下一個(gè)購物籃推薦系統(tǒng)算法研究?

王偉玉

（1.中國科學(xué)院計(jì)算技術(shù)研究所 北京 100190）（2.中國科學(xué)院大學(xué) 北京 100190）

1 引言

推薦系統(tǒng)主要根據(jù)用戶的歷史行為記錄來分析并挖掘用戶的興趣偏好，預(yù)測(cè)用戶的行為，從而對(duì)用戶做出相應(yīng)推薦。推薦系統(tǒng)在網(wǎng)絡(luò)和電子商務(wù)領(lǐng)域得到了廣泛應(yīng)用。

電商平臺(tái)會(huì)產(chǎn)生并記錄下海量的用戶購物行為數(shù)據(jù)，這些行為數(shù)據(jù)通常是按照時(shí)間順序被記錄下來，因此可以從中挖掘時(shí)序、用戶偏好等有價(jià)值的特征用于為用戶提供個(gè)性化推薦。但在現(xiàn)實(shí)生活中，用戶一般是在不同時(shí)間（可能為某時(shí)間點(diǎn)或較短時(shí)間段）購買一系列的商品。由于時(shí)間間隔較短，這些購物行為通常無明顯的時(shí)序特征。另一方面，對(duì)于用戶的拼單行為，很多購物行為會(huì)同時(shí)發(fā)生，這些購物行為就不能按時(shí)序進(jìn)行分析。所以，需要將用戶購物歷史數(shù)據(jù)按時(shí)間順序切分到不同的購物籃，把購物籃內(nèi)的商品當(dāng)作一個(gè)整體，忽略內(nèi)部的時(shí)間順序，只研究購物籃之間的時(shí)間順序［1］。

推薦系統(tǒng)的大多相關(guān)研究側(cè)重于把每個(gè)商品看作獨(dú)立整體，對(duì)其單獨(dú)進(jìn)行推薦，未考慮商品間的時(shí)序相關(guān)性。但在真實(shí)情況中，用戶的購物籃里往往同時(shí)含有幾件商品，它們很可能是有聯(lián)系的，而非彼此獨(dú)立。有研究表明用戶購物籃中的商品會(huì)影響其下一個(gè)購物籃中的商品，即用戶的歷史交易記錄對(duì)用戶的下次購買行為有較強(qiáng)的關(guān)聯(lián)性。

下一個(gè)購物籃推薦［2～3］（next basket recommen?dation）就是基于上述背景提出的，在推薦系統(tǒng)中，已成為備受關(guān)注且有重大意義的任務(wù)。

下一個(gè)購物籃推薦根據(jù)用戶的歷史購買記錄（通常是交易序列）預(yù)測(cè)用戶下一時(shí)刻的購買行為，旨在給用戶推薦下次購物籃中可能想購買的一些商品。下一個(gè)購物籃推薦是基于用戶隱性反饋行為（如點(diǎn)擊或購買等）的推薦系統(tǒng)的一個(gè)典型應(yīng)用。

從對(duì)用戶反饋行為數(shù)據(jù)建模的不同角度出發(fā)，下一個(gè)購物籃推薦的建模方法主要分為三種：總體推薦模型［4～7］、時(shí)序推薦模型［8～9］和混合推薦模型［10～14］。

總體推薦模型把用戶歷史購買的商品都放入一個(gè)集合中，根據(jù)用戶的整個(gè)購物歷史做出推薦，學(xué)習(xí)總體偏好，不考慮用戶行為的時(shí)序特征。

時(shí)序推薦模型將用戶的購物交易視為時(shí)間序列，根據(jù)用戶之前的購物歷史預(yù)測(cè)下一次購買，捕獲用戶的時(shí)序行為進(jìn)行推薦。

混合推薦模型同時(shí)考慮用戶的時(shí)序行為和總體偏好，綜合上述兩種模型的特點(diǎn)，以獲得更好的推薦。

在實(shí)際應(yīng)用中，上述方法均有可取之處，同時(shí)也存在不足。本文對(duì)下一個(gè)購物籃推薦算法整理分析，闡述每種方法的優(yōu)勢(shì)和不足，并貫穿了該算法的發(fā)展情況、存在問題和研究現(xiàn)狀。最后對(duì)下一個(gè)購物籃推薦的發(fā)展進(jìn)行總結(jié)，并提出了四點(diǎn)其未來可研究發(fā)展的方向，加以展望。

