[發明專利]一種基于選擇概率模型自適應鄰域的產品推薦方法

有效

• 申請號: 202010147403.4
• 申請日: 2020-03-05
• 公開（公告）號: CN111553757B
• 公開（公告）日: 2022-09-13
• 發明（設計）人: 孫知信;陳藝婷;孫哲;趙學鍵;宮婧;陳松樂;洪漢舒
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06Q30/06
• 分類號: G06Q30/06
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 張玉紅

一種基于選擇概率模型自適應鄰域的產品推薦方法，通過該方法，能夠針對分析在電商環境中，在用戶行為不斷變化的情況下為用戶準確推薦商品，解決商品由于季節性因素等，受歡迎程度不斷變化導致用戶傾斜度不斷變化，從而導致其對不同產品的興趣度發生變化，相似購物群體也會發生改變需要重新定位，并推薦合適的商品。該方法是通過對用戶交互行為中的用戶點擊頻度和最近一次購買時間（近度）作為初始數據，根據二項分布建立選擇概率模型計算用戶興趣度，優化初始矩陣并預測興趣度，同時由用戶偏差和商品偏差計算偏移函數，采用隨機梯度下降法引入與用戶特征向量和其鄰居特征向量之間的差異有關的正則化項進行自適應更新。

技術領域

本發明屬于電商產品推薦領域，特別是涉及一種基于選擇概率模型自適應鄰域的產品推薦方法。

背景技術

能夠針對分析在電商環境中，在用戶行為不斷變化的情況下為用戶準確推薦商品，解決商品由于季節性因素等，受歡迎程度不斷變化導致用戶傾斜度不斷變化，從而導致其對不同產品的興趣度發生變化，相似購物群體也會發生改變需要重新定位，并推薦合適的商品。

目前針對電商推薦領域有許多研究，主要集中在優化推薦算法效果上。

專利CN107870934A公開了一種app用戶聚類方法和裝置，核心是按照預設的規則對數據集進行頻繁項集的挖掘，然后根據挖掘的頻繁項集構建用戶關聯圖譜，最后進行社區發現，將得到的用戶關聯圖譜劃分為若干區域，以實現對app用戶快速、精準的聚類。

專利CN108268511A公開了一種基于大數據的網絡用戶分類方法，核心是通過獲取用戶行為數據，將所述用戶行為獲取模塊獲取的用戶行為數據與用戶行為數據庫中存儲的用戶行為數據進行比對，從用戶行為數據庫中獲取相似度最高的用戶行為數據，根據行為數據比對模塊的比對結果為對應用戶分類。

上述方法都屬于傳統的用戶定位方法，并未針對用戶行為的變化而進行自適應鄰域更新，推薦結果不夠精確。

發明內容

本發明提出了一種基于選擇概率模型自適應鄰域的產品推薦方法，用于社交電商中產品推薦問題。通過該方法，能夠針對分析在電商環境中，在用戶行為不斷變化的情況下為用戶準確推薦商品，解決商品由于季節性因素等，受歡迎程度不斷變化導致用戶傾斜度不斷變化，從而導致其對不同產品的興趣度發生變化，相似購物群體也會發生改變需要重新定位，并推薦合適的商品。

一種基于選擇概率模型自適應鄰域的產品推薦方法，包括以下基本步驟：

步驟一，提取用戶行為中的用戶點擊頻度和最近一次購買時間即近度，作為初始數據，對數據進行預處理；

步驟二，根據預處理后的初始數據計算概率矩陣和凹凸度約束；

步驟三，由用戶偏差和商品偏差計算偏移函數；

步驟四，引入與用戶特征向量和其鄰居特征向量之間的差異有關的正則化項，進行采用隨機梯度下降法循環自適應更新。

進一步地，在步驟一中，提取用戶行為中的用戶點擊頻度和最近一次購買時間即近度作為初始數據，對數據進行預處理，讓J和K分別表示與新近度和頻率相對應的連續正整數的有限集，每個用戶-商品對對應一個Xjk，表示當新近度值為j且頻率值為k時用戶對某項商品的選擇可能性；

在歷史數據中確定一個基準日期，令njk表示在基準日期之前具有新近度值j和頻率值k的用戶項對的數量，而令qjk是在基準日期之后導致購買的那些用戶對的數量；如果njk不等于0，則令 Xjk＝qjk/njk；否則，將xjk置為0。

進一步地，所述步驟二計算概率矩陣中，項目選擇概率隨著新近度或頻率值的增加而增加，除了單調性約束外，進一步采用另兩個形狀約束；

第一形狀約束為關于近度值的凸度約束，隨著近度值變大，每個近度值項選擇概率的增量增加；