论文总字数：27252字

摘 要

现有电子商务的推荐系统已经开发了许多不同的推荐技术，它们的最大共同点是基于用户或对象或两者之间的相似性。这种方法基于相似度来进行推荐，导致用户将接触到越来越多的流行对象，而那些可能非常相关的项目将被忽略。目前大多数对推荐系统的研究还是把准确性作为唯一重要的因素，对多样性的要求则较低。而电子商务平台的用户又迫切地需要一个具有丰富多样性的推荐结果，以此释放更多的购买力。藉此，本文试图提出一种基于人工智能方案的推荐算法，该算法能够提高推荐结果的多样性，并尝试将这一推荐算法在其他领域加以推广。

那么，当下已经较为成熟的推荐机制，该如何提升推荐结果的多样性呢？故可以利用人工智能领域的深度学习方法，将物理学中的热量传播应用到用户-项目网络中，将目标用户的已购商品视作恒温热源，源源不断地给“用户-项目”系统提供热量，系统有足够的热量传递到各个节点，最终稳态结果是所有节点热量相同。相比于热量守恒的传统推荐算法，由于热量固定，从而系统的稳态结果往往与节点的热量成正相关，即越流行的节点会具有越高的热量值。与此同时，我们还可以利用余弦相似度方法，将推荐机制的目标用户分类，减小时间复杂度。最后，我们还可以将这一算法与传统推荐算法归一化，既可以规避评分范围的不同带来的影响，又可以利用可变参数自由调整两种特性的权重。

在模拟应用实验中，新算法充分保证了推荐结果的多样性，用户得到了更多的推荐商品结果，证明这一算法对于丰富推荐结果的多样性是可行的。热传导算法则更多地聚焦于一些细枝末节的微观节点，当与传统的推荐算法相比时，其多样性会得到有效提升，因其将一些冷门商品也推向了用户群体。

关键词：人工智能；推荐机制；多样性；热传导算法

Application of Artificial Intelligence in Diversity of Recommendation Mechanism -- a case study of Alibaba

Abstract

Many different recommender technologies have been developed in E-commerce Recommender systems. The most common feature of them is that they are based on users or objects or the similarity between them. This method is based on similarity to recommend, so that users will be exposed to more and more popular objects, and those items that may be very relevant will be ignored.

At present, most of the research on recommender system still takes accuracy as the only important factor, but the demand for diversity is low. The users of e-commerce platform urgently need a recommendation result with rich diversity to release more purchasing power. Therefore, this paper attempts to propose a recommendation algorithm based on artificial intelligence, which can improve the diversity of recommendation results, and try to extend this recommendation algorithm in other fields.

So, how to improve the diversity of recommendation results in the current more mature recommendation mechanism? Therefore, we can use the deep learning method in the field of artificial intelligence to apply the heat transmission in physics to the user project network, treat the purchased goods of the target user as a constant temperature heat source, and continuously provide heat to the "user project" system. The system has enough heat to transfer to each node, and the final steady-state result is that the heat of all nodes is the same. Compared with the traditional recommendation algorithm of heat conservation, because the heat is fixed, the steady-state result of the system is proportional to the heat of the node, and the more popular the node, the higher the heat value. At the same time, we can also use cosine similarity method to classify the target users of recommendation mechanism to reduce the time complexity. Finally, we can normalize this algorithm with the traditional recommendation algorithm, which can not only avoid the impact of different scoring range, but also use variable parameters to adjust the weight of the two characteristics freely.

In the simulation application experiment, the new algorithm fully ensures the diversity of recommendation results, and users get more recommended product results, which proves that this algorithm is feasible for enriching the diversity of recommendation results. Compared with the traditional recommendation algorithm, the heat conduction algorithm is more inclined to recommend those less popular nodes, which is equivalent to a concave lens, and spreads the user's vision to those unpopular items, thus improving the diversity of recommendation.

