混合推薦算法在電商相關領域的應用研究

黃玉盛 祝迎春

摘要：隨著5G移動通信技術、虛擬現實和增強現實等技術的應用與普及，電商相關領域中傳統的單一推薦算法在應對日益增長的結構與非結構數據、多源數據的融合和用戶需求多樣等方面逐漸顯露出不足之處。結合電商相關領域的現有特點與難點來進行推薦算法的選擇和優化改進，混合推薦算法應運而生。首先，分析了傳統單個基于二部圖網絡的、基于知識圖譜的和基于神經網絡推薦算法的特征和優缺點；其次，總結梳理了以上三種類型的混合推薦算法在電商相關領域的研究現狀；最后，指出混合推薦算法在電商相關領域應用中遇到的困境、不足和未來應用研究方向，以期為混合推薦算法在電商相關領域的深入應用提供有力支持。

關鍵詞：混合推薦算法；電商相關領域；二部圖網絡；知識圖譜；神經網絡

中圖分類號：TP391.3? ? ? 文獻標識碼：A

文章編號：1009-3044（2023）34-0004-05

開放科學（資源服務）標識碼（OSID） ：

0 引言

近年來，隨著互聯網技術的快速發展、疫情影響和線下門店成本高等原因，電商直播憑借互動性強、投入成本低和用戶觀看粘性強等特點，讓持續低迷的傳統電商相關領域重新燃起了“戰火”，一躍成為蓬勃發展的行業。在國家相關電商相關領域政策的加持下，電商直播成為新的電商熱點。與此同時，電商相關領域也面臨著一個重要的挑戰，即消費者往往難以從眾多商品中選擇到最適合自己的商品，以實現精準地推薦商品，這也是行業上俗稱的“信息過載”，而個性化推薦被認為是解決信息過載問題的最有效方法之一。

個性化推薦算法已在各個行業得到廣泛應用，尤其是在電商領域發展迅速，如在提升用戶體驗、增加銷量等方面展現出巨大潛力。研究表明個性化推薦算法幫助電商平臺推薦的產品更符合個體用戶的需求、喜好，從而提升購買體驗。傳統的商品推薦算法往往只考慮了用戶的歷史行為，忽略了其他因素對用戶行為的影響，導致推薦的結果缺乏個性化和多樣性。針對電商相關領域的特性和推薦難題，混合推薦算法結合多種算法的優點，綜合考慮多種因素對用戶行為的影響，使推薦結果更加準確、個性化和多樣化。本文針對混合推薦算法在電商相關領域中的應用研究進行梳理和總結，對已有的推薦算法模型、特點和應用優勢進行探討，進一步梳理分析電商相關領域中混合推薦算法應用遇到的問題，以及解決這些問題的方法和探討未來發展方向。

1 個性化推薦算法

隨著互聯網技術的持續進步，信息技術領域出現了許多通過計算機傳輸信息的應用形式，如電子郵件、個人網站和在線論壇等。用戶很難在眾多的數據中精確而快速地獲取滿足自身需求的內容，迫切需要一種技術能夠幫助自己精準地獲取信息。1992年施樂公司的Goldberg等人提出一種融合協同過濾思想的推薦系統，并將其用于垃圾郵件過濾。2001年Amazon最早將推薦系統引入電商相關領域平臺，并帶來銷售額的大幅度提升，產生了“啤酒與尿不濕”的著名案例。2006年，Netflix在其網站上舉辦了一個推薦算法競賽，目的是鼓勵研究人員發現更好的算法來提升Netflix的推薦效果。競賽吸引了來自世界各地的研究人員，推動了推薦算法的發展。隨著在線平臺的廣泛應用和電子商務的快速發展，推薦系統的普及程度迅速提高，推動了針對書籍、電影、服裝等領域的特定推薦系統的成長。

目前，隨著“短視頻平臺+直播”成為流量吸引的風口，以及第五代移動通信技術、虛擬現實以及增強現實等技術的進一步發展，能夠增強互動性，使內容展示更加豐富，這將成為未來電子商務的新常態。個性化推薦算法的優化升級已成為必然趨勢，不僅可以向用戶提供精準且多樣化的推薦服務，還有助于進一步縮短電商相關平臺與用戶之間的距離。因此，需要深入研究個性化推薦算法，并不斷加強理論和實際的聯系，為用戶提供良好應用體驗。通過對現有的推薦算法進行梳理分析，本文對基于二部圖網絡的、基于知識圖譜的和基于神經網絡的推薦算法進行介紹。

