鞋靴跨类目搭配推荐的用户偏好组合训练数据

面向鞋靴电商平台跨类目搭配推荐任务，构建用于训练搭配推荐模型的用户偏好组合数据集。数据在匿名商品标识基础上补充鞋靴细分类、风格属性、颜色系及搭配商品细分类、风格属性、颜色系和适用场景，结合历史同购、同浏览与负样本权重，学习鞋靴与上衣、外套、裤装、配饰之间的可搭配关系，用于详情页搭配推荐、购物车关联推荐和套装组合排序。一、加工前的数据说明：原始数据来源于企业自有平台订单记录、浏览会话日志和商品属性库，原始字段包括鞋靴商品、跨类目商品、商品品类、细分类、风格、颜色、场景、购买和浏览行为。 二、处理规则：1.清洗：按鞋靴商品与搭配商品配对去重，剔除商品属性缺失、下架商品、异常会话和无效订单记录。2.属性补全：根据商品属性库为匿名商品标识关联鞋靴细分类、鞋靴风格属性、鞋靴颜色系、搭配商品细分类、搭配商品风格属性、搭配商品颜色系和适用场景标签，使匿名编号具备可解释搭配特征。3.组合特征构建：以鞋靴属性、搭配商品属性、历史共现频次和样本类型构建商品对特征；同一订单同购记为强偏好，同一会话同浏览记为弱偏好，无共现采样为负样本。4.模型训练：采用双塔搭配相容度模型，鞋靴塔和搭配商品塔分别编码属性特征，融合权重为鞋靴属性0.35、搭配商品属性0.35、历史共现频次0.20、样本类型权重0.10；输出搭配相容度。损失函数为加权二分类交叉熵，训练权重按样本类型取1.0、0.3、0。Adam优化，学习率0.001，批量128，迭代100轮；用AUC、Top-K命中率和NDCG验证。 三、数据内容描述：最终形成结构化的鞋靴跨类目搭配推荐用户偏好组合训练数据集合，包含以下字段：1）鞋靴商品序号：经无规则编码化处理的鞋靴商品匿名标识；2）搭配商品序号：经无规则编码化处理的跨类目搭配商品匿名标识；3）鞋靴细分类：鞋靴商品所属细分品类，用于支撑鞋靴搭配对象识别；4）鞋靴风格属性：鞋靴商品的风格特征，用于支撑搭配风格匹配；5）鞋靴颜色系：鞋靴商品主色系，用于支撑颜色协调判断；6）搭配商品品类：搭配商品所属类目（上衣/外套/裤装/配饰）；7）搭配商品细分类：搭配商品所属细分类，用于支撑跨类目细粒度组合；8）搭配商品风格属性：搭配商品的风格特征，用于与鞋靴风格匹配；9）搭配商品颜色系：搭配商品主色系，用于与鞋靴颜色搭配；10）适用场景标签：商品组合适用的穿着或使用场景；11）历史共现频次：该鞋靴与搭配商品在用户行为记录中的历史共现次数；12）样本类型：商品对的行为来源类别（同购正样本/同浏览弱样本/随机负样本）；13）训练权重：依样本类型赋予的模型训练权重（同购正样本=1.0、同浏览弱样本=0.3、随机负样本=0）；14）数据集划分标识：样本所属子集类型（train/val/test）。

搜集汇总

背景与挑战

背景概述

该数据集用于鞋靴电商平台跨类目搭配推荐任务，基于企业自有平台的订单记录、浏览会话和商品属性库，通过清洗、属性补全和组合特征构建，形成包含鞋靴与上衣、外套、裤装、配饰等搭配商品对的用户偏好组合训练数据。数据集包含匿名商品标识、细分类、风格、颜色、适用场景、历史共现频次、样本类型和训练权重等14个字段，共2043条样本，可用于训练搭配推荐模型，应用于详情页搭配推荐、购物车关联推荐和套装组合排序等场景。