[發(fā)明專利]一種用于網(wǎng)上商場(chǎng)系統(tǒng)的混合推薦方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810622520.4
• 申請(qǐng)日: 2018-06-15
• 公開(kāi)（公告）號(hào): CN108876537B
• 公開(kāi)（公告）日: 2021-08-17
• 發(fā)明（設(shè)計(jì)）人: 成英
• 申請(qǐng)（專利權(quán)）人: 上海百秋電子商務(wù)有限公司
• 主分類號(hào): G06Q30/06
• 分類號(hào): G06Q30/06
• 代理公司: 廣州天河萬(wàn)研知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44418
• 代理人: 劉強(qiáng);陳軒

本發(fā)明請(qǐng)求保護(hù)一種用于網(wǎng)上商場(chǎng)系統(tǒng)的混合推薦方法，其包括以下步驟：用戶輸入購(gòu)買請(qǐng)求信息，并獲取用戶的歷史購(gòu)買信息，對(duì)所述用戶的歷史購(gòu)買信息進(jìn)行篩選，獲取與網(wǎng)上商場(chǎng)及用戶相關(guān)的信息，得到用戶—網(wǎng)上商品評(píng)分矩陣，構(gòu)建歷史評(píng)分記錄集合，構(gòu)造最終的相似商品集，利用目標(biāo)商品的相似商品集對(duì)用戶—網(wǎng)上商品評(píng)分矩陣進(jìn)行填充；并利用相似網(wǎng)上商品來(lái)對(duì)用戶—網(wǎng)上商品評(píng)分矩陣進(jìn)行再次填充，進(jìn)行網(wǎng)上商品的初步推薦；將用戶的歷史購(gòu)買數(shù)據(jù)分為單維度用戶特征值和多維度用戶特征值，確定推薦列表。本發(fā)明混合推薦方法可以提高商品推薦的準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明屬于推薦技術(shù)領(lǐng)域，具體屬于一種用于網(wǎng)上商場(chǎng)系統(tǒng)的混合推薦方法。

背景技術(shù)

現(xiàn)有的商城商品推薦不夠精細(xì)，主要是基于點(diǎn)擊次數(shù)進(jìn)行商品推薦，用戶對(duì)某一商品點(diǎn)擊查看次數(shù)多，在用戶再次打開(kāi)網(wǎng)頁(yè)時(shí)，該商品的顯示順序就靠前，但此種推薦方法分析考量的維度少，不能真正反映用戶真正實(shí)際想要的商品，不夠系統(tǒng)，實(shí)際推薦的商品可能不是用戶真正想要的。

因此，如何實(shí)現(xiàn)網(wǎng)上商城推薦的商品順序更符合用戶需求成為亟待解決的問(wèn)題。最常見(jiàn)的是協(xié)同過(guò)濾算法。在商品推薦領(lǐng)域，由于網(wǎng)站上的商品數(shù)量巨大，但只有很少的用戶愿意給去過(guò)的商品評(píng)分，所以造成了用戶—網(wǎng)上商品評(píng)分矩陣的極大稀疏，導(dǎo)致基于協(xié)同過(guò)濾算法得到的商家推薦列表不夠準(zhǔn)確。

發(fā)明內(nèi)容

本發(fā)明旨在解決以上現(xiàn)有技術(shù)的問(wèn)題。提出了一種提高矩陣稀疏度的用于網(wǎng)上商場(chǎng)系統(tǒng)的混合推薦方法。

