一种基于切换的深度学习框架，用于个性化与自适应的电子商务推荐

为什么更智能的在线推荐很重要

每次你在线购物时，后台都有算法在猜测你接下来可能想看什么。然而，人们使用购物网站的方式差异很大：有些人刚到访，有些只是随意浏览，还有些是忠实常客。本文提出了一个新的推荐框架，能够实时适应这些差异，旨在让商品建议更准确、公平并对所有人更有用——从首次访问者到大量购买者。

三类购物者，而非单一类型

作者首先指出，将所有用户一视同仁会导致推荐效果薄弱。他们根据用户与网站的互动程度将购物者分为三大类。“新手”几乎没有历史记录，可能只有少量搜索或点击。“轻度用户”有少量访问或购买记录。“重度用户”则留下了大量浏览、点击、加入购物车、评分和订单的痕迹。每一类产生的数据类型和数量不同，因此一刀切的算法难以同等地为所有人服务。

用图片与描述帮助新访客

对于全新的用户，常规做法——依据过去行为模式——根本行不通，因为没有历史可循。所提出的系统通过依赖产品自身来应对这一“冷启动”问题。它使用一个神经网络，从产品图片及其文字信息（如标题、品牌、类别和价格）中学习。这些不同的信息片段被组合成共享的数值表示，使得在外观和描述上相似的产品在这个抽象空间中彼此接近。当新访客输入简单查询或点击几个商品时，系统将这些动作映射到同一空间并返回邻近的商品，实质上是从外观和文本而非长期习惯来推测喜好。

用轻量匹配服务随意浏览者

轻度用户提供了一些直接线索——例如少量的浏览或过去的购买——但仍不足以支撑非常复杂的方法。对于这类用户，框架采用了精简的“双塔”模型。一座塔总结用户是谁以及他们迄今为止做过什么；另一座塔总结商品特征。在训练过程中，系统学习将用户的表示拉近与其互动过的商品，同时推远其他商品。这一设计允许在大目录中非常快速地筛选出几个有希望的候选项。测试显示，训练后正确商品出现在前十名建议中的概率大致翻倍，排序质量相较未训练版本显著提升。

用多重信号为重度用户赋能

重度用户留下了丰富的痕迹：他们查看什么、购买什么、如何评分等。作者并未只关注其中一种行为，而是构建了一个多任务模型，学习同时处理多个目标。一个共享的核心表示用户和产品；在此之上，一个分支预测评分，另一个分支预测用户接下来可能选择的商品。共同训练这两个任务可以让大量但噪声较大的信号（如商品查看）增强对稀少但更有信息量的信号（如评分）的学习。实验证明，仅针对评分或仅针对检索调优的模型在其单一目标上表现良好，但在另一个目标上表现欠佳，而联合模型在整体上取得了更好的平衡。

在正确的时刻切换到合适的工具

将这些部分联系起来的关键思想是一个切换机制，它根据每个人当前的参与度选择合适的模型。随着用户从新访客变为随意购物者再到频繁客户，系统追踪活动变化并自动将其数据路由到最合适的模块。覆盖这三类用户的自适应设计减少了预测错误、提高了命中率，并更好地利用了现代平台收集的大量弱信号。通俗地说，这意味着无论你是刚到还是在网站上购物多年，你的“为你推荐”列表都能保持相关性，而不会让某一类用户的需求掩盖另一类的需求。

引用: Saini, K., Singh, A., Diwakar, M. et al. A switching-based deep learning framework for personalized and adaptive E-commerce recommendations. Sci Rep 16, 10382 (2026). https://doi.org/10.1038/s41598-026-40024-5

关键词: 电子商务推荐, 个性化购物, 深度学习, 用户行为, 推荐系统