栏目分类:
子分类:
返回
考证宝用户登录
快速导航关闭
当前搜索
当前分类
子分类
实用工具
热门搜索
考证宝 > 学术 > 学术期刊 > 新媒体研究

社交媒体在电子商务推荐系统中的应用研究

新媒体研究 更新时间: 发布时间: 学术归档 最新发布 模块sitemap 聚返吧 伯小乐

社交媒体在电子商务推荐系统中的应用研究

袁超凡

摘 要 个性化推荐技术的应用是电子商务平台进行精细化运营的重要手段。个性化商品推荐系统的合理设计能够有效提高电子商务平台订单转化率,缩短用户购物路径,改善用户体验。近些年来,电子商务与社交媒体相融合的创新模式为社会化推荐提供了可能。挖掘社交关系数据的用户关系,将其应用到传统的推荐模型中,是改善推荐系统推荐精度的有效方法。

关键词 社交媒体;电子商务;网络;社会化

中图分类号 G2 文献标识码 A 文章编号 2096-0360(2017)23-0014-03

1 问题背景

电子商务在经历了十几年的规模性增长后,网络零售进入了增速放缓的阶段。

从国家统计局公布的2016年的数据看,电商的盈利空间被压缩,竞争更为激烈,兼并与淘汰更加频繁,创新、拓展与试错成为主题[1]。如何通过精细化的运营更好地生存是电商企业要重点考虑和解决的问题。

2017年6月27日,易观与云集微店联合发布了《中国社交电子商务发展专题分析2017》的分析报告。报告指出,网上零售在初显增速放缓中探寻到一条将电子商务与社交媒体相融合的创新模式,極大激活了市场活力。

中国电子商务研究中心指出,电子商务和微博社交网络是目前中国用户使用较频繁的两大服务平台,据CNNIC调查显示,同时使用两类服务平台用户较大,达到1.67亿[2]。2017年,阿里集团持有新浪微博31%股权,为新浪微博的第二大股东。在这种整合模式下,电子商务平台可以将用户的购物数据与社交媒体中的社交信息整合起来,为实现社会化推荐提供数据基础。

2 推荐系统的发展和应用

个性化推荐技术是解决用户模糊需求的重要途径,该技术的应用能够促进信息的高效筛选和过滤。

1994年,明尼苏达大学Group Lens研究组使用基于协同过滤的推荐算法推出了Group Lens系统[3],推荐系统从此成为一个相对独立的研究方向。经过20多年的发展,个性化推荐算法被广泛集成到很多商业应用系统中,如电子商务,影音、阅读,新闻等内容产业。在电子商务领域,亚马逊对个性化推荐系统使用起步早、且应用广泛。Brent,Greg[4]指出,1998年,亚马逊应用了基于项目的协同过滤推荐算法,到2017年,推荐系统在亚马逊平台的应用已经经历了近20年的历史。国内著名的电商平台淘宝、京东对推荐系统的应用也十分广泛[5]。

目前,电子商务平台普遍应用的基于协同过滤的推荐算法,在分析用户相似性和产品相似性时,都是以用户对商品的历史行为数据作为数据源,忽略了用户属性以及用户关系等问题,存在推荐准确度低等问题。社会化推荐技术,是通过引入用户的社交关系来改善传统推荐系统的准确度的一个有效方式。

电子商务平台对于社交网络的应用多为简单的广告促销模式,例如亚马逊以在Facebook发布促销信息进行社交互动,2013年数据显示,在Facebook上亚马逊社会化电子商务转化率只有3.67%。2010年报道称,亚马逊允许将用户在电商平台的账户和Facebook的社交账户进行绑定,网站可以通过分析用户在社交网站发布的兴趣信息或者好友圈的流行产品信息,为用户提供购物建议[6]。在中国,淘宝网对于微博的应用停留在帮助推广阶段。如何从社交互动转化为社交发现,例如通过社交平台上用户之间的社交关系增强推荐结果的可信度,或者从社交活动信息中挖掘用户潜在的购物偏好,是社会化推荐的研究方向。

