个性化推荐：电子商务驱动力（Z）

转自：价值中国

Internet的迅猛发展将人类带入了信息社会和网络经济时代，对企业发展和个人生活都产生了深刻的影响。基于Internet的虚拟企业不再需要传统物理环境下企业所需的实体投资，企业与顾客、供应商等建立起更为直接的联系，电子商务模式为企业发展提供了更多的机会，同时也带来了许多挑战。其中，最为突出的一个问题就是如何实现个性化推荐。

由于供应链和物流的发展，在电子商务的虚拟环境下，商家在网上所能提供的商品种类和数量非常多，用户想找到自己感兴趣的商品，就需要浏览大量的无关信息，这个过程会导致用户不断流失，用户也无法通过一个小小的计算机屏幕就能很方便地发现自己感兴趣的商品。因此，用户亟需电子商务系统具有一种类似采购助手的功能来帮助其选购商品，它能根据用户的兴趣爱好自动地推荐给每个用户可能感兴趣且能让用户满意的商品。

在此情形下，电子商务个性化推荐系统（Personalized Recommender Systems in E-commerce）应运而生，也称个性化推荐系统（Personalized Recommender Systems），它是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。购物网站的推荐系统为客户推荐商品，自动完成个性化选择商品的过程，满足客户的个性化需求。

个性化推荐系统犹如汽车的发动机，将电子商务发展带入一个新的时代：个性化时代。通过数据的积累和分析，通过技术的不断应用和创新，人们在海量资讯的信息时代自由翱翔。

1.电子商务个性化推荐的框架

电子商务个性化推荐(Personalized Recommendation in E-Commerce)是电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买的过程。它能收集用户兴趣资料并根据用户兴趣偏好主动为其做出个性化的推荐，这样，当用户每次输入用户名和密码登录电子商务网站后，推荐系统就会自动按照用户偏好程度的高低推荐给用户最喜爱的产品。

按系统的观点，电子商务个性化推荐框架可视为三个模块组成部分，分别是输入、输出和推荐方法与技术，如图1所示。

个性化推荐的输入模块表明从哪里去获取用户的偏好。所以主要涉及两部分，一是用户信息获取的平台，最典型的平台当然是传统的电子商务平台和网站，但随着社会网络（如Facebook、Twitter、Renren等）的应用，基于社会网络的社会商务的广泛应用，社会商务系统也成为获取用户信息的平台。从偏好的表现形式来看，包括隐式浏览输入、显式浏览输入等。显式偏好主要包括用户的评分、用户关系标注等；隐式偏好主要包含用户的浏览、查询等。此外，在移动商务环境下，用户的情景信息，如所在地址、天气等，也是推荐的输入。

个性化推荐的输出主要包含两种形式，一是预测，预测用户对某商品的偏好；二是推荐，基于预测直接给用户推荐其可能感兴趣的商品。具体从应用上看，主要包括偏好预测、链接预测、专家发现、朋友搜索以及个性化搜索等。

2. 个性化 推荐 算法

推荐方法模块是推荐系统的核心部分，决定着推荐系统的性能优劣。主要的推荐技术包括：

(1)协同过滤推荐

协同过滤推荐（Collaborative Filtering Recommendation）是目前研究最多的个性化推荐技术，它是基于邻居用户的资料得到目标用户的推荐，推荐的个性化程度高。具体来讲，协同过滤推荐一般主要分为两类：一是基于内存的协同过滤（Memory-based Collaborative Filtering），其基本思想是用统计的方法得出所有用户对物品或者信息的偏好，然后发现与当前用户口味和偏好相似的“邻居”用户群，基于某个邻居的历史偏好信息，为当前用户进行物品的推荐，所以该方法也称基于用户的协同过滤（User-based Collaborative Filtering）或基于邻居的协同推荐（Neighbor-based Collaborative Filtering）；二是基于模型的协同过滤推荐（Model-based Collaborative Filtering），是指根据用户和物品的直接历史点击或购买记录，来计算物品和物品之间的相似度，得出一个模型，然后根据用户的历史偏好的物品信息，将挖掘到的类似的物品推荐给用户，即用此模型进行预测。

与传统文本过滤相比，协同过滤有以下优点：一是能够过滤难以进行机器自动基于内容分析的信息，如艺术品、音乐；二是能够基于一些复杂的，难以表达的概念（信息质量、品位)进行过滤；三是推荐具有新颖性。正因为如此，协同过滤在商业应用上也取得了不错的成绩。Amazon、CDNow、MovieFinder都采用了协同过滤的技术来提高服务质量。 

