CN111553757A - 一种基于选择概率模型自适应邻域的产品推荐方法 - Google Patents

一种基于选择概率模型自适应邻域的产品推荐方法 Download PDF

Info

Publication number
CN111553757A
CN111553757A CN202010147403.4A CN202010147403A CN111553757A CN 111553757 A CN111553757 A CN 111553757A CN 202010147403 A CN202010147403 A CN 202010147403A CN 111553757 A CN111553757 A CN 111553757A
Authority
CN
China
Prior art keywords
user
deviation
commodity
selection probability
frequency
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.)
Granted
Application number
CN202010147403.4A
Other languages
English (en)
Other versions
CN111553757B (zh
Inventor
孙知信
陈艺婷
孙哲
赵学键
宫婧
陈松乐
洪汉舒
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202010147403.4A priority Critical patent/CN111553757B/zh
Publication of CN111553757A publication Critical patent/CN111553757A/zh
Application granted granted Critical
Publication of CN111553757B publication Critical patent/CN111553757B/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

一种基于选择概率模型自适应邻域的产品推荐方法，通过该方法，能够针对分析在电商环境中，在用户行为不断变化的情况下为用户准确推荐商品，解决商品由于季节性因素等，受欢迎程度不断变化导致用户倾斜度不断变化，从而导致其对不同产品的兴趣度发生变化，相似购物群体也会发生改变需要重新定位，并推荐合适的商品。该方法是通过对用户交互行为中的用户点击频度和最近一次购买时间（近度）作为初始数据，根据二项分布建立选择概率模型计算用户兴趣度，优化初始矩阵并预测兴趣度，同时由用户偏差和商品偏差计算偏移函数，采用随机梯度下降法引入与用户特征向量和其邻居特征向量之间的差异有关的正则化项进行自适应更新。

