Comme nous le savons tous, Taobao représenté par la plate-forme de commerce électronique habituellement recommandé de concevoir des stratégies complexes afin d'atteindre le but d'améliorer le taux d'achat de l'utilisateur. Cependant, les systèmes actuels de recommandation des fournisseurs d'électricité en général se fonder uniquement sur le comportement d'achat propre historique utilisateur pour leur recommandation.

Bien qu'il y ait eu de nombreuses études indiquent le comportement d'achat de l'utilisateur fortement influencé par des amis le comportement d'achat (c.-à-recommandation sociale), fiable et de confiance dans la plate-forme d'affaires électroniques manque, le plus grand obstacle à la réussite à recommander cette stratégie recommandée atterrissage.

Par conséquent, sur la base des problèmes pratiques Alibaba système de recommandation de la plate-forme Taobao fait face à un exemple pour discuter de la façon de déduire la relation de confiance entre la vue à grande échelle de l'utilisateur.

Au-dessus de la figure comme un exemple, il y a une relation de confiance mutuelle entre certains utilisateurs sont connus, tels que les relations familiales, les relations entre les étudiants et les collègues, les relations, la façon dont les relations de confiance de recommandation avec d'autres utilisateurs?

Pour résoudre ce problème, nous proposons une relation d'association binaire compte tenu de la relation entre le facteur et le modèle de la figure trois relation de yuans proposé effet de ceci est une avancée considérable mais plus que l'amélioration de l'efficacité 1000 fois le modèle approximatif.

Le modèle que nous présenterons l'application aux scénarios d'entreprise réelle plate-forme Alibaba Taobao, les résultats des tests A / B montrent que l'application du modèle de relation de confiance trouvé dans le système de recommandation, permet d'optimiser sensiblement une série d'importantes plate-forme de fournisseur d'électricité d'évaluation commerciale.

Nous avons défini quatre types de relations de confiance: la famille (Fa), les étudiants (Cl), collègues (Co), les amis (kn). La figure montre un cas dans une relation connue entre l'utilisateur A et B (et la relation entre l'utilisateur A et C), la distribution de la relation entre le type de l'utilisateur B-C.

La ligne continue représente la relation connue, une ligne brisée montre un besoin de relation inférée. Il peut être observé sur la figure que la même probabilité élevée dans la plupart de la relation (ouvert) et fermé dans une configuration triangulaire, dans lequel l'inférence nécessaire avec les types de relations connues.

Le degré d'importance (ouvert) et la configuration triangulaire fermée du facteur figure notre modèle proposé peut être automatiquement énumérait prend connaissance à partir des données d'entrée dans des problèmes d'estimation de la confiance FIG.

La figure est un modèle graphique de facteur (facteur graphique modèle) nous avons créé. La relation entre les deux utilisateurs sont chacun correspondant à un vecteur caractéristique x Et une étiquette y (le côté droit sur la figure, respectivement en dessous et au-dessus des deux parties). Dans lequel le facteur f est définie en fonction d'une relation x Et y sur:

Deux fonctions yuan fonction g de facteur et le facteur de terpolymères h sont définis dans deux et trois configuration triangulaire adjacente à la relation de l'utilisateur, ce qui reflète l'association entre les relations binaires, ainsi que l'association ternaire:

Quel est le modèle des paramètres doivent apprendre.

Après la mise en place d'un tel modèle de graphe de facteur, nous fonction de vraisemblance est optimisé en maximisant l'objectif:

Y ^ L dans laquelle représente l'ensemble de toutes les balises connues, p (Y | G) conformément à la définition de Y est la probabilité de jeu tag G toutes les relations. Nous serons la probabilité conjointe modélisée comme produit de divers facteurs:

Dans laquelle Z représente un facteur de normalisation mondiale. Nous utilisons l'algorithme de descente de gradient pour résoudre les paramètres du modèle, pour résoudre, par exemple, on calcule la dérivée partielle de la fonction objective des paramètres:

Sur le type d'attentes peut être complété comme suit:

Pour le calcul des attentes de l'équation ci-dessus, il faut calculer la probabilité marginale p (yi, YJ, yk). Nous utilisons l'algorithme de propagation de croyance du cycle (Loopy de propagation des croyances) pour rapprocher la probabilité marginale. Par algorithme de descente de gradient, on peut obtenir les paramètres du modèle graphique de facteur. Enfin, en fonction des paramètres du modèle de déduire des étiquettes toutes les relations inconnues. Nous appelons cela la méthode proposée est appelée eTrust. algorithme spécifique décrit comme suit:

Cependant, sur un réel des données cartographiques à grande échelle, le cycle croyance efficacité algorithme de propagation est extrêmement faible, donc nous proposons un nouvel effet, mais plutôt d'améliorer l'efficacité 1000 fois algorithme d'approximation. Nous avons facilement résolu avec la probabilité d'un besoin de remplacer l'algorithme de propagation de probabilité marginale de confiance d'origine avec la circulation.

Plus précisément, un à chaque itération, la prochaine itération les informations de balise inférée vu approximatives des étiquettes connues pour obtenir une nouvelle fonction cible du nombre de négatif:

Dans lequel la bande ^ YJ et yk représente l'étiquette d'un facteur de normalisation mondiale extrapolée est un facteur de normalisation Zi partiellement remplacé par:

Les paramètres du modèle peuvent encore être obtenus par le procédé de descente de gradient, on donne un exemple pour lequel le paramètre des dérivées partielles:

parmi

Nous appelons cette méthode d'approximation proposée est appelée eTrust s. algorithme spécifique décrit comme suit:

Nous avons validé les résultats du modèle et l'efficacité de nos données présentées dans l'ensemble de données Ali et trois autres sur la divulgation des relations de confiance. données statistiques définies comme suit:

Notre modèle avec la supervision et de l'algorithme semi-supervisé est comparé comme suit:

Notre modèle avec l'algorithme non supervisé est comparé comme suit:

Notre proposé eTrust comparaison de l'efficacité relative eTrust de la manière suivante:

Le modèle eTrust de l'analyse des facteurs de quatre ensembles de données et convergence comme suit:

Enfin, nous allons modèle eTrust-s Alibaba données réelles de l'utilisateur dans la relation inférée de confiance appliquée au système de recommandation en ligne Alibaba, et des applications avant le test A / B et d'affaires après l'application.

L'application d'un système de recommandation de relation de confiance dans la scène de la recherche de produits Taobao, sur les taux de rendement, la différence des taux d'évaluation et l'indice du taux d'évaluation par rapport à l'algorithme de filtrage collaboratif traditionnel a diminué de 30,09%, 45,45% et 42,08%; Taobao « bons produits » dans la scène, ce qui porte les ventes totales à l'augmentation de 2,75%.

Aminer titres universitaires

Transfert: https: //www.jiqizhixin.com/articles/2019-03-05-10