CN112561596A - 商品推荐方法和装置 - Google Patents

Abstract

本发明的商品推荐方法和装置，先收集商品信息、记录用户对商品的触发信息，再根据用户对商品的触发信息判断用户对商品的意向类别，并计算用户对所触发商品的第一喜好程度值；将用户与商品之间存在的吸引关系表示为关联特征，将关联特征与用户之间的关联程度表示为第一关联系数，将关联特征与商品之间的关联程度表示为第二关联系数；推算用户与商品之间存在不同关联特征数量时的第一关联系数和第二关联系数，进而计算用户对所触发商品的第二喜好程度值；根据第二喜好程度值与第一喜好程度值之间的差值确定用户与商品之间存在的关联特征数量，并计算出用户对意向类别商品的喜好程度预测值，进而基于预测值向用户推荐相关商品，推荐效率高、效果佳。

Description

商品推荐方法和装置

技术领域

本发明涉及商品推荐技术领域，特别涉及一种商品推荐方法和装置。

背景技术

目前，各种电商平台通过获取用户购买商品时的检索关键词、浏览对象等方式，进行针对性的商品推荐。该方式对于普通商品来说，具备一定的效果。但是，上述商品推荐方法缺少针对用户挑选商品模式的细化分析，存在商品推荐处理效率低，推荐效果不佳的问题，尤其针对大量的商品与某些客户之间没有购买信息的前提下，商品推荐的效果较差。例如，针对用户想要挑选意向商品时，可能倾向于在所有商品中选择意向商品，也可能倾向于在多个特定类别中选择意向商品，也可能只是倾向于在某一个特定类别中选择意向商品。若对这三种情况进行细致的分析，分别进行特定的商品推荐方法，则能改善商品推荐的效果。

发明内容

本发明的实施例提供一种商品推荐方法和装置，用以提高商品推荐效率，改善商品推荐效果，给予用户良好的体验。

为达到上述目的，本发明的实施例采用如下技术方案：

一方面，本发明实施例提供一种商品推荐方法，包括：

S1、收集商品信息，并存入商品信息数据库，所述商品信息包括商品类别和商品标识；

S2、记录用户对商品的触发信息，所述用户对商品的触发信息包括用户浏览的商品信息及浏览时间、用户购买的商品信息及购买时间；

S3、根据记录的用户对商品的触发信息，判断出用户触发商品所属的商品类别，并表示为意向类别；所述意向类别为一个特定类别，或者为多个特定类别，或者为包括所有商品的总体类别；根据记录的用户对商品的触发信息，计算用户对所触发商品的喜好程度，并表示为第一喜好程度值；

S4、将用户与商品之间存在的吸引关系表示为关联特征，将所述关联特征与用户之间的关联程度表示为第一关联系数，将所述关联特征与商品之间的关联程度表示为第二关联系数；基于计算出的用户对其所触发商品的第一喜好程度值，推算出用户与商品之间存在不同关联特征数量时的第一关联系数和第二关联系数；

