商品搭配大數(shù)據(jù)推薦方法研究綜述*

陳 鑫，王 斌，曾范清

(1.南京財(cái)經(jīng)大學(xué)信息工程學(xué)院,江蘇 南京 210023； 2.南京財(cái)經(jīng)大學(xué)經(jīng)濟(jì)管理實(shí)驗(yàn)教學(xué)中心,江蘇 南京 210023)

1 引言

互聯(lián)網(wǎng)信息技術(shù)的快速發(fā)展，在給人們的生活和工作帶來(lái)極大便利的同時(shí)，也帶來(lái)了信息超載[1]的問(wèn)題。雖然以搜索引擎為代表的信息檢索系統(tǒng)如谷歌、百度等可以幫助用戶過(guò)濾和篩選信息，但只能滿足大眾的簡(jiǎn)單需求，無(wú)法滿足個(gè)性化的用戶需求。因此，個(gè)性化推薦系統(tǒng)應(yīng)運(yùn)而生，成為當(dāng)前解決“信息超載”問(wèn)題的有效方法[2]。它根據(jù)用戶需求、興趣愛(ài)好等，通過(guò)推薦算法從海量數(shù)據(jù)中挖掘用戶感興趣的信息、商品等，以個(gè)性化列表的形式推薦給用戶。目前，個(gè)性化推薦系統(tǒng)廣泛應(yīng)用于很多領(lǐng)域，其中在電子商務(wù)領(lǐng)域的應(yīng)用最為典型并具有良好的發(fā)展前景。隨著電子商務(wù)的發(fā)展，用戶需求的滿足越發(fā)艱巨，傳統(tǒng)個(gè)性化推薦系統(tǒng)[3,4]的多樣性差、覆蓋率低等問(wèn)題日益顯著。但是，大數(shù)據(jù)時(shí)代的到來(lái)，使商品數(shù)據(jù)的表現(xiàn)變得豐富多樣，使搭配推薦成為可能，為大數(shù)據(jù)環(huán)境下的個(gè)性化推薦提供了一條有效途徑。

商品搭配推薦是個(gè)性化推薦中的一個(gè)新方法，它從用戶消費(fèi)行為中挖掘信息，比相似推薦更具實(shí)際意義。例如，用戶網(wǎng)購(gòu)一件襯衫后，通常會(huì)選購(gòu)一條褲子來(lái)搭配，而不會(huì)再去瀏覽襯衫。生成這些搭配信息最直接的做法是人工標(biāo)定：讓眾多搭配專家來(lái)手工標(biāo)定哪些商品是相搭配的。在傳統(tǒng)商業(yè)中商品數(shù)量少，這一方法具有可行性；而在如今的電商中，用戶和商品的數(shù)量巨大，雖然可以通過(guò)眾包(Crowdsourcing)[5]等方式實(shí)現(xiàn)大規(guī)模標(biāo)注，但成本會(huì)非常高。例如阿里眾包需要給每位參與者一定的酬勞。因此，關(guān)于如何自動(dòng)化地生成商品間的搭配信息的研究，對(duì)學(xué)術(shù)界和工業(yè)界分別具有較高的學(xué)術(shù)研究?jī)r(jià)值和廣闊的應(yīng)用前景。

在學(xué)術(shù)界，國(guó)內(nèi)外許多大學(xué)和研究機(jī)構(gòu)對(duì)商品搭配大數(shù)據(jù)推薦方法開(kāi)展了廣泛的研究，涌現(xiàn)出了各具特色的搭配推薦方法。例如將卷積神經(jīng)網(wǎng)絡(luò)引入搭配推薦，自動(dòng)提取數(shù)據(jù)特征；對(duì)用戶行為和商品信息進(jìn)行過(guò)濾、建模，挖掘商品間的搭配關(guān)系等。但是，目前搭配推薦的研究還存在一些挑戰(zhàn)與問(wèn)題，例如，多源異構(gòu)數(shù)據(jù)的融合；商品類目更細(xì)粒度的劃分；商品圖像背景復(fù)雜，給圖像內(nèi)容識(shí)別帶來(lái)了巨大的挑戰(zhàn)等[6]。

在工業(yè)界，由于互聯(lián)網(wǎng)公司的競(jìng)爭(zhēng)越來(lái)越激烈，而且用戶是最重要的資源，因此只有不斷地提升用戶體驗(yàn)，才能防止用戶流失。隨著用戶個(gè)性化需求的增強(qiáng)，互聯(lián)網(wǎng)公司對(duì)商品搭配推薦的研究越來(lái)越重視。例如，阿里云舉辦了面向全社會(huì)開(kāi)放的淘寶穿衣搭配算法競(jìng)賽，報(bào)名和參賽無(wú)時(shí)間限制并提供永久排行榜，只為能給用戶提供優(yōu)質(zhì)、專業(yè)的個(gè)性化穿衣搭配推薦。目前，商品搭配推薦方法已在各大電商平臺(tái)有了不同程度的應(yīng)用，有效地提升了電商系統(tǒng)推薦結(jié)果的準(zhǔn)確度、覆蓋率、新穎性和多樣性。根據(jù)搜狐網(wǎng)報(bào)道，2017年中國(guó)網(wǎng)絡(luò)零售總額高達(dá)67 100億元，同比增長(zhǎng)30.1%。作為亞洲最大的購(gòu)物網(wǎng)站淘寶網(wǎng)更是在2018年雙十一狂歡節(jié)創(chuàng)下了單日交易2 135億元的記錄，表現(xiàn)出了我國(guó)電子商務(wù)蓬勃發(fā)展的活力[7]。對(duì)用戶而言，有效的搭配推薦解決了用戶在海量商品中發(fā)現(xiàn)自己所需商品耗時(shí)長(zhǎng)的問(wèn)題，帶來(lái)了更好的購(gòu)物體驗(yàn)；同時(shí)，對(duì)商家而言，搭配推薦可以促進(jìn)用戶購(gòu)買或點(diǎn)擊行為的發(fā)生，提高商品銷量，增加經(jīng)濟(jì)收入，具有重要的商業(yè)意義。