2 下一個(gè)購物籃推薦研究進(jìn)展

為了實(shí)現(xiàn)下一個(gè)購物籃推薦的目標(biāo)，從不同角度對(duì)用戶反饋行為數(shù)據(jù)進(jìn)行建模。表1 總結(jié)了現(xiàn)有的下一個(gè)購物籃推薦算法。接下來對(duì)下一個(gè)購物籃推薦算法進(jìn)行詳細(xì)介紹。

2.1 總體推薦模型

總體推薦模型（General Recommender）是指根據(jù)用戶的整個(gè)購物歷史記錄來預(yù)測(cè)用戶下一時(shí)刻的購買行為，通過學(xué)習(xí)挖掘出用戶通常感興趣的商品，產(chǎn)生推薦結(jié)果［12，16］。該模型不考慮用戶行為的時(shí)序特征，能捕獲到用戶的總體偏好。其中最廣泛使用的是協(xié)同過濾推薦。

協(xié)同過濾（Collaborative Filtering，CF）推薦算法［15］被認(rèn)為是當(dāng)前最廣泛認(rèn)可和采用的推薦技術(shù)之一，協(xié)同過濾的目標(biāo)是根據(jù)用戶先前的喜好和其他志趣相投的用戶意見推測(cè)該用戶感興趣的信息對(duì)其進(jìn)行個(gè)性化推薦。在下一個(gè)購物籃推薦系統(tǒng)中，可用該算法對(duì)用戶下次的購物做預(yù)測(cè)。

協(xié)同過濾推薦算法主要分為兩類［4］：基于記憶的（Memory-based）和基于模型的（Model-based）協(xié)同過濾算法?；谟洃浀膮f(xié)同過濾算法為用戶選擇興趣相近的鄰居用戶，根據(jù)鄰居用戶對(duì)其他商品的評(píng)分預(yù)測(cè)此用戶對(duì)商品的喜好程度。其中基于記憶的算法又包含了基于用戶和基于項(xiàng)目的協(xié)同過濾算法［15］?；谟脩舻膮f(xié)同過濾算法主要是找相似的用戶，基于項(xiàng)目的協(xié)同過濾算法關(guān)鍵在于找相似的商品。Goldberg等［5］的工作屬于基于用戶的協(xié)同過濾算法?；谀Ｐ偷膮f(xié)同過濾算法通過訓(xùn)練出用戶評(píng)分模型，利用此模型預(yù)測(cè)未知數(shù)據(jù)，來進(jìn)行推薦［17］，該算法通常應(yīng)用貝葉斯網(wǎng)絡(luò)、聚類、矩陣分解、基于規(guī)則等模型［4］，其中矩陣分解（Matrix Factorization，MF）是成功的協(xié)同過濾模型［6］，它是分解由用戶整個(gè)歷史購物記錄數(shù)據(jù)構(gòu)建的用戶-項(xiàng)目矩陣，用戶的總體偏好可以由潛在向量表示，再據(jù)此預(yù)測(cè)用戶下次可能買入的商品。例如，某運(yùn)動(dòng)員總是買各種運(yùn)動(dòng)器材，通過潛在向量可能看出他對(duì)運(yùn)動(dòng)感興趣，因此對(duì)其推薦運(yùn)動(dòng)用品。雖然該模型相對(duì)簡(jiǎn)單直接，易于實(shí)現(xiàn)，預(yù)測(cè)效果較好，但由于用戶評(píng)過分的項(xiàng)目往往有限，使得用戶-項(xiàng)目矩陣具有稀疏性，對(duì)推薦質(zhì)量造成不好的影響。

表1 現(xiàn)有的下一個(gè)購物籃推薦算法總結(jié)

Lee 等［7］提出一種將二元邏輯回歸模型與主成分分析相結(jié)合的協(xié)同過濾推薦模型，其中對(duì)購物籃數(shù)據(jù)（二元評(píng)分矩陣）中的項(xiàng)目做主成分分析，使用主成分作為預(yù)測(cè)變量，用二元邏輯回歸模型進(jìn)行分類。該模型有助于解決稀疏性問題，推薦效果有明顯改進(jìn)。但對(duì)于在線推薦系統(tǒng)，需要定期更新模型。