1.1 基于二部圖網絡的推薦算法

基于二部圖的推薦算法是Aggarwal于1999年率先提出的，其特點將用戶與物品看作二部圖網絡中的節點，且可以用一個無權無向的二部網絡G（U，O，E）表示。該二部網絡的功能是描述用戶和物品之間的關系的，其中U、O和E分別為用戶集、物品集和用戶行為的集合。其主要思想是通過用戶和物品之間的選擇關系建立用戶-物品的二部圖模型，然后利用資源分配等算法為用戶提供個性化的推薦[1]。例如協同過濾算法（Collaborative Filtering，CF） 、質量擴散算法（Mass Diffusion，MD） 和熱傳導算法（Heat Conduction，HC） 。

CF算法是最早、最流行且應用最廣泛的推薦算法，其基本思想是“物以類聚，人以群分”的群體智慧理念。簡單來說，利用與目標用戶有相同興趣和愛好的用戶的偏好來進行推薦。其主要分為兩類：基于用戶的協同過濾（User-based CollaboratIve Filtering，UCF） 和基于物品的協同過濾（Item-based Collaborative Filtering，ICF） ，這兩種算法的區別在于計算相似度矩陣的參考對象不同。UCF是以用戶為中心，計算用戶之間的相似度。ICF是以物品為中心，計算物品與物品之間的相似性，通過尋找目標用戶購買過的類似物品并推薦給用戶。在計算用戶與用戶或物品與物品之間的相似性矩陣時，常用的相似性計算方法有余弦相似度和Jaccard相似系數。

CF算法在實踐中被廣泛使用，具有良好的推薦效果。其優點是具有推薦準確度高、良好的擴展性且不需要物品的特征屬性，完全依靠用戶的行為數據。然而，由于其完全依賴用戶行為數據，導致冷啟動問題（新產品或新用戶沒有足夠的行為數據）和因用戶行為稀疏而導致的相似度矩陣稀疏。

MD算法采用了物質流動的思想。將初始能量給目標用戶選擇的物品節點，然后根據物品選擇關系將物品節點的能量平均分配給選擇了該物品的用戶節點，再根據用戶節點的能量除以用戶節點的度的規則，將用戶節點上的能量傳回物品節點。經過兩次能量的傳遞，每個物品節點上都有相應的能量。HC算法與MD算法類似。兩者都給被目標用戶選中的物品節點分配一個初始能量，但能量傳遞時的規則和資源分配方法不同。

基于二部圖的推薦算法是一種常見的推薦算法，它將用戶和物品看作兩個獨立的節點集合，通過構建二部圖模型來預測用戶對物品的評分和偏好，可以不受推薦類型的限制，而且魯棒性強、算法易實現且計算過程不復雜等優點。由于其過于依賴用戶與物品的選擇關系，即用戶的行為數據，因此無法很好地解決冷啟動和數據稀疏等問題。

1.2 基于知識圖譜的推薦算法

2012年，谷歌公司提出了“知識圖譜”（Knowledge Graph） 的概念，其初衷是以更智能的形式展現搜索引擎的返回結果，提升用戶體驗。知識圖譜是一種解釋實體之間關系的語義網絡，以結構化的三元組形式描述現實世界中的事物及其相互關系，已廣泛應用于語義搜索、問答、推薦和文本理解與生成等方面。<雷軍，創辦，小米>是一個知識三元組，“雷軍”“小米”是現實世界中的兩個實體，在知識圖譜中表現為兩個節點，“創辦”是它們兩個之間的關系。知識圖譜中的節點和邊是多對多的關系，該特點使得知識圖譜中的三元組不僅可以表示實體之間的關系，也可以存儲知識實體的屬性。