到目前為止，關(guān)于傳統(tǒng)推薦方法的研究綜述[1,2,8,9]已有不少，但這些方法只是針對(duì)商品的相似推薦，很少提及搭配推薦。本文是第1篇專門對(duì)現(xiàn)有搭配推薦方法進(jìn)行研究的綜述，針對(duì)已有的研究成果進(jìn)行分析比較、綜述總結(jié)并對(duì)未來(lái)提出展望，為從事研究搭配推薦方法的學(xué)者和業(yè)界人士提供借鑒與參考，以期商品搭配大數(shù)據(jù)推薦方法在學(xué)術(shù)界進(jìn)一步推動(dòng)推薦技術(shù)的發(fā)展，在工業(yè)界創(chuàng)造出更高的商業(yè)價(jià)值。

2 概述

2.1 商品的搭配推薦和度量

商品搭配推薦是從商品信息、用戶信息及用戶與商品的交互行為等大量數(shù)據(jù)中挖掘商品之間的搭配關(guān)系，根據(jù)用戶已經(jīng)購(gòu)買的商品向其推薦可搭配商品，或直接向用戶推薦搭配好的商品套裝。商品搭配推薦一直是個(gè)備受人們關(guān)注的問(wèn)題，與其相關(guān)的工作最早可以追溯到頻繁項(xiàng)集挖掘(Frequent Item-set Mining)[10]。該方法通過(guò)分析商品的歷史購(gòu)買記錄來(lái)生成搭配關(guān)系，即經(jīng)常被共同購(gòu)買的商品可能是相搭配的，最經(jīng)典的案例便是“啤酒”與“尿布”。

但是，頻繁項(xiàng)集挖掘依賴于商品的歷史購(gòu)買記錄，所以存在“冷啟動(dòng)”問(wèn)題，即無(wú)法為那些沒(méi)有歷史購(gòu)買記錄的新商品生成搭配信息[11]。為了解決冷啟動(dòng)問(wèn)題，需要引入除歷史記錄以外的其他信息，比如內(nèi)容信息(Content-based)等。相較歷史記錄信息，內(nèi)容信息更為稠密，且不會(huì)出現(xiàn)老商品有信息而新商品沒(méi)有信息的情況，因?yàn)樗猩唐范加凶约旱念惸?、?biāo)題及圖像等信息，從根本上克服了冷啟動(dòng)問(wèn)題。

商品搭配度表示2個(gè)商品之間的搭配程度，可以用來(lái)產(chǎn)生每個(gè)商品對(duì)應(yīng)的搭配商品列表。關(guān)于商品搭配度的數(shù)學(xué)定義，研究者們從不同角度給出了不同的公式，相關(guān)內(nèi)容見(jiàn)文獻(xiàn)[6,12-15]。本文分別選取西南交通大學(xué)孫廣路[6]在其博士論文中給出的商品搭配度定義和浙江大學(xué)釗魁[14]在其碩士論文中給出的搭配度計(jì)算公式詳作介紹。

(1)對(duì)于2件商品，如果大量用戶一起購(gòu)買，說(shuō)明它們?cè)谀承┓矫媸谴钆涞?，搭配度的取值為[0,1]，如式(1)所示：

(1)

其中，N是購(gòu)買的用戶數(shù)量；F是閾值，可根據(jù)需求自行設(shè)置。搭配度的粒度可以劃分得更細(xì)，這里劃分了3個(gè)等級(jí)，對(duì)于一般需求也是足夠的。

(2)釗魁[14]提出了基于深度樣式匹配的商品搭配推薦，設(shè)計(jì)了一個(gè)對(duì)拍卷積神經(jīng)網(wǎng)絡(luò)(Siamese Convolutional Neural Network)對(duì)2個(gè)商品標(biāo)題所組成的短文本對(duì)進(jìn)行建模：首先，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)將每個(gè)商品的標(biāo)題表示為1個(gè)多維實(shí)數(shù)向量；然后，將實(shí)數(shù)向量映射到特定的搭配空間中；最后，在搭配空間中計(jì)算2個(gè)商品間的搭配度，計(jì)算公式如式(2)所示：

(2)

2.2 研究?jī)?nèi)容

簡(jiǎn)單而言，商品搭配推薦就是依據(jù)一定的輸入數(shù)據(jù)遵循特定的搭配算法給出相應(yīng)的推薦結(jié)果。輸入數(shù)據(jù)有多種多樣的類型，包括商品內(nèi)容信息、用戶屬性信息、用戶對(duì)商品的行為信息、領(lǐng)域知識(shí)等。推薦結(jié)果則是推薦給用戶的商品列表，按照搭配算法計(jì)算的搭配程度的優(yōu)先級(jí)別展現(xiàn)給用戶。

