[發(fā)明專利]一種基于社交關(guān)系影響因素的電商平臺推薦方法

有效

• 申請?zhí)枺?/td>: 202010521153.6
• 申請日: 2020-06-09
• 公開（公告）號: CN111681084B
• 公開（公告）日: 2022-09-06
• 發(fā)明（設(shè)計）人: 孫知信;卞嵐;徐玉華;汪胡青
• 申請（專利權(quán)）人: 南京郵電大學(xué)
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06Q50/00;G06F16/9536
• 代理公司: 南京正聯(lián)知識產(chǎn)權(quán)代理有限公司 32243
• 代理人: 王素琴

1.一種基于社交關(guān)系影響因素的電商平臺推薦方法，其特征在于：包括：

步驟一，將用戶有行為記錄的商品作為集合P1，計算P1中的商品與沒有行為記錄的商品之間的相關(guān)度，將相關(guān)度高于閾值的商品作為集合P2，令P1與P2的并集為目標(biāo)用戶推薦項目的集合，并根據(jù)目標(biāo)用戶行為建立相應(yīng)的評分矩陣；

步驟二，搜集目標(biāo)用戶的社交關(guān)系信息N(v)，目標(biāo)用戶的社交關(guān)系信息指的是和目標(biāo)用戶有過互動的其他用戶集合，并統(tǒng)計社交關(guān)系信息中好友的個數(shù)num(N(v))，計算用戶與同區(qū)域所有用戶之間的相似度，并取前ψ*num(N(v))個最鄰近用戶的集合作為目標(biāo)用戶的鄰近信息N(u),其中ψ為一個統(tǒng)計值，然后統(tǒng)計目標(biāo)用戶的社交關(guān)系信息N(v)與鄰近信息N(u)的交集中用戶個數(shù)K，即K＝num(N(u)∩N(v))，將K與鄰近信息中用戶個數(shù)的比值作為目標(biāo)用戶的社交鄰近度；

步驟三，利用社交關(guān)系信息、鄰近信息和社交鄰近度對評分矩陣建立分解模型，在該分解模型中引入權(quán)重參數(shù)來表示用戶自己的偏好和社交網(wǎng)絡(luò)中的朋友偏好對推薦效果的影響力度，取值范圍為0到1，其中，權(quán)重參數(shù)取0時，表示忽略用戶自己的偏好信息，僅僅考慮社交網(wǎng)絡(luò)中的朋友偏好信息，取1時表示忽略社交網(wǎng)絡(luò)中的朋友偏好信息，僅僅考慮用戶自己的偏好信息；

步驟四，利用隨機梯度下降法訓(xùn)練用戶、項目隱含特征向量矩陣，對目標(biāo)函數(shù)中的用戶特征矩陣，物品特征矩陣，用戶偏置項，項目偏置項四個參數(shù)求偏導(dǎo)數(shù)，然后迭代的沿著當(dāng)前點的負(fù)梯度方向搜索下一個點，使得目標(biāo)函數(shù)值逐步減小，從而得到目標(biāo)函數(shù)的最小值，在目標(biāo)函數(shù)取得最小值的時候得到最終的預(yù)測評分；

步驟五，根據(jù)步驟三的結(jié)果獲取用戶-產(chǎn)品評分矩陣R中目標(biāo)用戶沒有行為記錄的產(chǎn)品的預(yù)測評分，根據(jù)輸入的Top-N，將預(yù)測評分中Top-N項產(chǎn)品推薦給用戶；步驟三中引入社交關(guān)系信息，鄰近信息和社交鄰近度來建立基于社交關(guān)系與鄰近信息影響度的矩陣分解模型，該矩陣分解模型的目標(biāo)函數(shù)如下：

其中，β∈[0,1]為常量，表示權(quán)重參數(shù)，用來控制好友對評分的影響力度，N(u)為用戶u的最鄰近用戶集合，通過計算用戶之間的相似度得到，sim(u,v)為用戶u 與他的朋友之間的影響權(quán)重值，在本方法中加權(quán)得到目標(biāo)用戶與他的社交好友之間總的影響權(quán)重，P_u 、P _v為用戶u和用戶v的特征矩陣,b_u表示用戶偏置項,b_i表示項目偏置項,Q_i表示物品特征矩陣。

2.根據(jù)權(quán)利要求1所述一種基于社交關(guān)系影響因素的電商平臺推薦方法，其特征在于：步驟四中商品評分過程如下：首先利用隨機梯度下降法訓(xùn)練用戶、項目隱含特征向量矩陣，對基于社交關(guān)系與鄰近信息影響度的矩陣分解模型中的目標(biāo)函數(shù)中的用戶特征矩陣、物品特征矩陣、用戶偏置項、項目偏置項四個參數(shù)求偏導(dǎo)數(shù)，其中用戶偏置項表示步驟一中的用戶自身喜好因素對評分的影響，用b_u表示；所述項目偏置項表示項目因素對評分的影響，用b_i表示，所述用戶特征矩陣用P_u表示，所述物品特征矩陣用Q_i表示，對基于社交關(guān)系與鄰近信息影響度的矩陣分解模型中的P_u，Q_i，b_u，b_i四個參數(shù)求偏導(dǎo)數(shù)如下：

其中λ₁，λ₂，λ₃，λ₄這四個參數(shù)用來防止過度擬合；

用戶特征矩陣，物品特征矩陣，用戶偏置項，項目偏置項四個參數(shù)通過各自遞歸學(xué)習(xí)的方法得到收斂值，其遞推公式如下：

b_u＝b_u+α(e_ui-λ₃b_u)

b_i＝b_i+α(e_ui-λ₄b_i)

其中，α為學(xué)習(xí)速率，當(dāng)各遞推公式收斂，最后通過綜合考慮用戶特征矩陣、物品特征矩陣、用戶偏置項、項目偏置、社交好友影響權(quán)重和社交鄰近度來獲得各商品的預(yù)測評分：