随着国内电子商务的发展,许多零配件制造供应商也逐渐建立起自家的垂直电商平台并进行线上电商销售。而平台上的零件数类繁多,用户需要大量时间才能找到合适的零配件和组装件。若能通过推荐算法精确识别用户的兴趣物件并进行物品推荐,将大幅提升用户体验和产生较大的平台效益。然而,传统推荐算法应用在垂直电商上存在两个问题:第一,区别于综合电商,垂直电商数据十分稀疏,使得算法精度较低或无足够数据进行建模;第二,以往算法对不同物品之间的关联关系挖掘不够充分,使得推荐的可解释性较差。这些问题广泛存在于该类平台,具有较高的研究价值。零配件垂直电商平台的一些特性为解决这些问题提供了契机。首先,平台拥有较多用户个性化行为数据。不少平台在进行产品销售的同时,建立了粉丝群、讨论组等圈子。用户在购买商品的同时,积极在这些圈子中发表作品、发起讨论等。这些丰富的行为数据是综合电商所不具备的,亦为进一步提升推荐系统的精度提供了大量个性化数据。第二,平台拥有大量不同物品间组合关联信息,平台零配件不仅是单独的商品,而是可以与其他零配件组合成装配件使用。通过构建及结构化各种零配件之间的组合关系,从中挖掘知识及规律,能为增强零配件垂直电商推荐系统的可解释性及推荐成功率提供有效的解决办法。针对以上问题,本文提出一种基于零配件与用户行为知识图谱的垂直电商推荐算法,并在合作企业中进行应用与验证,包括以下几点工作:首先,对合作企业的数据进行抽取、预处理、特征构建和数据储存等操作,然后对完成清洗的数据进行本体构建、知识抽取和图谱储存等相关步骤,完成合作企业相应的零配件垂直领域知识图谱的定义和构建。第二,构建能够在知识图谱上捕捉用户兴趣的推荐模型。针对网络图谱模型难以利用节点属性信息的问题,提出一种流式节点嵌入结构,能充分挖掘节点属性信息;针对模型中节点遍历时间复杂度过高与噪声问题,提出一种重要性节点采样器,能有效剔除噪声并降低采样复杂度。为验证新模型的有效性,本文通过将新模型与经典模型进行对比分析,研究结果表明本文提出的方法在各指标上优于其他四种模型,并合作企业数据集上的准确率和AUC指标较传统模型提升了10.2%和16.0%。第三,为研究所构建的知识图谱特征动态变化规律,以及该规律对推荐系统性能的影响,本文首先对知识图谱的拓扑特征进行时间序列分析和突变分析,确定了知识图谱的较优形态和结构。此外,为了降低模型实际应用时需要实时更新知识图谱的资源成本,本文利用图谱拓扑指标对推荐准确率预测,确定了最佳的图谱更新时间间隔为10天,能有效地降低平台计算资源成本。最后,在零配件垂直电商领域,融合本文提出的个性化推荐模型,设计并实现了一个面向零配件垂直电商领域的个性化推荐系统,基于用户历史交互数据与积木零配件垂直电商知识图谱,为用户精准地推荐积木垂直电商积木零配件组合产品。本文在合作企业垂直电商平台上进行应用与实时A/B实验测试,结果表明在线指标推荐成功率指标上提升了25.28%,在实际应用场景中验证了本文所提出算法的有效性。