CN108875092B - 一种基于协方差的商品推荐方法 - Google Patents

一种基于协方差的商品推荐方法 Download PDF

Info

Publication number
CN108875092B
CN108875092B CN201810958806.XA CN201810958806A CN108875092B CN 108875092 B CN108875092 B CN 108875092B CN 201810958806 A CN201810958806 A CN 201810958806A CN 108875092 B CN108875092 B CN 108875092B
Authority
CN
China
Prior art keywords
user
article
item
covariance
value
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.)
Active
Application number
CN201810958806.XA
Other languages
English (en)
Other versions
CN108875092A (zh
Inventor
蔡彪
黄玉盛
杨小王
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.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
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 Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN201810958806.XA priority Critical patent/CN108875092B/zh
Publication of CN108875092A publication Critical patent/CN108875092A/zh
Application granted granted Critical
Publication of CN108875092B publication Critical patent/CN108875092B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

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
Figure BDA0001773321070000021
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)；
Figure BDA0001773321070000022
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
Figure BDA0001773321070000023
进一步地，步骤S2的具体方法包括以下步骤：
S2-1、根据公式
Figure BDA0001773321070000024
和
Figure BDA0001773321070000025
分别得到任一物品α被购买次数的平均值
Figure BDA0001773321070000026
和任一物品β被购买次数的平均值
Figure BDA0001773321070000027
其中n为总用户数，kα为物品α被购买的总次数，kβ为物品β被购买的总次数；
S2-2、根据公式
Figure BDA0001773321070000028
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；pi，α为第i个用户购买物品α的次数；pi，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
Figure BDA0001773321070000031
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
Figure BDA0001773321070000041
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)；
Figure BDA0001773321070000042
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
Figure BDA0001773321070000051
步骤S2的具体方法包括以下步骤：
S2-1、根据公式
Figure BDA0001773321070000052
和
Figure BDA0001773321070000053
分别得到任一物品α被购买次数的平均值
Figure BDA0001773321070000054
和任一物品β被购买次数的平均值
Figure BDA0001773321070000055
其中n为总用户数，kα为物品α被购买的总次数，kβ为物品β被购买的总次数；
S2-2、根据公式
Figure BDA0001773321070000056
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；pi，α为第i个用户购买物品α的次数；pi，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
Figure BDA0001773321070000057
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
Figure BDA0001773321070000061
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)：
Figure BDA0001773321070000062
Figure BDA0001773321070000063
Figure BDA0001773321070000064
Figure BDA0001773321070000065
Figure BDA0001773321070000066
Figure BDA0001773321070000067
Figure BDA0001773321070000068
Figure BDA0001773321070000069
Figure BDA00017733210700000610
Figure BDA0001773321070000071
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
Figure BDA0001773321070000072
物品B与每个物品之间两两相关性的协方差矩阵为
Figure BDA0001773321070000073
物品C与每个物品之间两两相关性的协方差矩阵为
Figure BDA0001773321070000074
物品D与每个物品之间两两相关性的协方差矩阵为
Figure BDA0001773321070000075
因此第1个用户对物品A的推荐值为
Figure BDA0001773321070000076
Figure BDA0001773321070000077
第1个用户对物品B的推荐值为
Figure BDA0001773321070000078
Figure BDA0001773321070000079
第1个用户对物品C的推荐值为
Figure BDA00017733210700000710
Figure BDA00017733210700000711
第1个用户对物品D的推荐值为
Figure BDA00017733210700000712
Figure BDA00017733210700000713
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
Figure BDA00017733210700000714
和第1个用户对物品D的推荐值
Figure BDA00017733210700000715
由于
Figure BDA00017733210700000716
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 (5)

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；
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
Figure FDA0003597655610000011
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)；
Figure FDA0003597655610000012
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
Figure FDA0003597655610000013
步骤S2的具体方法包括以下步骤：
S2-1、根据公式
Figure FDA0003597655610000021
和
Figure FDA0003597655610000022
分别得到任一物品α被购买次数的平均值
Figure FDA0003597655610000023
和任一物品β被购买次数的平均值
Figure FDA0003597655610000024
其中n为总用户数，kα为物品α被购买的总次数，kβ为物品β被购买的总次数；
S2-2、根据公式
Figure FDA0003597655610000025
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；pi，α为第i个用户购买物品α的次数；pi，β为第i个用户购买物品β的次数。
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。
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S4的具体方法为：
将第i个用户的初始行为向量
Figure FDA0003597655610000026
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。
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。
5.根据权利要求1-4任一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。
CN201810958806.XA 2018-08-22 2018-08-22 一种基于协方差的商品推荐方法 Active CN108875092B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810958806.XA CN108875092B (zh) 2018-08-22 2018-08-22 一种基于协方差的商品推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810958806.XA CN108875092B (zh) 2018-08-22 2018-08-22 一种基于协方差的商品推荐方法

