电子商务推荐课程

电子商务推荐课程（共5篇）

电子商务推荐课程 篇1

(一) 电子商务推荐系统及构成

随着互联网的普及和电子商务的发展, 商品推荐系统逐渐成为电子商务系统的一个重要研究内容之一。由于它能帮助客户发现他们想要的商品, 方便了用户, 提高了营销效果, 因此在电子商务中获得了巨大的成功。由于具有很强的实用性, 因此, 目前几乎所有大型的电子商务系统都不同程度地使用了各种形式的推荐系统。电子商务中的推荐系统首先从客户那里获得客户所喜爱的产品信息, 然后向他推荐可能满足需要的商品。其过程类似销售人员帮助客户完成购买过程。其作用主要表现在三个方面: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。从层次结构看, 电子商务推荐系统可以分为三部分:输入功能模块、推荐方法模块与输出功能模块。

1. 输入功能模块。

包括隐式浏览输入、显式浏览输入、客户数值评分输入、客户文本评价输入、关键词和客户购买历史以及项目属性输入等;隐式浏览输入就是在客户不知情的情况下将客户访问电子商务系统的浏览行为作为推荐系统的输入。显式浏览输入则是有目的地向电子商务推荐系统提供自己的兴趣爱好。客户数值评分输入, 就是将客户对商品的数值评分数据作为推荐系统的输入。客户文本评价输入, 是客户对已经购买的商品或自己熟悉的商品以文本的形式进行个人评价, 其他客户浏览该商品时, 可以看到客户对商品的客观文本评价信息, 从而帮助自己决定是否购买该商品。客户购买历史输入是指推荐系统将客户的购买历史作为隐式评分数据。一旦客户购买了特定商品, 则认为客户喜欢该商品, 推荐系统根据客户的购买历史产生相应的推荐。关键字和项目属性输入, 则是将客户在搜索引擎中输入关键字作为推荐系统的输入, 或者将客户当前正在浏览的商品类别作为推荐系统的输入。

2. 推荐方法模块。

它是推荐系统的核心部分, 采用的推荐技术决定着推荐系统的性能优劣。该模块是根据一定算法, 根据输入模块的数据, 得出对目标用户的推荐, 个性化推荐研究的都集中在寻找好的推荐方法。在实际应用中, 电子商务推荐系统一般采用多种推荐技术的组合, 尽量利用各种推荐技术的优点, 提高推荐系统的性能和推荐质量。

3. 输出功能模块。

它是指将得到的推荐以一定的形式反馈给客户。根据项目的特点, 目前主要有两种类型的推荐系统, 一种是以网页为对象的个性化推荐系统, 主要采用Web数据挖掘的方法与技术, 为用户推荐符合其兴趣爱好的网页;另一种是在网上购物环境下, 以商品为推荐对象的个性化推荐系统, 为用户推荐符合其兴趣爱好的各类产品, 如各种书籍、音像等, 这种推荐系统也称电子商务个性化推荐系统。以商品输出为推荐对象是电子商务推荐系统中最为普遍的一种输出, 推荐的商品以超链接的形式提供给客户。另外的输出形式有个体文本评价输出、个体数值评分输出、电子邮件输出等。推荐系统的个性化是指为每个用户推荐适合他们偏好和兴趣的产品, 而不是千篇一律。

(二) 电子商务推荐系统技术介绍

1. 内容过滤推荐技术。

内容过滤推荐技术主要采用自然语言处理、人工智能、概率统计和机器学习等技术进行过滤。基于内容的推荐系统通过将顾客的偏好与产品内容自动匹配来给顾客提供建议。在基于内容的系统中, 产品由其普通属性描述, 通过相关特征的属性来定义项目或对象, 向客户推荐与其以前喜欢的产品相似的产品。其优点是简单、有效;其缺点是特征提取的能力有限, 过分细化, 不能为顾客发现新的感兴趣的资源, 只能发现和顾客已有兴趣相似的资源。这种方法通常被限制在容易分析内容的商品的推荐, 而对于一些较难提取出内容的商品, 如音乐CD、电影等就不能产生满意的推荐效果。