協(xié)同過濾模型的優(yōu)勢(shì)是能捕獲用戶的總體偏好，但難以考慮用戶歷史購物交易記錄的時(shí)序特征。

2.2 時(shí)序推薦模型

由于用戶的行為會(huì)受其歷史行為的影響，因此研究人員逐漸認(rèn)識(shí)到序列信息在推薦系統(tǒng)中的重要性［18］。時(shí)序推薦模型（Sequential Recommender）將用戶的交易行為視為時(shí)間序列，旨在根據(jù)用戶之前的交易信息預(yù)測(cè)下一次想購買的商品（如用戶購買了一個(gè)茶壺，下一次可能會(huì)為其推薦買了該茶壺用戶買過的茶葉）。時(shí)序推薦模型的主要優(yōu)勢(shì)是能捕獲用戶的時(shí)序行為，即交易商品間的時(shí)序關(guān)系，來進(jìn)行推薦。

由于馬爾可夫鏈?zhǔn)且环N研究狀態(tài)轉(zhuǎn)移和變化的理論，很多研究將其應(yīng)用在時(shí)間序列分析中，通過分析變量的最近或現(xiàn)在的變化情況預(yù)測(cè)其未來變化狀態(tài)。在時(shí)序推薦模型中基于馬爾可夫鏈模型對(duì)用戶進(jìn)行下次所需項(xiàng)目的推薦是典型方法。

在一個(gè)隨機(jī)過程中，如果事件發(fā)生概率在t 時(shí)刻所處的狀態(tài)為已知時(shí)，它在t+1 時(shí)刻只與t 時(shí)刻的狀態(tài)有關(guān)，則稱該過程具有馬爾可夫性。時(shí)間和狀態(tài)都是離散的馬爾可夫過程稱為馬爾可夫鏈（Markov Chain，MC）［21］?；隈R爾可夫鏈的時(shí)序推薦模型是根據(jù)用戶上一時(shí)刻的交易行為來預(yù)測(cè)用戶下一時(shí)刻的交易行為，充分利用時(shí)序行為數(shù)據(jù)，考慮用戶行為的時(shí)序特征來進(jìn)行推薦。

Shani等［19］提出一種基于n-gram［20］的馬爾可夫鏈預(yù)測(cè)模型，并表明馬爾可夫鏈預(yù)測(cè)模型對(duì)下一個(gè)購物籃推薦是有效的。

隱馬爾可夫嵌入（Latent Markov Embedding，LME）模型［8］將用戶現(xiàn)有的音樂播放列表作為訓(xùn)練數(shù)據(jù)，學(xué)習(xí)歌曲的向量表示，用來為用戶自動(dòng)生成音樂播放列表。隱馬爾可夫嵌入算法不需要歌曲的內(nèi)容特征，而是通過使用歐幾里得距離嵌入，自動(dòng)從樣本播放列表中學(xué)習(xí)歌曲及歌曲序列的一般向量表示（類似于協(xié)同過濾的矩陣分解方法，使用用戶歷史行為來做未來推薦）。在隱空間中播放列表視為馬爾可夫鏈，每首歌曲被學(xué)習(xí)表示為該空間中的點(diǎn)。實(shí)證表明，該模型優(yōu)于n-gram 序列模型，精確度更高，因?yàn)樗磳⑿蛄性乜醋髟?，而是提供了在歐幾里得空間里歌曲的一般表示。

個(gè)性化馬爾可夫嵌入（Personalized Markov Embedding，PME）模型［9］對(duì)LME 模型［8］進(jìn)行了擴(kuò)展，用于對(duì)在線卡拉OK 用戶進(jìn)行下一首歌曲推薦。個(gè)性化馬爾可夫嵌入模型能有效地將歌曲向量表示和用戶偏好結(jié)合，根據(jù)用戶唱的最后一首歌，對(duì)候選歌曲的向量表示打分排序產(chǎn)生下一首推薦歌曲。他們首次提出將歌曲和用戶一起嵌入到歐幾里得空間中。在該空間里，歌曲和用戶的距離反映它們的關(guān)系度。個(gè)性化馬爾可夫嵌入模型可以在不需要歌曲任何內(nèi)容信息，僅憑與用戶唱歌的互動(dòng)史的情況下捕獲用戶偏好。

