分期商城实时推荐系统

近几年来，电子商务推荐系统发展迅速，个性化及多样化的推荐系统为企业带来了丰厚的利润。有研究表明，电子商务零售行业提供个性化推荐服务后，其销售额会提高２％～８％。目前推荐方式主要有：协同过滤推荐、基于内容的推荐、基于知识的推荐、混合推荐。随着大数据时代到来，数据量急剧增长以及用户多样性的需求对推荐系统的实时性提出了更高要求。因此，更有效、更多样性的实时推荐系统已成为电子商务领域研究的热点之一。

当前的推荐引擎每天从应用系统（主要为商品系统）DB进行离线数据同步，然后在大数据平台进行相关的数据计算，最终将结果数据存储到推荐引擎，以服务方式提供前端调用，整个周期通常以天为单位。实时推荐为解决传统推荐系统计算周期较长的问题，数据以增量计算的方式，在内存和网络中进行传输，大大降低数据的时效性（周期时效可将为秒级）。

如今，随着企业信息化的蓬勃发展，电商平台对商品推荐的实时性成为影响电商综合效率及衡量电商信息系统的关键因素。只有保证了对信息的有效查询和高效利用，才能为用户提供更好的推荐体验，从而创造更高价值。除此之外，对于电商的信息系统而言，它提供的推荐功能在面对中小级别的数量信息时，可以实现较迅速的查询，满足用户要求，然而，推荐系统一旦面临海量的企业信息，它的速度和性能会大打折扣，不但无法满足用户的需求，更甚者会给数据库的使用带来其他的不可知的影响。

马上商城实时推荐系统基于商城用户行为数据，并在此基础上适用于分期商城的算法改进，以下进行相关模块介绍：

功能模块

1.数据预处理

对用户购买的商品历史表格进行统计，按照用户ID统计购买对应的商品信息，然后对数据进行筛选，检查数据类型是否统一，是否存在明显的数据错误。

另外，从服务器上收集的web日志数据也同样需要进行预处理，web数据预处理主要包括：数据融合与清理、用户识别、交互识别、路径完善等。

2.基于商品特征属性的数据挖掘

利用电商平台提供的商品分类表及商品对应的属性编码库，整理并统计每位用户在最近一段时间的购物情况表，然后运用数据挖掘方法探究商品的哪些属性影响用户购买行为。本专利主要采用BP神经网络算法对数据进行训练并挖掘出商品属性中影响用户购买行为的特征属性。

３．基于商品特征属性的实时推荐

假设提取商品的特征属性值的集合为P，从每位用户对应的商品特征属性集合，就可基本掌握该用户的购物偏好。例如，商品特征属性中若包括单价，则该用户购买商品时应比较看重商品单价这一因素，可根据其购买商品的平均价格为其进行实时推荐。本专利通过对挖掘出的商品的特征属性集合进行研究，提出建立基于商品特征属性的关联规则模型及基于商品时效属性的推荐模型。

效益分析

商城商品推荐系统的引入将大大提升推荐引擎的时效性，传统的推荐引擎需要离线的数据同步、清洗、索引，整个过程都需要落地，商城商品推荐系统为解决传统推荐引擎计算周期较长的问题，数据以增量计算的方式，在内存和网络中进行传输，大大降低数据的时效性（周期时效可将为秒级），通过商城商品推荐的建立，及时响应数据变化，通过提升推荐准确率，从而提升了用户体验。

‍