江學(xué)為， 田潤(rùn)雨， 盧方驍， 張 藝

(1. 武漢紡織大學(xué) 服裝學(xué)院， 湖北 武漢 430073； 2. 武漢紡織大學(xué) 武漢紡織服裝數(shù)字化工程技術(shù)研究中心， 湖北 武漢 430073； 3. 武漢大學(xué) 測(cè)繪學(xué)院， 湖北 武漢 430079)

近年來(lái)，隨著大數(shù)據(jù)與智能技術(shù)的不斷創(chuàng)新，電子商務(wù)進(jìn)入高質(zhì)量發(fā)展階段[1-2]。服裝精準(zhǔn)營(yíng)銷成為服裝企業(yè)關(guān)注的熱點(diǎn)。服裝推薦系統(tǒng)能夠根據(jù)消費(fèi)者喜好，提出符合消費(fèi)者購(gòu)買需求的建議，對(duì)精準(zhǔn)營(yíng)銷有著重要意義[3-4]。傳統(tǒng)服裝推薦算法可分為2類：第1類是基于消費(fèi)者群體劃分的推薦算法，如基于消費(fèi)者群體的協(xié)同過(guò)濾算法[5]；第2類是基于服裝相似度的推薦算法, 如基于關(guān)鍵點(diǎn)服裝款式識(shí)別的智能服裝推薦系統(tǒng)[6]。第1類推薦算法利用不同方法對(duì)消費(fèi)者進(jìn)行相似性分析，將其劃分為不同群體，根據(jù)同一群體對(duì)服裝的喜好，判斷該群體中消費(fèi)者對(duì)某款服裝的喜好。這類服裝推薦系統(tǒng)不依賴消費(fèi)者的歷史消費(fèi)數(shù)據(jù)，但對(duì)于新上市的服裝，由于缺乏消費(fèi)者評(píng)價(jià)，不能進(jìn)行較為準(zhǔn)確的推薦。第2類推薦算法對(duì)同一消費(fèi)者的服裝消費(fèi)行為進(jìn)行分析，通過(guò)將服裝與歷史消費(fèi)數(shù)據(jù)進(jìn)行相似性比較，推薦與曾購(gòu)買過(guò)的服裝相似的服裝。這類算法適用于新款服裝的推薦，但對(duì)于缺乏消費(fèi)歷史記錄的消費(fèi)者無(wú)法進(jìn)行有效推薦[7]。

針對(duì)傳統(tǒng)服裝推薦算法存在的問(wèn)題，有學(xué)者考慮到服裝不同屬性對(duì)消費(fèi)者喜好的影響權(quán)重不同，對(duì)上述推薦算法進(jìn)行改進(jìn)，提出了基于層次分析法(AHP) 的服裝推薦方法[8]。為進(jìn)一步提高推薦算法準(zhǔn)確度，尹定乾等[9]利用奇異值分解和相關(guān)系數(shù)對(duì)上述2類算法進(jìn)行結(jié)合，提出了基于奇異值分解(SVD++) 改進(jìn)的服裝推薦算法，在一定程度上提高了推薦算法的準(zhǔn)確性。但是，由于服裝具有周期短、款式多、批量小，消費(fèi)者對(duì)服裝偏好會(huì)隨著時(shí)間推移發(fā)生變化等特點(diǎn)[10]，需要進(jìn)一步考慮消費(fèi)者興趣、消費(fèi)者群體及歷史消費(fèi)數(shù)據(jù)對(duì)推薦準(zhǔn)確性的影響?；谝陨显?，本文考慮了服裝屬性與類別對(duì)消費(fèi)者興趣的影響，對(duì)服裝的相關(guān)數(shù)據(jù)進(jìn)行編碼，并通過(guò)服裝屬性與消費(fèi)者時(shí)序行為引入興趣衰減函數(shù)，構(gòu)建模擬評(píng)分模型，結(jié)合消費(fèi)者群體進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，建立了基于模擬評(píng)分服裝推薦系統(tǒng)，以期進(jìn)一步優(yōu)化服裝推薦算法。

