电商借卖平台后台管理端设计与实现外文翻译资料

本科生毕业设计（论文）外文资料译文

（2020届）

外文资料译文规范说明

1. 外文资料译文：

时装零售电子商务的推荐系统开发

摘 要

这项研究提出了应用于一家韩国大型时装公司的协同过滤推荐系统，该公司通过线上和线下购物中心销售时装。公司的推荐环境具有以下独特的特征：首先，公司的线上和线下的商店都销售相同的产品。其次，时装产品通常具有季节性的，因此客户的总体偏好会随着一年中时间的变化而变化。最后，客户通常购买商品来替换以前喜欢的商品，或者购买商品来补充已经买过的物品。我们提出了一个名为K-RecSys的新系统，该系统通过反映上述的行业特征来优化典型的基于产品的协同过滤算法。K-RecSys将在线产品点击数据和线下产品销售数据进行加权，以反映客户线上购物和线下购物的偏好。它还采用了偏好衰减函数来反映偏好随时间的变化，最后它还使用了产品类别信息来推荐替代品和补充品。我们在实际操作环境中进行了A/B测试，将K-RecSys系统与仅考虑在线数据的现有的协同过滤系统进行比较。实验结果表明，我们所提出的系统在线上购物中心的产品点击率和产品销售方面具有优越性，其替代品建议比补充品建议更易被采用。

关键词：协同过滤，电子商务，时装产业，推荐系统

1.1 介绍

近年来，电子商务已成为许多零售企业的重要渠道。电子商务营销公司eMarketer（2017）估计，到2021年底，全球零售电子商务销售额将从2017年的2.29万亿美元增长至4.48万亿美元。尽管电子商务市场取得了成功，但它仍存在很大的市场局限性。虽然有工作人员可以在线下商店中为客户提供服务，但没有工作人员可以为在线商店的购买者提供帮助。为了克服这一局限性，在线商店提供了多种功能，例如使用“搜索和目录”的功能来帮助客户。尽管这些服务可以增强购买体验，但在线客户只有在使用它们时才能利用它们。

推荐系统是一种创新的解决方案，可以克服电子商务服务的局限性。推荐系统根据客户的行为和信息以及产品信息来识别客户的偏好，并主动给他们推荐可能会购买的产品。目前已经有许多研究来开发这样的推荐系统，并且已经有许多实用系统成功应用于各个企业中（Choi等，2012；Koren，2009a；Linden等，2003；Wei等，2016）。

被用于电子商务行业使用的推荐系统已经开发出来，他们能反映出该行业一些独有的特征（Portugal等人，2015；Schafer等人，1999；Sivapalan等人，2014；Wang和Zhang，2013；Zhao等人，2015）。这项研究旨在为一家公司（在以下讨论中称为K公司，该公司通过在线购物中心和线下商店销售时装产品）开发一个推荐系统，。K公司平均拥有500万会员，在线购物中心每年销售大约40000种产品，每月大约有150万次点击量和10000次交易。K公司还在韩国经营约1300家线下实体商店，每年销售约20000种产品。

K公司拥有以下独特的运营环境：

（1）购买时装产品时，客户购买以替换或补充其先前购买的或喜爱的产品。

（2）随着季节的变化，顾客对于时装产品的需求通常会相应的减少。通常人们会购买适合当季的时装产品，这样的模式经常会在购买时装产品中出现，而购买其他产品（如书籍和音乐）则与季节变化没有明显关系。

（3）时装产品可以在线上和线下商店中出售。以前的大多数研究主要集中在网上商店，但是在线商店和线下商店通常会销售相同的时装产品。通常客户首先在网上商店有购买的欲望，然后再去线下购买。

K公司已经认识到推荐系统是其业务成功的关键因素，并且已经对其在线购物商场采用常规的基于产品的协同过滤的系统。但是，K公司希望开发出一种新的推荐系统，以反映上述讨论的时装行业所具有的特定特点。在开发新的推荐系统时，我们需要满足以下要求：

