第２４卷第３期 江苏科技大学学报（自然科学版） Ｖｏ１．２４ Ｎｏ．３ ２０１０年６月 Ｊｏｕｒｎａｌ ｏｆ Ｊｉａｎｇｓｕ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ（Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｅｄｉｔｉｏｎ） Ｊｕｎ．２０１０ 基于ＲＦＭ模型和协同过滤的电子商务 推荐机制 孙玲芳，张婧 （江苏科技大学经济管理学院，江苏镇江２１２００３） 摘要：针对传统协同过滤算法在数据来源上依赖客户主观评价，以及现有推荐系统中缺少个性化推荐形式的缺陷，提出 利用ＲＦＭ模型在反映客户购买偏好和客户价值方面的良好表征性，将ＲＦＭ模型与原协同过滤机制进行结合，对传统的协 同过滤算法进行了改进，并制定了差异化的电子商务推荐策略，使推荐方式更符合不同客户的个性化，从而实现推荐内容 和推荐形式的全面个性化． 关键词：电子商务；推荐机制；协同过滤；ＲＦＭ模型 中图分类号：Ｆ７２４．６ 文献标志码：Ａ 文章编号：１６７３—４８０７（２０１０ｌ０３—０２８５—０５ Ｅｌｅｃｔｒｏｎｉｃ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｍｅｃｈａｎｉｓｍ ｂａｓｅｄ ｏｎ ＲＦＭ ｍｏｄｅｌ ａｎｄ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ Ｓｕｎ Ｌｉｎｇｆａｎｇ，Ｚｈａｎｇ Ｊｉｎｇ （Ｓｃｈｏｏｌ ｏｆ Ｅｃｏｎｏｍｉｃ ａｎｄ Ｍａｎａｇｅｍｅｎｔ，Ｊｉａｎｇｓｕ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｚｈｅｎｊｉａｎｇ Ｊｉａｎｇｓｕ ２１２００３．Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｃｏｎｓｉｄｅｒｉｎｇ ｔｈｅ ｄｅｆｉｃｉｅｎｃｙ ｉｎ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ｗｈｏｓｅ ｏｒｉｇｉｎａｌ ｄａｔａ ｗｅｒｅ ｆｒｏｍ ｃｕｓｔｏｍｅｒｓ ｓｕｂｊｅｃｔｉｖｅ ｅｖａｌｕａｔｉｏｎ ａｎｄ ｔｈｅ ｌａｃｋ ｏｆ ｐｅｒｓｏｎａｌｉｚｅｄ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｐａｔｔｅｒｎ ｏｆ ｃｕｒｒｅｎｔ ｒｅｃｏｍｍｅｎ－ ｄｅｒ ｓｙｓｔｅｍｓ，ｔｈｉｓ ｐａｐｅｒ ｃｏｍｂｉｎｅｄ ＲＦＭ ｍｏｄｅｌ ｗｉｔｈ ｔｒａｄｉｔｉｏｎａｌ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ｍｅｃｈａｎｉｓｍ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｔｒａｄｉｔｉｏｎａＩ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ．Ｍｅａｎｗｈｉｌｅ．ｉｔ ｄｒｅｗ ｕｐ ｄｉｓｃｒｅｐａｎｔ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｍｅｔｈｏｄｓ．Ｔｈｉｓ ｍｅｔｈｏｄ ｃａｎ ｒｅｆｌｅｃｔ ｃｕｓｔｏｍｅｒｓ ｐｕｒｃｈａｓｅ ｐｒｅｆｅｒｅｎｃｅ ａｎｄ ｃｕｓｔｏｍｅｒｓ ｖａｌｕｅ ｂｙ ｔａｋｉｎｇ ａｄｖａｎｔａｇｅ ｏｆ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｉｎ ＲＦＭ． Ａｌｓｏ，ｉｔ ｃａｎ ｐｒｏｖｉｄｅ ｐｅｒｓｏｎａｌｉｚｅｄ ｓｅｒｖｉｃｅｓ ｆｏｒ ｃｕｓｔｏｍｅｒｓ ｉｎ ａｌｌ—ｒｏｕｎｄ ｍａｎｎｅｒ． Ｋｅｙ ｗｏｒｄｓ：ｅｌｅｃｔｒｏｎｉｃ ｃｏｍｍｅｒｃｅ；ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｍｅｃｈａｎｉｓｍ；ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ；ＲＦＭ ｍｏｄｅｌ 电子商务在为客户提供越来越多的信息和选 映客户购买偏好和客户价值两方面的良好表征性 择的同时，也会使客户在大量的商品信息中，无法 对传统的协同过滤算法进行改进，并制定差异化的 』ｆＯ￣，，ＪＪ找到自己需要的商品．为解决这一矛盾，电子 电子商务推荐方式． 商务推荐系统应运而生．推荐系统的关键问题是推 荐技术或推荐算法．协同过滤推荐算法是当前研究 １ 协同过滤推荐技术及存在的问题 的热点，其最大优点是不需要分析对象的特征属 １．１协同过滤技术 性，对推荐对象没有特殊要求，在数据密度达到一 协同过滤是目前研究最多、受关注度最高的电 定程度时表现出较好的推荐质量¨Ｊ．传统的协同 子商务推荐技术．它一般采用最近邻技术（Ｋ Ｎｅａ． 过滤算法的数据来源需要客户主动参与为商品评 ｒｅｓｔ Ｎｅｉｇｈｂｏｒ，ＫＮＮ） ，利用客户的历史偏好信息 分，另外，现有的推荐系统，无论高价值客户还是低 计算用户之间的距离．然后利用目标客户的最近邻 价值客户都采用同样的推荐方式，没有实现真正意 居对商品评价的加权平均值来预测他对特定项 义上的个性化．本文提出将客户关系管理领域的 （商品）的偏好程度．系统根据这一偏好程度来对 ＲＦＭ模型引入到推荐机制中，利用ＲＦＭ模型在反 目标客户进行推荐．协同过滤算法主要有３个步 收稿Ｅｔ期：２００９—０５～２６ 作者简介：孙玲芳（１９６３一），男，江苏镇江入，教授，研究方向为管理信息系统与电子商务．Ｅ—ｍａｉｌ：ｓｌｆ０３０８＠１６３．ＣＯＩｌ１ ２８６ 江苏科技大学学报（自然科学版） 第２４卷 骤：评分表示、邻居形成和推荐生成． １）评分表示：客户输入的评分数据可以用一 式中，Ｒ 是客户ｃ， 对已评价商品的平均评分，ｓｉｍ （ｉ，ｍ）是客户 与最近邻集合Ⅳ中的客户Ｕ 的 个Ｍ Ｘ Ｎ阶矩阵 （ ，Ⅳ）来表示，如表１所示，其 中Ｍ行代表 个用户，Ⅳ列代表Ⅳ个商品， ， 代 相似系数，尺…，是客户 ，对客户 未评价商品 对已评价商品的平均评 的评分， 是客户 表客户 对商品 的评分． 表１用户一商品评分矩阵 Ｔａｂｌｅ １ Ｕｓｅｒ．ｉｔｅｍ ｍａｔｒｉｘ 分，Ⅳ是最近邻的个数，Ｐ 值越大表示用户 对 未评价商品 ，的可能偏爱程度越高．计算出用户 对所有未评分商品 ，的预测值Ｐ ，之后，对Ｐ ， 按降序进行排序，把排名靠前的 个商品提供给目 标客户 ，作为该客户的ｔｏｐ．几推荐集． １．２协同过滤推荐机制中所存在的问题 １）数据来源带有主观性．传统的协同过滤推 荐算法的输入即数据来源是客户对商品项的评 分，需要客户主动参与，而实际上许多客户在购 ２）邻居形成：协同过滤算法的核心是根据用 买商品后不愿意参与评价，并且这些评分带有一 定的主观性． 