1 模擬評(píng)分方法

本文針對(duì)服裝屬性和消費(fèi)者時(shí)序行為對(duì)推薦算法進(jìn)行改進(jìn)，提出了基于模擬評(píng)分算法的服裝推薦系統(tǒng)。模擬評(píng)分算法通過(guò)收集消費(fèi)者的相關(guān)數(shù)據(jù)(服裝的商品名和購(gòu)買、瀏覽、收藏服裝的時(shí)間)進(jìn)行編碼，并通過(guò)興趣函數(shù)計(jì)算消費(fèi)者對(duì)服裝的偏好評(píng)分，然后將評(píng)分進(jìn)行歸一化和模糊化處理，最后使用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，建立服裝推薦系統(tǒng)。

1.1 數(shù)據(jù)收集

本文試驗(yàn)對(duì)象為在校大學(xué)生，獲得試驗(yàn)對(duì)象許可后，搜集其網(wǎng)絡(luò)中與服裝相關(guān)的信息：服裝名稱、購(gòu)買時(shí)間、瀏覽時(shí)間、收藏時(shí)間、價(jià)格等數(shù)據(jù)。共收集了20位消費(fèi)者的與服裝相關(guān)的數(shù)據(jù)1 166條。由于消費(fèi)者對(duì)服裝的興趣變化受到服裝種類與購(gòu)買時(shí)間、瀏覽時(shí)間、收藏時(shí)間的影響顯著[11-12]，因此，使用服裝的商品名稱和購(gòu)買記錄、瀏覽記錄、收藏服裝的時(shí)間作為編碼參數(shù)。由于價(jià)格等數(shù)據(jù)不能表達(dá)服裝特性，所以對(duì)消費(fèi)者興趣不造成顯著影響[13]，其不作為編碼參數(shù)。

1.2 服裝編碼

圖1示出詞庫(kù)編碼示意圖。

圖1 詞庫(kù)編碼示意圖Fig.1 Schematic diagram of thesaurus coding

為提高數(shù)據(jù)分析的可靠性與模擬評(píng)分的準(zhǔn)確性，首先對(duì)所收集數(shù)據(jù)進(jìn)行預(yù)處理。預(yù)處理過(guò)程如下：根據(jù)分詞的權(quán)重，利用分詞算法對(duì)服裝標(biāo)簽進(jìn)行提取，并進(jìn)行降序排列。選取前若干個(gè)分詞，判斷其是否能描述服裝特性，是否與已有特性重復(fù)。若該分詞不能描述服裝特性或與已有特性重復(fù)則刪除，重復(fù)該流程，直到提取的所有分詞都可表征服裝的特點(diǎn)。標(biāo)簽提取完成后，根據(jù)服裝類別特點(diǎn)對(duì)標(biāo)簽進(jìn)行一級(jí)編碼，根據(jù)服裝的屬性特點(diǎn)進(jìn)行二級(jí)編碼。

以收集的3件T恤為例，其標(biāo)簽分別為：韓版、原宿、純棉、寬松、T恤、短袖、露肩、上衣；韓版、簡(jiǎn)約、圓領(lǐng)、套頭、修身、露肚臍、短袖、T恤；寬松、T恤、原宿、韓版、百搭、上衣、慵懶風(fēng)。首先對(duì)標(biāo)簽進(jìn)行去重處理并排序，根據(jù)服裝類別可獲得3個(gè)一級(jí)標(biāo)簽：T恤、上衣、短袖。根據(jù)服裝屬性可獲得12個(gè)二級(jí)標(biāo)簽：韓版、原宿、寬松、純棉、露肩、簡(jiǎn)約、圓領(lǐng)、套頭、修身、露肚臍、百搭和慵懶風(fēng)。當(dāng)服裝屬性與標(biāo)簽匹配時(shí)，該項(xiàng)編碼為1，否則為0，3件T恤編碼如表1所示。

表1 服裝編碼表Tab.1 Clothing coding table

根據(jù)以上計(jì)算流程，對(duì)所有服裝產(chǎn)品進(jìn)行預(yù)處理，生成對(duì)應(yīng)的編碼數(shù)據(jù)庫(kù)。

1.3 服裝消費(fèi)偏好

考慮時(shí)間對(duì)消費(fèi)者興趣的影響，本文根據(jù)艾賓浩斯記憶模型[14]，建立了基于歐氏距離的消費(fèi)者服裝興趣衰減模型，并結(jié)合相似度評(píng)分修正模型構(gòu)建了評(píng)分模擬算法，其計(jì)算過(guò)程如圖2所示。以襯衫和T恤品類為例，計(jì)算服裝消費(fèi)偏好過(guò)程如下。