首先，推荐系统能反映出随着时间的推移对时装产品的偏好下降。以前的临时推荐研究假设偏好的强度随着时间的流逝而降低（Campos等，2013；DingandLi，2005；Ding等，2006；Hong等，2012；Koren，2010；Larrain等，2015；Lathia等，2010；Xu等，2016）。也就是说，这些研究假设近期的行为（例如对同一产品的点击或购买）所反映出的偏好要强于更早的行为。但是，本研究着眼于对时装产品的偏好会随着产品发行时间而下降。

其次，推荐系统需要结合线下商店客户偏好数据和线上客户的偏好数据。线下购物中心的购物反映了线下顾客的偏好，因此，将线下购买数据与线上客户的数据结合可以提高在线推荐系统的性能。一些研究人员强调，线下和线上的信息可以帮助预测客户的偏好，但他们并未将此发现应用于推荐系统的开发（CheemaandPapatla，2010；Dzyaburaetal，2016）。只有少数研究考虑了将在线和线下购物中心数据整合到推荐系统中的问题（Adomavicius和Tuzhilin，2001；Cantador等，2015；Kim等，2016；Nilashi等，2014a）。最重要的原因似乎是他们很难找到一个行业，能结合线上商店和线下商店的偏好数据。但是，时装产品通过在线商店和线下商店出售，所以我们可以从这两个商店收集偏好数据。因此，本研究旨在提出一种结合线上和线下偏好来推荐时装产品的方法。

第三，客户的购买意愿可以通过推荐系统反映出来。当顾客购买产品时，他可以选择购买与之前的产品相配套的产品或者替换之前喜欢的产品。在本文中，前者称为互补品，而后者称为替代品。这项研究提出了一种使用产品类别信息来推荐互补产品和替代产品的方法。

2.1 相关工作

2.1.1 协同过滤推荐系统

推荐系统是大数据分析中最重要的应用程序之一，并且在众多企业中表现出色（Bobadilla等人，2013；Shi等人，2014；Su和Khoshgoftaar，2009）。许多在线公司，例如Amazon（Linden等，2003），Netflix（Koren，2009a），Google（Das等，2007）和Facebook（Shapira等，2013）都在使用推荐系统，并将其作为他们的业务之一。

一方面，推荐系统大致分为基于内容的系统和协同过滤系统。基于内容的系统会推荐与客户喜欢的产品相似的内容。它使用内容来构建推荐模型，但是本研究没有使用这种方法。相反，如下所述，我们使用基于产品内容的模型来改进协同过滤系统。

另一方面，协同过滤系统由于其简单和高性能的特点而在商业和学术研究中很受欢迎（Bobadilla等，2013；Shi等，2014；Su和Khoshgoftaar，2009）。协同过滤系统基于客户对产品的评级，而与产品内容的可用性无关。目前有两种较常见的协同过滤系统开发的方法。基于用户的协同式过滤系统会推荐类似客户在过去选择最多的产品（Breese等，1998；Herlocker等，2004；Konstan等，1997；Resnick等，1994；Sarwar等，2001；ShardanandandMaes，1995）。对于任何两个给定的客户，其相似性是根据他们对产品进行的评级来计算的。相关性（Konstan等，1997；Shardanand和Maes，1995）和余弦相似性（Breese等，1998；Sarwar等，2001）通常被用作相似性的度量，系统一般使用默认投票，反用户频率，案例放大和加权多数预测来整合相似用户的评分（Breese等，1998；Delgado和Ishii，1999）。

基于产品的协同过滤系统是分析产品之间的相似性，并为客户推荐与其选择的产品最相似的产品（Shardanand和Maes，1995）。产品之间的相似度是通过函数计算的，例如余弦相似度和基于条件概率的相似度（Karypis，2001），这种方法的优点是它可以预先计算产品之间的相似度，并且可以在客户单击或购买产品后立即显示。

