电子商务智能推荐

电子商务智能推荐——基于流行服饰方向一、智能推荐背景：（基于二维码的网上订餐推荐系统的设计与实现_刘子强）随着信息科技的飞速发展，互联网产业也得到了迅猛的发展，相应的互联网服务也得到了广泛的的普及。伴随着一系列互联网、物联网产物的崛起，大量的信息相关资源出现在了网络，庞大无量的信息资源充斥着整个网络，随着而来的就是过量的信息资源大大的干扰了用户们对自己关心信息的精确选择，能够迅速锁定用户群体感兴趣的目标资源变成了一个困难之事，这就是通常所说的信息过载问题。信息检索技术和搜索引擎的出现在一定程度上缓解了这一问题，但也只是通过关键字等方法表面上完成了对信息的匹配，没有从根本上解决网络资源中的信息过载问题。电子商务作为互联网产业下的产物目前已经日益收到了人们的重视和青睐，它已经改变了人们的生活习惯和消费方式。但是同时，这种新兴的商务模式也随着信息过载问题的出现而面临到了一些干扰和阻碍。其一表现在用户群体不能够在短时间内找到符合自己意向的商品，另一方面表现在电扇平台不能够有效的具有针对性的向用户群体提出准群信息。基于上述两点，广大用户希望电商平台通过更加人性化、智能化、简单化的方法对用户群体感兴趣的商品进行推荐，从而使用户能够实现查看商品快速化、高效化、简洁化。因此，为了解决电商平台下的商品信息过载这一问题，推荐系统应运而生。在一个推荐系统中，我们利用用户的一些行为，通过数学模型的推演，我们可以推测出用户可能喜欢的东西。而推荐系统可以定义为是一种针对用户输入的信息，通过相应的算法来对推荐的信息进行自主分类，并最终将生成的推荐信息提供给目标用户的系统[14][15]。二、推荐算法介绍：（基于二维码的网上订餐推荐系统的设计与实现_刘子强）1、非个性化介绍：统一推荐2、个性化介绍：四类方法①、协同过滤推荐算法协同过滤推荐算法是目前电子商务领域最广泛，最流行，最成功的推荐算法，此种推荐算法是由GroupLens于1994年首次提出[18]。它的基本假设思想是：如果某一用户有感兴趣的内容和事物，算法就会匹配与之相同具有共同喜好的其他用户为该用户进行推荐，在此之后各用户个体都会接收到和他们兴趣喜好相同的产品推荐。一般的协同过滤推荐算法，通常用user和item两项去处理推荐相关的业务。在这里user表示用户群体，item表示产品。user和item可以构成一个二元矩阵，这个矩阵记录着user针对产品进行的标注评分等信息。这个评分矩阵通常是用户群体进行显示指定，如果用户未进行显示指定的话，整个系统就会隐式的推断生成相应的评分矩阵。这样，推荐系统就可以根据R，在这里R指的是评分函数，来获得矩阵中每一个用户对商品的评分：R=user*item→Ratings评分函数R的作用域是整个矩阵，推荐系统会先计算出目标用户最近相邻点的集合，之后进行评分，根据评分推测出用户的偏爱，实现推荐。②、基于内容的推荐算法基于内容的推荐算法是又一种被电商们接受和使用的推荐算法。这种方法是以协同过滤推荐算法为底层依据，在此之上进行了发展和改进。基于内容的推荐算法是通过对产品和用户中提取的特征标签进行相关信息的推荐。一般情况下，某个商品的标签可以通过人为分析而给出，一个用户的标签可以根据他选择的商品的标签而给出。推荐系统通过目标用户群体对已经评分的项目的内容特征，进而通过向量空间进行建模，建立有区别的用户对文件数据进行描述，之后根据用户和商品的特征标签建立相似度，最终将相似度大的几个匹配的产品推荐给用户。这种方法忽略了商品和用户的很多特征，如电影的导演、制片人、演员，用户的地点、年龄、职业等，如何高效、合理、快速的利用这些特征来得到更加高效的推荐方法，这种方法也通常配称之为“商品与商品之间的交互”。