分期商城實時推薦系統

近幾年來，電子商務推薦系統發展迅速，個性化及多樣化的推薦系統為企業帶來了豐厚的利潤。有研究表明，電子商務零售行業提供個性化推薦服務後，其銷售額會提高２％～８％。目前推薦方式主要有：協同過濾推薦、基於內容的推薦、基於知識的推薦、混合推薦。隨著大資料時代到來，資料量急劇增長以及使用者多樣性的需求對推薦系統的實時性提出了更高要求。因此，更有效、更多樣性的實時推薦系統已成為電子商務領域研究的熱點之一。

當前的推薦引擎每天從應用系統（主要為商品系統）DB進行離線資料同步，然後在大資料平臺進行相關的資料計算，最終將結果資料儲存到推薦引擎，以服務方式提供前端呼叫，整個週期通常以天為單位。實時推薦為解決傳統推薦系統計算週期較長的問題，資料以增量計算的方式，在記憶體和網路中進行傳輸，大大降低資料的時效性（週期時效可將為秒級）。

如今，隨著企業資訊化的蓬勃發展，電商平臺對商品推薦的實時性成為影響電商綜合效率及衡量電商資訊系統的關鍵因素。只有保證了對資訊的有效查詢和高效利用，才能為使用者提供更好的推薦體驗，從而創造更高價值。除此之外，對於電商的資訊系統而言，它提供的推薦功能在面對中小級別的數量資訊時，可以實現較迅速的查詢，滿足使用者要求，然而，推薦系統一旦面臨海量的企業資訊，它的速度和效能會大打折扣，不但無法滿足使用者的需求，更甚者會給資料庫的使用帶來其他的不可知的影響。

馬上商城實時推薦系統基於商城使用者行為資料，並在此基礎上適用於分期商城的演算法改進，以下進行相關模組介紹：

功能模組

1.資料預處理

對使用者購買的商品歷史表格進行統計，按照使用者ID統計購買對應的商品資訊，然後對資料進行篩選，檢查資料型別是否統一，是否存在明顯的資料錯誤。

另外，從伺服器上收集的web日誌資料也同樣需要進行預處理，web資料預處理主要包括：資料融合與清理、使用者識別、互動識別、路徑完善等。

2.基於商品特徵屬性的資料探勘

利用電商平臺提供的商品分類表及商品對應的屬性編碼庫，整理並統計每位使用者在最近一段時間的購物情況表，然後運用資料探勘方法探究商品的哪些屬性影響使用者購買行為。本專利主要採用BP神經網路演算法對資料進行訓練並挖掘出商品屬性中影響使用者購買行為的特徵屬性。

３．基於商品特徵屬性的實時推薦

假設提取商品的特徵屬性值的集合為P{p1, p2, p3, … pn}，從每位使用者對應的商品特徵屬性集合，就可基本掌握該使用者的購物偏好。例如，商品特徵屬性中若包括單價，則該使用者購買商品時應比較看重商品單價這一因素，可根據其購買商品的平均價格為其進行實時推薦。本專利透過對挖掘出的商品的特徵屬性集合進行研究，提出建立基於商品特徵屬性的關聯規則模型及基於商品時效屬性的推薦模型。

效益分析

商城商品推薦系統的引入將大大提升推薦引擎的時效性，傳統的推薦引擎需要離線的資料同步、清洗、索引，整個過程都需要落地，商城商品推薦系統為解決傳統推薦引擎計算週期較長的問題，資料以增量計算的方式，在記憶體和網路中進行傳輸，大大降低資料的時效性（週期時效可將為秒級），透過商城商品推薦的建立，及時響應資料變化，透過提升推薦準確率，從而提升了使用者體驗。

‍