案例08-易趣

易趣网()于1999年8月在上海成立，数年间成为中国首屈一指的C2C电子商务网站。

其登记会员达350万，每天每12秒便为会员达成一宗网上交易。

2002年3月，易趣与美国电子商务公司eBay()结成战略合作伙伴关系，以该公司33%股份换取eBay 的3千万美元注资。

易趣的目标是在全球主要国家开设最大的网上交易市场及搭建网上交易平台让客户可随时进行任何买卖活动。

为此易趣网的市场部特别设立一个独立的组别来处理每月向用户发出数以千万计的市场推广电邮。

易趣于2002年2月开始使用DARTmail (公司提供)系统以吸纳新用户、保留现有用户及激发他们继续活动以及传递易趣网内的最新信息。

z在恰当的时间将恰当的内容传送给恰当的用户电邮主题是电子邮件营销成功的关键要素，易趣利用DARTmail 的A/B分类功能来测试用户对不同电邮主题的反应，再根据反应率及透过DARTmail先进的报表功能来获取每个电邮活动的最大效益。

电邮的外观设计也必须具有吸引力。

利用DARTmail的可视化报表，易趣网便容易得知那些外观最具有吸引力和最受欢迎。

z个性化的内容利用DARTmail，可根据用户过去购物的资料来将他们分类，并了解他们的兴趣；透过DARTmail追踪，可识别最有价值的用户；根据用户浏览易趣网的次数，再结合他们的购物及浏览记录，易趣便能按用户需要推出有效的活动，提高投资回报效益。

z时间地点都在掌握之内易趣利用DARTmail来调节发放电邮的频率使用户不会产生厌烦。

经多次测试及利用DARTmail的报表数据，易趣网便能分析什么时间是最适当的发送电子邮件时间。

易趣网发现在中国由于大多数用户是在工作地方才使用电邮，所以在周五及周末发放电邮宣传活动，效果并不理想，例如星期一投放的邮件点击率达47%，而星期五只有34%。

易趣网明白目标对象的生活模式及习惯后便可决定什么时候发放电邮予他们才会达到最佳的效果。

针对性的电子邮件使得电邮的总点击增加167%，新用户登记总数也增加了60%；个性化内容服务使易趣的点击率增加超过200%；易趣针对不同类别的用户安排不同的优惠，如根据性别确定优惠程度使点击率增加了15%以上。

思考题：(1)易趣在利用电子邮件推广时使用了哪些策略？(2)进入网站并查阅其他文献，分析DART是如何跟踪用户的。

(3)查阅文献，解释什么是内容过滤？什么是协同过滤？(4)什么是WEB挖掘？WEB挖掘包括哪几类任务？WEB使用挖掘在网络营销中能帮助电子商务企业做哪些事？(5)你还知道哪些用户跟踪技术？一、基于营销数据库的个性化推荐营销数据库是电子商务网站的重要组成部分，存储着消费者的个人特征、定制信息、购买记录以及相应的产品特征等信息，这些信息是进行个性化推荐的重要依据。

基于营销数据库的个性化推荐就是利用上述信息，通过人机交互获得或者用聚类、分类和关联规则挖掘等方法挖掘消费者兴趣和偏好，进而产生个性化的推荐方案。

这种应用已经得到了广泛应用。

根据推荐策略和所利用的信息不同，基于营销数据库的个性化推荐系统一般可以分为基于内容的推荐系统、基于协同过滤的推荐系统、基于产品分类的推荐系统、基于效用的推荐系统、基于知识的推荐系统以及各种组合推荐系统等。

