[發(fā)明專利]物品評論個性化推薦方法、系統(tǒng)、電子設(shè)備及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 201711421273.3
• 申請日: 2017-12-25
• 公開（公告）號: CN109960777B
• 公開（公告）日: 2022-12-02
• 發(fā)明（設(shè)計）人: 王穎帥;李曉霞;苗詩雨
• 申請（專利權(quán)）人: 北京京東尚科信息技術(shù)有限公司;北京京東世紀(jì)貿(mào)易有限公司
• 主分類號: G06F17/18
• 分類號: G06F17/18;G06Q30/06
• 代理公司: 上海弼興律師事務(wù)所 31283
• 代理人: 薛琦;張冉

本發(fā)明公開了一種物品評論個性化推薦方法、系統(tǒng)、電子設(shè)備及存儲介質(zhì)，其中方法包括：對物品的多個物品評論數(shù)據(jù)進(jìn)行預(yù)處理；從預(yù)處理后的物品評論數(shù)據(jù)中提取特征，記錄每一特征的取值及所述物品評論數(shù)據(jù)是否對用戶選擇所述物品產(chǎn)生影響；將所述物品評論數(shù)據(jù)是否對用戶選擇所述物品產(chǎn)生影響作為目標(biāo)變量，結(jié)合所述特征的取值構(gòu)建基于Xgboost的算法模型；在目標(biāo)用戶瀏覽所述物品時，根據(jù)所述算法模型輸出所述物品的匹配所述目標(biāo)用戶的物品評論數(shù)據(jù)。本發(fā)明使得網(wǎng)站海量物品的評論數(shù)據(jù)有了個性化成分，每個用戶對同樣的物品可以看到不一樣的評價。

技術(shù)領(lǐng)域

本發(fā)明屬于數(shù)據(jù)挖掘領(lǐng)域，尤其涉及一種物品評論個性化推薦方法、系統(tǒng)、電子設(shè)備及存儲介質(zhì)。

背景技術(shù)

隨著網(wǎng)絡(luò)技術(shù)的蓬勃發(fā)展、不同用戶之間的網(wǎng)絡(luò)交流越來越頻繁，越來越多的用戶在選擇物品時會參考其他用戶對物品的評價，從而借助于其他用戶對與物品的評價了解物品的真實情況，從而確定物品的綜合質(zhì)量或是否滿足自身的需求。由于用戶的評論數(shù)量迅猛增長，有些熱門物品的評論數(shù)據(jù)可能有好幾萬條，挖掘一種自動化的機(jī)器學(xué)習(xí)算法，進(jìn)行評論推薦，就顯得越來越重要。

現(xiàn)有技術(shù)中常用的機(jī)器學(xué)習(xí)算法是線性回歸確定特征系數(shù)，給出排序計算公式。通常先由分析師根據(jù)業(yè)務(wù)經(jīng)驗，確定評論需要提取的特征和回歸的目標(biāo)變量，然后在統(tǒng)計軟件中做小樣本數(shù)據(jù)分析，擬合線性回歸方程，計算物品的評論分?jǐn)?shù)。

這種方式的缺點是分析師做的是小樣本的統(tǒng)計分析，確定特征系數(shù)，小樣本數(shù)據(jù)不能完全代表大數(shù)據(jù)特征，現(xiàn)實世界的數(shù)據(jù)一般關(guān)系比較復(fù)雜，特征之間的關(guān)系也不一定是線性的，非線性分布偏多，線性回歸擬合不能挖掘更有價值的或更高級的抽象特征。進(jìn)而導(dǎo)致計算出的物品評論分?jǐn)?shù)不準(zhǔn)確，難以實現(xiàn)對物品評論的精準(zhǔn)推薦，無法滿足用戶的需求。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題是為了克服現(xiàn)有技術(shù)中利用線性回歸算法計算出的物品評論分?jǐn)?shù)不準(zhǔn)確、難以滿足對物品評論的精準(zhǔn)推薦的缺陷，提供一種物品評論個性化推薦方法、系統(tǒng)、電子設(shè)備及存儲介質(zhì)。

本發(fā)明是通過以下技術(shù)方案解決上述技術(shù)問題的：

本發(fā)明提供一種物品評論個性化推薦方法，包括：

對物品的多個物品評論數(shù)據(jù)進(jìn)行預(yù)處理；

從預(yù)處理后的物品評論數(shù)據(jù)中提取特征，記錄每一特征的取值及所述物品評論數(shù)據(jù)是否對用戶選擇所述物品產(chǎn)生影響；

將所述物品評論數(shù)據(jù)是否對用戶選擇所述物品產(chǎn)生影響作為目標(biāo)變量，結(jié)合所述特征的取值構(gòu)建基于Xgboost(極限梯度提升樹)的算法模型；

在目標(biāo)用戶瀏覽所述物品時，根據(jù)所述算法模型輸出所述物品的匹配所述目標(biāo)用戶的物品評論數(shù)據(jù)。

較佳地，將所述物品評論數(shù)據(jù)是否對用戶選擇所述物品產(chǎn)生影響作為目標(biāo)變量，結(jié)合所述特征的取值構(gòu)建基于Xgboost的算法模型，包括：

將所述物品評論數(shù)據(jù)是否對用戶選擇所述物品產(chǎn)生影響作為目標(biāo)變量，基于Xgboost構(gòu)建樹并計算每一特征的重要性；

調(diào)試Xgboost的算法參數(shù)，以使得算法評估指標(biāo)達(dá)到預(yù)設(shè)值；

測試并優(yōu)化特征和Xgboost的算法參數(shù)，以形成所述算法模型。

較佳地，對物品的多個物品評論數(shù)據(jù)進(jìn)行預(yù)處理，包括：

在所述物品評論數(shù)據(jù)的信息存在缺失時，刪除所述物品評論數(shù)據(jù)或補(bǔ)全缺失的信息。

較佳地，在所述物品評論數(shù)據(jù)的信息存在缺失時，根據(jù)以下因素中的至少一個確定是刪除所述物品評論數(shù)據(jù)或是補(bǔ)全缺失的信息：

所述物品評論數(shù)據(jù)的評論者的屬性；

所述多個物品評論數(shù)據(jù)中缺失信息的物品評論數(shù)據(jù)的數(shù)量。