本文研究了如何将社交媒体与传统的协同过滤算法结合起来,改善传统推荐算法的推荐精度问题。提出一种基于用户局部信任模型的协同过滤算法。

3 推荐模型介绍

3.1 基于项目的协同过滤(Item-based Collaborative Filtering)

协同过滤推荐算法是推荐系统中应用最早和最为成功的技术之一。以推荐算法应用的数据源不同进行分类,协同过滤分为基于记忆的推荐,基于模型的推荐。

基于记忆的推荐应用用户与商品之间的交互信息,如点击,购买,评分等数据,构建用户之间或者产品之间的相似性模型,其中,通过计算产品相似度进行商品推荐的模型称为基于项目的协同过滤算法。本文的算法改进以基于项目的协同过滤算法为基础,因此简单介绍该算法的理论基础。

该算法的假设是,与之前购买的评价高的商品相比,若目标产品与其相似度越高,则用户对目标产品感兴趣的可能性越大。产品和产品的相似性可以用皮尔森相关系数法进行计算。

公式中,为产品和产品共同评分的顾客集合,为产品的评分均值,为顾客对产品的评分。

3.2 社会化推荐技术

社会化推荐是近年来推荐系统的研究热点之一。该技术利用用户的社会化行为数据,或者社交关系网络数据,提高推荐系统的推荐结果的准确度,解决传统推荐系统的冷启动问题。冷启动是当新的用户或者新的物品加入推荐系统时面临的问题。由于没有历史数据,推荐系统难以对新用户进行兴趣建模,也难以匹配对新物品感兴趣的用户群体。社会化推荐中,可以通过引入与新用户相关的其他用户的兴趣信息,从而间接预测新用户兴趣模型。

3.2.1 基于社会化行为的推荐

社交网络平台中,常见的社会化行为包括用户主动标识标签、书签、评注等信息资源。以国内社区网站豆瓣为例,用户可以对图书或者影音等信息进行自定义标记,网站可以通过这些标记来对产品属性进行分类,并对用户进行相似标签产品的推

荐[7-8]。将基于标签的推荐算法应用到传统推荐算法中,研究了如何将基于社会化行为的推荐与基于协同过滤的推荐算法结合起来。

3.2.2 基于用户关系网的推荐

利用用户间的社交关系是社会化推荐的另一个主要应用。关于用户关系计算目前主要有信任度模型、用户聚类分析等。endprint

信任度计算主要分为全局信任模型和局部信任模型。全局信任主要是计算每个用户基于交易反馈而形成的声誉度,对全局信任的研究,主要有S.Kamavar综合反馈评价信任模型和信誉机制提出的EigenTrust算法,L.Xiong提出的PeerTrust算法等[9]。局部信任度的计算是在任意两个用户之间进行的,对局部信任的研究,推荐领域已经有很多优秀的算法和模型,例如用于连续信任值计算的TidalTrust模型[10],基于概率的信任模型[11]等。

4 基于用户局部信任模型的协同过滤算法

4.1 推荐模型

传统的基于项目的协同过滤算法没有考虑用户自身属性以及用户关系属性,在该算法中,所有用户对计算结果的影响权重都是相同的,即均为1。但是用户自身特点不同,如用户的活跃度,用户与目标用户的亲密度等不同,则对计算结果的影响权重也不同。

本文用目标用户对共同评分用户的量化的信任关系作为该共同评分用户对计算结果的影响权重,即信任值越大,权重越高,信任值越小,权重越低。这种权重调和方式能有效改善用户间关系不同对推荐结果所造成的影响。本文将用户对用户信任值定义为用户之间的相似度和用户之间因好友关系而形成的传递信任的加权之和,公式如下,公式中。

用户相似度可以通過基于人口统计学的方法进行计算,其用到的信息可以是用户在电子商务平台注册的信息,包括性别、年龄、地区等。Sun[11]提出的基于概率的信任值计算方法,可以应用到传递信任模型的计算中。

以皮尔森相关系数法作为基础算法,结合信任值,改进的项目相似度计算公式为:

