电子商务推荐系统基础
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
手机=>充电器 （support=56%, confidence= 70%） 其中的support=56%是说，在所有的销售中中同时包含手机销售和 充电器销售的概率。 confidence=70%是说，所有销售中，在出现手机销售的情况下出 现充电器销售的概率，即条件概率。
19
ቤተ መጻሕፍቲ ባይዱ
关联规则的基本概念-支持度
•People (Shoppers) 人（购物者）
•Behavioral Targeting 行为定位
•Website optimization
网站优化
•Collaborative filtering 协同过滤
•Website Analytics 网站分析
•Places (Websites) 地点（网站)
Geography 区域
Visitor Behavior 访问者行为 Clickstream 点击流
Searches 搜索
Duration of Page View 页面浏览停留的时 间 Order of Page Views 页面浏览的顺序
Product Details 产品细节
Session States 停留状态
4
电子商务推荐系统作用
增加网站的访问量，提升销售额 增加单个商品被访问的机会 增加顾客在网店上的停留时间，浏览更多的商品 帮助顾客发现他真正感兴趣的商品，提升购物体验 将电子商务网站的浏览者转变为购买者 提高电子商务网站的交叉销售能力 提高客户对电子商务网站的忠诚度
2009-2-1
电子商务推荐系统作用
2009-2-1
电子商务推荐系统输入2
社区输入(Community Inputs)
项目属性(Item Attribute)：社团对商品风格和类别的集体评判 社团购买历史(Community Purchase History)：社团过去的购买纪 录 文本评价(Text Comments)：其他客户对商品的文本评价，计算机 并不知道评价是好是坏 评分(Rating)：其他客户对商品的评分，计算机可以对评分进行处 理
2009-2-1
电子商务推荐系统数据源
Historical Data、 历史数据
Visitor’s Past Shopping Behavior 访问者过去的购买 行为
Aggregated Past User’s Behavior 访问者过去购买行 为汇总
Visitor’s Past Searches 访问者过去的搜索
2009-2-1
电子商务推荐系统定义
电子商务中的推荐系统（Recommendation Systems）是利 用统计学、人工智能数据挖掘等技术，分析访问者在电子 商务网站的访问行为，产生能帮助访问顾客访问感兴趣的 产品信息的推荐结果，引导顾客的购买行为，从而产生可 观的利润。 推荐结果的准确性是决定推荐系统成败的关键因素，如果 系统向客户推荐的商品是客户不需要的，那么客户就会对 推荐系统失去信心，把推荐信息当作垃圾信息
Products Viewed 浏览的产品
Type of Web Page 页面类型
Location of Product Refer URL
in Catalog
URL指向
产品在目录中的位置
Brand 品牌
Broadband Speed 宽带速度
Manufacturer 厂商
IP Address IP地址
潘多拉（pandora.com），last.fm，友播（yobo.com），cdnow.com，音乐八宝盒 （8box.cn），slacker .com，iLike .com，Genius (iTunes)
豆瓣（douban.com）,，librarything.com，flickr.com，
社会化媒体 电影社区
基于内容过滤的推荐系统通过比较项(商品)之间的相似性而不是 用户之间的相似性实现推荐功能。其忽略用户的购买行为,它只考 虑商品和商品之间的相似关系 优点：简单，有效;建模和商品间的相似性度量可以脱机进行,因 而推荐响应时间快 缺点：难以区分商品信息的品质和风格,而且不能为用户发现新的 感兴趣的商品,只能发现和用户已有兴趣相似的商品
混和型（ Hybrid Recommendation ）
基于协同过滤和基于内容过滤这两种技术都有它们本身的优缺点, 推荐系统就结合使用这两种技术,尽量利用它们的优点而避免其缺 点,提高推荐系统的性能和推荐质量
2009-2-1
电子商务推荐系统推荐技术分类
基于内容（ Content-Based ）过滤的推荐系统
2009-2-1
电子商务推荐系统输出
建议(Suggestion)
单个建议(Single Item) 未排序建议列表(Unordered List) 排序建议列表(Ordered List)
预言(Prediction)：系统对给定项目的总体评分 个体评分(Individual Rating)：输出其他客户对商品的个体评分 评论(Review)：输出其他客户对商品的文本评价
22
相似性算法
余弦相似性（cosine-basedsims(ui, vm)i=lcaosr(uri, vrt)y=）uurur
r vur
=
u×v
相关相似性（Pearson相关系数 ）
n
∑ Rui Rvi
i =1
n
n
∑ ∑ Rui2 Rvi2
i =1
i =1
sim(u, v) =
∑i∈Iuv (Rui − Ru )(Rui − Rv )
2009-2-1
电子商务推荐系统业务表现形式
Average Rating：推荐系统向客户提供其他客户对相应产 品的等级评价 Top-N：推荐系统根据客户的喜好向客户推荐最可能吸引 客户的N件产品 Ordered Search Results：推荐系统列出所有的搜索结果 ，并将搜索结果按照客户的兴趣降序排列
•Most popular products 最受欢迎的
产品
•Catalog 目录
•Products (Targets) 产品（目标）
成功的推荐系统应用标杆
领域
推荐系统
电子商务 音乐 社区 图书/图片社区
amazon.com，ebay.com，卓越（amazon.cn），当当（dangdang.com）,淘宝 （taobao.com）
置信度揭示了A出现时，B是否一定会出现，如果出现则其 大概有多大的可能出现。如果置信度为100%,则说明了A出 现时，B一定出现。那么，对这种情况而言，假设A和B是 市场上的两种商品，就没有理由不进行捆绑销售了。 如果置信度太低，那么说明A和B关系并不大.