基于馬爾可夫鏈的時(shí)序推薦模型能從用戶的歷史交易數(shù)據(jù)中捕獲用戶時(shí)序偏好，但由于隨機(jī)過程的馬爾可夫性，總體偏好很難獲得，而且該類模型是對(duì)相鄰的時(shí)序行為進(jìn)行建模，研究相鄰狀態(tài)間的聯(lián)系，捕獲的是用戶交易的局部時(shí)序特征，還不能提取全局時(shí)序特征。

2.3 混合推薦模型

由于用戶下一次購買的商品不僅受之前所交易商品的影響，還與用戶的興趣（喜歡什么商品）密切相關(guān)。因此，可通過同時(shí)考慮用戶交易序列的時(shí)序特征和用戶總體偏好，綜合總體推薦模型和時(shí)序推薦模型的特點(diǎn)，構(gòu)建混合推薦模型（Hybrid Rec?ommender），達(dá)到更好的推薦效果。其中，分解個(gè)性化馬爾可夫鏈模型［10］將馬爾可夫鏈與矩陣分解相結(jié)合，在對(duì)時(shí)序行為建模的同時(shí)捕獲了用戶的總體偏好，朝此方向邁進(jìn)了一步。

分解個(gè)性化馬爾可夫鏈模型［10］（Factorizing Personalized Markov Chains，F(xiàn)PMC）為每個(gè)用戶先創(chuàng)建獨(dú)立轉(zhuǎn)移矩陣，再通過這些轉(zhuǎn)移矩陣得到轉(zhuǎn)移矩陣立方體，對(duì)立方體進(jìn)行張量分解可得到用戶、商品間的關(guān)系。因?yàn)榉纸鈺r(shí)考慮了用戶整個(gè)購物歷史，而且可以對(duì)每?jī)蓚€(gè)相鄰購物籃之間的時(shí)序行為進(jìn)行建模，所以FPMC 模型綜合考慮了用戶總體偏好（通過用戶和商品的相互影響）和局部時(shí)序行為（通過相鄰購物籃間商品的相互影響）。實(shí)驗(yàn)結(jié)果表明它比單獨(dú)的總體推薦模型和時(shí)序推薦模型推薦效果更好。但由于FPMC 模型基于馬爾可夫鏈假設(shè)，只研究了相鄰兩個(gè)購物籃的聯(lián)系，所以仍不能提取用戶行為的全局時(shí)序特征。而且，F(xiàn)PMC模型是矩陣分解（Matrix Factorization，MF）和非個(gè)性化馬爾可夫鏈（Factorizing unpersonalized Markov chain，F(xiàn)MC）的線性組合，它只能對(duì)多個(gè)因素進(jìn)行線性操作，不能捕獲因素間的復(fù)雜關(guān)聯(lián)。然而，在實(shí)際情況中，影響用戶下次購買有多個(gè)關(guān)聯(lián)因素，描繪他們間的相互作用很有價(jià)值。

近年來，隨著人工神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于計(jì)算機(jī)視覺、語音識(shí)別和自然語言處理等領(lǐng)域，并取得了突破性進(jìn)展。很多研究者也將神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到下一個(gè)購物籃推薦系統(tǒng)中，表現(xiàn)甚佳。

神經(jīng)網(wǎng)絡(luò)模型用于下一個(gè)購物籃推薦的優(yōu)勢(shì)主要體現(xiàn)在：神經(jīng)網(wǎng)絡(luò)模型自身結(jié)構(gòu)是層次化和序列化的，其中包括多層次的非線性操作，能自動(dòng)地從輸入特征中學(xué)習(xí)到更高級(jí)抽象的特征，捕獲到因素間的復(fù)雜聯(lián)系。能有效地利用大規(guī)模數(shù)據(jù)的優(yōu)勢(shì)和高性能計(jì)算能力，通過神經(jīng)網(wǎng)絡(luò)模型靈活的結(jié)構(gòu)，學(xué)習(xí)到更豐富的數(shù)據(jù)表示。