目前，商品搭配大數(shù)據(jù)推薦方法的研究?jī)?nèi)容主要包括以下幾個(gè)方面：

(1)商品圖像的特征提取。深度卷積神經(jīng)網(wǎng)絡(luò)的層次結(jié)構(gòu)可以對(duì)圖像語(yǔ)義特征進(jìn)行表示，這也使得其在許多圖像分類和識(shí)別任務(wù)上取得了成功。通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)商品圖像進(jìn)行特征提取，可以計(jì)算商品圖像特征的相似度來(lái)進(jìn)行商品搭配推薦。

(2)多源異構(gòu)數(shù)據(jù)的融合。由于數(shù)據(jù)來(lái)源多樣、結(jié)構(gòu)復(fù)雜，研究者們提出從商品內(nèi)容、領(lǐng)域知識(shí)、用戶交互的角度，分別建立商品搭配度度量模型，表示商品之間的搭配程度。通過(guò)將各種數(shù)據(jù)融合到搭配推薦技術(shù)中，可以根據(jù)用戶的需求和習(xí)慣推薦不同的搭配方案。

(3)挖掘商品間的搭配關(guān)系。在搭配推薦中，商品間的關(guān)系是重要的基礎(chǔ)信息。通過(guò)對(duì)商品內(nèi)容信息、用戶屬性信息和用戶對(duì)商品的行為信息進(jìn)行過(guò)濾、建模等處理，可以挖掘商品間的搭配關(guān)系，從而應(yīng)用于搭配推薦方法中。

(4)多種搭配推薦算法的融合。目前，搭配推薦算法各具特色。例如，基于商品內(nèi)容的搭配推薦反映大部分人的搭配偏好，基于協(xié)同過(guò)濾的搭配推薦更具個(gè)性化。如果將這2種算法融合再綜合推薦，則可以滿足用戶對(duì)于推薦結(jié)果同時(shí)兼?zhèn)鋫€(gè)性化和流行性的推薦需求。

2.3 應(yīng)用實(shí)例

在電子商務(wù)的推動(dòng)下，商品搭配推薦系統(tǒng)一直保持著較高的研究熱度。表1給出了商品搭配推薦系統(tǒng)在國(guó)內(nèi)外商業(yè)領(lǐng)域的典型應(yīng)用，應(yīng)用領(lǐng)域涉及電商網(wǎng)站、服裝APP和飲食APP。

Table 1 Typical applications of big data recommendation methods of commodity collocation表1 商品搭配大數(shù)據(jù)推薦方法的典型應(yīng)用

以淘寶網(wǎng)為例，它的搭配推薦應(yīng)用在系統(tǒng)中的很多地方，具體包括：

(1)收藏夾頁(yè)面。根據(jù)用戶收藏的商品給出搭配推薦。在該頁(yè)面中，左側(cè)一列展示了用戶收藏夾里面的商品，在商品右側(cè)有 “找搭配”選項(xiàng)。點(diǎn)擊該選項(xiàng)后便會(huì)展示搭配推薦結(jié)果。

(2)商品的詳情頁(yè)面。例如，瀏覽淘寶網(wǎng)時(shí)隨機(jī)進(jìn)入一件商品的詳情頁(yè)面，然后向下滑動(dòng)頁(yè)面，在商品的參數(shù)、評(píng)價(jià)等信息下方展示了根據(jù)該商品推薦的可搭配商品。目前，淘寶網(wǎng)只有部分商品附帶這個(gè)搭配推薦模塊。

(3)加入購(gòu)物車頁(yè)面。用戶將感興趣的商品加入購(gòu)物車后，向用戶推薦與已經(jīng)加購(gòu)的商品相搭配的商品。

3 商品搭配推薦方法分類

目前，學(xué)術(shù)界和工業(yè)界對(duì)推薦系統(tǒng)類型并沒(méi)有統(tǒng)一的劃分標(biāo)準(zhǔn)，傳統(tǒng)的推薦方法主要包括協(xié)同過(guò)濾推薦、基于內(nèi)容的推薦和混合推薦。本文通過(guò)充分調(diào)研當(dāng)前商品搭配推薦方法的研究情況，根據(jù)推薦方法中使用的文本、圖像數(shù)據(jù)類型并結(jié)合傳統(tǒng)推薦方法的分類，將當(dāng)前的研究主要分為如下3類。

3.1 基于商品內(nèi)容的搭配推薦

基于商品內(nèi)容的搭配推薦關(guān)注商品的內(nèi)在屬性信息，通過(guò)內(nèi)容相關(guān)性進(jìn)行搭配推薦,可以有效地解決冷啟動(dòng)問(wèn)題[16]。商品內(nèi)容一般包括文本信息與圖像信息。文本信息有標(biāo)題、價(jià)格和商品類目等，圖像信息可以通過(guò)深度學(xué)習(xí)技術(shù)進(jìn)行處理，從而生成搭配信息。在具體的搭配場(chǎng)景中，圖像一般聚焦于服飾類商品的搭配推薦，而標(biāo)題一般用于常規(guī)商品的搭配推薦。

