本站小編為你精心準備了推薦系統在電子商務中的應用參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

【摘要】隨著科學技術和信息技術的蓬勃發展，人們會遭遇信息過載的難題。而推薦系統通過對用戶行為特征進行分析，將用戶和商品聯系起來，向用戶推薦其可能需要的信息，可以很好地解決這一難題，從而實現消費者和生產者的共贏。個性化的推薦系統被廣泛應用于電商領域，和大數據以及AI一樣，將成為一種趨勢。本文通過對推薦系統中涉及的算法進行研究和歸納，以求使其更好地應用于電子商務領域。

【關鍵詞】協同過濾；數據挖掘；個性化

總的來說，推薦系統是一個巨大的研究領域。在各種應用中，多多少少都有推薦系統的身影。小到文章推薦，大到以用戶為導向的廣告的推送。

一、推薦系統的含義與意義

（一）推薦系統和搜索引擎的涵義與區別通過對互聯網中各大電子商務網站的研究，我們不難發現:推薦系統和搜索引擎常常被作為一對互補工具來使用。推薦系統和搜索引擎一樣，其誕生都是為了解決信息過載的問題，使用戶方便快捷地找到對自己有用的信息。和搜索引擎不同的是，推薦系統可以在用戶沒有明確需求下，通過分析用戶的歷史行為，給用戶的興趣建模，從而幫助用戶發現其感興趣的新內容。

（二）推薦系統在電子商務中的作用因此，推薦系統作為一種工具，最早被應用于電子商務領域，同時也在目前的電子商務領域中被廣泛使用。從物品的角度出發，推薦系統可以更好地發掘物品的長尾，從而提高總體的銷售額。在當今的互聯網條件下，由于電子商務網站的成本遠遠低于實體店，電子商務網站往往能銷售的商品數量比實體店多得多。對于電子商務網站來說，主流商品只占了所有商品的一小部分，剩下的絕大部分商品都屬于長尾商品，所以長尾商品的總銷售額將是一個不可小覷的數字。如果電子商務網站能夠利用推薦系統這種自動化的工具來發掘用戶對長尾商品的潛在需求，那么其帶來的商業價值將是不可估量的。

（三）推薦系統的本質說到底，推薦算法的本質就是通過特定的方法將用戶和商品聯系起來。根據其目標不同，進而采取不同的方式。比如，常用的方式有：利用好友、利用用戶的日志記錄以及用戶的預留信息等。

二、個性化推薦技術在電子商務中的應用

（一）個性化推薦系統和搜索引擎的涵義與區別個性化的推薦系統和搜索引擎不同的地方在于：個性化的推薦系統往往是需要依賴用戶的行為數據，所以個性化的推薦系統不可能獨立存在于一個電子商務網站中，而一般只是作為其中的一個應用存在于不同的電子商務網站中。在各大電子商務網站中都可以看到推薦系統的應用，而個性化推薦在這些電子商務網站中的主要作用是通過分析大量用戶行為日志，給不同的用戶提供不同的個性化的頁面展示，來提高電子商務網站的點擊率和轉化率。

（二）推薦系統的組成盡管不同的電子商務網站使用不同的推薦系統技術，但總的來說，幾乎所有的推薦系統應用都是由前臺的展示頁面、后臺的日志系統以及推薦系統這三部分組成的。而推薦系統中的算法優劣往往代表了一個電子商務網站的競爭力，電子商務網站的核心，是不會對外公開的。

（三）個性化推薦系統在亞馬遜中的應用以著名的電子商務網站亞馬遜為例，亞馬遜曾經被RWW（讀寫網）稱為”推薦系統之王”。亞馬遜的推薦系統深入到了其各類產品中，其中最主要的應用有個性化的商品推薦列表和相關商品的推薦列表。而亞馬遜的個性化的商品推薦列表大概采用的是一種基于物品的推薦算法（item-basedmethod），該算法的核心在于給用戶推薦一些和他們之前感興趣的物品相似的物品。相關推薦列表的核心思想在于通過用戶的行為計算物品的相關性。相關推薦列表的最主要應用就是打包銷售(crossselling)。這種銷售手段后來也被電子商務網站列為標準應用。據不完全統計，亞馬遜至少有35%的銷售額得益于推薦算法的應用。由此可見，一點點推薦算法的優化都能產生巨大的經濟效益。亞馬遜與其他電子商務網站相比，其最大的優勢就在于個性化的推薦系統。

