陳俊虹 劉詠梅

摘 要：商務(wù)女裝是女性的日常著裝之一，很多女性在網(wǎng)購(gòu)商務(wù)女裝時(shí)常?；撕荛L(zhǎng)的搜索時(shí)間卻找不到令人滿意的服裝。本文將根據(jù)用戶在搜索過(guò)程中常用的關(guān)鍵詞類別進(jìn)行調(diào)研，得到用戶在網(wǎng)購(gòu)時(shí)常用的關(guān)鍵詞排序后，再根據(jù)關(guān)鍵詞的內(nèi)容進(jìn)行細(xì)分，構(gòu)建標(biāo)簽體系。根據(jù)TF-IDF和余弦相似算法構(gòu)建基于標(biāo)簽的推薦系統(tǒng)，從而提高用戶在購(gòu)買商務(wù)女裝時(shí)的精確度。

關(guān)鍵詞：標(biāo)簽推薦算法；用戶興趣；商務(wù)女裝；個(gè)性化推薦系統(tǒng)

中圖分類號(hào)：TS941.26 文獻(xiàn)標(biāo)識(shí)碼：B 文章編號(hào)： 1674-2346（2017）04-0068-05

1 引言

隨著互聯(lián)網(wǎng)的發(fā)展，各大電商平臺(tái)不斷壯大，網(wǎng)購(gòu)人群也呈現(xiàn)上升的趨勢(shì)。很多事業(yè)型的女性在兼顧家庭和實(shí)業(yè)之余，往往選擇在網(wǎng)絡(luò)上進(jìn)行購(gòu)物。淘寶、天貓等電商平臺(tái)，均能夠找到各種各樣與商務(wù)女性相關(guān)的服裝。然而也發(fā)現(xiàn)一些問(wèn)題，例如通過(guò)關(guān)鍵詞的搜索，卻找不到自己喜歡的服裝，或者要花費(fèi)很長(zhǎng)的時(shí)間才找到目標(biāo)服裝。為了節(jié)約消費(fèi)者購(gòu)物時(shí)間和精力，提高用戶的決策效率，因此很多電商平臺(tái)推出了個(gè)性化推薦系統(tǒng)。

在這個(gè)信息過(guò)剩的時(shí)代里，一方面，消費(fèi)者要從大量信息中篩選出自己感興趣的信息是一件較為困難的事；而生產(chǎn)者和經(jīng)營(yíng)者要讓廣大消費(fèi)者對(duì)自己產(chǎn)品的信息引起足夠的注意，也不是一件易事。推薦系統(tǒng)就是解決這類矛盾的重要工具之一。推薦系統(tǒng)通過(guò)發(fā)掘用戶的行為，找到用戶的個(gè)性化需求，從而將長(zhǎng)尾商品準(zhǔn)確地推薦給需要他的用戶，幫助用戶發(fā)現(xiàn)那些他們感興趣但很難發(fā)現(xiàn)的商品。[1]

傳統(tǒng)的推薦系統(tǒng)包含三大基本要素：用戶、資源以及用戶對(duì)項(xiàng)目的評(píng)分。根據(jù)用戶評(píng)分，產(chǎn)生相關(guān)的用戶模型或項(xiàng)目模型，然后再根據(jù)相關(guān)模型特征產(chǎn)生用戶感興趣的服裝，并推薦給用戶，或者產(chǎn)生與已知服裝相似的服裝推薦給用戶。目前推薦系統(tǒng)被廣泛地運(yùn)用于各大電商平臺(tái)的各個(gè)領(lǐng)域，在促進(jìn)服裝銷售方面起到了極大的作用。

2 推薦技術(shù)類型

根據(jù)國(guó)內(nèi)外研究成果，推薦算法主要分為： 基于內(nèi)容的推薦算法 （ Content - based，簡(jiǎn)稱 CB） 、協(xié)同過(guò)濾推薦算法 （ Collaborative Filtering，簡(jiǎn)稱 CF） 和混合推薦算法。[2]

2.1 基于內(nèi)容的推薦算法

基于內(nèi)容的推薦是建立在項(xiàng)目的內(nèi)容信息上作出的推薦，不需要根據(jù)用戶對(duì)項(xiàng)目的評(píng)價(jià)?；趦?nèi)容的推薦系統(tǒng)通過(guò)特征屬性來(lái)定義對(duì)象，當(dāng)用戶對(duì)對(duì)象進(jìn)行評(píng)價(jià)后，系統(tǒng)再通過(guò)學(xué)習(xí)用戶的興趣來(lái)判斷用戶的資料和待預(yù)測(cè)項(xiàng)目之間的吻合程度。[3]

