CN112948670B - 基于用户行为偏好的平台交易推荐模型的构建方法 - Google Patents

基于用户行为偏好的平台交易推荐模型的构建方法 Download PDF

Info

Publication number
CN112948670B
CN112948670B CN202110164619.6A CN202110164619A CN112948670B CN 112948670 B CN112948670 B CN 112948670B CN 202110164619 A CN202110164619 A CN 202110164619A CN 112948670 B CN112948670 B CN 112948670B
Authority
CN
China
Prior art keywords
platform
user
commodity
behavior
personalized
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
CN202110164619.6A
Other languages
English (en)
Other versions
CN112948670A (zh
Inventor
周岩
孟展
郭卫东
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.)
Luoyang Institute of Science and Technology
Original Assignee
Luoyang Institute of Science and 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 Luoyang Institute of Science and Technology filed Critical Luoyang Institute of Science and Technology
Priority to CN202110164619.6A priority Critical patent/CN112948670B/zh
Publication of CN112948670A publication Critical patent/CN112948670A/zh
Application granted granted Critical
Publication of CN112948670B publication Critical patent/CN112948670B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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]
    • G06Q30/0623—Item investigation
    • G06Q30/0625—Directed, with specific intent or strategy
    • G06Q30/0629—Directed, with specific intent or strategy for generating comparisons
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Game Theory and Decision Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

基于用户行为偏好的平台交易推荐模型的构建方法，包括步骤1：根据用户行为与平台商品的数据信息构建“平台商品‑用户行为”评分矩阵,得到“平台商品‑用户行为”个性化加权评分矩阵H(m×n)；步骤2：根据个性化加权评分矩阵H(m×n)，构建“平台商品‑平台商品”的相似度矩阵W(m×m)；步骤3：根据“平台商品‑用户行为”个性化加权评分矩阵H(m×n)与“平台商品‑平台商品”的相似度矩阵W(m×m)得到每个用户的个性化推荐修正列表L，对用户进行个性化推荐本发明提供的基于用户行为偏好的平台交易推荐模型的构建方法，根据用户偏好对行为权重进行个性化赋值，提高了平台商品与潜在用户之间的匹配程度，使平台商品之间的相似度测算更具针对性，且提升了推荐效果。

