Credit: Pixabay/ CC0公共领域推荐算法可以通过在购物者向购物篮中添加产品时推荐补充产品来使客户的在线购物体验更快、更高效。顾客买花生酱了吗？算法推荐几个品牌的果冻下一步添加。这些算法通常通过将购买的物品与其他购物者经常在他们旁边购买的物品相关联来工作。如果购物者的习惯、品味或兴趣与以前的顾客非常相似，这样的推荐可能会节省时间，唤起记忆，并成为购物体验中受欢迎的补充。
但是，如果购物者购买花生酱来填充狗玩具或引诱捕鼠器呢？如果购物者更喜欢蜂蜜或香蕉和花生酱呢？推荐算法将提供不太有用的建议，给零售商带来销售成本，并可能惹恼顾客。
最近在加州大学河滨分校Instacart合作者处获得计算机科学博士学位的Negin Entezari和她的博士顾问Vagelis Papalexakis领导的新研究，将一种称为张量分解的方法——科学家用来在海量数据中寻找模式——带入商业世界，以推荐更仔细地根据客户偏好定制的补充产品。
张量可以被描绘成多维立方体，用于建模和分析具有许多不同组成部分的数据，称为多方面数据。与其他数据密切相关的数据可以以立方体排列的方式连接，并与其他立方体相关联，以揭示数据中的模式。
恩特扎里说:“张量可以用来代表顾客的购物行为。”三模式张量的每一种模式都可以捕捉到交易的一个方面。顾客形成张量的一种模式，第二种和第三种模式通过考虑在单次交易中共同购买的产品来捕捉产品之间的交互。"
例如，三个假设的购物者——甲、乙和丙——进行以下购买:
a:一次交易买热狗、热狗面包、可乐和芥末。b:做三笔独立的交易:篮子1:热狗和热狗面包；篮子2:可乐；篮子3: MustardC:热狗、热狗面包和芥末。对于传统的基于矩阵的算法，客户A和客户B是相同的，因为他们购买了相同的商品。然而，使用张量分解，客户A与客户C的关系更密切，因为他们的行为相似。两人在一次交易中共同购买了相似的产品，尽管他们的购买略有不同。
典型的推荐算法基于客户刚刚购买的商品进行预测，而张量分解可以基于用户整个购物篮中已经有的商品进行推荐。因此，如果购物者的篮子里有狗粮和花生酱，但没有面包，基于张量的推荐算法可能会建议一个可填充的狗咀嚼玩具，而不是果冻，如果其他用户也购买了。
计算机科学与工程副教授Papalexakis说:“张量是多维结构，允许对复杂、异构的数据进行建模。“不是简单地注意到哪些产品是一起购买的，而是有了第三维度。这些产品是由这类用户购买的，算法会尝试确定哪类用户正在创建这种匹配。”
为了测试他们的方法，Entezari、Papalexakis和合著者王海勋、Sharath Rao和Shishir Kumar Prasad都是Instacart的研究人员，他们使用Instacart公共数据集来训练他们的算法。他们发现，他们的方法在预测客户特定的补充产品推荐方面优于最先进的方法。尽管还需要做更多的工作，但作者得出结论，大数据张量分解最终也可以在大企业中找到归宿。
“就推荐系统而言，张量方法虽然是非常强大的工具，但在学术研究中仍然更受欢迎，”Papalexakis说。“为了让工业界采用它们，我们必须证明，用它们已经有效的东西来替代它们是值得的，而且相对来说不会带来痛苦。”
尽管先前的研究已经显示了张量建模在推荐问题中的好处，但新的出版物在互补项目推荐的设置中首次这样做，使张量方法更接近推荐系统背景下的工业采用和技术转让。
“张量方法以前已经被工业界成功采用，化学计量学和食品质量就是很好的例子，像我们的工作这样的每一次尝试都证明了张量方法在能够解决不同领域如此广泛的挑战性问题方面的多功能性，”Papalexakis说。
论文“基于张量的互补产品推荐”在IEEE大数据2021上发表。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
