CN108875092A - 一种基于协方差的商品推荐方法 - Google Patents

Abstract

本发明公开了一种基于协方差的商品推荐方法，其包括以下步骤：S1、获取每个用户购买每个物品的次数和每个用户的初始行为向量；S2、获取任一物品与每个物品之间两两相关性的协方差值；S3、获取基于该物品的协方差矩阵；S4、根据初始行为向量和协方差矩阵得到物品的推荐值；S5、对于任一用户，去除该用户已购买的物品及对应的推荐值，并将剩下的物品按照该用户给出的推荐值的大小进行排序，得到针对于该用户的商品推荐列表。本发明充分考虑了用户购买行为的随机性，将协方差应用到商品推荐领域，根据用户的历史行为，使得推荐的商品更符合每个用户的需求，有效解决了电子商务中信息过载导致用户选择难的问题。

Description

一种基于协方差的商品推荐方法

技术领域

本发明涉及商品推荐领域，具体涉及一种基于协方差的商品推荐方法。

背景技术

随着电子商务的发展，越来越多的人投身电商，使得电商业大力发展，但对于用户来说，信息过载就是最大的问题。以淘宝为例：当用户在网购过程中输入需要的商品进行搜索时，会出现大量的同一商品供用户选择，这时用户可能会遇到选择难的问题，通常会出现的情况如：便宜但担心质量；既担心质量又觉得贵等问题，使得用户在挑选物品时难以选择，这也就是信息过载带来的问题，故如何在大量商品中找到用户需要的商品，是电子商务急需解决的一个问题。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于协方差的商品推荐方法解决了电子商务中信息过载导致用户选择难的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于协方差的商品推荐方法，其包括以下步骤：

S1、获取每个用户购买每个物品的次数，并获取每个用户的初始行为向量；

S2、根据每个用户购买每个物品的次数得到任一物品与每个物品之间两两相关性的协方差值；

S3、将同一物品与每个物品之间两两相关性的协方差值组合成基于该物品的协方差矩阵；

S4、根据每个用户的初始行为向量和任一物品的协方差矩阵得到每个用户对每个物品的推荐值；

S5、对于任一用户，去除该用户已购买的物品及对应的推荐值，并将剩下的物品按照该用户给出的推荐值的大小进行排序，得到针对于该用户的商品推荐列表。

进一步地，步骤S1中获取每个用户的初始行为向量的具体方法包括以下步骤：

S1-1、对所有物品进行随机排序，并根据公式

建立一个与第i个用户相对应且项数等于物品总数的初始向量f⁽ⁱ⁾，使初始向量的每一项与每个物品一一对应；其中m表示物品总数；j表示随机排序后第j个物品，j∈(1，2，…，m)；表示第i个用户对于第j个物品的初始行为，即初始向量f⁽ⁱ⁾中的第j项；|·|^T为矩阵转置；

S1-2、将第i个用户购买过的物品在初始向量中所对应的项取值为1，将第i个用户未购买过的物品在初始向量f⁽ⁱ⁾中所对应的项取值为0，得到该用户的初始行为向量

进一步地，步骤S2的具体方法包括以下步骤：

S2-1、根据公式

和

分别得到任一物品α被购买次数的平均值和任一物品β被购买次数的平均值其中n为总用户数，k_α为物品α被购买的总次数，k_β为物品β被购买的总次数；

S2-2、根据公式

得到任一物品α与任一物品β之间相关性的协方差值Cov(α，β)，即任一物品与每个物品之间两两相关性的协方差值；其中i为第i个用户；p_i，α为第i个用户购买物品α的次数；p_i，β为第i个用户购买物品β的次数。

进一步地，步骤S3的具体方法为：

按照物品的随机排序结果将任一物品与每个物品之间两两相关性的协方差值组合成基于该任一物品的协方差矩阵。

进一步地，步骤S4的具体方法为：

将第i个用户的初始行为向量与物品α的协方差矩阵相乘，得到第i个用户对物品α的推荐值，进而得到每个用户对每个物品的推荐值。

进一步地，步骤S5中将剩下的物品按照该用户给出的推荐值的大小进行排序的具体方法为：按照该用户给出的推荐值由大到小的顺序对剩下的物品进行排序。

进一步地，步骤S1之前还包括步骤S0：

S0、根据用户的筛选条件对其他种类的物品进行剔除，保留符合用户筛选条件的物品。

本发明的有益效果为：本发明充分考虑了用户购买行为的随机性，将协方差应用到商品推荐领域，根据用户的历史行为，最后为用户做出更科学合理的物品推荐，形成针对每个用户的个性化商品推荐，使得推荐的商品更符合每个用户的需求，有效解决了电子商务中信息过载导致用户选择难的问题。