根據應用知識圖譜的不同形式，分為基于嵌入的方法、基于路徑的方法和混合的方法?；谇度氲闹R圖譜核心思想是利用知識表示模型學習到知識圖譜中實體以及關系的向量表示，并通過這種帶有語義信息的向量表示去擴充原有的用戶與物品的交互信息，進而提高推薦性能[2]?；诼窂降闹R圖譜核心思想是通過挖掘知識圖譜中用戶以及物品之間的路徑關系來探索知識圖譜實體間的連通性去完成推薦[3]?；旌系姆椒ㄊ侵笇⒒谇度氲姆椒ê突诼窂降姆椒ńY合起來，以提高知識圖譜的構建效率和準確性?；谇度氲姆椒ㄍǔＤ軌虿东@實體和關系的潛在語義信息，而基于路徑的方法則能夠利用知識圖譜中的結構信息?；旌戏椒ㄔ噲D結合這兩種信息，從而獲得更為準確和魯棒的知識圖譜表示。因此，引入知識圖譜可以為推薦系統帶來三個方面的好處，一是緩解用戶行為的稀疏性；二是豐富的物品屬性，從而學習到更全面的物品表示，提升推薦的準確性；三是利用知識圖譜的語義關系，給出推薦的原因，使推薦結果具有可解釋性。目前，基于知識圖譜的推薦算法研究仍面臨一些挑戰：一是如何有效建模知識圖譜的復雜結構特征;二是如何捕捉知識圖譜多跳復雜推理路徑中的語義；三是如何將外部知識有效注入推薦模型中;四是如何處理跨領域知識的推薦;五是如何處理海量知識圖譜的推理和計算。

1.3 基于神經網絡的推薦算法

神經網絡是一種由多個神經元節點相互連接而成的計算模型，其基本原理是對輸入數據的非線性變換來提取特征，通過多層的全連接層將這些特征進行建模和學習，挖掘用戶的興趣和偏好特征，根據這些特征進行個性化推薦。同時，神經網絡可以處理復雜和動態的推薦任務，并具有良好的泛化能力。常見的神經網絡結構包括深度神經網絡（Deep Neural Network，DNN） 、卷積神經網絡（Convolutional Neural Network，CNN） 和循環神經網絡（Recurrent Neural Network，RNN） 等。DNN將用戶和物品的多種特征（如文本、圖像、點擊歷史等）融合到一個統一的稠密向量中，這有助于捕捉用戶和物品之間的復雜交互關系，從而獲取用戶的特定興趣提高推薦的相關性。CNN通過卷積層和池化層來提取數據的空間和時間特征，再通過全連接層進行分類或預測。卷積層通過局部連接和權重共享的方式，有效地捕捉輸入數據中的局部模式和特征，而池化層則用于減小特征圖的尺寸，并保留關鍵的特征。CNN能夠自動學習圖像的特征表示，具有平移不變性和局部連接性等特點，能夠處理大規模的圖像數據集，提高分類和檢測的準確性。因此，其在圖像分類、目標檢測和圖像生成等任務中表現出色。RNN通過引入循環結構，能夠處理可變長度的序列數據，并且能夠捕捉序列中的長期依賴關系。因此，其在許多序列處理任務中都有廣泛的應用，如語言模型、機器翻譯、語音識別、時間序列預測等領域。RNN的每個時間步的隱藏狀態會根據輸入和前一個時間步的隱藏狀態進行更新，從而實現信息的傳遞和保存，并通過學習隱藏狀態的演化過程，實現對時間序列數據進行建模和預測。而深度學習作為神經網絡的一個分支，它使用多層神經網絡來學習數據的深層次特征，由于其強大的建模能力和靈活性，已經在許多領域取得了顯著的成果，包括語音識別、圖像處理和自然語言處理等。

基于神經網絡的推薦算法的架構通常由三層組成：輸入層、隱藏層和輸出層。輸入層將用戶在一組物品上的歷史行為作為輸入，如評級、點擊或購買。隱蔽層負責處理這些信息并學習數據中的基本模式。輸出層為每個物品產生一個預測的評級，用于為用戶產生推薦。

神經元定義如下：

[y=fi=0n-1wixi+b]