基于内容的协同过滤算法有着很大的相似度，在协同过滤算法的基础上进行了延续。此种方法不需要具备相关领域的知识，所以可以实现推荐的高效化，质量的高质化；此种方法也不会出现系统的冷启动问题，原因是人们在事先已经给定了标签。但是，当系统的信息数据很大时，商品的与处理工作也是一个非常复杂的过程。现如今，很多学者和相关研究人员将基于内容的推荐算法与协同过滤组合，旨在通过组合的方式来发挥各自的优势，提高推荐系统的质量。③、基于聚类分析的推荐算法三种具体算法1、K-均值聚类算法：1先在m个数据对象中随意选取k个对象当作原始聚类中心；2其次，k个对象之外的剩余对象，就需要按照这些对象和聚类中心进行相似度匹配，之后再将这些对象分别发配给相似度最高的聚类；3对每一个新获得的聚类的聚类中心进行计算，也就是这个聚类中的全部对象均值，同时重复此过程，若标准测度函数收敛，停止重复[19]2、K模糊均值聚类算法：K均值聚类算法早在1967年就被J.B.MacQueen提出[20]，K模糊均值聚类算法是k均值聚类算法的一种推广形态，他的隶属度可以在[0,1]区间任意取一个数，该算法的基本思想是“类内加权误差平方和最小化”。K-模糊均值聚类算法的分类由迭代的方式进行实现，通常，我们需要设定一个最优化函数或者称之为目标函数，能将它的值达到最小就可以视为最佳结果。通常情况下的最小值的实现是通过迭代的方法，但是程序的本身没有这样的一个最小化的目标函数，也就是通过多次迭代之后的数值与之前对比无变化，才算是分类成功。3、Canopy聚类算法：和传统的聚类算法相比较，比如K-均值聚类算法，Canopy聚类算法不用将k值事先指定出来。与其他聚类算法相比，Canopy聚类精度较低，但是由于其在速度上有很大优势，因此它有很大的应用价值。一般情况下，数据的粗粒度聚类可以通过Canopy聚类实现，在获得了k值以后，再通过k均值聚类算法细粒度聚类。④、混合推荐算法推荐算法在使用中均有着自身的优点和存在的不足，因此，混和推荐算法在实际中常常被应用。将内容推荐和协同过滤推荐进行组合是现阶段最常用的组合方式。通常情况下，我们会将协同过滤推荐算法和内容推荐算法结合去生成一个结果，之后再用别的方法融合这种预测结果。理论上有很多种组合，但是不一定都有效。因而，最重要的组合原则就是这两种方法或者多种方法有一定的优势互补性。三、选择流行服饰方向推荐原因随着我国人民生活发展水平提高，人们对生活质量提升也提出相应的要求。对于广大的学生和年轻人群体，他们对于更高生活质量的追求同样热切。而穿着流行服饰是当下年轻人彰显个性的主要方式。据统计，18-30岁的年龄段消费群体是服装消费的主要群体，人口在3亿人左右也是消费群体中服装购买频率最高，总体购买金额较多的群体。该群体有一定经济基础，有很强的购买欲望，追求流行、时尚、个性，敢于尝试新事物，接受新品牌。该群体很大一部分容易冲动购物。是目前服装品牌最多，竞争最激烈的细分市场。（—来源于道客巴巴）传统来讲，由于时尚元素更新速度快，周期短，价格普遍较高，这对刚踏入社会的年轻人来说是一笔不小的成本。而如今随着电子商务的快速发展，O2O模式的迅速普及，电子商务凭借自身如运营成本低，物流趋于完善，商品类型多样化等优势与传统线下门店形成竞争。现如今，在互联网上购买衣服成为许多年轻人的首选。但由于生活节奏的快速化与信息量的爆炸性增长，导致顾客在选择自己心仪的商品时不能准确找寻自己最心仪的商品，耽误时间和影响购物心情。而传统的电子商务推荐方式，就淘宝或天猫来说，只是根据顾客的搜索和浏览历史来推荐，运用的是简单的协同过滤和基于内容的算法，并不能够算作“智能”。因此，如何将电子商务智能推荐运用到流行服饰的推荐中，是一个有待深入研究的方向。