这里主要对基于协同过滤、基于内容和基于产品分类这三类个性化推荐系统做一个简单介绍。

(一)协同过滤推荐技术协同过滤推荐技术是推荐系统中应用最早和最为成功的技术之一。

协同过滤是基于这样的假设：要为目标消费者找到其真正感兴趣的产品，应该首先找到与目标消费者有相似兴趣的其他消费者，然后将他们感兴趣的内容推荐给目标消费者。

这一思想非常易于理解，在日常生活中，我们往往会根据朋友的推荐对产品进行选择。

协同过滤正是把这一思想运用到电子商务推荐系统中来，基于其他消费者对某一产品的购买记录来向目标消费者进行推荐。

基于协同过滤的推荐主要包括基于消费者的推荐系统和基于产品的推荐系统两种。

1、基于消费者的协同过滤基于消费者的协同过滤推荐系统一般采用最近邻技术，利用消费者的历史购买信息计算消费者之间的距离，然后利用目标消费者的最近邻居对商品的某种加权值来预测目标消费者对特定商品的偏好程度，系统从而根据这一偏好程度来对目标消费者进行推荐。

协同过滤方法的基本过程可以用图3-1表示。

“数据表示”的任务是将消费者的购买记录用一定的数据形式来表示，以方便后续的协同分析；“识别邻居”阶段主要解决的问题是如何为目标消费者识别兴趣相似的邻居；“产生推荐”阶段的目标是根据最近邻居中消费者的购买记录，生成他们最常购买的产品，并推荐给目标消费者。

数据表示识别邻居产生推荐图3-1协同过滤的基本过程2、基于产品的协同过滤基于产品的协同过滤推荐算法可通过分析消费者-产品矩阵来识别不同产品之间的关系，并根据这一关系向消费者推荐其最可能感兴趣的N个产品。

产品之间的关系可以用概率方法也可以用传统的相关关系来度量。

由于基于内容的协同过滤推荐系统不别为目标消费者识别邻居，所以其效率明显优于基于消费者的推荐算法。

在表3-1所示的消费者评分数据中，基于产品的协同过滤推荐算法需要预测消费者丁对产品“水浒传”的评分。

通过对消费者-产品的分析可以发现，消费者群体对“水浒传”的评分与对“三国演义”的评分非常相似，“三国演义”是“水浒传”的最佳邻居，因此丁对“三国演义”的评分对预测值的影响最大。

其次，消费者群体对“红楼梦”的评分与消费者对“水浒传”的评分也比较相似，因此丁对“红楼梦”的评分对预测值的影响也比较大。

而“水浒传”与“西游记”的相似性较差，因为消费者群体对它们的评分存在冲突，所以丁对“西游记”的评分对预测值的影响相对小一些。

在实际的预测过程中，只搜索目标项相似性最高的前k 个邻居，然后根据相似性大小预测消费者对目标项的评分。

基于协同过滤的推荐系统可以说是从消费者的角度来进行相应推荐的，而且是自动的，即消费者获得的推荐是系统从购买模式或浏览行为等隐式获得的，不需要消费者努力地找到适合自己兴趣的推荐信息，如填写一些调查表格等。

协同过滤的优点主要有如下几方面：(1)对推荐对象没有特殊的要求，因此协同过滤方法对许多非结构化的复杂对象，如音乐、电影和图片等的推荐更加容易。

(2)共享其他人的经验，避免了分析产品特征过程中可能出现的诸多问题，避免了内容分析的不完全和不精确。

(3)有推荐新产品的能力。

可以发现内容上完全不相似的产品，消费者对推荐产品的内容事先是预料不到的。

这也是协同过滤和基于内容的过滤一个较大的差别，基于内容的过滤推荐很多都是消费者本来就熟悉的内容，而协同过滤可以发现消费者潜在的但自己尚未发现的兴趣偏好。

(4)能够有效的使用其他相似消费者的反馈信息，可加快个性化学习的速度。

(二)基于内容的个性化推荐技术基于内容的个性化推荐主要推荐与消费者过去的兴趣和偏好相似的产品，其本质是信息过滤技术的延续与发展。

基于内容的推荐是在产品(产品、服务等)的内容信息基础上做出的推荐，而不需要依据消费者对产品的评价意见，因此，这一策略更多地使用机器学习的方法从消费者过去感兴趣的产品特征描述中得到消费者的偏好信息，进而进行个性化推荐。