Description

基于用户行为偏好的平台交易推荐模型的构建方法
技术领域
本发明涉及互联网平台交易个性化推荐方法技术领域，具体涉及一种基于用户行为偏好的平台交易推荐模型的构建方法。
背景技术
目前，个性化推荐技术已广泛运用于互联网平台的各方面，例如电商平台会根据用户的浏览、点击、购买、评价等数据信息，推荐用户可能感兴趣的其他商品；视频平台会根据用户的观看、评分、收藏、转发等数据信息，判断用户偏好哪些类型的视频节目，并将相应类别的视频推送给用户。随着互联网平台的信息爆炸，以及用户人数及使用时长的逐渐见顶，如何有效识别用户偏好并向其推荐满足需求的信息和商品，已经成为互联网平台研发个性化推荐模型的重点方向和巨大挑战。
互联网平台中基于商品相关的推荐算法，最初只是关注商品自然属性的相关性进行推荐，后来通过用户行为确定商品相关性进行推荐。但目前算法对不同用户的同一行为赋予同等权重，忽略了用户的不同行为习惯的差异特点，不能对用户行为进行有效分类，影响了商品的准确性和有效性。
发明内容
本发明的目的在于提供一种基于用户不同行为习惯，对不同用户的同一行为赋予不同权重，在此基础上确定商品相关性并进行推荐且适用于社交化网络交易平台的商品推荐的平台交易推荐模型的构建方法。
本发明的目的是采用以下技术方案来实现。依据本发明提出的基于用户行为偏好的平台交易推荐模型的构建方法，包括步骤1：根据用户行为与平台商品的数据信息构建“平台商品-用户行为”评分矩阵,得到“平台商品-用户行为”个性化加权评分矩阵H(m×n)；步骤2：根据个性化加权评分矩阵H(m×n)，构建“平台商品-平台商品”的相似度矩阵W(m×m)；步骤3：根据“平台商品-用户行为”个性化加权评分矩阵H(m×n)与“平台商品-平台商品”的相似度矩阵W(m×m)得到每个用户的个性化推荐修正列表L，对用户进行个性化推荐；
优选的，步骤1中构建“平台商品-用户行为”评分矩阵的具体方法为：
步骤100：输入用户行为与平台商品的数据信息，得到用户集合U、商品集合G以及行为集合B；
步骤101：对用户行为与平台商品的数据进行预处理，去除异常值的噪声影响，生成“用户-商品-行为”列表；
步骤102：根据“用户-商品-行为”列表，汇总得到基于“平台商品-用户行为”的初始评分矩阵H′(m×n)；
步骤103：根据用户行为的常见偏好，建立k种行为构成的偏好由大到小的排列rs，得到由排列rs构成的全排列序数偏好集合Γb；
步骤104：根据用户对平台商品的行为记录，建立用户i发生行为的序数偏好集Vi(Vi∈Γb)，并根据公式1，计算用户i之行为l的偏好指数
Figure GDA0003348116860000026
Figure GDA0003348116860000021
步骤105：基于行为偏好指数
Figure GDA0003348116860000022
根据公式2，进行用户i对商品j所有行为的个性化赋值bij，得到“平台商品-用户行为”个性化加权评分矩阵H(m×n)；
Figure GDA0003348116860000023
其中，
Figure GDA0003348116860000024
为用户i对商品j发生行为g的次数。
优选的，步骤2中构建“平台商品-平台商品”相似度矩阵的具体步骤为：
步骤200：基于“平台商品-用户行为”个性化加权评分矩阵H，根据公式3，计算第j行与第j+1行两个行向量的余弦相似度，得到平台商品j和j+1的相似度值；
Figure GDA0003348116860000025
步骤201：根据步骤200的计算方法，计算得到任意两个平台商品的相似度值；
步骤202：将所有平台商品两两之间的相似度值，集合得到“平台商品-平台商品”的相似度矩阵W(m×m)。
优选的，步骤3中对用户进行个性化推荐的具体步骤为：
步骤300：将“平台商品-用户行为”个性化加权评分矩阵H(m×n)，与“平台商品-平台商品”的相似度矩阵W(m×m)相乘，得到乘积HW为m×n矩阵，其中列即为单个用户的个性化推荐初始列表L′；
步骤301：在每个用户的个性化推荐初始列表L′中，筛选出已经发生过购买行为的平台商品，将其推荐分值调整为0，得到每个用户的个性化推荐修正列表L；
步骤302：在个性化推荐修正列表L中，对每个用户列的平台商品推荐分值，按照从高到低的顺序进行排列；
步骤303：根据实际需求，确立要推荐的平台商品数目为T，在每个用户的个性化推荐修正列表L中，按从高到低的顺序取出推荐分值最大的个平台商品，向用户进行个性化推荐。
本发明具有如下有益效果：
1、本发明提供的基于用户行为偏好的平台交易推荐模型的构建方法，根据用户偏好对行为权重进行个性化赋值，提高了平台商品与潜在用户之间的匹配程度，使平台商品之间的相似度测算更具针对性，且提升了推荐效果。
以上说明仅是本发明技术方案的概述，为了能更清楚了解本发明的技术手段，可依照说明书的内容予以实施，并且为让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
图1为构建“平台商品-用户行为”评分矩阵的流程图。