S5、基于推算出的用户与商品之间存在不同关联特征数量时的第一关联系数和第二关联系数，再次计算用户对所触发商品的喜好程度，并表示为第二喜好程度值；

S6、计算第二喜好程度值与第一喜好程度值之间的差值，确定不同关联特征数量中第二喜好程度值与第一喜好程度值之间的最小差值对应的关联特征数量；

S7、基于确定的用户与商品之间存在的关联特征数量所对应的第一关联系数和第二关联系数，计算用户对意向类别商品的喜好程度，并表示为用户对商品的喜好程度预测值；

S8、基于用户对商品的喜好程度预测值向用户推荐商品。

如上所述的方法，在S3中所述的根据记录的用户对商品的触发信息，计算用户对所触发商品的喜好程度，并表示为第一喜好程度值，具体计算公式为：

式中，y_d，m，k(t)表示在时间t时刻计算出的用户d对m类的第k个商品的第一喜好程度值；T_m为定义的m类的商品与评价用户喜好程度相关的时间周期；

表示用户d在与时间t相距T_m范围内对m类的第k个商品的浏览次数，α_m为定义的m类的商品与用户浏览次数相关的权重系数；

表示用户d在与时间t相距T_m范围内对m类的第k个商品的购买次数；β_m为定义的m类的商品与用户购买次数相关的权重系数。

如上所述的方法，将在S3中计算出的用户对所触发商品的第一喜好程度值表示为矩阵A_dk，具体为：

式中，元素a_dk表示由公式

计算出的用户d对商品k的第一喜好程度值，T(k)为预先设置的对m类的第k个商品的有效推荐时限，当用户d对商品k未触发时，a_dk的值为空。

如上所述的方法，在S4中所述的基于计算出的用户对其所触发商品的第一喜好程度值，推算出用户与商品之间存在不同关联特征数量时的第一关联系数和第二关联系数，具体为：

由公式

推算出第一关联系数T_n和第二关联系数T_n'；

式中，a_dk表示计算出的用户d对商品k的第一喜好程度值，当用户d对商品k未触发时，a_dk的值为空；a_dk的值为空时，该第一喜好程度值将不用于推算第一关联系数和第二关联系数；N为用户与商品之间的关联特征数量。

如上所述的方法，在S7中所述的基于确定的用户与商品之间存在的关联特征数量所对应的第一关联系数和第二关联系数，计算用户对相关商品的喜好程度预测值，计算公式为：

式中，M为确定的用户与商品之间的关联特征数量，T_n为第一关联系数，T_n'为第二关联系数，a'_dk表示计算出的用户d对商品k的喜好程度预测值。

如上所述的方法，将在S7中计算出的用户对商品的喜好程度预测值表示为矩阵A'_dk，具体为：

式中，元素a'_dk表示计算出的用户d对商品k的喜好程度预测值。

第二方面，本发明实施例提供一种商品推荐装置，所述装置设置于商品推荐设备中，所述装置包括：

商品信息收集模块，用于收集商品信息，并存入商品信息数据库，所述商品信息包括商品类别和商品标识；

记录模块，用于记录用户对商品的触发信息，所述用户对商品的触发信息包括用户浏览的商品信息及浏览时间、用户购买的商品信息及购买时间；

判断模块，用于判断出用户触发商品所属的商品类别，并表示为意向类别；所述意向类别为一个特定类别，或者为多个特定类别，或者为包括所有商品的总体类别；

计算模块，用于根据记录模块记录的用户对商品的触发信息，计算用户对所触发商品的喜好程度，并表示为第一喜好程度值；

处理模块，用于将用户与商品之间存在的吸引关系表示为关联特征，将所述关联特征与用户之间的关联程度表示为第一关联系数，将所述关联特征与商品之间的关联程度表示为第二关联系数；基于计算出的用户对其所触发商品的第一喜好程度值，推算出用户与商品之间存在不同关联特征数量时的第一关联系数和第二关联系数；

所述计算模块还用于基于推算出的用户与商品之间存在不同关联特征数量时的第一关联系数和第二关联系数，再次计算用户对所触发商品的喜好程度，并表示为第二喜好程度值；

所述计算模块还用于计算第二喜好程度值与第一喜好程度值之间的差值，确定不同关联特征数量中第二喜好程度值与第一喜好程度值之间的最小差值对应的关联特征数量；

所述计算模块还用于基于确定的用户与商品之间存在的关联特征数量所对应的第一关联系数和第二关联系数，计算用户对意向类别商品的喜好程度，并表示为用户对商品的喜好程度预测值；