公式中，計算輸入[xi]和權重[wi]的加權和[wixi]（也成為激活值）。此外，[xi]是輸入數據的數值或其他神經元的輸出（如果神經元是神經網絡中的一部分）。權重[wi]是表示輸入強度或神經元之間連接強度的數值，權重b是一個稱為偏置的特殊值，其輸入始終為1。使用加權和的結果作為激活函數f的輸入，激活函數也成為傳遞函數。激活函數有很多類型，但都必須滿足非線性這一必要條件，如Sigmoid函數、Tanh函數和ReLu函數等。

1.4 混合推薦算法

為了解決推薦系統中準確性-多樣性不能同時兼顧、數據稀疏和冷啟動等問題，眾多的混合算法應運而生。這些算法采用多種推薦算法相互融合的方式，以達到最優的推薦效果。根據多種推薦算法的混合方式，分為加權式、變換式和合并式。其中，加權式是指分配給推薦算法不同的權重，將推薦結果進行加權混合，得到最終的推薦列表，且權重不唯一，會隨著推薦結果或應用場景等有所調整。變換式是指根據不同的應用場景，使用不同的推薦算法，如由UCF切換到ICF。合并式將多個推薦算法的推薦列表合并成一個大的推薦列表推薦給用戶，由用戶自行選擇，使大的推薦列表更具有多樣性?；旌贤扑]系統的核心思想與集成學習算法類似，通過整合多個推薦算法，充分利用各個算法的優勢，可以顯著降低系統性誤差（方差），提升推薦系統的綜合性能。隨著技術的不斷進步和推薦場景的多樣化，混合推薦算法將繼續發展，并在實際應用中發揮更大的作用。

2 電商相關領域中的混合推薦算法應用

隨著信息技術的迭代升級、大數據時代的到來和深度學習相關技術的蓬勃發展，傳統的單一推薦算法在應對日益增長的數據和用戶需求方面逐漸顯露出不足之處，電商的推薦系統需要結合電商相關領域的特征來進行進一步的推薦算法的選擇和優化設計。以下從基于協同過濾、知識圖譜和神經網絡推薦三個方面詳細介紹面向電商相關領域混合推薦算法應用。

2.1 電商相關領域中基于協同過濾的混合推薦算法

隨著社交媒體、移動設備和物聯網的廣泛應用，用戶生成的數據變得越來越豐富和多樣化。推薦算法不僅分析處理用戶的行為數據，還要處理結合用戶的社交關系、地理位置、短視頻和文本內容等多種數據，為了解決以上問題，基于協同過濾算法通過結合深度學習、圖神經網絡等技術，克服傳統協同過濾算法在數據稀疏性和冷啟動問題上的局限性，提高推薦的準確性和個性化程度。上海攜程旅游網絡技術有限公司董鑫[4]等人提出了一種混合的協同過濾模型，結合了深度學習技術，通過從評分矩陣和輔助信息中學習到的用戶和物品的潛在因素，實現協同過濾和輔助信息的有效利用。王香蒙[5]等人提出了一種基于圖神經網絡的協同過濾推薦算法（Causal Neural Graph Collaborative Filtering，CNGCF） ，將節點之間的因果關系注入基于圖協同過濾的圖表示學習中，從而明確對目標節點的鄰節點的因果影響進行編碼。這種方法能夠識別偽相關性，并揭示用戶偏好的根本原因。何向南[6]等人提出了神經網絡的協同過濾（Neural Collaborative Filtering，NCF） ，該算法使用多層感知機來建模用戶和物品之間的非線性關系，將用戶和物品的特征通過全連接層映射到隱含空間，并通過內積或外積運算來計算用戶對物品的興趣，提高了推薦系統的準確性和效果。