Description

一种基于选择概率模型自适应邻域的产品推荐方法
技术领域
本发明属于电商产品推荐领域，特别是涉及一种基于选择概率模型自适应邻域的产品推荐方法。
背景技术
能够针对分析在电商环境中，在用户行为不断变化的情况下为用户准确推荐商品，解决商品由于季节性因素等，受欢迎程度不断变化导致用户倾斜度不断变化，从而导致其对不同产品的兴趣度发生变化，相似购物群体也会发生改变需要重新定位，并推荐合适的商品。
目前针对电商推荐领域有许多研究，主要集中在优化推荐算法效果上。
专利CN107870934A公开了一种app用户聚类方法和装置，核心是按照预设的规则对数据集进行频繁项集的挖掘，然后根据挖掘的频繁项集构建用户关联图谱，最后进行社区发现，将得到的用户关联图谱划分为若干区域，以实现对app用户快速、精准的聚类。
专利CN108268511A公开了一种基于大数据的网络用户分类方法，核心是通过获取用户行为数据，将所述用户行为获取模块获取的用户行为数据与用户行为数据库中存储的用户行为数据进行比对，从用户行为数据库中获取相似度最高的用户行为数据，根据行为数据比对模块的比对结果为对应用户分类。
上述方法都属于传统的用户定位方法，并未针对用户行为的变化而进行自适应邻域更新，推荐结果不够精确。
发明内容
本发明提出了一种基于选择概率模型自适应邻域的产品推荐方法，用于社交电商中产品推荐问题。通过该方法，能够针对分析在电商环境中，在用户行为不断变化的情况下为用户准确推荐商品，解决商品由于季节性因素等，受欢迎程度不断变化导致用户倾斜度不断变化，从而导致其对不同产品的兴趣度发生变化，相似购物群体也会发生改变需要重新定位，并推荐合适的商品。
一种基于选择概率模型自适应邻域的产品推荐方法，包括以下基本步骤：
步骤一，提取用户行为中的用户点击频度和最近一次购买时间即近度，作为初始数据，对数据进行预处理；
步骤二，根据预处理后的初始数据计算概率矩阵和凹凸度约束；
步骤三，由用户偏差和商品偏差计算偏移函数；
步骤四，引入与用户特征向量和其邻居特征向量之间的差异有关的正则化项，进行采用随机梯度下降法循环自适应更新。
进一步地，在步骤一中，提取用户行为中的用户点击频度和最近一次购买时间即近度作为初始数据，对数据进行预处理，让J和K分别表示与新近度和频率相对应的连续正整数的有限集，每个用户-商品对对应一个Xjk，表示当新近度值为j且频率值为k时用户对某项商品的选择可能性；
在历史数据中确定一个基准日期，令njk表示在基准日期之前具有新近度值j和频率值k的用户项对的数量，而令qjk是在基准日期之后导致购买的那些用户对的数量；如果njk不等于0，则令 Xjk＝qjk/njk；否则，将xjk置为0。
进一步地，所述步骤二计算概率矩阵中，项目选择概率随着新近度或频率值的增加而增加，除了单调性约束外，进一步采用另两个形状约束；
第一形状约束为关于近度值的凸度约束，随着近度值变大，每个近度值项选择概率的增量增加；
第二形状约束为关于频率的凹度限制，随着频度值变大，每个频度值项选择概率的增量减小：
Figure RE-GDA0002570953410000031
Figure RE-GDA0002570953410000032
通过二项式分布，得出购买发生概率：
Figure RE-GDA0002570953410000033
取对数得到选择概率函数：
Figure RE-GDA0002570953410000034
然后根据计算得到的商品选择概率建立用户兴趣度矩阵Q∈Rk×n，其中m是用户数，n是商品数，k是潜在特征数。
进一步地，所述步骤三为用户偏差bu∈R1×m和商品偏差bi∈R1×n初始化一个随机矩阵，其中，用户偏差是交互过程中的用户影响度，商品偏差是交互过程中商品被推荐频度；然后预测兴趣度
Figure RE-GDA0002570953410000035
其中μ是总体兴趣度平均值，由用户偏差和商品偏差计算偏移函数：
Figure RE-GDA0002570953410000041
其中，ru，i是已知兴趣度。
进一步地，在所述步骤四中，采用随机梯度下降法循环更新 Pu，Qi，bu，bi，其中pu是用户特征向量，Qi是商品特征向量，bu是用户偏差，bi是商品偏差：
Figure RE-GDA0002570953410000042
Figure RE-GDA0002570953410000043
Figure RE-GDA0002570953410000044
Figure RE-GDA0002570953410000045
其中，eu，i＝ru，i-r′u，i，r′u，i是预测兴趣度，ru，i是已知兴趣度，λ是一个正则化参数，η是一个随机梯度变化速率；引入与用户特征向量和其邻居特征向量之间的差异有关的正则化项进行自适应更新：
Figure RE-GDA0002570953410000046
其中，Fu是用户u的邻居集合，sim(u,f)是用户u和用户f之间的相似性：
Figure RE-GDA0002570953410000047
综上所述，采用本发明提供的一种基于选择概率模型自适应邻域的产品推荐方法，具有如下有益效果：通过计算概率矩阵和凹凸度约束，能够得到较为精确的用户商品评分矩阵；通过混合协同过滤的方法能够根据用户行为的改变提高推荐准确性。
附图说明
图1为本发明实施例中所述的社交电商产品推荐方法的总体流程示意图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
一种基于选择概率模型自适应邻域的产品推荐方法，包括以下基本步骤：
步骤一，提取用户行为中的用户点击频度和最近一次购买时间 (近度)作为初始数据，对数据进行预处理，让J和K分别表示与新近度和频率相对应的连续正整数的有限集。每个用户-商品对对应一个Xjk，表示当新近度值为j且频率值为k时用户对某项商品的选择可能性。在历史数据中确定一个基准日期，令njk表示在基准日期之前具有新近度值j和频率值k的用户项对的数量，而令qjk是在基准日期之后导致购买的那些用户对的数量。如果njk不等于0，则令 Xjk＝qjk/njk；否则，将xjk置为0。
步骤二，计算概率矩阵：项目选择概率随着新近度或频率值的增加而增加。除了单调性约束外，还采用了另外两个形状约束。第一个是关于近度值的凸度约束。如果用户的某个商品的近度值较低，则意味着该用户不会长时间查看该商品。因此，与高近度值相比，低近度值的变化对商品选择概率的影响很小，即随着近度值变大，每个近度值项选择概率的增量增加。第二限制是关于频率的凹度限制，与近度值相比，高频值的变化对项目选择概率的影响相对较小，即随着频度值变大，每个频度值项选择概率的增量减小
Figure RE-GDA0002570953410000061
Figure RE-GDA0002570953410000062
通过二项式分布，得出购买发生概率：
Figure RE-GDA0002570953410000063
取对数得到选择概率函数：
Figure RE-GDA0002570953410000064
然后根据计算得到的商品选择概率建立用户兴趣度矩阵Q∈Rk×n，其中m是用户数，n是商品数，k是潜在特征数。
步骤三，为用户偏差bu∈R1×m和商品偏差bi∈R1×n初始化一个随机矩阵，其中，用户偏差是交互过程中的用户影响度，商品偏差是交互过程中商品被推荐频度。后预测兴趣度
Figure RE-GDA0002570953410000065
其中μ是总体兴趣度平均值。由用户偏差和商品偏差计算偏移函数。
Figure RE-GDA0002570953410000066
步骤四：采用随机梯度下降法循环更新Pu，Qi，bu，bi，其中pu是用户特征向量，Qi是商品特征向量，bu是用户偏差，bi是商品偏差。
Figure RE-GDA0002570953410000067
Figure RE-GDA0002570953410000068
Figure RE-GDA0002570953410000071
Figure RE-GDA0002570953410000072
其中，eu，i＝ru，i-r′u，i，r′u，i是预测兴趣度，ru，i是已知兴趣度。λ是一个正则化参数，η是一个随机梯度变化速率。引入了与用户特征向量和其邻居特征向量之间的差异有关的正则化项进行自适应更新
Figure RE-GDA0002570953410000073
其中，Fu是用户u的邻居集合，sim(u,f)是用户u和用户f之间的相似性。
Figure RE-GDA0002570953410000074
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (5)