2. 协同过滤荐技术。

协同过滤推荐是个性化推荐中研究和应用最多的方法。其前提假设是存在具有相似兴趣爱好的用户群, 每个用户都有与其兴趣爱好相似的邻居用户, 以属性或兴趣相近的用户经验与建议作为提供个性化推荐的基础。协同过滤技术有助于搜集具有类似偏好或属性的用户, 并将其意见提供给同一集群中的用户作为参考, 以满足人们通常在决策之前参考他人意见的心态。预测用户对某一项目的偏好是根据邻居用户对该项目的偏好程度计算的, 也就是说如果其邻居用户喜爱某项目, 则该用户也很可能会喜爱该项目。协同过滤最大优点是不需要分析对象的特征属性, 所以对推荐对象没有特殊的要求, 能处理非结构化的复杂对象, 如音乐、电影等。缺点有两个:一个是稀疏性, 亦即在系统使用初期, 由于系统资源还未获得足够多的评价, 系统很难利用这些评价来发现相似的用户;另一个是可扩展性, 亦即随着系统用户和资源的增多, 系统的性能会越来越低。

3. 基于规则的推荐技术。

关联规则挖掘技术往往利用实际交易数据作为数据源, 它可以发现不同商品在销售过程中的潜在相关性。基于规则的推荐技术在评价表上挖掘项目间的关联规则 (项目关联) 和用户间的关联规则为当前用户进行推荐。使用项目关联进行推荐时, 把已购商品作为规则头, 推荐对象作为规则体, 其中关联规则的发现最关键且最耗时, 但可以离线进行。其优点是简单、直接, 缺点是规则质量很难保证, 而且不能动态更新。此外, 随着规则的数量增多, 系统将变得越来越难以管理。

4. 基于效用的推荐。

基于效用的推荐是建立在对用户使用项目的效用情况计算商品对用户的效用来作出推荐的。焦点问题是如何为每一位用户创建出合适的效用函数, 因此, 用户资料模型很大程度上是由系统所采用的效用函数决定的。基于效用推荐的好处是它能把非产品的属性, 如提供商的可靠性和产品的可得性等考虑到效用计算中。

5. 基于知识的推荐。

基于知识的推荐在某种程度是可以看成是一种推理技术, 它不是建立在用户需要和偏好基础上推荐的。这种推荐系统具有特定商品满足特定用户需要的知识, 并由此推导出用户需要与某一推荐物品的相互关系。用户描述可以是支持这种推导的任何知识结构, 所以用户资料可以是任何能支持推理的知识结构, 它可以是用户已经规范化的查询, 也可以是一个更详细的用户需要的表示。

6. 组合推荐。

由于各种推荐方法都有优缺点, 所以在实际中, 组合推荐经常被采用。研究和应用最多的是内容推荐和协同过滤推荐的组合。最简单的做法就是分别用基于内容的方法和协同过滤推荐方法去产生一个推荐预测结果, 然后用某方法组合其结果。尽管从理论上有很多种推荐组合方法, 但在某一具体问题中并不见得都有效, 组合推荐一个最重要原则就是通过组合后要能避免或弥补各自推荐技术的弱点。在组合方式上, 有研究人员提出了七种组合思路:

