CN102542489A - 一种基于用户兴趣关联的推荐方法 - Google Patents

Abstract

本发明公开了一种基于用户兴趣关联的推荐方法，主要包括以下步骤：建立用户兴趣模型；基于用户兴趣模型计算不同用户间对同一个兴趣点的相关性；基于用户兴趣模型计算用户的各个兴趣点之间的相关性；计算用户在当前兴趣点下其他拥有同样兴趣的用户的相关兴趣点推荐值；对上述推荐值进行排名，取排名靠前的n个兴趣点做推荐。本发明充分运用了兴趣点之间的关联性，把局部最优的结果推荐给用户。

Description

一种基于用户兴趣关联的推荐方法

技术领域

本发明涉及计算机技术领域，尤其涉及到基于内容的图书推荐方法。

背景技术

近年来，随着计算机与网络技术的进步，电子商务得到了快速发展。用户通过网络能够采购到各类商品。为了帮助客户尽快找到合适的商品，同时也为了做商品推广，电子商务网站都会集成一个推荐系统自动为客户生成商品推荐。在商品推荐系统中，为了能更多地鼓励用户购买商品，推荐系统需要针对用户的兴趣特征，有针对性地做商品推荐，尽量发掘用户的潜在需求，最终形成订单。

目前，大多数的推荐系统都仅仅根据用户的购买历史和浏览历史来做简单的商品推荐。特别是用户的兴趣点上，一般只做简单的集合推导来做推荐，比如用户A对商品{a，b，c}感兴趣，用户B对商品{b，d，e}感兴趣，推荐系统则简单地将商品{d，e}推荐给A。这样的推荐并没有深度发掘A和B的兴趣特点，最终的推荐效果往往不尽如人意。

发明内容

有鉴于此，一种能反映用户兴趣特点，特别是能考虑到兴趣点间关联性的推荐方法是十分有益的。

为了解决上述问题，本发明提供了一种不仅能够关联不同用户之间的兴趣共同点，同时也能关联同一用户不同兴趣点之间相关程度的推荐方法，其技术方案包括：

1)建立用户的兴趣模型，用户兴趣模型表示为：

P＝{(W₀，IP₀)，(W₁，IP₁)，...，(W_n，IP_n)}

其中，W_i代表用户访问兴趣点的总次数，IP_i描述的是用户兴趣点，

其中包含兴趣点中每个商品的兴趣矢量，其表达式为：

IP_i＝[w₀，w₁，...，w_m]

其中，w_j代表用户对兴趣点IP_i中商品j的兴趣度；

2)假定当前用户U_cur正在访问兴趣点IP_i，U_k是U_cur的邻居用户，SIM(U_cur，U_k，IP_i)是用户U_cur和U_k在兴趣点IP_i的相似度，

是用户U_k在兴趣点IP_i上的访问次数，Corr_k(IP_i，IP_j)是用户U_k的兴趣点IP_i和IP_j之间的相关度，则兴趣点IP_j对用户U_cur的推荐值

(IP_j)计算公式为：

$R_{{\mathrm{cur},\mathrm{IP}}_i}\left({\mathrm{IP}}_j\right)=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{SIM}(U_{\mathrm{cur}},U_k.{\mathrm{IP}}_i)\×W_k^i\×{\mathrm{Corr}}_k({\mathrm{IP}}_i,{\mathrm{IP}}_j)$

其中，n代表用户U_cur的所有邻居用户数；

3)针对不同的兴趣点IP_j计算其推荐值

(IP_j)，对推荐值进行排名，将前n个兴趣点形成推荐列表推荐给用户。

本发明还可以通过下述方法来增强推荐效果：

计算用户x、y在同一兴趣点上的相似性公式为：

$\mathrm{SIM}(x,y,{\mathrm{IP}}_i)=\frac{\mathrm{Cov}({\mathrm{xIP}}_i,{\mathrm{yIP}}_i)}{\sqrt{\mathrm{Var}\left({\mathrm{xIP}}_i\right)}\sqrt{\mathrm{Var}\left({\mathrm{yIP}}_i\right)}}$

其中，xIP_i表示用户x在兴趣点IP_i上的值，yIP_i表示用户y在兴趣点IP_i上的值，Cov()计算x、y在IP_i兴趣点上的协方差，Var()计算x、y在IP_i兴趣点上的方差。

描述用户在不同兴趣点之间的相关性计算公式为：

$\mathrm{Corr}({\mathrm{IP}}_x,{\mathrm{IP}}_y)=\frac{P({\mathrm{IP}}_x,{\mathrm{IP}}_y)}{P\left({\mathrm{IP}}_x\right)\·P\left({\mathrm{IP}}_y\right)}$