1.一种基于选择概率模型自适应邻域的产品推荐方法，其特征在于：包括以下基本步骤：
步骤一，提取用户行为中的用户点击频度和最近一次购买时间即近度，作为初始数据，对数据进行预处理；
步骤二，根据预处理后的初始数据计算概率矩阵和凹凸度约束；
步骤三，由用户偏差和商品偏差计算偏移函数；
步骤四，引入与用户特征向量和其邻居特征向量之间的差异有关的正则化项，进行采用随机梯度下降法循环自适应更新。
2.根据权利要求1所述的一种基于选择概率模型自适应邻域的产品推荐方法，其特征在于：在步骤一中，提取用户行为中的用户点击频度和最近一次购买时间即近度作为初始数据，对数据进行预处理，让J和K分别表示与新近度和频率相对应的连续正整数的有限集，每个用户-商品对对应一个Xjk，表示当新近度值为j且频率值为k时用户对某项商品的选择可能性；
在历史数据中确定一个基准日期，令njk表示在基准日期之前具有新近度值j和频率值k的用户项对的数量，而令qjk是在基准日期之后导致购买的那些用户对的数量；如果njk不等于0，则令Xjk＝qjk/njk；否则，将xjk置为0。
3.根据权利要求1所述的一种基于选择概率模型自适应邻域的产品推荐方法，其特征在于：所述步骤二计算概率矩阵中，项目选择概率随着新近度或频率值的增加而增加，除了单调性约束外，进一步采用另两个形状约束；
第一形状约束为关于近度值的凸度约束，随着近度值变大，每个近度值项选择概率的增量增加；
第二形状约束为关于频率的凹度限制，随着频度值变大，每个频度值项选择概率的增量减小：
Figure RE-FDA0002570953400000021
Figure RE-FDA0002570953400000022
通过二项式分布，得出购买发生概率：
Figure RE-FDA0002570953400000023
取对数得到选择概率函数：
Figure RE-FDA0002570953400000024
然后根据计算得到的商品选择概率建立用户兴趣度矩阵Q∈Rk×n，其中m是用户数，n是商品数，k是潜在特征数。
4.根据权利要求1所述的一种基于选择概率模型自适应邻域的产品推荐方法，其特征在于：所述步骤三为用户偏差bu∈R1×m和商品偏差bi∈R1×n初始化一个随机矩阵，其中，用户偏差是交互过程中的用户影响度，商品偏差是交互过程中商品被推荐频度；然后预测兴趣度
Figure RE-FDA0002570953400000026
其中μ是总体兴趣度平均值，由用户偏差和商品偏差计算偏移函数：
Figure RE-FDA0002570953400000025
其中，ru，i是已知兴趣度。
5.根据权利要求1所述的一种基于选择概率模型自适应邻域的产品推荐方法，其特征在于：在所述步骤四中，采用随机梯度下降法循环更新Pu，Qi，bu，bi，其中pu是用户特征向量，Qi是商品特征向量，bu是用户偏差，bi是商品偏差：
Figure RE-FDA0002570953400000031
Figure RE-FDA0002570953400000032
Figure RE-FDA0002570953400000033
Figure RE-FDA0002570953400000034
其中，eu，i＝ru，i-r′u，i，r′u，i是预测兴趣度，ru，i是已知兴趣度，λ是一个正则化参数，η是一个随机梯度变化速率；引入与用户特征向量和其邻居特征向量之间的差异有关的正则化项进行自适应更新：
Figure RE-FDA0002570953400000035
其中，Fu是用户u的邻居集合，sim(u,f)是用户u和用户f之间的相似性：
Figure RE-FDA0002570953400000036
CN202010147403.4A 2020-03-05 2020-03-05 一种基于选择概率模型自适应邻域的产品推荐方法 Active CN111553757B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010147403.4A CN111553757B (zh) 2020-03-05 2020-03-05 一种基于选择概率模型自适应邻域的产品推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010147403.4A CN111553757B (zh) 2020-03-05 2020-03-05 一种基于选择概率模型自适应邻域的产品推荐方法

