- 相關(guān)推薦
數據挖掘技術(shù)在電子商務(wù)網(wǎng)站中的應用
當用戶(hù)和電子商務(wù)的商家充分享受電子商務(wù)的快捷和方便時(shí),他們同時(shí)面臨著(zhù)某些新的題目。一方面,用戶(hù)面對網(wǎng)站上提供的琳瑯滿(mǎn)目的眾多商品,他們只對其中的一部分商品感愛(ài)好。用戶(hù)要實(shí)現一次的購買(mǎi),就必須瀏覽很多不相關(guān)的網(wǎng)頁(yè),在眾多的商品分類(lèi)中找到自己所需要的商品;另一方面,商家面對眾多的用戶(hù),不知道他們對商品的愛(ài)好和要求是什么。因此,電子商務(wù)的商家無(wú)法及時(shí)調整網(wǎng)站的頁(yè)面結構,提供給所有的用戶(hù)是千篇一律的界面。缺乏個(gè)性化服務(wù)己經(jīng)成為制約電子商務(wù)發(fā)展的關(guān)鍵題目�；赪eb數據挖掘技術(shù)的電子商務(wù)推薦系統提供了一種有效的解決方法。推薦系統就是根據用戶(hù)個(gè)人的喜好、習慣來(lái)向其推薦信息、商品的程序。電子商務(wù)推薦系統能夠直接與用戶(hù)交互,模擬商店銷(xiāo)售職員向用戶(hù)提供商品推薦,幫助用戶(hù)找到所需商品,從而順利完成購買(mǎi)過(guò)程。從用戶(hù)角度來(lái)看,電子商務(wù)推薦系統通過(guò)對收集到的用戶(hù)的訪(fǎng)問(wèn)行為、訪(fǎng)問(wèn)頻度、訪(fǎng)問(wèn)內容等瀏覽信息進(jìn)行挖掘,提取用戶(hù)的特征,獲取用戶(hù)訪(fǎng)問(wèn)Web的模式,動(dòng)態(tài)地調整頁(yè)面結構,為用戶(hù)實(shí)現主動(dòng)推薦,提供個(gè)性化服務(wù);從企業(yè)角度來(lái)看,企業(yè)�？茨軌颢@取用戶(hù)的訪(fǎng)問(wèn)規律,以幫助企業(yè)確定顧客消費的生命周期,針對不同的產(chǎn)品制定相應的營(yíng)銷(xiāo)策略,進(jìn)一步優(yōu)化網(wǎng)站的組織結構和服務(wù)方式,以進(jìn)步網(wǎng)站的效率。推薦系統在幫助了客戶(hù)的同時(shí)也進(jìn)步了顧客對商務(wù)活動(dòng)的滿(mǎn)足度,換來(lái)對商務(wù)網(wǎng)站的進(jìn)一步支持。
一、推薦系統在電子商務(wù)活動(dòng)中的作用
一般說(shuō)來(lái),推薦系統在電子商務(wù)活動(dòng)中的作用可以回納為以下幾點(diǎn):
(一)把瀏覽者轉變成購買(mǎi)者
己有明確購物目標的客戶(hù)也許可以借助檢索系統找到自己需要的東西,但對于大多數只是四處走走看一看的沖浪者,或是對自己的需要比較模糊的購買(mǎi)者,很難有耐心在幾十頁(yè)長(cháng)的商品目錄逐項查找是否有自己感愛(ài)好的東西。而推薦系統通過(guò)合適的推薦,可以將一個(gè)瀏覽者變?yōu)橘徺I(mǎi)者。
(二)進(jìn)步電子商務(wù)系統的交叉銷(xiāo)售能力
電子商務(wù)推薦系統在用戶(hù)購買(mǎi)過(guò)程中向用戶(hù)提供其它有價(jià)值的商品推薦,用戶(hù)能夠從提供的推薦列表中購買(mǎi)自己確實(shí)需要但在購買(mǎi)過(guò)程中沒(méi)有想到的商品,從而有效進(jìn)步電子商務(wù)系統的交叉銷(xiāo)售。例如站點(diǎn)可以根據客戶(hù)當前購物車(chē)中的物品向他們推薦一些和這些己選購的物品相關(guān)的物品。假如有一個(gè)比較好的推薦系統,則企業(yè)的均勻定購量就可能增加。
(三)進(jìn)步客戶(hù)對電子商務(wù)網(wǎng)站忠誠度。
與傳統的商務(wù)模式相比,電子商務(wù)系統使得用戶(hù)擁有越來(lái)越多的選擇,用戶(hù)更換商家及其方便,只需要一兩次鼠標的點(diǎn)擊就可以在不同電子商務(wù)系統之間跳轉。電子商務(wù)推薦系統分析用戶(hù)的購買(mǎi)習慣,根據用戶(hù)需求向用戶(hù)提供有價(jià)值的商品推薦。假如電子商務(wù)推薦系統的推薦質(zhì)量很高,用戶(hù)可以很輕易找到自己想要的商品,那么用戶(hù)會(huì )再次訪(fǎng)問(wèn)這個(gè)網(wǎng)站,并會(huì )推薦給其他人,這對于網(wǎng)站來(lái)說(shuō)是一個(gè)很大的上風(fēng)。