附图说明

图1为本发明的流程示意图；

图2为在本发明的一个实施例中，三个用户与四个商品之间的购买关系图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，该基于协方差的商品推荐方法包括以下步骤：

S0、根据用户的筛选条件对其他种类的物品进行剔除，保留符合用户筛选条件的物品；

S1、获取每个用户购买每个物品的次数，并获取每个用户的初始行为向量；

S2、根据每个用户购买每个物品的次数得到任一物品与每个物品之间两两相关性的协方差值；

S3、将同一物品与每个物品之间两两相关性的协方差值组合成基于该物品的协方差矩阵；

S4、根据每个用户的初始行为向量和任一物品的协方差矩阵得到每个用户对每个物品的推荐值；

S5、对于任一用户，去除该用户已购买的物品及对应的推荐值，并将剩下的物品按照该用户给出的推荐值的大小进行排序，得到针对于该用户的商品推荐列表。

步骤S1中获取每个用户的初始行为向量的具体方法包括以下步骤：

S1-1、对所有物品进行随机排序，并根据公式

建立一个与第i个用户相对应且项数等于物品总数的初始向量f⁽ⁱ⁾，使初始向量的每一项与每个物品一一对应；其中m表示物品总数；j表示随机排序后第j个物品，j∈(1，2，…，m)；表示第i个用户对于第j个物品的初始行为，即初始向量f⁽ⁱ⁾中的第j项；|·|^T为矩阵转置；

S1-2、将第i个用户购买过的物品在初始向量中所对应的项取值为1，将第i个用户未购买过的物品在初始向量f⁽ⁱ⁾中所对应的项取值为0，得到该用户的初始行为向量

步骤S2的具体方法包括以下步骤：

S2-1、根据公式

和

分别得到任一物品α被购买次数的平均值和任一物品β被购买次数的平均值其中n为总用户数，k_α为物品α被购买的总次数，k_β为物品β被购买的总次数；

S2-2、根据公式

得到任一物品α与任一物品β之间相关性的协方差值Cov(α，β)，即任一物品与每个物品之间两两相关性的协方差值；其中i为第i个用户；p_i，α为第i个用户购买物品α的次数；p_i，β为第i个用户购买物品β的次数。

步骤S3的具体方法为：按照物品的随机排序结果将任一物品与每个物品之间两两相关性的协方差值组合成基于该任一物品的协方差矩阵。

步骤S4的具体方法为：将第i个用户的初始行为向量与物品α的协方差矩阵相乘，得到第i个用户对物品α的推荐值，进而得到每个用户对每个物品的推荐值。

步骤S5中将剩下的物品按照该用户给出的推荐值的大小进行排序的具体方法为：按照该用户给出的推荐值由大到小的顺序对剩下的物品进行排序。

在本发明的一个实施例中，如图2所示，以3个用户和4个商品(本文中商品均归属于物品；图2中圆圈表示用户，方框表示商品，连线表示已购买)为例，假设购买次数为1，即第1个用户购买过一次商品A和商品C，第2个用户购买过一次商品B、商品C和商品D，第3个用户购买过一次商品A和商品D。以第一个用户为例，其初始行为向量商品A被购买次数的平均值为2/3；商品B被购买次数的平均值为1/3；商品C被购买次数的平均值为2/3；商品D被购买次数的平均值为2/3。

根据上面的数据，可以得到商品A与商品A之间相关性的协方差值Cov(A，A)、商品A与商品B之间相关性的协方差值Cov(A，B)、商品A与商品C之间相关性的协方差值Cov(A，C)、商品A与商品D之间相关性的协方差值Cov(A，D)、商品B与商品B之间相关性的协方差值Cov(B，B)、商品B与商品C之间相关性的协方差值Cov(B，C)、商品B与商品D之间相关性的协方差值Cov(B，D)、商品C与商品C之间相关性的协方差值Cov(C，C)、商品C与商品D之间相关性的协方差值Cov(C，D)、商品D与商品D之间相关性的协方差值Cov(D，D)：

从上面的数据中可以得到物品A与每个物品之间两两相关性的协方差矩阵为物品B与每个物品之间两两相关性的协方差矩阵为物品C与每个物品之间两两相关性的协方差矩阵为物品D与每个物品之间两两相关性的协方差矩阵为

因此第1个用户对物品A的推荐值为

第1个用户对物品B的推荐值为

第1个用户对物品C的推荐值为

第1个用户对物品D的推荐值为

由于第1个用户已购买过物品A和物品C，因此除去第1个用户对物品A和物品C的推荐值，则只剩下第1个用户对物品B的推荐值和第1个用户对物品D的推荐值由于因此本方法对第1个用户的推荐商品依次为物品B和物品D。