户一商品评分矩阵发现需要推荐服务的目标客户的 最近邻居，客户之问相似性的度量方法主要有以下 ２种． ２）推荐方式单一．现有的协同过滤推荐系统 以及基于其他技术的推荐系统在推荐方式上都比 较单一，没有对客户进行区分，尤其没有从客户价 值的角度进行区分，进而采取差异化的推荐策略． 不论是高价值客户还是低价值客户都采用相同的 推荐方式，不利于提高客户（尤其是高价值客户） 的忠诚度． ①余弦相似性度量，将客户评分看作是ｎ维 商品项空间上的向量，客户间的相似性通过向量问 的余弦夹角度量．设Ｕ 和 在ｎ维商品项空间上 的评分分别表示为向量ｉ和．，，则客户Ｕ 和 ，之间 的相似性ｓｉｅ（ｉ，．ｒ ）为 ｓｉｍ（ｉ， ） ｃ０ｓ（ （１）２ ＲＦＭ模型 ２．１ ＲＦＭ模型概述 ②相关相似性度量，即Ｐｅａｒｓｏｎ相关系数度 量．设客户 和客户 共同评分过的商品项目集 合用Ｉ ＝Ｉ ｎＪ，表示，则客户Ｕ 和客户 的相似 性ｓｉｅ（ｉ，．ｒ，）为 ＲＦＭ模型是客户关系管理领域里的一种客户 行为分析模型 ，其中 （Ｒｅｃｅｎｃｙ）代表最近购买 时间，指上次购买至现在的时间间隔；Ｆ（Ｆｒｅｑｕｅｎ－ ∑（Ｒ 一Ｒ ）（ ， 一 ） ｓｉｅｒ（ ， ）：— 兰 二 ； —＿二＝＝＝＝三＝ ．ｃｙ）代表购买频率，指的是某一期间内购买的次数； ／∑（ ， 一Ｒｉ ．／∑（ ，。一 ） Ｅｌｉｊ 、／ Ｅ （２） （Ｍｏｎｅｔａｒｙ Ｖａｌｕｅｓ）代表总购买金额，指的是某一 期间内购买商品的金额．ＲＦＭ又被称为客户响应 模型或客户价值分析模型 ｊ． ２．２ ＲＦＭ模型的特点 式中， 和 分别表示客户 和客户 对商品 项，。的评分，Ｒ ＮＲｊ分别表示客户ｕ 和客户 在 ＲＦＭ模型在反映客户购买偏好方面具有良好 的表征性．研究发现Ｒ值越小，客户越有可能与企 各自所有已评价的商品项目上的评分的平均值． ３）推荐生成：在得到最近邻居用户集数据后， 下一步就是通过预测评分产生推荐．从目标用户的 业达成新的交易．Ｆ值越大，客户越有可能与企业 最近邻居中产生Ⅳ项产品推荐．设目标用户 的 最近邻居集合用Ⅳ表示，则用户Ｕ 对任意为评价 商品项 ，的预测评分 Ⅳ达成新的交易． 值越大，客户越有可能与企业达 成新的交易．所以ＲＦＭ模型可以通过对这３个指 标的分析反映出客户对某种商品的偏好程度． ，可以通过用户 对最近 ＲＦＭ模型在反映客户价值方面同样具有良好 的表征性．它是衡量客户价值和客户创利能力的重 要工具和手段．该模型通过一个客户的近期购买行 邻居集合Ⅳ中商品项的评分得到，计算方法如下 一＝Ｒ ＋ ∑ ｉｍ（ｉ，ｍ）・（ …，～Ｒｍ） Ｌ—＿＿—————～ （３） 为、购买的总频率以及购买的总金额等３项指标来 描述该客户的价值状况．如果与该客户打交道的时 间足够长，也能够较为精确地判断该客户的长期价 ｎｌ＝】 ∑ｓｉｍ（ ，ｍ） 第３期 孙玲芳，等：基于ＲＦＭ模型和协同过滤的电子商务推荐机制 的ＲＦＭ综合值，公式如下： ，ＲＦＭ＝ ’ ‘ ‘Ｘ＇ｍ ２８７ 值（甚至是终身价值），通过改善３项指标的状况， 从而为更多的营销决策提供支持 ． （６） ３ 基于ＲＦＭ模型和协同过滤的推 式中，］ＲＦＭ表示客户的ＲＦＭ￣，合值， ， ， 分别 荐算法设计 协同过滤推荐的基础是客户对商品的偏好信 息，而这一信息是由客户对商品的评价来反映的， 带有主观性．