第２６卷第２期 长春大学学报 Ｖｏ１．２６ Ｎｏ．２ Ｆｅｂ．２０１６ ２０１６年２月 ＪＯＵＲＮＡＬ ＯＦ ＣＨＡＮＧＣＨＵＮ ＵＮＩＶＥＲＳＩＴＹ 电子商务智能推荐系统中的案例检索算法探讨 高 华 （大连艺术学院文化艺术管理学院，辽宁大连１ １６６００） 摘要：针对传统电子商务推荐算法中的缺陷，提出以案例推理为基础的案例检索算法，通过对商品概念语义相似 度的加权平均算法以及数据类型和属性的相似度等计算出案例的综合相似度，避免了传统算法中计算单一相似度 的不足，提高了电子商务系统的运行效率和精确度，为电子商务系统的设计提供考参考的价值。 关键词：电子商务；智能推荐系统；案例检索算法；分析 中图分类号：ＴＰ３１１ 文献标志码：Ａ 文章编号：１００９—３９０７（２０１６）０２—００１４—０４ 电子商务智能推荐技术是在搜集和分析用户所检索的商品信息和数据的基础上，分析用户的购买行为 和购买兴趣，并且及时的更新用户的偏好信息，智能的向用户推荐所偏好的商品信息 ］。目前在电子商务 中常用推荐技术有协同过滤、内容过滤等，但仍存在着推荐数据以来原始数据搜集等问题 。因此为了解 决这些问题，提高电子商务系统推荐的精确度和效率，经本体技术引入到系统中，设计出基于案例推理的案 例检索算法，利用商品的概念语义相似度、数据类型和属性的相似度计算出案例的综合相似度，提高电子商 务智能推荐系统的推荐效率和质量，克服传统算法中的弊端。 １领域本体协同案例推理的系统构架 本系统构架的设计主要是在多层结构设计思想的基础上，应用层、业务逻辑层和数据存储层共同组成了 系统中最重要的三个层次。在系统中应用层可以为普通用户、企业用户和ＶＩＰ用户提供可操作的界面，并 给与不同用户授权来完成用户需要的操作步骤。系统用户可以在应用层面进行注册，获取用户的偏好，对用 户的浏览行为进行隐性的评价，用户通过对商品的查询，应用层面可以对同类的商品进行分析，并将推荐结 果以列表的形式展示给用户。业务逻辑层是智能推荐层的核心层面，掌握着的电子商务的主要业务和案例 表示等，在商务领域本体中案例的表达主要将语义要素抽取出来，并对用户的偏好和用户所搜索的商品信息 和数据进行整理，向用户推荐相关的产品所需要的商品。数据存储层主要功能是分类和整理数据，并实现最 后的储存，在元数据中抽取有用的信息和数据并及时的更新模型库。 本系统框架具有多方面的优势和特征，将领域本体作为一种形式化的规范来表达共享概念，最终电子商 务所涉及到的概念和属性通过知识性的描述方式来进行表达，并且奠定了知识共享和运用的良好基础。采 用领域本体来进行定义电子商务的案例结构，并且将分类索引建立在概念语义树层次结构上，这样案例的检 索和储存变得更加便捷和规范化。从领域本体的角度抽取目标案例要素，表达和描述案例则采用语义信息 来完成，实现对案例的问题空间和解空间的完善。