[论文解读] Family Shopping Recommendation System Using User Profile and Behavior Data

Jiacheng Xu|arXiv (Cornell University)|Aug 24, 2017

Recommender Systems and Techniques参考文献 13被引用 3

一句话总结

本文提出了一种新颖的家庭购物推荐系统，采用混合协同过滤方法，整合用户资料、行为数据及家庭关系数据。通过结合产品品牌、类型和类别的用户级与家庭级相似性，混合家庭模型在召回率和精确率方面均优于用户模型与混合用户模型，在真实购物商场数据集上表现出更优性能。

ABSTRACT

With the arrival of the big data era, recommendation system has been a hot technology for enterprises to streamline their sales. Recommendation algorithms for individual users have been extensively studied over the past decade. Most existing recommendation systems also focus on individual user recommendations, however in many daily activities, items are recommended to the groups not one person. As an effective means to solve the problem of group recommendation problem,we extend the single user recommendation to group recommendation. Specifically we propose a novel approach for family-based shopping recommendation system. We use the dataset from the real shopping mall consisting of shopping records table, client-profile table and family relationship table. Our algorithm integrates user behavior similarity and user profile similarity to build the user based collaborative filtering model. We evaluate our approach on a real-world shopping mall dataset.

研究动机与目标

• 为填补群体推荐系统中的空白，聚焦于家庭级购物行为而非个体用户。
• 开发一个统一的推荐模型，整合用户购买历史、活动数据及商场事件。
• 利用家庭关系数据提升共享账户或家庭共同购买商品的推荐准确率。
• 通过时间划分与标准评估指标，在真实世界购物商场数据集上实证验证所提模型。

提出的方法

• 系统基于用户行为、资料及活动数据的相似性度量，构建基于用户的协同过滤。
• 计算五个相似性矩阵：$W_{brand}$、$W_{type}$、$W_{category}$、$W_{activity}$ 和 $W_{profile}$，用于个体与家庭级推荐。
• 混合用户模型结合所有五种相似性类型，为个体用户生成Top-N推荐。
• 混合家庭模型在此基础上扩展，通过聚合家庭购买行为计算家庭级相似性矩阵（$W_{brand}^{F}$、$W_{type}^{F}$ 等）。
• 数据集按时间顺序在 '2016-07-15 00:00:00' 划分，80%用于训练，20%用于测试，以确保时间有效性。
• 评估采用Top-k推荐的精确率与召回率（k = 1 至 10），结果在各模型间可视化对比。

实验结果

研究问题

• RQ1 与基于个体用户的模型相比，整合家庭关系数据在多大程度上提升了推荐性能？
• RQ2 在家庭背景下，结合用户资料、行为与活动数据在多大程度上提升了推荐准确率？
• RQ3 融合多种相似性类型（品牌、类型、类别、活动、资料）的混合模型是否优于单一来源模型？
• RQ4 在不同Top-k推荐阈值下，混合家庭模型相较于混合用户模型与基础用户模型的性能表现如何？

主要发现

• 在所有Top-k值（1至10）下，混合家庭模型的召回率与精确率均高于用户模型与混合用户模型。
• 所有模型的召回率随k增加而提升，表明随着k增大，用户购买历史的覆盖范围更广。
• 当k超过3时，所有模型的精确率下降，表明在更高k值下推荐相关性收益递减。
• 混合用户模型在召回率与精确率上均优于基础用户模型，证实多源相似性融合具有优势。
• 混合家庭模型表现最强，表明建模家庭级行为可显著提升推荐质量。
• 结果在真实世界数据集上通过时间划分验证，确保了稳健性与实际应用价值。