CN103886486A - 一种基于支持向量机svm的电子商务推荐方法 - Google Patents

一种基于支持向量机svm的电子商务推荐方法 Download PDF

Info

Publication number
CN103886486A
CN103886486A CN201410107196.4A CN201410107196A CN103886486A CN 103886486 A CN103886486 A CN 103886486A CN 201410107196 A CN201410107196 A CN 201410107196A CN 103886486 A CN103886486 A CN 103886486A
Authority
CN
China
Prior art keywords
user
evaluation
commodity
svm
support vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201410107196.4A
Other languages
English (en)
Inventor
杨正华
曾爱华
丁雷
唐洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jishou University
Original Assignee
Jishou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jishou University filed Critical Jishou University
Priority to CN201410107196.4A priority Critical patent/CN103886486A/zh
Publication of CN103886486A publication Critical patent/CN103886486A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于SVM的电子商务推荐方法，包括，建立基于SVM的用户评价预测模型，基于机器学习进行含语义的文本特征提取，把评价表示为多维特征向量，并对评价进行分类，支持向量机分类器对商品评价分为有用和无用两类，实现评价的自动识别；根据分类器中的评价有用性分值，按照分值大小，通过训练样本预测评分的方法填充用户项目矩阵；根据各个项目的重要性对核函数相应的分量赋予相应的权重，同时根据用户过程行为，修正相应分量权重，以达到提高预测精度、产生理想的推荐效果目的。本发明利用统计学、机器学习、智能模式识别分类等技术，分析客户电子商务访问行为和商品的评价，通过模型预测客户兴趣商品，产生推荐结果并推荐给客户，帮助客户及时快捷准确地发现真正需要的商品。

Description

一种基于支持向量机SVM的电子商务推荐方法
技术领域
    本发明设计一种电子商务的推荐方法，具体涉及一种基于支持向量机（SVM）的电子商务推荐方法。
背景技术
互联网及电子商务的快速发展，电子商务在给用户带来无限的便利性的同时，随着信息的急剧增长，信息过载也使得整个系统变得更为复杂，用户无法顺利找到需要查找的商品信息，电子商务推荐系统能够有效地动态捕获用户需求及偏好，预测可能的用户偏好，推荐其可能感兴趣的商品，顺利完成购物的整个过程。电子商务推荐系统具有良好的发展和应用前景，目前如亚马逊、当当、eBay、淘宝等都不同程度的使用了电子商务推荐系统，各种Web网站也支持推荐系统进行个性化的需求预测。
国内外目前电子商务推荐算法可分为三大类，（1）、基于内容的推荐算法。基于内容的过滤是信息检索推荐领域的重要研究内容，基于内容的推荐技术需要分析资源内容信息，根据用户兴趣建立用户档案(Profile),用户档案中包含了用户的偏好和需求信息，然后根据资源内容与用户档案之间的相似性向用户提供推荐服务。（2）、基于规则的推荐算法。随着数据挖掘的兴起，关联规则被应用于推荐系统，形成了一种新的推荐技术基于规则的推荐技术。基于规则的推荐技术在评价表上挖掘项目间的关联规则和用户间的关联规则为当前用户进行推荐。使用项目关联进行推荐时，每条项目关联的前件相当于一个兴趣组，而规则的后件则相当于这个兴趣组的推荐（3）协同过滤的推荐算法。目前协同过滤推荐主要是以属性或兴趣相近的用户经验与建议作为提供个性化推荐的基础。透过协同过滤，有助于搜集具有类似偏好或属性的用户，并将其意见提供给同一集群中的用户作为参考，以满足人们通常在决策之前参考他人意见的心态。
电子商务推荐方法在理论和实践中都得到较大发展，但电子商务推荐方法也面临一系列的挑战，现有技术存在的问题如下：
（一）用户数据稀疏性问题
协同过滤推荐是基于评分相似的最近邻居向目标客户产生推荐的一种算法，但随着电子商务系统规模的扩大,用户数目和商品数据急剧增加，一段时间内，一个用户购买的商品是极其有限的，对购买的商品评价就更少，使得用户项目矩阵的极端稀疏性，导致用户最近邻居和项目最近邻居的计算准确性降低,使得推荐系统的推荐质量急剧下降。
（二）评价有效性和权重问题
传统的协同过滤推荐技术对未评价商品和无效评价，因评分少或无效的数据，存在推荐质量低的问题，针对这种情况提出多种解决方法,其中包括矩阵填充、矩阵降维等技术。或简单的将用户对未评分项目的评分设为一个固定的缺省值,或设为其他用户对该项目的平均评分。然而用户对未评分项目的评分不可能完全相同,另外对于同一种商品，不同用户评价的侧重是不一样的，有些关注产品的外观，有些关注的是品牌，有些关注的是质量，有些关注的是服务。
发明内容
本发明所解决的技术问题是，提供一种基于SVM的电子商务推荐方法，解决了协同过滤模型中用户数据稀疏性及用户评价有效性和权重问题。
 技术方案如下：
一种基于SVM的电子商务推荐方法，包括
建立SVM预测模型
首先设样本集{xi, yi}, i=1, …, n, n为样本总数。利用非线性映射                                                
Figure 4057DEST_PATH_IMAGE001
到高维空间，则所构成的最优回归函数为：
Figure 247957DEST_PATH_IMAGE002
,                                                                                                                (1)
式中，w为权向量，b为常数，x i 为矢量x i (x i1, x i2,…, x il )。根据SRM准则，优化目标为
                                                                           (2)
式中，
Figure 711354DEST_PATH_IMAGE004
为函数拟合精度，
Figure 90514DEST_PATH_IMAGE005
为松弛变量，C>0为惩罚参数。利用上式的对偶式，可以将上式转化为
Figure 454499DEST_PATH_IMAGE006
                                          (3)
式中
Figure 129587DEST_PATH_IMAGE007
，则(1)式可以表示为
Figure 579023DEST_PATH_IMAGE008
                                                                                                       (4)
将用户对各个项目的评分看做训练样本，则xi(xi1, xi2,…, xin)意味着第i个用户对各个项目的评分的矢量。使用支持向量机进行预测是根据某个变化量的观测数据建立预测模型。如需要预测第k个用户对各个项目的评价，则根据先前的k-1,…, k-n个数据作为输入，根据(4)式获得第k个用户对各个项目的评价。
从(4)式可以看出，核函数
Figure 948825DEST_PATH_IMAGE009
中xi(xi1, xi2,…, xin)的各个分量的权重一样。事实上不同项目评价作用会影响到预测的效果。因此根据各个项目评价在整个评价所起到的作用获得如下的权重矩阵：
Figure 652470DEST_PATH_IMAGE010
                                                                                                                          (5)
(5)式中r1, …, rn分别为各个项目的评价在整个评价中所起到的重要性。
因此(4)式可以转化为如下的预测模型：
Figure 511841DEST_PATH_IMAGE011
  