在基于内容的推荐系统中，消费者之间是独立的，产品是通过相关的特征属性来定义的，系统基于产品的特征，为每个消费者分别建立不同的兴趣偏好模型，进而考察消费者的兴趣偏好与待推荐产品的匹配程度。

表3-2表示的是目标消费者的历史购买记录(产品1和产品3)以及购买产品的特征。

根据，基于内容的推荐系统可以用产品的特征(质地、颜色、价格等)构建目标消费者的兴趣偏好模型，根据这一模型，可以判断是否该向消费者推荐产品5。

在基于内容的个性化推荐系统中，产品都是用其特征来描述的。

如网页、文档等用关键词来表示，物品用颜色、质地等来表示。

产品用特征表示后，便可以用不同的方法学习消费者的兴趣偏好模型，在基于内容的个性化推荐系统中，常用的机器学习方法有决策树、神经网络和关联规则等。

基于内容的推荐方法具有以下优点： 表3-1 消费者评分数据红楼梦 西游记 三国演义 水浒传甲 4 2 4 4 乙 4 5 3 3 丙 3 2 3 2 丁 2 1 5 ？ 表3-2 历史购买记录质地 颜色价格 是否购买产品1 木质 红色高 是产品2 塑料 红色底 否产品3 木质 蓝色高 是产品4 塑料 蓝色高 否产品5 木质 蓝色低 ？(1)可以向消费者推荐符合其特定兴趣偏好的项。

由于消费者的兴趣偏好模型建立在其过去感兴趣的项的基础上，因此，由此模型产生的推荐能够较好地满足消费者的需求，特别是在消费者具有比较特殊的兴趣爱好的情况下，基于内容的个性化推荐往往会具有更好的效果。

(2)可解释性强。

基于内容的个性化推荐以产品的特征属性来构建消费者兴趣偏好模型，因此，通过列出推荐产品的特征，可以解释为什么推荐这些产品。

比如向某一消费者推荐了红色的外套，其原因就可能是该消费者过去对红色的服饰比较感兴趣。

(3)能推荐新的或不是很流行的产品。

对于新的或者不是非常流行的产品，只要获得该产品的特征数属性，就可以用基于内容的个性化推荐方法进行推荐。

(4)已经有比较成熟的技术。

基于内容的推荐，一般是以传统的机器学习方法为支撑，而这些方法往往都是比较成熟的。

如，关于分类学习方面的技术，如神经网络、决策树等都已经相当成熟。

(三)基于产品分类的推荐技术分类知识是产品的基础信息，在电子商务网站中一般可以比较容易地获得。

产品的分类信息一般可以用一颗分层的树状图来表示。

图3-2所示的是某电子商务网站产品分类的一个实例。

该分类采用四层分类体系，层次越低，对应的产品类别越抽象。

图中第3层的叶子节点代表具体的产品，M01、M09等为产品的编号；第1层、第2层为中间层，对应着产品的类别；第0层是根节点，对应着所有的产品。

图3-2产品分类1、基于产品分类学的协同过滤推荐基于产品分类学的协同过滤推荐是一种web使用挖掘驱动的协同过滤推荐方法(WebCF-PT)，如图3-3，其基本思想是将传统协同过滤方法中基于产品的相似度度量，转换为基于类别的相似度度量，通过降低产品的维数，改善协同过滤方法在数据稀疏时的性能。

WebCF-PT的输入数据除了传统的消费者数据库、购买记录数据库和web日志等，还要求输入产品数据库，即产品的分类等信息。

WebCF-PT的推荐过程如下所述：第一步，粒度规范。

粒度规范的主要任务是识别相似的产品，并将它们归为一类，其目的是通过分类的方法降低产品空间。

WebCF-PT设计了一种对原始产品分类进行调整的粒度规范方法。

第二步，生成消费者特征。

WebCF-PT 用消费者-类别矩阵刻画消费者的特征，即基于不同的粒度规范，通过记录消费者对每一类别中产品的点击情况、放入购物篮的情况和最终购买的情况，综合计算消费者对该类别产品的偏好程度，生成消费者-类别矩阵。