然而，ＲＦＭ模型其中的一个特点就是 反映客户购买偏好，并且ＲＦＭ模型的数据来源是 客户的历史交易数据，这些数据就存储在电子商务 网站的交易数据库中，容易获取，它不需要客户主 动参与评价，是客观真实的数据．因此，本文提出将 ＲＦＭ模型与协同过滤进行结合，设计出一种基于 二者的个性化推荐算法，算法的处理过程如图１ 嚼一 图１基于ＲＦＭ模型和协同过滤的推荐算法处理过程 Ｆｉｇ．１ Ｐｒｏｃｅｄｕｒｅ ｏｆ ｔｈｅ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ＲＦＭ ｍｏｄｅｌ ａｎｄ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ３．１ Ｒ，Ｆ，Ｍ各指标的权重分配 采用专家调查法在电子商务网站中做调研， 对调研的结果应用层次分析法（ＡＨＰ）进行分析， 把相关专家的主观经验与统计分析方法相结合， 科学确定 ，Ｆ， 各指标的权重．根据ＡＨＰ的一 般处理步骤 Ｊ，将行业专家对 ，Ｆ， 各指标的 重要性进行两两比较，构造判断矩阵；然后用方 根法计算被比较指标的相对权重；最后进行一致 性检验，得到Ｒ，，， 各个指标的权重： ， ，， ． ３．２ Ｒ，Ｆ，Ｍ值的标准化 由于尺，Ｆ， 各值的度量单位各不相同，数据 的取值也存在很大的差异，所以需要对数据进行标 准化处理，标准化公式 Ｘ ＝（Ｘ— ）／（ 一Ｘ ） （４） Ｘ ＝（ 一Ｘ）／（ 一 ） （５） 式中， 是标准化的Ｒ，Ｆ，Ｍ值， 是原值， 是该 指标的最大值， 是该指标的最小值．由于Ｆ， 指标的影响是正向的，所以适用式（４），而 指标 的影响是负向的，适用式（５）． ３．３计算客户的ＲＦＭ综合值 将标准化的Ｒ，Ｆ，Ｍ各值加权求和，得到客户 表示Ｒ，Ｆ，Ｍ各指标的权重， ：， ；，ｘ，ｍ分别表示标 准化后的Ｒ，Ｆ，Ｍ值． ３．４ ＲＦＭ模型与协同过滤的结合 将式（６）计算得到的ＲＦＭ模型的输出结果 ］ＲＦＭ值作为原协同过滤的相关相似性度量的输入． ， 和， ＦＭＩ 表示客户Ｕ 和客户 购买商品 时 生成的， 值，ＩＲｒＭ￣和／ＲＦＭｉ分别表示客户Ｕｉ和客户 在各自所有已购买过的商品项目上的平均加权 ／ＲＦＭ值， 表示客户 和客户 共同评分过的商 品项目集合．得到的公式如下 ｓｉｍ（ｉ， ）＝ （，ＲＦＭ 一ＩＲｒＭ ）（，盯Ｍ 一ＩＲＦＭ，） — 兰 ＝＝＝三＝＿ ＝二二＝＝＝三 （７） √ ，（，Ｒ ～ＲＦＭ √荟 （，ＲＦ 一，Ｒ ）２ 根据式（３）预测目标客户Ｕ 对未购买商品的 偏好程度，并排列得到ｔｏｐ—ｎ推荐提供给目标 客户． 客户购买某项商品时产生的ＲＦＭ数据可以反 映客户对该商品的偏好，通过客户偏好产生推荐正 是协同过滤的核心思想，所以ＲＦＭ模型便有了与 协同过滤结合的切合点．从ＲＦＭ各个指标的涵义 可以看出，ＲＦＭ模型的数据来源是客户在电子商 务网站的历史交易数据，以ＲＦＭ模型数据（经过 处理和转换后的ＲＦＭ综合值）作为协同过滤的输 入，便可以解决协同过滤的数据来源依赖客户评分 的问题． ４ 差异化的电子商务推荐策略的 设计 在以客户为中心的市场环境中，客户是利润的 来源，谁能给客户提供更好、更满意、更具有个性化 的产品和服务，谁就能赢得市场．电子商务推荐就 是为满足客户的个性化需要而产生的，并且已经实 现了推荐内容的个性化，但是却没有实现推荐方式 的个性化或者说是推荐策略的差异化．