在信息技术快速发展的背景下，人们迎来了网络时代，人们工作和生活中的方方面面都受到了深刻的影响。现阶段，网上购物成为人们热衷的一项活动，同时也充分体现了电子商务模式的便利。互联网还能够搭建起一个平台供顾客、企业以及供应商使用。据有效数据显示，O2O电子商务模式将拥有万亿以上的市场。近年来，O2O电商行列中人数越来越多，商品的数量和种类以指数速度增长，因此，O2O电子商务必须加强对推荐方法的研究，为用户创造更加便利的环境。
一、O2O 电子商务中推荐模型研究
（一）该商务系统的结构
组合和分离是该商务系统的两种基本结构。它们在运行过程中都具有自身的优势与缺陷，同时，它们也适用于不同的范围。组合式结构，指的是在现有的电子商务系统内加入这一推荐系统，推荐系统的使用要完全依靠现有电子商务系统，这一结构的特点是拥有简单的部署实施，却无法进行独立运行，因为，现有的商务系统将会最大限度的限制该结构的运行，导致其拥有极差的外延性和移植性。特定情况下，这种结构还会对现有电子商务系统产生影响。因此，如果选择的推荐系统比较复杂，要想对现有系统不造成任何影响，就不可以应用这种组合式结构；分离式结构，指的是数据能够在数据结构通过数据层时得到共享，网页资源能够在用户层得到共享，促使推荐系统与现有系统产生独立的界面。现有系统无法对其产生制约的效果，运行和功能也不会受到影响，同组合式结构相比，它更适合与相对复杂的部署个性化推荐[1]。
（二）O2O 电子商务中推荐模型
这一模型最大的特点就是当顾客想要对网站进行访问时，一个特别的推荐显示功能能够出现于顾客与网站中间。现阶段，各种电子商务推荐系统在运行过程中，都需要对大批的顾客资料、商品详情和交易记录等进行处理，因此，在这里使用各种先进的技术技术，如人工智能技术、数据挖掘技术等，是无法及时处理以上大量的数据和信息的。处理以上问题最好的方法就是采取离线处理的方式，在规定的时间间隔内，再更新处理过后的结果。
例如，某网站在聚类的基础上，其个性化推荐模型有四个重要组成部分，即输入模块、输出模块、离线处理模块、在线推荐模块。以在线推荐模块为例，该模块需要将聚类中心与顾客之间的类似程度进行计算。由于顾客聚类数目是在离线的情况下得到的，所以真实的顾客数目要远远大于此数目。因此，采用这一模块来推荐处理相关数据，能够使准确度得到很大提高，还能够极大的节省时间。用户能够更快捷的找到目标，有利于顾客用户满意度的提升和网站销售量的增加[2]。
二、O2O 电子商务模式中推荐方法的研究
（一）传统基于聚类的协同过滤分析
推荐算法内使用聚类技术，能够将评分矩阵进行压缩，促使其以c个簇来构成整个评分矩阵，还可以使聚类过程在离线状态下完成，将维度进行缩小，为最近邻居的搜索提供方便，以此来将推荐算法中的推荐效率进行提高，同时提高其外延性和实时性。然而，传统的协同过滤推荐是建立在聚类之上的，这里的聚类指的是硬聚类，它的代表是K-Mean聚类。该模式的推荐系统中，具有顾客多和数据大的特点，所以导致了较大的数据维度，降低了推荐算法的效率。同时还有两种缺陷存在于传统聚类算法当中：首先，初始化的聚类，是随机生成的，拥有极高的不稳定性，致使聚类结果当中存在较大的偏差；其次，聚类簇中的边界缺陷，造成重叠现象在聚类对象中产生。这两种缺陷将会促使准确率极大的降低[3]。
（二）FCM 聚类算法
首先，该算法具有一定的优点。在对顾客评分和商品属性进行描述的过程中，FCM模型更具优势。它将一个簇只能对应一个顾客的现象打破了，顾客和商品的模糊特性得到充分的展示；其次，该算法也存在一定的缺陷。这一算法是运用连续的迭代来促使最优函数值的形成，其中，聚类结果的优良会受到初始聚类中心的严重影响，随机性的选取初始方案，会使聚类的结果不稳定。再者，距离函数。如果选取的距离函数不够恰当，计算性能就会受到严重的影响。假如应用欧式距离，在特定的环境下，将会造成大量的项目出现在聚类簇中，但是一些簇中却只有几个项目，造成了严重不平衡聚类的出现，无法实现很好的项目聚类[4]。
三、结论
电子商务的飞速发展，给人们的生活带来了极大的便利，O2O电子商务模式的产生，无疑是又一次的技术变革。系统研究该商务系统的结构和推荐模型，对于促进推荐方法的研究具有重要意义。应用传统基于聚类的协同过滤分析和FCM 聚类算法来加强推荐方法的研究，能够有效解决现阶段O2O电子商务模式中的不足。