2.2 電商相關領域中基于知識圖譜的混合推薦算法

基于嵌入的方法忽略了知識圖譜的信息連通性，缺少可解釋性，而基于路徑的方法可以為推薦的結果提供可解釋性，混合的方法將基于嵌入的方法與基于路徑的方法相結合，充分挖掘兩方面的信息，保證混合的方法具有解釋推薦過程的能力，具備可解釋性，并成為當前的研究的一個熱點。王宏偉[7]等人提出了一種基于知識圖譜的深度學習模型水波網絡（RippleNet） ，是第一個有效將基于嵌入與基于路徑的知識圖譜結合起來的模型。它利用物品的知識圖譜數據一層一層地向外擴散后提取節點，然后聚合嵌入，每一層的物品會影響到在它之后的所有層，并且越往外對結果的影響就越小，像水波一樣。該算法能夠有效地捕捉用戶和物品之間的復雜關系，并成為現在最熱門的知識圖譜推薦算法之一。杜彥輝[8]等人提出了一種基于知識圖譜的個性化推薦模型——NRH（Node2vec-side and RippleNet Hybrid Model） 模型。該模型采用了基于協同過濾和知識圖譜的混合推薦方法，通過使用Node2vec-side進行物品畫像建模，探索物品之間的潛在關聯關系，并將用戶畫像劃分為靜態歷史畫像和動態偏好畫像，可以用于解決傳統用戶畫像更新的本地化問題。郭慶宇[9]等人系統性地介紹了知識圖譜的概念和構建方法，總結已有的知識圖譜推薦系統研究，并對其進行了分類。同時，歸納了知識圖譜在動態推薦、跨領域推薦、多任務學習和用戶輔助信息等方面的研究應用和挑戰。

2.3 電商相關領域中基于神經網絡的混合推薦算法

由于傳統的推薦算法在面對大規模和復雜的數據時，往往存在準確性不高、個性化程度不夠等問題。而深度學習作為神經網絡的重要分支，其通過構建深層次的神經網絡模型，可以學習到更抽象、更高級的特征表示，進一步提升了神經網絡的性能。在推薦系統中，單獨使用神經網絡可能存在一些挑戰，如數據稀疏性、冷啟動問題和解釋性等問題。為了克服這些問題，將神經網絡與其他推薦算法相結合，充分發揮它們各自的優勢，從而提高推薦的準確性和個性化程度成為趨勢。張帥[10]等人提出了一種基于深度學習的推薦模型VLC-AR（Viewer’s Watching Behavior and Live streaming Content change for Anchor Recommendation） ，其由兩個主要組成部分組成：一是基于長短期記憶網絡（Long Short-Term Memory，LSTM） 的觀眾行為預測模型，用于預測觀眾的下一步行為，例如繼續觀看、暫停觀看或跳過視頻等。該模型利用觀眾的歷史觀看記錄以及當前觀看視頻的交互信息來進行預測，并通過反向傳播算法（Back Propagation，BP） 進行訓練。第二個部分是基于CNN的實時視頻內容模型，用于捕捉主播實時視頻內容的特征。該模型利用卷積神經網絡來提取視頻幀的空間特征，并通過反向傳播算法進行訓練。VLC-AR模型將這兩個部分整合在一起，通過將觀眾的行為和實時視頻內容特征進行聯合編碼，實現對用戶觀看行為和內容變化的準確預測，從而提供更個性化和精準的主播推薦服務。吳方照[11]等人構建了一個名為MIND規模龐大的新聞推薦數據集，并在這個數據集上進行了大量實驗。新聞推薦的性能在很大程度上依賴于新聞內容理解和用戶興趣建模的質量。有效的文本表示方法和預先訓練好的語言模型等自然語言處理和機器學習技術可以有效地提高新聞推薦的性能。

3 電商相關領域中混合推薦算法存在的問題

隨著電商相關領域行業的發展，混合推薦算法逐漸成為電商相關領域平臺中的重要組成部分?；旌贤扑]算法通過綜合考慮用戶的歷史行為、興趣偏好和商品屬性等多個因素，為用戶提供個性化的推薦服務，從而增加用戶粘性和銷售額。然而，混合推薦算法在應用中仍然面臨著一些問題，如數據質量參差不齊、用戶隱私安全堪憂、算法偏見和冷啟動等。

3.1 數據質量參差不齊

首先，電商相關領域數據質量問題是影響混合推薦算法效果的重要因素之一。電商相關領域平臺涉及大量的商品和用戶數據，這些數據的質量直接影響著推薦算法的準確性和效果。常見的如以下幾點：

1） 數據缺失與冗余：用戶與商品之間的交互數據較少或者用戶沒有提供足夠的信息，導致數據缺失；同時，電商相關領域平臺中可能存在大量的重復數據，如同一商品的多個圖片、多個描述等。