推荐模块，用于基于用户对商品的喜好程度预测值向用户推荐商品。

本发明实施例提供的技术方案，首先收集商品信息，并记录用户对商品的触发信息；然后根据用户对商品的触发信息，判断出用户对商品的意向类别，并计算用户对所触发商品的第一喜好程度值；将用户与商品之间存在的吸引关系表示为关联特征，将关联特征与用户之间的关联程度表示为第一关联系数，将关联特征与商品之间的关联程度表示为第二关联系数；基于推算出的用户与商品之间存在不同关联特征数量时的第一关联系数和第二关联系数，再次计算用户对所触发商品的喜好程度，并表示为第二喜好程度值；计算第二喜好程度值与第一喜好程度值之间的差值，确定用户与商品之间存在的关联特征数量；基于确定的用户与商品之间存在的关联特征数量所对应的第一关联系数和第二关联系数，计算用户对意向类别商品的喜好程度，并表示为用户对商品的喜好程度预测值；基于用户对商品的喜好程度预测值向用户推荐商品，推荐效率高，推荐效果佳。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的商品推荐方法的流程图；

图2A为本发明的一个应用实施例的示意图；

图2B为图2A所示应用实施例中用户对所触发商品的第一喜好程度值示意图；

图2C为图2A所示应用实施例中用户与商品之间存在的关联特征数量为1时的第一关联系数和第二关联系数示意图；

图2D为图2A所示应用实施例中用户与商品之间存在的关联特征数量为1时用户对商品的喜好程度预测值示意图；

图2E为图2A所示应用实施例中用户与商品之间存在的关联特征数量为2时的第一关联系数和第二关联系数示意图；

图2F为图2A所示应用实施例中用户与商品之间存在的关联特征数量为2时用户对商品的喜好程度预测值示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的商品推荐方法的流程图，该方法可以由商品推荐装置来执行，该商品推荐装置可以通过软件方式实现，配置于商品推荐设备中。如图1所示，本实施例的方法可以包括以下内容。

S1、收集商品信息，并存入商品信息数据库，商品信息包括商品类别和商品标识。

S2、记录用户对商品的触发信息，用户对商品的触发信息包括用户浏览的商品信息及浏览时间、用户购买的商品信息及购买时间。

S3、根据记录的用户对商品的触发信息，判断出用户触发商品所属的商品类别，并表示为意向类别；意向类别为一个特定类别，或者为多个特定类别，或者为包括所有商品的总体类别；根据记录的用户对商品的触发信息，计算用户对所触发商品的喜好程度，并表示为第一喜好程度值。

用户想要挑选意向商品时，商品推荐装置可以先判断用户倾向于在所有商品中选择意向商品，还是倾向于在多个特定类别中选择意向商品，还是倾向于在某一个特定类别中选择意向商品。当判断出用户想要在所有商品中选择意向商品时，商品推荐装置可以利用智能推荐算法为用户在所有商品种类中推荐商品；当判断出用户想要在多个特定类别中选择意向商品时，商品推荐装置可以利用智能推荐算法为用户在在多个特定类别中的商品中推荐商品；当判断出用户想要在某一个特定类别中选择意向商品时，商品推荐装置可以利用智能推荐算法为客户在该特定类别中推荐商品。

在具体应用中，该步骤所述的根据记录的用户对商品的触发信息，计算用户对所触发商品的喜好程度，并表示为第一喜好程度值，具体计算公式为：

式中，y_d，m，k(t)表示在时间t时刻计算出的用户d对m类的第k个商品的第一喜好程度值；T_m为定义的m类的商品与评价用户喜好程度相关的时间周期；

表示用户d在与时间t相距T_m范围内对m类的第k个商品的浏览次数，α_m为定义的m类的商品与用户浏览次数相关的权重系数；

表示用户d在与时间t相距T_m范围内对m类的第k个商品的购买次数；β_m为定义的m类的商品与用户购买次数相关的权重系数。

在具体应用中，可以将在该步骤中计算出的用户对所触发商品的第一喜好程度值表示为矩阵A_dk，具体为：

式中，元素a_dk表示由公式

计算出的用户d对商品k的第一喜好程度值，T(k)为预先设置的对m类的第k个商品的有效推荐时限，当用户d对商品k未触发时，a_dk的值为空。

S4、将用户与商品之间存在的吸引关系表示为关联特征，将关联特征与用户之间的关联程度表示为第一关联系数，将关联特征与商品之间的关联程度表示为第二关联系数；基于计算出的用户对其所触发商品的第一喜好程度值，推算出用户与商品之间存在不同关联特征数量时的第一关联系数和第二关联系数。

