计算机科学 ›› 2021, Vol. 48 ›› Issue (11A): 232-235.doi: 10.11896/jsjkx.201200010

• 大数据&数据科学 • 上一篇    下一篇

网上购物平台多推荐融合算法研究

朱育颉1, 刘虎沉2   

  1. 1上海大学管理学院 上海200444
    2 同济大学经济与管理学院 上海200092
  • 出版日期:2021-11-10 发布日期:2021-11-12
  • 通讯作者: 刘虎沉(huchenliu@tongji.edu.cn)
  • 作者简介:zhuyujie98@shu.edu.cn
  • 基金资助:
    国家自然科学基金项目(61773250)

Research on Multi-recommendation Fusion Algorithm of Online Shopping Platform

ZHU Yu-jie1, LIU Hu-chen2   

  1. 1 School of Management,Shanghai University,Shanghai 200444,China
    2 School of Economics and Management,Tongji University,Shanghai 200092,China
  • Online:2021-11-10 Published:2021-11-12
  • About author:ZHU Yu-jie,born in 1998,postgraduate.Her main research interests include machine learning and so on.
  • Supported by:
    National Natural Science Foundation of China(61773250).

摘要: 推荐系统能帮助用户有效解决信息过载问题,现已被广泛应用于各大网上的购物平台。对用户而言,好的推荐算法能够帮助其从海量商品中快速准确发现符合自己需求的商品;对商家而言,及时呈现给用户恰当的物品能帮助商家实现精准营销,发掘长尾商品并推荐给感兴趣的用户以提高销售额。协同过滤、基于内容推荐是目前应用成熟的推荐方法,但这些方法存在数据疏散、冷启动、可扩展性差和多媒体信息特征难以提取等问题。因此,文中提出基于融合LR-GBDT-XGBOOST的个性化推荐算法,可有效缓解上述问题。在阿里巴巴天池大数据竞赛公开数据集上进行实验,结果显示,该算法降低了推荐稀疏性,提高了推荐精度。

关键词: 电子商务, 推荐系统, 协同过滤, 混合推荐

Abstract: The recommender system can help users solve the problem of information overload effectively and has been widely applied in major online shopping platforms.For users,a good recommendation algorithm can help them find products which meet their needs from a large number of products.For merchants,timely presentation of appropriate items to users can help merchants achieve precision marketing,discover long-tail products and recommend them to users to increase sales.Collaborative filtering and content-based recommendation are currently mature recommendation methods,but these methods have problems such as data sparsity,cold start,poor scalability,and difficulty in extracting multimedia information features.Therefore,this paper proposes a personalized recommendation algorithm based on the fusion of LR-GBDT-XGBOOST,which can effectively alleviate the above problems.Experiments are carried out under the official dataset of the Alibaba Tianchi big data competition.The results show that the proposed algorithm reduces the recommended sparsity and improves the accuracy of the recommendation.

Key words: E-commerce, Recommender systems, Collaborative filtering, Mixed recommendation

中图分类号: 