2015 年蘭艷艷等［11］首次提出將神經(jīng)網(wǎng)絡(luò)用于下一個(gè)購物籃推薦。該神經(jīng)網(wǎng)絡(luò)模型NN-Rec 由輸入層、隱藏層和輸出層構(gòu)成。首先，輸入層將用戶向量和用戶購物歷史里的（近k 個(gè)購物籃里的）商品向量拼接來獲得特征向量。然后隱藏層通過非線性操作將得到的特征向量進(jìn)行空間轉(zhuǎn)換，最后輸出層通過softmax 函數(shù)的映射得到候選商品的概率來進(jìn)行預(yù)測(cè)推薦?？梢钥闯觯琋N-Rec 模型融合了用戶總體偏好和時(shí)序行為（即，商品間的時(shí)序依賴）。該模型與FPMC 模型相比效果更好：NN-Rec模型可以通過改變輸入層的k 來捕獲最近多個(gè)購物籃產(chǎn)生的影響，而FPMC 模型僅能捕獲最近1 個(gè)購物籃產(chǎn)生的影響，即NN-Rec 模型可以捕獲更長(zhǎng)的時(shí)序依賴。而且在輸入層可以在不改變模型框架的情況下加入其它特征，相對(duì)靈活。NN-Rec 模型可通過選擇能捕獲更長(zhǎng)時(shí)序依賴的神經(jīng)網(wǎng)絡(luò)，加入其它特征來進(jìn)行改進(jìn)。

由于現(xiàn)實(shí)生活中用戶的興趣因素和交易序列因素并非各自獨(dú)立地對(duì)下一次購買產(chǎn)生影響。例如，用戶通常喜歡看科幻類型的電影，但是近期迷上了一個(gè)喜劇明星，看了該喜劇明星出演的喜劇電影，綜合用戶興趣和時(shí)序特征，下一次更好地推薦是該喜劇明星出演的科幻電影。然而基于興趣因素和時(shí)序因素假設(shè)獨(dú)立的情況下，僅對(duì)兩者進(jìn)行線性組合，理想的更好推薦可能無法獲得較高的推薦分?jǐn)?shù)，得不到期待的推薦效果。因此，基于神經(jīng)網(wǎng)絡(luò)的層次表達(dá)模型（Hierarchical Representation Model，HRM）［12］被提出來更好地解決下一個(gè)購物籃推薦中遇到的問題：該模型不僅能綜合考慮買一件商品導(dǎo)致買另一件商品的這種時(shí)序行為和用戶的總體偏好，而且通過在層間對(duì)表示向量使用非線性的聚合操作，能捕獲到用戶興趣向量和商品特征向量的非線性關(guān)系，即能對(duì)不同因素間的復(fù)雜聯(lián)系建模，捕獲到這些因素間的潛在影響。此模型有三層：第一層對(duì)用戶上一個(gè)購物籃里的商品向量進(jìn)行聚合操作，得到交易向量；第二層對(duì)用戶向量和第一層得到的交易向量進(jìn)行聚合，得到混合向量；第三層將得到的混合向量與候選商品向量進(jìn)行點(diǎn)積操作，再通過softmax 函數(shù)的映射，得到該候選商品出現(xiàn)在下一個(gè)購物籃中的概率。從而達(dá)到預(yù)測(cè)并推薦的目的。但該模型的不足是只能在每?jī)蓚€(gè)相鄰籃子之間建立局部時(shí)序行為，而有時(shí)兩個(gè)相鄰籃子間可能不存在關(guān)聯(lián)。

為了在訓(xùn)練模型中獲得更好地特征表達(dá)，更充分地挖掘因素間的復(fù)雜聯(lián)系，練緒寶等［13］利用了用戶多種不同類型的隱性反饋行為（點(diǎn)擊、收藏、加入購物車等），通過使用深度學(xué)習(xí)里的卷積神經(jīng)網(wǎng)絡(luò)對(duì)下一個(gè)購物籃推薦問題進(jìn)行建模。依據(jù)時(shí)間順序把從多角度刻畫后的用戶行為特征變換為二維平面作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，多窗口卷積層獲取其局部特征，池化層獲取其總體特征，來進(jìn)行模型訓(xùn)練。從而充分挖掘用戶和商品特征間的內(nèi)在聯(lián)系，將用戶對(duì)商品的時(shí)序行為和偏好相結(jié)合。與協(xié)同過濾推薦算法、基于馬爾可夫鏈的時(shí)序推薦模型不同，該模型把在下一時(shí)刻用戶是否購買某商品作為二元分類問題，實(shí)驗(yàn)結(jié)果表明該分類方法對(duì)預(yù)測(cè)將來固定時(shí)間內(nèi)的購買行為更有效。