在具体应用中，该步骤中所述的基于计算出的用户对其所触发商品的第一喜好程度值，推算出用户与商品之间存在不同关联特征数量时的第一关联系数和第二关联系数，具体为：

由公式

推算出第一关联系数T_n和第二关联系数T_n'；

式中，a_dk表示计算出的用户d对商品k的第一喜好程度值，当用户d对商品k未触发时，a_dk的值为空；a_dk的值为空时，该第一喜好程度值将不用于推算第一关联系数和第二关联系数；N为用户与商品之间的关联特征数量。

S5、基于推算出的用户与商品之间存在不同关联特征数量时的第一关联系数和第二关联系数，再次计算用户对所触发商品的喜好程度，并表示为第二喜好程度值。

S6、计算第二喜好程度值与第一喜好程度值之间的差值，确定不同关联特征数量中第二喜好程度值与第一喜好程度值之间的最小差值对应的关联特征数量。

S7、基于确定的用户与商品之间存在的关联特征数量所对应的第一关联系数和第二关联系数，计算用户对意向类别商品的喜好程度，并表示为用户对商品的喜好程度预测值。

在具体应用中，该步骤中所述的基于确定的用户与商品之间存在的关联特征数量所对应的第一关联系数和第二关联系数，计算用户对相关商品的喜好程度预测值，计算公式为：

式中，M为确定的用户与商品之间的关联特征数量，T_n为第一关联系数，T_n'为第二关联系数，a'_dk表示计算出的用户d对商品k的喜好程度预测值。

在具体应用中，还可以将在该步骤中计算出的用户对商品的喜好程度预测值表示为矩阵A'_dk，具体为：

式中，元素a'_dk表示计算出的用户d对商品k的喜好程度预测值。

S8、基于用户对商品的喜好程度预测值向用户推荐商品。

本发明实施例提供的技术方案，首先收集商品信息，并记录用户对商品的触发信息；然后根据用户对商品的触发信息，判断出用户对商品的意向类别，并计算用户对所触发商品的第一喜好程度值；将用户与商品之间存在的吸引关系表示为关联特征，将关联特征与用户之间的关联程度表示为第一关联系数，将关联特征与商品之间的关联程度表示为第二关联系数；基于推算出的用户与商品之间存在不同关联特征数量时的第一关联系数和第二关联系数，再次计算用户对所触发商品的喜好程度，并表示为第二喜好程度值；计算第二喜好程度值与第一喜好程度值之间的差值，确定用户与商品之间存在的关联特征数量；基于确定的用户与商品之间存在的关联特征数量所对应的第一关联系数和第二关联系数，计算用户对意向类别商品的喜好程度，并表示为用户对商品的喜好程度预测值；基于用户对商品的喜好程度预测值向用户推荐商品，推荐效率高，推荐效果佳。

图2A为本发明的一个应用实施例的示意图。参考图图2A所示，收集商品信息，并存入商品信息数据库，商品信息包括商品类别和商品标识。用户想要挑选意向商品时，商品推荐装置可以先判断用户倾向于在所有商品中选择意向商品，还是倾向于在多个特定类别中选择意向商品，还是倾向于在某一个特定类别中选择意向商品。

图2B为图2A所示应用实施例中用户对所触发商品的第一喜好程度值示意图。参考图2B所示，记录用户对商品的触发信息，用户对商品的触发信息包括用户浏览的商品信息及浏览时间、用户购买的商品信息及购买时间。根据记录的用户对商品的触发信息，计算用户对所触发商品的喜好程度，并表示为第一喜好程度值。

