基于大数据时代下电子商务个性化推荐的研究与应用
刘馨蔚 沈阳师范大学 摘要:随着电子商务在各行各业各领域的广泛关注及应用,对于大数据时代下电子商务的个性化推荐也成为了当今社会一个备受关注的焦点问题。电子商务网站与之前的相比发生了质的变化,电子商务网站在为用户提供所需要的服务产品的同时,加大了用户在海量信息中快速准确的寻找符合自己要求产品的难度。基于对大数据技术的研究,广泛的收集用户的海量数据加以分析,准确的在电子商务的服务模式中增加针对不同用户的个性化信息推荐服务,通过个性化推荐,电子商务网站能主动的向用户推荐其所需要的产品以及所偏好的内容,一方面帮助用户快速准确的寻找满足需要的产品,改善用户的体验效果,另一方面也提高了服务质量,提高企业在众多市场中的竞争力。电子商务的个性化推荐模式毫无疑问在电子商务这一行业中具有实际意义。 关键词: 大数据;电子商务;个性化推荐;产品 通过挖掘用户基本消费信息下的潜在价值,对海量数据进行分析,为每个用户形成特定的个性化推荐服务为电子商务带来新的营销模式同时也带来了新的市场机遇。企业开始重视用户的潜在消费价值,并去不断的迎合用户的消费习惯以及消费喜好。针对不同的个体用户提供不同的个性化推荐成为电子商务行业下的主流。本文的主要内容是对基于大数据时代下的电子商务的个性化推荐的研究与应用,主要包括相关基础理论、电子商务个性化推荐的服务模式以及基于大数据下的个性化信息服务的未来发展模式。 一、相关基础理论的定义以及特点 (一)什么是大数据 大数据是指超过传统数据库系统处理数据的能力,在数据规模和数据传输速度方面要求较为严格,并且数据结构与原本的数据库系统也有很大的差别。大数据的具体分类如表1所示。 表1 大数据的类型 (二)大数据的特征 大数据的特征主要包括数据类型繁多、处理速度和实时性要求较高以及数据价值密度相对较低。大数据的四大特点主要有海量性、高速性、多样性、易变性。海量性指的是数据规模较大,并且数据规模在不断的变化;高速性值得是数据被创建和移动的速度,电子商务的个性化推荐服务模式需要企业快速的创建数据,并将数据快速处理、分析返回给用户,来满足用户的个性化推荐;多样性指的是数据结构和数据类型较多;易变性指的是大数据呈现多变的形态和类型。就现在看来,企业面临的最大挑战就是从各种规则的数据中挖掘到最大的价值。 (三)什么是电子商务个性化推荐服务 电子商务个性化推荐即针对不同的消费群体提供不同的服务,通过个性化推荐为消费者创建一个舒适的购物平台。基于对消费者购物习惯的研究,为消费者创建一个独一无二的个性化推荐,给消费者提供一个更好的需求服务。通过对消费者基本购物信息的研究,可以更好的为消费者提供信息服务,并推进电子商务的个性化推荐的开展。 (四)电子商务个性化推荐的特征 电子商务的个性化推荐服务主要是针对消费者展开的,其主要特征有:独特性、主动性以及智能性。独特性指的是针对每个不同的消费者提供不同的个性化推荐,通过为消费者提供的个性化推荐更好地满足消费者自身的需求;主动性指的是个性化推荐服务主动为用户群体提供服务;智能性指的是通过对用户群体相关信息数据的收集实时的对个性化推荐服务进行更新,紧跟用户的脚步,来满足用户的最新需求。 二、国内外研究现状及研究特色 (一)国内外研究现状 曾鸿等通过研究发现,在当前大数据和云计算等技术的加持下,通过爬虫技术去收集相关明星的数据,可以更好地发现他们的兴趣共同特征,进而在其关注的用户中分析比对与之相对应的用户,通过精准的个性化推算让微博等产品有更好的用户体验,增进用户的黏性。 Omar Hasan等则主要注重对用户画像的研究,其认为通过构建用户的基本信息数据库,则可以从多个角度对用户的个性化特征进行精准的定位,在经过计算中的数据纠正和非结构化处理,则可以分析出用户潜在的消费行为,精准提供服务推荐。 Stanescu A等则注重通过用户标签的方式去更好的捕捉关键信息,主要分析的数据依据为用户的消费数据,在用户的评价信息、电影检索记录中描绘用户的消费行为。 Pena等则主要研究了自动化的用户分析技术,其基本的过程是利用用户已经公开的各种推文或者文章,在其中运用语义本性等可以表现特征的词语去标记用户的基本性却,从而对用户群进行分类,进而对于相关的商品和服务进行个性化的推荐。 随着计算能力的上升及更多更高效率的运算技术的应用,个性化推荐技术已经被应用在多个不同的场景,其推荐技术也更加的深入,模型建立的精准程度更高。通过用户数据-评分数等方式建立用户数据矩阵,对目标用户的数据和近邻数据进行比对推荐是重要的两个阶段。推荐算法的使用主要是协同过滤模型,通过分析建立精准化的用户数据模型,以此建立一用户一画像的数据栈,实现与用户兴趣点一直的推荐内容。 (二)研究的特色 1.当前企业电商平台已经运营四年有余,稳定的发展积累了大量的数据,在大数据营销平台的研究中,系统要通过大量数据的抓取和采集,金额热才能够开展数据的分析,提取出具有价值的相关信息。