图2为构建“平台商品-平台商品”的相似度矩阵的流程图。
图3为对用户进行个性化推荐的具体步骤的流程图。
具体实施方式
为更进一步阐述本发明为达成预定目的所采用的技术手段及功效，以下结合附图及较佳实例，对依据本发明提出的基于用户行为偏好的平台交易推荐模型的构建方法其具体实施方式、结构、特征及其功效，详细说明如后。
请参阅图1至图3，基于用户行为偏好的平台交易推荐模型的构建方法，包括构建“平台商品-用户行为”评分矩阵，构建“平台商品-平台商品”相似度矩阵，对用户进行个性化推荐。
构建“平台商品-用户行为”评分矩阵的具体步骤为：
步骤100，输入用户行为与平台商品的数据信息，行为数据是指用户对商品的搜索、点击、浏览、喜欢、收藏、加购、下单、付款、评分等行为记录等。得到用户集合U＝{ui}(i＝1,2,…,n)，商品集合G＝{gj}(j＝1,2,…,m)，以及行为集合B＝{bg}(l＝1,2,…,k)。
步骤101，对用户行为数据进行预处理，去除异常值的噪声影响，生成“用户-商品-行为”列表。
步骤102，根据“用户-商品-行为”列表，汇总转换得到基于“平台商品-用户行为”的初始评分矩阵H′(m×n)，评分矩阵中的行表示商品、列表示用户，行列交叉处的单元格填入用户(行)对商品(列)产生的行为，例如“浏览*2”表示浏览两次，“浏览+收藏”表示浏览一次，加入收藏一次。
步骤103，根据用户行为的常见偏好(即人们对各种用户行为的偏好排序，例如评分>加购>收藏>喜欢>浏览)，建立k种行为构成的偏好由大到小的排列rs，得到由所有可能的排列rs构成的全排列序数偏好集合Γb＝{rs|s∈{1,2,…,k！}}。
步骤104，根据用户对平台商品的行为记录，建立用户i发生行为的序数偏好集Vi＝{v1,v2,…,vg}(Vi∈Γb)，并根据公式1，计算用户i之行为g的偏好指数。
Figure GDA0003348116860000041
步骤105，基于行为偏好指数
Figure GDA0003348116860000042
根据公式2，进行用户i对商品j所有行为的个性化赋值bij，得到“平台商品-用户行为”个性化加权评分矩阵H(m×n)。
Figure GDA0003348116860000043
其中，
Figure GDA0003348116860000044
为用户i对商品j发生行为g的次数。
构建“平台商品-平台商品”相似度矩阵的具体步骤为：
步骤200，基于“平台商品-用户行为”个性化加权评分矩阵H(m×n)，根据公式3，计算第j行与第j+1行两个行向量的余弦相似度，得到平台商品j和j+1的相似度值。
Figure GDA0003348116860000045
步骤201，以此类推，计算得到任意两个平台商品的相似度值。
步骤202，将所有平台商品两两之间的相似度值，集合得到“平台商品-平台商品”的相似度矩阵W(m×m)。
对用户进行个性化推荐的具体步骤为：
步骤300，将“平台商品-用户行为”个性化加权评分矩阵H(m×n)，与“平台商品-平台商品”的相似度矩阵W(m×m)相乘，得到乘积HW为m×n矩阵，其中HW为m×n矩阵中的列即为单个用户的个性化推荐初始列表L′。
步骤301，在每个用户的个性化推荐初始列表L′中，筛选出已经发生过购买行为的平台商品，将其推荐分值调整为0，得到每个用户的个性化推荐修正列表L，即将发生过购买行为的商品的推荐分值调整为0，调整为0的涵义就是不再推荐购买过的商品，剩余没有购买过的商品则构成推荐修正列表；
步骤302，在个性化推荐修正列表L中，对每个用户列的平台商品推荐分值，按照从高到低的顺序进行排列；
步骤303，根据实际需求，确立要推荐的平台商品数目为T，在每个用户的个性化推荐修正列表L中，按从高到低的顺序取出推荐分值最大的个平台商品，向用户进行个性化推荐。
在本实施例中，以B2C电子商务平台的交易推荐模型为例。
1、算法仿真与评价
首先将收集的用户行为与平台商品的数据信息，经过预处理之后，得到“用户-商品-行为”列表，详见表1。
用户 商品 行为 用户 商品 行为
D 3 加购 B 3 加购
B 3 加购 C 1 收藏
C 1 评分 C 2 浏览
C 7 收藏 E 6 浏览
C 7 评分 D 3 收藏
B 2 加购 B 5 浏览
B 10 浏览 A 8 评分
C 9 喜欢 D 9 评分
D 8 喜欢 D 4 评分
E 1 浏览 C 5 加购
表1
然后将“用户-商品-行为”列表计算转换，得到“平台商品-用户行为”初始评分矩阵H′(10×5)，详见表2。
A B C D E
1 无 无 评分+收藏 无 浏览
2 无 加购 浏览 无 无
3 无 加购*2 无 加购+收藏 无
4 无 无 无 评分 无
5 无 浏览 加购 无 无
6 无 无 无 无 浏览
7 无 无 收藏+评分 无 无
8 评分 无 无 喜欢 无
9 无 无 喜欢 评分 无
10 无 浏览 无 无 无
表2
根据公式1，计算每个用户行为的偏好指数
Figure GDA0003348116860000061
详见表3。
A B C D E
浏览 0 0.8 0.18 0.00 2