因此新用户可以通过语义来进行检索和信息的匹配，将案 例求解的空间进行了有效地拓展，并且在电子商务智能推荐系统中提高了案例检索的效率和精确度，保障了 推荐的质量。 ２关键技术研究 案例推理作为案例表示的理论基础，案例表示的质量决定着案例检索的效率，在本次研究中将领域本体 引入到电子商务系统中，并且以ＷｏｒｄＮｅｔ作为语言组织和表达的案例，对传统系统中的旧的数据进行记录， 对用户浏览的商品信息和数据库进行整理和记录，实现数据的预处理，将格式转换，之后抽取概念等一系列 的环节和步骤。之后利用ＷｏｒｄＮｅｔ构建领域本题库，并在此基础上规定所用词的范围，将案例结构进行定 收稿日期：２０１５－１２－１４ 基金项目：辽宁省教育厅科学研究项目（ｗ２０１２２８３） 作者简介：高华（１９７５一），女，辽宁大连人，副教授，硕士，主要从事计算机应用技术与电子商务方面研究。 第２期 高华：电子商务智能推荐系统中的案例检索算法探讨 １５ 义，在概念层建立索引，实现对案例结构和组织的规范化，建立相应的存储模式。案例库和本体库等组织结 构的管理和维护是通过案例表示和领域本体建模管理的方式来实现，从而促进电子商务智能推荐系统的规 范化和组织化。 ３基于领域本体的综合语义相似度的案例检索 （１）案例检索策略 在案例检索之前，可以先对案例进行预处理，这样可以有效地保障智能推荐系统的运行效率和推荐商品 的质量。预处理也就是先对数据信息进行分析，进一步建立目标案例，并对案例属性进行分类和分析，接下 来一步一步的进行案例的检索，因此案例检索是建立在信息的分类处理上的 ｊ。接下来进行案例相似度的 检索，主要是检索采用的商品属性和概念之间的相似度，之后将属性、概念和类别三者之间利用加权平均数 计算出综合的相似度，最后通过列表的形式显示出案例，通过智能推荐系统推荐给用户Ｈ，引。该案例策略主 要是根据用户的偏好信息以及偏好内容对案例的索引进行适当的调整，并能够有效地提高案例检索和推荐 的效率。 （２）案例相似度计算 本案例主要先计算出属性、概念和数据类型三者的相似度，然后利用加权平均数计算出综合的相似度。 ｇ１为目标案例中的商品，ｇ２为源案例中的商品，具体的模型如下： １．概念相似度计算模型：相似度算法采用ＷｏｒｄＮｅｔ语义概念树和距离的相似度算法，表达式如下： ＳｉｍＣ（ｇｌ’ｇ２）： ，ｇ２） （１）‘ ） 商品ｇｌ和ｇ２在语义概念树中最近的共同原始数据为ｌｏｓ（ｇ１，ｇ２），在ＷｏｒｄＮｅｔ概念树中，ｄｅｐｔｈ（ｇ１）和 ｄｅｐｔｈ（ｇ２）为概念ｇ１和ｇ２的。 ２．基于类型的属性语义相似度计算模型 基于类型的属性语义相似度取决于数据和对象类型属性语义相似度，可以先将商品ｇ１和ｇ２进行分类， 建立起数据类型的一个集合 。然后采用式（１）的方法构建语义相似矩阵， 计算出属性集合中的相似度ＳｉｍＣ（ｇ１，ｇ２），最后得到相似度平均值ＳｉｍＡ平（ｇｌ，ｇ２）也就是所有数据类 型属性语义的相似度。