深度学习在电商商品推荐当中的应用

深度进修在电商商品推荐傍边的应用

1.常见算法套路

长处：冷启动，其实只要你有商品的数据，安营业初期用户数据不多的情况下，也可以做推荐

缺点：预处理复杂，任何一件商品，维度可以说至少可以上百，若何拔取合适的维度进行计算，设计到工程经验，这些也是花钱买不到的

典范：亚马逊早期的推荐体系

基于接洽关系规矩：最常见的就是经由过程用户购买的习惯，经典的就是“啤酒尿布”的案例，然则实际运营中这种办法应用的也是起码的，起重要做接洽关系规矩，数据量必定要充分，不然置信度太低，当数据量上升了，我们有更多优良的办法，可以说没有什么亮点，业内的算法有apriori、ftgrow之类的

长处：简单易操作，上手速度快，安排起来也异常便利

缺点：须要有较多的数据，精度效不雅一般

长处：相对精准，结不雅可解释性强，副产品可以得出商品热点排序

缺点：计算复杂，数据存储瓶颈，冷门物品推荐效不雅差

典范：早期一号店商品推荐

基于用户的协同推荐：假设用户A买过可乐、雪碧、火锅底料，用户B买过卫生纸、衣服、鞋，用户C买过分锅、不雅汁、七喜;直不雅上来看，用户A和用户C类似度更高(相对于用户B)，如今我们可以对用户A推荐用户C买过的其他器械，对用户C推荐用户A买过买过的其他器械，优缺点与基于物品的协同推荐类似，不反复了。
基于模型的推荐：svd+、特点值分化等等，将用户的购买行动的矩阵拆分成两组权重矩阵的乘积，一组矩阵代表用户的行动特点，一组矩阵代表商品的重要性，在用户推荐过程中，计算该用户在汗青练习矩阵下的各商品的可能性进行推荐。

长处：精准，对于冷门的商品也有很不错的推荐效不雅

缺点：计算量异常大年夜，矩阵拆分的效能及才能瓶颈一向是受束缚的

典范：惠普的电脑推荐

基于时序的推荐：这个比较特别，在电商应用的少，在Twitter，Facebook，豆瓣应用的比较多，就是只有赞成和否决的情况下，怎么进行评论排序，具体的可以拜见我之前写的一篇文┞仿：应用：推荐体系-威尔逊区间法
基于深度进修的推荐：如今比较火的CNN(卷积神经收集)、RNN(轮回神经收集)、DNN(深度神经收集)都有应用在推荐膳绫擎的例子，然则都照样实验阶段，然则有个基于word2vec的办法已经比拟较较成熟，也是我们今天介绍的重点。

长处：推荐效不雅异常精准，所须要的基本存储资本较少

缺点：工程应用不成熟，模型练习调参技能难

典范：苏宁易购的会员商品推荐

2.item2vec的工程惹人

如今苏宁的商品有约4亿个，商品的类目有10000多组，大年夜的品类也有近40个，如不雅经由过程传统的协同推荐，及时Ｆ算的话，办事器成本，计算才能都是异常大年夜的局限，之前已经有过几篇应用介绍：基于推荐的交叉发卖、基于用户行动的推荐预估。会员研发部分因为不是重要推荐的应用部分，所以在选择上，我们期望的是加倍高效高速且相对精确的简约版模型方法，所以我们这边基于了word2vec的原始算法，仿造了itemNvec的方法。

起首，让我们对itemNvec进行理论拆分：

part>

这是两个用户userA，userB在易购膳绫擎的花费time line，灰色方框内为我们不雅察对象，试问一下，如不雅换一下灰色方框内的userA、userB的购买物品，直不雅的可能性有多大年夜?

直不雅的体验告诉我们，这是弗成能出现，或者绝对不是常出现的，所以，我们就有一个初始的假设，对于某些用户在特定的类面前目今，用户的花费行动是持续影响的，换句话说，就是我买了什么器械是依附我之前买过什么器械。若何经由过程算法说话解释膳绫擎说的┞封件事呢?

大年夜家回想一下，naive bayes做垃圾邮件分类的时刻是怎么做的?

假设“我公司可以供给发票、军器出售、航母维修”这句话是不是垃圾邮件?

P1(“垃圾邮件”|“我公司可以供给发票、军器出售、航母维修”) 
=p(“垃圾邮件”)p(“我公司可以供给发票、军器出售、航母维修”/“垃圾邮件”)/p(“我公司可以供给发票、军器出售、航母维修”) 
=p(“垃圾邮件”)p(“发票”，“军器”，“航母”/“垃圾邮件”)/p(“发票”，“军器”，“航母”)

同理

P2(“正常邮件”|“我公司可以供给发票、军器出售、航母维修”) 	
			 1/5    1 2 3 4 5 下一页 尾页	
			

　　推荐阅读
　　利用命令行工具创建Linux/Mac系统下的网站备份
            
            创建网站备份应当是一个网站治理员最为重要的日常工作之一。但实际情况是，备份这一步往往被很多人忽视，也就是说仍然有很多网管的网站安然意识较低。所有的Linux/Mac用户都可以或许零经济>>>详细阅读


本文标题：深度学习在电商商品推荐当中的应用
地址：http://www.17bianji.com/lsqh/37112.html
 1/2    1