新推荐算法通过张量分解将客户行为纳入考虑

摘要：

推荐算法可以通过在购物者将产品添加到购物车时推荐互补产品来使客户的在线购物体验更快、更有效.这些算法通常通过将购买的物品与其他购物者经常购买的物品相关联来进行计算.近日,加州大学研究人员的一项新研究带来了一种称为张量分解(Tensor Decomposition)的方法(该方法经常被用于在大量的...>>详细推荐算法可以通过在购物者将产品添加到购物车时推荐互补产品来使客户的在线购物体验更快、更有效.这些算法通常通过将购买的物品与其他购物者经常购买的物品相关联来进行计算.近日,加州大学研究人员的一项新研究带来了一种称为张量分解(Tensor Decomposition)的方法(该方法经常被用于在大量的数据中寻找模式),能够根据客户偏好更仔细地推荐互补产品.张量可以被描绘为多维立方体,用于对具有许多不同组件的数据进行建模和分析,称为多面数据."张量可以用来表示客户的购物行为,"研究人员解释,"三模张量的每一种模式都可以捕捉交易的一个侧面.客户作为张量的一种模式,第二种和第三种模式通过在单个交易中共同购买的产品来捕捉产品与产品之间的交互."

机标关键词：客户行为、在线购物体验、互补产品、购物者、tensor、加州大学、多维立方体、购物车、第三种模式、经常购买

分类号：TP391.3(计算技术、计算机技术)

在线出版日期：2022-11-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共1页

页码：112-112