然而只有做 到内容和形式两方面的个性化才是从真正意义上 实现了客户需求的个性化．另外，对于电子商务网 站而言，根据帕累托２／８法则，差异化策略意味着 在高价值客户身上投入较多的成本，在低价值客户 身上则投入相对较少的成本 ，这将有利于网站 以有限的成本获得最高的客户响应或最大的利润 ２８８ 回报． 江苏科技大学学报（自然科学版） 第２４卷 客户定为网站的一一般重要客户．网站可以针对这类 进行合理的客户细分，针对每类客户进行分析 是制定个性化或差异化的推荐策略的关键问题．上 文已提到ＲＦＭ模型是ＣＲＭ领域一种有效的客户 客户推荐一些打折商品，并且有低价促销活动的时 候可以及时发送邮件给该类客户． Ｅ类客户的特点是交易频率较高，交易金额较 大，这类客户比较偏爱网上购物，是电子商务网站 重要的客户资源，但是他们最近已经很久没有光顾 本网站，这说明这类客户有可能在渐渐流失，所以 行为分析模型，并且在反映客户价值方面具有良好 的表征性．因此，本文提出根据ＲＦＭ所表现的不同 的客户价值来细分和分析客户，并制定有针对性的 电子商务推荐策略． ４．１客户细分 此处使用Ｋ．ｍｅａｎｓ聚类法来实现客户细分，它 是目前最常用的聚类方法，且简单有效，可以通过 ＳＰＳＳ统计软件完成 ． 由于ＲＦＭ中３个指标与其相对应的平均值相 比有大于（等于）或小于平均值的两种可能，因此 可初步将客户分为２ Ｘ ２ Ｘ ２：８种类别，如果单个 指标大于均值则用“Ｔ”表示，如果单个指标小于 均值则用“』”表示（表２）． 表２客户分类表 Ｔａｂｌｅ ２ Ｃｌａｓｓｉｌｆｅｄ ｃｕｓｔｏｍｅｒｓ ４．２客户分析与差异化推荐策略的制定 Ａ类客户的特点是最近与网站有过交易，交易 频率较高，交易金额较大，可以将这类客户定为网 站的高价值客户．电子商务网站可定期发送有关商 品推荐的电子邮件，每逢重要节日或客户生日的时 可将祝福语随附在商品推荐信息后发送给客户，以 获得此类高价值客户的高满意度和忠诚度． Ｂ类客户虽交易频率较低，但最近与网站有过 交易且交易金额较大，可以将这类客户定为网站的 重要发展客户．网站在推荐商品的同时可以发送类 似邀请函的信息，邀请客户加入网站的虚拟社区， 如ＢＢＳ、聊天室等，目的就是要保持与客户的联系， 使客户与网站形成更多的互动以提高其交易频率， 向Ａ类客户转换． Ｃ类客户和Ｄ类客户的共同特点就是在最近 的某个时间购买了网站的商品，也就是最近比较关 注该网站，但是他们的交易金额较少，可以将这类 可将其定为重要挽留客户．电子商务网站针对这类 客户可采用适用于Ａ类客户的推荐策略，争取挽 留住这类客户，并使其转换为Ａ类客户． Ｆ类客户和Ｇ类客户的共同特点是有很长一 段时间没有与网站交易了，也就是说他们对网站的 关注度不高或可能已经流失，可将其定为一般客 户，采取普通的推荐策略． Ｈ类客户的特点是已经很久没有在网站进行 交易，交易频率低，交易金额少，网站可将其定为无 价值客户．为了节省有限的成本，可采取普通的推 荐策略． ５实验及结果分析 ５．１数据集 本实验使用的数据集是从Ａ电子商务网站后 台数据库中抽取的５６０名顾客的２ ３５０条购买交 易记录．整个数据集需要进一步划分为训练集和测 试集，设定ｒ＝０。８，即整个数据集的８０％作为训练 集，２０％作为测试集． ５．２评估标准 本文使用Ｍｏｂａｓｈｅｒ给出的评价测度 Ｊ，包括 覆盖率（Ｃｏｖｅｒａｇｅ，Ｃ）、准确率（Ｐｒｅｃｉｓｉｏｎ，Ｐ）以及 ，．