ttSSBRI电子商务的开究2018-01-2219:04:57新媒体研%2017年23期袁超凡Tllv=axsiniin!+/3xtuv用户相似度可以通过基于人口统计学的方法进行计算，其用到的信息可以是用户在电子商务平台注册的信息，包括性别、年龄、地区等。Sun［11］提出的基于概率的信任值计算方法，可以应用到传递信任模型的计算中。以皮尔森相关系数法作为基础算法，结合信任值，改进的项目相似度计算公式为:公式中，"为目标用户，相似度度量公式是自适应于用户的。工亿T；）X（%-/；•）工仏-7）如］工也-帀yHEUjj公式中，4为产品Z和产品丿共同评分的顾客集合，”为产品，的评分均值，G•为顾客〃对产品/的评分。摘要个性化推荐技术的应用是电子商务平台进行精细化运营的重要手段。个性化商品推荐系统的合理设计能够有效提高电子商务平台订单转化率，缩短用户购物路径，改善用户体验。近些年来,电子商务与社交媒体相融合的创新模式为社会化推荐提供了可能。挖掘社交关系数据的用八关系，将其应用到传统的推荐模型中，是改善推荐系统推荐精度的有效方法。关键词社交媒体；电子商务；网络；社会化中图分类号G2文献标识码A文章编号2096-0360（2017）23-0014-031问题背景电子商务在经历了I•几年的规模性增长后，网络零售进入了增速放缓的阶段。从国家统计局公布的2016年的数据看，电商的盈利空间被压缩，竞争更为激烈，兼并与淘汰更加频繁，创新、拓展与试错成为主题［1］。如何通过精细化的运营更好地生存是电商企业要重点考虑和解决的问题。2017年6月27日，易观与云集微店联合发布了《中国社交电子商务发展专题分析2017》的分析报告。报告simdj)=指出，网上零售在初显增速放缓中探寻到一条将电子商务与社交媒体相融合的创新模式,極大激活了市场活力。屮国电子商务研究屮心指出，电子商务和微博社交网络是戸前屮国用户使用较频繁的两大服务平台，据CNNIC调查显示，同时使用两类服务平台用户较大，达到1.67亿［2］°2017年，阿里集团持有新浪微博31%股权，为新浪微博的第二大股东。在这种整合模式下，电子商务平台可以将用户的购物数拯与社交媒体中的社交信息整合起来，为实现社会化推荐提供数拯基础。2推荐系统的发展和应用个性化推荐技术是解决用户模糊需求的重要途径，该技术的应用能够促进信息的高效筛选和过滤。1994年，明尼苏达大学GroupLens研究组使用基于协同过滤的推荐算法推出了GroupLens系统［3］,推荐系统从此成为一个相对独立的研究方向。经过20多年的发展，个性化推荐算法被广泛集成到很多商业应用系统中，如电子商务，影音、阅读，新闻等内容产业。在电子商务领域，亚马逊对个性化推荐系统使用起步早、且应用广泛。Brent,Greg［4］指出，1998年，亚马逊应用了基丁•项冃的协同过滤推荐算法，到2017年，推荐系统在亚马逊平台的应用已经经历了近20年的历史。国内著名的电商平台淘宝、京东对推荐系统的应用也十分广泛［5］。口前，电子商务平台普遍应用的基于协同过滤的推荐算法，在分析用八相似性和产品相似性时,都是以用户对商品的历史行为数据作为数据源，忽略了用户属性以及用户关系等问题，存在推荐准确度低等问题。社会化推荐技术，是通过引入用户的社交关系來改善传统推荐系统的准确度的一个有效方式。电子商务平台对于社交网络的应用多为简单的广告促销模式，例如亚马逊以在Facebook发布促销信息进行社交互动,2013年数据显示，在Facebook±亚马逊社会化电子商务转化率只有3.67%。2010年报道称，亚马逊允许将用户在电商平台的账户和Facebook的社交账户进行绑定，网站可以通过分析用户在社交网站发布的兴趣信息或者好友圈的流行产品信息，为用户提供购物建议［6］。在中国，淘宝网对于微博的应用停留在帮助推广阶段。如何从社交互动转化为社交发现，例如通过社交平台上用户之间的社交关系增强推荐结果的可信度，或者从社交活动信息中挖掘用户潜在的购物偏好，是社会化推荐的研究方向。本文研究了如何将社交媒体与传统的协同过滤算法结合起来，改善传统推荐算法的推荐精度问题。提出一种基于用户局部信任模型的协同过滤算法。3推荐模型介绍3.1基于项目的协同过滤(Item-basedCollaborativeFiltering...