喜欢 0 0 0.36 0.27 0
收藏 0 0 0.55 0.53 0
加购 0 1.6 0.73 0.80 0
评分 2 0 0.91 1.07 0
表3
基于用户行为偏好指数
Figure GDA0003348116860000062
根据公式2，进行用户对商品所有行为的个性化赋值bij，计算得到“平台商品-用户行为”个性化加权评分矩阵H(10×5)，详见表4。
A B C D E
1 0.00 0.00 1.46 0.00 2.00
2 0.00 1.60 0.18 0.00 0.00
3 0.00 3.20 0.00 1.33 0.00
4 0.00 0.00 0.00 1.07 0.00
5 0.00 0.80 0.73 0.00 0.00
6 0.00 0.00 0.00 0.00 2.00
7 0.00 0.00 1.46 0.00 0.00
8 2.00 0.00 0.00 0.27 0.00
9 0.00 0.00 0.36 1.07 0.00
10 0.00 0.80 0.00 0.00 0.00
表4
根据公式3，通过计算任意两个行向量的余弦相似度，得到平台商品的相似度矩阵W(10×10)，详见表5。
1 2 3 4 5 6 7 8 9 10
1 1.000 0.064 0.000 0.000 0.299 0.894 0.542 0.000 0.146 0.000
2 0.064 1.000 1.009 0.000 0.524 0.000 0.086 0.000 0.024 0.531
3 0.000 1.009 1.000 0.314 0.563 0.000 0.000 0.065 0.310 0.600
4 0.000 0.000 0.314 1.000 0.000 0.000 0.000 0.094 0.521 0.000
5 0.299 0.524 0.563 0.000 1.000 0.000 0.419 0.000 0.119 0.340
6 0.894 0.000 0.000 0.000 0.000 1.000 0.000 0.000 0.000 0.000
7 0.542 0.086 0.000 0.000 0.419 0.000 1.000 0.000 0.203 0.000
8 0.000 0.000 0.065 0.094 0.000 0.000 0.000 1.000 0.092 0.000
9 0.146 0.024 0.310 0.521 0.119 0.000 0.203 0.092 1.000 0.000
10 0.000 0.531 0.600 0.000 0.340 0.000 0.000 0.000 0.000 1.000
表5
将个性化加权评分矩阵H(10×5)，与相似度矩阵W(10×10)相乘，得到针对每个用户的个性化推荐初始列表L′，详见表6。
行标签 A B C D E
1 0.00 0.34 2.53 0.16 3.79
2 0.00 5.67 0.79 1.37 0.13
3 0.13 5.74 0.70 2.01 0.00
4 0.19 1.00 0.19 2.07 0.00
5 0.00 3.71 1.92 0.88 0.60
6 0.00 0.00 1.30 0.00 3.79
7 0.00 0.47 2.65 0.22 1.08
8 2.00 0.21 0.03 0.56 0.00
9 0.18 1.12 0.96 2.06 0.29
10 0.00 3.84 0.34 0.80 0.00
表6
在个性化推荐初始列表L′中，筛选用户已经产生行为的平台商品，将其推荐分值调整为0，得到用户的个性化推荐修正列表L，详见表7。
行标签 A B C D E
1 0.00 0.34 0.00 0.16 0.00
2 0.00 0.00 0.00 1.37 0.13
3 0.13 0.00 0.70 0.00 0.00
4 0.19 1.00 0.19 0.00 0.00
5 0.00 0.00 0.00 0.88 0.60
6 0.00 0.00 1.30 0.00 0.00
7 0.00 0.47 0.00 0.22 1.08
8 0.00 0.21 0.03 0.00 0.00
9 0.18 1.12 0.00 0.00 0.29
10 0.00 0.00 0.34 0.80 0.00
表7
本实例将推荐平台商品数量设定为T＝3，生成最终向每个用户提供的个性化商品推荐表，详见表8。
A B C D E
4 9 6 2 7
9 4 3 5 5
3 7 10 10 9
表8
本发明在两个数据集上进行了实验，与AutoRec、RBM和CFN三种现有技术中的推荐方法进行对比，本算法的标准误差和平均绝对误差最小,效果最好。
Figure GDA0003348116860000091
表9
以上所述，仅是本发明的较佳实施例而已，并非对本发明做任何形式上的限制，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (3)

