基于局部SVD++的服裝推薦算法研究

尹定乾 楊佳樂 金英花

摘要： 隨著社會(huì)的飛速發(fā)展，生活節(jié)奏不斷加快，消費(fèi)者逐漸開始注重購(gòu)買服裝的效率，對(duì)個(gè)性化服裝的需求也在不斷增加。所以，個(gè)性化服裝推薦系統(tǒng)對(duì)于消費(fèi)者和商家來(lái)說(shuō)都尤為重要。本文利用皮爾森相關(guān)系數(shù)和矩陣分解的有關(guān)理論，在K-NN（k-Nearest Neighbor）算法和SVD（Singular Value Decomposition）算法的基礎(chǔ)上構(gòu)建基于局部SVD++的服裝推薦算法。

Abstract： With the rapid development of society， the pace of life has been accelerating， consumers gradually began to pay attention to the efficiency of the purchase of clothing， and the demand for personalized clothing is also increasing. As a result， personalized clothing recommendation system for consumers and businesses are particularly important. Based on the K-NN （k-Nearest Neighbor） algorithm and the SVD （Singular Value Decomposition） algorithm， the paper constructs a clothing recommendation algorithm on the basis of local SVD++.

關(guān)鍵詞： 智能推薦；服裝推薦算法；加權(quán)矩陣；矩陣分解；協(xié)同過(guò)濾

Key words： intelligent recommendation；clothing recommendation algorithm；weighting matrix；matrix decomposition；collaborative filtering

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2018）10-0173-04

0 引言

網(wǎng)絡(luò)技術(shù)的迅速發(fā)展以及互聯(lián)網(wǎng)應(yīng)用的普及，使人們的生活更加的方便，但同時(shí)也給人們帶來(lái)了信息過(guò)載的問(wèn)題，其中由于服裝的種類和樣式確實(shí)很多，給用戶的選購(gòu)帶來(lái)了很大的困難，用戶很難在海量的服裝數(shù)據(jù)庫(kù)中找到一款讓自己滿意的商品，這時(shí)候就需要在服裝選購(gòu)方面提供一些便利，讓用戶能夠更快地、更方便地找到自己滿意的商品。本文首先介紹矩陣分解方法和皮爾森相關(guān)系數(shù)，然后介紹了基于上述兩種方法的K-NN （K Nearest Neighbors）算法和SVD （Singular Value Decomposition）++算法，指出了這兩種推薦算法的原理和不足，接著根據(jù)服裝特有的屬性，結(jié)合現(xiàn)有的推薦系統(tǒng)算法，有針對(duì)性地結(jié)合服裝推薦的特點(diǎn)，構(gòu)建新的服裝推薦算法。本文的創(chuàng)新之處在于把K-NN算法和SVD++算法結(jié)合在一起，可以避免用戶-服裝矩陣的稀疏問(wèn)題和計(jì)算精度低等問(wèn)題。推薦系統(tǒng)的應(yīng)用可以幫助用戶從繁雜的信息中獲取所需信息，從而促進(jìn)服裝銷售并吸引用戶。

1 推薦系統(tǒng)的有關(guān)介紹

1.1 推薦系統(tǒng)介紹

推薦系統(tǒng)是一種幫助用戶快速發(fā)現(xiàn)有用信息的工具。推薦系統(tǒng)不需要用戶提供明確的需求，而是通過(guò)分析用戶的歷史行為對(duì)用戶的興趣建模，從而主動(dòng)給用戶推薦能夠滿足他們興趣和需求的信息。因而推薦系統(tǒng)能夠在用戶沒有明確目的的時(shí)候幫助他們發(fā)現(xiàn)興趣的新內(nèi)容。

1.2 服裝推薦系統(tǒng)介紹

服裝推薦系統(tǒng)是指利用數(shù)據(jù)挖掘等技術(shù)建立數(shù)據(jù)模型和客戶模型，經(jīng)過(guò)一系列的數(shù)據(jù)分析，通過(guò)電子商務(wù)適時(shí)的展示滿足消費(fèi)者興趣特點(diǎn)的服裝產(chǎn)品，模擬銷售人員或者導(dǎo)購(gòu)人員為客戶提供符合個(gè)性化需求的購(gòu)買建議。服裝推薦系統(tǒng)以客戶需求和愛好為中心，有針對(duì)性地進(jìn)行服裝推薦，以讓消費(fèi)者花費(fèi)最少的時(shí)間，最快地找到合適的讓自己滿意的服裝為目標(biāo)。

6 結(jié)束語(yǔ)

本文考察了現(xiàn)有的K-NN算法和SVD算法，針對(duì)K-NN算法和SVD算法的不足，在考慮了隱式反饋數(shù)據(jù)的基礎(chǔ)上，創(chuàng)新的結(jié)合兩種算法的優(yōu)點(diǎn)。首先利用K-NN算法，以皮爾森相關(guān)系數(shù)為標(biāo)準(zhǔn)，把用戶-項(xiàng)目矩陣中與目標(biāo)用戶相關(guān)度較高的K個(gè)用戶聚合在一起，構(gòu)造新的用戶-項(xiàng)目矩陣R，然后結(jié)合矩陣分解的有關(guān)知識(shí)，用SVD算法中矩陣分解的有關(guān)知識(shí)對(duì)得到的新的矩陣進(jìn)行分解，然后考慮到隱式反饋數(shù)據(jù)在推薦過(guò)程中不可或缺的重要性，在矩陣迭代過(guò)程中加入隱式反饋數(shù)據(jù)，利用隨機(jī)梯度下降的方法逐步對(duì)數(shù)據(jù)進(jìn)行優(yōu)化，最后使得用戶矩陣和項(xiàng)目矩陣的乘積矩陣R最大程度地接近原矩陣R，這樣得到的矩陣R中的一些空白部分得到填充。然后根據(jù)矩陣R中數(shù)據(jù)選取最高的N項(xiàng)推薦。

參考文獻(xiàn)：

[1]項(xiàng)亮.推薦系統(tǒng)實(shí)踐[M].北京：人民郵電出版社，2012.

[2]王科強(qiáng).基于矩陣分解的個(gè)性化推薦系統(tǒng)[D].上海：華東師范大學(xué)，2017：37-41.

[3]張川.基于矩陣分解的協(xié)同過(guò)濾推薦算法研究[D].吉林：吉林大學(xué)，2013：16-23.

[4]李秋燕.服裝個(gè)性化推薦方法研究[D].蘇州：蘇州大學(xué)，2014：1-3.

[5]單毓馥，李丙洋.電子商務(wù)推薦系統(tǒng)中服裝推薦問(wèn)題研究[J].毛紡科技，2016，44（5）：67.

[6]何波，楊武，張建勛，王越.基于用戶模式聚類的智能信息推薦算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2006（13）：2360-2361，2374.

[7]XU Hai-Ling， WU Xiao， Yan Bao-Ping. Comparison Study of Internet Recommendation System[J]. Journal of Software， 2009 （20）： 350-360.

[8]Han-Saem Park， Moon-Hee Park， and， Sung-Bae Cho. Mobile Information Recommendation Using Multi-Criteria Decision Making with Bayesian Network[J]. World Scientific， 2015， （14）： 317-338.

[9]Jaideep Srivastava， Robert Cooley， Mukund Deshpande， Pang-Ning Tan. Web Usage Mining： Discovery and Applications of Usage Patterns from Web Data[J]. SIGKDD Explorations， 2000（1）： 12-23.

[10]Yehuda. Factorization Meets the Neighborhood： a Multifaceted Collaborative Filtering Model [R]. Koren： AT&TLabs; Research， 2008.