Mar, 2024

电子商务的一种新型基于行为的推荐系统

PDF
TL;DR本研究提出了一种基于用户行为的推荐系统，通过聚类活跃用户、确定邻域、收集相似用户、基于相似用户计算产品声誉以及推荐高声誉产品等方法，结合产品类别的无监督聚类方法，提供精确的个性化推荐，改善了电子商务推荐系统的性能和准确性。实验结果显示，该方法在阿里巴巴等电子商务平台的行为数据集上表现优于基准方法。
recommender systemsbehavior-basedclusteringcustomer behaviorse-commerce
发现论文，激发创造
  • 基于机器学习的电子商务产品智能分类与个性化推荐

    个性化推荐系统在电子商务领域的应用及挑战，以及利用 BERT 模型和最近邻算法设计的 eBay 电子商务平台的个性化推荐系统的高效性和可行性。

    Mar, 2024

  • 多级串联行为的推荐学习

    本文介绍了一种名为 NMTR 的新型解决方案，其可以从多种类型的用户行为数据中学习推荐系统，并且在真实数据集上的实验表明，它明显优于其他现有的推荐系统，特别适用于缺乏数据交互的稀疏用户。

    Sep, 2018

  • 零售店顾客行为分析系统：设计与实施

    理解零售店中的顾客行为对于通过增加个性化价值来提升顾客满意度起着至关重要的作用。本研究提出了一个包括数学建模、基于深度学习的行为分析系统以及个体和群体行为可视化的框架，并对整个系统进行了验证。

    Sep, 2023

  • 基于双聚类技术的强化学习推荐系统

    本研究提出了一种基于强化学习的推荐系统，通过使用双聚类技术，将推荐系统作为一个网格世界游戏，从而显著减少状态和行为空间，解决冷启动问题，并在现实数据集上取得了比广泛使用的算法更好的性能。

    Jan, 2018

  • 基于会话的推荐算法评估

    对于基于会话的推荐，简单的基于最近邻的方法往往表现出与复杂的基于深度神经网络的方法相当或显著更好的性能。需要更多关于基于会话的推荐算法的改进。

    Mar, 2018

  • 基于 Transformer 的替代品推荐模型结合弱监督的客户行为数据

    本研究提出一种新的转换方法，将替代推荐技术引入到语言匹配问题，以考虑产品功能和特性，并从工程的角度考虑多语言支持。我们提出的端到端的基于转换器的模型在离线和在线实验中都取得了成功，已在 6 种语言的 11 个市场的大型电子商务网站中部署，并证明在在线 A/B 实验中可以增加 19％的收入。

    Nov, 2022

  • 阿里巴巴电商推荐中的行为序列变换器

    该研究使用基于 Transformer 模型的深度学习方法，通过捕捉用户行为序列中的顺序信号来改进推荐系统，实验结果表明相较于基线算法，该模型在淘宝上线后获得显著的点击率提升。

    May, 2019

  • 推荐系统技术及电子商务领域综述

    本研究回顾了推荐系统在电子商务、电子旅游、电子资源、电子政务、电子学习和电子图书馆等领域的不同技术和发展，并通过分析最近的研究，提供了当前发展的详细概述，识别了推荐系统中的现有困难，为实践者和研究人员提供了必要的指导和见解。

    Aug, 2022

  • 丰富用户购物历史：借助层级推荐系统赋能电子商务

    推荐系统通过分析用户的购物历史提供准确的推荐。然而，在真实应用中，用户更喜欢价格最低的电子商务平台。本研究假设任何电子商务平台都能完整记录用户的历史，但只能访问其中的一部分，如果推荐系统能够首先预测丢失的部分并正确丰富用户的购物历史，则可以更准确地推荐下一个商品。我们的推荐系统利用用户的购物历史来提高预测准确性，所提出的方法在 NDCG@10 和 HR@10 指标上取得了显著改进。

    Mar, 2024

  • 信任邻居：推荐系统基于邻居的综合调查

    本文综述了基于最近邻的协同过滤算法，包括传统算法和先进算法如矩阵分解、稀疏编码和随机游走，介绍了设计实现最近邻推荐系统的关键选择和实践信息。

    Sep, 2021