在数据采集过程中要能够灵活的配置数据接口,自由提取有效的数据字段,实现对无效数据的处理。 2.在深入分析了用户需求以后,对系统的核心功能进行了确定。立足于当前电商平台的管理实际,系统开发本着易用性、简洁性、可视化原则,从大数据分析流程上设计了数据采集管理、存储、画像构建、推荐、更新纠正等系统化、标准化的流程。力争为电商企业提供一款指标分析全面、用户设置快速、分析内容一目了然的销售管理系统。 3.差异化产品营销、精细化营销运营以及快速的响应机制是当前电商平台竞争所在,也是电商培养忠诚客户的关键所在。 三、基于大数据时代下的电子商务个性化推荐应用的主要技术 一是协同过滤技术。协同过滤技术主要是用来辨别顾客的特定兴趣。简单来说,通过对用户感兴趣的物品进行分析去识别某一用户的偏好商品。通过协同过滤技术去准确预测用户的偏好并直接为用户推荐感兴趣的物品,提高企业的服务品质。协同过滤技术的优缺点参照表2所示。 表2 协同过滤技术的优缺点 二是数据挖掘技术。基于大数据的挖掘用到的主要是技术是Web数据挖掘技术。数据挖掘从海量的数据中抽取出潜在的不易被发现的信息,并且根据所得信息预测未来的发展趋势,数据挖掘技术能够提高电商的市场决策能力。Web数据挖掘主要有三种类型:Web内容挖掘、Web结构挖掘和Web使用挖掘。 本文基于电商平台客户的静态信息和动态行为数据,利用数据挖掘算法建立模型,从而完成用户的特征标签化,最后形成基本的用户画像。用户的标签系统建立在获取数据基础上,与其他系统协作形成基本的业务架构如图1所示: 图1客户标签业务体系 首先用户标签系统对标签进行分类管理,可分为静态和动态信息特征。静态管理数据主要是基础数据,数据的信息一般不会随着时空的变化而变化,主要是业务的基本特征、服务的主要内容、用户的基本情况等数据信息。而一级基础标签所包含的内容则更加具体,地域、年龄等其他数据均会标注不同的标签。 第二是用户标签。用户标签主要是对用户的特征进行深度分析以后建立的基本模型,其中主要包括业务特征标签和模型标签两类。前一个标签主要是对商品所包含的业务流程、服务措施等信息进行标记,后一个则主要是通过分析用户的使用、服务、内容等数据,从而更好形成对比的基础数据。 第三是用户建模技术。建立有效的用户模型能够保证个性化信息推荐更好地为用户服务。为了建立准确的用户兴趣模型,从基础数据库中调取相应的数据标签,通过建模对比的方式找到契合的商品或者服务。 第四是基于大数据的精准营销技术。依据前期设计好的用户画像数据系统,在数据库中调取系统所需的数据,进而对数据进行清洗和筛选,在此基础上挖掘出与商品相似的特征数据,从而能构建用户的使用画像,存储并上传服务器后进行商品的精准化推荐。 在具体的模型实现中,可以按照两种方法进行综合实现,主要的内容是围绕用户的消费展开的,要充分考虑情景和业务这两个核心要素,在画像数据系统中要注重对这两个方面的数据进行广泛深入的采集,才能够保证模型建立更加具备匹配度,也才能保证商品或者服务更加与用户的预期相一致。具体的算法可以简单的概述如下。 S1 :初始化的阈值可以预设为α和 N S2 :通过在数据集中进行有针对性的信息搜索,抓取获得用户的相关操作数据,建立数据集Dataset存储数据。 S3:获取用户的历史数据 BACKGROUD(H)={BACKGROUD 1,ACKGROUD 2,…ACKGROUDN } S4:分析用户基础数据BACKGROUD={B1,B2,….BN } S5:计算当前产品信息与用户历数据的相似度 sim_bh=sim(BACKGROUD(N),BACKGROUD(H)) S6:比较 sim_bh 与阈值α的大小 If sim_bh>αThen 基于推荐系统进行信息推荐 Else 作为特定用户,要与历史数据进行充分的比较和分析,并根据结果进行排序,以此获取匹配度较高的数据。 在对系统抓取到的用户数据进行充分的分析后,就可以按照用户特征和兴趣数据与保险产品内容进行比对分析,在推荐算法的计算下,进行数据的分类分析和处理。在此要用到K-Means经典算法,如下图所示。 图2 K-Means 算法的处理流程图 四、对电子商务个性化推荐服务模式进行分析 (一)准确性信息推荐 这类信息推荐主要应用了数据挖掘技术,先对海量数据进行收集,然后再进行内容和结构的挖掘找到有用的信息。在图书类的网站中主要是用这类信息推荐,因为图书网站的用户一般比较固定,并且信息传达较为准确,拼条则可以更加精准的获取用户的购物意向,更能够获取用户的浏览数据、收藏管理信息等数据,进而实现较为全面的分析,通过定期的商品的更新,以满足用户的购物需求。 (二)热点信息推荐 将当前的购物网站上销量最好的或者刚上新的商品主动推荐费意向客户,在服务模式中可以算作主动推荐模式。而平台通过分析用户的浏览数据、购买记录等数据分析后,根据用户的潜在意向推送商品。