相关分析的基本概念
相关分析（correlation analysis）是研究现象之间是否 存在某种依存关系，并对具体有依存关系的现象探讨其相 关方向以及相关程度，是研究随机变量之间的相关关系的 一种统计方法。 相关分析是用相关系数（r）来表示两个变量间相互的直 线关系，并判断其密切程度的统计方法。相关系数r没有 单位。在-1～+1范围内变动，其绝对值愈接近 1，两个变 量间的直线相关愈密切，愈接近0，相关愈不密切。相关 系数若为正，说明一变量随另一变量增减而增减，方向相 同；若为负，表示一变量增加、另一变 量减少，即方向 相反，但它不能表达直线以外（如各种曲线）的关系。
电子商务推荐系统入门基础
出家如初,成佛有余
http://www.yeeach.com
2009年1月
目录
电子商务推荐系统简介 电子商务推荐系统算法基础 电子商务推荐系统算法介绍
2
推荐系统简介-背景分析
随着电子商务的快速发展，电子商务系统中的信息“超载 ”现象越来越严重，面对商品信息的“海洋”，消费者很 难快速有效地挑选出他所需要的商品。在准确识别客户消 费偏好的基础上，电子商务推荐系统可以向客户提供商品 信息和建议，模拟销售人员帮助客户完成购买过程，从而 使客户避免信息“超载”所带来的麻烦 。
支持度公式： support(A ⇒ B)=P(A ∪ B)
支持度揭示了A和B同时出现的频率，如果A和B一起出现的 频率非常小，那么就说明了A和B之间的联系并不大；但若 一起出现的频率非常频繁，那么A和B总是相关联。
关联规则的基本概念-置信度
置信度公式：confidence(A ⇒ B)=P(B|A)
15
电子商务推荐系统推荐技术分类
基于协同过滤（ Collaborative filtering ）技术的推荐系 统
基于协同过滤技术的电子商务推荐系统并不分析商品之间的相似 性,而是学习目标用户和历史用户之间购买行为的相似性,而不依 赖商品的特征，从而根据相似历史用户的购买行为生成推荐结果 优点:能为用户发现新的感兴趣的商品;不需要考虑商品的特征,任 何形式的商品都可以推荐 缺点:用户对商品的评价矩阵非常稀疏(即稀疏性问题);随着系统 用户和商品的增多,系统的性能会越来越低(即可扩展性问题);如 果从来没有用户对某一商品加以评价,则这个商品就不可能被推荐 (即最初评价问题)"
del.icio.us，玩聚(ju690.com)，techmeme.com，stumbleupon.com，reddit .com, dailyme.com
tivo.com，netflix.com，flixster.com， moviefinder.com，movieLens，reel.com
其他
strands .com，likecube .com，inSuggest .com，collarity .com，baynote com， stylefeeder .com
电子商务推荐系统业务表现形式
Browsing：客户提出对特定商品的查询要求，推荐系统根 据查询要求返回高质量的推荐 Similar Item：推荐系统根据客户购物篮中的商品和客户 可能感兴趣的商品推荐类似的商品 Email：推荐系统通过电子邮件的方式通知客户可能感兴 趣的商品信息 Text Comments：推荐系统向客户提供其他客户对相应产 品的评论信息
Descriptions 产品描述
Ratings 产品排行
电子商务推荐系统输入数据1
客户输入(Targeted Customer Inputs)
隐式浏览输入(Implicit navigation)：客户的浏览行为作为推荐系统的 输入，但客户并不知道这一点 显式浏览输入(Explicit navigation) ：客户的浏览行为是有目的向推荐 系统提供自己的喜好 关键词和项目属性输入(Keywords and Item attributes)：客户输入关键 词或项目的有关属性以得到推荐系统有价值的推荐 用户购买历史(Purchase history)：用户过去的购买纪录
