[發(fā)明專利]基于時(shí)間信息的適應(yīng)用戶興趣變化的動(dòng)態(tài)推薦方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410583981.7
• 申請(qǐng)日: 2014-10-27
• 公開（公告）號(hào): CN104281956B
• 公開（公告）日: 2018-09-07
• 發(fā)明（設(shè)計(jì)）人: 馬廷淮;郭莉敏;唐美麗;曹杰;鐘水明;薛羽
• 申請(qǐng)（專利權(quán)）人: 南京信息工程大學(xué)
• 主分類號(hào): G06Q30/00
• 分類號(hào): G06Q30/00
• 代理公司: 南京眾聯(lián)專利代理有限公司 32206
• 代理人: 顧進(jìn)

本發(fā)明涉及一種基于時(shí)間信息的適應(yīng)用戶興趣變化的動(dòng)態(tài)推薦方法，包括：構(gòu)建用戶?物品的顯式評(píng)分矩陣；構(gòu)建用戶?物品的隱式評(píng)分矩陣；構(gòu)建用戶?物品綜合評(píng)分矩陣；計(jì)算兩兩用戶之間的相似性；獲取與目標(biāo)用戶相似度靠前的K位用戶作為目標(biāo)用戶的近鄰集合；選取單調(diào)遞減的指數(shù)時(shí)間函數(shù)作為評(píng)分權(quán)重函數(shù)，根據(jù)用戶的評(píng)分所體現(xiàn)的興趣變化趨勢不同，計(jì)算評(píng)分權(quán)重函數(shù)中每位用戶的權(quán)重因子；采用TOP?N推薦方法，將預(yù)測得分靠前的N項(xiàng)物品推薦給用戶。本發(fā)明考慮用戶興趣隨時(shí)間的變化，為其提供更加精確的個(gè)性化物品推薦服務(wù)。

技術(shù)領(lǐng)域

本發(fā)明涉及個(gè)性化推薦方法技術(shù)領(lǐng)域，尤其是基于時(shí)間信息的適應(yīng)用戶興趣變化的動(dòng)態(tài)推薦方法。

背景技術(shù)

隨著信息技術(shù)的蓬勃發(fā)展，大量的信息展現(xiàn)在人們的日常生活中。傳統(tǒng)的網(wǎng)絡(luò)服務(wù)，比如分類目錄，搜索引擎，已經(jīng)不能滿足人們對(duì)信息的需求，緩解網(wǎng)絡(luò)信息過載問題成為當(dāng)前主要挑戰(zhàn)之一，推薦系統(tǒng)在此背景下應(yīng)運(yùn)而生，是目前推動(dòng)電子商務(wù)發(fā)展的有效途徑之一。它的主要任務(wù)是分析用戶的購買行為，明確用戶的購買需求，為用戶推薦其感興趣的并未購買的商品。

傳統(tǒng)的協(xié)同過濾推薦算法通過用戶產(chǎn)生的評(píng)分?jǐn)?shù)據(jù)分析用戶的興趣，將用戶在不同時(shí)間內(nèi)的評(píng)分視為同等權(quán)重，然而，在現(xiàn)實(shí)的購買行為數(shù)據(jù)中，用戶的興趣是不斷變化的，這樣造成推薦不準(zhǔn)確的問題，不能及時(shí)推薦給用戶最新的物品。

發(fā)明內(nèi)容

鑒于現(xiàn)有技術(shù)中的不足之處，本發(fā)明提供一種基于時(shí)間信息的適應(yīng)用戶興趣變化的動(dòng)態(tài)推薦方法，包括以下步驟：

步驟一、根據(jù)從電子商務(wù)網(wǎng)站收集得到的用戶-物品的評(píng)分列表，構(gòu)建用戶-物品的顯式評(píng)分矩陣；

步驟二、對(duì)用戶的包括點(diǎn)擊、收藏、加入購物車、購買的隱式反饋行為信息進(jìn)行量化處理，然后構(gòu)建用戶-物品的隱式評(píng)分矩陣；

步驟三、利用步驟一和步驟二的結(jié)果構(gòu)建用戶-物品綜合評(píng)分矩陣；

步驟四、根據(jù)Person相關(guān)系數(shù)公式，計(jì)算兩兩用戶之間的相似性；

步驟五、按照用戶間相似度大小進(jìn)行降序排序，獲取與目標(biāo)用戶相似度靠前的K位用戶作為目標(biāo)用戶的近鄰集合；

步驟六、選取單調(diào)遞減的指數(shù)時(shí)間函數(shù)作為評(píng)分權(quán)重函數(shù)，根據(jù)用戶的評(píng)分所體現(xiàn)的興趣變化趨勢不同，計(jì)算評(píng)分權(quán)重函數(shù)中每位用戶的權(quán)重因子；

步驟七、引入評(píng)分權(quán)重函數(shù)改進(jìn)評(píng)分預(yù)測公式，預(yù)測目標(biāo)用戶對(duì)未評(píng)分物品的評(píng)分值；

步驟八、采用TOP-N推薦方法，將預(yù)測得分靠前的N項(xiàng)物品推薦給用戶。

其中步驟一中用戶對(duì)物品的評(píng)分范圍是取1-5之間的整數(shù)。同時(shí)，顯式評(píng)分矩陣的行表示用戶，列表示物品，若某個(gè)用戶對(duì)某個(gè)物品沒有評(píng)分，則對(duì)應(yīng)的矩陣項(xiàng)元素為空。

步驟二中當(dāng)某個(gè)用戶對(duì)某個(gè)物品沒有產(chǎn)生顯式評(píng)分時(shí)，就對(duì)用戶隱式行為的進(jìn)行量化，定義購買為5分，加入購物車為4分，收藏為3分，點(diǎn)擊兩次及以上為2分，點(diǎn)擊一次為1分。

步驟三中綜合評(píng)分的取值方法為：如果用戶對(duì)物品賦予顯式評(píng)分，則該評(píng)分值是綜合評(píng)分；如果用戶沒有對(duì)物品賦予評(píng)分，則對(duì)步驟二中的隱式行為進(jìn)行量化，得到的量化值即是綜合評(píng)分。

步驟六的具體過程為：將單調(diào)遞減的指數(shù)時(shí)間函數(shù)f(t)＝e^-ωt乘以用戶對(duì)物品的評(píng)分，調(diào)整用戶的評(píng)分權(quán)重，即對(duì)用戶近期訪問的物品的評(píng)分值賦予較大的權(quán)重，過去訪問的物品的評(píng)分值賦予較小的權(quán)重。由于每個(gè)用戶的興趣變化趨勢不一樣，所以賦予每位用戶不同的個(gè)性化因子ω，其中，計(jì)算ω需要對(duì)用戶評(píng)分的物品按照物品所屬的類別進(jìn)行分類，同時(shí)根據(jù)用戶對(duì)物品的評(píng)分時(shí)間按照三個(gè)月為一個(gè)時(shí)間段進(jìn)行劃分，統(tǒng)計(jì)用戶在每個(gè)時(shí)間段內(nèi)對(duì)某一類物品的評(píng)分行為，如果有評(píng)分行為就記為1，否則記為0，同時(shí)統(tǒng)計(jì)用戶在某一個(gè)時(shí)間段對(duì)某一類物品的實(shí)際評(píng)分?jǐn)?shù)目。