商品推荐是吸引客户注意力和迎合客户需要的一种重要的商业行为,在竞争激烈的商业环境中,尤其是在电子商务、网上购物等交易方式广泛应用的网络时代,如何建立有效的商品推荐系统是企业面临的一个重要课题。对于商品推荐系统研究的目的就是要提高商品推荐的质量(成功率),以激发和满足顾客需要(本文论述的对象主要是针对网上购物的顾客)。目前使用的推荐系统绝大部分是基于协同过滤技术的推荐,协同过滤是一种基于客户交易偏好的对所有客户的无差别推荐,这可能会导致企业在获利甚微的客户身上投入不适当的成本。近年来出现了一种采用基于客户生命周期值的加权RFM(表示客户生命周期的三个指标变量)技术的推荐方法,这一技术的核心思想就是采用这三个客户属性变量的加权和的方法来对客户进行聚类,其中为变量加权是考虑到不同变量对顾客产生的不同重要程度的影响。对符合某一生命周期类型的客户按照商品挖掘关联技术进行商品推荐。这种推荐方法的弊端在于当客户的交易数据不足以形成规律化的量值时,推荐可能会出现偏差。本文阐述了以上两种推荐方法的形成机制和操作过程,在分析了两种推荐方法各自的优缺点后,提出了一种新的基于这两种方法的混合推荐方法,并通过实证说明了这种混合方法的合理性。本文的创新点正是集中以上两种推荐技术的优点,使用了基于客户偏好的协同过滤和基于加权的客户生命周期值两种理论形成的混合推荐方法。这种方法在两种技术的结合点上采用了“阀值”的概念,这样就很好地解决了两种方法的中间过渡并且有效避免了两种推荐方法单独使用时的偏差。这种推荐方法的基本思路是先使用客户生命周期值方法定位顾客的忠诚度高低(阀值),对忠诚度高的客户采用加权RFM技术聚类,然后从每类中由关联规则提取推荐商品;对忠诚度低的客户采用基于客户偏好的协同过滤技术聚类,同样再由关联规则提取推荐商品。本文在实证部分采用某商业网站的客户数据进行了以上理论的实际操作,并对结果进行了验证。验证比较了三种推荐方法的质量,使用到了在推荐方法验证中检验推荐质量的相关参数。验证结果证明,本文的推荐方法优于两种单独的推荐。在文章的最后,对这种推荐方法做了进一步的引申说明和应用,并提出了未来研究中需要注意的问题和研究的方向。