0 前言
电子商务涉及的用户可能有不同背景、爱好，电商提供多样化、个性化的服务有助于满足不同类型用户的个性化需求。和传统的电子商务相比，移动电子商务具有“人机对应、一人一机”的特点，所以可以针对用户进行便捷的个性化推荐服务。
1 移动商务及个性化服务
移动电子商务是传统电商的特别形式，是一种利用移动通信网络实现的电子商务活动，其商务形式由固定地点延伸到随时随地；移动电子商务的特征包括：位置相关性、随时随地访问。传统的电子商务中用户的位置并不重要，展现给所有用户的是统一的内容。移动电子商务可以定位使用者，而且在移动终端中的配置可以分辨用户的身份；定位及用户识别这两个特性的结合使移动电子商务具备一定的个性化特征。
移动电子商务的个性化服务观点有不同的内涵：（1）用户特性。可以将移动电子商务看作是为不同特性客户提供针对性的信息内容的服务。（2）用户偏好及习惯。不同用户的行为习惯以及偏好不尽相同，移动电子商务需要为用户提供满足个性化需求的服务。针对上述观点，可以将移动个性化服务定义为：内容及服务提供商根据用户的身份、职业、偏好、年龄等特性，为不同的使用者提供针对性的内容。个性化主要体现在[1]：（1）内容的个性化。不同用户对商品的需求不同，移动电子商务不再仅仅提供多样化的商品，而是根据用户的兴趣偏好为用户推荐真正需要、可能消费的商品，尽量减少用户在商品搜索过程中耗费的时间、精力。（2）服务方式的个性化。传统的信息服务方式多为“PULL”模式，即信息直接发布到网络上，用户从海量信息中查找需要的信息。为了提高销售效率，移动电子商务必须改变为“PUSH”模式，直接将合适的信息精准的推荐给可能需要的用户。
2 个性化推荐技术
电子商务的整个流程中涉及到大量不同类型的数据，比如用户信息、商品信息、服务信息及日志、交易信息等。移动电子商务涉及到的数据类型更多，而且异构数据的比例更大；移动用户的需求可能会随着时间、用户场景的变化而变化；例如，旅行中的用户通常更关注住宿、交通相关的商品信息，而休假中的用户往往对娱乐信息更感兴趣；这无疑增加了预测用户行为、推荐合适商品的难度。
移动电子商务中的个性化推荐技术的主要步骤包括：数据采集、数据预处理、数据建模、数据分析、个性化推荐。数据采集阶段负责采集所有用户的信息，包括用户资料、购买历史信息等。数据预处理对采集到的数据进行有效性检查，去掉无效订单。建模阶段以数据挖掘技术为主，对预处理后的数据进行聚类分析、关联分析等。数据分析阶段试图从大量数据中发现用户的购买倾向，以便进行个性化推荐。
通过上述分析可知移动电子商务中个性化推荐的功能需要满足[2]：（1）分析用户的偏好和行为习惯，以进行更加精确的用户行为预测。关联规则挖掘可以从用户的购买历史数据中发现潜在的关联关系。（2）分析用户行为，针对用户的购买习惯，为用户提供个性化推荐。协同过滤可以根据有相似购买习惯用户的偏好，为当前用户推荐其可能感兴趣的商品信息。
3 关联规则挖掘
关联规则挖掘技术是实现移动电子商务个性化推荐的关键，直接决定着个性化推荐的效果。关联规则挖掘的目的是从海量信息中找到有商业价值的关联关系，并为商业决策提供支持。
假设现有m条交易记录、n个物品，并且物品集合I={Ij|j=1，2，…，n}，交易数据库D={Ti|i=1，2，…，m}，则关联数据挖掘过程中涉及到的概念主要包括[3]：（1）项集（Item set）。集合I中的任意子集，有p个物品项的项集（p-项集）Ip={I1，I2，…，Ip}。（2）关联规则（Association Rule）。关联规则是类似于R：Ii？圯Ij这样的蕴涵式，表明如果数据库中的事务包含项集Ii，那么此事务也很可能包含项集Ij。（3）支持度。假设组成关联规则r的物品项集为Ir，那么Ir在D上的支持度即为包含Ir的事务占D中所有事务的比例。（4）频繁项集（Frequent Item Set）。频繁项集指的是数据库D中满足指定最小支持度的所有非空子集。
获取频繁项集后，就能够根据频繁项集生成关联规则；值得注意的是，生成的关联规则中有很多是无意义或冗余的，为了提高推荐的质量，必须改进关联规则的评价过程。关联规则的评价过程又被称为关联规则的兴趣度量度；常见的度量方法有主观兴趣度及客观兴趣度，前者一般是基于用户的知识，而后者多依赖于挖掘数据和关联规则的表现形式。支持度――置信度框架是最经典的兴趣度量方式[4]：支持度用来度量关联规则的可用性，置信度用于评价关联规则的确定性。
4 协同过滤推荐
传统的电子商务技术在进行商品推荐时大多使用的是基于内容的过滤技术，这种方法在商品数量过多时的分析能力相对有限，而且难以发现用户已经展现出的兴趣之外的潜在兴趣。基于内容的过滤和协同过滤的推荐方式如图1所示：
协同过滤推荐技术克服了基于内容过滤的不足，它根据其他习惯近似用户的偏好为当前用户推荐可能感兴趣的信息，并且在推荐时只需要用户的购买行为以及评分信息，并不需要其他额外信息，也不会涉及到用户的个人隐私。
协同过滤技术的步骤包括：（1）采集电商的销售数据、评分数据，并根据相似性算法计算指定用户、商品间的相似性；（2）根据相似性信息，获取和指定用户、商品最相似的k个目标，称为k近邻集合；（3）根据k近邻集合的信息，预测指定用户对目标商品的购买兴趣。
5 ?结
要在移动电子商务中进行商品推荐需要发现用户偏好、分析用户行为，关联规则挖掘的目的是从海量信息中找到有商业价值的关联关系，协同过滤技术可以用于个性化推荐；这两者的结合可以有效用于移动电子商务，将特定内容有针对性的推荐给电商的潜在用户。