而热点推荐则不必考虑和分析用户个人画像的基础数据,只是通过用户经常使用的软件或者网站将商品信息无差别的推荐给每一位用户。热点推荐相较于分析后推荐,成功率较小,也同样要分析用户对软件和网站的使用频次,使用频次高的则更容易成功。 (三)兴趣推荐 电商平台充分利用大数据的挖掘技术,将用户留下的海量数据例如浏览网页的历史记录、历史购物记录以及点击过的商品等,充分进行数据挖掘,为用户提供个性化的需求。根据个体用户的兴趣推荐需要网站后台具有将强的处理信息的能力,去发现潜在的用户信息,以减少用户的不良体验。 五、电子商务个性化推荐服务的基础工作 (一)大数据的安全性 在数据挖掘技术和云计算的广泛应用下,大数据技术在处理大批数据时也存在一定的安全隐患问题。例如需要处理的数据过多,在处理过程中会出现很多敏感的数据,黑客就会趁机进入检测到系统中的加密数据,并进行盗取,造成用户个人信息的泄露。因此电商平台必须对大数据的分析进行定期维护和整理,消除潜在的数据危机,并且还要设置云端服务,为用户信息提供专业的保护措施。 (二)完善的推荐系统 完善的推荐系统是个性化服务的基础,也是实现个性化推荐的最重要、最关键的一步。 电商平台的推荐系统最显著的优势就是通过大数据技术获取用户感兴趣的数据并将其推送给用户,根据每个用户的偏好主动为用户做出个性化推荐。推荐系统还会根据平台数据和用户浏览数据的实时改变而进行调整,以保证电商平台的稳定运行,提高电子商务行业的服务水平。 (三)个性化推荐的准确度 用户是否接受到了他们真正需要的商品信息与个性化推荐服务的精确度有着很大的关系。对用户潜在信息进行深度的挖掘对一个电商企业来说非常重要,他们通过提取商品的关键字、改变商品的排序等方式,来提取有价值的数据,从而更加精准地实现对需要的分析和把握,让用户能够较为方便快捷的找到所需商品,从而产生购物行为,个性化推荐服务达到预期的效果。 六、结论 电子商务的个性化推荐服务是未来信息服务的发展方向和发展重点。优质的个性化推荐服务不仅能为挖掘用户的兴趣点,而且可以给用户推荐从未接触过的商品,给用户带来新鲜的体验感。在未来,个性化的推荐服务必将给电子商务企业带来更大的发展前景以及巨大的经济效益。 参考文献: [1]胡一.基于大数据的电子商务个性化信息推荐服务模式研究[D].吉林大学,2015. [2]黎超.基于大数据的电商个性化推荐系统分析[J].商业经济研究,2019(02):69-72. [3]王茜,钱力.大数据环境下电子商务个性化推荐服务发展动向探析[J].商业研究,2014(08):150-154. [4]孙雨生,于凡,孙肖妹,郝丽静.国内基于大数据的个性化服务研究进展——架构体系与关键技术[J].现代情报,2018,38(02):171-177. [5]曹琦.电商平台个性化推荐信息的消费者采纳意愿影响因素研究[D].江苏科技大学,2020. [6]李艳.以智慧邮政为目标的客户量化精准营销服务平台建设[J].通信管理与技术,2019(02):35-37. [7]瞿晓强.精准营销在商业银行的应用——以J银行基层机构精准营销的实践为例[J].对外经贸,2019(06):83-84+89. [8]洪涛.天华院基于精准营销的客户关系管理策略研究[D].兰州大学,2019. [9]徐湘钰.客户响应评分模型在商业银行精准营销中的应用研究[D].兰州财经大学,2019. [10]杨洋.民生银行广州分行大客户精准营销策略研究[D].兰州大学,2019. [11]傅亚策.大数据背景下H公司精准营销策略研究[D].广西师范大学,2019. [12]周东琪.大数据背景下J商业银行理财产品的精准营销研究[D].山东师范大学,2019. [13]曾鸿,吴苏倪.基于微博的大数据用户画像与精准营销[J].现代经济信息,2016(16):306-308. [14]Hasan, Omar Habegger, Benjamin. A Discussion of Privacy Challenges in User Profiling with Big Data Techniques: The EEXCESS Use Case [J].IEEE, 2013. [15]Stanescu A , Nagar S , Caragea D . A Hybrid Recommender System:User Profiling from Keywords and Ratings[C]. IEEE, 2013. [16]Pe a, Paula, Hoyo R D , VeaMurguía, Jorge, et al. Collective Knowledge Ontology User Profiling for Twitter - Automatic User Profiling[C]. IEEE Computer Society, 2013. |