(1)基于商品圖像的搭配推薦。

本文從圖像處理技術(shù)上分別介紹研究者們提出的基于商品圖像的搭配推薦。

①基于分割理解圖像的搭配推薦。Jagadeesh等人[17]通過(guò)圖像分割(Image Segmentation)算法從街頭照片中直接解析出相搭配的衣服，他們假設(shè)街頭照片中人們所穿的衣服是相搭配的，因此通過(guò)圖像分割算法把不同的衣服從圖像中分割出來(lái)后，這些衣服便形成了具有搭配關(guān)系的商品。Yamaguchi等人[18]通過(guò)計(jì)算視覺(jué)上的相似來(lái)擴(kuò)展由圖像分割所生成的搭配信息。Di等人[19]則做了更進(jìn)一步的探索，關(guān)注于樣式相關(guān)的精細(xì)化屬性信息，比如是否有紐扣、帽子等。他們首先以人工方式精細(xì)化地標(biāo)定了若干衣服，形成數(shù)據(jù)集WFC，然后利用這一數(shù)據(jù)集建立起基于屬性搭配的服裝搭配模型。

②基于卷積神經(jīng)網(wǎng)絡(luò)處理圖像的搭配推薦。目前深度學(xué)習(xí)已成為互聯(lián)網(wǎng)大數(shù)據(jù)和人工智能的一個(gè)研究熱潮[20]，卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)中一種重要的應(yīng)用模型，能較好地解決圖像中出現(xiàn)的復(fù)雜多變、低分辨率等問(wèn)題，在圖像處理領(lǐng)域得到了廣泛的應(yīng)用[21]。Mcauley等人[22]與Veit等人[23]通過(guò)圖像信息為所有類別中的商品生成搭配信息。他們先利用卷積神經(jīng)網(wǎng)絡(luò)處理商品的圖像信息，再利用圖像中所反映的相似性來(lái)衡量商品間的搭配程度。文獻(xiàn)[24]提出了基于深度學(xué)習(xí)的搭配推薦系統(tǒng)，首先根據(jù)用戶的歷史購(gòu)買數(shù)據(jù)篩選出召回集；其次通過(guò)計(jì)算商品標(biāo)題文本信息的余弦相似度，獲得待預(yù)測(cè)搭配商品的召回集；然后通過(guò)搭配類別過(guò)濾并根據(jù)其各自的命中率加權(quán)融合[25]；最終，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征，并使用邏輯回歸模型計(jì)算召回集同測(cè)試集的搭配概率，利用該概率對(duì)融合召回集進(jìn)行修正重排序，從而向用戶提供搭配推薦，進(jìn)行關(guān)聯(lián)銷售。實(shí)驗(yàn)表明，使用卷積神經(jīng)網(wǎng)絡(luò)提取的特征在邏輯回歸模型中會(huì)產(chǎn)生較好的分類效果，提高了搭配推薦的準(zhǔn)確度。

③基于特征融合的搭配推薦。雖然深度學(xué)習(xí)特征能夠很好地表示商品語(yǔ)義信息和全局信息，但商品搭配還需要更加著重關(guān)注商品的顏色、結(jié)構(gòu)等信息[26]。范宇航[27]針對(duì)服裝搭配推薦領(lǐng)域提出了基于特征融合的服裝搭配推薦，首先根據(jù)搭配圖集用聚類方法構(gòu)建服裝搭配空間；然后對(duì)用戶購(gòu)買的商品圖像提取其深度學(xué)習(xí)特征和BoF(Bag of Features)編碼的SIFT(Scale-Invariant Feature Transform)特征[28]并進(jìn)行融合，再使用去噪自編碼器對(duì)融合特征降維生成搭配特征；最后計(jì)算該特征所屬的搭配空間類別，進(jìn)而為用戶提供該類別的服裝搭配列表。該算法與基于卷積神經(jīng)網(wǎng)絡(luò)處理圖像的搭配推薦一樣，都使用了深度學(xué)習(xí)提取特征。深度學(xué)習(xí)的最大優(yōu)勢(shì)是能夠從大數(shù)據(jù)中自動(dòng)學(xué)習(xí)特征的表示，其中可以包含成千上萬(wàn)的參數(shù)，并在大量學(xué)習(xí)數(shù)據(jù)時(shí)有穩(wěn)定的表現(xiàn)，而不依賴于人工設(shè)計(jì)特征。

上述基于圖像搭配推薦的方法，實(shí)質(zhì)上大都是以2個(gè)商品圖像間視覺(jué)上的相似性來(lái)衡量2個(gè)商品的搭配程度[29]。視覺(jué)相似并不完全等同于相搭配，另外，處理圖像所需的計(jì)算量大，且圖像經(jīng)常包含大量噪聲。例如，1幅用于展示連衣裙的圖像，同時(shí)還包含了帽子、包包、涼鞋以及非常復(fù)雜的背景，這些信息都會(huì)對(duì)搭配模型造成干擾。

(2)基于商品標(biāo)題的搭配推薦。

為了使商品更容易被用戶通過(guò)搜索引擎訪問(wèn)，商家會(huì)把商品的重要屬性信息放在標(biāo)題中[30]。文獻(xiàn)[31]的研究發(fā)現(xiàn)，商品標(biāo)題不僅包括商品的外觀信息，還包括商品的類目、適合人群與季節(jié)等信息，所以商品的標(biāo)題相當(dāng)于是對(duì)商品全面而精準(zhǔn)的描述。

