[發(fā)明專利]一種智能商品推薦系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201910089640.7
• 申請日: 2019-01-30
• 公開（公告）號: CN109886779A
• 公開（公告）日: 2019-06-14
• 發(fā)明（設(shè)計）人: 徐亞元;樊蓓蓓;吳肖琳
• 申請（專利權(quán)）人: 上海大學(xué)
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06Q30/02
• 代理公司: 上海上大專利事務(wù)所(普通合伙) 31205
• 代理人: 陸聰明

1.一種智能商品推薦系統(tǒng)，包括依次連接的信息初始化模塊(1)，商品展示模塊(2)和調(diào)整模塊(3)，其特征在于，所述信息初始化模塊(1)用于構(gòu)建用戶和物品的評分矩陣、用戶和用戶之間的信任矩陣、用戶物品的評論文檔集，初始化用戶對物品的偏好矩陣；所述商品展示模塊(2)用于識別當(dāng)前場景，通過用戶對物品的偏好矩陣計算得到偏好值排在前K位的商品，并將商品信息展示在軟件頁面，并收集用戶對商品的反饋信息；所述調(diào)整模塊(3)用于調(diào)整評分矩陣、信任矩陣、評論文檔集和偏好矩陣。

2.根據(jù)權(quán)利要求1所述的智能商品推薦系統(tǒng)，其特征在于，所述信息初始化模塊(1)包括獲取單元和計算單元，所述獲取單元用于獲取商品相關(guān)的數(shù)據(jù)源；所述計算單元用于計算用戶u和用戶v之間的信任強(qiáng)度TN[u,v]、相似度TS[u,v]、綜合信任度T[u,v]，并計算更新用戶對物品的偏好矩陣RP。

3.根據(jù)權(quán)利要求2所述的智能商品推薦系統(tǒng)，其特征在于，所述獲取單元獲取的商品相關(guān)的數(shù)據(jù)源的形式為：

P＝{Ui|i＝1,2,3,…}

Q＝{Vj|j＝1,2,3,…}

R＝{Rij|i∈U,j∈V}

S＝{Sij|i,j∈U}

RP＝{RPij|i∈U,j∈V}

其中：P為用戶集，Ui為用戶集合中的用戶；Q為物品集，Vj為物品集合中的物品；R為評分矩陣，Rij表示用戶i對物品j的評分值；S為社交矩陣，Sij為用戶i對用戶j的信任關(guān)系；RP是偏好矩陣，RPij表示用戶i對物品j預(yù)測的評分值。

4.根據(jù)權(quán)利要求2所述的智能商品推薦系統(tǒng)，其特征在于，所述計算單元中，用戶u、v之間的信任強(qiáng)度TN、相似度TS、綜合信任度T的計算方式分別如下：

T_u,v＝α×TN_u,v+(1-α)×TS_u,v；

上式中，TN_u,v表示用戶u對用戶v的信任強(qiáng)度，d^-(n_v)表示用戶v被關(guān)注的數(shù)量，d⁺(n_u)表示用戶u關(guān)注的用戶數(shù)量；TS_u,v表示用戶u對用戶v的相似度，L_u表示用戶u的信任好友列表集合，L_v表示用戶v的信任好友列表集合；T_u,v表示用戶u對用戶v的綜合信任度，α表示授信度系數(shù)；

將評分矩陣R、綜合信任度矩陣T、評論文檔集D，輸入如下基于多源信息融合的排序推薦算法模型L(u,v)，進(jìn)行訓(xùn)練，當(dāng)函數(shù)損失值小于一定值時，得到用戶的隱藏屬性特征矩陣U，物品的隱藏屬性特征V：

上式中，M表示用戶數(shù)量；N表示物品數(shù)量；U為用戶隱藏屬性特征，V為物品隱藏屬性特征；λ_rel、λ_rev、λ_w為正則項系數(shù)，目的是為了防止模型過擬合；cnn是提取物品文本信息隱藏特征的卷積神經(jīng)網(wǎng)絡(luò)模型，W為卷積神經(jīng)網(wǎng)絡(luò)參數(shù)矩陣，X為模型的文檔輸入向量；

根據(jù)訓(xùn)練得到的矩陣U和V計算用戶對物品的偏好矩陣RP，計算方式如下：

RP＝U^TV。

5.根據(jù)權(quán)利要求1所述的智能商品推薦系統(tǒng)，其特征在于，所述商品展示模塊(2)包括展示單元和反饋單元；所述展示單元用于從用戶對物品的偏好矩陣中獲取偏好值排在前K位的商品，將其展示在頁面；所述反饋單元用于收集最新的用戶對商品的交互行為數(shù)據(jù)，并分析這些數(shù)據(jù)，實時調(diào)整權(quán)值。