Publications (2)

Publication Number Publication Date
CN111553757A true CN111553757A (zh) 2020-08-18
CN111553757B CN111553757B (zh) 2022-09-13

Family

ID=72004169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010147403.4A Active CN111553757B (zh) 2020-03-05 2020-03-05 一种基于选择概率模型自适应邻域的产品推荐方法

Country Status (1)

Country Link
CN (1) CN111553757B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463637A (zh) * 2014-12-23 2015-03-25 北京石油化工学院 一种基于电商平台的商品推荐方法、装置及服务器
CN104866540A (zh) * 2015-05-04 2015-08-26 华中科技大学 一种基于群体用户行为分析的个性化推荐方法
CN106022865A (zh) * 2016-05-10 2016-10-12 江苏大学 一种基于评分和用户行为的商品推荐方法
CN108537636A (zh) * 2018-04-08 2018-09-14 林凡 基于用户动态行为相似性的在线协同过滤内容推荐算法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463637A (zh) * 2014-12-23 2015-03-25 北京石油化工学院 一种基于电商平台的商品推荐方法、装置及服务器
CN104866540A (zh) * 2015-05-04 2015-08-26 华中科技大学 一种基于群体用户行为分析的个性化推荐方法
CN106022865A (zh) * 2016-05-10 2016-10-12 江苏大学 一种基于评分和用户行为的商品推荐方法
CN108537636A (zh) * 2018-04-08 2018-09-14 林凡 基于用户动态行为相似性的在线协同过滤内容推荐算法

Also Published As

Publication number Publication date
CN111553757B (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
Kuo et al. Integration of ART2 neural network and genetic K-means algorithm for analyzing Web browsing paths in electronic commerce
CN108876537B (zh) 一种用于网上商场系统的混合推荐方法
CN106471491A (zh) 一种时变的协同过滤推荐方法
Chen et al. Using fruit fly optimization algorithm optimized grey model neural network to perform satisfaction analysis for e-business service
CN108268464A (zh) 一种基于协同过滤与logistic回归的个性化推荐方法及装置
CN107256238B (zh) 一种多约束条件下的个性化信息推荐方法及信息推荐系统
CN114219169A (zh) 颖幡供应链销售和库存预测算法模型和应用系统
CN112100512A (zh) 一种基于用户聚类和项目关联分析的协同过滤推荐方法
CN107633444A (zh) 基于信息熵与模糊c均值聚类的推荐系统噪声过滤方法
CN116431931B (zh) 实时增量数据统计分析方法
CN107391582A (zh) 基于上下文本体树计算用户偏好相似度的信息推荐方法
CN115358651A (zh) 零售企业门店自动补货的方法、系统及计算机可读存储介质
CN112613953A (zh) 一种商品选品方法、系统及计算机可读存储介质
CN106503267A (zh) 一种适用于用户偏好动态演变的个性化推荐算法
CN111861679A (zh) 一种基于人工智能的商品推荐方法
CN107909498B (zh) 基于最大化接受者操作特征曲线下方面积的推荐方法
CN111553757B (zh) 一种基于选择概率模型自适应邻域的产品推荐方法
CN111612583A (zh) 一种基于聚类的个性化导购系统
CN116523597A (zh) 大数据云熵挖掘的电子商务定制化推荐方法
CN113360784B (zh) 一种用于设备运维方案推荐的知识图谱优化的协同过滤算法
Sinaga et al. Stock trend prediction using SV-kNNC and SOM
CN115829683A (zh) 一种基于逆奖赏学习优化的电力积分商品推荐方法及系统
CN109255079B (zh) 一种基于稀疏线性方法的云服务个性推荐系统及方法
CN114240553A (zh) 车辆保险产品的推荐方法、装置、设备及存储介质
CN114510645A (zh) 一种基于提取有效多目标群组来解决长尾推荐问题的方法

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