（四）個性化推薦系統的重要性換一句話說，個性化的推薦系統就等于讓每一個用戶都能擁有一個屬于自己的在線商店。它的存在，意義非凡。個性化的推薦系統不僅能提升經濟效益，還能提升用戶的體驗感和對其電子商務網站信任度。

三、如何利用用戶行為數據和推薦算法

（一）基于用戶行為的推薦算法在電子商務網站和傳統零售業中，購物車分析是其核心數據分析任務。個性化推薦算法使人們可以借助計算機來發現一些潛在的規律，從而指導產品的設計。這種基于用戶行為的推薦算法是個性化推薦系統中最重要的算法，學術界稱其為協同過濾算法，它是推薦系統產生的標志。一般來說，用戶的行為數據存在于系統的日志中。系統中的日志詳細地記錄了用戶每次的操作。在電子商務網站中，這些行為主要包括：瀏覽、點擊、評分、購買、評論等。目前最著名并且在業界應用最廣泛的是基于鄰域的算法。

（二）基于鄰域的算法基于鄰域的算法又分為兩種：基于用戶的協同過濾算法和基于物品的協同過濾算法。前者是給用戶推薦和他興趣相似的其他用戶喜歡的商品。后者是給用戶推薦和他之前喜歡的商品相似的商品，在目前業界應用最多?；谟脩舻膮f同過濾算法的核心思想是先找到目標用戶興趣相似的用戶集合，然后將找到的集合中用戶喜歡的并且目標用戶沒有聽說過的物品推薦給目標用戶。而基于物品的協同過濾算法的核心思想是先計算出商品之間的相似度，然后根據用戶的歷史行為和商品之間的相似度給用戶生成推薦列表。前者的推薦效果更社會化;后者的推薦效果更個性化。兩者的相似之處在于同樣要計算相似度矩陣。

（三）推薦系統對用戶行為數據的處理推薦系統中的用戶行為數據是以數據集的方式存在數據倉庫中的。而數據倉庫最大的特點就是它是隨時間變化的數據集合，這就意味著:有效的數據數量越多，推薦系統的分析結果越精確。四、結語推薦系統作為一種強大的機器自學習的工具，只需要賦予它算法，就能得到精準的反饋，這在未來的電子商務領域的應用會越來越廣泛。但推薦算法并不是一勞永逸的，它需要一個迭代的過程：只有通過算法讓機器不斷學習，得到的結果才會越來越符合人們的要求。通過奇異值分解（SingularValueDe-composition，SVD），可以簡化數據，剔除不必要的垃圾數據對算法精度的影響，從而達到優化算法的效果，進而提升推薦引擎的性能。通過歐式距離公式，可以計算出商品間的相似度。憑借Phython語言強大的性能，可以將推薦算法嵌入到系統的后臺數據庫中去，讓計算機更好地為人們服務，從而使系統更實用、更完美。雖然基于內容的推薦并沒有基于協同過濾的推薦效果好，但是基于內容的推薦實施起來遠沒有基于協同過濾的推薦來得復雜，所以基于內容的推薦往往作為一個推薦應用的開端。個人認為，兩者既有其自身的優點，也有其自身的缺點，如果在實際條件允許的情況下，我們完全可以將二者結合使用，來達到更好的推薦效果。

參考文獻：

［1］鄭巖.數據倉庫與數據挖掘原理及其應用(第二版)［M］.北京:高等教育出版社，2015.1

［2］項亮.推薦系統實踐［M］.北京:人民郵電出版社

作者：呂福春1；WeiQiu2 單位：1福建工程學院，2Fayetteville-ManliusHighSchool