  • TP18
[1]BORCHERS A,HERLOCKER J.Ganging up on informationoverload[J].Computer,1998,31(4):106-108.
[2]ADOMAVICIUS G,TUZHILIN A.Toward the next generation of recommender systems:a survey of the state-of-the-art and possible extensions[J].IEEE Transactions on Knowledge and Data Engineering,2005,17(6):734-749.
[3]YU H,LI J H.A recommendation algorithm to solve the cold start problem of new projects[J].Journal of Software,2015,26(6):1395-1408.
[4]PEREIRA A L V,HRUSCHKAE R.Simultaneous co-clustering and learning to address the cold start problem in recommender systems[J].Knowledge- Based Systems,2015,82:11-19.
[5]SHAMBOUR Q,LU J.An effective recommender system by unifying user and item trust information for B2B applications[J].Journal of Computer and System Sciences,2015,81(7):1110-1126.
[6]LEI M L.Research on shopping behavior based on Alibaba Big Data[J].Internet of Things Technology,2016,6(5):57-60.
[7]PAZZANI M J,BILLSUS D.Content-Based RecommendationSystems[C]//Adaptive Web.Springer-Verlag,2007:325-341.
[8]BREIMAN L,BREIMAN L,CUTLERR A.Random ForestsMachine Learning[J].Journal of Clinical Microbiology,2001,2:199-228.
[9]GOLDBERG D,NICHOLS D A,OKI B M,et al.Using collaborative filtering to weave an information TAPESTRY[J].Communications of the ACM,1992,35(12):61-70.
[10]RESNICK P,IACOVOU N,SUCHAK M,et al.GroupLens:an open architecture for collaborative filtering of netnews[C]//Proceedings of the 1994 ACM Conference on Computer Supported Cooperative Work.1994:175-186.
[11]VERBERT,MANOUSELIS N,OCHOA X,et al.Context-Aware Recommender Systems for Learning:A Survey and Future Challenges[J].IEEE Transactions on Learning Technologies,2012(4):318-335.
[1] 董晓梅, 王蕊, 邹欣开. 面向推荐应用的差分隐私方案综述[J]. 计算机科学, 2021, 48(9): 21-35.
[2] 詹皖江, 洪植林, 方路平, 吴哲夫, 吕跃华. 基于对抗性学习的协同过滤推荐算法[J]. 计算机科学, 2021, 48(7): 172-177.
[3] 刘荣, 张宁. 图片分析在电子商务中的应用现状与未来趋势——基于图片视觉和内容特征的研究综述[J]. 计算机科学, 2021, 48(6A): 137-142.
[4] 邵超, 宋淑米. 基于信任关系下用户兴趣偏好的协同过滤推荐算法[J]. 计算机科学, 2021, 48(6A): 240-245.
[5] 余笙, 李斌, 孙小兵, 薄莉莉, 周澄. 知识驱动的相似缺陷报告推荐方法[J]. 计算机科学, 2021, 48(5): 91-98.
[6] 武建新, 张志鸿. 融合用户评分与显隐兴趣相似度的协同过滤推荐算法[J]. 计算机科学, 2021, 48(5): 147-154.
[7] 肖诗涛, 邵蓥侠, 宋卫平, 崔斌. 面向协同过滤推荐的新型混合评分函数[J]. 计算机科学, 2021, 48(3): 113-118.
[8] 郝志峰, 廖祥财, 温雯, 蔡瑞初. 基于多上下文信息的协同过滤推荐算法[J]. 计算机科学, 2021, 48(3): 168-173.
[9] 韩立锋, 陈莉. 融合用户属性与项目流行度的用户冷启动推荐模型[J]. 计算机科学, 2021, 48(2): 114-120.
[10] 徐兵, 弋沛玉, 王金策, 彭舰. 知识图谱嵌入的高阶协同过滤推荐系统[J]. 计算机科学, 2021, 48(11A): 244-250.
[11] 余力, 杜启翰, 岳博妍, 向君瑶, 徐冠宇, 冷友方. 基于强化学习的推荐研究综述[J]. 计算机科学, 2021, 48(10): 1-18.
[12] 马理博, 秦小麟. 话题-位置-类别感知的兴趣点推荐[J]. 计算机科学, 2020, 47(9): 81-87.
[13] 骆佳磊, 孟利民. 基于路口相似度的信号配时方案推荐算法[J]. 计算机科学, 2020, 47(6A): 66-69.
[14] 邹海涛, 郑尚, 王琦, 于化龙, 高尚. 基于牛顿法的自适应高阶评分距离推荐模型研究[J]. 计算机科学, 2020, 47(6A): 494-499.
[15] 朱磊, 胡沁涵, 赵雷, 杨季文. 基于评分偏好和项目属性的协同过滤算法[J]. 计算机科学, 2020, 47(4): 67-73.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
[1] 刘洋, 张杰, 张慧. 一种改进的Retinex算法在图像去雾中的研究与应用[J]. 计算机科学, 2018, 45(6A): 242 -243 .
[2] 王莹, 郑丽伟, 张禹尧, 张晓妘. 面向中文APP用户评论数据的软件需求挖掘方法[J]. 计算机科学, 2020, 47(12): 56 -64 .
[3] 冯芙蓉, 张兆功. 目标轮廓检测技术新进展[J]. 计算机科学, 2021, 48(6A): 1 -9 .
[4] 孙正, 张小雪. 生物光声成像中声反射伪影抑制方法的研究进展[J]. 计算机科学, 2021, 48(6A): 10 -14 .
[5] 周欣, 刘硕迪, 潘薇, 陈媛媛. 自然交通场景中的车辆颜色识别[J]. 计算机科学, 2021, 48(6A): 15 -20 .
[6] 黄雪冰, 魏佳艺, 沈文宇, 凌力. 基于自适应加权重复值滤波和同态滤波的MR图像增强[J]. 计算机科学, 2021, 48(6A): 21 -27 .
[7] 江妍, 马瑜, 梁远哲, 王原, 李光昊, 马鼎. 基于分数阶麻雀搜索优化OTSU肺组织分割算法[J]. 计算机科学, 2021, 48(6A): 28 -32 .
[8] 冯霞, 胡志毅, 刘才华. 跨模态检索研究进展综述[J]. 计算机科学, 2021, 48(8): 13 -23 .
[9] 周文辉, 石敏, 朱登明, 周军. 基于残差注意力网络的地震数据超分辨率方法[J]. 计算机科学, 2021, 48(8): 24 -31 .
[10] 朝乐门, 尹显龙. 人工智能治理理论及系统的现状与趋势[J]. 计算机科学, 2021, 48(9): 1 -8 .