摘要：大数据时代下，海量信息已渗透到各行的发展模式当中，如何更好地利用这些数据来创造行业中新的价值，是学者们需要持续研究的内容。推荐系统正是利用这些有价值的数据来挖掘用户的偏好，为其推荐合适的商品，从而为电商行业创造出更多价值。本文通过研究电商推荐系统中的几种主流的推荐算法，探析其大数据特征，从而提出一些符合当今时代特点的发展对策。
关键词：大数据；推荐系统；电子商务
1电商推荐系统简介
推荐系统是一种预测用户对商品和信息的喜好或评分的模型，它以电子商务网站为依托，以海量的数据为依据，来挖掘用户感兴趣的信息和商品。该模型主要包含协同过滤方法、基于内容的推荐系统和基于知识的推荐系统等多种类型[1]。
（1）协同过滤推荐方法
协同过滤方法的主要思想是通过处理大量用户的评分来预测遗失的评分[1]。例如，大量用户的购买信息或评分行为可以用来对这些用户进行聚类，相似爱好的用户被归为一组，同类群体所喜好的物品就可以对组内其他个体做推荐。其中又包含基于用户的协同过滤算法以及基于物品的协同过滤算法两种类型[2]。
此方法突破了上文所述推荐算法无法给用户推荐其没有消费过的商品领域的瓶颈，在预测用户偏好未知商品时很有用。
（3）基于知识的推荐算法
上文所介绍的两种算法都要求提取用户浏览、购买或评分的大量历史记录，但如果需要购买产品高度定制的商品时，则不适用。例如，汽车、房产、旅游产品、金融产品、昂贵的奢侈品等等，这些物品很少有购买记录，并且无法获取到充足的评分、购买记录。基于知识的推荐算法可以让用户通过网页表格输入自己想要的属性值，比如用户被问到一系列问题，来明确自己的初始偏好，接着对该用户推送相关的产品。
此方法利用与用户之间的交互反馈，了解用户的兴趣方向，突破了以上几种方法若不挖掘用户兴趣模型就无法推荐的问题以及冷启动问题。
2 电商推荐系统的大数据特性
根据上文对电子商务推荐系统几种主流推荐算法的探讨，本文结合推荐算法中的数据提取以及推送结果等环节，以当前大数据时代为背景，分析该系统的特性，有以下几点。
（1）复杂性
电子商务中的消费者兴趣与物品特性等数据，具有差异化、多样性等特点，在预测消费者需求时，又具有非线性、模糊性等特点。这些都体现了该系统的复杂性大数据特性。
（2）即时性
由于消费者的购买动机、喜好与需求会跟着时间、季节、以及潮流的变化而变化，因此，为了保证数据有效并算出更加准确的商品排名，一般来说获取的数据都具有即时性。
（3）相关性
用户与用户、用户与数据、数据与数据之间通过网络平台的交互作用使得这些因素被连成一个网状结构，可以通过同类别的用户来预测某用户的关联喜好，或者通过商品属性来预测其潜在顾客。这体现了推荐系统的相关性。
（4）准确性
经过推荐系统筛选、采集而来的电子商务数据经过数据清洗之后，可以纠正逻辑错误，保证正确率。因此，推荐算法可以在很大程度上准确推送给用户其喜好的商品，并将商品喜好度进行排名。
3 推荐系统当代发展对策分析
大数据背景下的电子商务推荐系统所面临的数据稀疏、冷启动、大数据处理与增量计算等问题、脆弱性等问题，是学者们需要持续性关注并研究的方向，结合其大数据特性：复杂性、即时性、相关性和准确性，本文提出以下几点发展对策仅供参考。
（1）研究复杂网络数据及图方法
大数据、人工智能、复杂完了系统的研究者可从网络数据和图方法来研究推荐系统，比如通过长尾图来分析评分的稀疏性，进而调整推荐算法，提高推荐商品种类的复杂度。
（2）抓取更加精准的数据
对于用户兴趣和物品特征的提取，应该排除干扰项，并避免局限于商品评论数据以及用户兴趣矩阵，最终提出一些更加精准的抓取方式。
（3）注重多维度推荐
用户-商品的二维空间推荐系统是目前多数推荐算法中所依据的指标，但在如今大数据背景下，用户的兴趣矩阵受到许多不同维度因素的影响，因此需要学者们将多维度推荐算法作为未来研究方向之一。
（4）创建抵抗攻击的推荐系统
一些商家不惜捏造评分内容，进而使商品被推送给更多用户，这种问题也是当下正在讨论的热点学术内容，如何增加推荐算法的健壮性，使其难以被攻击，需要进一步讨论。
（5）加强推荐系统的安全性
大数据时代背景下的用户与过去相比更加担心个人信息安全的问题，但无论是协同过滤推荐还是基于内容的推荐算法，都需要获取用户的大量数据，那么在获取数据的同时如何避免其泄露将是未来要研究的一个重要方向。
参考文献
[1]Charu C.Aggarwal.Recommender Systems:The Texbook[M].Springer International Publishing Switzerland.2016.
[2]张智强.基于协同过滤算法的电子商务推荐系统[J].佳木斯大学学报.2018.7(4):603-606.
[3]司梦楚.服装智能推荐系统在电子商务平台中的应用[J].武汉纺织大学学报.2019.4(2):33-38..
论文作者:高婕
论文发表刊物:《知识-力量》2019年9月34期
论文发表时间:2019/7/23
标签：数据论文; 用户论文; 系统论文; 算法论文; 商品论文; 评分论文; 喜好论文; 《知识-力量》2019年9月34期论文;