与现有技术相比较，本发明技术方案的技术效果包括
邻协同过滤推荐是基于评分相似的最近邻居向目标客户产生推荐的一种方法，针对未评分的项目，采用SVM预测评分的方法填充用户项目矩阵,本发明使用支持向量机进行预测是根据某个历史评分的观测数据进行预测评分的方法，并根据各个项目评价在整个评价所起到的作用填写权重项目矩阵，很好地解决了用户数据稀疏性问题、评价有效性和权重问题，以达到最佳预测评分效果。
附图说明
图1 流程图
具体实施方式
本发明通过附图对具体实施做进一步描述
建立SVM的向量模型，根据所述的SVM的向量模型的提取用户所在的用户信息和用户对于特定商品的评价信息，根据过往的经验评价，预测和填充未评价或无效评价数据。
步骤一、提取样本集{xi, yi}, x代表产品评价，i=1, …, n, n为样本总数。利用非线性映射
Figure 432262DEST_PATH_IMAGE001
到高维空间，所得最优回归函数
Figure 668071DEST_PATH_IMAGE002
，w为权向量，b为常数，x i 为产品评价矢量化(x i1, x i2,…, x in )。
步骤二、优化目标，求解最优分类面，即对于每一产品评价向量，求每一点距分类平面的最小距离。
Figure 678752DEST_PATH_IMAGE004
为函数拟合精度，
Figure 459757DEST_PATH_IMAGE005
为松弛变量，参数C用来调节正则化和经验风险部分之间的平衡，还可以看作是对错误分类点的惩罚参数。
步骤三、在求解上式时，采用对偶理论，把它转化成二次规划问题。 
Figure 644325DEST_PATH_IMAGE006
Figure 571829DEST_PATH_IMAGE007
， K(x,x) 为特征空间的一个内积，则称 K(x,x) 为核函数。
步骤四，得到
Figure 710687DEST_PATH_IMAGE008
 ，将用户对各个项目的评分看做训练样本，则x i (x i1, x i2,…, x in )。意味着第i个用户对各个项目的评分的矢量。使用支持向量机进行预测是根据某个变化量的观测数据建立预测模型。如需要预测第k个用户对各个项目的评价，则根据先前的k-1,…, k-n个数据作为输入，获得第k个用户对各个项目的评价。
步骤五，根据用户历史评价数据预测每一个评价信息项目的权重，并得到权重矩阵
Figure 107164DEST_PATH_IMAGE010
r 1 , …, r n 分别为各个项目的评价在整个评价中所起到的重要性，权重根据用户评价关注的外观、品牌、质量、服务等历史评价规则得出。
步骤六，得到
Figure 356880DEST_PATH_IMAGE011
带有商品评价权重的核函数的预测式。
步骤七，根据用户历史评价数据，对商品的外观、品牌、质量、服务等进行权重分析，预测用户的评价数据，结合用户行为等内容推荐方法，把预测结果推荐给客户。

