黄玲 余霞

摘  要： 电子商务商品推荐系统可以帮助用户从海量的商品中快速找到自己意向的商品，针对当前电子商务商品智能推荐系统存在工作效率低、推荐误差大等缺陷，设计了基于云平台的电子商务商品智能推荐系统。首先，分析当前电子商务商品推荐系统的研究现状，找到引起推荐效果差的原因;然后，根据云平台的数据处理技术搭建电子商务商品推荐系统，并对电子商务商品推荐系统的关键技术进行设计;最后进行云平台的电子商务商品智能推荐系统的仿真测试。测试结果表明，所提系统克服了传统电子商务商品推荐系统存在的不足，加快了用户从海量商品中找出自己真正需要商品的速度，提高了电子商务商品推荐精度，且電子商务商品推荐误差远远低于传统电子商务商品推荐系统，具有更高的实际应用价值。

关键词： 电子商务商品; 智能推荐系统; 云平台; 商品特征; 商品相似度; 商品数据集; 用户偏好

中图分类号： TN911?34; TP391                     文献标识码： A                    文章编号： 1004?373X（2020）05?0183?04

E?commerce commodity intelligent recommendation system based on cloud platform

HUANG Ling， YU Xia

（Wuhan Institute of Design and Sciences， Wuhan 430205， China）

Abstract：The e?commerce commodity recommendation system can help users quickly find their ideal ones from the mass of commodities. In view of the deficiencies of low work efficiency and great error in the current e?commerce commodity intelligent recommendation system， an e?commerce commodity intelligent recommendation system based on cloud platform is designed. Firstly， the current research status of e?commerce commodity recommendation system is analyzed to find the reasons for poor recommendation effect. Secondly， the e?commerce commodity recommendation system is built according to the data processing technology of cloud platform， and the key technologies of e?commerce commodity recommendation system are designed. Finally， the simulation test of e?commerce commodity intelligent recommendation system based on cloud platform is performed. The test results show that the proposed system overcomes the deficiencies of the traditional e?commerce commodity recommendation system， so that users can find the commodities they really need from the mass of commodities more quickly. In addition， it improves the accuracy of e?commerce commodity recommendation， so that the error rate of e?commerce commodity recommendation is much lower than that of the traditional e?commerce commodity recommendation system. Therefore， the proposed system is of higher practical application value.

Keywords： e?commerce commodity; intelligent recommendation system; cloud platform; commodity feature; commodity similarity; commodity data set; user preference

0  引  言

随着信息技术、物流技术、网络技术以及智能技术的不断发展，网络中的商品数量和种类急剧增加，商品已经以海量的形式存储，同时，人们在网络上进行商品交易的频率越来越高，出现了许多类型的电子商务管理系统[1?3]。在电子商务管理系统中，电子商务商品推荐系统是其中最重要的一个子系统，直接影响用户是否能够高效搜索到自己意向的电子商务商品，因此，推荐系统设计和研究一直是电子商务应用领域中的一个重要研究方向[4?7]。

传统电子商务商品推荐系统采用单机方式工作模式，用一台计算机对所有用户的请求和商品数据进行管理，随着用户数量和商品数据的不断增多，单机工作模式的缺陷日益明显，主要表现在：电子商务商品推荐系统工作速度慢，在短时间内很难找到用户自己真正需要的商品[7?9]。

为了克服单机方式的电子商务商品推荐系统的缺陷，有学者设计了基于分布式处理技术的电子商务商品推荐系统。分布式处理系统依托互联网对多个单机进行统一管理，相对于单机工作模式，大幅度提高了电子商务商品推荐系统的工作效率，但是基于分布式的电子商务商品推荐系统存在一些不足，如对于海量数量，推荐效率仍然难以满足用户的要求，同时，电子商务商品推荐错误率较高[10?12]。云平台是在分布式系统基础上进行改进的快速处理系统，具有并行性、分布式、鲁棒性等优点，在许多大数据处理领域得到了成功应用。

针对当前电子商务商品智能推荐系统工作效率低、推荐误差大等缺陷，本文设计了基于云平台的电子商务商品智能推荐系统。通过仿真测试验证了本文设计电子商务商品智能推荐系统的性能。