17
目录
电子商务推荐系统简介 电子商务推荐系统算法基础 电子商务推荐系统算法介绍
18
关联规则的基本概念
关联规则是数据挖掘研究的主要方法之一，侧重于确定数 据中不同领域之间的联系。 支持度和置信度总是伴随着关联规则存在的，它们是对关 联规则的必要的补充。
例：在销售手机的商店中，70%的包含手机的交易中包含充电器, 在所有交易中，有56%同时包含这两种物品。于是规则表示为
2009-2-1
电子商务推荐系统推荐技术分类
基于内容过滤（Content-Based filtering ）
基于内容过滤的电子商务推荐系统通过比较项(商品)之间的相似性而 不是用户之间的相似性实现推荐功能
基于协同过滤（ Collaborative filtering ）
Item-Based（Item-to-Item Correlation）：推荐系统根据客户感兴 趣的产品推荐相关的产品 User-Based（People-to-People Correlation）：推荐系统根据客户 与其他已经购买了商品的客户之间的相关性进行推荐
16
电子商务推荐系统推荐技术分类
混和型（ Hybrid Recommendation ）推荐系统
由于基于协同过滤和基于内容过滤这两种技术都有它们本身的优 缺点,在实际应用中,一些推荐系统就结合使用这两种技术,尽量利 用它们的优点而避免其缺点,提高推荐系统的性能和推荐质量“比 如,为了克服协同过滤的稀疏性问题,可以利用用户浏览过的商品 预期用户对其他商品的评价,这样可以增加商品评价的密度,利用 这些评价再进行协同过滤,从而提高协同过滤的性能
19
ቤተ መጻሕፍቲ ባይዱ
关联规则的基本概念-支持度
•People (Shoppers) 人（购物者）
•Behavioral Targeting 行为定位
•Website optimization
网站优化
•Collaborative filtering 协同过滤
•Website Analytics 网站分析
•Places (Websites) 地点（网站)
Geography 区域
Visitor Behavior 访问者行为 Clickstream 点击流
Searches 搜索
Duration of Page View 页面浏览停留的时 间 Order of Page Views 页面浏览的顺序
Product Details 产品细节
Session States 停留状态
4
电子商务推荐系统作用
增加网站的访问量，提升销售额 增加单个商品被访问的机会 增加顾客在网店上的停留时间，浏览更多的商品 帮助顾客发现他真正感兴趣的商品，提升购物体验 将电子商务网站的浏览者转变为购买者 提高电子商务网站的交叉销售能力 提高客户对电子商务网站的忠诚度
2009-2-1
电子商务推荐系统作用
2009-2-1
电子商务推荐系统输入2
社区输入(Community Inputs)
项目属性(Item Attribute)：社团对商品风格和类别的集体评判 社团购买历史(Community Purchase History)：社团过去的购买纪 录 文本评价(Text Comments)：其他客户对商品的文本评价，计算机 并不知道评价是好是坏 评分(Rating)：其他客户对商品的评分，计算机可以对评分进行处 理
2009-2-1
电子商务推荐系统数据源
Historical Data、 历史数据
Visitor’s Past Shopping Behavior 访问者过去的购买 行为
Aggregated Past User’s Behavior 访问者过去购买行 为汇总
Visitor’s Past Searches 访问者过去的搜索
2009-2-1
电子商务推荐系统定义