基于內(nèi)容的推薦有優(yōu)點(diǎn)，如：沒(méi)有冷啟動(dòng)問(wèn)題和稀疏問(wèn)題。但也有缺點(diǎn)，要求內(nèi)容能比較容易地抽取，并形成有意義的特征，且內(nèi)容具有良好的結(jié)構(gòu)。

2.2 協(xié)同過(guò)濾推薦算法

協(xié)同過(guò)濾推薦算法一般分為2種類型：一是基于用戶的協(xié)同過(guò)濾推薦算法，二是基于項(xiàng)目的協(xié)同過(guò)濾推薦算法。

基于用戶的協(xié)同過(guò)濾算法是推薦系統(tǒng)中較為古老的推薦算法。通常協(xié)同過(guò)濾推薦算法包含2個(gè)步驟，首先要找到用戶集，該用戶集要和目標(biāo)的用戶興趣相似，然后再找到該集合中用戶所喜歡的集合，并且是目標(biāo)用戶還沒(méi)有看過(guò)的物品。

基于項(xiàng)目的協(xié)同過(guò)濾推薦算法（簡(jiǎn)稱Item CF）是根據(jù)用戶的行為記錄來(lái)計(jì)算物品與物品之間的相似程度；而目標(biāo)用戶對(duì)未評(píng)分項(xiàng)目的喜好度，則是通過(guò)他在歷史項(xiàng)目中的相似項(xiàng)目的評(píng)分來(lái)加權(quán)擬合，從而產(chǎn)生推薦。

2.3 混合推薦算法

因?yàn)閰f(xié)同過(guò)濾、基于內(nèi)容和基于圖結(jié)構(gòu)等推薦算法各自存在問(wèn)題，因而提出混合推薦算法，來(lái)達(dá)到“相互取長(zhǎng)補(bǔ)短”的目的。[4]混合推薦可以獨(dú)立運(yùn)用協(xié)同過(guò)濾、基于內(nèi)容和基于圖結(jié)構(gòu)的推薦算法，將多種算法進(jìn)行融合，再將融合后的結(jié)果推薦給用戶。在現(xiàn)實(shí)生活中，通常會(huì)采用組合推薦的形式，其中內(nèi)容推薦和協(xié)同過(guò)濾推薦的組合運(yùn)用最多。

3 商務(wù)女裝標(biāo)簽體系

3.1 標(biāo)簽簡(jiǎn)介

標(biāo)簽是一種內(nèi)容組織方式，是相關(guān)性很強(qiáng)的關(guān)鍵詞，能方便地幫助我們找到合適的內(nèi)容及內(nèi)容分類。標(biāo)簽體系的設(shè)計(jì)有2個(gè)較為常見的要求：一是便于檢索，二是效果顯著。在不同的場(chǎng)景下，對(duì)這兩點(diǎn)的要求重點(diǎn)是不同的。

一般而言，標(biāo)簽體系可分為3類：結(jié)構(gòu)化標(biāo)簽體系、半結(jié)構(gòu)化標(biāo)簽體系以及非結(jié)構(gòu)化標(biāo)簽體系。

3.2 商務(wù)女裝標(biāo)簽體系構(gòu)建

在商務(wù)女裝平臺(tái)上，用戶對(duì)服裝打的標(biāo)簽依據(jù)的是系統(tǒng)已有的服裝標(biāo)簽體系，屬于結(jié)構(gòu)化的標(biāo)簽體系。用戶根據(jù)自己的喜好進(jìn)行標(biāo)簽選擇。而系統(tǒng)內(nèi)的標(biāo)簽依據(jù)的是用戶對(duì)服裝的搜索習(xí)慣。

為了獲得用戶的搜索習(xí)慣，本研究展開了問(wèn)卷調(diào)研：1）采用第三方問(wèn)卷調(diào)查，利用專業(yè)在線調(diào)查網(wǎng)站問(wèn)卷星進(jìn)行調(diào)研。2）分別通過(guò)手機(jī)端和PC端向調(diào)研用戶發(fā)放，在線填寫問(wèn)卷。3）結(jié)果得到樣本總量為223份，有效問(wèn)卷206份，無(wú)效問(wèn)卷17份，問(wèn)卷有效率92%，回收率100%。調(diào)查結(jié)果見表1。