1  云平台的电子商务商品智能推荐系统工作原理

传统电子商务商品智能推荐系统采用单机模式，将用户电子商务商品的任务和相关数据全部存放在一台计算机上，所有工作均要通过这台计算机完成，使得电子商务商品智能推荐耗时相当长，无法满足当前电子商务商品发展的要求。云平台在分布式处理系统的基础上，引入了并行和任务分解技术，将一个大规模任务进行分片处理，得到了许多子任务，每一个子任务采用一台计算机（节点）进行，这样得到每一个子任务的处理结果，最后将子任务处理结果进行融合，得到最终处理的处理结果，工作原理如图1所示。

2  电子商务商品智能推荐系统的关键技术设计

在电子商务商品智能推荐系统中，推荐算法十分关键，其直接影响电子商务商品智能推荐的效果，因此，本文对电子商务商品智能推荐算法进行具体设计。

2.1  用户对电子商务商品的偏好

设共有[N]个用户，它们具体表示为：User=[{u1，u2，…，][uj，…，uN}]，全部电子商务商品表示为：Item[={i1，i2，…，ij，…，ip}]，[p]表示电子商务商品的总数;共有[M]个用户标签，它们可以表示为：Tag=[{t1，t2，…，tj，…，tM}，]使用户点击电子商务商品和电子商务商品相对应的标签频率值描述用户特征，具体计算公式为[13]：

[Vutl=tfusertag?idfusertag?     nutlnutlogNNutl…nutinutlogNNn…nutMnutlogNNutM] （1）

設[nuti]和[nut]分别为用户使用[ti]的次数和用户使用的总标签数量，那么标签频率和标签对用户的流行程度的计算公式为：

[tfuser_tag=nutinut]  （2）

[idfuser_tag=lognnutM] （3）

2.2  电子商务商品的特征向量

特征向量描述电子商务商品的重要程度，计算公式为：

[Vutj=tfitemtag?idfitemtag?        nitlnitlogPNitl…nitjnitlogPNitj…nitMnitlogPNitM]  （4）

式中：[tfitemtag]和[idfitemtag]分别表示电子商务商品使用的频率和重要程度;[nitj]为电子商务商品[i]第[j]次被使用的次数;[nit]表示电子商务商品[i]的使用总数量。

用户对电子商务商品的偏好矩阵计算公式为：

[Vujik=t=1MVujt×Vikt] （5）

式中：[uj∈U，j=1，2，…，N];[ik∈I，k=1，2，…，P]。

用户[uj]的电子商务商品偏好特征为：

[Vuj=（Vuji1，Vuji2，…，Vujik，…，VujiN）] （6）

式中[Vujik]为[uj]对电子商务商品[ik]的喜欢程度。

基于用户对电子商务商品的偏好向量，建立用户?电子商务商品偏好矩阵，具体为：

[VN×P=Vu1i1…Vu1ik…Vu1ip?????Vuji1…Vujik…Vujip?????VuNi1…VuNik…VuNip] （7）

2.3 电子商务商品之间的相似度

相似度描述两个电子商务商品间的相似程度，智能推荐算法根据余弦相似度得到电子商务商品相似度。电子商务商品的特征向量可以表示为：

[Ik=（nk1，nk2，…，nki，…，nkL）] （8）

式中[nki]为[ti]标记电子商务商品[ik]归一化值。

全部电子商务商品信息可以采用电子商务商品特征向量矩阵[Ik×k]进行描述，具体为：

[Ik×k=n11…n1k???nk1…nkk] （9）

根据特征向量得到电子商务商品之间的余弦相似度：

[sim（ij，ik）=cos（Ij，Ik）=Ij?IkIj×Ik] （10）

构造如下的电子商务商品相似度矩阵[Sp×p]：

[Sp×p=1… s1j…s1p?????sj1…1…sjp?????sp1…spj…spp] （11）

式中[sij]为电子商务商品[ii]和[ij]之间的相似度。

2.4 电子商务商品智能推荐算法的工作步骤

电子商务商品智能推荐算法的工作步骤具体如下：

1） 将一个电子商务商品智能推荐任务进行划分，通过Map程序将每一个子任务映射到相应的云平台点上。

2） 在每一个节点上，计算用户对电子商务商品的偏好矩阵。

3） 每一个节点计算电子商务商品相似度，建立电子商务商品相似度矩阵。

4） 根据用户对电子商务商品的历史搜索数据，每一个节点搜索用户[u]点击过的历史电子商务商品，计算用户和电子商务商品之间的偏好值。

5） 在每一个节点上，对用户和电子商务商品之间的偏好值进行排序，选择前[N]个电子商务商品作为智能推荐结果，得到每一个节点的推荐结果。

6） 将每一个节点的推荐结果输出到Reduce，通过Reduce融合得到最终推荐给用户最优[N]个电子商务商品。

电子商务商品智能推荐过程如图2所示。

3  仿真测试

3.1  电子商务商品数据集

为了测试基于云平台的电子商务商品智能推荐系统的性能，选择有50 000个电子商务商品，2 000个用户的电子商务管理系统作为测试对象，随机选取80%的电子商务商品和用户数据作为训练集，其他数据作为验证集。电子商务商品智能推荐系统的性能采用查准率和查全率进行评价，其中，查准率表示电子商务商品智能推荐精度，查全率表示电子商务商品智能推荐的可靠性。