(1) 加权:加权多种推荐技术结果。

(2) 变换:根据问题背景和实际情况或要求决定变换采用不同的推荐技术。

(3) 混合:同时采用多种推荐技术给出多种推荐结果为用户提供参考。

(4) 特征组合:组合来自不同推荐数据源的特征被另一种推荐算法所采用。

(5) 层叠:先用一种推荐技术产生一种粗糙的推荐结果, 第二种推荐技术在此推荐结果的基础上进一步作出更精确的推荐。

(6) 特征扩充:一种技术产生附加的特征信息嵌入到另一种推荐技术的特征输入中。

(7) 元级别:用一种推荐方法产生的模型作为另一种推荐方法的输入。

对推荐系统总体性能的评价是推荐系统研究的重要组成部分。目前大都只是采用准确率、召回率等评判尺度对推荐算法进行评价, 并没有真正意义上的、提升到对整个推荐系统进行的评价, 尤其缺乏从个性化程度、持久性程度、系统的安全性以及用户接受程度等多方面对推荐系统进行综合的评价。

(三) 电子商务推荐技术存在的问题和发展方向

综合目前电子商务中个性化推荐系统的现状可以看出, 大多数个性化推荐系统只是给用户推荐一些不同类别的资源, 而对用户正确行为的推荐却比较少。未来电子商务推荐技术研究的发展主要体现在以下几个方面:

1. 组合推荐技术的研究。

众所周知, 现存的推荐技术已经得到推广和应用, 但各种技术都存在一些缺陷, 能否将各种推荐技术融合起来作到取长补短是未来电子商务推荐技术研究的重要课题。

2. 推荐技术准确度的研究。

目前的推荐技术推荐的准确性还得不到保证, 准确度的研究还局限在手工实验阶段, 因此, 研究出自动的准确性验证理论模型就显得非常重要。

3. 数据获取方面。

主要还是依赖用户的显式评价, 在自动获得用户的隐式信息方面做得不够。

4. 研究过于集中解决推荐算法性能的提高。

对推荐系统的开发与应用, 尤其是与企业其它系统的集成应用, 在辅助企业的市场销售, 客户管理和企业商务智能方面缺乏研究。

(四) 结束语

电子商务推荐系统, 一方面有助于电子商务网站内容和结构自适应性的实现, 另一方面在帮助客户快速定位感兴趣的商品的同时也为企业实现了增值。但电子商务推荐系统的推荐算法设计以及推荐系统体系结构等关键技术也面临一系列挑战。由于各种推荐技术各有其优缺点, 组合推荐方法把各种推荐技术结合起来、推荐技术准确度验证模型的研究以及改进数据获取方法等方面将是电子商务推荐系统未来的研究方向。

参考文献

[1]余力, 刘鲁, 罗掌华.我国电子商务推荐策略的比较分析[J].系统工程理论与实践, 2004, (8) :96-101.

[2]Coo ley R, Mobasher B, Srivastava J.Data p repara2t ion fo r m ining wo rld w ide W eb brow sing pat terns.Journal of Know ledge and Info rmat ion System s, 1999 (1) :230-241

[3]R.D.Lawrence, G.S.Almasi, V.Kotlyar, M.S.Viveros, S.S.Duri, Personalization of supermarket product recommenda-tions, IBM Research Rport, 2000:43-75.

[4]邓爱林, 朱扬勇, 施伯乐.基于项目评分预测的协同过滤推荐算法[J].软件学报, 2003, (9) .

[5]曾春, 邢春晓, 周立柱.个性化服务技术综述[J].软件学报, 2002, (10) .