2） 數據偏差：由于數據來源的多樣性，電商相關領域平臺中的數據往往不夠一致。例如商品名稱、商品描述和商品分類等信息可能會因為數據來源不同而存在偏差的情況。

3） 數據噪聲：在電商相關領域平臺中，一些用戶行為數據可能是虛假的或者注水的，例如，惡意刷單、惡意評價與標簽錯誤等。

4） 多源數據融合的問題：在混合推薦算法中，需要將來自不同數據源或多種類型的數據進行融合。不同來源的數據可能存在格式不一致、缺失值、噪聲等問題，這些問題會對推薦算法的訓練和預測產生負面影響。

對于前3點問題電商相關領域平臺需要加強對數據的清洗和預處理工作，確保數據的質量和一致性。而針對第4點，常見的多源數據融合方法是直接將多種類型數據（通常表示成特征向量）進行拼接或求和。這類方法操作簡單，易于實施，但大多數情況下無法取得令人滿意的效果，甚至在某些特定情況下的準確性還不如直接基于用戶物品評分數據做推薦的準確率高。

3.2 用戶隱私安全堪憂

隨著電商相關領域平臺的用戶數量不斷增加，用戶隱私安全問題也變得越來越重要。在混合推薦算法中，需要從用戶的行為數據中提取用戶的偏好和習慣，這就涉及用戶隱私的保護問題。傳統的推薦算法中，用戶行為數據通常會發送到服務器進行處理，這會帶來一些用戶隱私泄漏的風險。2018年，國內某快遞公司發生了信息泄露事件，超過10億條快遞數據在網上兜售，包括姓名、手機號和家庭住址等。因此，如何在保證用戶隱私不被泄露給推薦系統以及任何第三方的前提下，收集和挖掘用戶數據的價值是大數據時代值得研究的問題。

為了保護用戶的隱私，2016年由谷歌提出的一個名為聯邦學習的機器學習方法，被廣泛應用于推薦系統中。聯邦學習是一種分布式機器學習的方法，它通過在本地設備上進行模型訓練，并在不泄露數據的情況下將模型參數聚合到中央服務器上，從而保護用戶隱私。在聯邦學習中，用戶的隱私數據不會離開本地設備，這有效地保護了用戶的隱私。聯邦學習可以有效地解決用戶隱私泄漏的問題，但也存在一些問題，如計算代價、通信開銷、隱私泄露和模型的安全性難以保證等。

3.3 算法偏見

算法偏見是指推薦算法在推薦商品時，受到一些非正常因素的影響，導致推薦的準確性和公正性受到影響。主要包括：特征偏見或流行度偏見、統計公平性、遵從偏見和長期公平性等。特征偏見是主要關注監督學習過于依賴預定的敏感特征帶來的不公平問題，如放大“性別”與“電影類別”之間的聯系；流行度偏見是指在推薦商品時，推薦算法可能會受到商品的熱度、銷量和廣告費用等因素的影響，從而導致熱門商品被過度推薦，而一些冷門商品則被忽視；統計公平性是關注一個或一組用戶得到的推薦結果與用戶興趣的分布是否一致，如一個小組內90%喜歡喝咖啡，10%的人喝茶，那么推薦結果就是90%是咖啡，10%是茶；遵從偏見是指用戶容易受到其他用戶意見的影響，傾向于放棄個人獨特興趣而保持與大多數人意見的一致，如羊群效應；長期公平性是指需要考慮長期且動態的環境下如何保證推薦的公平性，如物品的流行度是隨著時間變化的[12]。

混合推薦算法是通過結合多個推薦算法來提高準確度和推薦效果的，但是這些推薦算法本身可能存在偏見，從而導致混合推薦算法的偏見。為了解決算法偏見問題，采用一些算法技術來檢測和消除算法的偏見，如基于約束規劃的算法，基于主成分分析（Principal Component Analysis，PCA） 的算法和用戶反饋機制來糾正算法偏見，但仍需要大量的實驗與探索。