在文章LJ Chen，ZK Zhang，JH Liu，JGao，TZhou.A vertex similarity indexfor better personalized recommendation[J].Physica A Statistical Mechanics&ItsApplications，2017，466：607-615.中，作者给出了物品推荐领域中常见的几种方法，并给出了评价物品推荐方法的公式，采用与该文章中相同的评价方式，本方法与常见的几种方法得到的试验结果如表1所示：

表1：试验结果数据

	AUC	MAP	P	R	H	N	I
								GR	0.856	0.144	0.053	0.222	0.403	1660	0.415
UCF	0.872	0.176	0.061	0.263	0.458	1640	0.415
								ICF	0.885	0.289	0.072	0.314	0.629	1445	0.404
MD	0.885	0.188	0.066	0.297	0.504	1618	0.403
								HC	0.881	0.052	0.034	0.162	0.861	198	0.045
CosRA	0.895	0.223	0.074	0.35	0.598	1541	0.387
								本方法	0.892	0.355	0.0725	0.291	0.615	1391	0.4046

表1中横向的为指标，纵向的为常见的方法，其中指标AUC、MAP、P和R表示准确性，值越大越好；指标H和N表示多样性，H值越大越好，N和I值越小越好。从表1中可以看出，本方法在牺牲少数准确性的前提下，大幅度提高了推荐的多样性，便于向用户提供个性化商品推荐。

综上所述，本发明充分考虑了用户购买行为的随机性，将协方差应用到商品推荐领域，根据用户的历史行为，最后为用户做出更科学合理的物品推荐，形成针对每个用户的个性化商品推荐，使得推荐的商品更符合每个用户的需求，有效解决了电子商务中信息过载导致用户选择难的问题。

Claims (7)

1.一种基于协方差的商品推荐方法，其特征在于：包括以下步骤：

S1、获取每个用户购买每个物品的次数，并获取每个用户的初始行为向量；

S2、根据每个用户购买每个物品的次数得到任一物品与每个物品之间两两相关性的协方差值；

S3、将同一物品与每个物品之间两两相关性的协方差值组合成基于该物品的协方差矩阵；

S4、根据每个用户的初始行为向量和任一物品的协方差矩阵得到每个用户对每个物品的推荐值；

S5、对于任一用户，去除该用户已购买的物品及对应的推荐值，并将剩下的物品按照该用户给出的推荐值的大小进行排序，得到针对于该用户的商品推荐列表。

2.根据权利要求1所述的基于协方差的商品推荐方法，其特征在于，所述步骤S1中获取每个用户的初始行为向量的具体方法包括以下步骤：

S1-1、对所有物品进行随机排序，并根据公式

建立一个与第i个用户相对应且项数等于物品总数的初始向量f⁽ⁱ⁾，使初始向量的每一项与每个物品一一对应；其中m表示物品总数；j表示随机排序后第j个物品，j∈(1,2,…,m)；表示第i个用户对于第j个物品的初始行为，即初始向量f⁽ⁱ⁾中的第j项；|·|^T为矩阵转置；

S1-2、将第i个用户购买过的物品在初始向量中所对应的项取值为1，将第i个用户未购买过的物品在初始向量f⁽ⁱ⁾中所对应的项取值为0，得到该用户的初始行为向量

3.根据权利要求2所述的基于协方差的商品推荐方法，其特征在于，所述步骤S2的具体方法包括以下步骤：

S2-1、根据公式

和

分别得到任一物品α被购买次数的平均值和任一物品β被购买次数的平均值其中n为总用户数，k_α为物品α被购买的总次数，k_β为物品β被购买的总次数；

S2-2、根据公式

得到任一物品α与任一物品β之间相关性的协方差值Cov(α,β)，即任一物品与每个物品之间两两相关性的协方差值；其中i为第i个用户；p_i,α为第i个用户购买物品α的次数；p_i,β为第i个用户购买物品β的次数。

4.根据权利要求3所述的基于协方差的商品推荐方法，其特征在于，所述步骤S3的具体方法为：

按照物品的随机排序结果将任一物品与每个物品之间两两相关性的协方差值组合成基于该任一物品的协方差矩阵。

5.根据权利要求4所述的基于协方差的商品推荐方法，其特征在于，所述步骤S4的具体方法为：

将第i个用户的初始行为向量与物品α的协方差矩阵相乘，得到第i个用户对物品α的推荐值，进而得到每个用户对每个物品的推荐值。

6.根据权利要求5所述的基于协方差的商品推荐方法，其特征在于，所述步骤S5中将剩下的物品按照该用户给出的推荐值的大小进行排序的具体方法为：按照该用户给出的推荐值由大到小的顺序对剩下的物品进行排序。

7.根据权利要求1-6任一所述的基于协方差的视频推荐方法，其特征在于：所述步骤S1之前还包括步骤S0：

S0、根据用户的筛选条件对其他种类的物品进行剔除，保留符合用户筛选条件的物品。