Ｓｉｅ０平（ｇ１，ｇ２）代表着相似度平均值，最后得到基于类型的属性的语义相似度为：ｒ ＳｉｍＡ （ｇｌ，ｇ２）＝（ １ＳｉｍＡ平（ｇｌ，ｇ２）＋∞２ＳｉｍＯ平（ｇ１，ｇ２） （２） 其中∞ 的∞ 为属性相似度的权值。 ３．基于数据类型的属性值相似度计算模型 假设Ｆｉ和Ｆｊ的属性和数据类型相同或者相似，那么他们的属性值为ＶＦｉ和ＶＦｊ，∞Ｆｊ和ｏＪＦｉ分别为属性 权重，那么根据不同的数据类型，计算出属性值ＶＦｉ和ＶＦｊ的相似度，具体的表达式子如下： ｓｉｎＡ（ 。 ‘ （ ｎ Ｖｐｉ） ‘３） 。｛［ｍｉｎ（ ，Ｖｒ）］，ｍａｘ（ ．， ｉ）］ｎ（Ｒａｎｇｅ（Ｆ ）ｎ Ｒａｎｇｅ（Ｆｊ））｝ ，｛［ｍｉｎ（ ， ）］，ｍａｘ（ ）］ｕ（Ｒａｎｇｅ（Ｆ ）ｎ Ｒａｎｇｅ（Ｆｆ））｝ （Ｒａｎｇｅ（Ｆ ）ｆ＇ｌ Ｒａｎｇｅ（Ｆｆ）≠ 且 ， ｉ∈（Ｒａｎｇｅ（Ｆ ）ｎ Ｒａｎｇｅ（ ））｝ ， ｆ、４ 、 当数据类型为离散型数值时： ＳｉｍＡ（ ；，Ｖｒ） ． １一 ．１ ｍａｘ（ 。，Ｖｒｊ，（Ｒａｎｇｅ（Ｆ ）ｆ－Ｉ Ｒａｎｇｅ（Ｆｊ））－－ｍｉｎ（ ｉ， ；，（Ｒａｎｇｅ（Ｆ ）ｎ Ｒａｎｇｅ（ ））｝ （Ｒａｎｇｅ（Ｆ ）ｎ ｎａｎｇｅ（ｒ￣）≠ 且 ｉ， ｉ∈（Ｒａｎｇｅ（Ｆ ）ｎ Ｒａｎｇｅ（ ））｝ ０。其他 １６ 长春大学学报 第２６卷 当数据类型为字符串型时： ２×ｄｅｐｔｈ（１ｓｏ（ ， ）） ｍＡ（Ｖｒｉ， ） （６） 根据不同的计算模型丘恩处所有属于类型属性语义的相似度，并得到数据类型的总体属性相似度为： ＳｉｍＡＶ（ｇｌ，ｇ２）＝∑ｔｏｔｓｆ， （７） ４．ｇｌ和ｇ２商品的案例相似度为Ｃｓｉｍ（ｇｌ，ｇ２）为 Ｃｓｉｍ（ｇｌ，ｇ２）＝ｃｔＳｉｍＣ（ｇｌ，ｇ２）＋１３ＳｉｍＡ （ｇ１，ｇ２）＋￣／ＳｉｍＡＶ（ｇｌ，ｇ２） （８） Ｏｔ，ｐ分别表示数据类型的属性语义相似度和概念语义相似度， 表示数据类型的属性值相似度的权重 为 ， ＋Ｂ＋＾ｙ＝１。知识工程师可以根据三者之间的相似度权重和用户的偏好对系统进行有效的调节，最后 将案例的相似度进行排序，取得最大的值，并给用户推荐相关的案例，最后得到的案例考虑了三者之间相似 度的影响，避免了传统案例算法中依靠属性相似度的缺陷 ］。 三、实际应用分析 某计算机配件销售网站上应用了该算法，知识工程师要抽取近三个月销售网站上商品的销售中语义要 素，作为原型案例建立的基础，将该算法应用到某白领用户购买主机配件为例来验证算法的精确度。 某白领用户在该销售网站上想要搜索一台计算机，基本的配置为：转速７２００ｒ／ｍｉｎ，３２０ＧＢ的容量，ＳＡＴＡ 类型的４ＭＢ接ＶＩ，知名品牌价格在４５０左右，免费保修期为３年时间。该用户搜索了自己想要的产品信息 后，计算机先分类整理用户输入的商品信息，并抽取出信息中所需要的关键信息，建立目标案例ｙ，那么会得 到一个案例集ｘ＝｛ｘ１，ｘ２，ｘ３…ｘｉ｝，在案例集中抽取相关的案例类型，如表１所示： 表１案例参数 为了简化计算，每个属性权重设为０．