根據(jù)調(diào)查，將用戶對(duì)商務(wù)女裝的搜索關(guān)鍵詞前5項(xiàng)進(jìn)行排名，排序的結(jié)果是評(píng)價(jià)的綜合得分。具體的計(jì)算方法是：選項(xiàng)平均綜合得分=（ 頻數(shù)茲ㄖ擔(dān)？本題填寫人次（權(quán)值由選項(xiàng)被排列的位置決定）。結(jié)果顯示前7個(gè)最常用的搜索關(guān)鍵詞是款式、風(fēng)格、品牌、類目（如大衣，襯衫，褲裝等）、面料、穿著場(chǎng)合、色彩?；诖?，我們對(duì)商務(wù)女裝的款式、風(fēng)格、品類、面料、穿著場(chǎng)合、色彩分別進(jìn)行分類，每一標(biāo)簽之間權(quán)重相等，例如“穿著場(chǎng)合”下的標(biāo)簽分為4大類：日常辦公、接待會(huì)談、宴請(qǐng)活動(dòng)、慶典活動(dòng)。除了系統(tǒng)設(shè)置的標(biāo)簽內(nèi)容供用戶選擇，還設(shè)置了用戶自由輸入標(biāo)簽的窗口，目的是防止用戶找不到自己的目標(biāo)標(biāo)簽以及系統(tǒng)設(shè)置的標(biāo)簽和服裝本身不吻合。

本研究還對(duì)商務(wù)女裝不同品類的服裝維度進(jìn)行了調(diào)研，如表2、表3所示，除褲裝外，被調(diào)研者首要關(guān)注的是風(fēng)格。從下裝來(lái)看，被調(diào)研者最關(guān)注半身裙的風(fēng)格、廓形、長(zhǎng)度，褲裝的褲腿型、風(fēng)格、長(zhǎng)度，而對(duì)于圖案，大家則較少關(guān)注。從上裝來(lái)看，被調(diào)研者最關(guān)注的還是風(fēng)格，最不關(guān)注的是袖長(zhǎng)。對(duì)于連衣裙，被調(diào)研者第二關(guān)注的是裙長(zhǎng)，其次是腰型。在襯衫這一品類下，用戶最關(guān)注的服裝維度是風(fēng)格，第二關(guān)注的是領(lǐng)型，其次是廓形。而對(duì)于外套，被調(diào)研者首要關(guān)注的是風(fēng)格，其次是廓形，第三是衣長(zhǎng)。

根據(jù)每個(gè)品類下用戶最關(guān)注的服裝維度進(jìn)行標(biāo)簽推薦，從而促進(jìn)服裝標(biāo)簽系統(tǒng)的改進(jìn)和完善，也滿足了用戶的喜好，最終達(dá)到推薦的目的。

4 推薦模型構(gòu)建

4.1 構(gòu)建用戶興趣模型

本研究根據(jù)商務(wù)女裝的商品特征以及推薦算法的分析，提出基于商務(wù)女裝相關(guān)標(biāo)簽的推薦模型。根據(jù)商務(wù)女裝的分類以及用戶在選購(gòu)服裝時(shí)考慮的要素，提取與商務(wù)女裝相關(guān)的標(biāo)簽，提出基于標(biāo)簽的推薦算法，構(gòu)成了用戶-標(biāo)簽、標(biāo)簽-服裝2個(gè)二維關(guān)系。[5]通過(guò)用戶、服裝這2個(gè)方面同時(shí)挖掘用戶的興趣，構(gòu)建用戶的興趣模型，再利用服裝的標(biāo)簽內(nèi)容進(jìn)行相似度計(jì)算，最后根據(jù)用戶對(duì)服裝的興趣度進(jìn)行排序，從而形成推薦。具體的推薦過(guò)程描述如下：

1）根據(jù)用戶-標(biāo)簽-服裝的三維關(guān)系分解為用戶-標(biāo)簽、標(biāo)簽-服裝的2個(gè)二維關(guān)系，根據(jù)TF-IDF計(jì)算出用戶對(duì)服裝的興趣度。

2）根據(jù)服裝的標(biāo)簽內(nèi)容，用相似度計(jì)算尋找與用戶感興趣服裝標(biāo)簽內(nèi)容最相似的n個(gè)服裝。

3）將最相似的服裝按照從大到小排序，然后取出排名n的作為最終的 Top-N 推薦集。

4.1.1 用戶與標(biāo)簽的關(guān)聯(lián)度

首先定義用戶集U={U1，U2，U3……Un}，用戶總數(shù)為D，服裝集R=大{R1，R2，R3……Rn}，用戶標(biāo)注形成的標(biāo)簽集T={T1，T2，T3……Tn}，服裝總數(shù)為Q。

TF-IDF[6]（term frequency-inverse document frequency）是一種用于信息檢索與數(shù)據(jù)挖掘的常用加權(quán)技術(shù)。TF在推薦系統(tǒng)中的意思是用戶u對(duì)資源使用標(biāo)簽t進(jìn)行標(biāo)注的頻率，等于用戶ui對(duì)資源標(biāo)注標(biāo)簽tj的次數(shù)除以用戶u標(biāo)注的總次數(shù)，計(jì)算公式如下：

IDF表示標(biāo)簽t關(guān)于用戶的逆向文件頻率，等于用戶總數(shù)D除以1加上標(biāo)注過(guò)標(biāo)簽 ti的用戶總數(shù)j，再對(duì)得到的商取對(duì)數(shù)（加1是為了防止對(duì)數(shù)為0），計(jì)算公式如下：

4.1.2 服裝與標(biāo)簽的關(guān)聯(lián)度

服裝與標(biāo)簽的關(guān)聯(lián)度是指服裝被該標(biāo)簽標(biāo)記的可能性，計(jì)算公式如（4）、（5）、（6）所示：

TF的意思是標(biāo)簽t被標(biāo)注在服裝r上的頻率，等于標(biāo)簽ti被標(biāo)注在服裝r上的次數(shù)除以標(biāo)注在服裝r上的標(biāo)簽總數(shù)，計(jì)算公式（4）所示：

IDF表示標(biāo)簽t關(guān)于服裝的逆向文件頻率，等于服裝總數(shù)Q除以1加上服裝中被標(biāo)簽ti標(biāo)注的總數(shù)l，再對(duì)得到的商取對(duì)數(shù)（加1是為了防止對(duì)數(shù)為0），計(jì)算公式（5）所示：

4.2 服裝相似度量

相似度量采用基于向量夾角余弦的相似度算法。把用戶對(duì)服裝標(biāo)注的標(biāo)簽看做是n維空間上的向量，如果用戶對(duì)服裝沒(méi)有打相應(yīng)的標(biāo)簽，則用戶對(duì)該服裝的向量記為零向量。服裝與服裝之間的相似性通過(guò)向量之間的余弦夾角度量。

用戶-服裝的標(biāo)簽矩陣T的第i個(gè)列向量表示一個(gè)項(xiàng)i，則設(shè)項(xiàng)i和項(xiàng)j在n維用戶空間上的評(píng)分分別表示為向量 和 ，則向量 和 之間的相似性Sim（x，y）為：

（8）

4.3 預(yù)測(cè)排序

根據(jù)公式（8）中找到與用戶感興趣的服裝最相似的服裝進(jìn)行排序，按照相似度從大到小排序。取出排序靠前的n個(gè)服裝作為推薦。

5 小結(jié)

服裝推薦算法是目前各大電商平臺(tái)與企業(yè)都在進(jìn)行的課題。本研究通過(guò)用戶調(diào)研建立商務(wù)女裝的標(biāo)簽體系，并根據(jù)用戶的標(biāo)簽和商務(wù)女裝的標(biāo)簽構(gòu)建基于標(biāo)簽的推薦模型，目的在于改善標(biāo)簽的構(gòu)成以及提高用戶搜索內(nèi)容的準(zhǔn)確性。

參考文獻(xiàn)

[1]項(xiàng)亮.推薦系統(tǒng)實(shí)踐[M].北京：人民郵電出版社，2012，73-77.

[2]楊博，趙鵬.推薦算法綜述[J].山西大學(xué)學(xué)報(bào)：自然科學(xué)版，2011 （3）：337-350

[3]何克勤. 基于標(biāo)簽的推薦系統(tǒng)模型及算法研究[D].上海：華東師范大學(xué)，2010.

[4]王國(guó)霞，劉賀平.個(gè)性化推薦系統(tǒng)綜述[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（7）：71.

[9]劉健，張琨，陳旋.基于標(biāo)簽和協(xié)同過(guò)濾的個(gè)性化推薦算法[J].計(jì)算機(jī)與現(xiàn)代化，2016 （246）：62-71.

[10]王石，曹存根，裴亞軍，等.一種基于搭配的中文詞匯語(yǔ)義相似度計(jì)算方法[J].中文信息學(xué)報(bào)，2013，27（ 1）：7-14.

Research on Tag-Based Business Dress Recommendation Model

CHEN Jun-hong LIU Yong-mei

（College of Fashion and Art Design，Donghua University，Shanghai，200051，China）

Abstract： Business dress is one of womens daily wear.However，many women shopping online spend long time searching but cant find satisfying dress.Based on the keywords categories used most often in searching， a research has been carried out.Having got the keywords sorting which is subdivided according to the content of the keywords，a tag system is established.According to TF-IDF and cosine similarity algorithm，a tag-based recommendation system is built to improve the accuracy of users buying business womens wear.

Key words： tag recommendation algorithm；user interest；women's business dress；personalized recommendation system