二、數據挖掘技術(shù)在電子商務(wù)推薦系統的具體應用
數據挖掘是在大型數據存儲庫中,自動(dòng)地發(fā)現有用信息的過(guò)程。數據挖掘技術(shù)用來(lái)探查大型
數據庫,發(fā)現先前未知的有用模式。電子商務(wù)推薦系統將數據挖掘技術(shù)運用到電子商務(wù)領(lǐng)域,以數據挖掘為基礎衍生出很多算法。
(一)基于關(guān)聯(lián)規則的推薦算法
關(guān)聯(lián)規則是數據挖掘技術(shù)的一種,該技術(shù)挖掘發(fā)現大量數據中項集之間有趣的關(guān)聯(lián)或相關(guān)聯(lián)系。關(guān)聯(lián)規則挖掘的一個(gè)典型例子就是購物籃分析。該過(guò)程通過(guò)發(fā)現顧客放進(jìn)其購物籃中不同商品之間的聯(lián)系,分析顧客的購買(mǎi)習慣。通過(guò)了解哪些商品頻繁地被顧客同時(shí)購買(mǎi),這種關(guān)聯(lián)的發(fā)現可以幫助商家制定營(yíng)銷(xiāo)策略。
關(guān)聯(lián)規則的挖掘是一個(gè)兩步過(guò)程:
首先,找出所有頻繁項集。這些項集出現的頻繁性至少和預定義的最小支持計數一樣。其次,由頻繁項集產(chǎn)生強關(guān)聯(lián)規則。這些規則必須滿(mǎn)足最小支持度和最小置信度。
關(guān)聯(lián)規則挖掘算法的瓶頸出現在第一步。由于第一步需要反復掃描交易數據庫,所以增加了系統的開(kāi)銷(xiāo),降低了系統性能。例如:Aprior算法是一種最有影響的挖掘關(guān)聯(lián)規則頻繁項集的算法。該算法使用一種稱(chēng)為逐層搜索的迭代方法尋找頻繁項集,它開(kāi)創(chuàng )性地使用基于支持度的剪枝技術(shù),系統地控制候選項集指數增長(cháng)。它缺點(diǎn)就是由于數據庫數據的增多,需要多次掃描數據庫,這樣便影響了系統的性能。
(二)基于內同的推薦算法
基于內容的推薦系統的產(chǎn)生根源于信息檢索與信息過(guò)濾。其具體是根據項之間的相似性來(lái)進(jìn)行推薦的,先用機器學(xué)習等技術(shù)分析用戶(hù)已經(jīng)評分的項的內容,建立用戶(hù)檔案,然后從項集中選擇與用戶(hù)檔案相似的項,再從中根據評分選擇一定的項推薦給用戶(hù),最后根據用戶(hù)的反饋信息修正推薦。
基于內容得推薦技術(shù)具有一定的局限性。首先,資源內容必須以機器可以理解的格式表示,而很多信息例如圖像、視頻等多媒體信息是很難做到這一點(diǎn)的;其次,資源內容的分析范圍比較小,不能提供較多的建議;再次,基于內容的推薦不能從質(zhì)量、樣式、審美等角度對項進(jìn)行過(guò)濾。
(三)協(xié)同過(guò)濾推薦算法
協(xié)同過(guò)濾是在信息過(guò)濾和信息系統中正迅速成為一項很受歡迎的技術(shù)。與傳統的基于內容過(guò)濾直接分析內容進(jìn)行推薦不同,協(xié)同過(guò)濾分析用戶(hù)愛(ài)好,在用戶(hù)群中找到指定用戶(hù)的相似(愛(ài)好)用戶(hù),綜合這些相似用戶(hù)對某一信息的評價(jià),形成系統對該指定用戶(hù)對此信息的喜好程度猜測。
協(xié)同過(guò)濾推薦算法的缺點(diǎn)是:(1)用戶(hù)對商品的評價(jià)非常稀疏,這樣基于用戶(hù)的評價(jià)所得到的用戶(hù)間的相似性可能不正確(即稀疏性題目)。(2)隨著(zhù)用戶(hù)和商品的增多,系統的性能會(huì )越來(lái)越低(即可擴展性題目)。(3)假如從來(lái)沒(méi)有用戶(hù)對某一商品加以評價(jià),則這個(gè)商品就不可能被推薦(即最初評價(jià)題目)。
為了彌補各種推薦方法的缺點(diǎn),在實(shí)際中常采用組合推薦。在組合推薦上,國外的有關(guān)學(xué)者提出了七種組合思路:
