CN103345503B - 一种基于小波网络的丝绸产品个性化推荐方法 - Google Patents

Abstract

本发明公开了一种基于小波网络的丝绸产品个性化推荐方法，适用于我国丝绸企业开展差异化服务，增加利润、提升附加值和竞争力。本发明引入小波网络用于用户行为数据流压缩，在用户相似度计算过程中充分考虑用户偏好和信任度，得出目标用户最相似的用户群，根据该用户群的评价情况，产生推荐列表，将排名靠前的商品推荐给目标用户。该方法能够科学合理有效得分析和预测用户的需求，具有较好的推荐准确率和多样性；有效地克服了传统丝绸企业在丝绸产品个性化推荐过程中存在的不足，具有良好的应用价值。

Description

一种基于小波网络的丝绸产品个性化推荐方法

技术领域

本发明涉及智能信息处理领域，具体涉及一种基于小波网络的丝绸产品个性化推荐方法。

背景技术

目前国际上大多数丝绸企业是以大批量方式生产丝绸印花品，但最终的消费者却为小批量需求，这是由于传统的丝绸企业出于规模经济性的考虑无法满足消费者的个性化需求。随着数码印花技术的诞生，逐步解决了这类问题，数码印花不受花型限制、小批量的特点，消费者完全可以依据自己的个人喜好或设计想法，随意获得一系列独一无二的丝织品，实现“个性化”。

但是这类个性化的服务还是依赖于消费者的主动需求，为了使丝绸企业更好的保持现有客户，挖掘出潜在客户，需要企业设计出完整有效的个性化推荐系统以解决这类问题。现阶段个性化推荐方法很多，主要包括协同过滤算法，基于内容的推荐算法，以及兴起的基于用户——产品的二部图网络结构推荐算法等。协同过滤算法主要分为基于模型的协同过滤算法和基于记忆的协同过滤算法。其中基于模型的协同过滤算法是从所有用户对产品的评价数据库中学习一个预测模型，然后利用学到的模型向用户推荐；而基于记忆的协同过滤算法则是根据用户的历史信息，估算用户之间的相似性，然后找出目标用户的几个最近邻居，最后加权计算最近邻居对产品的评价，对目标用户做出推荐。基于内容的推荐是协同过滤技术的延续与发展，它不需要依据用户对项目的评价意见，而是依据用户已经选择的产品内容信息计算用户之间的相似性，进而进行相应的推荐，该方法可以克服协同过滤存在的一些问题，如：稀疏性问题等。基于二部图资源分配的推荐算法中，用户和商品的相似性通过资源扩散计算。虽然每种方法都有其特点，但随着用户数据量的不断增大，单纯从改进推荐方法的角度出发，已经很难大幅度提高推荐效率。还需要从数据预处理出发，对大量的用户数据进行压缩。离散小波变换(discretewavelettransform,简称DWT)是一种重要的数据压缩方法，通过对原始数据集进行小波变换，保存部分重要的小波系数，能够近似地还原出原始数据集合。

针对目前丝绸企业存在的不能很好的保持现有客户、挖掘出潜在客户、不能很好的推行个性化服务等问题，提出一种基于小波网络的丝绸产品个性化推荐方法。通过该方法能够科学合理有效得分析和预测用户的需求，具有较好的推荐准确率和多样性。

发明内容

本发明要克服传统丝绸企业个性化推荐方法的不足，提出一种基于小波网络的丝绸产品个性化推荐方法。该方法引入小波网络用于用户行为数据流压缩，在用户相似度计算过程中充分考虑用户偏好和信任度，最终获得有效的推荐结果。该方法能够科学合理有效得分析和预测用户的需求，具有较好的推荐准确率和多样性。

本发明的目的是通过以下技术方案来实现的：一种基于小波网络的丝绸产品个性化推荐方法，包括以下步骤：

（1）用户行为特征提取：首先通过对用户兴趣进行分析，得到其状态转移序列，根据此序列采用Viterbi算法获得其隐含行为状态，然后建立隐半马尔可夫模型对用户兴趣特征进行提取。

（2）数据预处理：首先对用户行为数据流（包括用户浏览行为、描述评价，打分等）进行基于小波变换的压缩处理；采用Haar小波方法构建小波概要结构，一维Haar小波分解通过求均值等方法将向量A=(x₁,x₂,…,x_n)变换为n个小波系数(c₁,c₂,…,c_n)。

