推荐技术是一种可以从海量信息中快速找到用户最感兴趣的信息并将之推荐给用户的技术,推荐系统的核心是推荐算法。企业利用推荐系统可以在实现商业目标的同时精确满足用户的需求,最终达到企业收益增加和用户黏性增强的双赢。推荐算法发展至今,已广泛应用于多个领域,但其在化妆品零售行业的应用时存在冷启动和推荐精度不足的问题。针对上述存在的问题,论文所做的主要工作如下:(1)为了对无任何信息和购买记录的新用户进行推荐,将关联规则算法应用于化妆品推荐,本文提出并构建基于时间窗机制的IFP-growth(Improved Frequent Pattern-growth)算法。首先利用时间窗口和已有用户的购买记录,生成用户在有效时间内的购买行为序列,之后利用IFP-growth关联规则算法挖掘购买频率较高的N个产品,以及通常和这N个产品一起被购买的产品,最后将挖掘结果推荐给新用户。(2)为了提高推荐算法对已有用户信息的推荐精度,提出并构建基于注意力机制的Deep FM算法(Attention Deep Factorization Machine)。首先,将用户信息和物品信息作为输入数据,经One-hot编码后生成稀疏向量,再经Embedding层生成稠密的用户特征向量和物品特征向量。之后,使用DNN部分和FM部分分别处理高阶特征和低阶特征。为减少冗余特征对推荐算法的影响,在FM部分引入注意力神经网络层,注意力层会依据特征向量的重要程度对所有的特性赋予不同权重,再对其进行特征工程处理。(3)在真实化妆品购买数据集上的实验验证表明,本文提出的两种算法都具有良好的推荐效果。其中,针对冷启动问题的基于时间窗和关联规则的推荐算法在向新用户推荐时具备很好的性能;针对推荐精度问题的Attention Deep FM相比于传统的推荐算法和主流的深度学习算法,都有显著的性能提升。论文的研究成果拓展了推荐算法的研究思路,丰富了融合用户行为信息的社会化推荐的研究内容,为在线平台提供了不同推荐场景下的有效推荐方法,对推动社会化推荐问题的理论研究具有一定借鉴价值,同时为企业从数据分析的角度提供了方法支持,对化妆品企业合理规划生产、扩大销售规模、提高经营效益有良好作用。
暂无评论