《Neurocomputing》：DeepOntoFusion: A Multi-Level Framework Combining Ontology-Aware Attention Network for Accurate and Personalized Grocery Recommendations
编辑推荐：
摘要在杂货店中，顾客总是面临各种各样的产品。因此，为了通过帮助他们根据以往购买记录、偏好和其他因素确定相关产品来提升销售额和改善客户体验，对高效产品推荐系统的需求日益增加。然而，几种用于产品推荐的传统方法未考虑本体，且由于推荐准确率低而导致性能不佳。因此，提出了一种名为分层注
摘要
在杂货店中，顾客总是面临各种各样的产品。因此，为了通过帮助他们根据以往购买记录、偏好和其他因素确定相关产品来提升销售额和改善客户体验，对高效产品推荐系统的需求日益增加。然而，几种用于产品推荐的传统方法未考虑本体，且由于推荐准确率低而导致性能不佳。因此，提出了一种名为分层注意力金字塔网络 (HAPy-Net) 的新方法，用于利用杂货店数据进行产品推荐。在此，输入文本被传递至产品信息提取阶段，其中挖掘了产品描述、产品特征、用户订单序列以及其他特征，即标题、折扣和价格。随后，执行特征提取，然后采用雪蚀优化 (SAO) 进行特征选择。最后，采用经 SAO 调优的 HAPy-Net 推荐产品。此处，HAPy-Net 是通过结合多特征金字塔网络 (MFPN) 和分层注意力网络 (HAN) 构成的。此外，采用基于本体的语义匹配进行营养推荐。而且，HAPy-Net 计算出的最大 F 值为 94.327%，召回率为 95.273%，精确率为 93.988%，第 10 位归一化折损累计增益 (NDCG@10) 为 71.879%，平均精度均值 (mAP) 为 68.877%。
引言
食物始终是人类生活的必需品，因为它是人们消耗的唯一物质实体。历史上，人类的任务是识别和收集生存所需的食物。饮食选择目前对于满足包括基本卡路里、营养、健康、口味和社交场合在内的各种需求变得至关重要 [1], [2]。近年来，生活方式、信仰、需求和担忧已成为影响食物消费的主要因素，并影响了食品结构的设计以具备各种功能 [3]。从胎儿发育的最早阶段到老年，营养被视为人类健康发展的基础。健康饮食和充足营养无疑是生存、心理成长、健康、表现、身体发育、生产力和福祉的必需 [4]。采用和保持健康生活方式取决于营养 [5]，由于营养不足，包括孕妇在内的某些群体心血管疾病 (CVDs) 的风险增加 [6]。此外，营养均衡的膳食通常被纳入防止疾病进展的治疗计划中 [5]。尽管大多数人意识到健康饮食的重要性，但他们城市化的生活方式或不情愿在食物供应上花费认知努力，导致他们忽视适当的行为。这些障碍阻止个人消费健康饮食 [4]。最近，营养和行为科学领域一直致力于了解人们如何做出食物决策 [7]。
目前，各种推荐方案变得越来越受欢迎，其主要目标是根据众多参数向用户建议适当的内容 [8]。推荐系统的目的自动推荐产品并处理众所周知的信息过载问题。对于许多电子商务平台，推荐系统是吸引新客户、将访客转化为客户和提高销售额的最有效策略之一 [9]。有效的推荐系统描述用户兴趣，这些兴趣不断发展并受过去交互行为动态影响，如浏览历史、点击行为、购买记录等。丰富的行为数据本质上是顺序的，因此当前的推荐方案将其整理为用户级顺序数据并进行顺序推荐 [10]。基于用户偏好推荐选项的推荐策略可以最大限度地减少感知过载。此外，推荐系统可以成为改变消费者行为的工具，帮助他们做出食物决策 [11]。产品流行度、客户人口统计信息以及对客户过去在线商店购物的检查是向用户推荐产品的主要因素。产品推荐系统有助于评估产品的流行度；最流行的评分技术是使用星级评分或流行度规模 [8]。通常，推荐方案已形成一种提取有价值信息并有效使用它的效率技术。此外，推荐系统可以预测用户偏好，以便向用户推荐新项目或未评分项目 [4]。
