vlambda博客
学习文章列表

由于汽车自身具有复杂度高、交易和消费频次低等特点，所以在推荐任务执行过程中，会遇到用户相关领域知识匮乏、用户历史交易数据少、商品属性复杂等困难。

针对相关领域知识匮乏和商品属性复杂，研究者一般通过构建相关知识领域专家系统应对。这些专家系统通过和用户进行信息交互来准确获得用户的信息及需求，在此基础上结合已有的领域专业知识体系协同计算分析，从而对用户提供高效的推荐。然而，专家系统的构建过程相对繁琐，在系统构建初期，需要将领域专家提供的信息和知识体系转化成系统能理解的数据模型，这些数据模型主要包括专业知识库、规则集合等，这个过程需要花费大量的时间和人力。同时，在整理专业知识和规则时，由于人为将需求和属性特征关联，这会使专家系统的知识库和规则库产生一定的片面性和主观性，最终对推荐结果形成干扰。

针对用户历史交易数据少，一些研究者利用社交网络来获取用户更多的相关信息来弥补信息缺失，而另外一些研究者则使用项目信息进行处理，如项目描述、简介、评论文本信息。虽然在社交网络和评论文本这两个领域的研究已分别有了瞩目的成果，但是将社交网络和评论文本相互结合的研究却相对较少。社交网络为用户提供了丰富的社交信息，可缓解用户历史交易记录少的困难，而评论文本分析则可缓解用户相关领域知识匮乏和商品属性复杂带来的负面影响。

我们从两方面入手，一是社交环境对用户的影响，在特定的车型下构建购买用途需求的社交圈，在此社交圈的基础上分析用户的个人偏好和偏好相似度两个社交因素，根据已有的计算方法量化其社交关系；二是评论文本对项目的影响，通过深度学习技术构建了四层卷积神经网络来学习文本特征。

我们提出了新颖的SCTCMAR汽车推荐模型，该模型融合了社交影响和评论文本特征，即用户的个人偏好和偏好相似度以及项目的评论文本特征，最终将这三个因素注入到推荐模型中体现了社交因素和评论文本特征因素对用户决策过程的影响。

SCTCMAR的图模型（中间的点线框为概率矩阵分解（PMF），左边黄色线框是社交因素，右边黄色线框是卷积神经网络（CNN）。该模型在PMF的基础上，融合社交因素对用户的影响和评论文本特征对项目的影响）

最终，我们基于SCTCMAR汽车推荐模型实现了汽车推荐系统，系统将来自各大汽车论坛的用户评论数据，汽车经销数据进行多源数据融合，从不同维度深度地挖掘互联数据和用户汽车消费行为的关联模式。其实现方案主要包含评论文本数据处理分析和汽车推荐两部分。简要流程如下：

① 系统从各大汽车网站和论坛爬取汽车相关数据以及用户评论数据，经过清洗后与销售数据融合。

② 对评论文本数据进行进一步的处理和分析，针对某款汽车的评论数据抽取关键词。

③ 结合数据库中用户购车数据和提取评论文本特征等信息，利用深度学习技术挖掘评论特征，将评论特征加入到概率矩阵分解模型中，在矩阵分解模型中，同时也加入了社交因素，考虑了用户的个人偏好和偏好相似度。最后向购车用户推荐最能满足他购车需求的N款汽车。

系统处理流程图

汽车评论数据挖掘

相似汽车推荐

详细推荐结果展示