Publications (2)

Publication Number Publication Date
CN108875092A CN108875092A (zh) 2018-11-23
CN108875092B true CN108875092B (zh) 2022-07-12

Family

ID=64321175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810958806.XA Active CN108875092B (zh) 2018-08-22 2018-08-22 一种基于协方差的商品推荐方法

Country Status (1)

Country Link
CN (1) CN108875092B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109815416B (zh) * 2019-01-29 2020-12-22 北京字节跳动网络技术有限公司 关联信息的推送方法、装置，电子设备及存储介质
CN109727102A (zh) * 2019-01-31 2019-05-07 珠海优特智厨科技有限公司 一种菜谱和厨具设备的关联推荐方法及装置
CN111858915A (zh) * 2020-08-07 2020-10-30 成都理工大学 基于标签相似度的信息推荐方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544632A (zh) * 2013-07-22 2014-01-29 杭州师范大学 一种网络商品个性化推荐方法及系统
CN104281718A (zh) * 2014-11-04 2015-01-14 深圳市英威诺科技有限公司 一种基于用户群体行为数据挖掘智能推荐的方法
CN106489166A (zh) * 2014-04-11 2017-03-08 麦特尔有限公司 服装尺码推荐与合身分析系统以及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542490A (zh) * 2011-12-27 2012-07-04 纽海信息技术（上海）有限公司 基于模型匹配的商品推荐方法
GB2519902A (en) * 2012-08-27 2015-05-06 Opera Solutions Llc Method and apparatus for ordering recommendations according to a mean/variance tradeoff
CN102968506A (zh) * 2012-12-14 2013-03-13 北京理工大学 一种基于扩展特征向量的个性化协同过滤推荐方法
US20160147810A1 (en) * 2014-11-25 2016-05-26 Facebook, Inc. Recommending Users to a Social Networking System User Based on Relevance and Similarity Between Users

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544632A (zh) * 2013-07-22 2014-01-29 杭州师范大学 一种网络商品个性化推荐方法及系统
CN106489166A (zh) * 2014-04-11 2017-03-08 麦特尔有限公司 服装尺码推荐与合身分析系统以及方法
CN104281718A (zh) * 2014-11-04 2015-01-14 深圳市英威诺科技有限公司 一种基于用户群体行为数据挖掘智能推荐的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Selection of covariance functions in Gaussian process-based soft sensors;Ali Abusnina等;《2014 IEEE International Conference on Industrial Technology (ICIT)》;20140911;I138-535 *
基于双重过滤攻击检测的鲁棒推荐算法;许力强;《中国优秀硕士学位论文全文数据库（信息科技辑）》;20180515(第5期);371-378 *

Also Published As

Publication number Publication date
CN108875092A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
CN110458627B (zh) 一种面向用户动态偏好的商品序列个性化推荐方法
CN103970850B (zh) 网站信息推荐方法和系统
TWI508011B (zh) Category information providing method and device
CN108875092B (zh) 一种基于协方差的商品推荐方法
CN110020128B (zh) 一种搜索结果排序方法及装置
CN104636429B (zh) 商标类别检索方法和装置
CN111523976A (zh) 商品推荐方法、装置、电子设备及存储介质
CN103870507B (zh) 一种基于类目的搜索方法和装置
CN106127525A (zh) 一种基于分类算法的电视购物商品推荐方法
US8655737B1 (en) Brand name synonymy
CN106547767A (zh) 确定视频封面图片的方法及装置
WO2002079942A2 (en) System for visual preference determination and predictive product selection
CN108073667B (zh) 产生用户浏览属性的方法、以及非暂存计算机可读介质
CN110503497A (zh) 一种基于客户的消费习惯的电商管理平台商品推荐方法
CN106934648A (zh) 一种数据处理方法和装置
CN105894310A (zh) 一种个性化推荐方法
Chalyi et al. The method of constructing recommendations online on the temporal dynamics of user interests using multilayer graph
CN110866191A (zh) 推荐召回方法、设备和存储介质
CN106202151A (zh) 一种用于提高个性化推荐系统多样性的方法
CN113191838A (zh) 一种基于异质图神经网络的购物推荐方法及系统
CN109410001A (zh) 一种商品推荐方法、系统、电子设备和存储介质
CN110020171B (zh) 数据处理方法、装置、设备及计算机可读存储介质
CN110930223A (zh) 基于场感知因子分解机的推荐召回方法、设备和存储介质
CN106777069A (zh) 基于矩阵因子分解的个性化推荐方法及推荐系统
JP5945206B2 (ja) 商品推薦装置及び方法及びプログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant