23、基于机器学习的产品视觉相似性推荐

基于机器学习的产品视觉相似性推荐

1. 引言

产品推荐系统旨在为用户提供更优质的购物体验，进而增加收益。大多数在线商店的产品搜索基于用户的过往搜索历史和产品的相关特征，如标注标签、价格范围、类别、描述、尺寸、颜色等属性。这种传统方法虽能取得不错的效果，但容易受到产品元数据标注不当的影响。手动生成元数据的研究表明，人工标注的数据不够精确且缺乏一致性。

现有的产品推荐系统大致可分为三类：
- 协同推荐系统 ：通过分析用户的购物或浏览行为来预测其他用户的选择。比如，若一个用户浏览了液晶显示器但最终购买了打印机，协同技术会尝试找出这两种产品之间的关联。协同过滤又可分为基于模型和基于内存的两类。基于模型的系统需要一个用户 - 物品交互模型，而基于内存的系统则依赖于用户或物品在观察到的交互方面的相似性。协同过滤的明显缺点是需要用户的过往行为历史来建立相似产品之间的关联，同时需要大量数据，并且在处理新产品和新用户时面临挑战。
- 基于内容的推荐系统 ：利用用户过去喜欢或购买的物品来推荐相似物品。该技术需要将存储用户偏好和兴趣的用户配置文件属性与内容对象的属性进行匹配，以向用户推荐新的感兴趣的物品。然而，这种技术中使用的手工特征需要专业知识，容易出现已知问题，并且扩展用户现有兴趣的能力有限。
- 混合系统 ：结合了上述两种系统的特点进行产品推荐。

这些系统都需要产品关联的过往历史和/或用户预先存储的偏好，因此其性能会随着时间的推移而提高，而非立即产生效果。相比之下，基于产品视觉相似性的推荐系统可能更高效，它可以在不依赖用户过往使用或偏好历史的情况下，立即