电子商务推荐课程 篇2

各位同学你们好！

为了更好的了解我校关于商务英语课程设置的情况，特别设计此次问卷调查，希望同学们如实填写。此次问卷为无记名，内容将保密，谢谢同学们的合作！

1、您是商务英语专业_____的学生。

A 大一 B 大二C 大三D 大四

2、您为什么选择商务英语专业？

A 就业需要B 出国留学需要C 考证需要D 兴趣爱好 E 其他原因

3、您对我校设置的商务英语课程是否满意？

A 很满意B 基本满意C 不太满意D 不满意

4、您认为商务和英语课程设置的比例应该是多少？

A 3﹕7B 7﹕3C4﹕6D 6﹕4E 5﹕

55、您认为该专业的授课应该是______

A 英文授课B 中文授课C 中英结合，中文为主 D 中英结合，英文为主

6、您未来的就业目标是_______

A 商务助理 B 外贸业务员C 商务翻译D 英语教师

7、您希望商务英语课程用什么样的教材？

A 翻译版英文教材B 原版英文教材C 中文教材D 双语教材

8、您认为目前最有效的授课方式应该是_______

A讲授B 学习成果展示C实践中教学

9、您觉得以下哪些技能是您比较欠缺的？（多选题）

A 商务英语语言技能（如听力，阅读，翻译，口语和写作等）；

B 商务操作技能（如应用国际贸易术语，填写出口单据和报价还价等）；

C 商务理论知识（如国际贸易术语，出口单据和国际货物运输等）；

D 跨文化商务交际技能（如商务礼仪，商务谈判等）

10、您在课堂上操作商务英语的机会多吗？

A 总是有B 经常有C 偶尔有D 很少有

11、您认为那种类型的商务英语教师更能够满足您的需要？

A 英语专业背景且对商务英语知识有一定的了解

B 英语专业背景且具有丰富的商务实践经验

C 经贸专业背景且可以用英语授课

D 经贸专业背景但只能用汉语授课

12、您最感兴趣的商务英语技能是什么？

A如商务谈判，电话交流和产品介绍等听力和口语技能

B如阅读合同，信函和报告等商务文件的阅读技能

C 如撰写合同，信函和报告等商务文件的写作技能

D 如在商务英语环境中进行笔译和口译的翻译技能

13、您希望通过商务英语的课程学习掌握哪些技能？（多选）

A 商务英语语言技能（如听力，阅读，翻译，口语和写作等）；

B 商务操作技能（如应用国际贸易术语，填写出口单据和报价还价等）；

C 商务理论知识（如国际贸易术语，出口单据和国际货物运输等）；

D 跨文化商务交际技能（如商务礼仪，商务谈判等）

14、你认为实训课和理论课程设置的比例应该是多少？

A 4﹕2B 5﹕1C 3﹕3D 2﹕

415、您认为本专业应该提供怎样的专业实习机会？

A 贸易公司，银行保险等金融机构

B 外企

C 学校，英语培训机构

D 交易会

16、您认为在我校设置的核心课程中，哪些课程对您未来的就业有帮助？（多选题）

A 商务翻译实践与技巧

B 商务谈判

C 国际市场营销

D 国际商务函电

E 实用进出口单证培训

F 国际商务函电实训

电子商务中协同过滤推荐技术研究 篇3

随着互联网的广泛普及, 电子商务对传统的商务交易产生了革命性的变化, 产生从以商品为中心到以用户为中心的商业模式的转变。新的商业环境在为企业提供新的商机的同时, 也对企业提出了新的挑战。围绕用户进行服务, 为用户提供所需要的商品, 所以对每个用户提供个性化的服务成为必要。电子商务推荐系统成为解决问题的重要途径。而协同过滤推荐是目前研究最多、应用最广的电子商务推荐技术。

二、电子商务推荐系统

电子商务推荐系统定义为:利用电子商务网站向用户提供商品信息和建议, 帮助用户决定应该购买什么产品, 模拟销售人员帮助客户完成购买过程。它是一个基于用户网上购物的以商品为推荐对象的个性化推荐系统, 为用户推荐符合兴趣爱好的商品。分析用户的消费偏向, 向每个用户具有针对性地推荐的产品, 帮助用户从庞大的商品目录中挑选真正适合自己需要的商品。电子商务推荐系统在帮助了用户的同时也提高了用户对商务活动的满意度, 换来对电子商务站点的进一步支持。