對(duì)于商品內(nèi)容的描述一般使用向量空間模型VSM(Vector Space Model)[32]。向量空間模型可以將文本內(nèi)容轉(zhuǎn)化為便于進(jìn)行數(shù)學(xué)運(yùn)算的向量形式，常用TF-IDF(Term Frequency-Inverse Document Frequency)[33]對(duì)文本內(nèi)容中的詞重要性進(jìn)行刻畫。TF-IDF分別表示詞頻和反文檔頻率，是一種基于統(tǒng)計(jì)的方法。據(jù)此，為了克服基于圖像搭配推薦的不足，文獻(xiàn)[12]提出了基于服裝標(biāo)題內(nèi)容的搭配推薦算法，通過(guò)計(jì)算上衣與褲子的標(biāo)題相似度來(lái)進(jìn)行搭配預(yù)測(cè)。首先融合預(yù)測(cè)集合中的所有上衣與褲子的標(biāo)題，通過(guò)TF-IDF計(jì)算每個(gè)標(biāo)題的空間向量；然后計(jì)算需要預(yù)測(cè)的那件上衣與所有褲子的相似度，選取相似度較高的前幾名作為搭配候選集。實(shí)驗(yàn)表明，該方法能夠有效地提高搭配推薦的準(zhǔn)確度。

因此，基于商品內(nèi)容的搭配推薦利用商品的內(nèi)在屬性信息，不僅可以解決冷啟動(dòng)問(wèn)題，還可以有效提高推薦結(jié)果的準(zhǔn)確度。

3.2 基于協(xié)同過(guò)濾的搭配推薦

傳統(tǒng)協(xié)同過(guò)濾推薦算法在現(xiàn)實(shí)推薦情景中取得了很大的成功，主要分為基于用戶的協(xié)同過(guò)濾算法[34]和基于物品的協(xié)同過(guò)濾算法[35]2大類?；谟脩舻膮f(xié)同過(guò)濾算法的思想是當(dāng)一個(gè)用戶a需要個(gè)性化推薦時(shí)，先找到和他興趣相似的其他用戶，然后把那些用戶喜歡的、而用戶a沒(méi)有聽(tīng)說(shuō)過(guò)的物品推薦給他。基于物品的協(xié)同過(guò)濾算法的思想是向用戶推薦那些和他們之前喜歡的物品相似的物品，這個(gè)相似不是用物品內(nèi)容屬性的相似來(lái)衡量，而是喜歡物品A的用戶大都也喜歡物品B，則A與B相似。

此外，由于需要對(duì)大數(shù)據(jù)進(jìn)行處理，Salakhutdinov等人[36]提出了概率矩陣分解算法PMF(Probabilistic Matrix Factorization)，它利用低維近似矩陣分解模型，假設(shè)只有幾個(gè)因素會(huì)影響各個(gè)用戶的興趣，將用戶(商品)映射到低維的特征空間中，然后將評(píng)分矩陣重構(gòu)，并用重構(gòu)的低維矩陣預(yù)測(cè)用戶對(duì)商品的評(píng)分，最后進(jìn)行相應(yīng)的推薦。實(shí)驗(yàn)結(jié)果表明，基于矩陣分解的協(xié)同過(guò)濾推薦算法可以有效地對(duì)大數(shù)據(jù)進(jìn)行處理。

眾多研究者受傳統(tǒng)協(xié)同過(guò)濾的啟發(fā)，將協(xié)同過(guò)濾思想引入到搭配推薦領(lǐng)域，并提出了多種基于協(xié)同過(guò)濾的搭配推薦算法。本文從技術(shù)使用上將協(xié)同過(guò)濾搭配推薦分為如下2類：

(1)基于二部圖的協(xié)同過(guò)濾搭配推薦。

莫紅[37]提出了基于二部圖的個(gè)性化搭配推薦。首先，對(duì)歷史行為中用戶與商品的交互關(guān)系應(yīng)用基于二部圖的協(xié)同過(guò)濾推薦技術(shù)，通過(guò)二部圖中的資源分配等方法間接獲取用戶間的影響權(quán)重，以獲取相似用戶群。然后，遍歷相似用戶的購(gòu)物記錄，將相似用戶購(gòu)買過(guò)的而目標(biāo)用戶沒(méi)有購(gòu)買過(guò)的商品推薦給目標(biāo)用戶，從而提供搭配推薦。這種基于二部圖的協(xié)同過(guò)濾搭配推薦，不需要進(jìn)行用戶間距離的計(jì)算，因此能夠解決數(shù)據(jù)稀疏問(wèn)題。

(2)基于二元關(guān)系的協(xié)同過(guò)濾搭配推薦。

協(xié)同過(guò)濾主要解決的是二元關(guān)系[38]中的過(guò)濾問(wèn)題，不關(guān)心用戶與商品各自的具體內(nèi)容信息，只要存在用戶對(duì)商品間的二元關(guān)系就可以通過(guò)協(xié)同過(guò)濾進(jìn)行推薦。在服裝搭配領(lǐng)域同樣存在這種二元關(guān)系，即上衣服裝與下衣服裝的搭配關(guān)系。因此，可以將協(xié)同過(guò)濾算法的用戶與商品的評(píng)分關(guān)系映射到上衣服裝與下衣服裝搭配關(guān)系上，挖掘潛在的上、下服裝搭配模式。趙光明[12]提出了服裝搭配協(xié)同推薦算法，主要利用具有相同搭配的服裝之間具有相似性的關(guān)系，通過(guò)將Jaccard集合相似度度量算法與文本重要性刻畫TF-IDF的思想相結(jié)合計(jì)算上衣服裝間的相似度，最終通過(guò)相似的服裝進(jìn)行搭配協(xié)同推薦。