3.4 冷啟動

冷啟動指當一個新用戶或者一個新商品進入電商相關領域平臺時，由于缺乏歷史數據，推薦算法無法準確地預測用戶的偏好和行為。冷啟動可以分為兩類：用戶冷啟動和物品冷啟動。用戶冷啟動指的是當一個新用戶加入系統時，由于缺乏其歷史行為數據，推薦系統無法準確地了解其興趣和偏好，從而無法提供個性化推薦。物品冷啟動則指的是當一個新的物品加入系統時，由于缺乏與該物品相關的歷史數據，推薦系統無法有效地為用戶推薦該物品。大多數過于依賴于用戶和物品的歷史交互數據的推薦算法，如協同過濾，都會遇到冷啟動的問題。該問題會降低推薦算法的覆蓋率和用戶的滿意度。為了解決推薦算法的冷啟動問題，研究者們提出了許多方法。例如，提出了基于內容的推薦、基于內容的推薦和協同過濾的混合推薦方法。針對用戶冷啟動采用的“千人一面”的方式推薦熱門物品，或利用附加信息與專家標注進行推薦。隨著技術的不斷發展，深度學習、社交網絡和因果推理等方法被采納，用于挖掘用戶和物品的深度屬性，從而輔助系統借鑒其他相關任務或領域的經驗來應對冷啟動問題。

4 總結

目前，在電商相關領域中的混合推薦算法近年來取得了顯著的進展，尤其隨著神經網絡算法的提出，深度學習混合推薦算法通過引入更多的商品特征信息，嘗試建模傳統算法無法處理的數據類型，引入更多的商品特征信息提升推薦算法的效果。其中，傳統的協同過濾算法與神經網絡的結合、基于知識圖譜的混合推薦算法成為當下研究的熱點?，F有的電商相關領域中的混合推薦算法擁有了不錯的推薦效果，但仍面臨著一些問題，如多源數據融合的問題、用戶隱私安全問題和算法偏見等問題沒有得到較好的解決。未來，電商相關領域中的混合推薦算法可以聚焦于自動選擇最優算法、自適應調整算法權重以及實時混合推薦算法等方面，以進一步提高推薦的準確性和個性化程度。

參考文獻：

[1] 黃玉盛.基于協方差的個性化推薦算法研究[D].成都：成都理工大學，2020.

[2] LIU C，LI L，YAO X L，et al.A survey of recommendation algorithms based on knowledge graph embedding[C]//2019 IEEE International Conference on Computer Science and Educational Informatization （CSEI）.IEEE，2019：168-171.

[3] WANG H W，ZHANG F Z，WANG J L，et al.Exploring high-order user preference on the knowledge graph for recommender systems[J].ACM Transactions on Information Systems，37（3）：32.

[4] DONG X，YU L，WU Z H，et al.A hybrid collaborative filtering model with deep structure for recommender systems[C]//Proceedings of the Thirty-First AAAI Conference on Artificial Intelligence.ACM，2017：1309-1315.

[5] WANG X， LI Q， YU D， et al. Neural graph collaborative filtering[C]//Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval，2019：165-174.

[6] HE X N，LIAO L Z，ZHANG H W，et al.Neural collaborative filtering[C]//Proceedings of the 26th International Conference on World Wide Web.Perth Australia.Republic and Canton of Geneva，Switzerland：International World Wide Web Conferences Steering Committee，2017.

[7] WANG H W，ZHANG F Z，WANG J L，et al.RippleNet：propagating user preferences on the knowledge graph for recommender systems[J].ACM， 2018.

[8] NI W K，DU Y H，MA X B，et al.Research on hybrid recommendation model for personalized recommendation scenarios[J].Applied Sciences，2023，13（13）：7903.

[9] GUO Q， ZHUANG F， QIN C， et al. A Survey on Knowledge Graph-Based Recommender Systems[J].IEEE Transactions on Knowledge and Data Engineering，2020，50（7）：937-954.

[10] ZHANG S，LIU H Y，MEI L，et al.Predicting viewer’s watching behavior and live streaming content change for anchor recommendation[J].Applied Intelligence，2022，52（3）：2480-2495.

[11] WU F Z，QIAO Y，CHEN J H，et al.MIND：a large-scale dataset for news recommendation[C]//ACL，2020：3597-3606.

[12] 李東勝，練建勛，張樂，等.推薦系統：前沿與實踐[M].北京：電子工業出版社，2022.

【通聯編輯：王 力】