三、协同过滤推荐技术

1. 基于用户的协同过滤, 基于用户的协同过滤推荐技术是推

荐系统中应用最为广泛的方法之一, 它是基于邻居用户的兴趣爱好预测目标用户的兴趣偏好。算法先使用统计技术寻找与目标用户有相同喜好的邻居, 然后根据目标用户的邻居的偏好产生向目标用户的推荐。它能够通过用户间的相互协助、根据用户对项目的评价的相似性对用户进行分类, 其次, 在基于用户的系统过滤系统中, 所有用户都能从邻居用户的反馈评价中得益, 当然, 基于用户的协同过滤系统容易挖掘出目标用户潜在的新兴趣。

2. 基于项目的协同过滤, 基于项目的协同过滤通过先计算已

评价项目和待预测项目的相似度, 以相似度作为权重, 加权各已评价项目的评价分, 得到预测项目的预测值, 基于项目的协同过滤推荐根据用户对相似项目的评分预测该用户对目标项目的评分, 它基于这样一个假设:如果大部分用户对一些项目的评分比较相似, 则当前用户对这些项目的评分也比较相似。

3. 基于混合推荐的协同过滤, 综合考虑了用户和项目这两个属性。

一种是先根据项目来预测, 然后用基于用户的协同过虑产生推荐;另外一种是先根据用户来预测, 然后用基于项目的协同过虑产生推荐;还是一种就是分别根据基于用户和基于项目的协同过虑来加权平均产生推荐。

4. 基于聚类的协同过滤, 聚类技术是根据用户的兴趣类似性

来进行聚类, 聚类产生之后, 根据聚类中其他用户对项目的评价预测目标用户对该项目的评价。有学者提出通过对服务器日志进行事务聚类和关联规则超图分割聚类获取用户的共同浏览特征, 然后扫描所有的数据集合产生个性化的推荐。也有学者提出对项目进行聚类, 然后在对应的聚类中搜索目标用户的最近邻居, 由于每个聚类中的用户数量并不是随着项目数量的减少而线性减少, 所以这种方法在用户对多个聚类中的商品均有评分的情况下效果并不理想。

5. 基于关联规则的协同过滤, 关联规则技术在零售业得到了很大的发展。

关联规则挖掘可以发现不同商品在销售过程中的相关性。系统根据生成的关联规则模型和用户当前的购买行为向用户产生推荐。关联规则模型的生成可以离线进行, 因此可以保证系统的实时性要求。

四、待解决的问题

1矩阵稀疏性。电子商务网站通常拥有大量商品, 而每个用户购买或作评价的只是其中很小的一部分通常不到1%, 例如亚马逊网站系统, 数据的稀疏会导致算法准确率降低。在一般的协同过滤系统中, 如果两个用户没有对相同的商品进行打分, 即使这两个用户的兴趣爱好都相同, 系统也无法得出他们之间的相似度, 算法甚至找不到任何商品可作推荐。

2. 冷启动问题。

冷启动问题有新商品问题和新用户问题两类。新商品问题是指一个新商品刚加入的时候, 没有人或很少人评价, 则这个商品很难被推荐出去, 这就需要推荐系统引入一些新机制来激励用户多作评价。新用户问题是指推荐系统中对用户的分类是依据目标用户与其他用户的比较, 这种比较主要基于不断累积的用户评价。如果一个新用户从未对系统中的项目进行评价, 则系统无法获知他的兴趣点, 也就无法对他进行推荐。

3. 可扩展性。

随着用户和项目数量急剧增加, 在整个用户空间上搜索目标用户的最近邻居比较耗时, 难以满足推荐系统的实时性要求。主要由于基于用户或项目的协同过滤算法需要扫描整个数据库来计算相似度, 因此随着数据库中记录的增加, 其计算复杂度呈指数级别增长, 导致推荐系统性能急剧下降。一种可能的方法就是用聚类分两阶段来解决问题。离线阶段对用户或项目进行分类, 在线阶段就可以直接到规模小很多的聚类中心找到最近邻居并产生推荐。

4. 隐私保持问题。

协同过滤中隐私保持问题近年来也引起了越来越多学者的研究兴趣。数据挖掘中隐私保持是近年来学术界的一个研究热点, 已在很多协同过滤中取得了成果。有基于加密的技术和随机扰乱技术解决方案。也有用对等网络结构的协同过滤推荐隐私保持问题的技术方案。

