品直接加入到推荐列表，而本文在获取到相似度高的N个的商品后，根据其各自的相似度在N个商品相似度中所占的比例进行概率计算，这样既保证了总体上依然保持推荐相似度最高的商品推荐列表，细节上也增加了推荐商品的多样性，保证不同的商品都有机会出现在推荐列表上，无形中增加了推荐列表的多样性，发现用户未知的兴趣。

3）输出模块：结合移动设备信息进行推荐

由于移动终端的大小不一，且推荐商品的个数在推荐算法中也是一个很重要的参数，在不同大小的屏幕内推荐适合数量的商品，增加了用户的选择性，也更加贴合用户的浏览习惯，增加用户对电子商务系统的满意度。

2 基于移动终端的电子商务商品推荐模型

本文上一章介绍了目前主流的推荐算法，并提出在输入、推荐和输出三个模块上进行改进，以适应在移动终端上的商品推荐需求。因此，本章将细化介绍新的商品推荐模型的各个模块。

2.1 电子商务商品推荐模型系统结构图：

2.2算法步骤

1.获取移动设备用户当前的位置，该区域未来天气状况等实时信息。

2.获取与当前设备距离为A的用户列表B，并获取列表B的每个用户的购买记录集合S。

3.根据当前位置、天气状况与用户本身的购买习惯，计算S中与当前用户相似度最高的N个商品。

4.根据每个商品的所占比例，生成随机的推荐列表M。

5.获取当前用户的屏幕大小信息，根据屏幕大小推送不同个数的商品。

2.3 输入信息介绍

如上算法步骤所示，为了得到合适的推荐列表，需要计算用户之间的相似度和用户本身的购买习惯，因此需要的输入信息为：浏览历史、购买记录、商品评价与地理位置。

2.3.1 浏览历史

浏览历史是用户在访问电子商务网站过程中，所有浏览的属于该电子商务网站的网页历史记录。浏览历史又分为两种：登陆用户的浏览记录和未登陆用户的浏览记录。登陆用户在访问电子商务网站过程中，网站本身可以记录该用户在注册该网站之后所有的浏览记录，从而根据这些记录将用户划分成不同的用户群，如经常浏览数码商品可以归类为数码用户群，而经常购买奶粉等婴幼儿商品的用户可以归类为母婴用户群。未登陆用户的浏览记录则只包括该用户在进入该电子商务网站之后，到找到需要的商品之前的浏览记录。在找到需要的商品之前，未登陆用户可能随意的浏览过许多商品，但势必是随着浏览的深入，浏览的商品越来越接近最后购买的商品。因此，本文在处理浏览历史记录的时候，分为两种情况：若为登陆用户，则获取用户所属的用户群；若为未登陆用户，则按照用户的浏览历史顺序，将用户购买之前的最后几次浏览记录配上权重，越靠近购买商品页的权重越高。

2.3.2购买记录

购买记录是用户在电子商务网站以往购买的商品列表。通过用户过去的购买记录推断本次购买意向是基于内容推荐算法的核心思想。如在淘宝（www.taobao.com）上买了某个商家的一件衣服，则下次浏览淘宝时网站会推荐该商家的其他商品或其他商家类似的衣服。

2.3.3 商品评价

单纯的购买记录并不能完整表达用户以往的购买习惯，所以通常都会结合商品评价信息。商品评价是用户在电子商务网站上对某一个已购买商品的评价，有文字评价和打分评价两种。如淘宝和京东等电子商务网站，在购买某一件商品后，都可以进行文字评价，表达购买该商品后的使用感受等，同时还会有打分评价，如四星五星代表好评，三星代表中评，一星二星代表差评等。其他用户在挑选商品时，也会关注该商品的评价。大多数用户在挑选商品时更倾向于选择评价好的商品。

2.3.4 地理位置

地理位置信息是基于移动设备提出的新特性，也是本文关于输入信息模块的重点。地理位置信息不仅指该设备本身的地理位置信息，更包括与该地理位置相关的如天气状况、周边环境等实时信息。如用户所在地未来几天会出现气温下降或者雷雨天气，则可以在推荐列表中添加防寒物品或雨具；或用户从一个地方移动到另一个地方，则可以推荐一些该区域用户购买量较大的商品。将实时信息加入到推荐算法的输入集中，将使推荐结果更加贴合用户所处的生活环境。

