梁家富

（广州科技职业技术大学，广州 510550）

0 引言

随着互联网的快速发展，电子商务平台的商品交易规模越来越大，平台中的商品数量和种类呈几何倍数增长，人们的网上购物频率愈来愈高。顾客在网络购物时，在海量的商品中选取出需要的商品是不容易的，所以商品推荐系统的开发与完善受到了大家的追捧。商品推荐系统作为电子商务平台系统的重要组成部分，推荐效率的高低直接影响着平台系统商品交易量的提升，因此电子商务平台非常重视推荐系统的应用开发。

电子商务平台推荐系统的主要技术是协同过滤算法（collaborative filtering，CF），以顾客购物需求为目标，在海量的商品数据中形成信息推荐模型，具有商品信息收集、数据处理、信息分析和商品推荐预测等功能。[1]协同过滤算法是根据相似购买特征的顾客或者相似属性特征的商品数据进行线性分析，将偏好接近的顾客或者特征相似度高的商品形成邻集，最终把它们推荐给顾客的一种决策方法。[2]该算法被广泛应用在电子商务平台推荐系统中，如美国的Amazon、亿贝以及国内的阿里、当当、美团等。

当前大型电子商务平台的各类数据激增，单机版机器学习模式R Studio 和分布式机器学习模式Spark MLib 的电子商务推荐系统处理海量数据质效都有所下降，具体表现在商品推算的正确率下降、误差增大和推荐的商品信息满足不了顾客的个性化需求等方面。采用企业级阿里云机器学习平台（Platform of Artificial Intelligence，简称PAI）进行协同过滤算法的商品个性化推荐系统，能有效处理大规模的商品数据信息，解决商品信息的离线调度问题，进而提升商品推荐预测能力和顾客推荐服务满意度。……