电子商务中的推荐系统（Recommendation Systems）是利 用统计学、人工智能数据挖掘等技术，分析访问者在电子 商务网站的访问行为，产生能帮助访问顾客访问感兴趣的 产品信息的推荐结果，引导顾客的购买行为，从而产生可 观的利润。 推荐结果的准确性是决定推荐系统成败的关键因素，如果 系统向客户推荐的商品是客户不需要的，那么客户就会对 推荐系统失去信心，把推荐信息当作垃圾信息
Products Viewed 浏览的产品
Type of Web Page 页面类型
Location of Product Refer URL
in Catalog
URL指向
产品在目录中的位置
Brand 品牌
Broadband Speed 宽带速度
Manufacturer 厂商
IP Address IP地址
潘多拉（pandora.com），last.fm，友播（yobo.com），cdnow.com，音乐八宝盒 （8box.cn），slacker .com，iLike .com，Genius (iTunes)
豆瓣（douban.com）,，librarything.com，flickr.com，
社会化媒体 电影社区
基于内容过滤的推荐系统通过比较项(商品)之间的相似性而不是 用户之间的相似性实现推荐功能。其忽略用户的购买行为,它只考 虑商品和商品之间的相似关系 优点：简单，有效;建模和商品间的相似性度量可以脱机进行,因 而推荐响应时间快 缺点：难以区分商品信息的品质和风格,而且不能为用户发现新的 感兴趣的商品,只能发现和用户已有兴趣相似的商品
混和型（ Hybrid Recommendation ）
基于协同过滤和基于内容过滤这两种技术都有它们本身的优缺点, 推荐系统就结合使用这两种技术,尽量利用它们的优点而避免其缺 点,提高推荐系统的性能和推荐质量
2009-2-1
电子商务推荐系统推荐技术分类
基于内容（ Content-Based ）过滤的推荐系统
2009-2-1
电子商务推荐系统输出
建议(Suggestion)
单个建议(Single Item) 未排序建议列表(Unordered List) 排序建议列表(Ordered List)
预言(Prediction)：系统对给定项目的总体评分 个体评分(Individual Rating)：输出其他客户对商品的个体评分 评论(Review)：输出其他客户对商品的文本评价
22
相似性算法
余弦相似性（cosine-basedsims(ui, vm)i=lcaosr(uri, vrt)y=）uurur
r vur
=
u×v
相关相似性（Pearson相关系数 ）
n
∑ Rui Rvi
i =1
n
n
∑ ∑ Rui2 Rvi2
i =1
i =1
sim(u, v) =
∑i∈Iuv (Rui − Ru )(Rui − Rv )
2009-2-1
电子商务推荐系统业务表现形式
Average Rating：推荐系统向客户提供其他客户对相应产 品的等级评价 Top-N：推荐系统根据客户的喜好向客户推荐最可能吸引 客户的N件产品 Ordered Search Results：推荐系统列出所有的搜索结果 ，并将搜索结果按照客户的兴趣降序排列
•Most popular products 最受欢迎的
产品
•Catalog 目录
•Products (Targets) 产品（目标）
成功的推荐系统应用标杆
领域
推荐系统
电子商务 音乐 社区 图书/图片社区
amazon.com，ebay.com，卓越（amazon.cn），当当（dangdang.com）,淘宝 （taobao.com）
置信度揭示了A出现时，B是否一定会出现，如果出现则其 大概有多大的可能出现。如果置信度为100%,则说明了A出 现时，B一定出现。那么，对这种情况而言，假设A和B是 市场上的两种商品，就没有理由不进行捆绑销售了。 如果置信度太低，那么说明A和B关系并不大.
