[發(fā)明專利]一種基于回歸模型的電子商務(wù)推薦方法

無效

• 申請?zhí)枺?/td>: 201010185506.6
• 申請日: 2010-05-28
• 公開（公告）號: CN102262764A
• 公開（公告）日: 2011-11-30
• 發(fā)明（設(shè)計(jì)）人: 王希
• 申請（專利權(quán)）人: 王希
• 主分類號: G06Q30/00
• 分類號: G06Q30/00
• 代理公司: 北京康盛知識產(chǎn)權(quán)代理有限公司 11331
• 代理人: 伊美年

技術(shù)領(lǐng)域

本發(fā)明涉及一種統(tǒng)計(jì)技術(shù)，具體說，涉及一種基于回歸模型的電子商務(wù)推薦方法。

背景技術(shù)

電子商務(wù)的蓬勃發(fā)展使得商家和消費(fèi)者都面臨著比傳統(tǒng)的實(shí)體店鋪銷售模式更加豐富的選擇。但同時(shí)，海量的商品信息很容易造成消費(fèi)者的迷茫，缺乏與消費(fèi)者的直接接觸，使得商家很難把握消費(fèi)者的偏好。為了解決這種困境，網(wǎng)上推薦技術(shù)得到了快速發(fā)展。目前，網(wǎng)頁推薦技術(shù)已經(jīng)被廣泛應(yīng)用在國內(nèi)外各大電子商務(wù)網(wǎng)站之中，如Amazon等，商家可以根據(jù)用戶過往的購買歷史和評分，向其推薦用戶最可能接受的新的產(chǎn)品。

推薦方法是推薦系統(tǒng)的核心，因?yàn)橥扑]方法直接決定推薦系統(tǒng)的準(zhǔn)確性。而目前國內(nèi)推薦系統(tǒng)的推薦方法單一，不能綜合運(yùn)用多種模型方法。根據(jù)產(chǎn)生推薦所需要的數(shù)據(jù)來源和數(shù)據(jù)的使用方法，目前的推薦技術(shù)可以分為五類，包括：基于內(nèi)容的推薦、協(xié)同過濾、基于人口統(tǒng)計(jì)的推薦、基于效用的推薦和基于知識的推薦。其中，協(xié)同過濾(Collaborative?FilteringRecommendation)是目前推薦系統(tǒng)中應(yīng)用最多、最廣的。基于協(xié)同的推薦是指推薦系統(tǒng)根據(jù)目標(biāo)客戶與其他客戶之間的相關(guān)性進(jìn)行推薦，當(dāng)系統(tǒng)發(fā)現(xiàn)一個(gè)或一組客戶與目標(biāo)客戶的消費(fèi)偏好相似時(shí)，系統(tǒng)就可以根據(jù)這些用戶的消費(fèi)行為來預(yù)測目標(biāo)用戶的消費(fèi)行為。協(xié)同過濾問題是預(yù)測用戶對于某個(gè)過去沒有評價(jià)過的對象的喜愛程度，預(yù)測的依據(jù)是過去用戶群體對一系列對象的歷史評價(jià)記錄。協(xié)同推薦技術(shù)最大的優(yōu)點(diǎn)是完全不需要任何被推薦項(xiàng)的內(nèi)容，因此，在難以分析被評價(jià)對象的內(nèi)容，如圖像，音樂，視頻等時(shí)，它是非常好的選擇。

主要采用的模型為：用戶i和j之間的相似性方法如下：

首先得到用戶i和評分過的所有項(xiàng)，然后通過上述公式計(jì)算它們之間的相似性。其中，Ii、j表示用戶i和j共同評分過的項(xiàng)目集合，Ii和Ij分別表示用戶i和用戶j評分過的項(xiàng)目集合，R_u，i和R_u，j分別表示用戶i和用戶j對項(xiàng)目c的評分，Ri和Rj分別表示用戶i和用戶j對項(xiàng)目的評分。計(jì)算完用戶之間的相似度后，對一個(gè)用戶u，產(chǎn)生一個(gè)按照相似度大小排列的“鄰居”集合N＝{U1，U2，「，Ut}，0≤t≤m，u不屬于N，從U1到Ut，sim(u，Ui)(1≤i≤t)從大到小排列。根據(jù)上一步相似度計(jì)算的結(jié)果，直接找出與用戶相似度最高的前N個(gè)用戶作為鄰居，鄰居個(gè)數(shù)N由系統(tǒng)設(shè)定，比如規(guī)定N＝10。

現(xiàn)有技術(shù)存在的問題如下：

(一)新用戶問題

推薦系統(tǒng)中對用戶的分類是依據(jù)目標(biāo)用戶與其它用戶的比較，這種比較主要是基于不斷累積的用戶評價(jià)，所以做出較少評價(jià)的用戶群(如新用戶)將難以分類。

(二)稀疏性問題

隨著電子商務(wù)系統(tǒng)規(guī)模的擴(kuò)大，用戶數(shù)目和商品數(shù)目呈指數(shù)級的增加，每個(gè)用戶一般只對很少的對象進(jìn)行評價(jià)，使得整個(gè)數(shù)據(jù)矩陣變得非常稀疏，導(dǎo)致很多推薦算法難以計(jì)算用戶間的相似性，難以找到相似的鄰居用戶。特別是協(xié)同過濾技術(shù)，它依賴的是用戶間評價(jià)的交集，當(dāng)用戶評價(jià)較少時(shí)，協(xié)同過濾無法為用戶找到它的鄰居集進(jìn)行推薦。

發(fā)明內(nèi)容

本發(fā)明所解決的技術(shù)問題是提供一種基于回歸模型的電子商務(wù)推薦方法，解決了協(xié)同過濾模型新用戶和數(shù)據(jù)稀疏性的問題。

技術(shù)方案如下：

一種基于回歸模型的電子商務(wù)推薦方法，包括：

建立回歸模型，所述回歸模型包括偏好結(jié)構(gòu)模型；

根據(jù)所述回歸模型和偏好結(jié)構(gòu)得出特定用戶所在的群體對于特定類別產(chǎn)品的過往評價(jià)，根據(jù)所述過往評價(jià)對所述特定類別產(chǎn)品的將來評價(jià)進(jìn)行預(yù)測。

進(jìn)一步：所述建立回歸模型包括：喜愛程度參數(shù)、評價(jià)架構(gòu)和偏好結(jié)構(gòu)模型，所述偏好結(jié)構(gòu)模型根據(jù)所述喜愛程度參數(shù)和評價(jià)架構(gòu)得出。

進(jìn)一步：所述喜愛程度參數(shù)Z_ij＝βX+ε_ij，其中，i代表用戶，j代表產(chǎn)品。

進(jìn)一步：所述評價(jià)架構(gòu)Pr(Y_ij＝κ)＝Pr(κ_k-1＜Z_ij≤κ_k)，其中評分為Yjj，Yij＝k代表用戶i對于產(chǎn)品j的評分為k。