测度（Ｆ．ｍｅａｓｕｒｅ，Ｆ ）３个指标，各个指标的定义 如下： Ｃ＝正确推荐的产品数／顾客实际购买的产品数 Ｐ＝正确推荐的产品数／所有条件的产品数 ２×Ｃ Ｘ Ｐ ＝一 ｆ Ｃ＋Ｐ） 在这３个指标中，Ｃ和Ｐ实际上是一对相互矛 盾的指标，为了更好的评价最终的推荐质量，用， 来综合这２个指标，一般而言，具有较好的Ｆ （即 覆盖率和准确率都较好）的模型质量较好． ５．３实验方案及结果分析 本实验的目的是检验本文提出的基于ＲＦＭ模 型和协同过滤推荐算法的推荐效果，实验采用相同 的数据集和， 评估标准，将新算法和传统的协同 过滤算法进行比较．在计算产品相似性时，由于余 弦相似性度量方法比较容易实现，预测速度比较 第３期 孙玲芳，等：基于ＲＦＭ模型和协同过滤的电子商务推荐机制 ２８９ 快，而且预测精度也比较高，所以在本次实验中选 择余弦相似性作为用户问相似性的度量标准．实验 按照ｔｏｐ—ｎ值分别为３，５，１０，１５，２０进行计算和对 比分析，计算结果见表３．根据表３可以得出本文 算法和传统协调过滤算法的性能比较（图２）． 表３两种推荐算法的Ｆ 比较 Ｔａｂｌｅ ３ Ｔｗｏ ｋｉｎｄｓ ｏｆ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ ｃｏｍｐａｒｉｎｇ ｉｎ Ｆ ０ ７Ｏ Ｏ．６５ ０．６Ｏ Ｏ．５５ Ｏ ５０ Ｏ ４５ ０．４Ｏ ｔｏｐ一３ ｔｏｐ一５ ｔｏｐ－・ｔ０ ｔｏｐ・１５ ｔｏｐ一２０ ｔｏｐ— 图２两种推荐算法的性能比较 Ｆｉｇ．２ Ｐｅｒｆｏｒｍａｎｃｅ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｔｗｏ ｋｉｎｄｓ ｏｆ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ 从实验结果可以看出，在推荐不同的产品个数 （ｔｏｐ－ｎ值）的情况下，基于ＲＦＭ模型和协同过滤推 荐算法具有较大的Ｆ ，由此可得本文提出的推荐 算法比传统算法有更好的推荐效果． ６ 结论 １）针对原算法存在的数据来源依赖客户主观 评分这一缺陷，利用ＲＦＭ客户行为分析模型在反 映客户购买偏好方面的良好表征性对原协同过滤 算法进行了改进，使数据来源变为客户的历史交易 记录且易于获取． ２）目前的推荐系统在推荐方式的个性化方面 还有所欠缺，没有考虑到针对个别客户尤其是高价 值客户和潜在高价值客户制定差异化的推荐方式， 本文利用ＲＦＭ模型在反映客户价值方面的良好表 征性对不同价值的客户予以区分，并根据帕累托 ２／８法则制定了有针对性的推荐策略，用有限的成 本，追求最高的客户忠诚度，实现网站利润的最 大化． 参考文献（Ｒｅｆｅｒｅｎｃｅｓ） ［１］刘平峰，聂规划，陈冬林．电子商务推荐系统研究综 述［Ｊ］．情报杂志，２００７（９）：４６—５３． Ｌｉｕ Ｐｉｎｇｆｅｎｇ，Ｎｉｅ Ｇｕｉｈｕａ，Ｃｈｅｎ Ｄｏｎｇｌｉｎ．Ａ ｓｕｒｖｅｙ：ｅ— ｌｅｃｔｒｏｎｉｃ ｃｏｍｍｅｒｃｅ ｒｅｃｏｍｍｅｎｄｅｒ ｓｙｓｔｅｍｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ，２００７（９）：４６—５３．（ｉｎ Ｃｈｉｎｅｓｅ） ［２］Ｊｉａｗｅｉ Ｈ，Ｍｉｃｈｅｌｉｎｅ Ｋ，范明，等，泽．数据挖掘：概念与 技术［Ｍ］．