（3）量化用户评价：对压缩后的用户行为数据流进行量化表示，用户对某商品的评价通常包括描述评价和打分评价，其中打分评价数据可以直接用于后续推荐过程中公式的计算，而对于描述评价等，则需要经过加权量化，其数值化范围依照用户打分范围设定。

（4）用户相似度计算：假设有m个用户，n个商品，用户集U={u₁,u₂,…,u_m}，商品集O={o₁,o₂,…,o_n}。如果用户i接触过（浏览过、评价过或者选择过）商品j，那么就在i和j之间连接一条边a_ij=1，反之a_ij=0。对于任意两个用户，他们共同接触过的商品数目可以用c_ij来表示，其计算公式为：

$c_{\mathrm{ij}}=\underset{l=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{li}}{a}_{\mathrm{lj}}$

用户的偏好通常由用户对某一商品浏览、评价、打分等行为反应。用户之间的信任关系也可由他们对共同商品的偏好反应。以余弦相似度计算公式为基础，进行改进，得出基于用户偏好程度的相似度计算公式：

$s_{\mathrm{ij}}=\frac{1}{\sqrt{k\left(u_i\right)k\left(u_j\right)}}\underset{l=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{li}}{a}_{\mathrm{lj}}{\left[\frac{(1-\frac{|v_{\mathrm{li}}-v_{\mathrm{li}}|}{M})}{k\left(o_l\right)}\right]}^{\mathrm{\α}}$

其中，k(u_i)表示用户u_i的度，即该用户接触过多少样商品；k(o_l)表示商品o_l的度，即该商品被多少用户接触过；v_li表示用户的偏好程度（该偏好程度由步骤2中量化得到）；M表示用户打分跨度。

（5）目标用户的商品推荐：在获得目标用户最相似的用户群后，将这些用户群选择过的而目标用户未选择过的商品量化评价分数计入分数矩阵，并计算出目标用户对这些商品可能的评分。将这些商品按照评分高低进行排序，值越大说明该用户可能喜欢的概率越大。将排名靠前的商品推荐给用户。

本发明的有益效果在于：本发明引入小波网络用于用户行为数据流压缩，在用户相似度计算过程中充分考虑用户偏好和信任度，得出目标用户最相似的用户群，根据该用户群的评价情况，产生推荐列表，将排名靠前的商品推荐给目标用户。该方法能够科学合理有效得分析和预测用户的需求，具有较好的推荐准确率和多样性。本发明有效地克服了传统丝绸企业在丝绸产品个性化推荐过程中存在的不足，具有良好的应用价值。

附图说明

图1是基于HSMM的兴趣特征提取的方法框图；

图2是小波概要树状结构图。

具体实施方式

下面结合附图对本发明做进一步详细说明。

本发明基于小波网络的丝绸产品个性化推荐方法，包括以下步骤：

1、用户行为特征提取：针对用户的丝绸产品购买行为随季节、天气与环境变化大的特点，对用户兴趣行为特征抽取，设计了一种基于隐半马尔可夫模型(HSMM)的用户兴趣特征提取方法，其结构框图如图1所示。首先通过对用户兴趣进行分析，得到其状态转移序列，根据此序列采用Viterbi算法获得其隐含行为状态，然后建立隐半马尔可夫模型对用户兴趣特征进行提取。

2、数据预处理：首先对用户行为数据流（包括用户浏览行为、描述评价，打分等）进行基于小波变换的压缩处理。该方法利用了小波分解的一个良好性质：只要保留r个最重要的小波系数(将其他n-r个不保留的系数看作是0)，就能重构出原始序列的一个较好的近似。而这r个系数即原始序列的小波概要。本发明采用Haar小波方法构建小波概要结构如图2所示，之所以选取Haar小波方法是因其简单易实现且有效而在数据压缩等领域得到广泛应用。一维Haar小波分解通过求均值等方法将向量A=(x₁,x₂,…,x_n)变换为n个小波系数(c₁,c₂,…,c_n)。

3、量化用户评价。对压缩后的用户行为数据流进行量化表示，众所周知，用户对某商品的评价通常包括描述评价和打分评价。其中打分评价数据可以直接用于后续推荐过程中公式的计算。而对于描述评价等，则需要经过加权量化，其数值化范围依照用户打分范围设定。