1.基于用户行为偏好的平台交易推荐模型的构建方法，其特征在于：包括
步骤1：根据用户行为与平台商品的数据信息构建“平台商品-用户行为”评分矩阵,得到“平台商品-用户行为”个性化加权评分矩阵H(m×n)；
步骤2：根据个性化加权评分矩阵H(m×n)，构建“平台商品-平台商品”的相似度矩阵W(m×m)；
步骤3：根据“平台商品-用户行为”个性化加权评分矩阵H(m×n)与“平台商品-平台商品”的相似度矩阵W(m×m)得到每个用户的个性化推荐修正列表L，对用户进行个性化推荐；其中，步骤1中构建“平台商品-用户行为”评分矩阵的具体方法为：
步骤100：输入用户行为与平台商品的数据信息，得到用户集合U、商品集合G以及行为集合B；
步骤101：对用户行为与平台商品的数据进行预处理，去除异常值的噪声影响，生成“用户-商品-行为”列表；
步骤102：根据“用户-商品-行为”列表，汇总得到基于“平台商品-用户行为”的初始评分矩阵H′(m×n)；
步骤103：根据用户的行为偏好，建立k种行为构成的偏好由大到小的排列rs，得到由排列rs构成的全排列序数偏好集合Γb；
步骤104：根据用户对平台商品的行为记录，建立用户i发生行为的序数偏好集Vi(Vi∈Γb)，并根据公式(1)，计算用户i之行为g的偏好指数
Figure FDA0003348116850000011
Figure FDA0003348116850000012
步骤105：基于行为偏好指数
Figure FDA0003348116850000013
根据公式(2)，进行用户i对商品j所有行为的个性化赋值bij，得到“平台商品-用户行为”个性化加权评分矩阵H(m×n)；
Figure FDA0003348116850000014
其中，
Figure FDA0003348116850000015
为用户i对商品j发生行为g的次数。
2.根据权利要求1所述的基于用户行为偏好的平台交易推荐模型的构建方法，其特征在于：步骤2中构建“平台商品-平台商品”相似度矩阵的具体步骤为：
步骤200：基于“平台商品-用户行为”个性化加权评分矩阵H，根据公式(3)，计算第j行与第j+1行两个行向量的余弦相似度，得到平台商品j和j+1的相似度值；
Figure FDA0003348116850000021
步骤201：根据步骤200的计算方法，计算得到任意两个平台商品的相似度值；
步骤202：将所有平台商品两两之间的相似度值，集合得到“平台商品-平台商品”的相似度矩阵W(m×m)。
3.根据权利要求2所述的基于用户行为偏好的平台交易推荐模型的构建方法，其特征在于：步骤3中对用户进行个性化推荐的具体步骤为：
步骤300：将“平台商品-用户行为”个性化加权评分矩阵H(m×n)，与“平台商品-平台商品”的相似度矩阵W(m×m)相乘，得到乘积HW为m×n矩阵，其中列即为单个用户的个性化推荐初始列表L′；
步骤301：在每个用户的个性化推荐初始列表L′中，筛选出已经发生过购买行为的平台商品，将其推荐分值调整为0，得到每个用户的个性化推荐修正列表L；
步骤302：在个性化推荐修正列表L中，对每个用户列的平台商品推荐分值，按照从高到低的顺序进行排列；
步骤303：根据实际需求，确立要推荐的平台商品数目为T，在每个用户的个性化推荐修正列表L中，按从高到低的顺序取出推荐分值最大的个平台商品，向用户进行个性化推荐。
CN202110164619.6A 2021-02-05 2021-02-05 基于用户行为偏好的平台交易推荐模型的构建方法 Active CN112948670B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110164619.6A CN112948670B (zh) 2021-02-05 2021-02-05 基于用户行为偏好的平台交易推荐模型的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110164619.6A CN112948670B (zh) 2021-02-05 2021-02-05 基于用户行为偏好的平台交易推荐模型的构建方法