相关分析的基本概念
相关分析（correlation analysis）是研究现象之间是否 存在某种依存关系，并对具体有依存关系的现象探讨其相 关方向以及相关程度，是研究随机变量之间的相关关系的 一种统计方法。 相关分析是用相关系数（r）来表示两个变量间相互的直 线关系，并判断其密切程度的统计方法。相关系数r没有 单位。在-1～+1范围内变动，其绝对值愈接近 1，两个变 量间的直线相关愈密切，愈接近0，相关愈不密切。相关 系数若为正，说明一变量随另一变量增减而增减，方向相 同；若为负，表示一变量增加、另一变 量减少，即方向 相反，但它不能表达直线以外（如各种曲线）的关系。
电子商务推荐系统入门基础
出家如初,成佛有余
http://www.yeeach.com
2009年1月
目录
电子商务推荐系统简介 电子商务推荐系统算法基础 电子商务推荐系统算法介绍
2
推荐系统简介-背景分析
随着电子商务的快速发展，电子商务系统中的信息“超载 ”现象越来越严重，面对商品信息的“海洋”，消费者很 难快速有效地挑选出他所需要的商品。在准确识别客户消 费偏好的基础上，电子商务推荐系统可以向客户提供商品 信息和建议，模拟销售人员帮助客户完成购买过程，从而 使客户避免信息“超载”所带来的麻烦 。
支持度公式： support(A ⇒ B)=P(A ∪ B)
支持度揭示了A和B同时出现的频率，如果A和B一起出现的 频率非常小，那么就说明了A和B之间的联系并不大；但若 一起出现的频率非常频繁，那么A和B总是相关联。
关联规则的基本概念-置信度
置信度公式：confidence(A ⇒ B)=P(B|A)
15
电子商务推荐系统推荐技术分类
基于协同过滤（ Collaborative filtering ）技术的推荐系 统
基于协同过滤技术的电子商务推荐系统并不分析商品之间的相似 性,而是学习目标用户和历史用户之间购买行为的相似性,而不依 赖商品的特征，从而根据相似历史用户的购买行为生成推荐结果 优点:能为用户发现新的感兴趣的商品;不需要考虑商品的特征,任 何形式的商品都可以推荐 缺点:用户对商品的评价矩阵非常稀疏(即稀疏性问题);随着系统 用户和商品的增多,系统的性能会越来越低(即可扩展性问题);如 果从来没有用户对某一商品加以评价,则这个商品就不可能被推荐 (即最初评价问题)"
del.icio.us，玩聚(ju690.com)，techmeme.com，stumbleupon.com，reddit .com, dailyme.com
tivo.com，netflix.com，flixster.com， moviefinder.com，movieLens，reel.com
其他
strands .com，likecube .com，inSuggest .com，collarity .com，baynote com， stylefeeder .com
电子商务推荐系统业务表现形式
Browsing：客户提出对特定商品的查询要求，推荐系统根 据查询要求返回高质量的推荐 Similar Item：推荐系统根据客户购物篮中的商品和客户 可能感兴趣的商品推荐类似的商品 Email：推荐系统通过电子邮件的方式通知客户可能感兴 趣的商品信息 Text Comments：推荐系统向客户提供其他客户对相应产 品的评论信息
Descriptions 产品描述
Ratings 产品排行
电子商务推荐系统输入数据1
客户输入(Targeted Customer Inputs)
隐式浏览输入(Implicit navigation)：客户的浏览行为作为推荐系统的 输入，但客户并不知道这一点 显式浏览输入(Explicit navigation) ：客户的浏览行为是有目的向推荐 系统提供自己的喜好 关键词和项目属性输入(Keywords and Item attributes)：客户输入关键 词或项目的有关属性以得到推荐系统有价值的推荐 用户购买历史(Purchase history)：用户过去的购买纪录
17
目录
电子商务推荐系统简介 电子商务推荐系统算法基础 电子商务推荐系统算法介绍
18
关联规则的基本概念
关联规则是数据挖掘研究的主要方法之一，侧重于确定数 据中不同领域之间的联系。 支持度和置信度总是伴随着关联规则存在的，它们是对关 联规则的必要的补充。
例：在销售手机的商店中，70%的包含手机的交易中包含充电器, 在所有交易中，有56%同时包含这两种物品。于是规则表示为
2009-2-1
电子商务推荐系统推荐技术分类
基于内容过滤（Content-Based filtering ）
基于内容过滤的电子商务推荐系统通过比较项(商品)之间的相似性而 不是用户之间的相似性实现推荐功能
基于协同过滤（ Collaborative filtering ）
Item-Based（Item-to-Item Correlation）：推荐系统根据客户感兴 趣的产品推荐相关的产品 User-Based（People-to-People Correlation）：推荐系统根据客户 与其他已经购买了商品的客户之间的相关性进行推荐
16
电子商务推荐系统推荐技术分类
混和型（ Hybrid Recommendation ）推荐系统
由于基于协同过滤和基于内容过滤这两种技术都有它们本身的优 缺点,在实际应用中,一些推荐系统就结合使用这两种技术,尽量利 用它们的优点而避免其缺点,提高推荐系统的性能和推荐质量“比 如,为了克服协同过滤的稀疏性问题,可以利用用户浏览过的商品 预期用户对其他商品的评价,这样可以增加商品评价的密度,利用 这些评价再进行协同过滤,从而提高协同过滤的性能