4、用户相似度计算：假设有m个用户，n个商品，用户集U={u₁,u₂,…,u_m}，商品集O={o₁,o₂,…,o_n}。如果用户i接触过（浏览过、评价过或者选择过）商品j，那么就在i和j之间连接一条边a_ij=1，反之a_ij=0。对于任意两个用户，他们共同接触过的商品数目可以用c_ij来表示，其计算公式为：

$c_{\mathrm{ij}}=\underset{l=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{li}}{a}_{\mathrm{lj}}---\left(1\right)$

用户的偏好通常由用户对某一商品浏览、评价、打分等行为反应。用户之间的信任关系也可由他们对共同商品的偏好反应。因此本发明以余弦相似度计算公式为基础，进行改进，得出基于用户偏好程度的相似度计算公式：

$s_{\mathrm{ij}}=\frac{1}{\sqrt{k\left(u_i\right)k\left(u_j\right)}}\underset{l=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{li}}{a}_{\mathrm{lj}}{\left[\frac{(1-\frac{|v_{\mathrm{li}}-v_{\mathrm{li}}|}{M})}{k\left(o_l\right)}\right]}^{\mathrm{\α}}---\left(2\right)$

其中，k(u_i)表示用户u_i的度，即该用户接触过多少样商品；k(o_l)表示商品o_l的度，即该商品被多少用户接触过；v_li表示用户的偏好程度（该偏好程度由步骤2中量化得到）；M表示用户打分跨度。

5、目标用户的商品推荐：在获得目标用户最相似的用户群后，将这些用户群选择过的而目标用户未选择过的商品量化评价分数计入分数矩阵，并计算出目标用户对这些商品可能的评分。将这些商品按照评分高低进行排序，值越大说明该用户可能喜欢的概率越大。将排名靠前的商品推荐给用户。

Claims (1)

1.一种基于小波网络的丝绸产品个性化推荐方法，其特征在于，包括以下步骤：

(1)用户行为特征提取：首先通过对用户兴趣进行分析，得到其状态转移序列，根据此序列采用Viterbi算法获得其隐含行为状态，然后建立隐半马尔可夫模型对用户兴趣特征进行提取；

(2)数据预处理：首先对用户行为数据流进行基于小波变换的压缩处理，所述用户行为数据流包括用户浏览行为、描述评价和打分；采用Haar小波方法构建小波概要结构，一维Haar小波分解通过求均值方法将向量A＝(x₁,x₂,…,x_n)变换为n个小波系数(c₁,c₂,…,c_n)；

(3)量化用户评价：对压缩后的用户行为数据流进行量化表示，用户对某商品的评价通常包括描述评价和打分评价，其中，描述评价需要经过加权量化，其数值化范围依照用户打分范围设定；

(4)用户相似度计算：假设有m个用户，n个商品，用户集U＝{u₁,u₂,…,u_m}，商品集O＝{o₁,o₂,…,o_n}；如果用户i接触过商品j，所述接触为浏览、评价或选择，那么就在i和j之间连接一条边a_ij＝1，反之a_ij＝0；对于任意两个用户，他们共同接触过的商品数目用c_ij来表示，其计算公式为：

$c_{ij}=\underset{l=1}{\overset{n}{\Σ}}{a}_{li}{a}_{lj}$

用户的偏好由用户对某一商品浏览、评价、打分行为反映；用户之间的信任关系由他们对共同商品的偏好反映；以余弦相似度计算公式为基础，进行改进，得出基于用户偏好程度的相似度计算公式：

$s_{ij}=\frac{1}{\sqrt{k\left(u_i\right)k\left(u_j\right)}}\underset{l=1}{\overset{n}{\Σ}}{a}_{li}{a}_{lj}{\[\frac{(1-\frac{\left|v_{li}-v_{lj}\right|}{M})}{k\left(o_l\right)}\]}^{\mathrm{\α}}$

其中，k(u_i)表示用户u_i的度，即该用户接触过多少样商品；k(o_l)表示商品o_l的度，即该商品被多少用户接触过；v_li表示用户的偏好程度，该偏好程度由步骤(3)中量化得到；M表示用户打分跨度；

(5)目标用户的商品推荐：在获得目标用户最相似的用户群后，将这些用户群选择过的而目标用户未选择过的商品量化评价分数计入分数矩阵，并计算出目标用户对这些商品可能的评分；将这些商品按照评分高低进行排序，值越大说明该用户可能喜欢的概率越大；将排名靠前的商品推荐给用户。