圖2 模擬評(píng)分算法的計(jì)算過(guò)程Fig.2 Calculation process of simulation scoring algorithm

1)初始化消費(fèi)者對(duì)服裝的喜愛(ài)程度(評(píng)分)，將該消費(fèi)者有記錄的初始化服裝評(píng)分設(shè)置為100分。

2)計(jì)算每件服裝的時(shí)間間隔。由于消費(fèi)者對(duì)服裝的興趣衰減程度并不以天為周期急劇下降，因此，為方便計(jì)算，將每一個(gè)興趣衰減周期定義為30 d。 將實(shí)際購(gòu)買、瀏覽和收藏服裝的時(shí)間除以30 d， 計(jì)算時(shí)間間隔t(t屬于無(wú)量綱單位)。有時(shí)間記錄的數(shù)據(jù)可直接計(jì)算時(shí)間間隔；無(wú)時(shí)間記錄的數(shù)據(jù)，利用反距離加權(quán)插值法進(jìn)行加權(quán)進(jìn)行計(jì)算[15]，公式如下:

式中：tc為無(wú)記錄時(shí)間的服裝時(shí)間間隔；i為有時(shí)間記錄的服裝編號(hào)；n為有時(shí)間記錄的服裝件數(shù)；c為待求時(shí)間間隔編號(hào)；ti為第i件有時(shí)間記錄的服裝的時(shí)間間隔；di為第i件有記錄時(shí)間的服裝向量與待求服裝向量的歐氏距離。其中di的算法如下式所示：

式中：p為編碼向量的維度；q為維度上限；xp,i為第i件已知時(shí)間間隔服裝的p維編碼；yp為待求時(shí)間間隔服裝的p維編碼。

3)基于興趣衰減函數(shù)計(jì)算服裝評(píng)分。艾賓浩斯記憶函數(shù)為M=79.975t-0.126[14]，該模型反映了記憶量M隨時(shí)間t衰退的趨勢(shì)。式中：0.126為衰減系數(shù)，79.975為常量。消費(fèi)者的興趣衰減過(guò)程類似于記憶衰退過(guò)程，隨時(shí)間逐漸下降，因此，可采用記憶量與時(shí)間的關(guān)系分析興趣衰減過(guò)程。但這二者的下降趨勢(shì)并不完全相同，消費(fèi)者在開(kāi)始一段時(shí)間內(nèi)保持對(duì)服裝的興趣不變。在興趣與時(shí)間的關(guān)系式中，興趣系數(shù)常量設(shè)為100。由于消費(fèi)者對(duì)服裝興趣的衰減速度較慢[16]，所以本文利用范圍為0.1～1.0的a系數(shù)對(duì)衰減速度進(jìn)行調(diào)整，其函數(shù)為

M=100t-0.126a

為確定a的值，跟蹤了3位消費(fèi)者對(duì)1件服裝在30、40、50、60、70、80、90 d的模擬評(píng)分，并比較了其均方誤差如圖3所示。當(dāng)a= 0.6時(shí)，均方誤差最小，因此，興趣衰減公式表示為。

圖3 a值對(duì)應(yīng)的均方誤差Fig.3 Mean square error for a

式中：mh為第h件服裝的模擬評(píng)分；h為服裝編號(hào)；th表示第h件服裝的時(shí)間間隔。

4)獲取消費(fèi)者對(duì)當(dāng)前服裝的興趣編碼Yp。本文通過(guò)2種方式獲取當(dāng)前興趣編碼：若消費(fèi)者當(dāng)天曾購(gòu)買服裝，則此服裝對(duì)應(yīng)的編碼為當(dāng)前興趣編碼；若消費(fèi)者當(dāng)天未購(gòu)買服裝，則通過(guò)時(shí)間間隔倒數(shù)加權(quán)法[15]計(jì)算當(dāng)前的興趣編碼，計(jì)算公式為

式中：Yp為當(dāng)前興趣的p維編碼；p為編碼向量的當(dāng)前維度；l為服裝件數(shù)；Xp,h為第h件服裝的p維編碼。

時(shí)間間隔倒數(shù)加權(quán)法是根據(jù)1組已知數(shù)據(jù)計(jì)算未知數(shù)據(jù)的插值方法。Xp,h代表了1組已知數(shù)據(jù)，即有時(shí)間記錄服裝的p維編碼，Yp則是未知待求數(shù)據(jù)。上式中分子為已知服裝編碼除以時(shí)間間隔，用以計(jì)算服裝單位編碼，將所有服裝的單位編碼求和計(jì)算總體服裝單位編碼。總體服裝單位編碼包含了消費(fèi)者有時(shí)間記錄服裝的編碼特征，用以表征消費(fèi)者對(duì)服裝結(jié)構(gòu)、風(fēng)格和面料的興趣。分母為已知服裝的時(shí)間間隔的倒數(shù)，是為了將總體服裝單位編碼去單位化，即當(dāng)前興趣的p維編碼Yp。