典型的协同过滤系统着眼于用户-产品矩阵，它用矩阵的形式反映了客户点击或购买的产品。但是，最新的协同式过滤系统通过添加与用户和产品相关的其他信息以及用户和产品之间交互的信息来提高其性能（Shi等，2014）。

2.2 时装业推荐系统

推荐系统通常是针对特定行业（例如电影，书籍，音乐等）开发的，以前的一些研究集中在时装行业的独特特征上，我们将它们分为以下三类：

首先，许多研究集中于分配具有特定属性的时装产品。Quanping（2015）将时装属性（例如样式，颜色，材料，质量，品牌和季节性）整合到协同过滤推荐算法中。实验结果表明，集成了这些属性的协同过滤推荐系统优于常规方法。Nguyen等在2014年提出了一种时装推荐系统，该系统利用诸如点击，想要，购买之类的隐式反馈来生成隐式用户偏好分值，并根据价格、受欢迎程度和最新性来修改用户偏好的分值。

其次，一些研究侧重于推荐一组产品，而不是单个产品。Hu等人（2015年）提出了一个基于张量分解的推荐系统，该系统推荐一组时装产品而不是单个产品。现在市场上已有一种类似的使用一类协同过滤的方法（HeandMcAuley，2016）。Shen等人（2007年）提出了一种以场景为导向的时装推荐系统，聚焦于穿时装产品的环境。

最后，还有一些研究注重通过多媒体系统交互地推荐产品。Chao等人在2009年提出了一种在智能镜像系统中使用的推荐系统，该系统可在线下商店中提供虚拟试装。Tu和Dong（2010）提出了一种基于多媒体挖掘的时装推荐系统，该系统可以帮助客户找到最合适的时装产品。Tu和Dong结合了三种不同的模型：交互和推荐模型、更高级的分层时装多媒体挖掘模型以及他们系统中的色调分析模型。

我们的推荐系统是基于分类信息推荐产品，而不是考虑所有产品信息。分类信息通常不用于生成推荐模型，而是用于将推荐产品区分为替代品或补充品。该系统会根据客户对单个产品的偏好来推荐产品，但是它隐含地考虑了产品组。

2.3 优化基于产品的推荐系统来反映服装行业特征

2.3.1偏好的衰减作用

时装产品对季节性变化敏感，人们通常会购买适合本季节的产品。例如，人们在冬季购买冬季产品。这意味着在发布时装产品后，产品偏好会随着时间的流逝而降低。为时装产品开发推荐系统时，应该反映出这种季节性影响。

本研究采用时间推荐系统方法，该方法假定最新的偏好行为数据比过去的行为表现出更高的客户偏好准确度。先前的研究表明，基于时间推荐算法的协同过滤系统具有更高的性能（Campos等，2013；丁和李，2005；Ding等，2006；Hong等，2012；Koren，2010；Larrain等，2015；Lathia等，2010；Li等，2015；Lu和Lee，2015；Wang等，2016；Xu等，2016）。Ding和Li（2005）提出了一种基于产品的协同过滤系统，该过滤基于时间偏差计算不同产品的时间权重。他们将衰减函数定义为单调递减函数，该函数随时间t均匀减小，并且时间权重的值在（0，1）范围内。Lathia等人（2009年）将此问题视为与时间有关的迭代预测问题，并使用时域信息通过基于k-NN的协同过滤中k个邻居的数量来调整值。Koren（2009b）使用时间信息来检测由矩阵分解模型实现的基于模型的协同过滤中用户偏好的变化。这项研究以丁和李的工作为基础，并采用单调衰减函数来反映偏好随时间的下降。

2.3.2结合购买和点击数据

这项研究旨在将客户的点击数据和购买数据整合到一个协同过滤系统中。多标准推荐系统研究（Adomavicius和Kwon，2007年；Jannach等人，2012年；Lee和Teng，2007年；Nilashi等人，2014a）与

剩余内容已隐藏，支付完成后下载完整资料

英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[273191]，资料为PDF文档或Word文档，PDF文档可免费转换为Word