(2)基于内容的推荐

基于内容的推荐（Content-based recommendation）是信息过滤技术的延续与发展，项目或对象是通过相关特征的属性来定义，系统基于用户评价对象的特征，学习用户的兴趣，依据用户资料与待预测项目的相匹配程度进行推荐，如新闻组过滤系统NewsWeeder。

(3)基于用户统计信息的推荐

基于用户统计信息的推荐（Demographic-based recommendation）的推荐系统是基于用户个人属性对用户进行分类，再基于类对类中的用户进行推荐，它不要求有一个历史的用户数据，但协同过滤和基于内容的推荐技术则都需要。

(4)基于关联规则的推荐

基于关联规则的推荐（Association rule-based recommendation）是以关联规则为基础，把已购商品作为规则头，规则体为推荐对象，其中关联规则的发现最为关键且最耗时，是算法的瓶颈，但可以离线进行，商品名称的同义性问题也是关联规则的一个难点。

此外，还用基于效用的推荐（Utility-based recommendation）和基于知识的推荐（Knowledge-based recommendation），前者基于用户对产品的效用函数，后面更多采用人工智能和推理技术。

3.个性化推荐系统的作用

目前个性化推荐在电子商务企业有着较为广泛的应用。Amazon 被业界认为是当之无愧的“推荐之王”，是目前公认的推荐应用最为成功的案例，从推荐的形式来看，Amazon把推荐服务放到了网站的各个角落；在推荐方法技术上，Amazon综合了多种推荐服务类型，基于item相似性和相关性，基于浏览/购买历史，基于协同过滤等等，能够根据客户当前查看页面类型，当前关注的产品信息等内容动态地组合这些推荐服务。著名团购网站Groupon也推出个性化交易功能，向用户推送其认为用户会感兴趣的交易，个性化能帮助该网站抵御500个克隆网站的侵袭，将允许Groupon提供不限量的交易,也能提供大城市外的业务交易。

电子商务个性化推荐在实践中对电子商务具有重要意义。Amazon.com的前总裁Jeff Bezos说，“如果我在网上有3百万个客户，我将要建立3百万个商店”，其意思就是说要为每一个客户建立一个个性化的商店，以便提供更个性化的客户服务。个性化推荐的最大优点在于，它能收集用户特征资料并根据用户特征，如兴趣偏好，为用户主动作出个性化的推荐。而且，系统给出的推荐是可以实时更新的，即当系统中的商品库或用户特征库发生改变时，给出的推荐序列会自动改变。这就大大提高了电子商务活动的简便性和有效性，同时也提高了企业的服务水平。事实上，个性化服务可以给企业带来巨大的商业价值，一个成功的个性化推荐系统的作用主要表现在以下几个方面：

一是将电子商务网站的浏览者转变为购买者。电子商务系统的访问者在浏览过程中经常并没有购买欲望，个性化推荐系统能够向用户推荐他们感兴趣的商品，从而促成购买过程。

二是提高电子商务网站的交叉销售能力。个性化推荐系统在用户购买过程中向用户提供其他有价值的商品推荐，用户能够从系统提供的推荐列表中购买自己确实需要但在购买过程中没有想到的商品，从而有效提高电子商务系统的交叉销售。

三是提高客户对电子商务网站的忠诚度。与传统的商务模式相比，电子商务系统使得用户拥有越来越多的选择，用户更换商家极其方便，只需要点击一两次鼠标就可以在不同的电子商务系统之间跳转。个性化推荐系统分析用户的购买习惯，根据用户需求向用户提供有价值的商品推荐。如果推荐系统的推荐质量很高，那么用户会对该推荐系统产生依赖。因此，个性化推荐系统不仅能够为用户提供个性化的推荐服务，而且能与用户建立长期稳定的关系，从而有效保留客户，提高客户的忠诚度，防止客户流失。

据说Amazon 30% 的销售是依靠推荐带来的。著名掘客类网站Digg在使用个性化推荐技术后，Digg行为的活跃度获得了明显的提高，每天的用户Digg总数提高了40%，平均每个有digg行为的用户每天会获得200个推荐结果，用户好友数增加了24%，用户的评论数增加了11%。

4.电子商务个性化推荐的未来

目前，几乎所有的大型电子商务系统，如Amazon、eBay等，都不同程度地使用了各种形式的推荐系统。各种提供个性化服务的Web站点也需要推荐系统的大力支持。个性化推荐系统具有良好的发展和应用前景。未来个性化推荐可能会有以下重要的发展方向：