１６６， １．概念的语义相似度计算 商品ｇ１为硬盘１，ｇ２为硬盘２，在概念树中两个商品的共同概念为存储设备。因此可以将数据带入带式 子（１）中得到： ｄｅｐｔｈ（１ｓｏ（ｇｌ，ｇ２））＝８，ｄｅｐｔｈ（ｇ１）＝９，ｄｅｐｔｈ（ｇ２）＝１０，得ＳｉｍＣ（ｇｌ，ｇ２）＝１６／１９＝Ｏ．８４２。 ２．基于类型的属性语义相似度计算 ｇｌ，１＝｛接口，供应商，质量保证｝；ｇ２，１＝｛代码，品牌，界面，制造商，质量保证｝；整数类型：ｇｌ，２＝｛容 量，缓冲，速度｝，ｇ２，２＝｛缓冲容量，速度｝；浮类型：ｇ１，３＝｛价格｝，ｇ２，３＝｛价格｝。字符串类型的属性按照式 子（１）得到属性相似度和语义相似度矩阵： 第２期 ００１００ 高华：电子商务智能推荐系统中的案例检索算法探讨 １７ ，｛【０００１０，其平均值为ＳｉｍＡ字符串＝１，对于整数和浮类型为 １００００１ ＳｉｍＡ（ｇｌ，ｇ２）＝ＳｉｍＡ字符串＋ＳｉｍＡ浮＋ＳｉｍＡ整数）／３：１，得到商品的属性语义相似度为： ＳｉｍＡ’（ｇｌ，ｇ２）＝ＳｉｍＡ（ｙｌ，ｘ１）＋Ｓｉｍ０（ｇｌ，ｇ２））／２＝１３． 令权重ｏｔ＝ｐ＝＾ｙ＝０．３３３，由式（８）可知综合语义相似度为： ＣＳｉｍ（ｙｉ，ｘｉ）＝ｃｔＳｉｍＣ（ｇｌ，ｇ２）＋１３ＳｉｍＡ （ｇｌ，ｇ２）＋ ￣／ＳｉｍＡＶ（ｇｌ，ｇ２）＝（Ｏ．８４２＋１＋Ｏ．８１）ｘＯ．３３３＝０．８８４ 总结：针对传统电子商务智能推荐系统中算法单纯运用属性值的弊端，忽视语义和属性类型相似度的算 法，从而解决了智能推荐系统推荐的效率低，推荐给用户的商品质量得不到保障的问题。本文引入了领域本 体的案例检索算法，运用语义相似度、属性类型相似度和数据类型属性值相似度三者之间的的综合相似度， 规范了案例表示和组织的形式，增加了案例检索的空间，提高了案例检索的速度和效率，保障了智能推荐的 质量 。 参考文献： ［１］杨艳霞，于海平，陈燕，等．基于Ｗｅｂ挖掘的个性化推荐算法研究［Ｊ］．计算机与数字工程，２０１４，４２（４）：６７４—６７７． ［２］崔春生，齐延信，田哲，等．基于Ｖａｇｕｅ值的电子商务推荐系统及其相似度研究［Ｊ］．图书情报工作，２０１２，５６（６）：１３０—１３４． ［３］邓检名．基于移动Ａｇｅｎｔ技术在电子商务系统中的应用研究［Ｊ］．军民两用技术与产品，２０１５，（４）：４８—４９． ［４］ 肖冰，陈潮填．电子商务系统的复杂性特征与方法论探析［Ｊ］．商业经济研究，２０１５，（２１）：７７－７９． ［５］ 高锁军．电子商务系统与ＥＲＰ系统集成［Ｊ］．价值工程，２０１４，３３（３３）：２３８—２３９． ［６］ 王芮．Ｂ２Ｂ模式电子商务系统的需求获取与分析［Ｊ］．中国管理信息化，２０１５，１８（５）：２２３—２２４． ［７］ 毛意辉．Ｂ２Ｂ与Ｂ２Ｃ整合的电子商务系统的分析思考［Ｊ］．