本發(fā)明的技術(shù)方案如下：

一種用于網(wǎng)上商場(chǎng)系統(tǒng)的混合推薦方法，其包括以下步驟：

用戶輸入購(gòu)買請(qǐng)求信息，并獲取用戶的歷史購(gòu)買信息，對(duì)所述用戶的歷史購(gòu)買信息進(jìn)行篩選，獲取與網(wǎng)上商場(chǎng)及用戶相關(guān)的信息，得到用戶—網(wǎng)上商品評(píng)分矩陣，從預(yù)設(shè)的用戶屬性項(xiàng)集合中確定出與所述購(gòu)買請(qǐng)求信息關(guān)聯(lián)的目標(biāo)屬性項(xiàng)，并利用建立的用戶—網(wǎng)上商品評(píng)分矩陣，為每個(gè)用戶和每個(gè)網(wǎng)上商品端構(gòu)建歷史評(píng)分記錄集合，同時(shí)構(gòu)建用戶集合，按照用戶的評(píng)分網(wǎng)上商品從大到小對(duì)用戶集合中的用戶排序；按用戶在用戶集合中的順序，選取一個(gè)評(píng)分最高的網(wǎng)上商品作為目標(biāo)商品；根據(jù)用戶—網(wǎng)上商品評(píng)分矩陣，計(jì)算其余商品與目標(biāo)商品的相似度；選取與目標(biāo)商品相似度大于第一設(shè)定值的商品構(gòu)建目標(biāo)用戶的優(yōu)先商品集；計(jì)算目標(biāo)商品與各優(yōu)先商品的歷史共同評(píng)分差均值，若兩個(gè)用戶歷史本身沒(méi)有共同商品，則不做計(jì)算；選取共同評(píng)分差均值小于第二設(shè)定值的商品構(gòu)造最終的相似商品集，利用目標(biāo)商品的相似商品集對(duì)用戶—網(wǎng)上商品評(píng)分矩陣進(jìn)行填充；對(duì)用戶—網(wǎng)上商品評(píng)分矩陣中剩下的未填充數(shù)據(jù)，同樣采用相似度閾值法和共同評(píng)分差均值來(lái)選取最相似網(wǎng)上商品，并利用相似網(wǎng)上商品來(lái)對(duì)用戶—網(wǎng)上商品評(píng)分矩陣進(jìn)行再次填充，進(jìn)行網(wǎng)上商品的初步推薦；將用戶的歷史購(gòu)買數(shù)據(jù)分為單維度用戶特征值和多維度用戶特征值，其中，所述單維度用戶特征值為能夠直觀判斷用戶對(duì)推薦算法興趣度的用戶信息，所述多維度用戶特征值為多維的、隱形的、不能夠直觀判斷用戶對(duì)推薦算法興趣度的用戶信息；采用貝葉斯平均算法對(duì)所述單維度用戶特征值進(jìn)行計(jì)算，獲得所述單維度用戶的推薦算法興趣度，其中，采用并行計(jì)算方法計(jì)算所述單維度用戶的推薦算法興趣度；以及，采用樸素貝葉斯模型對(duì)所述多維度用戶特征值進(jìn)行計(jì)算，建立多維度用戶興趣模型，并對(duì)所述多維度用戶興趣模型進(jìn)行訓(xùn)練，獲得所述多維度用戶的推薦算法興趣度，其中，采用并行計(jì)算方法計(jì)算所述多維度用戶的推薦算法興趣度；根據(jù)所述單維度用戶的推薦算法興趣度和所述多維度用戶的推薦算法興趣度，確定推薦列表，并將所述推薦列表推薦給所述數(shù)據(jù)庫(kù)的用戶；若和網(wǎng)上商品初步推薦結(jié)果有一半一樣則按此推薦，若不一樣則選取評(píng)分第二高的網(wǎng)上商品作為目標(biāo)商品，重復(fù)以上步驟進(jìn)行填充，直到超過(guò)一半相同則推薦商品類別給用戶。

進(jìn)一步的，所述構(gòu)建目標(biāo)商品的優(yōu)先商品集過(guò)程如下：

按用戶在用戶集合中的順序，選取一個(gè)評(píng)分最高的商品作為目標(biāo)商品；利用用戶—網(wǎng)上商品評(píng)分矩陣，通過(guò)Pearson皮爾遜相關(guān)系數(shù)公式來(lái)計(jì)算其余商品與目標(biāo)商品的相似度；