Claims (6)

1.一种基于支持向量机SVM的电子商务组合推荐方法，其特征在于，所述支持向量机SVM推荐方法包括如下步骤：
步骤一，提取商品的用户评价信息，支持向量机分类器对商品评价分为有效和无效两类；
步骤二，对有效评价，应用SVM把评价表示为多维特征向量，填充用户项目矩阵；
步骤三，对无效评价，通过训练样本预测评分的方法填充用户项目矩阵；
步骤四，根据各个项目的重要性对核函数相应的分量赋予相应的权重；
步骤五，结合用户行为和支持向量机SVM评价预测方法进行组合预测；
步骤六，预测结果并进行推荐。
2.根据权利要求1中所述的方法，其特征在于，支持支持向量机分类器SVM，是基于统计学习理论的一种最优判别函数，并确定分类映射，                                                
Figure 699270DEST_PATH_IMAGE001
，其中
Figure 822078DEST_PATH_IMAGE002
，
Figure 955119DEST_PATH_IMAGE003
,T是评价集合，P评价有用性集合。
3.根据权利要求1中所述的方法，其特征在于，所述的用户商品项目矩阵
Figure 323040DEST_PATH_IMAGE004
，
Figure 225137DEST_PATH_IMAGE005
是表示对第i个商品的第j个特征评价向量。
4.根据权利要求1中所述的方法，其特征在于，所述的核函数在
Figure 518846DEST_PATH_IMAGE006
预测方法中，核函数表示为
Figure 811287DEST_PATH_IMAGE007
，为特征空间的一个内积。
5.根据权利要求1中所述的方法，其特征在于，所述项目的重要性包括外观、品牌、质量、服务等商品属性值。
6.根据权利要求1中所述的方法，其特征在于，所述用户行为，包括浏览商品、收藏商品、加入购入车、购买商品等。
CN201410107196.4A 2014-03-21 2014-03-21 一种基于支持向量机svm的电子商务推荐方法 Pending CN103886486A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410107196.4A CN103886486A (zh) 2014-03-21 2014-03-21 一种基于支持向量机svm的电子商务推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410107196.4A CN103886486A (zh) 2014-03-21 2014-03-21 一种基于支持向量机svm的电子商务推荐方法

Publications (1)

Publication Number Publication Date
CN103886486A true CN103886486A (zh) 2014-06-25

Family

ID=50955365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410107196.4A Pending CN103886486A (zh) 2014-03-21 2014-03-21 一种基于支持向量机svm的电子商务推荐方法

Country Status (1)