北京：机械工业出版社，２００１． ［３］罗岚．ＣＲＭ中的客户分群及分类的数据挖掘算法实 现［Ｄ］．四川成都：四川大学，２００５． ［４］赵晓煜，黄小原，孙福权．基于ＲＦＭ分析的促销组合 策略优化模型［Ｊ］．中国管理科学，２００５，１３（１）：６０— ６４． Ｚｈａｏ Ｘｉａｏｙｕ，Ｈｕａｎｇ Ｘｉａｏｙｕａｎ，Ｓｕｎ Ｆｕｑｕａｎ．Ａｎ ｏｐｔｉｍｉ— ｚａｔｉｏｎ ｍｏｄｅｌ ｆｏｒ ｐｒｏｍｏｔｉｏｎ ｍｉｘ ｓｔｒａｔｅｇｙ ｂａｓｅｄ ｏｎ ＲＦＭ ａ— ｎａｌｙｓｉｓ［Ｊ］．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｍａｎａｇｅｍｅｎｔ Ｓｃｉｅｎｃｅ， ２００５，１３（１）：６０—６４．（ｉｎ Ｃｈｉｎｅｓｅ） ［５］Ｌｉｕ Ｄ Ｒ，Ｓｈｉ Ｙ Ｙ．Ｉｎｔｅｇｒａｔｉｎｇ ＡＨＰ ａｎｄ ｄａｔａ ｍｉｎｉｎｇ ｆｏｒ ｐｒｏｄｕｃｔ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｂａｓｅｄ ｏｎ ｃｕｓｔｏｍｅｒ ｌｉｆｅｔｉｍｅ ｖａｌｕｅ ［Ｊ］．Ｉｎｆｏｒｍａｔｉｏｎ＆Ｍａｎａｇｅｍｅｎｔ，２００５，４２（３）：３８７— ４００． ［６］秦寿康．综合评价原理与应用［Ｍ］．北京：电子工业出 版社，２００３：２３—２５． ［７］孟庆良，韩玉启，邹农基．基于客户价值的供应商供 应能力分配的决策模型［Ｊ］．江苏科技大学学报：自 然科学版，２００６，２０（６）：９２—９６． Ｍｅｎｇ Ｑｉｎｇｌｉａｎｇ，Ｈａｎ Ｙｕｑｉ，Ｚｏｕ Ｎｏｎｇｊｉ．Ａ ｄｅｃｉｓｉｏｎ ｍｏｄｅｌ ｏｆ ｓｕｐｐｌｙ ｃｏｍｐｅｔｅｎｃｅ ａｌｌｏｃａｔｉｏｎ ｂａｓｅｄ ｏｎ ｃｕｓｔｏｍｅｒ ｖａｌｕｅ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｊｉａｎｇｓｕ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ：Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｅｄｉｔｉｏｎ，２００６，２０（６）：９２— ９６．ｆ ｉｎ Ｃｈｉｎｅｓｅ） ［８］周欢．基于ＲＦＭ分析模式的零售业客户分群实现过 程［Ｊ］．金陵科技学院学报，２００８，２４（１）：３３—３６． Ｚｈｏｕ Ｈｕａｎ．Ｔｈｅ ｐｒｏｃｅｓｓ ｏｆ ｃｌｕｓｔｅｒ ｃｕｓｔｏｍｅｒｓ ｂａｓｅｄ ｏｎ ｔｈｅ ＲＦＭ ｍｏｄｅｌ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆＪｉｎｌｉｎｇ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏ— ｇＹ，２００８，２４（１）：３３—３６．（ｉｎ Ｃｈｉｎｅｓｅ） ［９］Ｍｏｂａｓｈｅｒ Ｂ，ＤＭ Ｈ Ｈ，Ｌｕｏ Ｔ，ｅｔ ａ１．Ｄｉｓｃｏｖｅｒｙ ａｎｄ ｅｖａｌ— ｕａｔｉｏｎ ｏｆ ａｇｇｒｅｇａｔｅ ｕｓａｇｅ ｐｒｏｆｉｌｅｓ ｆｏｒ ｗｅｂ ｐｅｒｓｏｎａｌｉｚａｔｉｏｎ ［Ｊ］．Ｄａｔｅ Ｍｉｎｉｎｇ ａｎｄ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ，２００２，６ （１）：６１—８２． （责任编辑：缪文桦）
