随着互联网的快速发展,生活质量的不断提高,消费者的购买兴趣趋向于多样化,得到更为准确的推荐系统成为电商平台提高用户点击率与下单率的一大重要法宝。关于推荐系统的研究能够降低企业成本的同时提高电商平台的商业利润和价值,所以针对该系统的探索对未来的电商发展具有重要意义。另外,目前传统的推荐系统的应用存在两个方面的问题,一方面,推荐模型的复杂度较高,时间消耗成本大,难以满足在万级甚至亿级用户量背景下完成即时推荐的要求,同时推荐系统中交互信息稀疏,难以捕捉不同用户与不同商品之间有效信息,在高维空间下容易导致维数灾难;另一方面,不断迭代增加的新商品与新注册用户可能会造成系统出现冷启动问题。所以,本文针对以上两个问题对推荐系统进行了深入探究,在前沿算法的基础上对原有模型进行了改进,进一步提升了推荐系统的准确率,主要的工作内容包括以下三个部分:首先,创新性应用node2vec模型,改善推荐效果。为了减少模型的时间消耗,同时降低模型的复杂度,本文借助网络结构数据方法,采用node2vec浅层神经网络模型。该模型常应用于预测网络结构数据节点之间的边关系,本文将其应用延伸到推荐系统中。该模型具备两大优势,一是模型简单,复杂度小。node2vec模型中仅包含一个隐藏层,由此极大的减少了传统推荐系统中前馈神经网络模型和循环经网络模型的复杂度,降低了模型训练的时间消耗,提高了推荐系统的推荐效率;二是模型灵活,训练可控。node2vec模型是在Deep Walk基本图嵌入模型基础上进行的改进,该模型改善了Deep Walk模型在网络中随机游走,通过增加两个游走参数,将节点之间的游走方式转变为有偏游走,使模型更倾向于捕捉网络结构中的结构性和同质性,由此得到的推荐系统更为灵活,适应性更强。其次,添加侧面补充信息,解决冷启动问题。一方面,每个用户仅与部分商户或商品存在交互,所包含的信息稀疏,可用内容较少;另一方面,电商平台中的商品与商户存在定时更新的情况,而此时用户与新晋商品或商户之间并无交互,所以此时需要添加商品与商户的侧面信息作为补充,才能完成对该类新个体有针对性的推荐。在模型中的具体实现方式是将侧面信息作为新的维度特征添加到对应向量中,这样既改进了交互较少缺乏有效信息的问题,同时又弥补了新加入个体无交互的缺陷,由此便较好的解决了模型中的冷启动问题。最后,进行实例验证,分析模型优势。本文将node2vec模型与其他模型应用于美团外卖的实际数据中进行探究,并比较不同模型间的准确度。发现添加了侧面信息的node2vec模型准确度最高,说明该模型在一定程度上能够改进推荐系统的表现效果,更能够较好的捕捉到不同商户之间的差异。同时获取到同类商户之间的相似特征,优势显著。极大的弥补了word2vec模型与Deep Walk模型在推荐系统中存在的缺陷,增强了推荐系统的灵活性和实用性。综合来看,本文在一定程度上验证了node2vec模型在推荐系统中的有效性与可实践性,为未来网络结构算法在推荐系统中的应用开拓了新的思路。其次,补充侧面信息确实能增强模型整体表达效果的结论为未来冷启动的解决提供了新方法。