參考國內最具代表性的百分比推薦系統框架,個性化推薦系統的推薦引擎在個性化算法框架的基礎上還引入了場景引擎、規則引擎和展示引擎,形成了全新的百分比推薦引擎技術框架。系統通過整合利用用戶的興趣偏好、屬性、產品屬性、內容、分類以及用戶之間的社交關系,挖掘用戶的偏好和需求,主動向用戶推薦他們感興趣或需要的產品。
基於雲計算的個性化推薦平臺。消除數據孤島,建立基於全網用戶興趣偏好軌跡的精準雲計算分析模型,打通用戶在多個網站的興趣偏好,形成用戶行為偏好大數據中心。
多種智能算法庫。基於多維數據挖掘和統計分析,建立並優化算法模型。綜合運用基於內容、用戶行為和社交網絡的各種算法,向用戶推薦自己喜歡的商品、服務或內容。
電子商務推薦系統的主要算法有:
(1)關聯規則推薦算法。
(2)基於內容的推薦算法。
內容過濾主要采用自然語言處理、人工智能、概率統計和機器學習。
項目或對象由相關特征的屬性定義。系統基於用戶評價對象的特征來學習用戶的興趣,根據用戶的數據與要預測的項目的匹配程度進行推薦,並嘗試向客戶推薦與之前喜歡的產品相似的產品。如新聞組過濾系統新聞除草機。
基於內容過濾的系統具有簡單有效的優點。特別是對於推薦系統常見的冷啟動問題,基於內容的方法可以很好地解決。由於算法不依賴於大量用戶的點擊日誌,只需要利用待推薦對象的屬性、類別、關鍵詞等特征,因此該方法在待推薦對象數量多、變化快、累計點擊量少等應用場景下具有良好的效果。但這種方法的缺點是對推薦對象的描述能力有限且過於詳細,推薦結果往往局限於與原對象相似的類別,無法為客戶找到新的感興趣的資源,只能找到與客戶現有興趣相似的資源。這種方法通常僅限於容易分析的產品推薦,對於壹些難以提取內容的產品,如音樂光盤、電影等,無法產生滿意的推薦結果。
(3)協同過濾推薦算法
協同過濾正迅速成為信息過濾和信息系統中非常流行的技術。與傳統的基於內容過濾的推薦不同,協同過濾通過分析用戶的興趣,在用戶群中尋找指定用戶的相似(感興趣)用戶,並綜合這些相似用戶對某壹信息的評價,形成系統對指定用戶的偏好預測。
與傳統的文本過濾相比,協同過濾具有以下優勢:
1)可以過濾難以進行自動內容分析的信息。比如美術、音樂;
2)可以基於壹些復雜、難以表達的概念(信息質量、等級)進行篩選;
3)推薦的新穎性。正因為如此,協同過濾在商業應用中也取得了不錯的效果。亞馬遜、CDNow、MovieFinder都采用協同過濾技術來提高服務質量。
協同過濾推薦算法可以進壹步細分為基於用戶的協同過濾和基於項目的協同過濾。
基於用戶的協同過濾的基本思想是:根據所有用戶對項目或信息的偏好,找到與當前用戶口味和偏好相似的“鄰居”用戶群,在壹般應用中采用計算“K- neighbors”的算法;然後基於這k個鄰居的歷史偏好信息,為當前用戶推薦物品。
基於項目的協同過濾的基本原理是類似的。該方法根據用戶和物品的直接歷史點擊或購買記錄計算物品之間的相似度,然後根據用戶歷史偏好的物品信息向用戶推薦挖掘出的相似物品。
基於用戶的協同過濾和基於項目的協同過濾各有適用場景。壹般來說,協同過濾方法的缺點是:
1)稀疏性問題:如果用戶對商品的評價非常稀疏,那麽基於用戶評價的用戶之間的相似度可能不準確;
2)可擴展性:隨著用戶和商品的增加,系統的性能會越來越低;
3)冷啟動問題:如果壹個產品從來沒有被用戶評價過,是不可能推薦的。
4)長尾問題:微市場推薦。
因此,目前的電子商務推薦系統都采用了多種技術相結合的推薦技術。