基于用户购买及交易历史的R语言商品推荐实现方法咨询

嘿，这个需求太贴合实际场景了——单纯的全局购物篮分析只能给所有人推一样的关联商品，结合用户维度才能做到真正的个性化推荐。我来给你拆解下在R里的具体实现步骤，分几个核心部分来走：

首先你得确保数据包含三个核心维度：user_id（用户ID）、transaction_id（交易ID）、product（商品ID/名称）。先整个模拟数据给你参考，方便对应你的真实数据：

library(tidyverse)
set.seed(123) # 固定随机种子，方便复现

# 模拟用户-交易-商品数据集
users_transactions <- tibble(
  user_id = rep(1:5, each = 3),       # 5个用户，每个用户3笔交易
  transaction_id = rep(1:15, each = 2), # 每笔交易买2件商品
  product = sample(c("牛奶", "面包", "鸡蛋", "酸奶", "薯片", "可乐"), 30, replace = TRUE)
)

接下来整理每个用户的历史购买集合，方便后续筛选用户未买过的商品：

# 提取每个用户的唯一购买商品列表
user_purchase_history <- users_transactions %>%
  group_by(user_id) %>%
  summarize(purchased_products = list(unique(product))) %>%
  ungroup()

思路1：全局关联规则+用户历史过滤（高效通用） #

先基于所有交易生成全局的商品关联规则，再针对每个用户，筛选出和他们历史购买商品关联度高、且从未买过的商品。这是最常用的方案，适合用户量较大的场景。

1.1 生成全局关联规则 #

用arules包完成经典的购物篮分析：

library(arules)

# 把数据转成arules要求的transactions格式（按交易ID分组）
transactions <- users_transactions %>%
  group_by(transaction_id) %>%
  summarize(items = list(product)) %>%
  pull(items) %>%
  as("transactions")

# 生成关联规则（可根据你的数据调整supp/conf阈值）
global_rules <- apriori(
  transactions,
  parameter = list(supp = 0.1, conf = 0.5, target = "rules")
)

# 把规则转成数据框，方便后续处理
global_rules_df <- global_rules %>%
  as.data.frame() %>%
  mutate(
    lhs = as.character(lhs),
    rhs = as.character(rhs),
    # 提取规则前件的商品列表（去掉{}和分隔符）
    lhs_items = str_split(lhs, ", ") %>% map(~str_remove_all(., "\\{|\\}"))
  )

1.2 写个性化推荐函数 #

针对每个用户，过滤出符合条件的推荐商品：

get_personalized_recs <- function(target_user_id, user_history, rules_df, top_n = 3) {
  # 获取目标用户已购买的所有商品
  user_purchased <- user_history %>%
    filter(user_id == target_user_id) %>%
    pull(purchased_products) %>%
    flatten_chr()
  
  # 筛选规则：前件是用户买过的商品子集，后件是用户没买过的商品
  candidate_rules <- rules_df %>%
    filter(map_lgl(lhs_items, ~all(.x %in% user_purchased))) %>%
    filter(!rhs %in% user_purchased) %>%
    arrange(desc(lift)) %>% # 按lift排序（lift越高，商品关联度越强）
    distinct(rhs, .keep_all = TRUE) %>% # 去重同一商品的多条规则
    head(top_n)
  
  # 返回结果，无合适推荐时返回提示
  if (nrow(candidate_rules) == 0) {
    return("暂无个性化推荐，可查看店铺热门商品")
  } else {
    return(candidate_rules %>% 
             select(rhs, lift, confidence) %>% 
             rename(推荐商品 = rhs, 关联强度 = lift, 置信度 = confidence))
  }
}

# 测试：给用户1推荐商品
get_personalized_recs(1, user_purchase_history, global_rules_df)

思路2：用户专属关联规则（更个性化，适合交易多的用户） #

如果部分用户的交易记录足够多，可以针对单个用户的交易历史单独生成关联规则，推荐更贴合该用户习惯的商品。但要注意，用户交易少的话可能生成不出有效规则。

# 按用户分组生成专属关联规则
user_specific_rules <- users_transactions %>%
  group_by(user_id, transaction_id) %>%
  summarize(items = list(product)) %>%
  group_split(user_id) %>% # 按用户拆分数据集
  map(~{
    current_user_id <- .x$user_id[1]
    # 转成transactions格式
    user_trans <- .x$items %>% as("transactions")
    # 生成用户专属规则（调低supp/conf阈值，因为单个用户交易少）
    rules <- apriori(user_trans, parameter = list(supp = 0.05, conf = 0.3, target = "rules"))
    
    if (length(rules) > 0) {
      rules %>% as.data.frame() %>% mutate(user_id = current_user_id)
    } else {
      # 无规则时返回空数据框
      tibble(user_id = current_user_id, lhs = character(), rhs = character(), 
             support = numeric(), confidence = numeric(), lift = numeric())
    }
  }) %>%
  bind_rows()

# 对应推荐函数
get_user_specific_recs <- function(target_user_id, user_history, user_rules_df, top_n = 3) {
  user_purchased <- user_history %>%
    filter(user_id == target_user_id) %>%
    pull(purchased_products) %>%
    flatten_chr()
  
  user_recs <- user_rules_df %>%
    filter(user_id == target_user_id) %>%
    filter(!rhs %in% user_purchased) %>%
    arrange(desc(lift)) %>%
    distinct(rhs, .keep_all = TRUE) %>%
    head(top_n)
  
  if (nrow(user_recs) == 0) {
    return("暂无专属推荐，可查看热门商品")
  } else {
    return(user_recs %>% 
             select(rhs, lift, confidence) %>% 
             rename(推荐商品 = rhs, 关联强度 = lift, 置信度 = confidence))
  }
}

# 测试
get_user_specific_recs(1, user_purchase_history, user_specific_rules)

• 冷启动处理：新用户没有交易历史时，可以推荐全局热门商品，或者基于用户属性（如年龄、性别）推荐同属性用户的热门商品
• 时间维度优化：只取用户最近3个月的交易历史，推荐更贴合当前需求的商品
• 类别过滤：加入商品类别信息，优先推荐同类别或互补类别的商品，避免完全不相关的推荐
• 性能优化：用户量很大时，优先用思路1（全局规则+过滤），思路2适合高活跃用户单独处理

内容的提问来源于stack exchange，提问作者Monty