其中IP_x，IP_y代表两个不同的兴趣点，P(IP_x，IP_y)代表用户的会话同时包含兴趣点IP_x和IP_y的概率，P(IP_x)代表用户的会话包含兴趣点IP_x的概率，P(IP_y)代表用户的会话包含兴趣点IP_y的概率。

用户对兴趣点中商品的兴趣度w的计算方法如下：

$w_j=\mathrm{CNT}\left(j\right)\·\frac{\log \left({\mathrm{IPU}}_j\right)}{\log \left(\mathrm{PU}\right)}$

其中，CNT(j)代表用户对兴趣点中商品j的访问次数，PU代表该商品所属兴趣点所拥有的用户总数，IPU_j代表该商品所拥有的用户总数。

兴趣点IP指的是电子商务网站商品分类目录结构的最后一级目录，一个兴趣点包含该目录下的所有商品页面。

上述基于用户兴趣关联的推荐方法首次将用户兴趣之间的关联性应用于推荐系统。传统的推荐方法一般只能根据商品-商品之间内容联系或用户-用户之间购买同一商品的联系来做推荐，没有考虑到用户在商品兴趣点之间的联系，更没有考虑到不同用户在同一类商品上的兴趣相似性。本发明充分利用了不同用户的兴趣相似性和同一用户的不同兴趣点相关性来做商品推荐，在推荐商品的准确性和广度上具有巨大的优势。

附图说明

图1示出了基于用户兴趣关联的推荐流程；

具体实施方式

下面结合附图与具体实施方式对本发明做进一步详细描述：

图1示出了基于用户兴趣关联的推荐方法步骤，主要包括：

步骤S100，建立用户兴趣模型。用户兴趣模型表示为：

P＝{(W₀，IP₀)，(W₁，IP₁)，...，(W_n，IP_n)}

其中，W_i代表用户访问兴趣点的总次数，IP_i描述的是用户兴趣点，兴趣点指的是电子商务网站商品分类目录结构的最后一级目录，一个兴趣点包含该目录下的所有商品页面。IP_i包含兴趣点中每个商品的兴趣矢量，其表达式为：

IP_i＝[w₀，w₁，...，w_m]

其中，w_j代表用户对兴趣点IP_i中商品j的兴趣度，w的计算方法如下：

$w_j=\mathrm{CNT}\left(j\right)\·\frac{\log \left({\mathrm{IPU}}_j\right)}{\log \left(\mathrm{PU}\right)}$

CNT(j)代表用户对兴趣点中商品j的访问次数，PU代表该商品所属兴趣点所拥有的用户总数，IPU_j代表该商品所拥有的用户总数。

步骤S101，记录用户当前所访问的兴趣点。

步骤S102，查找当前用户的邻居用户，邻居用户通常是与当前用户具有共同兴趣点的其他用户。

步骤S103，计算邻居用户其他兴趣点对当前兴趣点的推荐值。其计算方法如下：

假定当前用户U_cur正在访问兴趣点IP_i，U_k是U_cuf的邻居用户，SIM(U_cur，U_k，IP_i)是用户U_cuf和U_k在兴趣点IP_i的相似度，

是用户U_k在兴趣点IP_i上的访问次数，Corr_k(IP_i，IP_j)是用户U_k的兴趣点IP_i和IP_j之间的相关度，则兴趣点IP_j对用户U_cuf的推荐值

(IP_j)计算公式为：

$R_{{\mathrm{cur},\mathrm{IP}}_i}\left({\mathrm{IP}}_j\right)=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{SIM}(U_{\mathrm{cur}},U_k,{\mathrm{IP}}_i)\×W_k^i\×{\mathrm{Corr}}_k({\mathrm{IP}}_i,{\mathrm{IP}}_j)$

其中，n代表用户U_cuf的所有邻居用户数。

计算用户x、y在同一兴趣点上的相似性公式为：

$\mathrm{SIM}(x,y,{\mathrm{IP}}_i)=\frac{\mathrm{Cov}({\mathrm{xIP}}_i,{\mathrm{yIP}}_i)}{\sqrt{\mathrm{Var}\left({\mathrm{xIP}}_i\right)}\sqrt{\mathrm{Var}\left({\mathrm{yIP}}_i\right)}}$

其中，xIP_i表示用户x在兴趣点IP_i上的值，yIP_i表示用户y在兴趣点IP_i上的值，Cov()计算x、y在IP_i兴趣点上的协方差，Var()计算x、y在IP_i兴趣点上的方差。