中国管理信息化，２０１５，（８）：１９９—１９９． ［８］吴碧霞．电子商务环境下基于证据理论的信任评估模型［Ｊ］．湖北民族学院学报（自然科学版），２０１１，２９（３）：３３１—３３４． 责任编辑：程艳艳 Ｄｉｓｃｕｓｓｉｏｎ ｏｎ Ｃａｓｅ Ｒｅｔｒｉｅｖａｌ Ａｌｇｏｒｉｔｈｍ ｉｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｒｅｃｏｍｍｅｎｄａｔｉｏｎ Ｓｙｓｔｅｍ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｍｍｅｒｃｅ ＧＡｏ Ｈｕａ （Ｃｕｌｔｕｒｅ ａｎｄ Ａｒｔ Ｍａｎａｇｅｍｅｎｔ Ｃｏｌｌｅｇｅ，Ｄａｌｉａｎ Ａｒｔ Ｃｏｌｌｅｇｅ，Ｄａｌｉａｎ １ １６６００，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｉｎ ｖｉｅｗ ｏｆ ｔｈｅ ｄｅｆｅｃｔｓ ｉｎ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｅｌｅｃｔｒｏｎｉｃ ｃｏｍｍｅｒｃｅ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｓｙｓｔｅｍ，ｔｈｉｓ ｐａｐｅｒ ｐｒｅｓｅｎｔｓ ａ ｃａｓｅ ｒｅｔｒｉｅｖａｌ ａｌｇｏ－ ｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｃａｓｅ ｒｅａｓｏｎｉｎｇ，ｗｈｉｃｈ ｃａｌｃｕｌａｔｅｓ ｔｈｅ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｓｉｍｉｌａｒｉｔｙ ｏｆ ｃａｓｅｓ ｂｙ ｕｓｉｎｇ ｔｈｅ ｗｅｉｇｈｔｅｄ ａｖｅｒａｇｅ ａｌｇｏｒｉｔｈｍ ｏｆ ｐｒｏｄ－ ｕｃｔ ｃｏｎｃｅｐｔ ｓｅｍａｎｔｉｃ ｓｉｍｉｌａｒｉｔｙ ａｎｄ ｔｈｅ ｓｉｍｉｌａｒｉｔｙ ｏｆ ｄａｔａ ｔｙｐｅｓ ａｎｄ ａｔｔｉｒｂｕｔｅｓ，ａｖｏｉｄｉｎｇ ｔｈｅ ｓｈｏｒｔａｇｅ ｏｆ ｔｈｅ ｓｉｎｇｌｅ ｓｉｍｉｌａｒｉｔｙ ｉｎ ｔｒａｄｉｔｉｏｎａｌ ｌｇｏｒａｉｔｈｍ．Ｔｈｉｓ ａｌｇｏｒｉｔｈｍ ｈａｓ ｉｍｐｒｏｖｅｄ ｔｈｅ ｏｐｅｒａｔｉｎｇ ｅｆｆｉｃｉｅｎｃｙ ａｎｄ ａｃｃｕｒａｃｙ ｏｆ ｅｌｅｃｔｒｏｎｉｃ ｃｏｍｍｅｒｏｅ ｓｙｓｔｅｍ，ｐｒｏｖｉｄｉｎｇ ｒｅｆｅｒｅｎｃｅｓ ｆｏｒ ｔｈｅ ｓｙｓｔｅｍ ｄｅｓｉｇｎ． Ｋｅｙｗｏｒｄｓ：Ｅ—ｃｏｍｍｅｒｃｅ；ｉｎｔｅｌｌｉｇｅｎｔ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｓｙｓｔｅｍ；ｃａｓｅ ｒｅｔｒｉｅｖａｌ ａｌｇｏｒｉｔｈｍ；ａｎａｌｙｓｉｓ