多模态下的互补物品的多样性推荐

互补替代推荐在现代推荐系统中起着十分重要的作用,如何对现有推荐系统进行升级并给出更细粒度的推荐成了学术界研究的热点.为了解决互补替代推荐系统的精度不高以及缺乏多样性的问题,提出了一种基于图片、文本以及评分的多模态互补物品多样性推荐算法.结合卷积神经网络、文本向量化以及贝叶斯推断3种方法,使得推荐系统能够推荐更准确的互补物品;通过对用户偏好的多样性进行分析,使得推荐系统能够推荐更具多样性的互补物品.对亚马逊商城公开数据集进行实验,结果表明,该方法能够提高推荐结果的准确性,更为有效地为用户推荐多样的商品.