由以上的介紹與分析可知，基于協(xié)同過(guò)濾的搭配推薦主要基于用戶與商品的交互數(shù)據(jù)進(jìn)行推薦，因此向用戶推薦的結(jié)果更具多樣性，從而挖掘用戶潛在的興趣愛(ài)好。

3.3 混合搭配推薦

隨著信息技術(shù)的發(fā)展，出現(xiàn)了更多來(lái)源的其他類型數(shù)據(jù)，傳統(tǒng)搭配推薦算法具有一定局限性[39]。據(jù)此，研究者們提出了混合搭配推薦方法，將多種搭配推薦算法進(jìn)行優(yōu)化組合，從而進(jìn)行搭配推薦。

姚靜天[15]從商品搭配性考量的角度提出了基于排序?qū)W習(xí)的混合搭配推薦算法。該算法首先通過(guò)挖掘商品的文本內(nèi)容、領(lǐng)域知識(shí)[40]和用戶交互行為中的搭配信息，構(gòu)建搭配度模型分別生成表示商品間搭配程度的評(píng)分矩陣，將該矩陣作為算法的輸入數(shù)據(jù)，從而生成排序?qū)W習(xí)所需的訓(xùn)練集。然后利用基于列表級(jí)的排序?qū)W習(xí)算法ListNet算法[41]進(jìn)行訓(xùn)練，得到用于融合子搭配度模型的排序函數(shù)，融合過(guò)程如下所示：(1)利用容量為K的最大堆獲得每個(gè)子搭配度最高的K個(gè)項(xiàng)目；(2)根據(jù)驗(yàn)證集評(píng)估每個(gè)候選子集的召回率，確定混和比例；(3)按確定的比例將候選子集交叉混和。最后將融合后的候選集輸入重排序模塊生成最終的搭配推薦列表。該算法混合了基于文本內(nèi)容、領(lǐng)域知識(shí)、用戶交互反饋3種搭配度模型，可以有效地緩解數(shù)據(jù)稀疏性和冷啟動(dòng)帶來(lái)的影響。

相似地，張智勃[42]也利用商品的文本信息和用戶行為信息，提出了基于內(nèi)容及行為過(guò)濾的混合搭配推薦算法，不同的是，后者新提出了虛擬子類目的概念。具體實(shí)現(xiàn)過(guò)程如下：首先利用商品的標(biāo)題、類目及行為數(shù)據(jù)對(duì)商品的搭配關(guān)系進(jìn)行建模，分別產(chǎn)生虛擬子類目搭配度矩陣、商品文本相似度矩陣、商品主題相似度矩陣和商品購(gòu)買相似度矩陣。然后把4個(gè)矩陣對(duì)應(yīng)的相似度值歸一化、標(biāo)準(zhǔn)化當(dāng)作分類器的特征，將2個(gè)商品的搭配對(duì)作為1個(gè)樣本，對(duì)樣本值進(jìn)行不同比例的采樣，采用不同的梯度提升決策樹(shù)GBDT(Gradient Boosting Decision Tree)[43]模型進(jìn)行學(xué)習(xí)；再通過(guò)邏輯回歸模型對(duì)產(chǎn)出的GBDT模型進(jìn)行線性擬合，得到最終的排序模型。最后通過(guò)該模型對(duì)每個(gè)樣本產(chǎn)出的值的大小進(jìn)行排序，獲得與給定商品搭配度最高的商品。實(shí)驗(yàn)表明，該算法有效地提高了搭配推薦的多樣性和新穎性。

在服裝搭配推薦領(lǐng)域，文獻(xiàn)[37]提出了穿衣混合搭配推薦方法。通過(guò)暴力融合法，直接將基于關(guān)聯(lián)規(guī)則獲得的流行穿衣搭配和基于協(xié)同過(guò)濾獲得的個(gè)性化穿衣搭配2部分的推薦結(jié)果進(jìn)行結(jié)合，然后按照用戶偏好類別對(duì)推薦結(jié)果進(jìn)行排序。

由以上介紹與分析可知，混合搭配推薦方法大都包括融合過(guò)濾過(guò)程，這一過(guò)程是為了應(yīng)對(duì)大數(shù)據(jù)量的情況，用來(lái)縮小排序?qū)W習(xí)的計(jì)算范圍，減少后續(xù)算法數(shù)據(jù)量，提高算法整體運(yùn)行效率。同時(shí)，混合搭配推薦方法將多種搭配算法進(jìn)行優(yōu)化組合，可以有效利用多種類型的數(shù)據(jù)，從而既能提高推薦準(zhǔn)確率，又能豐富推薦結(jié)果，克服單一推薦方法推薦范圍窄的問(wèn)題。

4 商品搭配推薦方法的性能評(píng)估

對(duì)于搭配算法而言，我們希望對(duì)于每個(gè)商品，在生成的可以與其搭配的商品列表中，越排在前面的商品，與該商品的搭配度越高。因此，評(píng)估搭配算法的核心是推薦結(jié)果是否與專家給出的搭配組合結(jié)果相匹配，匹配度越高，則說(shuō)明搭配算法的預(yù)測(cè)性能越好。為了實(shí)現(xiàn)這樣的評(píng)估效果，一般對(duì)于每個(gè)待測(cè)商品采用平滑后的平均準(zhǔn)確率MAP(Mean Average Precision)[44]來(lái)評(píng)測(cè)推薦結(jié)果。具體如式(3)所示：