图2C为图2A所示应用实施例中用户与商品之间存在的关联特征数量为1时的第一关联系数和第二关联系数示意图。参考图2C所示，用户与商品之间存在的关联特征数量为1(即图中所示的特征1)，a1、a2、a3、a4、a5为第一关联系数，b1、b2、b3、b4为第二关联系数。基于计算出的用户对其所触发商品的第一喜好程度值(图2B中的取值)，推算出用户与商品之间存在关联特征数量为1时的第一关联系数和第二关联系数，具体值如下：

a1＝15.27023

a2＝6.637161

a3＝10.78999

a4＝5.707417

a5＝15.92663

b1＝1.395185

b2＝0.569552

b3＝1.384193

b4＝1.319831

基于推算出的用户与商品之间存在关联特征数量为1时的第一关联系数和第二关联系数，再次计算用户对所触发商品的喜好程度，并表示为第二喜好程度值。具体如下：

a2xb1＝11；

a4xb1＝10；

a1xb2＝6；

a4xb2＝5；

a5xb2＝6；

a2xb3＝9；

a4xb3＝9；

a5xb3＝22；

a1xb4＝19；

a3xb4＝14。

通过目标函数Min计算出偏差值，即：

Min{|(11-a2*b1)|+|(10-a4*b1)|+|(6-a1*b2)|+|(5-a4*b2)|+|(6-a5*b2)|+|(9-a2*b3)|+|(9-a4*b3)|+|(22-a5*b3)|+|(19-a1*b4)|+|(14-a3*b4)|}

＝14.0221517566301

在用户与商品之间存在关联特征数量为1的情况下，基于用户与商品之间存在的关联特征所对应的第一关联系数和第二关联系数，计算用户对意向类别商品的喜好程度，并表示为用户对商品的喜好程度预测值(如图2D所示，图2D为图2A所示应用实施例中用户与商品之间存在的关联特征数量为1时用户对商品的喜好程度预测值示意图)。可以基于图2D所示的用户对商品的喜好程度预测值向用户推荐商品。

图2E为图2A所示应用实施例中用户与商品之间存在的关联特征数量为2时的第一关联系数和第二关联系数示意图。参考图2E所示，用户与商品之间存在的关联特征数量为2(即图中所示的特征1和特征2)，a1、a2、a3、a4、a5和A1、A2、A3、A4、A5为第一关联系数，b1、b2、b3、b4和B1、B2、B3、B4为第二关联系数。基于计算出的用户对其所触发商品的第一喜好程度值(图2B中的取值)，推算出用户与商品之间存在关联特征数量为2时的第一关联系数和第二关联系数，具体值如下：

a1＝15.60993

A1＝4.74209

a2＝10.11177

A2＝3.918277

a3＝15.40069

A3＝12.5783

a4＝7.777542

A4＝1.92753

a5＝9.057054

A5＝16.14084

b1＝0.743166

B1＝0.045925

b2＝0.723373

B2＝0.857209

b3＝0.780838

B3＝0.385888

b4＝0.671937

B4＝0.445835

基于推算出的用户与商品之间存在关联特征数量为2时的第一关联系数和第二关联系数，再次计算用户对所触发商品的喜好程度，并表示为第二喜好程度值。具体如下：

a2xb1+A2xB1＝11；

a4xb1+A4xB1＝10；

a1xb2+A1xB2＝6；

a4xb2+A4xB2＝5；

a5xb2+A5xB2＝6；

a2xb3+A2xB3＝9；

a4xb3+A4xB3＝9；

a5xb3+A5xB3＝22；

a1xb4+A1xB4＝19；

a3xb4+A3xB4＝14.

通过目标函数Min计算出偏差值，即：

Min{|(11-a2*b1-A2*B1)|+|(10-a4*b1-A4*B1)|+|(6-a1*b2-A1*B2)|+|(5-a4*b2-A4*B2)|+|(6-a5*b2-A5*B2)|+|(9-a2*b3-A2*B3)|+|(9-a4*b3-A4*B3)|+|(22-a5*b3-A5*B3)|+|(19-a1*b4-A1*B4)|+|(14-a3*b4-A3*B4)|}