杂货推荐利用产品信息和以往购买记录来处理多个增值场景，如预测未来购买、选择最实惠的产品、向用户介绍他们可能喜欢的新项目等。此外，零售商受益于产品和购物数据的可用性；它提供客户画像、库存管理、特色产品等 [12], [13]。随着我们日常生活中选择数量的迅速增加，匹配相关项目给用户的意义日益增长。具体而言，人工智能 (AI) 技术的最近进展重新激起了对高度先进推荐系统的需求 [14], [5]。然而，使用以数据为中心和蛮力计算方法的传统推荐系统通常无法解决食品相关决策的复杂性。这些局限性突显了对复杂决策过程更深层次理解的需求 [7], [15], [16]。人工智能在营养学中的应用正在迅速扩展，并在未来 10 年内将继续如此。人工智能需要大量数据来进行预测和决策。专门方案已利用人工智能从更大的数据集中挖掘最佳实践和基于证据的营养信息 [17]。因此，设计过程已整合深度学习 (DL) 和机器学习 (ML) 算法，以协助预测材料属性甚至生成满足设计要求的可能材料列表 [3]。几位研究人员正集中在结合神经网络的推荐算法上，因为深度学习的成熟应用近年来为推荐系统制定了新概念 [10]。深度学习技术增强了推荐系统中多模态数据的使用，如图像和文本 [14]。
这项工作的目的是开发一种称为 HAPy-Net 的有效方法，用于利用文本数据中的杂货店数据进行产品推荐。文本作为输入接受产品推荐提取，在此挖掘产品信息，如产品描述、产品特征、用户订单序列以及其他特征，如标题、折扣和价格。接下来，执行特征提取，然后利用 SAO 进行特征选择。接下来，利用 HAPy-Net 进行产品推荐，并使用 SAO 进行训练。此外，采用基于本体的语义匹配进行营养推荐。
这项研究的贡献如下，
- •
提出用于产品推荐的 SAO_HAPy-Net+Ontology：设计了一种名为 SAO_HAPy-Net+Ontology 的新技术用于产品推荐。在此，通过采用 HAPy-Net 推荐产品，并利用 SAO 方法调优超参数。此处，HAPy-Net 技术是通过结合 MFPN 和 HAN 开发的。此外，利用基于本体的语义匹配进行营养推荐。
这项工作中剩余章节如下：第 2 节阐述现有技术的优缺点，第 3 节解释用于产品推荐的 SAO_HAPy-Net+Ontology 模型，第 4 节举例说明 SAO_HAPy-Net+Ontology 的输出，第 5 节阐述结论。
章节摘要
动机
随着注重健康的消费者寻求个性化饮食解决方案，基于营养的产品推荐系统变得愈发必要。当前的推荐系统通常忽视人们的营养需求，因为它们高度基于用户偏好或产品流行度。产品推荐经常使用协同过滤和基于内容的过滤等技术，但它们在精确融入复杂营养信息和个体健康方面存在困难
用于产品推荐的分层注意力金字塔网络
杂货店的产品推荐用于根据客户的偏好、购买历史和其他上下文因素向客户建议相关的杂货产品。此过程通过个性化产品推荐来改善销售额、购物体验和客户满意度。此外，用于产品推荐的普遍技术取得了令人不满意的结果，因为深度学习 (DL) 方法需要大量的计算资源进行调优
结果与讨论
本节通过将所得结果与传统方法对比，验证了 SAO_HAPy-Net+Ontology 方法用于基于营养的产品推荐的有效性。此外，下面探讨了利用几项措施对 SAO_HAPy-Net+Ontology 的研究。
结论
在杂货店中，产品推荐用于基于客户的产品属性、购买历史、用户订单序列和其他相关数据背书产品，通常用于提高客户满意度。然而，产品推荐中使用的传统技术导致了高假阴性下的性能不佳。因此，提出了一种名为 HAPy-Net 的新方法，用于利用杂货店数据进行产品推荐。在此，输入文本被
CRediT 作者贡献声明
K Nimala: 监督。 S Jenny Kalaiarasi: 写作 - 审查与编辑，写作 - 原稿，可视化，验证，软件，资源，项目管理，方法论，调查，资金获取，形式分析，数据管理，概念化。
竞争利益声明
作者声明他们没有已知的竞争经济利益或个人关系，这些可能影响了本论文中报告的工作。
Jenny Kalaiarasi S 目前正在 SRM 科学技术研究所攻读全日制博士。她于 2006 年在印度泰米尔纳德邦马伊利阿杜杜赖的 A.V.C 工程学院与技术学院 (Anna University) 获得信息技术学士学位。她于 2011 年在印度金奈的 Anna University 获得计算机科学工程硕士学位。她有超过 7 年的教学职业经历。她已在知名期刊上发表论文并在国家
S Jenny Kalaiarasi|K Nimala
网络与通信系，计算学院，工程与技术学院，SRM 科学技术研究所，Kattankulathur-603203, 泰米尔纳德邦，印度
