科创中国

行业领域

新一代信息技术产业,互联网与云计算、大数据服务

需求背景

随着电子商务的不断发展，网络购物用户规模会一直呈增长态势，致使购物网站中的推荐技术得到应用，带来的效果越来越明显。对于个性化推荐系统的探索，不论电商平台还是学者，都在不断增大投入并进行深入探索。为了满足用户需求并增强购买意愿，各大电商平台已经研发并应用了基于用户的浏览与购买、收藏行为的电商推荐系统。在面对电商平台中大量的产品信息，如何根据不同的用户筛选、过滤出其感兴趣的信息，做到个性化，精准化推荐产品，使得用户的操作更加高效，增强用户的使用感和体验感，是当前该领域的推荐系统需要解决、优化的核心问题。

需解决的主要技术难题

1.电商平台现有的推荐方法主要为协同过滤推荐方法，基于项目的协同过滤推荐其核心思想是给用户推荐那些和他们之前喜欢的物品相似的物品，但是基于项目的协同过滤推荐并不利用物品的内容属性计算物品的相似度，它主要通过分析用户的行为记录计算物品的相似度。

2.现有技术的协同过滤推荐没有区分用户之间的差异性，只是单一的考虑了用户的主观评分或评价等显式反馈数据(即它可以直接反映用户的兴趣偏好)。因此这类方法适用于用户有行为记录的项目推荐。

3.对于用户没有浏览过的物品，这类物品项目的反馈数据较少，数据稀疏较严重，因此现有的主要方法对于用户没有行为记录的物品的推荐效果并不是很好，一方面会导致用户体验性降低，另一方面也不利于电商平台中对商品全面有效的推广。

期望实现的主要技术目标

1.将用户有行为记录的商品作为集合P1，计算P1中的商品与没有行为记录的商品之间的相关度，将相关度高于阈值R的商品作为集合P2，令P1与P2的并集为目标用户推荐项目的集合，并根据目标用户行为建立相应的评分矩阵；

2.搜集目标用户的社交关系信息N(v)，目标用户的社交关系信息是指和目标用户有过互动的其他用户集合，并统计社交关系信息中好友的个数num(N(v))，计算用户与同区域所有用户之间的相似度；

3.利用随机梯度下降法训练用户、项目隐含特征向量矩阵，对目标函数中的用户特征矩阵，物品特征矩阵，用户偏置项，项目偏置项四个参数求偏导数，然后迭代的沿着当前点的负梯度方向搜索下一个点，使得目标函数值逐步减小，从而得到目标函数的最小值，在目标函数取得最小值的时候得到最终的预测评分；

需求解析

解析单位：四川省成都市 解析时间：2022-10-28

朱玉玲

智慧云律（成都）网络服务有限公司

顾问

综合评价

具有计算方法简单，步骤少，复杂度小的优点；不需要事先填充稀疏的用户评分矩阵，只需要通过梯度下降法迭代优化，一定程度上解决了稀疏性问题。可以提高推荐的速度充分挖掘用户的隐式反馈数据，将用户的社交信息与经典的奇异值分解模型相结合，通过引入好友喜好信息结合用户自身的喜好信息优化矩阵分解模型，从而提高推荐效果的准确度，提升了用户的信任度和体验感。

查看更多>

处理进度