＝9.030381760207181

在用户与商品之间存在关联特征数量为2的情况下，基于用户与商品之间存在的关联特征所对应的第一关联系数和第二关联系数，计算用户对意向类别商品的喜好程度，并表示为用户对商品的喜好程度预测值(如图2F所示，图2F为图2A所示应用实施例中用户与商品之间存在的关联特征数量为2时用户对商品的喜好程度预测值示意图)。可以基于图2F所示的用户对商品的喜好程度预测值向用户推荐商品。

另一方面，本发明实施例提供一种商品推荐装置，所述装置设置于商品推荐设备中，所述装置包括：商品信息收集模块、记录模块、判断模块、计算模块、处理模块和推荐模块。商品信息收集模块用于收集商品信息，并存入商品信息数据库，所述商品信息包括商品类别和商品标识；记录模块用于记录用户对商品的触发信息，所述用户对商品的触发信息包括用户浏览的商品信息及浏览时间、用户购买的商品信息及购买时间；判断模块用于判断出用户触发商品所属的商品类别，并表示为意向类别；所述意向类别为一个特定类别，或者为多个特定类别，或者为包括所有商品的总体类别；计算模块用于根据记录模块记录的用户对商品的触发信息，计算用户对所触发商品的喜好程度，并表示为第一喜好程度值；处理模块用于将用户与商品之间存在的吸引关系表示为关联特征，将所述关联特征与用户之间的关联程度表示为第一关联系数，将所述关联特征与商品之间的关联程度表示为第二关联系数；基于计算出的用户对其所触发商品的第一喜好程度值，推算出用户与商品之间存在不同关联特征数量时的第一关联系数和第二关联系数；计算模块还用于基于推算出的用户与商品之间存在不同关联特征数量时的第一关联系数和第二关联系数，再次计算用户对所触发商品的喜好程度，并表示为第二喜好程度值；计算模块还用于计算第二喜好程度值与第一喜好程度值之间的差值，确定不同关联特征数量中第二喜好程度值与第一喜好程度值之间的最小差值对应的关联特征数量；计算模块还用于基于确定的用户与商品之间存在的关联特征数量所对应的第一关联系数和第二关联系数，计算用户对意向类别商品的喜好程度，并表示为用户对商品的喜好程度预测值；推荐模块用于基于用户对商品的喜好程度预测值向用户推荐商品。

本实施例的商品推荐装置可以用于执行图1所示方法实施例的方法，其实现原理和所要达到的技术效果类似，在此不再赘述。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种商品推荐方法，其特征在于，包括：

S1、收集商品信息，并存入商品信息数据库，所述商品信息包括商品类别和商品标识；

S2、记录用户对商品的触发信息，所述用户对商品的触发信息包括用户浏览的商品信息及浏览时间、用户购买的商品信息及购买时间；

S3、根据记录的用户对商品的触发信息，判断出用户触发商品所属的商品类别，并表示为意向类别；所述意向类别为一个特定类别，或者为多个特定类别，或者为包括所有商品的总体类别；根据记录的用户对商品的触发信息，计算用户对所触发商品的喜好程度，并表示为第一喜好程度值；

S4、将用户与商品之间存在的吸引关系表示为关联特征，将所述关联特征与用户之间的关联程度表示为第一关联系数，将所述关联特征与商品之间的关联程度表示为第二关联系数；基于计算出的用户对其所触发商品的第一喜好程度值，推算出用户与商品之间存在不同关联特征数量时的第一关联系数和第二关联系数；

