本文是一篇计算机软件论文，本文提出了不同的用户行为挖掘和捕捉方法，旨在有效地建模用户个性化的需求以及全面地建模用户复杂多变的需求，以提升购物篮推荐任务的性能。
第1章 绪论
1.1 研究背景及意义
近年来，物联网、大数据和人工智能等技术的迅猛发展，使得人们日常生活中的数据量急剧增加，呈现出指数级增长态势[1]。据国际数据集团（IDC）发布的白皮书预测，到2025年，全球数据量将高达175ZB，届时中国将成为全球数据量最大的国家[2]。大数据潜藏着巨大的价值和潜力，可以引发颠覆性的社会变革，但也带来了严重的“信息过载”问题。如何从海量且错综复杂的数据中迅速有效地提取有价值的信息，已成为大数据领域亟待解决的核心问题。推荐系统作为有效缓解信息过载的有力工具，已引起学术界和工业界的高度关注，并在不同领域得到了广泛应用，且重要研究成果颇多[3,4]。
推荐系统的任务在于深入剖析用户的需求和兴趣，运用高效的推荐算法从浩如烟海的数据中精准筛选出满足用户需求的信息[5]。推荐系统不仅有助于用户高效地发现对自己有价值的信息，更能确保信息能够准确无误地展现在对其真正感兴趣的用户面前。作为一种高效的信息过滤手段，推荐系统目前已经在众多领域获得了广泛应用。例如，在视频平台领域（例如YouTube、爱奇艺等），推荐系统能够基于用户的观看历史和喜好，推送个性化的视频[6]；在新闻资讯领域（例如腾讯新闻、今日头条等），推荐系统则能够根据用户的阅读偏好，推荐相关新闻资讯，提高用户的阅读效率[7]；在社交网络领域（例如微博、Facebook等），它可以根据用户的社交行为、互动历史和内容偏好，为用户推荐可能感兴趣的好友、群组或话题，促进用户之间的交流与互动[8]。此外，推荐系统在电子商务领域中同样扮演着举足轻重的角色，它能够从用户的浏览历史和购买记录中挖掘用户的需求，并据此为用户提供相应推荐[9]。这些应用场景不仅凸显了推荐系统的实用性和价值，也为其在更多领域的应用提供了广阔的空间。
1.2 研究内容
如图1.1所示，本文旨在改善目前购物篮推荐方法在用户需求建模方面的不足，研究内容主要包括：如何同时挖掘用户的动态购买行为模式与固定购买行为模式，以有效建模用户个性化的需求以及如何捕获用户动态变化的异构多行为依赖关系，以全面建模用户复杂多变的需求。具体地，本文可以划分为以下两部分：
⑴ 基于频域增强的购物篮推荐方法研究
在电子商务领域中，用户的购买行为本质上是由其潜在需求所驱动的。为用户推荐由多个商品组成的购物篮是一个逐步满足用户需求的过程，在这个过程中用户的每个需求都依赖于为实现它而采取的行为。现有的购物篮推荐方法局限于机械地挖掘用户的购买行为模式，导致模型难以有效建模用户购买行为背后个性化的需求，影响推荐性能。为了洞察用户购买行为背后个性化的需求，应深入挖掘用户的购买行为模式，不仅需要考虑用户的动态购买行为模式，还需考虑用户的固定购买行为模式。为此，本文提出了一种基于频域增强的购物篮推荐方法，旨在同时挖掘用户的动态购买行为模式与固定购买行为模式，从而有效建模用户个性化的需求。
第2章 相关研究概述
2.1 购物篮推荐基本概念 购物篮推荐作为推荐系统的一个重要分支，在电子商务领域发挥着至关重要的作用。它基于用户的历史访问记录（购物篮序列），通过深入分析和挖掘用户的行为模式，为用户推荐可能购买的商品集合（即下一个购物篮）。如图2.1所示，用户每一次购物访问所购买的商品可以被视为一个购物篮序列。其中，“购物篮”是指用户在一次购物访问中（在本文中，通常以天为单位）实际购买的一个或多个商品的集合，它直接反映了用户的购买行为。这一概念与在线购物平台中的“购物车”有相似之处，但二者也存在明显的区别。购物车指的是用户用于暂时存放可能购买商品的一个“临时容器”，它更多体现的是用户在线购物过程中的一个中间环节；而购物篮是用户最终确认并购买的商品清单。
2.2 购物篮推荐相关研究
2.2.1 购物篮推荐vs. 会话推荐
购物篮推荐（next-basket recommendation）与会话推荐（session-based recommendation）作为推荐系统的重要分支，在电商领域具有广泛的应用。但二者在输入数据、建模方式以及推荐目标等方面存在显著的区别。
首先，在输入数据方面，购物篮推荐依赖用户的购物篮序列数据，而会话推荐依赖用户的会话数据。购物篮是用户在一次购物访问中购买的商品集合，购物篮内的商品通常没有明确的顺序，而购物篮序列内的购物篮有着严格的顺序；会话是指用户在电商平台与商品在一定时间内进行的交互活动，会话内的商品可能依据用户交互的先后顺序排列，也可能呈现无序状态。