2.4 推荐结果计算

推荐结果计算是整个系统中最重要的部分，该部分解决了如何根据输入信息生成最终的推荐列表的问题，本文结合移动终端特性将该部分划分成以下几个部分。

2.4.1浏览意向

浏览意向是针对当前用户浏览历史记录生成的购买意向。若为登陆用户，则将当前记录L（l1，l2，l3，…ln）（与该用户所属的用户群记录S对比，若符合则返回该用户群的购买意向，若不符合则按照未登陆用户浏览记录处理，同时将本次浏览记录L添加到该用户的所有浏览历史记录中。若为未登陆用户，则根据浏览历史顺序，分别赋予其不同的权重K（k1，k2，k3…kn），其中kn>kn-1>…>k2>k1，且kn+kn-1+…+k2+k1=1。由于越晚生成的浏览记录越接近购买商品，于是将km赋给lm，l≤m≤n。则本次浏览意向为

p=knln+kn-1ln-1+…+k2l2+k1l1。

2.4.2 购买习惯

通过获取用户的购买记录获得用户的购买习惯，将与用户购买过的商品相似度高的商品加入到备用推荐列表Qa商品之间的相似度sim（p，u）采用余弦相似度计算公式计算：

2.4.3 实时信息

本文获取的实时信息包括移动终端本身的地理位置和天气状况。通过设备本身的定位系统先获得地理位置A，为下一步获取周围相似用户做准备。同时获取该位置的当前天气状况和未来几天天气，生成天气因子B=（bc，bd）。其中bc，bd分别表示当前天气状况和未来天气状况。

2.4.4 相似用户购买记录

由实时信息获取设备所在地A，确定合适的范围D，于是将所有与当前设备距离为D的用户加入一个列表E中，计算E中与当前用户c相似度高的用户，生成新的列表R，并获取到列表R中所有用户的购买记录中的商品列表T。其中用户之间的相似度计算采用Pearson关联度量公式：

2.4.5 推荐商品列表

推荐商品列表是最后推荐给用户的一组商品，列表的数量根据移动终端的大小白适应变化。如在智能手机上，则推荐列表数量为4，而在智能平板上，推荐数量可以为6或者更多。最终的推荐列表Qs由备用推荐列表Qa和周边推荐列表Qb合并而成，即：

Qs=uQa+vQb

（3）

其中，u和v分别为不同计算权重且u+v=1，这两个值可以根据实际情况做出相应调整。而Qb是由周边相似用户与实时信息生成，公式为：

Qb=G（A，P，B，T（D，N））

（4）

其中，A表示当前移动设备所在地，P表示该用户的浏览意向，B表示天气因子，T（D，N）表示与A距离为D的用户中，与该用户相似度最高的N个用户的购买记录商品列表，G（A， P，B，T（D，N））为基于以上元素生成的周边推荐列表。

2.5 输出结果展示

该部分获取到推荐结果计算步骤得到的推荐列表Qs=（q1，q2…qs）。为了增加推荐结果的多样性，增加新商品的出现频率，在结果展示上使用基于概率的展示方法。即根据推荐列表，生成对应的推荐概率Ks=（k1，k2…ks），且k1+k2+…+ks=1，其中ki表示qi展示的概率，由于推荐列表时按照相似度大小进行排序的，即qi的相似度大于qj，于是设置ki>kj，其中i>j。

3 实验结果展示

由于web前端技术是跨平台和设备的，且白适应的页面可以嵌入到移动终端应用程序中，因此，本文采用前端技术完成算法的代码实现。需要通过移动终端获取的如地理位置信息和天气等信息，采用模拟输入的方式。输入界面如下图所示：

其中，用户的购买记录由系统随机生成，所有商品为编号为l到1000的1000件商品，每个商品都有唯一的id，同时，为了模拟地理位置影响，在一个10OOxl000的范围内随机生成1000名用户，每位用户的位置为（x，y），其中1≤x，y≤1000。另外，天气状况也随机模拟为1-5的数字，分别对应不同的天气状况，每个商品都有适合其使用的天气状况代码。上图中，需要确定的范围是指以当前用户为圆心，与该用户的直线距离不超过该值的原型范围。与用户购买记录有关联的商品，是通过计算获得的与用户的购买记录有关联的商品列表，除该属性外，其余属性均支持手动输入或更改。最终生成的推荐列表如下：

如上图所示，购买倾向为1到10的值，值越大表示越接近用户的购买习惯，即越有可能被购买，购买倾向的值由当前用户的浏览记录和购买记录确定。上图的每一行为一个推荐商品，天气状况表示该商品适合在该天气状况代码的情况下推荐。以商品299为例，该商品id存在于当前用户的购买记录关联商品中，因此购买倾向较高，而商品453，其关联商品中有id为557的商品，557叉存在于当前用户的购买记录关联商品中，因此值得推荐，但没有id为299的商品的购买倾向高。

4 结论

本文在介绍了现有的推荐算法及其各自的优缺点后，提出了基于移动终端特性的电子商务推荐模型，并在实验条件下实现了模拟数据的商品推荐，证明了该方法的可行性。

但任何一种方案，都需要进行实践的检验。目前为止，本方案还没有在实际的电子商务推荐系统中进行应用。因此，下一步的工作重点，是把本方案应用于实际的商品推荐系统中，验证该方法在实际项目中的可行性。同时要继续挖掘移动终端的特性，并将这些特性结合到推荐算法中，以开发出更加完善和契合移动终端的电子商务推荐模型。

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。