(1)加權:加權多種推薦技術(shù)結果。
(2)變換:根據題目背景和實(shí)際情況采用不同的推薦技術(shù)。
(3)混合:同時(shí)采用多種推薦技術(shù)給出多種推薦結果,為用戶(hù)提供參考。
(4)特征組合:組合來(lái)自不同推薦數據源的特征被另一種推薦算法所采用。
(5)層疊:先用一種推薦技術(shù)產(chǎn)生一種粗糙的推薦結果,第二種推薦技術(shù)在此推薦結果的基礎上進(jìn)一步做出更精確的推薦。
(6)特征擴充:一種技術(shù)產(chǎn)生附加的特征信息嵌進(jìn)到另一種推薦技術(shù)的特征輸進(jìn)中。
(7)Metal-Level:一種推薦方法產(chǎn)生的模型作為另一種推薦方法的輸進(jìn)。
盡治理論上有很多種推薦組合方法,但在某一具體題目中并不見(jiàn)得都有效,組合推薦一個(gè)最重要的原則,就是通過(guò)組合后要能避免或彌補各自推薦技術(shù)的弱點(diǎn)。
三、電子商務(wù)推薦算法面臨的挑戰
電子商務(wù)推薦技術(shù)在實(shí)際應用中取得了巨大成功,很多電子商務(wù)網(wǎng)站都提供了各種不同的推薦服務(wù)。但隨著(zhù)站點(diǎn)結構內容的復雜度和用戶(hù)人數的增加,電子商務(wù)推薦算法也面臨很多挑戰,主要包括:
(一)實(shí)時(shí)性和擴展性題目:對于上百萬(wàn)之巨的數據,推薦系統必須快速處理、實(shí)時(shí)搜索,在幾毫秒內處理成千上萬(wàn)用戶(hù)并提供推薦。通常的推薦算法將遭到嚴重的實(shí)時(shí)性和擴展性題目。
(二)智能化推薦:目前大部分的協(xié)同過(guò)濾推薦系統采用顯示評分輸進(jìn)的方式提供個(gè)推薦服務(wù),用戶(hù)必須顯示輸進(jìn)對商品的數值評分。這種方式一方面使得評分數據的獲取比較正確可信,但同時(shí)也使得用戶(hù)在使用上不是很方便。如何根據用戶(hù)的行為向用戶(hù)提供完全智能化得推薦需要做進(jìn)一步的研究。
(三)實(shí)時(shí)性與推薦質(zhì)量之間的平衡:推薦系統的推薦精度和實(shí)時(shí)性是一對矛盾。大部分推薦技術(shù)在保證實(shí)時(shí)性要求的同時(shí),是以犧牲推薦系統的推薦質(zhì)量為條件的。在提供實(shí)時(shí)推薦服務(wù)的同時(shí),如何有效進(jìn)步推薦系統的推薦質(zhì)量,需要做進(jìn)一步深進(jìn)的研究。
(四)效率更好的數據挖掘算法的研究:更有效的K-最近搜索算法和聚類(lèi)算法能夠進(jìn)步推薦的實(shí)時(shí)性和正確性。目前的推薦系統中,K-最近搜索算法存在實(shí)時(shí)性的不足等缺陷,難以快速處理大規模的數據;質(zhì)量高的聚類(lèi)算法能夠有效分割用戶(hù)群,適合推薦的聚類(lèi)算法的性能也有待進(jìn)步。
(五)新型電子商務(wù)推薦系統體系結構研究:當前大部分的電子商務(wù)推薦系統都只是一個(gè)單一的工具,只能提供一種推薦模型。但由于電子商務(wù)系統本身的復雜性,不同場(chǎng)合需要不同類(lèi)型的推薦。因此,需要研究新型電子商務(wù)推薦系統體系結構,以有效集成多種推薦工具,收集多種類(lèi)型的數據,提供多種推薦模型,使得不同的推薦工具組合使用,互補是非,滿(mǎn)族不同類(lèi)型的推薦需要。
參考文獻:
[1] 曾子明,余小鵬(著(zhù)):電子商務(wù)推薦系統與智能談判技術(shù)[M]武漢大學(xué)出版社2008.5
[2]Mehmed Kantardzic (著(zhù)) 閃四清,陳茵,程雁 等(譯):數據挖掘
【數據挖掘技術(shù)在電子商務(wù)網(wǎng)站中的應用】相關(guān)文章：
談數據挖掘技術(shù)在電子商務(wù)中的應用03-21
數據挖掘技術(shù)在ＣＲＭ中的應用03-22
數據挖掘在旅游電子商務(wù)中應用論文11-28
數據挖掘技術(shù)在企業(yè)知識管理中的應用03-19
數據挖掘技術(shù)在客戶(hù)關(guān)系管理中的應用12-09
數據挖掘在ＣＲＭ中的應用分析03-22