摘要：大數(shù)據(jù)時代下，海量信息已滲透到各行的發(fā)展模式當(dāng)中，如何更好地利用這些數(shù)據(jù)來創(chuàng)造行業(yè)中新的價值，是學(xué)者們需要持續(xù)研究的內(nèi)容。推薦系統(tǒng)正是利用這些有價值的數(shù)據(jù)來挖掘用戶的偏好，為其推薦合適的商品，從而為電商行業(yè)創(chuàng)造出更多價值。本文通過研究電商推薦系統(tǒng)中的幾種主流的推薦算法，探析其大數(shù)據(jù)特征，從而提出一些符合當(dāng)今時代特點的發(fā)展對策。

　　關(guān)鍵詞：大數(shù)據(jù)；推薦系統(tǒng)；電子商務(wù)

　　1電商推薦系統(tǒng)簡介

　　推薦系統(tǒng)是一種預(yù)測用戶對商品和信息的喜好或評分的模型，它以電子商務(wù)網(wǎng)站為依托，以海量的數(shù)據(jù)為依據(jù)，來挖掘用戶感興趣的信息和商品。該模型主要包含協(xié)同過濾方法、基于內(nèi)容的推薦系統(tǒng)和基于知識的推薦系統(tǒng)等多種類型[1]。

　　（1）協(xié)同過濾推薦方法

　　協(xié)同過濾方法的主要思想是通過處理大量用戶的評分來預(yù)測遺失的評分[1]。例如，大量用戶的購買信息或評分行為可以用來對這些用戶進行聚類，相似愛好的用戶被歸為一組，同類群體所喜好的物品就可以對組內(nèi)其他個體做推薦。其中又包含基于用戶的協(xié)同過濾算法以及基于物品的協(xié)同過濾算法兩種類型[2]。

　　此方法突破了上文所述推薦算法無法給用戶推薦其沒有消費過的商品領(lǐng)域的瓶頸，在預(yù)測用戶偏好未知商品時很有用。

　　（2）基于知識的推薦算法

　　上文所介紹的兩種算法都要求提取用戶瀏覽、購買或評分的大量歷史記錄，但如果需要購買產(chǎn)品高度定制的商品時，則不適用。例如，汽車、房產(chǎn)、旅游產(chǎn)品、金融產(chǎn)品、昂貴的奢侈品等等，這些物品很少有購買記錄，并且無法獲取到充足的評分、購買記錄。基于知識的推薦算法可以讓用戶通過網(wǎng)頁表格輸入自己想要的屬性值，比如用戶被問到一系列問題，來明確自己的初始偏好，接著對該用戶推送相關(guān)的產(chǎn)品。

　　此方法利用與用戶之間的交互反饋，了解用戶的興趣方向，突破了以上幾種方法若不挖掘用戶興趣模型就無法推薦的問題以及冷啟動問題。

　　2電商推薦系統(tǒng)的大數(shù)據(jù)特性

　　根據(jù)上文對電子商務(wù)推薦系統(tǒng)幾種主流推薦算法的探討，本文結(jié)合推薦算法中的數(shù)據(jù)提取以及推送結(jié)果等環(huán)節(jié)，以當(dāng)前大數(shù)據(jù)時代為背景，分析該系統(tǒng)的特性，有以下幾點。

　　（1）復(fù)雜性

　　電子商務(wù)中的消費者興趣與物品特性等數(shù)據(jù)，具有差異化、多樣性等特點，在預(yù)測消費者需求時，又具有非線性、模糊性等特點。這些都體現(xiàn)了該系統(tǒng)的復(fù)雜性大數(shù)據(jù)特性。

　　（2）即時性

　　由于消費者的購買動機、喜好與需求會跟著時間、季節(jié)、以及潮流的變化而變化，因此，為了保證數(shù)據(jù)有效并算出更加準確的商品排名，一般來說獲取的數(shù)據(jù)都具有即時性。

　　（3）相關(guān)性

　　用戶與用戶、用戶與數(shù)據(jù)、數(shù)據(jù)與數(shù)據(jù)之間通過網(wǎng)絡(luò)平臺的交互作用使得這些因素被連成一個網(wǎng)狀結(jié)構(gòu)，可以通過同類別的用戶來預(yù)測某用戶的關(guān)聯(lián)喜好，或者通過商品屬性來預(yù)測其潛在顧客。這體現(xiàn)了推薦系統(tǒng)的相關(guān)性。

　　3推薦系統(tǒng)當(dāng)代發(fā)展對策分析

　　大數(shù)據(jù)背景下的電子商務(wù)推薦系統(tǒng)所面臨的數(shù)據(jù)稀疏、冷啟動、大數(shù)據(jù)處理與增量計算等問題、脆弱性等問題，是學(xué)者們需要持續(xù)性關(guān)注并研究的方向，結(jié)合其大數(shù)據(jù)特性：復(fù)雜性、即時性、相關(guān)性和準確性，本文提出以下幾點發(fā)展對策僅供參考。

　　（1）研究復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)及圖方法

　　大數(shù)據(jù)、人工智能、復(fù)雜完了系統(tǒng)的研究者可從網(wǎng)絡(luò)數(shù)據(jù)和圖方法來研究推薦系統(tǒng)，比如通過長尾圖來分析評分的稀疏性，進而調(diào)整推薦算法，提高推薦商品種類的復(fù)雜度。

　　（2）抓取更加精準的數(shù)據(jù)

　　對于用戶興趣和物品特征的提取，應(yīng)該排除干擾項，并避免局限于商品評論數(shù)據(jù)以及用戶興趣矩陣，最終提出一些更加精準的抓取方式。

　　參考文獻

　　[1]CharuC.Aggarwal.RecommenderSystems:TheTexbook[M].SpringerInternationalPublishingSwitzerland.2016.

　　[2]張智強.基于協(xié)同過濾算法的電子商務(wù)推薦系統(tǒng)[J].佳木斯大學(xué)學(xué)報.2018.7(4):603-606.

　　[3]司夢楚.服裝智能推薦系統(tǒng)在電子商務(wù)平臺中的應(yīng)用[J].武漢紡織大學(xué)學(xué)報.2019.4(2):33-38..

　　作者高婕

　　推薦閱讀：基于大數(shù)據(jù)的電商企業(yè)運營體系重構(gòu)研究