商品搭配大数据推荐方法研究综述

计算机工程与科学

商品搭配大数据推荐方法研究综述

陈鑫1，王斌1，曾范清2

(1.南京财经大学信息工程学院,江苏南京 210023； 2.南京财经大学经济管理实验教学中心,江苏南京 210023)

收稿日期:2019-05-24 修回日期:2019-07-12 出版日期:2020-01-25 发布日期:2020-01-25
基金资助:
国家自然科学基金（61372158）；江苏省高校优秀科技创新团队项目（2017-15）；江苏省高校哲学社会科学研究一般项目（2019）；江苏省研究生科研与实践创新计划项目（KYCX18_1389）

Reviewing big data recommendation

methods of commodity collocation

CHEN Xin1,WANG Bin1,ZENG Fan-qing2

(1.School of Information Engineering,Nanjing University of Finance and Economics,Nanjing 210023;

2.Experimental Teaching Center of Economics & Management,Nanjing University of Finance and Economics,Nanjing 210023,China)

Received:2019-05-24 Revised:2019-07-12 Online:2020-01-25 Published:2020-01-25

摘要/Abstract

摘要：

随着电子商务的不断发展，推荐系统面临着数据来源多样、结构复杂、推荐多样性差、冷启动等问题。商品搭配大数据推荐方法不仅可以有效解决以上问题，还具有给予消费者搭配建议并帮助商家促进销售的重要意义。首先，通过对国内外相关文献进行梳理，阐述了搭配推荐方法的基本概念和形式，分析其与传统推荐方法的区别以及优势。然后，探讨了搭配推荐方法的分类，包括基于商品内容的搭配推荐、基于协同过滤的搭配推荐和混合搭配推荐。最后，在这些研究和分析的基础上，指出了未来的研究热点将聚焦于多个商品的搭配推荐、基于多源异构数据融合的搭配推荐和基于知识图谱的搭配推荐。特别是将知识图谱应用于搭配推荐领域，将是未来非常有前景的研究工作。

关键词: 推荐系统, 商品搭配, 多源异构, 冷启动, 知识图谱

Abstract:

With the continuous development of e-commerce, recommender systems are facing problems such as diverse data sources, complex data structure, poor recommendation diversity and cold start. The big data recommendation methods of commodity collocation can not only solve the above problems effectively, but also have the important significance of giving suggestions to consumers and helping businesses to promote sales. Firstly, through reviewing the relevant domestic and foreign literatures, the paper explains the basic conception and form of collocation recommendation methods, and analyzes their differences and advantages compared with the traditional recommendation methods. Then, the classification of collocation recommendation methods is discussed, including collocation recommendation based on commodity content, collocation recommendation based on collaborative filtering, and hybrid collocation recommendation. Finally, based on the aforementioned research and analysis, it is pointed out that the future research hotspots will focus on the collocation recommendation of multiple commodities, collocation recommendation based on multi-source heterogeneous data fusion, and collocation recommendation based on knowledge graph. In particular, applying knowledge graph to collocation recommendation field will be a very promising research work in the future.

Key words: recommender system, commodity collocation, multi-source heterogeneous, cold start, knowledge graph

陈鑫1，王斌1，曾范清2. 商品搭配大数据推荐方法研究综述[J]. 计算机工程与科学.

CHEN Xin1,WANG Bin1,ZENG Fan-qing2.

Reviewing big data recommendation

methods of commodity collocation

[J]. Computer Engineering & Science.

[1]	吴国栋, 刘旭旭, 毕海娇, 范维成, 涂立静. 基于元学习个性化推荐研究综述[J]. 计算机工程与科学, 2024, 46(02): 338-352.
[2]	王斐斐, 贲可荣, 张献. 基于领域知识的语音识别鲁棒性增强技术研究[J]. 计算机工程与科学, 2023, 45(12): 2155-2164.
[3]	张千锟, 韩虎, 郝俊. 基于双注意力融合知识的方面级情感分类[J]. 计算机工程与科学, 2023, 45(10): 1866-1873.
[4]	高玮蔚, 刘杨, 马慧芳, 唐月晨. 基于增强偏好影响力的图注意力网络推荐算法[J]. 计算机工程与科学, 2023, 45(07): 1300-1307.
[5]	王玫申, 张鹏, 薛乐洋, . 基于二分网络的长期推荐[J]. 计算机工程与科学, 2023, 45(04): 691-700.
[6]	罗可劲, 刘广聪, 杨文浩. 基于多任务学习的图神经网络推荐模型研究[J]. 计算机工程与科学, 2023, 45(04): 726-733.
[7]	张若一, 金柳, 马慧芳, 王亦可, 李清风. 融合相似用户影响效应的知识图谱推荐模型[J]. 计算机工程与科学, 2023, 45(03): 520-527.
[8]	马赫, 王海荣, 周北京, 孙崇, 徐玺. 基于表示学习的实体对齐方法综述[J]. 计算机工程与科学, 2023, 45(03): 554-564.
[9]	林庆, 滕飞, 田波, 赵越, 祝锦烨, 冯力. 基于可搜索加密的密态知识图谱存储和检索方案[J]. 计算机工程与科学, 2023, 45(01): 66-76.
[10]	邹程辉, 李卫疆, . 融合知识图谱和评论文本的个性化推荐模型[J]. 计算机工程与科学, 2023, 45(01): 181-190.
[11]	贾俊杰, 姚叶旺, 陈旺虎. 基于非负矩阵分解的群组推荐算法[J]. 计算机工程与科学, 2022, 44(05): 933-943.
[12]	贾俊杰, 段超强. 基于评分离散度的托攻击检测算法[J]. 计算机工程与科学, 2022, 44(03): 554-562.
[13]	裴凇莹, 陈振国. 基于文献计量的国内区块链技术研究及应用态势分析[J]. 计算机工程与科学, 2021, 43(11): 1966-1978.
[14]	顾军华, 佘士耀, 樊帅, 张素琪. 基于用户长短期兴趣与知识图卷积网络的推荐[J]. 计算机工程与科学, 2021, 43(03): 511-517.
[15]	陈海涵, 吴国栋, 李景霞, 王静雅, 陶鸿. 基于注意力机制的深度学习推荐研究进展[J]. 计算机工程与科学, 2021, 43(02): 370-380.