5)計(jì)算消費(fèi)者當(dāng)前興趣編碼與歷史消費(fèi)編碼的歐氏距離。由于消費(fèi)者對(duì)服裝的興趣具有一定主觀性，可能會(huì)隨著時(shí)間衰減，也可能會(huì)不變或升高，因此，在計(jì)算消費(fèi)者對(duì)服裝的喜好時(shí)，不能僅根據(jù)時(shí)間計(jì)算，還應(yīng)該考慮當(dāng)前服裝編碼與消費(fèi)者歷史興趣編碼之間的關(guān)系(歐式距離D)，其計(jì)算公式為

式中：Dh為第h件服裝與當(dāng)前興趣編碼間的歐氏距離；Q為維度上限。Dh表示2個(gè)編碼向量間的多維空間距離，編碼間距離越近，2個(gè)編碼對(duì)應(yīng)服裝的相似度越高，則該服裝的評(píng)分也應(yīng)越高。

6)構(gòu)建基于Dh與mh的模擬評(píng)分修正模型。為提高推薦系統(tǒng)的準(zhǔn)確性，通過(guò)參數(shù)Dh對(duì)初始模擬評(píng)分進(jìn)行修正。為保持計(jì)算的一致性，模型以選擇e(1-Dh/Dmax)b為修正系數(shù)；b為調(diào)整系數(shù)，取值范圍為0.1～1.0。當(dāng)Dh越小時(shí)，消費(fèi)者對(duì)當(dāng)前服裝的興趣越高，模擬評(píng)分越高。當(dāng)Dh=Dmax，e(1-Dh/Dmax)b=1時(shí)，表示不需要修正模擬評(píng)分mh，因此Mh=mh。而當(dāng)Dh

Mh=e(1-Dh/Dmax)bmh

式中：Mh表示修正后的模擬評(píng)分；Dmax表示服裝與消費(fèi)者當(dāng)前興趣間歐氏距離的最大值。為保證更加接近真實(shí)值，分別計(jì)算了b取不同值時(shí)，修正后模擬評(píng)分與實(shí)際評(píng)分的均方誤差如圖4所示。結(jié)果表明，b=0.3時(shí)，均方誤差最小，因此，模型表示為

圖4 b值對(duì)應(yīng)的均方誤差Fig.4 Mean square error for b

Mh=e0.3(1-Dh/Dmax)mh

7)評(píng)分歸一化和模糊化處理。為統(tǒng)一評(píng)分標(biāo)準(zhǔn)，將所有模擬評(píng)分歸一化處理，計(jì)算公式為

式中：R為修正后的模擬評(píng)分；Rmax為修正后的最大模擬評(píng)分；Rnorm為歸一化服裝模擬評(píng)分。

為使模擬評(píng)分過(guò)程更接近真實(shí)情況，對(duì)時(shí)間與模擬評(píng)分進(jìn)行了模糊化處理，并使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，完成服裝推薦。根據(jù)人的記憶特點(diǎn)將時(shí)間間隔分為5類(見(jiàn)表2)。通過(guò)將真實(shí)評(píng)分除以10，并利用四舍五入法取整進(jìn)行評(píng)分模糊化處理。經(jīng)過(guò)模糊化處理后，評(píng)分范圍是0～10的整數(shù)。由于神經(jīng)網(wǎng)絡(luò)的輸出在0～1之間，所以將已得到的評(píng)分除以10后進(jìn)行訓(xùn)練。

