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： 隨著社會的飛速發展，生活節奏不斷加快，消費者逐漸開始注重購買服裝的效率，對個性化服裝的需求也在不斷增加。所以，個性化服裝推薦系統對于消費者和商家來說都尤為重要。本文利用皮爾森相關系數和矩陣分解的有關理論，在K-NN（k-Nearest Neighbor）算法和SVD（Singular Value Decomposition）算法的基礎上構建基于局部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++.

關鍵詞： 智能推薦；服裝推薦算法；加權矩陣；矩陣分解；協同過濾

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

中圖分類號：TP311 文獻標識碼：A 文章編號：1006-4311（2018）10-0173-04

0 引言

網絡技術的迅速發展以及互聯網應用的普及，使人們的生活更加的方便，但同時也給人們帶來了信息過載的問題，其中由于服裝的種類和樣式確實很多，給用戶的選購帶來了很大的困難，用戶很難在海量的服裝數據庫中找到一款讓自己滿意的商品，這時候就需要在服裝選購方面提供一些便利，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系數，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，接著根據服裝特有的屬性，結合現有的推薦系統算法，有針對性地結合服裝推薦的特點，構建新的服裝推薦算法。本文的創新之處在于把K-NN算法和SVD++算法結合在一起，可以避免用戶-服裝矩陣的稀疏問題和計算精度低等問題。推薦系統的應用可以幫助用戶從繁雜的信息中獲取所需信息，從而促進服裝銷售并吸引用戶。

1 推薦系統的有關介紹

1.1 推薦系統介紹

推薦系統是一種幫助用戶快速發現有用信息的工具。推薦系統不需要用戶提供明確的需求，而是通過分析用戶的歷史行為對用戶的興趣建模，從而主動給用戶推薦能夠滿足他們興趣和需求的信息。因而推薦系統能夠在用戶沒有明確目的的時候幫助他們發現興趣的新內容。

1.2 服裝推薦系統介紹

服裝推薦系統是指利用數據挖掘等技術建立數據模型和客戶模型，經過一系列的數據分析，通過電子商務適時的展示滿足消費者興趣特點的服裝產品，模擬銷售人員或者導購人員為客戶提供符合個性化需求的購買建議。服裝推薦系統以客戶需求和愛好為中心，有針對性地進行服裝推薦，以讓消費者花費最少的時間，最快地找到合適的讓自己滿意的服裝為目標。

6 結束語

本文考察了現有的K-NN算法和SVD算法，針對K-NN算法和SVD算法的不足，在考慮了隱式反饋數據的基礎上，創新的結合兩種算法的優點。首先利用K-NN算法，以皮爾森相關系數為標準，把用戶-項目矩陣中與目標用戶相關度較高的K個用戶聚合在一起，構造新的用戶-項目矩陣R，然后結合矩陣分解的有關知識，用SVD算法中矩陣分解的有關知識對得到的新的矩陣進行分解，然后考慮到隱式反饋數據在推薦過程中不可或缺的重要性，在矩陣迭代過程中加入隱式反饋數據，利用隨機梯度下降的方法逐步對數據進行優化，最后使得用戶矩陣和項目矩陣的乘積矩陣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。然后根據矩陣R中數據選取最高的N項推薦。

參考文獻：

[1]項亮.推薦系統實踐[M].北京：人民郵電出版社，2012.

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

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

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

[5]單毓馥，李丙洋.電子商務推薦系統中服裝推薦問題研究[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].計算機工程與設計，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.