CN105528704A

CN105528704A - 一种基于阶段的动态产品推荐方法

Info

Publication number: CN105528704A
Application number: CN201410502965.0A
Authority: CN
Inventors: 李涛; 刘敏; 李千目; 侯君; 徐建
Original assignee: Nanjing University of Science and Technology Changshu Research Institute Co Ltd
Current assignee: Nanjing University of Science and Technology Changshu Research Institute Co Ltd
Priority date: 2014-09-28
Filing date: 2014-09-28
Publication date: 2016-04-27

Abstract

本发明属于数据挖掘领域，具体涉及一种基于阶段的动态产品推荐方法。它包括分割用户购买记录、对用户长期偏好进行建模、构建多模态图和进行随机游走推理，最终得到产品推荐列表。本发明与现有技术相比，其显著优点是灵活性强，可靠性高，实用性高。

Description

一种基于阶段的动态产品推荐方法

技术领域

本发明属于数据挖掘领域，尤其是涉及一种基于阶段的动态产品推荐方法。

背景技术

由于向人们推荐他们感兴趣的产品产生了越来越多的经济效益，个性化推荐正变得越来越受欢迎。许多的电子商务网站已经从产品推荐系统中获得了很大的利益。大部分的研究者都尝试通过使用基于内容或者协同过滤或者混合前面两种技术的方式开发推荐系统。然而，这种推荐模式不能有效的解决所有可能发生在现实应用中的事件。

在电子推荐系统中，存在一类特殊的推荐问题，即用户的购买行为是随着时间而改变的。在人的不同阶段，用户会偏好不同的商品。在这里使用基于商品的方法来做个性化推荐是不合理的，因为不同时期购买的商品可能会完全不同。通常，一个商品分类方法是和一个推荐系统相关联的，这样客户能很容易的转向不同的产品类别。

发明内容

本发明的目的是针对现有的产品推荐中存在的问题，提出一种适用性强、可靠性好的动态产品推荐方法。

实现本发明目的的技术解决方案为：

将产品分类知识用来形式化用户的长期偏好，同时获取用户的兴趣变化。然而，仅仅有长期偏好并不能提供足够的证据来得到用户的当前愿望。对于进入一个新的购买阶段的客户来说，他可能会喜欢以前从来没有购买过的商品类型。因此，仅考虑用户的长期偏好是不能获取他的意愿的。为了解决这个问题，我们提出通过分析相似用户购买行为来探索用户的短期偏好。

具体步骤如下:

1、分割用户的购买记录，将其分为不同阶段：定义一个统一的时间片T作为一个分割单位，然后根据T来分割购买记录H，即H={H_t0,H_t1,…,H_tn}，其中t₀表示当前阶段，即最近购买时期，对于每个时期，我们都使用商品分类法对用户行为H_ti进行建模；

2、使用产品分类方法对用户的长期偏好进行建模：对用户长期偏好进行建模包括生成用户信息以及模型改善；生成用户信息：假设基本的类别向量为<c₁,c₂,c₃,c₄,c₅>,权重类别向量=<1,2,0,1,1>，其中每一项表示用户对相应的类别的隐式评分。在这个表达式中，我们赋予产品分类中更高层的类别更大的权重，以避免陷入特定的主题以及失去对用户偏好的整体认知。权重类别向量是l₂归一化的。最后，我们定义用户的长期信息为R_u1={,,,…},同时我们可以确定u₁的当前推荐阶段为H_t0；

模型改善：我们通过指定三种不同的相似度用户与用户的相似度（S_U），产品之间的相似度(S_I)，类别之间的相似度(S_C)，进一步的形式化这个基于分类的信息模型。

3、基于与目标用户相似的用户的购买行为构建一张多模态图；建立一个节点包括用户、产品和类别的多模态图，而节点之间的边的权重由邻接矩阵W确定。U_p、P_p、P_c分别表示用户与产品、用户与类别、产品与类别之间的关系，建立一个邻接矩阵W,节点之间的边的权重由邻接矩阵W确定。

4、在构建的多模态图上进行随机游走推理，得到最终的推荐列表：

执行随机游走原理RWR来取得与给定用户q高度相关的元素，在向量选择一个排在顶端的元素子集e，如果e_i是用户，则选择e_i最近购买的产品放进推荐列表l中；如果e_i是产品，则直接将e_i放进l中；如果e_i是类别，则选择对e_i的IC值贡献最大的产品放进l中。这样就得到了最终的产品推荐列表。

本发明与现有技术相比，其显著优点是:

1.灵活性强；

2.可靠性高；

3.实用性好。

附图说明

图1是产品分类示意图。

图2是动态推荐过程示意图。

图3是随机游走推理算法示意图。

具体实施方式

以下结合附图，详细说明本发明的实施方式。

结合图1，本发明的动态产品推荐方法中，定义几个集合：用户知识库U={u₁,u₂,…,u_n}，U包括电子商务网站上的所有用户；产品知识库P={p₁,p₂,…,p_m}，P包括电子商务网站上提供的所有产品；用户评价R={R₁,R₂,…,R_n}，R包括用户对产品的所有评价信息；产品类别C={c₁,c₂,…,c_k}，一件产品只能属于一个特定的类别。

首先提取u₁的交易数据，R₁={p₄₁,p₅₁,p₂₁}。对于R₁中的每个项目，我们定位了其直接所属的细粒度类别即c₄，然后从底到顶遍历这个分类以获得从这个类别开始的类别路径，即c₄→c₁。接下来将p₄₁上的评价得分转换为类别路径，即将路径上的每个类别定义设为“1”。因此，我们汇总了每个类别的评价得分，并用一个权重类别向量表示用户阶段信息。

