尹定乾 杨佳乐 金英花

摘要： 随着社会的飞速发展，生活节奏不断加快，消费者逐渐开始注重购买服装的效率，对个性化服装的需求也在不断增加。所以，个性化服装推荐系统对于消费者和商家来说都尤为重要。本文利用皮尔森相关系数和矩阵分解的有关理论，在K-NN（k-Nearest Neighbor）算法和SVD（Singular Value Decomposition）算法的基础上构建基于局部SVD++的服装推荐算法。

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++.

关键词： 智能推荐；服装推荐算法；加权矩阵；矩阵分解；协同过滤

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

中图分类号：TP311 文献标识码：A 文章编号：1006-4311（2018）10-0173-04

0 引言

网络技术的迅速发展以及互联网应用的普及，使人们的生活更加的方便，但同时也给人们带来了信息过载的问题，其中由于服装的种类和样式确实很多，给用户的选购带来了很大的困难，用户很难在海量的服装数据库中找到一款让自己满意的商品，这时候就需要在服装选购方面提供一些便利，让用户能够更快地、更方便地找到自己满意的商品。本文首先介绍矩阵分解方法和皮尔森相关系数，然后介绍了基于上述两种方法的K-NN （K Nearest Neighbors）算法和SVD （Singular Value Decomposition）++算法，指出了这两种推荐算法的原理和不足，接着根据服装特有的属性，结合现有的推荐系统算法，有针对性地结合服装推荐的特点，构建新的服装推荐算法。本文的创新之处在于把K-NN算法和SVD++算法结合在一起，可以避免用户-服装矩阵的稀疏问题和计算精度低等问题。推荐系统的应用可以帮助用户从繁杂的信息中获取所需信息，从而促进服装销售并吸引用户。

1 推荐系统的有关介绍

1.1 推荐系统介绍

推荐系统是一种帮助用户快速发现有用信息的工具。推荐系统不需要用户提供明确的需求，而是通过分析用户的历史行为对用户的兴趣建模，从而主动给用户推荐能够满足他们兴趣和需求的信息。因而推荐系统能够在用户没有明确目的的时候帮助他们发现兴趣的新内容。

1.2 服装推荐系统介绍

服装推荐系统是指利用数据挖掘等技术建立数据模型和客户模型，经过一系列的数据分析，通过电子商务适时的展示满足消费者兴趣特点的服装产品，模拟销售人员或者导购人员为客户提供符合个性化需求的购买建议。服装推荐系统以客户需求和爱好为中心，有针对性地进行服装推荐，以让消费者花费最少的时间，最快地找到合适的让自己满意的服装为目标。

6 结束语

本文考察了现有的K-NN算法和SVD算法，针对K-NN算法和SVD算法的不足，在考虑了隐式反馈数据的基础上，创新的结合两种算法的优点。首先利用K-NN算法，以皮尔森相关系数为标准，把用户-项目矩阵中与目標用户相关度较高的K个用户聚合在一起，构造新的用户-项目矩阵R，然后结合矩阵分解的有关知识，用SVD算法中矩阵分解的有关知识对得到的新的矩阵进行分解，然后考虑到隐式反馈数据在推荐过程中不可或缺的重要性，在矩阵迭代过程中加入隐式反馈数据，利用随机梯度下降的方法逐步对数据进行优化，最后使得用户矩阵和项目矩阵的乘积矩阵R最大程度地接近原矩阵R，这样得到的矩阵R中的一些空白部分得到填充。然后根据矩阵R中数据选取最高的N项推荐。

参考文献：

[1]项亮.推荐系统实践[M].北京：人民邮电出版社，2012.

[2]王科强.基于矩阵分解的个性化推荐系统[D].上海：华东师范大学，2017：37-41.

[3]张川.基于矩阵分解的协同过滤推荐算法研究[D].吉林：吉林大学，2013：16-23.

[4]李秋燕.服装个性化推荐方法研究[D].苏州：苏州大学，2014：1-3.

[5]单毓馥，李丙洋.电子商务推荐系统中服装推荐问题研究[J].毛纺科技，2016，44（5）：67.

[6]何波，杨武，张建勋，王越.基于用户模式聚类的智能信息推荐算法[J].计算机工程与设计，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.