表2 時(shí)間模糊化規(guī)則Tab.2 Time fuzzification rule

1.4 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程是模擬人腦按照已得到的評(píng)分規(guī)則，對(duì)消費(fèi)者的相關(guān)服裝進(jìn)行自動(dòng)評(píng)分的過(guò)程，通過(guò)模糊處理的方式，使模擬評(píng)分更接近真實(shí)人腦的狀態(tài)。將已經(jīng)得到的143件服裝的服裝編碼、時(shí)間間隔編碼及模糊處理后的模擬評(píng)分作為訓(xùn)練的初始數(shù)據(jù)，經(jīng)卷積層、池化層和全連接層處理，并通過(guò)loss層的反饋調(diào)節(jié)權(quán)重對(duì)模擬評(píng)分進(jìn)一步修正。神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程如圖5所示[17]。

圖5 文本卷積神經(jīng)網(wǎng)絡(luò)Fig.5 Text convolution neural network

2 模擬評(píng)分算法準(zhǔn)確度評(píng)估

為驗(yàn)證模擬評(píng)分算法的準(zhǔn)確性，本文根據(jù)20位消費(fèi)者的消費(fèi)特點(diǎn)，通過(guò)網(wǎng)絡(luò)平臺(tái)為每位消費(fèi)者隨機(jī)選擇25件襯衫和T恤，然后分別通過(guò)模擬評(píng)分以及測(cè)評(píng)者評(píng)價(jià)的方式對(duì)500件服裝進(jìn)行評(píng)分。參照李克特五級(jí)評(píng)分法[18]，消費(fèi)者按照五分制規(guī)則進(jìn)行評(píng)分。定義為：1分為非常不滿意，2分為不滿意，3分為勉強(qiáng)滿意，4分為滿意，5分為非常滿意。將模擬評(píng)分乘以100后，根據(jù)表3的轉(zhuǎn)換規(guī)則，將模擬評(píng)分轉(zhuǎn)化為五分制。

表3 評(píng)分轉(zhuǎn)換規(guī)則Tab.3 Scoring conversion rules

為評(píng)價(jià)模擬評(píng)分的準(zhǔn)確性，本文采用平均絕對(duì)值誤差(MAE)作為評(píng)價(jià)指標(biāo)[19]。指標(biāo)MAE表示模擬評(píng)分和真實(shí)值評(píng)分之間絕對(duì)誤差的平均值，計(jì)算公式如下：

式中：GAB表示通過(guò)模擬計(jì)算的消費(fèi)者A對(duì)服裝B的評(píng)分；G′AB表示消費(fèi)者A對(duì)服裝B的真實(shí)評(píng)分；N表示服裝的總件數(shù)；U代表消費(fèi)者測(cè)試集；I代表服裝測(cè)試集。平均絕對(duì)值誤差值越小，說(shuō)明模擬評(píng)分與消費(fèi)者評(píng)分誤差越小，算法越準(zhǔn)確。20位消費(fèi)者對(duì)每件商品評(píng)分的平均絕對(duì)值誤差值如圖6所示。通過(guò)計(jì)算發(fā)現(xiàn)，20位消費(fèi)者的平均絕對(duì)值誤差值為0.808，其中70%消費(fèi)者的平均絕對(duì)值誤差小于0.8。

圖6 消費(fèi)者平均絕對(duì)值誤差Fig.6 Mean absolute error value of users

奇異值分解算法(SVD)及SVD++算法被廣泛應(yīng)用于推薦系統(tǒng)與自然語(yǔ)言處理等領(lǐng)域，為提高預(yù)測(cè)準(zhǔn)確性，尹定乾等[9]提出了基于SVD++的改進(jìn)算法，并對(duì)服裝推薦系統(tǒng)進(jìn)行研究。該研究以2015年阿里巴巴移動(dòng)推薦算法大賽的數(shù)據(jù)作為樣本，分別利用SVD、SVD++和改進(jìn)SVD++算法進(jìn)行評(píng)分。通過(guò)比較三者評(píng)分的平均絕對(duì)值誤差發(fā)現(xiàn)，改進(jìn)SVD++算法最準(zhǔn)確。通過(guò)與改進(jìn)SVD++算法(0.832) 進(jìn)行比較發(fā)現(xiàn)，本文模擬的平均絕對(duì)值誤差降低了0.024，結(jié)果更準(zhǔn)確。其中70%消費(fèi)者的平均絕對(duì)值誤差小于0.8，準(zhǔn)確性有提升。