五、总结

电子商务推荐系统, 一方面有助于电子商务网站内容和结构自适应性的实现, 另一方面在帮助用户快速定位感兴趣的商品的同时也为企业实现了增值。而协同过滤与其他推荐方法比较有许多不可替代的优化, 本文对协同过滤推荐技术进行了介绍, 并对存在的问题进行了概述。目前, 国内的电子商务网站在这方面的实践处在快速发展的阶段, 因此还需要继续研究出更智能、更优化的协同过滤推荐技术。

摘要：协同过滤推荐是电子商务推荐系统中应用最成功的技术, 很大程度上决定了推荐系统的推荐质量。文章主要介绍了目前应用较广的几种协同过滤推荐技术, 并对这几种推荐技术的存在的问题进行了分析。

关键词：电子商务,推荐系统,协同过滤

参考文献

[1]姜有辉高琳琦:电子商场中的个性化推荐研究与应用[J].商场现化, 2006, 33

电子商务功能（写写帮推荐） 篇4

电子商务可提供网上交易和管理等全过程的服务，因此它具有广告宣传、咨询洽谈、网上订购、网上支付、电子帐户、服务传递、意见征询、交易管理等各项功能。

功能简介

基于信任社区的电子商务推荐模型 篇5

随着互联网应用普及率日益提高, 电子商务行业飞速发展, 但同时信息“超载”问题越发严重, 用户往往需要花大量时间来甄别符合自己需求的商品, 大大增加了搜索成本。为了帮助消费者快速、准确挑选出需要的商品, 不少电商网站根据用户的商品评分, 并结合评分相似性为用户推荐其感兴趣的商品。早期研究集中在改进推荐算法提高推荐准确率, 当前则更倾向于利用用户模型描述信息来改善推荐方法。但将具有相似兴趣、喜好的用户进行聚类推荐的研究较少。

本文提出一种基于信任社区的电子商务推荐方法, 将用户划分到不同的用户社区, 计算社区用户间的信任度, 进而帮助用户找到若干信任邻居。最后根据用户信任邻居对商品的评价及商品自身的评价预测用户对未购买商品的评分, 将预测评分较高的商品推荐给用户。

2 信任社区构建

将电子商务平台中的每一位用户看作一个节点, 双方之间的兴趣相似性和信任关系看作节点之间的连接, 这就形成一种用户信任社区。在其构建过程中, 首先根据每位用户的行为日志和兴趣相似性将用户进行聚类划分, 然后计算相应聚类中各个节点间信任值, 并据此为用户找到最信任的邻居集合, 如图1所示。

2.1 用户聚类

聚类实现算法很多, 但基于目标函数的算法中模糊c均值 (FCM, Fuzzy c-Means) 算法较为完善、应用也最为广泛。具体过程如下:

输入:聚类数目c和用户向量数据表

处理:FCM聚类算法过程

⑴用数据集X={x1, x2, …, xn}表示从向量数据表中检索出的所有用户向量, n是用户数量, xi代表某用户的向量表示;

⑵用值在0, 1间的随机数初始化用户隶属矩阵U={u1, u2, …, un}, 其中uj={uij, u2j, …, ucj}T, uij表示某用户j在第i类中的隶属度, uij介于0, 1间, 使其满足式 (1) 的约束条件;

⑶用式 (2) 计算c个聚类中心ci, i=1, …, c;m是加权指数, 且m∈[1, ∞) ;

⑷根据式 (3) 计算价值函数。如果它小于某个确定的阈值, 或它相对上次价值函数值的改变量小于某个阈值, 则算法停止;

为第i个聚类中心与第j个数据点见的欧几里德距离;