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）是一種用于序列建模的深度學(xué)習(xí)方法，已被證明可以有效地捕獲用戶時(shí)序行為［22］，并具有對(duì)用戶整個(gè)歷史交易信息建模的能力。為了能挖掘出購物籃間的全局聯(lián)系，一種基于RNN 的新模型-動(dòng)態(tài)循環(huán)籃子模型（Dynamic RE?current bAsket Model，DREAM）［14］被提出，采用RNN對(duì)反映購物籃間相互作用的全局時(shí)序特征建模，并使用RNN 的隱狀態(tài)表示用戶隨時(shí)間變化的興趣動(dòng)態(tài)。DREAM 模型不僅學(xué)習(xí)用戶特征向量的表達(dá)、考慮了用戶興趣，還能對(duì)用戶所有時(shí)序的購物籃之間建立全局時(shí)序特征。它是通過使用迭代的方法學(xué)習(xí)用戶的向量表達(dá)，所以新的用戶的特征向量表達(dá)可以基于當(dāng)前向量來更新。而層次表達(dá)模型HRM 需要對(duì)新建的用戶商品矩陣進(jìn)行分解來獲得用戶的向量表示。DREAM模型在輸入層使用了非線性（最大池化）操作來學(xué)習(xí)購物籃的向量表示，表明非線性的聚合操作確實(shí)能很好地捕獲商品多因素間的關(guān)聯(lián)，獲得更好的推薦效果。循環(huán)協(xié)同過濾模 型（Recurrent Collaborative Filtering，RCF）［16］將RNN 和矩陣分解相結(jié)合，也捕獲了用戶的總體偏好和交易的全局時(shí)序特征。

由此可見，基于神經(jīng)網(wǎng)絡(luò)的混合推薦模型不僅能考慮用戶偏好，還能捕獲用戶交易的全局時(shí)序特征，通過其非線性操作來學(xué)習(xí)影響購買的因素間的關(guān)聯(lián)性，提高了下一個(gè)購物籃推薦系統(tǒng)的性能，能對(duì)用戶產(chǎn)生更加準(zhǔn)確的推薦結(jié)果，還有很大的發(fā)展完善空間。

3 展望

雖然現(xiàn)有的下一個(gè)購物籃推薦算法有很多優(yōu)點(diǎn)，但仍存在問題，有很大的發(fā)展?jié)摿Α１竟?jié)對(duì)下一個(gè)購物籃推薦的未來研究方向加以展望。

1）更好地學(xué)習(xí)交易的時(shí)序特征。循環(huán)神經(jīng)網(wǎng)絡(luò)RNN 雖然在處理序列數(shù)據(jù)獲得了很好的效果，由于其網(wǎng)絡(luò)結(jié)構(gòu)中存在閉環(huán)，使得之前的信息特征得以保留，理論上可以處理長(zhǎng)期的時(shí)序依賴問題。但是傳統(tǒng)RNN 在信息訪問當(dāng)前處理單元之前，需按順序通過所有之前的單元，隨著網(wǎng)絡(luò)層數(shù)增多，信息變長(zhǎng)，RNN 在訓(xùn)練過程中易遭受梯度消失或梯度爆炸問題，這樣就很難學(xué)到長(zhǎng)期的時(shí)序特征。在下一個(gè)購物籃推薦中隨著用戶歷史交易信息的增加，傳統(tǒng)RNN 捕獲用戶交易的時(shí)序特征的全面性可能會(huì)下降，影響推薦效果。因此，如何更好地學(xué)習(xí)用戶交易的時(shí)序特征，值得被研究。為了解決RNN 中的梯度問題，長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）和門控循環(huán)單元（Gat?ed Recurrent Unit，GRU）被提出，它們通過在輸入和循環(huán)輸入上使用門來調(diào)節(jié)網(wǎng)絡(luò)中的信息流，從而能捕獲更長(zhǎng)的時(shí)序依賴。IndRNN［23］已被證明可以處理比現(xiàn)有RNN 更長(zhǎng)的序列。可嘗試將LSTM、GRU 和IndRNN 等能學(xué)習(xí)長(zhǎng)期依賴的神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到下一個(gè)購物籃推薦系統(tǒng)中，能捕獲更長(zhǎng)的用戶交易時(shí)序特征。