(1)面向社会商务的推荐

随着社会网络和Web2.0的发展，未来电子商务可能更多依托于社会网络平台，基于这种平台的社会商务可能成为未来电子商务的重要发展方向。在社会商务环境下，用户成为商务活动的主体，更加强调用户与用户的互动与共享，在这个环境下，个性化推荐的作用将更为重要，推荐的内容包括好友推荐、商品推荐等。

微博是目前影响最大的一种重要社会网络，聚集了大量的客户，基于微博的个性化营销是未来营销的一个重要思路。企业可以通过借助微博，基于用户的推荐，对新产品进行病毒式营销。Hotmail在早期通过病毒营销的方式，在半年时间里就吸引了1200万注册用户，每天超过15万新用户的速度发展，但其费用还不到竞争者的3%；Unilever（联合利华）通过策略主题为”Dove – Real beauty”的病毒营销活动，在不到10天的时间里，有230万消费者，扩大产品知名度(Van der Lans et al. 2010）。著名唱片公司TiVo1为推广新唱片，选择1000多位用户为其免费提供唱片。

(2)移动商务环境下的推荐

目前的电子商务还主要是以互联网为主体，随着未来三网融合以及智能手机、便携式计算机、PDA等智能终端的发展，移动电子商务是未来发展的一个新动向。相应地，面向移动商务的推荐也变得更加重要。这主要有两方向的原因，一是移动终端界面小，用户操作不方便，更需要一种自动化的推荐方法帮助用户方便地推荐其偏好的商品；二是在移动环境下的推荐下除了需要考虑用户的偏好，推荐还必须考虑用户的情景信息，如时间、地点、天气等。

移动个性化服务是指移动内容和服务的提供商根据用户的年龄、身份、职业等个人特点、偏好等因素以及情景，为用户提供针对性的个性化的服务。在这种模式下，用户不再只提意见和要求，而是作为参与者与内容提供商一起按照用户的需求开发出能使他们产生共鸣的个性化产品，并通过自制或定制的产品来展示自己的独特个性。一个最广泛的应用行业就是旅游业，从用户最开始的旅游地点的推荐，到行程路线、交通工具、住宿、购物等各个环节，都可以为用户提供个性化的服务，这种推荐不但要考虑用户偏好，还必须基于用户当前的地点、天气和环境等因素。

(3)交互式个性化推荐

目前推荐的一个前提假设是用户能较为清晰地表达出自己的偏好，但事实上很多时候用户难以自己表达出自己的偏好，需要与系统进行交互，用户对系统给出的推荐进行评判，然后系统再进行推荐，多次循环的交互推荐，才能保证推荐准确性。Amazon允许用户提供或者修正推荐所依赖的信息，比如用户可以查看并修改自己的档案、浏览历史，可以对感兴趣的或不感兴趣的商品进行管理和打分，可以通过社区进行讨论、评论、反馈相关商品，而所有这些信息一经修改或产生后直接对推荐的结果产生影响，从而提供推荐的准确性。比如，某用户去想购买一台电脑，如果该用户对电脑知识一无所知，他是无法通过一些具体配置指标来准确描述其偏好的，在这种情况下，也许推荐系统需要通过和用户进行交互，不断识别其偏好。

5.进一步提高个性化推荐算法的精度

个性化推荐的核心部件是推荐方法，但目前已有方法本身存在一些问题，影响推荐算法的准确度，未来研究的一个主要方向将是针对这些问题提出推荐方法的改进。主要问题包括稀疏问题（Sparsity），因为用户的评价数据非常稀疏了，使得个性化推荐方法无法使用，或推荐精度非常低；冷开始（Cold-Start）问题，指如果一个新项目没人去评价它，或都不去评价它，则这个项目肯定得不到推荐；奇异发现（Serendipity）问题，如何使推荐的结果既符合用户的偏好，又能保证产品间的差异最大化；健壮性问题，由于竞争的原因，竞争对手人为地假数据，推荐系统如何能识别并保证推荐结果是可靠的。

6.由单个推荐方法向商务智能分析工具转化

目前个性化推荐还只是一种面向用户的个性化推荐算法，未来研究应会将此方法嵌入到CRM系统，以支持其在企业的推广和应用，同时将电子商务个性化推荐系统由虚拟的销售人员转变为市场分析工具，最终成为一种商业智能的工具，为商家的产品定价、促销活动及交叉销售等提供参考。