结合图2，本发明的动态产品推荐方法中，商品的动态推荐过程包括分割用户的购买记录、对用户长期偏好进行建模、构建多模态图，最后是进行随机游走推理，以得到最终的推荐列表。

分割用户的购买记录：定义一个统一的时间片T作为一个分割单位，然后根据T来分割购买记录H，即H={H_t0,H_t1,…,H_tn}，其中t₀表示当前阶段，即最近购买时期。对于每个时期，我们都使用商品分类法对用户行为H_ti进行建模。

对用户长期偏好进行建模包括生成用户信息以及模型改善。

生成用户信息：假设基本的类别向量为<c₁,c₂,c₃,c₄,c₅>,权重类别向量=<1,2,0,1,1>，其中每一项表示用户对相应的类别的隐式评分。在这个表达式中，我们赋予产品分类中更高层的类别更大的权重，以避免陷入特定的主题以及失去对用户偏好的整体认知。权重类别向量是l₂归一化的。最后，我们定义用户的长期信息为R_u1={,,,…},同时我们可以确定u₁的当前推荐阶段为H_t0。

模型改善：我们通过指定三种不同的相似度，进一步的形式化这个基于分类的信息模型。

用户与用户的相似度（S_U）：用户之间的相似性产生自两个不同的组件：用户与产品之间的相似性S_UI和用户与类别之间的相似性S_UC。给定两个用户u₁和u₂，S_UI可以通过这两个用户所购买的产品集合I_u1,I_u2之间的Jaccard相似度求得，而S_UC可以由这两个用户可确定的阶段信息向量R_u1,R_u2之间的Consine相似度求得。

/()，/。

最后，。

通过这种方式我们可以很容易的得到来自分类层次和实际购买行为层次的两个用户的相关度。

产品之间的相似度(S_I)：产品之间的相似度可以由产品到产品的协同过滤计算得到。给定一个产品p，我们的目的是找到与p相似的产品；这里的相似指的是购买这两个产品的用户集U_p1、U_p2具有相当的重叠。我们使用Jaccard相似性来得到S_I(U_p1,U_p2)，即

/()

类别之间的相似度(S_C)：这个相似度可以帮助确定在一个产品分类里面两个不同类别的语义相关性。我们使用信息内容(IC)来计算S_C，IC衡量了一个给定的类别c的发生概率的信息数量，在我们的例子中就是在类别c中产品被购买的概率。IC越大，这个类别就越受欢迎。IC(c)=-logp(c)。使用一个分类中最小公共包含的IC来计算一对内容的相关性。则

/()

构建多模态图：多模态图包括多种资源，如用户、产品和类别之间多种类型的联系，即用户与用户、产品与产品、类别与类别之间的关系等等。我们将这个图封装成一个邻接矩阵。令U_p、P_p、P_c分别表示用户与产品、用户与类别、产品与类别之间的关系，建立一个邻接矩阵，其中U_u、P_p、C_c都由E_q计算得到，W中的其他块可以由购买行为或者产品分类计算得到。

随机游走推理：使用随机游走重启(RWR)推理来获得推荐产品，这样被推荐的产品不会与用户的购买兴趣产生太大的偏离。使用归一化的拉普拉斯图构建一个矩阵A=是一个对角矩阵，而且它的第(i,i)个元素等于W中第i行的总和。

结合图3，本发明的动态产品推荐方法中，我们首先建立一个节点包括用户、产品和类别的多模态图，而节点之间的边的权重由邻接矩阵W确定。使用拉普拉斯图来归一化W，执行随机游走原理RWR来取得与给定用户q高度相关的元素，在向量选择一个排在顶端的元素子集e，如果e_i是用户，则选择e_i最近购买的产品放进推荐列表l中；如果e_i是产品，则直接将e_i放进l中；如果e_i是类别，则选择对e_i的IC值贡献最大的产品放进l中。这样就得到了最终的产品推荐列表。

Claims

1.一种基于阶段的动态产品推荐方法，其特征在于以下步骤：

a.首先分割用户的购买记录，将其分为不同阶段：定义一个统一的时间片T作为一个分割单位，然后根据T来分割购买记录H，即H={H_t0,H_t1,…,H_tn}，其中t₀表示当前阶段，即最近购买时期，对于每个时期，都使用商品分类法对用户行为H_ti进行建模；

b.使用产品分类方法对用户的长期偏好进行建模：对用户长期偏好进行建模包括生成用户信息以及模型改善；生成用户信息：假设基本的类别向量为<c₁,c₂,c₃,c₄,c₅>,权重类别向量=<1,2,0,1,1>，其中每一项表示用户对相应的类别的隐式评分;权重类别向量是l₂归一化的,用户的长期信息为R_u1={,,,…},确定u₁的当前推荐阶段为H_t0；

c.基于与目标用户相似的用户的购买行为构建一张多模态图；建立一个节点包括用户、产品和类别的多模态图，而节点之间的边的权重由邻接矩阵W确定;U_p、P_p、P_c分别表示用户与产品、用户与类别、产品与类别之间的关系，

;

d.在构建的多模态图上运用随机游走推理，得到最终的推荐列表：执行随机游走原理RWR来取得与给定用户q高度相关的元素，在向量选择一个排在顶端的元素子集e，如果e_i是用户，则选择e_i最近购买的产品放进推荐列表l中；如果e_i是产品，则直接将e_i放进l中；如果e_i是类别，则选择对e_i的IC值贡献最大的产品放进l中,进而得到最终的产品推荐列表。

2.根据权利要求1所述的一种基于阶段的动态产品推荐方法，其特征在于所述的随机游走推理是使用归一化的拉普拉斯图构建了一个矩阵A=,其中D是一个对角矩阵，而且它的第(i,i)个元素等于W中第i行的总和。