為進(jìn)一步分析改進(jìn)評(píng)分算法的效果，本文對(duì)評(píng)分平均絕對(duì)值誤差大于1的消費(fèi)者(占25%)進(jìn)行分析。在本文調(diào)查中，消費(fèi)者2、消費(fèi)者4、消費(fèi)者10、消費(fèi)者13和消費(fèi)者19的評(píng)分平均絕對(duì)值誤差大于1，即平均每件商品的評(píng)分誤差在1分以上。通過(guò)分析消費(fèi)者4的訓(xùn)練集發(fā)現(xiàn)，該消費(fèi)者的早期購(gòu)物較多，缺少近期數(shù)據(jù)，難以捕捉消費(fèi)者近期喜好，導(dǎo)致訓(xùn)練集中的數(shù)據(jù)評(píng)分普遍偏低，從而影響了評(píng)分。而消費(fèi)者19在實(shí)驗(yàn)前后身份發(fā)生了變化，由大學(xué)生身份轉(zhuǎn)變?yōu)樯习嘧?，其?duì)服裝的喜好由活潑風(fēng)格變?yōu)槌练€(wěn)風(fēng)格，而這一變化無(wú)法被模擬評(píng)分算法捕捉，導(dǎo)致了較大誤差。若不計(jì)以上影響，消費(fèi)者的評(píng)分平均絕對(duì)值誤差為0.632，相對(duì)于0.832大幅度降低，說(shuō)明模擬評(píng)分算法的準(zhǔn)確性有很大提高。

3 服裝推薦與評(píng)測(cè)

由消費(fèi)者評(píng)分規(guī)則及模擬評(píng)分轉(zhuǎn)換規(guī)則可知，3分為消費(fèi)者對(duì)服裝偏好程度的臨界點(diǎn)。評(píng)分大于3表示消費(fèi)者在不同程度上喜歡被評(píng)測(cè)服裝；評(píng)分小于3表示消費(fèi)者在不同程度上不喜歡該服裝。若某件服裝模擬評(píng)分大于3，則系統(tǒng)將該服裝推薦給消費(fèi)者，否則不推薦。

為評(píng)價(jià)推薦結(jié)果的準(zhǔn)確性，對(duì)消費(fèi)者進(jìn)行回訪，分析消費(fèi)者偏好是否與推薦一致。如果消費(fèi)者偏好與推薦一致，則視為推薦準(zhǔn)確，否則視為推薦錯(cuò)誤。通過(guò)比較發(fā)現(xiàn)，55%消費(fèi)者的推薦準(zhǔn)確率為100%，35%消費(fèi)者的推薦準(zhǔn)確率為96%，5%消費(fèi)者的推薦準(zhǔn)確率為64%，5%消費(fèi)者的推薦準(zhǔn)確率為60%。導(dǎo)致推薦準(zhǔn)確性較低的原因是消費(fèi)者缺少一定時(shí)期的購(gòu)買數(shù)據(jù)，或由于數(shù)據(jù)采樣和回訪期間身份轉(zhuǎn)變導(dǎo)致的喜好變化。由以上分析可知，基于模擬評(píng)分的服裝推薦系統(tǒng)對(duì)90%消費(fèi)者的推薦準(zhǔn)確率為96%及以上，僅有10%消費(fèi)者的推薦準(zhǔn)確率為60%～64%。

4 結(jié) 論

本文利用服裝編碼、時(shí)間間隔和歐氏距離等參數(shù)，建立了服裝興趣衰減函數(shù)，提出了模擬評(píng)分算法，并通過(guò)卷積神經(jīng)網(wǎng)絡(luò)建立了服裝推薦系統(tǒng)。該算法結(jié)合了第1類和第2類傳統(tǒng)推薦算法的優(yōu)勢(shì)，降低了推薦系統(tǒng)對(duì)歷史消費(fèi)數(shù)據(jù)的依賴。推薦系統(tǒng)通過(guò)興趣編碼間的歐式距離對(duì)模擬評(píng)分進(jìn)行修正，降低了模擬評(píng)分與真實(shí)評(píng)分間的誤差，從而提高了推薦的準(zhǔn)確性。

在缺乏消費(fèi)者一定時(shí)期內(nèi)的服裝消費(fèi)數(shù)據(jù)及由外界引起消費(fèi)喜好發(fā)生突然改變的情況下，基于模擬評(píng)分的服裝推薦系統(tǒng)準(zhǔn)確性會(huì)受到較大影響，因此，本文后期將針對(duì)這一問(wèn)題，進(jìn)一步優(yōu)化算法，減少推薦系統(tǒng)對(duì)歷史服裝消費(fèi)數(shù)據(jù)的依賴。