(3)

其中，api的計(jì)算方法如式(4)所示：

(4)

其中，K表示推薦結(jié)果中商品的數(shù)量，p(n)表示返回前n個(gè)推薦商品的準(zhǔn)確率。 如果推薦的第n個(gè)商品在用戶購(gòu)買商品集合中，則Δ(n)=1，否則Δ(n)=0。I表示待預(yù)測(cè)的商品數(shù)量。對(duì)于每個(gè)推薦商品的api，在待預(yù)測(cè)商品集合中求平均值得到最終的推薦準(zhǔn)確率。MAP的值在0～1，MAP越接近1，說(shuō)明推薦準(zhǔn)確率越高。

5 商品搭配推薦方法的對(duì)比

一個(gè)好的搭配推薦系統(tǒng)需要同時(shí)考慮用戶、商品提供者和網(wǎng)站這3方的利益[45]，因此本文結(jié)合傳統(tǒng)推薦系統(tǒng)常用的評(píng)價(jià)指標(biāo)，提出了用戶滿意度、準(zhǔn)確度、覆蓋率、多樣性、新穎性和實(shí)時(shí)性這6個(gè)搭配推薦質(zhì)量的評(píng)價(jià)指標(biāo)。

通過(guò)對(duì)前面介紹的3類搭配推薦方法所涉及的相關(guān)論文進(jìn)行仔細(xì)的統(tǒng)計(jì)與分析，得出如表2所示的搭配推薦方法對(duì)比表。

從表2可以看出，所有的搭配推薦方法都在一定程度上提高了推薦結(jié)果的準(zhǔn)確度，其中，混合搭配推薦在用戶滿意度、準(zhǔn)確度、覆蓋率、多樣性、新穎性和實(shí)時(shí)性這6個(gè)方面均優(yōu)于其他搭配推薦方法。由此可見(jiàn)，混合搭配推薦比其他2類搭配推薦的效果更好。

6 商品搭配推薦方法的發(fā)展趨勢(shì)

隨著信息技術(shù)的發(fā)展，在線購(gòu)物已成為日常所需，這促使商品搭配推薦方法的研究取得了長(zhǎng)足的進(jìn)步。但是，現(xiàn)有方法仍存在一些局限性，例如，(1)長(zhǎng)尾問(wèn)題[46]；(2)推薦的實(shí)時(shí)性低；(3)多源異構(gòu)數(shù)據(jù)的融合還沒(méi)有很好地解決，等等。這些問(wèn)題的出現(xiàn)與個(gè)性化用戶需求的變化都凸顯了技術(shù)支撐的局限性，因此催生出了一些新的技術(shù)熱點(diǎn)，其中主要包含如下幾個(gè)方面。

Table 2 Comparison of matching recommendation methods表2 搭配推薦方法的對(duì)比

6.1 多個(gè)商品的套裝搭配推薦

目前的商品搭配推薦研究主要是在檢索的框架下，對(duì)目標(biāo)商品進(jìn)行單一商品的推薦[22,17]。這些工作更多的是考慮兩兩商品之間的關(guān)系，而不是將包含多個(gè)商品的套裝作為一個(gè)整體來(lái)進(jìn)行聯(lián)合推薦，也就是套裝組合推薦。例如，針對(duì)一件襯衫，在推薦可與其搭配的褲子的同時(shí)，還可推薦與其搭配的帽子、眼鏡、鞋子等多件商品。

現(xiàn)有的對(duì)商品搭配推薦方法的研究大多聚焦于2個(gè)商品的搭配推薦，而對(duì)更具挑戰(zhàn)性的多個(gè)商品的搭配推薦方法的研究還相對(duì)較少。Hu等人[47]利用一個(gè)功能性的張量分解對(duì)套裝進(jìn)行個(gè)性化推薦的估計(jì)。他們的工作考慮了用戶的個(gè)性化推薦，但由于他們使用的是手動(dòng)提取的特征，沒(méi)有將這些作為一個(gè)整體來(lái)考慮，使得個(gè)性化推薦的性能很低。文獻(xiàn)[48]對(duì)商品的用戶向量進(jìn)行二值化表示，使得推薦系統(tǒng)的效率得到了提升。因此，多個(gè)商品的套裝搭配推薦的研究將一方面有助于為用戶提供搭配依據(jù)，提高用戶的上網(wǎng)效率和網(wǎng)購(gòu)體驗(yàn)；另一方面，通過(guò)分析大量的用戶及商品數(shù)據(jù)，挖掘商品之間的搭配關(guān)系，可以提高推薦的準(zhǔn)確度和多樣性。