Publications (2)

Publication Number Publication Date
CN112948670A CN112948670A (zh) 2021-06-11
CN112948670B true CN112948670B (zh) 2022-04-08

Family

ID=76242887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110164619.6A Active CN112948670B (zh) 2021-02-05 2021-02-05 基于用户行为偏好的平台交易推荐模型的构建方法

Country Status (1)

Country Link
CN (1) CN112948670B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114511718B (zh) * 2022-04-19 2022-06-24 山东诚祥建设集团股份有限公司 一种建筑施工用物料智能管理方法及系统
CN117290398A (zh) * 2023-09-27 2023-12-26 广东科学技术职业学院 一种基于大数据的课程推荐方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130031104A1 (en) * 2007-01-04 2013-01-31 Choicestream, Inc Recommendation jitter
US9015156B2 (en) * 2012-03-30 2015-04-21 Percolate Industries, Inc. Interactive computing recommendation facility with learning based on user feedback and interaction
US20160188169A1 (en) * 2014-12-31 2016-06-30 TCL Research America Inc. Least touch mobile device
CN108647996B (zh) * 2018-04-11 2022-04-19 中山大学 一种基于Spark的个性化推荐方法及系统
CN109584016A (zh) * 2018-12-03 2019-04-05 广东鸭梨云信息科技有限公司 一种商品推荐方法
CN109829792A (zh) * 2019-02-20 2019-05-31 杭州师范大学 一种基于用户位置分布的个性化物品推荐方法及系统

Also Published As

Publication number Publication date
CN112948670A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
US8412648B2 (en) Systems and methods of making content-based demographics predictions for website cross-reference to related applications
US20210312312A1 (en) Similarity learning-based device attribution
US8108245B1 (en) Method and system for web user profiling and selective content delivery
CN111797321B (zh) 一种面向不同场景的个性化知识推荐方法及系统
US7594189B1 (en) Systems and methods for statistically selecting content items to be used in a dynamically-generated display
US10290039B2 (en) System and method for automating market analysis from anonymous behavior profiles
US10810616B2 (en) Personalization of digital content recommendations
Huang et al. Handling sequential pattern decay: Developing a two-stage collaborative recommender system
CN108805598B (zh) 相似度信息确定方法、服务器及计算机可读存储介质
KR20100091669A (ko) 전자상거래 서비스에서의 개인화 추천 시스템
CN112948670B (zh) 基于用户行为偏好的平台交易推荐模型的构建方法
EP2960849A1 (en) Method and system for recommending an item to a user
Niu et al. FUIR: Fusing user and item information to deal with data sparsity by using side information in recommendation systems
CN107590232A (zh) 一种基于网络学习环境的资源推荐系统及方法
CN108920647B (zh) 基于谱聚类的低秩矩阵填充top-n推荐方法
CN112612951A (zh) 一种面向收益提升的无偏学习排序方法
US8086555B2 (en) Collaborative filtering systems and methods
CN116541607A (zh) 基于商品检索数据分析的智能推荐方法
KR102051311B1 (ko) 개인화 알고리즘을 이용하여 고객 로그 맞춤형 사이트를 추천하는 방법 및 개인화 알고리즘 서버
JP2017201535A (ja) 判定装置、学習装置、判定方法及び判定プログラム
CN108681570B (zh) 一种基于多目标进化算法的个性化网页推荐方法
CN116911949A (zh) 基于边界排名损失和邻域感知图神经网络的物品推荐方法
CN109190013B (zh) 用户偏好的确定方法、系统、可读存储介质及电子设备
CN108960954B (zh) 一种基于用户群行为反馈的内容推荐方法及推荐系统
EP3418916A1 (en) Method and apparatus for determining peak sale and one year sale prediction for hardcover first releases

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhou Yan

Inventor after: Meng Zhan

Inventor after: Guo Weidong

Inventor before: Zhou Yan

GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210611

Assignee: Luoyang Yongbang Real Estate Development Co.,Ltd.

Assignor: LUOYANG INSTITUTE OF SCIENCE AND TECHNOLOGY

Contract record no.: X2023980030480

Denomination of invention: Construction method of platform transaction recommendation model based on user behavior preference

Granted publication date: 20220408

License type: Common License

Record date: 20230115