摘要
推荐系统如今在各大在线平台中均扮演着重要的角色，通过精准挖掘用户的个性化偏好进行商品推荐以实现更好的消费者满意度。准确性一直以来都是推荐系统的重要评价指标，但是仅优化该指标会导致推荐的商品同质化程度偏高，容易产生信息茧房困境，实际并不能够给消费者带来好的满意度。近来多样化推荐被认为是解决信息茧房困境从而扩大用户兴趣并提高公司销售的重要方案之一。其中，多样化重排序模型是实现推荐多样性的主要工具，但是多样化推荐往往存在着通过牺牲准确性来提升多样性的问题，这违背了多样化推荐的初衷，因此如何解决推荐准确性和多样性的平衡问题也逐渐成为当前研究的热点内容之一。商品的互补关系广泛存在于各大在线平台，互补性商品被定义为两种商品之间存在一定的消费依赖性。当前互补推荐的研究主要是利用互补商品为消费者推荐买了当前商品的用户还买了什么商品，但在其他推荐场景尚未得到充分利用。互补商品一方面彼此之间归属于不同的商品类别保证了一定的多样性，另一方面互补商品之间又因为内在的关联性保证了一定的准确性，因此本研究在多样化推荐研究中融入商品互补关系以实现准确性和多样性的平衡。 本研究试图将互补商品理论与多样化推荐结合起来，利用商品之间的互补关系来改进多样化推荐算法。首先从用户共同购买行为数据出发挖掘出商品之间的互补关系，同时利用共同购买关系建立商品关系图并使用图嵌入模型辅助建模，并借助用户商品购买的历史行为序列实现用户商品互补性建模。为了保证推荐结果的准确性，本研究也采用了常用的推荐算法进行推荐准确性建模。然后在经典的多样化重排算法MMR（MaximalMarginalRelevance）建模思路的基础上增加考虑用户商品互补关系，即在该算法重排公式中增加用户商品互补性得分项从而提出MLC（MaximalListingComplementary）模型，如此在最终的商品推荐列表中提升与用户有着互补关系的商品的排名，实现在满足准确性要求的同时提升推荐的多样性，并使用贪心策略来对重排模型进行求解。此外考虑到每个用户对多样性存在着个性化的需求，本研究也利用用户历史行为序列进行多样化推荐的差异化建模，实现“千人千面”的多样性。本研究在亚马逊公开数据集和美团买菜工业数据集上分别进行了广泛的实验，结果表明本文提出的方法实现了准确性和多样性的平衡，并优于相关基准模型。 本研究为多样化推荐的研究提供了新的思路，结合商品互补关系进行多样化重排算法的改进，引导重排模型实现准确性和多样性的平衡，研究成果有利于丰富和发展多样化推荐的理论和方法，为提高数据利用效率提供参考。
NETL