公式中,为目标用户,相似度度量公式是自适应于用户的。

4.2 推荐系统实现条件

1)大量有效的数据支持。对于电商平台来说,除了提高网站本身流量,还需要通过与社交网络整合,来获取购物平台用户的社交信息。

2)本文提出的社会化推荐算法是以改进推荐精度为目的,对于推荐系统的数据稀疏以及运算复杂度问题的考虑,还需做进一步的扩展研究。

4.3 评价指标

4.3.1 购物路径长度

一个消费者进入电子商务网站首页界面,然后首页界面可以点击跳转到商品页面或者活动页面,这就是购物路径。购物路径的合理性直接影响到转化率,例如,阿里巴巴集团CEO张勇在开发手机淘宝时给阿里无线团队下达任务:让每一个用户在手机上点击不超过三次就能够跳转到想要看到的页面。高效的个性化推荐以及合理的品牌产品展示布局,对缩短购物路径有着重要作用,因此,购物路径长度是测评一个电子商务推荐系统的重要指标。

4.3.2 订单转化率

订单转化率——将网站流量转化为购买量的比例,是当今电子商务网站的运营核心。电子商务网站的流量质量是影响订单转化率的重要因素。高效的推荐系统能有效提高流量质量,进而提高订单转化率。

4.3.3 客户购物体验满意度及用户黏度

电子商务与线下实体经济的本质都是为了满足顾客购物消费的服务经济。而每一种产品和服务除了价格和成本外,体验经济是一个争夺市场占有率的一个重要方式。《第三次浪潮》的作者托夫勒曾经谈到服务经济最终将转向体验经济。电商平台将越来越多地通过体验服务来提高竞争力,获取更高的市场回报。个性化,多样化消费是体验经济时代消费者的一个消费需求,而个性化推荐技术则是满足这种需求的重要手段。

此外,合理的个性化推荐技术能为顾客推荐真正感兴趣的产品,这对提高电商平台的吸引力,增加复购率,提升用户黏度有着积极影响。

参考文献

[1]搜狐财经.网购增速放缓 2017年电商淘汰赛该如何打?[EB/OL].[2017-01-18].http://www.sohu.com/a/124635139_393779.

[2]中国电子商务研究中心.同时微博与网购的用户达1.67亿[EB/OL].[2013-05-28].http://b2b.toocle.com/detail--6103029.html,2013.

[3]Resnick P, Iacovou N, Suchak M, et al. GroupLens: an open architecture for collaborative filtering of netnews[C]// ACM Conference on Computer Supported Cooperative Work. ACM, 1994:175-186.

[4]Brent Smith, Greg Linden, “Two Decades of Recommender Systems at Amazon.com”, IEEE Internet Computing vol. 21 no. 3, p.12-18,2017.

[5]洪亮,任秋圜,梁树贤.国内电子商务网站推荐系统信息服务质量比较研究——以淘宝、京东、亚马逊为例[J].图书情报工作,2016,60(23):97-110.

[6]腾讯科技.亚马逊用户可绑定Facebook账户并获购物建议[EB/OL].[2010-07-28].http://tech.qq.com/a/20100728/000143.htm.

[7]蔡强,韩东梅,李海生,等.基于标签和协同过滤的个性化资源推荐[J].计算机科学,2014,41(1):69-71.

[8]万朔.基于社会化标签的协同过滤推荐策略研究[D].成都:电子科技大学,2010.

[9]刘建国,周涛,汪秉宏.个性化推荐系统的研究进展[J].自然科学进展,2009,19(1):1-15.

[10]Golbeck J.Computing and Applying Trust in Web-based Social Networks [D]. University of Maryland,2005.

[11]Sun Y L,Yu W, Han Z, et al. Information theoretic framework of trust modeling and evaluation for ad hoc networks[J]. IEEE Journal on Selected Areas in Communications, 2006, 24(2):305-317.endprint

转载请注明:文章转载自 考证宝www.kaozhengbao.com
本文地址:https://www.kaozhengbao.com/xueshu/40268.html
我们一直用心在做
关于我们 文章归档 网站地图 联系我们

版权所有 (c)2021-2022 kaozhengbao.COM

ICP备案号:晋ICP备2021003244-6号