S5、基于推算出的用户与商品之间存在不同关联特征数量时的第一关联系数和第二关联系数，再次计算用户对所触发商品的喜好程度，并表示为第二喜好程度值；

S6、计算第二喜好程度值与第一喜好程度值之间的差值，确定不同关联特征数量中第二喜好程度值与第一喜好程度值之间的最小差值对应的关联特征数量；

S8、基于确定的用户与商品之间存在的关联特征数量所对应的第一关联系数和第二关联系数，计算用户对意向类别商品的喜好程度，并表示为用户对商品的喜好程度预测值；

S8、基于用户对商品的喜好程度预测值向用户推荐商品。

2.如权利要求1所述的方法，其特征在于，在S3中所述的根据记录的用户对商品的触发信息，计算用户对所触发商品的喜好程度，并表示为第一喜好程度值，具体计算公式为：

式中，y_d，m，k(t)表示在时间t时刻计算出的用户d对m类的第k个商品的第一喜好程度值；T_m为定义的m类的商品与评价用户喜好程度相关的时间周期；

表示用户d在与时间t相距T_m范围内对m类的第k个商品的浏览次数，α_m为定义的m类的商品与用户浏览次数相关的权重系数；

表示用户d在与时间t相距T_m范围内对m类的第k个商品的购买次数；β_m为定义的m类的商品与用户购买次数相关的权重系数。

3.如权利要求2所述的方法，其特征在于，将在S3中计算出的用户对所触发商品的第一喜好程度值表示为矩阵A_dk，具体为：

式中，元素a_dk表示由公式

计算出的用户d对商品k的第一喜好程度值，T(k)为预先设置的对m类的第k个商品的有效推荐时限，当用户d对商品k未触发时，a_dk的值为空。

4.如权利要求3所述的方法，其特征在于，在S4中所述的基于计算出的用户对其所触发商品的第一喜好程度值，推算出用户与商品之间存在不同关联特征数量时的第一关联系数和第二关联系数，具体为：

由公式

推算出第一关联系数T_n和第二关联系数T′_n；

式中，a_dk表示计算出的用户d对商品k的第一喜好程度值，当用户d对商品k未触发时，a_dk的值为空；a_dk的值为空时，该第一喜好程度值将不用于推算第一关联系数和第二关联系数；N为用户与商品之间的关联特征数量。

5.如权利要求3所述的方法，其特征在于，在S7中所述的基于确定的用户与商品之间存在的关联特征数量所对应的第一关联系数和第二关联系数，计算用户对相关商品的喜好程度预测值，计算公式为：

式中，M为确定的用户与商品之间的关联特征数量，T_n为第一关联系数，T′_n为第二关联系数，a'_dk表示计算出的用户d对商品k的喜好程度预测值。

6.如权利要求5所述的方法，其特征在于，将在S7中计算出的用户对商品的喜好程度预测值表示为矩阵A'_dk，具体为：

式中，元素a'_dk表示计算出的用户d对商品k的喜好程度预测值。

7.一种商品推荐装置，其特征在于，所述装置设置于商品推荐设备中，所述装置包括：

商品信息收集模块，用于收集商品信息，并存入商品信息数据库，所述商品信息包括商品类别和商品标识；

记录模块，用于记录用户对商品的触发信息，所述用户对商品的触发信息包括用户浏览的商品信息及浏览时间、用户购买的商品信息及购买时间；

判断模块，用于判断出用户触发商品所属的商品类别，并表示为意向类别；所述意向类别为一个特定类别，或者为多个特定类别，或者为包括所有商品的总体类别；

计算模块，用于根据记录模块记录的用户对商品的触发信息，计算用户对所触发商品的喜好程度，并表示为第一喜好程度值；

处理模块，用于将用户与商品之间存在的吸引关系表示为关联特征，将所述关联特征与用户之间的关联程度表示为第一关联系数，将所述关联特征与商品之间的关联程度表示为第二关联系数；基于计算出的用户对其所触发商品的第一喜好程度值，推算出用户与商品之间存在不同关联特征数量时的第一关联系数和第二关联系数；

所述计算模块还用于基于推算出的用户与商品之间存在不同关联特征数量时的第一关联系数和第二关联系数，再次计算用户对所触发商品的喜好程度，并表示为第二喜好程度值；

所述计算模块还用于计算第二喜好程度值与第一喜好程度值之间的差值，确定不同关联特征数量中第二喜好程度值与第一喜好程度值之间的最小差值对应的关联特征数量；

所述计算模块还用于基于确定的用户与商品之间存在的关联特征数量所对应的第一关联系数和第二关联系数，计算用户对意向类别商品的喜好程度，并表示为用户对商品的喜好程度预测值；

推荐模块，用于基于用户对商品的喜好程度预测值向用户推荐商品。

Images