3.2  结果对比

采用单机模式的电子商务商品智能推荐系统进行对比测试，每一种电子商务商品智能推荐进行5次仿真测试，它们的电子商务商品智能推荐查准率和查全率分别如图3，图4所示。从图3和图4可以清楚看出：基于云平台的电子商务商品智能推荐查准率和查全率均要高于传统的电子商务商品智能推荐查准率和查全率，主要是因为本文的电子商务商品智能推荐算法考虑了用户对电子商务商品的偏好，提高了电子商务商品智能推荐的准确性，而且电子商务商品推荐可靠性和稳定性更高。

电子商务商品智能推荐系统的推荐时间如图5所示。从图5可以看出，基于云平台的电子商务商品智能推荐时间大幅度减少，克服了传统电子商务商品智能推荐系统推荐时间长、工作效率低的缺陷，可以帮助用户更快找到自己真正需要的电子商务商品。

4  结  语

商品推荐系统一直是电子商务研究领域的重点，为了解决当前电子商务商品智能推荐系统存在的不足，本文设计了基于云平台的电子商务商品智能推荐系统。首先，针对当前基于单机工作模式的電子商务商品智能推荐系统存在效率低、速度慢等缺陷，引入云平台工作模式，将电子商务商品推荐任务进行分解，进行分布式、并行处理;然后，针对电子商务商品智能推荐系统推荐误差大的问题，综合考虑用户对商品偏好进行电子商务商品智能推荐，结果表明，本文电子商务商品智能推荐系统的工作效率高，电子商务商品推荐精度高，可以为用户进行电子商务商品交易提供有价值的参考意见。

注：本文通讯作者为余霞。

参考文献

[1] 戚永军，翟智平.美家365网上商城智能推荐系统研究与设计[J].北华航天工业学院学报，2013，23（2）：1?3.

[2] 郭伟光.我国B2C电子商务个性化商品推荐服务实证研究[J].价值工程，2014，33（30）：25?27.

[3] 郝海涛，马元元.基于加权关联规则挖掘算法的电子商务商品推荐系统研究[J].现代电子技术，2016，39（15）：133?136.

[4] 温廷新，唐小龙，马龙梅.基于混合模式的网络超市商品推荐方法[J].现代情报，2013，33（12）：45?51.

[5] 郭丽，刘磊.基于情感分析的商品推荐系统的设计与实现[J].中原工学院学报，2014，25（3）：71?74.

[6] 胡文，李良学.基于情景感知的商场导购推荐商品信息的研究[J].哈尔滨商业大学学报（自然科学版），2012，28（1）：58?61.

[7] 危世民，戴牡红.多Agent协同的电子商务推荐系统模型[J].计算机应用，2014，34（4）：1118?1121.

[8] 谢意，陈德人，干红华.基于浏览偏好挖掘的实时商品推荐方法[J].计算机应用，2011，31（1）：89?92.

[9] 汲业，陈燕，屈莉莉，等.基于Prolog语言的商品推荐知识库模型[J].计算机工程，2010，36（22）：10?12.

[10] 游运，万常选，陈煌烨.考虑对象关联关系的多样化商品推荐方法[J].计算机工程与应用，2018，54（7）：70?76.

[11] 黄兰，钱育蓉，于炯，等.融合可信度和时效标签的商品推荐算法[J].微电子学与计算机，2017，34（6）：78?83.

[12] 马勇，鲜敏，郑翔，等.基于Web日志挖掘和相关性度量的电子商务推荐系统[J].计算机系统应用，2016，25（8）：91?95.

[13] 黄洪，杨卓俊，王奔.模糊逻辑在电子商务商品推荐系统中的应用[J].计算机系统应用，2012，21（3）：171?175.

[14] 姚剑，余炎，黄诗盛，等.基于个性化导购的商品智能动态推荐系统[J].价值工程，2017，36（35）：199?201.