O2O电子商务模式中推荐方法的研究

中图分类号:F713.36 文献标识码: A 文章编号:1001-828X(2015)010-000-01

前言

在信息技术快速发展的背景下,人们迎来了网络时代,人们工作和生活中的方方面面都受到了深刻的影响。现阶段,网上购物成为人们热衷的一项活动,同时也充分体现了电子商务模式的便利。互联网还能够搭建起一个平台供顾客、企业以及供应商使用。据有效数据显示,O2O电子商务模式将拥有万亿以上的市场。近年来,O2O电商行列中人数越来越多,商品的数量和种类以指数速度增长,因此,O2O电子商务必须加强对推荐方法的研究,为用户创造更加便利的环境。

一、O2O 电子商务中推荐模型研究

(一)该商务系统的结构

组合和分离是该商务系统的两种基本结构。它们在运行过程中都具有自身的优势与缺陷,同时,它们也适用于不同的范围。组合式结构,指的是在现有的电子商务系统内加入这一推荐系统,推荐系统的使用要完全依靠现有电子商务系统,这一结构的特点是拥有简单的部署实施,却无法进行独立运行,因为,现有的商务系统将会最大限度的限制该结构的运行,导致其拥有极差的外延性和移植性。特定情况下,这种结构还会对现有电子商务系统产生影响。因此,如果选择的推荐系统比较复杂,要想对现有系统不造成任何影响,就不可以应用这种组合式结构;分离式结构,指的是数据能够在数据结构通过数据层时得到共享,网页资源能够在用户层得到共享,促使推荐系统与现有系统产生独立的界面。现有系统无法对其产生制约的效果,运行和功能也不会受到影响,同组合式结构相比,它更适合与相对复杂的部署个性化推荐[1]。

(二)O2O 电子商务中推荐模型

这一模型最大的特点就是当顾客想要对网站进行访问时,一个特别的推荐显示功能能够出现于顾客与网站中间。现阶段,各种电子商务推荐系统在运行过程中,都需要对大批的顾客资料、商品详情和交易记录等进行处理,因此,在这里使用各种先进的技术技术,如人工智能技术、数据挖掘技术等,是无法及时处理以上大量的数据和信息的。处理以上问题最好的方法就是采取离线处理的方式,在规定的时间间隔内,再更新处理过后的结果。

例如,某网站在聚类的基础上,其个性化推荐模型有四个重要组成部分,即输入模块、输出模块、离线处理模块、在线推荐模块。以在线推荐模块为例,该模块需要将聚类中心与顾客之间的类似程度进行计算。由于顾客聚类数目是在离线的情况下得到的,所以真实的顾客数目要远远大于此数目。因此,采用这一模块来推荐处理相关数据,能够使准确度得到很大提高,还能够极大的节省时间。用户能够更快捷的找到目标,有利于顾客用户满意度的提升和网站销售量的增加[2]。

二、O2O 电子商务模式中推荐方法的研究

(一)传统基于聚类的协同过滤分析

推荐算法内使用聚类技术,能够将评分矩阵进行压缩,促使其以c个簇来构成整个评分矩阵,还可以使聚类过程在离线状态下完成,将维度进行缩小,为最近邻居的搜索提供方便,以此来将推荐算法中的推荐效率进行提高,同时提高其外延性和实时性。然而,传统的协同过滤推荐是建立在聚类之上的,这里的聚类指的是硬聚类,它的代表是K-Mean聚类。该模式的推荐系统中,具有顾客多和数据大的特点,所以导致了较大的数据维度,降低了推荐算法的效率。同时还有两种缺陷存在于传统聚类算法当中:首先,初始化的聚类,是随机生成的,拥有极高的不稳定性,致使聚类结果当中存在较大的偏差;其次,聚类簇中的边界缺陷,造成重叠现象在聚类对象中产生。这两种缺陷将会促使准确率极大的降低[3]。

(二)FCM 聚类算法

首先,该算法具有一定的优点。在对顾客评分和商品属性进行描述的过程中,FCM模型更具优势。它将一个簇只能对应一个顾客的现象打破了,顾客和商品的模糊特性得到充分的展示;其次,该算法也存在一定的缺陷。这一算法是运用连续的迭代来促使最优函数值的形成,其中,聚类结果的优良会受到初始聚类中心的严重影响,随机性的选取初始方案,会使聚类的结果不稳定。再者,距离函数。如果选取的距离函数不够恰当,计算性能就会受到严重的影响。假如应用欧式距离,在特定的环境下,将会造成大量的项目出现在聚类簇中,但是一些簇中却只有几个项目,造成了严重不平衡聚类的出现,无法实现很好的项目聚类[4]。

三、结论

电子商务的飞速发展,给人们的生活带来了极大的便利,O2O电子商务模式的产生,无疑是又一次的技术变革。系统研究该商务系统的结构和推荐模型,对于促进推荐方法的研究具有重要意义。应用传统基于聚类的协同过滤分析和FCM 聚类算法来加强推荐方法的研究,能够有效解决现阶段O2O电子商务模式中的不足。