其次，在建模方式方面，购物篮推荐建模用户购物篮序列中复杂的序列依赖性，而会话推荐则建模用户的会话依赖性。购物篮推荐不仅考虑同一购物篮内的商品关系，还需考虑用户行为之间的时序依赖关系[10]；会话推荐考虑的是用户短期会话中商品的依赖关系，更侧重于捕捉用户在当前会话中的即时兴趣。购物篮推荐通常被定义为一个序列预测任务[12]；鉴于会话推荐数据主要源自用户当前会话中的交互行为，且会话存在时效短暂，更聚焦于匿名接入场景下的个性化推荐[13]。
最后，在推荐目标方面，购物篮推荐根据用户的历史购物篮序列，聚焦于预测用户的下一个购物篮。而会话推荐根据用户的历史会话记录，侧重于预测用户下一个可能会点击或购买的商品。通过深入挖掘并捕捉更为复杂的序列依赖关系，购物篮推荐能够为用户提供精准且全面的推荐；相较之下，通过捕捉用户的短期兴趣以及会话中商品之间的依赖关系，会话推荐能够灵活应对用户兴趣的快速变化，为用户提供及时且个性化的推荐服务[14,15]。
第3章 基于频域增强的购物篮推荐方法 .............. 13
3.1 引言 ...................................... 13
3.2 相关工作 ......................... 15
第4章 基于滤波器增强和超图学习的多行为购物篮推荐方法 ........ 27
4.1 引言 .............................. 27
4.2 相关工作 ..................................... 29
第5章 总结与展望 ............................... 43
5.1 总结 ....................................... 43
5.2 展望 ................................... 43
第4章 基于滤波器增强和超图学习的多行为购物篮推荐方法
4.1 引言
推荐系统在满足许多在线购物平台（如eBay、Amazon等）用户的各种需求方面发挥着至关重要的作用[9,18,63]。在线购物平台记录了海量的用户隐式反馈行为数据，通过建模这些数据中的用户隐性行为模式，推荐系统能够精确地捕捉用户需求，从而为用户提供个性化的推荐。其中，作为推荐系统的一个典型应用，购物篮推荐旨在基于用户的历史访问记录（即购物篮序列）来预测其下一时刻的购买行为，从而为用户推荐可能购买的商品集合[10]。
购物篮推荐因其能深入揭示用户行为与需求之间的内在联系，并有效挖掘用户的行为模式，逐渐引起了学术界和工业界的广泛关注。然而，现有的购物篮推荐方法仅侧重于利用用户单一的购买行为信息，未能考虑多种不同类型行为对用户最终购买决策的影响，导致模型难以全面建模用户多行为背后复杂多变的需求，影响推荐性能。在真实的在线购物场景中，用户与商品间的交互是多种多样的，例如点击、收藏、加入购物车和购买等。例如，图4.1展示了某用户在线购物时的历史购物篮序列。从图中可以看出，在每个购物篮中，该用户与商品的交互不仅限于购买行为，还包括点击、收藏和加入购物车等多种行为。
第5章 总结与展望
5.1 总结
推荐系统在电子商务领域中的作用不可或缺，购物篮推荐作为推荐系统在电子商务领域中的一个重要研究课题，正受到研究者们越来越多的关注。但由于用户行为的多样性和复杂性，仅从建模用户行为序列的浅层角度考虑购物篮推荐任务无法捕捉用户的真正需求。针对以上问题，本文提出了不同的用户行为挖掘和捕捉方法，旨在有效地建模用户个性化的需求以及全面地建模用户复杂多变的需求，以提升购物篮推荐任务的性能。研究的主要内容包括：
⑴ 一种基于频域增强的购物篮推荐方法
建模用户个性化需求是购物篮推荐任务的关键。然而，目前的购物篮推荐模型主要局限于机械地挖掘用户的购买行为模式，导致模型难以有效建模用户购买行为背后个性化的需求，影响推荐性能。针对此问题，本文提出了一种基于频域增强的购物篮推荐方法，旨在同时挖掘用户的动态购买行为模式与固定购买行为模式，从而有效建模用户个性化的需求。
⑵ 一种基于滤波器增强和超图学习的多行为购物篮推荐方法
在真实的在线购物场景中，用户购买商品前往往会通过点击该商品或将其加入购物车等方式对该商品表现出潜在需求。然而，目前的购物篮推荐方法仅关注在线购物场景中用户与商品交互的单一购买行为，忽视了其他不同类型行为对用户最终购买决策的影响，导致模型难以全面建模用户行为背后复杂多变的需求，影响推荐性能。针对此问题，本文提出了一种基于滤波器增强和超图学习的多行为购物篮推荐方法，旨在捕获用户动态变化的异构多行为依赖关系，从而全面建模用户复杂多变的需求。
参考文献（略）
