基于自然语言相似度检索的移动电商产品数据推荐方法.pdfVIP

第32卷第2期海南热带海洋学院学报Vol.32No.2

2025年4月JournalofHainanTropicalOceanUniversityApr.2025

基于自然语言相似度检索的移动电商产品数据推荐方法

任华新，景慎艳

（辽宁对外经贸学院管理学院，辽宁大连116052)

摘要：由于移动电商产品数据通常存在稀疏性，且用户经常使用多样化的表达方式来描述需求和偏好，难以

捕捉自然语言背后的深层次信息，导致推荐结果的准确性下降。为了推荐精准的移动电商产品数据给用户，提出

基于自然语言相似度检索的移动电商产品数据推荐方法。将交互注意力机制加入李生网络中，融合自然语言矩

阵，形成注意力矩阵，将新矩阵和旧矩阵两者拼接，通过Transformer编码器，获取自然语言中更深层次的信息，以

及自然语言相似度计算结果。通过布尔查询机制组建检索模型，完成自然语言相似度检索。通过二分K-means

聚类算法构建精细化的用户聚类模型，计算用户群体平均兴趣度，量化移动电商产品数据与用户需求之间的相似

性，根据最近邻居的信息形成最终的移动电商产品数据推荐列表。实验结果表明，所提方法推荐下的移动电商产

品数据覆盖率提升程度较大（最高达97%)，且具有强鲁棒性，吞吐量取值更大，可以为用户推荐满足其需求的移动

电商产品数据。

关键词：自然语言；相似度检索；移动电商产品；数据推荐；聚类算法

中图分类号：TP311.12文献标志码：A

D0I:10.13307/j.issn.2096-3122.2025.02.10

0引言

在移动电商领域,产品数据的稀疏性是一个普遍存在的问题[]。由于用户行为数据的有限性以及产

品属性的多样性，构建全面且精确的用户画像和产品特征描述变得尤为困难。与此同时,用户在表达需求

和偏好时[2],往往采用多样化的语言形式，这不仅包括直接的关键词搜索，还涵盖了更为复杂的自然语言

描述。这种多样化的表达方式虽然丰富了用户需求的层次，但也极大地增加了捕捉和理解这些需求背后

深层次信息的难度。协同过滤推荐方法[3-4]在面对这种高度复杂和多变的数据环境时，往往难以有效地挖

掘和利用用户与产品之间的潜在联系，从而导致推荐结果的准确性显著下降。

国内外相关专家针对数据推荐方面的内容展开了大量研究。童小凯等[5]通过构建跨领域的知识图

谱，建立起不同领域之间的深度联系。同时，引人包含了一个独特的融合注意力模块的自注意力机制，增

强各个目标域的推荐结果。虽然跨领域知识图谱有助于建立不同领域之间的联系，但知识图谱本身缺乏

全面性和准确性，影响对用户偏好和需求的准确捕捉，进而导致推荐结果的不准确。竺笈等[6]结合双线性

扩散聚合器设计了一种扩散图推荐模型，通过模型完成推荐。由于扩散图模型更加偏向于利用行为数据

而非自然语言数据，如果行为数据较为稀疏，无法获取深层次信息，难以准确捕捉用户的偏好。Zhang等[7]

通过对用户特征信息聚类获取子评级矩阵，将全部子评级矩阵组合后构建评级矩阵，根据用户相似性，引

人哈希算法对评分数据降维，通过预测目标用户评分对其推荐相应的内容。对用户特征信息聚类获取子

评级矩阵会导致信息损失，无法完全捕捉用户的多样化偏好和行为特征，造成部分用户特征信息被忽略或

混淆,进而影响推荐结果的准确性。Latrech等[8]针对推荐系统中的冷启动问题,提出了一种结合人口统计

和增强协同过滤的新型混合推荐系统CoDFi-DL，通过深度神经网络解决新用户冷启动问题，并通过基于

收稿日期：2024-10-28

基金项目：辽宁省高等学校科学研究一般项目（LJKZ1328)

作者简介：任华新，女，吉林扶余人，教授，硕士，研究方向为计算机应用；景慎艳，女，吉林通化人，教授，硕士，研究方向

为计算机应用和数据应用。

97

第32卷第2期海南热带海洋学院学报

邻域的方法提供个性化推荐。由于协同滤波算法主要基于评分数据，难以完全捕捉用户多样化的表达方