[發(fā)明專利]一種基于階段的動態(tài)產(chǎn)品推薦方法

在審

• 申請?zhí)枺?/td>: 201410502965.0
• 申請日: 2014-09-28
• 公開（公告）號: CN105528704A
• 公開（公告）日: 2016-04-27
• 發(fā)明（設(shè)計）人: 李濤;劉敏;李千目;侯君;徐建
• 申請（專利權(quán)）人: 南京理工大學(xué)常熟研究院有限公司
• 主分類號: G06Q30/00
• 分類號: G06Q30/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術(shù)領(lǐng)域

本發(fā)明屬于數(shù)據(jù)挖掘領(lǐng)域，尤其是涉及一種基于階段的動態(tài)產(chǎn)品推薦方法。

背景技術(shù)

由于向人們推薦他們感興趣的產(chǎn)品產(chǎn)生了越來越多的經(jīng)濟(jì)效益，個性化推薦正變得越來越受歡迎。許多的電子商務(wù)網(wǎng)站已經(jīng)從產(chǎn)品推薦系統(tǒng)中獲得了很大的利益。大部分的研究者都嘗試通過使用基于內(nèi)容或者協(xié)同過濾或者混合前面兩種技術(shù)的方式開發(fā)推薦系統(tǒng)。然而，這種推薦模式不能有效的解決所有可能發(fā)生在現(xiàn)實應(yīng)用中的事件。

在電子推薦系統(tǒng)中，存在一類特殊的推薦問題，即用戶的購買行為是隨著時間而改變的。在人的不同階段，用戶會偏好不同的商品。在這里使用基于商品的方法來做個性化推薦是不合理的，因為不同時期購買的商品可能會完全不同。通常，一個商品分類方法是和一個推薦系統(tǒng)相關(guān)聯(lián)的，這樣客戶能很容易的轉(zhuǎn)向不同的產(chǎn)品類別。

發(fā)明內(nèi)容

本發(fā)明的目的是針對現(xiàn)有的產(chǎn)品推薦中存在的問題，提出一種適用性強(qiáng)、可靠性好的動態(tài)產(chǎn)品推薦方法。

實現(xiàn)本發(fā)明目的的技術(shù)解決方案為：

將產(chǎn)品分類知識用來形式化用戶的長期偏好，同時獲取用戶的興趣變化。然而，僅僅有長期偏好并不能提供足夠的證據(jù)來得到用戶的當(dāng)前愿望。對于進(jìn)入一個新的購買階段的客戶來說，他可能會喜歡以前從來沒有購買過的商品類型。因此，僅考慮用戶的長期偏好是不能獲取他的意愿的。為了解決這個問題，我們提出通過分析相似用戶購買行為來探索用戶的短期偏好。

具體步驟如下:

1、分割用戶的購買記錄，將其分為不同階段：定義一個統(tǒng)一的時間片T作為一個分割單位，然后根據(jù)T來分割購買記錄H，即H={H_t0,H_t1,…,H_tn}，其中t₀表示當(dāng)前階段，即最近購買時期，對于每個時期，我們都使用商品分類法對用戶行為H_ti進(jìn)行建模；

2、使用產(chǎn)品分類方法對用戶的長期偏好進(jìn)行建模：對用戶長期偏好進(jìn)行建模包括生成用戶信息以及模型改善；生成用戶信息：假設(shè)基本的類別向量為<c₁,c₂,c₃,c₄,c₅>,權(quán)重類別向量=<1,2,0,1,1>，其中每一項表示用戶對相應(yīng)的類別的隱式評分。在這個表達(dá)式中，我們賦予產(chǎn)品分類中更高層的類別更大的權(quán)重，以避免陷入特定的主題以及失去對用戶偏好的整體認(rèn)知。權(quán)重類別向量是l₂歸一化的。最后，我們定義用戶的長期信息為R_u1={,,,…},同時我們可以確定u₁的當(dāng)前推薦階段為H_t0；

模型改善：我們通過指定三種不同的相似度用戶與用戶的相似度（S_U），產(chǎn)品之間的相似度(S_I)，類別之間的相似度(S_C)，進(jìn)一步的形式化這個基于分類的信息模型。

3、基于與目標(biāo)用戶相似的用戶的購買行為構(gòu)建一張多模態(tài)圖；建立一個節(jié)點包括用戶、產(chǎn)品和類別的多模態(tài)圖，而節(jié)點之間的邊的權(quán)重由鄰接矩陣W確定。U_p、P_p、P_c分別表示用戶與產(chǎn)品、用戶與類別、產(chǎn)品與類別之間的關(guān)系，建立一個鄰接矩陣W,節(jié)點之間的邊的權(quán)重由鄰接矩陣W確定。

4、在構(gòu)建的多模態(tài)圖上進(jìn)行隨機(jī)游走推理，得到最終的推薦列表：

執(zhí)行隨機(jī)游走原理RWR來取得與給定用戶q高度相關(guān)的元素，在向量選擇一個排在頂端的元素子集e，如果e_i是用戶，則選擇e_i最近購買的產(chǎn)品放進(jìn)推薦列表l中；如果e_i是產(chǎn)品，則直接將e_i放進(jìn)l中；如果e_i是類別，則選擇對e_i的IC值貢獻(xiàn)最大的產(chǎn)品放進(jìn)l中。這樣就得到了最終的產(chǎn)品推薦列表。

本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點是:

1.靈活性強(qiáng)；

2.可靠性高；

3.實用性好。

附圖說明

圖1是產(chǎn)品分類示意圖。

圖2是動態(tài)推薦過程示意圖。

圖3是隨機(jī)游走推理算法示意圖。

具體實施方式

以下結(jié)合附圖，詳細(xì)說明本發(fā)明的實施方式。