Keywords: Artificial Intelligence; Recommendation Mechanism; Diversity；Heat Conduction Algorithm

目 录

摘 要 I

Abstract II

第一章 绪 论 2

1.1 研究背景 2

1.2 研究目的及意义 2

1.3 研究内容及方法 2

1.4 论文框架 4

第二章 文献综述 5

第三章 阿里巴巴推荐算法机制现状分析 7

3.1阿里巴巴推荐算法现状 7

3.2 阿里巴巴现有的人工智能推荐算法及其作用 8

3.2.1 BGE(Base Graph Embedding)及其衍生算法 8

3.2.2 Learning Tree-based Deep Model for Recommender Systems 9

3.3 阿里巴巴推荐算法效果分析 10

3.3.1 阿里巴巴推荐算法的精确性和有效性 10

3.3.2 阿里巴巴的用户群体画像 11

3.4 阿里巴巴推荐算法的缺陷 11

第四章 阿里巴巴用户对商品推荐结果满意度的问卷调查 12

4.1 调查的对象 12

4.2 调查的工具和方法 12

4.3 调查数据的收集和分析 12

4.4 调查的结论 21

4.4.1推荐结果有效性不足 21

4.4.2推荐结果多样性不足 21

4.4.3推荐结果准确性存疑 21

4.4.4推荐结果时效性有待加强 21

4.4.5一个高标准的推荐结果的用户交互界面设计 21

第五章 利用人工智能解决推荐机制多样性的解决方案 22

5.1 阿里巴巴推荐算法的改进理论策略 22

5.1.1 阿里巴巴推荐算法理论 22

5.1.2 深度学习的定义以及深度学习和人工智能的关系 22

5.1.3 HeatS 算法以及ProbS 算法的核心思想 22

5.1.4 热量传播模型 23

5.1.5 余弦相似度算法 23

5.2 深度学习：将热力学传播模型引入到用户-项目网络 24

5.3 ProbS 算法与HeatS 算法模型 24

5.3.1 算法模型简介及其核心思想 24

5.3.2 利用用户相似度将用户分类 25

5.3.3 HeatS算法以及ProbS算法与传统推荐算法的结合 26

5.4 算法过程 26

5.4.1 对于HeatS过程 27

5.4.1 对于ProbS过程 27

5.5 模拟应用及算法复现（Python） 27

5.5.1 应用背景 27

5.5.2 应用需求 27

5.5.3 算法复现 27

5.5.4 应用结果 28

5.6 多样化推荐算法的优势以及应用 28

结 论 30

致 谢 31

参考文献 32

附录一：关于阿里巴巴商品推荐机制的问卷调查 34

第一章 绪 论

1.1 研究背景

现有电子商务的推荐系统已经发展得较为成熟，当前主流的电子商务推荐机制主要面向以下几个推荐方向：

1. 基于精准化营销和个性化服务的商品推荐。例如阿里巴巴集团旗下的各大电子商务平台，以淘宝移动端APP为例，其首页的推荐机制已经做到了“千人千面”。
2. 物联网及智能化产品的特定条件推荐。这种推荐模式则较为人性化，会在特定的地点和特定的情形下，做出不同的推荐。例如当用户连接上蓝牙耳机，手机系统便会自动做出推荐，让用户自行选择是否打开音乐播放器。
3. 基于大数据和社交购物的营销式商品推荐。这一推荐方向则更倾向于从社交方向让用户接受推荐。例如某些走下沉市场的网购平台，往往倾向于利用某些低价甚至免单的商品，让用户在微信及朋友圈里替自己的做铺天盖地的宣传，其解决方案包括但不限于转发或分享含有二维码或者文本口令的平面广告、拍摄内容较为夸张的短视频等。
4. 互联网金融方向的推荐机制及其解决方案。例如观看一段15秒的广告后领取商品或者服务的优惠券等。

作为推荐机制里最为高效的个性化推荐机制，现有的电子商务系统已经开发了许多不同的推荐技术，它们基本上都是利用用户和对象，以及用户——对象的相似性来对商品进行筛选。这种方法基于用户与商品的关系来做出推荐，导致用户之间的推荐结果将会越来越相似，而那些可能非常受用户期待的商品将被其他热门产品替代。其次，精确的推荐内容在大多数情况下，都不完全是有用的推荐：用户偶尔也会想尝试一下不符合自身需求的商品，来满足自己的好奇心。然而，目前大多数对推荐系统的研究还是把准确性作为唯一重要的因素。

1.2 研究目的及意义

通过系统性的研究，我们可以推断出现有电子商务网站主流推荐系统的各种缺陷，即现有的主流推荐系统都倾向于将准确性作为唯一的推荐指标，而推荐结果的多样性则往往被忽视。

剩余内容已隐藏，请支付后下载全文，论文总字数：27252字