⑸用式 (4) 计算新的用户隶属矩阵U, 返回3。

输出:用户在各聚类中的隶属度和各聚类的聚类中心

本文根据资源和用户的特点, 选择一个适当的初始聚类数目, 然后通过结果分析, 调整聚类数目, 使聚类效果达到最优。本文选择访问量较高, 且彼此之间相似性较低的用户作为初始聚类中心, 然后再据此确定初始用户隶属矩阵。在得到用户在各聚类中的隶属度后, 根据隶属度来确定每个用户的所属用户聚类。

2.2 节点间信任值计算

节点间的信任值准确性, 影响到商品推荐的成功或失败。在社区中, 节点之间存在着由商品共享带来的信任关系, 节点之间进行商品共享之前需要进行信任评价。信任评价计算如下:

信任关系的集合, TA (C) 为节点A对推荐节点C的信任值, 对节点A的推荐权重为RWTC (B) 。

而ι的取值与交互的次数有关。当请求节点计算出服务节点的信任值后与预设的交互可靠性最低阈值Tmin比较, 满足Tobject>Tmin的节点生成一个信任值列表, 将信任值最大的n个用户作为目标用户的top_n最信任邻居集。

3 电子商务推荐模型

为帮助用户找到符合自身需求且可靠的商品, 本模型将通过分析目标商品获得的所有评价信息和目标用户在信任社区中的信任邻居对目标商品的评价信息, 经过运算分析后给出商品的最终推荐得分。具体的计算公式如下所示:

为线性遗忘函数, α、b为常数, (其中du, i表示用户u访问商品与其对商品i进行评价的时间差值, T为时间间隔的基本单位) 。该函数为单调递减函数, 值域为 (0, 1], 反映出不同时间段的用户给出的商品评分对推荐值计算结果的重要性。i为用户查看的商品, P (i) 为商品获得的评价得分, Pc (i) 为信任邻居对商品的评价得分, m为商品获得评价的数量, n为信任邻居的数量

4 实证分析

为验证该电子商务推荐模型的有效性, 本文代入Movie Lens (历史最悠久的电影推荐系统) 中的指标数据进行实证分析, 以推荐预测值和Movie Lens平台的真实推荐得分之间的绝对误差 (Mean Absolute Error, MAE) 来度量模型的有效性。

提取570部电影数据分别代入基于信任社区的推荐模型和基于协同过滤的推荐模型, 然后将前者的推荐得分 (R-value) 和后者的推荐得分 (C-value) 与真实推荐得分 (M-value) 进行比较, 得出平均绝对误差, 如图4所示。误差越小, 推荐结果越准确。初始阶段, 后者推荐准确性优于前者, 但随参与电影量提升, 前者的推荐准确性更高。

为检验推荐模型抵御虚假评价的能力, 对数据集中一些指标的评分进行改变, 并重新进行计算与比较, 得到新的平均绝对误差 (R-M*) , 并与先前的结果比较, 如图5所示, 该模型起初受到的影响较大, 使得R-M*比之前有所增加, 不过随着参与电影量提升, 受到的影响逐渐降低, 最终两者的差距控制在相对合理的范围内。因此, 可以说明该模型具备一定的抵御虚假评价的能力。

5 结论

通过上述实验结果可以得出如下结论:本文提出的基于信任社区的电子商务推荐模型相对于现有的基于协同过滤的推荐模型用着更好的推荐准确性, 并且还具备了更加良好的抵御虚假评价的能力, 能够为用户提供可靠、有效的商品推荐服务。不过本模型没有考虑冷启动问题, 无法对新上架的和消费者从未购买过的商品进行推荐, 因此还需进一步的改进。

参考文献

[1]王强, 储昭昉.依赖、信任和承诺对第三方物流整合及其绩效的影响:基于中国的实证研究[J].中国软科学, 2012, (2) :117-121.

[2]张少中, 方朝曦.基于社会网络的电子商务信任社区聚类模型[J].浙江大学学报:工学版, 2013, 42 (5) :725-730.