张若萱，董 晨，马嘉骏，张钊铭，吴梦歌，潘韵竹，刘海龙

（天津理工大学计算机科学与工程学院 天津 300384）

1 引言

大学校园交易平台为学生学习、生活带来便利，建立大学校园交易平台成为新的应用需求，但面对海量商品，如何快速、精准的为买家匹配到心仪商品，推荐算法成为关键。本文针对校园交易不同阶段使用多阶段推荐算法，实现个性化商品推荐。第一阶段用户和商品数量少，基于用户注册信息，使用XGBoost算法实现商品推荐。第二阶段用户和商品数量较大，采用基于物品和用户的协同过滤实现个性化商品推荐。第三阶段随着交易增多和交流圈建立，信息与数据变得更为庞大，文本型数据较多，加入自然语言处理算法，使商品推荐更加精确高效。

2 多阶段推荐算法设计

多阶段推荐算法流程见图1。

图1 多阶段推荐算法流程

2.1 第一阶段推荐算法设计

这一阶段处于交易平台的起步，用户和商品数据较少，需要解决用户冷启动，物品冷启动，系统冷启动问题[1]。为了提高商品推荐的准确度，基于注册用户的信息和兴趣标签训练决策树模型，设计初步的用户画像。使用XGBoost算法对数据集进行预测，Boosting是一种非常有效的集成学习算法，采用Boosting算法将弱分类器转化为强分类器，解决各类冷启动问题，流程如下。

（1）初始化模型为常数

（2）计算错误率

（3）计算αm= log((1-errm) /errm)

根据迭代结果，输出用户和商品关系矩阵，矩阵元素（用0，1表示）表示此用户是否会对该产品感兴趣。

2.2 第二阶段推荐算法设计

第二阶段交易平台中用户和商品数据量较大，采用基于物品的协同过滤和基于用户的协同过滤算法实现商品推荐。……