计算用户在不同兴趣点之间的相关性计算公式为：

$\mathrm{Corr}({\mathrm{IP}}_x,{\mathrm{IP}}_y)=\frac{P({\mathrm{IP}}_x,{\mathrm{IP}}_y)}{P\left({\mathrm{IP}}_x\right)\·P\left({\mathrm{IP}}_y\right)}$

其中IP_x，IP_y代表两个不同的兴趣点，P(IP_x，IP_y)代表用户的会话同时包含兴趣点IP_x和IP_y的概率，P(IP_x)代表用户的会话包含兴趣点IP_x的概率，P(IP_y)代表用户的会话包含兴趣点IP_y的概率。

步骤S104，查找下一个邻居用户，如存在下一个邻居用户，则重复步骤S103，如果不存在下一个邻居用户，则执行步骤S105。

步骤S105，在遍历完所有邻居用户的其他兴趣点后，对其他兴趣点的推荐值进行排名，将前n个兴趣点形成推荐列表推荐给用户。

Claims (5)

1.一种基于用户兴趣关联的推荐方法，其特征在于，包括如下步骤：

1)建立用户的兴趣模型，用户兴趣模型表示为：

P＝{(W₀，IP₀)，(W₁，IP₁)，...，(W_n，IP_n)}

其中，W_i代表用户访问兴趣点的总次数，IP_i描述的是用户兴趣点，其中包含兴趣点中每个商品的兴趣矢量，其表达式为：

IP_i＝[w₀，w₁，...，w_m]

其中，w_j代表用户对兴趣点IP_i中商品j的兴趣度；

2)假定当前用户U_cur正在访问兴趣点IP_i，U_k是U_cur的邻居用户，SIM(U_cur，U_k，IP_i)是用户U_cur和U_k在兴趣点IP_i的相似度，

是用户U_k在兴趣点IP_i上的访问次数，Corr_k(IP_i，IP_j)是用户U_k的兴趣点IP_i和IP_j之间的相关度，则兴趣点IP_j对用户U_cur的推荐值(IP_j)计算公式为：

$R_{{\mathrm{cur},\mathrm{IP}}_i}\left({\mathrm{IP}}_j\right)=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{SIM}(U_{\mathrm{cur}},U_k,{\mathrm{IP}}_i)\×W_k^i\×{\mathrm{Corr}}_k({\mathrm{IP}}_i,{\mathrm{IP}}_j)$

其中，n代表用户U_cur的所有邻居用户数；

3)针对不同的兴趣点IP_j计算其推荐值(IP_j)，对推荐值进行

排名，将前n个兴趣点形成推荐列表推荐给用户。

2.根据权利要求1所述的方法，其特征在于，计算用户x、y在同一兴趣点上的相似性公式为：

$\mathrm{SIM}(x,y,{\mathrm{IP}}_i)=\frac{\mathrm{Cov}({\mathrm{xIP}}_i,{\mathrm{yIP}}_i)}{\sqrt{\mathrm{Var}\left({\mathrm{xIP}}_i\right)}\sqrt{\mathrm{Var}\left({\mathrm{yIP}}_i\right)}}$

其中，xIP_i表示用户x在兴趣点IP_i上的值，yIP_i表示用户y在兴趣点IP_i上的值，Cov()计算x、y在IP_i兴趣点上的协方差，Var()计算x、y在IP_i兴趣点上的方差。

3.根据权利要求1所述的方法，其特征在于，描述用户在不同兴趣点之间的相关性计算公式为：

$\mathrm{Corr}({\mathrm{IP}}_x,{\mathrm{IP}}_y)=\frac{P({\mathrm{IP}}_x,{\mathrm{IP}}_y)}{P\left({\mathrm{IP}}_x\right)\·P\left({\mathrm{IP}}_y\right)}$

IP_x，IP_y代表两个不同的兴趣点，P(IP_x，IP_y)代表用户的会话同时包含兴趣点IP_x和IP_y的概率，P(IP_x)代表用户的会话包含兴趣点IP_x的概率，P(IP_y)代表用户的会话包含兴趣点IP_y的概率。

4.根据权利要求1所述的方法，其特征在于，用户对兴趣点中商品的兴趣度w的计算方法如下：

$w_j=\mathrm{CNT}\left(j\right)\·\frac{\log \left({\mathrm{IPU}}_j\right)}{\log \left(\mathrm{PU}\right)}$

其中，CNT(j)代表用户对兴趣点中商品j的访问次数，PU代表该商品所属兴趣点所拥有的用户总数，IPU_j代表该商品所拥有的用户总数。

5.根据权利要求1或2所述的方法，其特征在于，兴趣点IP指的是电子商务网站商品分类目录结构的最后一级目录，一个兴趣点包含该目录下的所有商品页面。

Images