6.2 多源異構(gòu)數(shù)據(jù)的融合

隨著互聯(lián)網(wǎng)應(yīng)用的不斷發(fā)展，用戶生成了各種結(jié)構(gòu)類型的數(shù)據(jù)。研究者們?cè)趯?duì)搭配知識(shí)的理解上，從這些數(shù)據(jù)中挖掘搭配關(guān)系。雖然這些數(shù)據(jù)是推薦系統(tǒng)中不可或缺的部分，但它們來(lái)源多樣，類型各異。并且，每個(gè)用戶都有自己獨(dú)特的審美和生活習(xí)慣，所以將各種類型的數(shù)據(jù)都融合到面向用戶的商品搭配推薦技術(shù)中，將會(huì)實(shí)現(xiàn)根據(jù)用戶各自的需求和習(xí)慣推薦不同的搭配方案，從而進(jìn)一步提高商品搭配的用戶體驗(yàn)。

因此，如何設(shè)計(jì)一套有效的算法來(lái)統(tǒng)一處理多源異構(gòu)數(shù)據(jù)，是未來(lái)的發(fā)展趨勢(shì)。文獻(xiàn)[15]利用表示學(xué)習(xí)的相關(guān)理論和方法，對(duì)這些多源異構(gòu)數(shù)據(jù)進(jìn)行統(tǒng)一的特征表示。但是，各個(gè)研究方向的專家由于自身研究方向的局限性，無(wú)法對(duì)其他類型的數(shù)據(jù)進(jìn)行聯(lián)合挖掘，所以有待進(jìn)一步研究。另外，這種處理多源異構(gòu)數(shù)據(jù)的算法效果還依賴于不同模型生成結(jié)果的融合方法，通過(guò)融入多種類型的用戶數(shù)據(jù)信息，可以讓數(shù)據(jù)集更加豐富，從而為用戶提供更加精準(zhǔn)的推薦。因此，未來(lái)還需要研究如何更好地將各個(gè)子模型的結(jié)果進(jìn)行融合。

6.3 基于知識(shí)圖譜的搭配推薦

隨著大數(shù)據(jù)的廣泛應(yīng)用，傳統(tǒng)推薦系統(tǒng)在挖掘數(shù)據(jù)價(jià)值上存在的問(wèn)題正在限制其性能發(fā)揮[49]。知識(shí)圖譜的出現(xiàn)則為推薦系統(tǒng)的改進(jìn)提供了一條新的有效途徑。知識(shí)圖譜是一種基于圖的數(shù)據(jù)結(jié)構(gòu)，由節(jié)點(diǎn)和邊組成,它蘊(yùn)含了豐富的知識(shí)，這些知識(shí)可以精確地描述商品和用戶的屬性。因此，知識(shí)圖譜與推薦技術(shù)的融合成為了提升推薦系統(tǒng)性能的發(fā)展趨勢(shì)。

目前研究者們提出的基于知識(shí)圖譜的推薦技術(shù)皆是通過(guò)計(jì)算商品之間的相似度來(lái)進(jìn)行推薦的。由于知識(shí)圖譜可以有效地整合多源異構(gòu)數(shù)據(jù)，對(duì)互聯(lián)網(wǎng)上的數(shù)據(jù)進(jìn)行知識(shí)抽取，獲得更加細(xì)粒度的用戶和商品的特征信息。因此，可以將知識(shí)圖譜結(jié)合搭配推薦技術(shù)來(lái)解決目前搭配推薦技術(shù)中存在的多源異構(gòu)數(shù)據(jù)的特征提取問(wèn)題。如此，搭配推薦技術(shù)可以更精準(zhǔn)地計(jì)算商品與商品、用戶與商品以及用戶與用戶之間的相關(guān)性，增強(qiáng)數(shù)據(jù)的語(yǔ)義信息，以進(jìn)一步提高推薦準(zhǔn)確度，從而提高用戶體驗(yàn)和系統(tǒng)性能。

7 結(jié)束語(yǔ)

隨著大數(shù)據(jù)時(shí)代的到來(lái)，電子商務(wù)高速發(fā)展，用戶對(duì)購(gòu)物平臺(tái)提供個(gè)性化推薦的體驗(yàn)要求越來(lái)越高。學(xué)術(shù)界和工業(yè)界圍繞這一需求實(shí)現(xiàn)了方便、智能和面向用戶的商品搭配推薦技術(shù)。該技術(shù)不僅能有效地提升電子商務(wù)網(wǎng)站的轉(zhuǎn)化率，還可以增強(qiáng)推薦系統(tǒng)的發(fā)現(xiàn)和探索能力，在一定程度上既提高了用戶購(gòu)物體驗(yàn)，又促進(jìn)了商品銷售，增加了商家的經(jīng)濟(jì)收入。因此，商品搭配推薦技術(shù)的研究具有很大的商業(yè)價(jià)值和社會(huì)意義。本文分門別類地對(duì)商品搭配大數(shù)據(jù)推薦方法的研究現(xiàn)狀和進(jìn)展進(jìn)行了較為全面的考察，通過(guò)分析對(duì)比，總結(jié)得出混合搭配推薦是目前最好的搭配推薦方法。但是，混合搭配推薦的效果很大程度上依賴于多源異構(gòu)數(shù)據(jù)的處理與融合，因此本文最后討論了商品搭配推薦未來(lái)的發(fā)展趨勢(shì)，尤其是引入知識(shí)圖譜技術(shù)來(lái)處理多源異構(gòu)數(shù)據(jù)，將有效提升搭配推薦效果。通過(guò)本文的研究總結(jié)，希望給從事個(gè)性化推薦領(lǐng)域的研究者和業(yè)界人士提供幫助，促進(jìn)搭配推薦技術(shù)更好地應(yīng)用與發(fā)展。