2）引入更精細(xì)豐富的用戶和商品特征。提供準(zhǔn)確的推薦需要對(duì)用戶的興趣和真正需求，以及商品的特征有深入的了解［24］。現(xiàn)有的下一個(gè)購物籃推薦模型往往忽略了對(duì)用戶和商品的屬性特征進(jìn)行建模，比如對(duì)用戶的年齡、性別，商品的類型、價(jià)格，這些對(duì)用戶做出的購買決定都非常重要。為了在下一個(gè)購物籃推薦中引入重要的商品屬性，屬性感知神經(jīng)注意力模型（Attribute-aware Neural Atten?tive Model，ANAM）［25］被提出，通過使用聯(lián)合學(xué)習(xí)函數(shù)，將分別采用了注意力機(jī)制的商品和其類別信息進(jìn)行整合，有效地捕獲了用戶的興趣動(dòng)態(tài)，并驗(yàn)證了屬性信息可提高推薦效果。未來的研究中可考慮在建模時(shí)進(jìn)行用戶畫像，更細(xì)致地考慮不同類型用戶的偏好特點(diǎn)。另一方面，模型中引入更詳細(xì)的商品信息，如評(píng)論信息、價(jià)格信息等，來更好地捕捉用戶對(duì)商品的興趣變化，并研究多因素對(duì)用戶購買決策的影響［25］。

3）多維度推薦研究。當(dāng)前的下一個(gè)購物籃推薦大多是基于用戶和商品兩個(gè)維度進(jìn)行研究。然而用戶對(duì)商品的選擇通常會(huì)受到很多外界因素的影響，比如在特定的節(jié)日、地理位置購買有特定意義的商品，某商品在某時(shí)間段內(nèi)非常流行等，這些因素僅從用戶和商品自身特征是無法捕獲的。有研究表明，將傳統(tǒng)的二維用戶-項(xiàng)目推薦方法擴(kuò)展到多維很有意義［26］。因此，可以根據(jù)具體場(chǎng)景和實(shí)際情況，將除了用戶和商品以外的維度信息（如地理維度）考慮進(jìn)下一個(gè)購物籃推薦的研究中。

4）推薦的可解釋性。相關(guān)研究發(fā)現(xiàn)恰當(dāng)?shù)耐扑]理由可以提高用戶對(duì)給出的推薦結(jié)果的接受程度和對(duì)系統(tǒng)的信任度［27］，獲得更高的推薦成功率?；趨f(xié)同過濾的下一個(gè)購物籃推薦模型可以通過以相似用戶的購買，例如“購買了該產(chǎn)品的用戶也購買了”，為推薦理由對(duì)用戶進(jìn)行推薦，有一定的可解釋性。然而，神經(jīng)網(wǎng)絡(luò)模型本身缺乏可解釋性，用其進(jìn)行可解釋性推薦是項(xiàng)艱巨的任務(wù)?；谏窠?jīng)網(wǎng)絡(luò)的下一個(gè)購物籃推薦模型對(duì)于模型中所學(xué)習(xí)出來的特征向量，如用戶偏好向量和商品屬性向量難以直觀地解釋。如何向用戶解釋推薦結(jié)果，給出個(gè)性化多樣的推薦理由而不只是基于單一、無新意的理由模版及解釋可視化展示都值得進(jìn)行更好的研究。

所以還需對(duì)下一個(gè)購物籃推薦算法進(jìn)一步地研究和改進(jìn)，這對(duì)該領(lǐng)域的發(fā)展有重要的意義。

4 結(jié)語

本文首先闡述了下一個(gè)購物籃推薦與普通推薦系統(tǒng)的區(qū)別、內(nèi)涵及研究意義，并對(duì)其做基本介紹，然后對(duì)下一個(gè)購物籃推薦主要的三種方法：總體推薦模型、時(shí)序推薦模型和混合推薦模型進(jìn)行分析，其中總體推薦模型主要介紹了基于協(xié)同過濾的總體推薦模型，時(shí)序推薦模型介紹了基于馬爾可夫鏈的時(shí)序推薦模型，混合推薦模型介紹了分解個(gè)性化馬爾可夫鏈模型［10］和基于神經(jīng)網(wǎng)絡(luò)的混合推薦模型，闡述了每種方法的優(yōu)勢(shì)和不足，并貫穿了下一個(gè)購物籃推薦算法的發(fā)展情況、存在問題和研究現(xiàn)狀，最后提出了四點(diǎn)下一個(gè)購物籃推薦未來可研究和改進(jìn)的方向。本文的撰寫希望為該領(lǐng)域的人員及后續(xù)研究提供有益的參考。