Country Link
CN (1) CN103886486A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331816A (zh) * 2014-10-28 2015-02-04 常州大学 基于知识学习和隐私保护的大数据用户购买意愿预测方法
CN104599159A (zh) * 2015-02-06 2015-05-06 浪潮集团有限公司 一种基于支持向量机原理的用户行为识别方法
CN104616178A (zh) * 2015-03-06 2015-05-13 浪潮集团有限公司 一种基于大数据多标记分类方法的电子商务商品推荐方法
CN105046274A (zh) * 2015-07-13 2015-11-11 浪潮软件集团有限公司 一种电子商务商品类别自动标注方法
CN106909931A (zh) * 2015-12-23 2017-06-30 阿里巴巴集团控股有限公司 一种用于机器学习模型的特征生成方法、装置和电子设备
CN107230002A (zh) * 2017-06-09 2017-10-03 天津大学 基于项目的评分矩阵预测算法
CN107918922A (zh) * 2017-11-15 2018-04-17 中国联合网络通信集团有限公司 业务推荐方法及业务推荐装置
CN110275129A (zh) * 2019-06-18 2019-09-24 中国电力科学研究院有限公司 一种确定高压电能计量装置合成误差的方法和系统
CN110334281A (zh) * 2019-07-11 2019-10-15 广东工业大学 一种结合用户行为的图书推荐方法、装置、设备及介质
CN110348964A (zh) * 2019-07-09 2019-10-18 葛晓滨 一种基于多感知的智慧化电子商务推荐方法
CN112907314A (zh) * 2020-12-28 2021-06-04 桂林旅游学院 一种基于支持向量机svm的电子商务推荐方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
RAYID GHANI ET AL.: "Building Recommender Systems Using a Knowledge Base of Product Semantics", 《IN PROCEEDINGS OF WORKSHOP ON RECOMMENDATION AND PERSONALIZATION IN E-COMMERCE(RPEC"02)》 *
SCHAFER ET AL.: "E-Commerce Recommendation Applications", 《DATA MINING AND KNOWLEDGE DISCOVERY》 *
张锋 等: "基于规则的电子商务推荐系统模型和实现", 《计算机集成制造系统》 *
杨正华 等: "基于语义的SVM电子商务推荐模型研究", 《现代计算机》 *
聂规划 等: "基于语义词典的电子商务推荐系统模型研究", 《情报杂志》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331816B (zh) * 2014-10-28 2017-10-20 常州大学 基于知识学习和隐私保护的大数据用户购买意愿预测方法
CN104331816A (zh) * 2014-10-28 2015-02-04 常州大学 基于知识学习和隐私保护的大数据用户购买意愿预测方法
CN104599159A (zh) * 2015-02-06 2015-05-06 浪潮集团有限公司 一种基于支持向量机原理的用户行为识别方法
CN104616178A (zh) * 2015-03-06 2015-05-13 浪潮集团有限公司 一种基于大数据多标记分类方法的电子商务商品推荐方法
CN105046274A (zh) * 2015-07-13 2015-11-11 浪潮软件集团有限公司 一种电子商务商品类别自动标注方法
CN106909931A (zh) * 2015-12-23 2017-06-30 阿里巴巴集团控股有限公司 一种用于机器学习模型的特征生成方法、装置和电子设备
CN106909931B (zh) * 2015-12-23 2021-03-16 阿里巴巴集团控股有限公司 一种用于机器学习模型的特征生成方法、装置和电子设备
CN107230002A (zh) * 2017-06-09 2017-10-03 天津大学 基于项目的评分矩阵预测算法
CN107918922A (zh) * 2017-11-15 2018-04-17 中国联合网络通信集团有限公司 业务推荐方法及业务推荐装置
CN110275129A (zh) * 2019-06-18 2019-09-24 中国电力科学研究院有限公司 一种确定高压电能计量装置合成误差的方法和系统
CN110275129B (zh) * 2019-06-18 2022-10-04 中国电力科学研究院有限公司 一种确定高压电能计量装置合成误差的方法和系统
CN110348964A (zh) * 2019-07-09 2019-10-18 葛晓滨 一种基于多感知的智慧化电子商务推荐方法
CN110334281A (zh) * 2019-07-11 2019-10-15 广东工业大学 一种结合用户行为的图书推荐方法、装置、设备及介质
CN110334281B (zh) * 2019-07-11 2022-02-15 广东工业大学 一种结合用户行为的图书推荐方法、装置、设备及介质
CN112907314A (zh) * 2020-12-28 2021-06-04 桂林旅游学院 一种基于支持向量机svm的电子商务推荐方法

Similar Documents

Publication Publication Date Title
CN103886486A (zh) 一种基于支持向量机svm的电子商务推荐方法
Reddy et al. Content-based movie recommendation system using genre correlation
US10410138B2 (en) System and method for automatic generation of features from datasets for use in an automated machine learning process
CN106844787B (zh) 一种为汽车行业寻找目标用户并匹配目标产品的推荐方法
CN109684538A (zh) 一种基于用户个人特征的推荐方法及推荐系统
CN105426528A (zh) 一种商品数据的检索排序方法及系统
Guo et al. Personalized ranking with pairwise factorization machines
CN106471491A (zh) 一种时变的协同过滤推荐方法
CN112200601B (zh) 物品推荐方法、装置及可读存储介质
Chen et al. Customer purchase forecasting for online tourism: A data-driven method with multiplex behavior data
CN101482884A (zh) 一种基于用户偏好评分分布的协作推荐系统
CN109840796B (zh) 决策因素分析装置与决策因素分析方法
US20240202491A1 (en) Recommendation method, method for training recommendation model, and related product
CN105976229A (zh) 一种基于用户和项目混合的协同过滤算法
KR101963817B1 (ko) 키워드 검색량 기반 예측 정보 생성 장치 및 방법
CN105430505A (zh) 一种基于组合策略的iptv节目推荐方法
Patil et al. Studying the contribution of machine learning and artificial intelligence in the interface design of e-commerce site
CN106294410A (zh) 一种个性化信息推送时间的确定方法及确定系统
Jiao et al. Research on personalized recommendation optimization of E-commerce system based on customer trade behaviour data
Manimurugan et al. A user-based video recommendation approach using CAC filtering, PCA with LDOS-CoMoDa
CN108491477B (zh) 基于多维云和用户动态兴趣的神经网络推荐方法
CN111199422A (zh) 融合时间衰减因子的改进lfm协同过滤方法
Li et al. Collaborative filtering recommendation algorithm based on user characteristics and user interests
Pinto et al. Hybrid recommendation system based on collaborative filtering and fuzzy numbers
CN115222177A (zh) 业务数据处理方法、装置、计算机设备和存储介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20140625

RJ01 Rejection of invention patent application after publication