基于客户价值再分类的电子商务平台推荐算法

0 引言

随着电商规模的持续扩大，信息过载问题日益凸显。个性化推荐系统[1] 通过分析用户历史行为和偏好，主动为用户提供可能感兴趣的商品信息，已成为电商平台提升用户体验、增加销售额的关键技术。协同过滤是最广泛应用推荐技术之一，其中基于用户的协同过滤通过计算用户之间的相似度来发现潜在兴趣偏好 [2]。然而，传统协同过滤算法面临数据稀疏性问题和冷启动问题。现有算法大多仅从用户 - 商品评分矩阵中挖掘相似性，而忽略了用户本身的价值属性及其动态变化特征。

客户价值是客户关系管理中的核心概念，RFM 模型 [4] 是对其进行量化和分群的经典工具。本文前期研究对传统 RFM 模型进行了改进，通过引入客户忠诚度指标和基于指数函数的时间权重，构建了 RFML 模型，并采用高斯混合模型将客户划分为不同的价值类别。

本文将客户价值再分类的成果集成到推荐算法中，提出基于客户价值再分类的协同过滤推荐算法（VBCF）。该算法假设同一价值类别内的用户更可能具有相似的消费偏好，通过在同类用户中寻找最近邻，提高推荐准确性。

1 相关工作

1.1 传统协同过滤的推荐算法

基于用户的协同过滤是推荐系统领域的经典方法。该方法通过计算目标用户与其他用户之间的相似度，选取最相似的 K 个邻居，根据这些邻居对商品的评分加权预测目标用户的评分。尽管方法直观有效，但其性能严重依赖于用户评分数据的密度和质量。基于项目的协同过滤通过计算项目间的相似度来克服用户数据稀疏性问题，但仍未考虑用户价值属性。

1.2 客户价值分类与推荐算法

近年来，学者们尝试将用户价值信息引入推荐系统以改善性能。Wu 等人 [4] 将 RFM 评分作为用户特征输入到聚类算法中，再对不同簇实施不同的推荐策略。陈丹红等[5] 在众包平台中引入用户信用维度构建 RFMC 模型，为平台的任务推荐提供了新视角。然而大多研究仍使用静态的 RFM 分值，未能充分考虑客户价值随时间的动态变化规律。

2 基于客户价值再分类的推荐算法设计

2.1 客户价值分类

客户价值分类基于前期提出的改进RFML 模型，主要步骤如下：

（1）指标计算：为每位客户计算四项指标：最近购买时间 R、购买频率F、购买金额M、客户忠诚度L。

（2）时间权重计算：使用指数衰减函数计算时间权重。

（3）客户聚类：将加权后的 RFML 指标输入 GMM 模型进行聚类，得到四类客户价值标签。

2.2 相似度计算与邻居查找

传统协同过滤算法寻找相似邻居计算量大，且容易受到干扰。为解决这一问题，VBCF 算法引入了价值类别约束机制：在为目标用户 u 寻找相似邻居时，首先将其搜索范围限定在与 u 相同或相邻的高价值类别内。这一约束显著缩小了最近邻的搜索范围，降低了噪声数据的干扰，为后续精准推荐奠定了基础。

在确定的候选邻居集合内，本文采用了一种改进的综合相似度计算方法，同时考虑了用户的长期价值特征和短期评分行为。综合相似度由价值特征相似度和评分行为相似度线性组合而成。

其中为调节参数，用于平衡两类相似度的贡献程度。综合相似度既考虑了用户长期价值特征，又兼顾了近期评分行为，从而能够更全面、准确地刻画用户间的相似性，为后续的评分预测和推荐生成提供更可靠的基础。

3 实验分析

3.1 实验设置及数据处理

为验证 VBCF 算法的有效性，实验采用 Online Retail 数据集，该数据集包含一家英国在线零售商 2010 年 12 月 1 日至 2011 年 12月 9 日期间的所有交易记录，共计 541，909 条交易数据。为全面评估算法性能，实验选取了三种基线算法进行对比：随机推荐算法（Random）、基于用户的协同过滤算法、基于项目的协同过滤算法（Item-Based CF）。评估指标方面，采用均方根误差（RMSE）衡量评分预测准确性，同时使用 Precision@10 和 Recall@10 评估 Top-10推荐列表的质量。

3.2 结果分析

表2 不同推荐算法性能对比

实验结果表明，VBCF 算法的 RMSE 值较传统 User-Based CF降低了 18.2% ，在评分预测准确性方面有显著提升。同时，在 Top-10 推荐质量方面，VBCF 的 Precision@10 和 Recall @10 分别达到0.261 和 0.223，相比 User-Based CF 分别提升了 22.5% 和 19.8% 。

4 结束语

本文针对电子商务平台个性化推荐系统中用户兴趣动态变化与数据稀疏性问题，提出了一种基于客户价值再分类的协同过滤推荐算法（VBCF）。通过将动态客户价值特征融入传统推荐框架，有效提升了推荐系统的性能表现。

参考文献

[1] 王国霞 ， 刘贺平 . 个性化推荐系统综述 [J]. 计算机工程与应用 ，2012，48（07）：66-76..

[2] 赵俊逸 ， 庄福振 ， 敖翔 ， 等 . 协同过滤推荐系统综述 [J]. 信息安全学报 ，2021，6（05）：17-34.

[3] 王茜茜 . 基于改进 RFM 模型客户价值研究及推荐预测 [D]. 桂林电子科技大学 ， 2023.

[4] WU J， SHI L， LIN W P， et al. An empirical study on customersegmentation by purchase behaviors using a RFM model andK-means algorithm[J]. Mathematical Problems in Engineering，2020， 2020： 8884221.

[5] 陈丹红 ， 彭张林 ， 万德全 ， 等 . 众包平台用户价值识别与细分 ：基于改进的 RFM 模型 [J]. 计算机科学 ， 2022， 49（4）： 37-42.

基金项目：2024 年度安徽省教育厅高校自然科学研究重点项目“基于 RFML 模型的客户价值再分类及电商平台个性化推荐精度优化研究”（2024AH050200），2024 年度安徽省教育厅高校人文社科研究重点项目“电子商务发展对区域碳排放的影响机制研究—基于新质生产力视角”（2024AH052322），校级科研平台项目“区域电子商务服务创新研究中心”（2024GFKYPT001）。

作者简介：夏翔（1998—），女，汉，安徽宣城，助教，硕士研究生研究方向电子商务、数据分析。