CN117710020B - 一种基于大数据的用户喜好的分析方法 - Google Patents
一种基于大数据的用户喜好的分析方法 Download PDFInfo
- Publication number
- CN117710020B CN117710020B CN202410166264.8A CN202410166264A CN117710020B CN 117710020 B CN117710020 B CN 117710020B CN 202410166264 A CN202410166264 A CN 202410166264A CN 117710020 B CN117710020 B CN 117710020B
- Authority
- CN
- China
- Prior art keywords
- user
- iterated
- scoring
- item
- representing
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000009825 accumulation Methods 0.000 claims abstract description 14
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 abstract description 5
- 230000009514 concussion Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 44
- 238000004891 communication Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
-
- 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
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及用户喜好分析的技术领域，公开了一种基于大数据的用户喜好的分析方法，所述方法包括：构建用户物品评分初始矩阵，确定物品评分预测目标函数；对物品评分预测目标函数进行梯度计算；对待迭代参数的偏导数信息进行指数加权累积，生成待迭代参数在当前迭代次数的隐藏信息，对待迭代参数进行迭代处理；根据最终迭代结果预测得到用户对不同物品的评分，确定用户喜好。本发明将用户特征以及分解特征作为待迭代参数，采用指数加权累积的方式对待迭代参数的偏导数信息进行累加，使得待迭代参数的梯度沿着更为平缓的方向移动，避免迭代震荡问题，根据评分预测结果，结合每种物品的喜好偏好信息计算得到用户对不同物品的喜好程度。
Description
技术领域
本发明涉及用户喜好分析的技术领域，尤其涉及一种基于大数据的用户喜好的分析方法。
背景技术
随着互联网和移动技术的迅速发展，大量的数据被产生和积累，其中包含了丰富的用户行为和偏好信息。利用这些数据，可以深入研究用户的喜好和需求，为个性化推荐、精准营销等应用提供支持。现有的用户喜好分析方法主要基于大数据技术和机器学习算法，通过对海量数据进行挖掘和分析，揭示用户的兴趣和偏好，帮助企业实现精准营销和个性化推荐。通过分析用户的历史行为和与其他用户的相似性，可以向用户提供更加精准和个性化的推荐，提高用户的满意度和忠诚度。个性化推荐不仅可以增加用户的购买概率，还能提升用户体验，促进产品销售和市场份额的增长。但是实际过程中采集的数据往往存在数据稀疏现象，传统的算法会由于数据稀疏在训练过程中产生迭代震荡无法达到最优从而影响算法准确性。针对该问题，本发明提出一种基于大数据的用户喜好分析方法，通过优化稀疏数据处理流程实现用户喜好优化分析。
发明内容
有鉴于此，本发明提供一种基于大数据的用户喜好的分析方法，目的在于：
1）基于用户对不同物品的购买次数，得到不同物品购买频率对用户的信息熵，将信息熵转换为用户对物品的初始评分，构建得到用户物品评分初始矩阵，将分解得到的用户特征以及分解特征作为待迭代参数，对用户物品评分初始矩阵进行分解映射处理，将用户以及物品转换到同一维度空间，利用两者的乘积结果进行评分预测，进而构建得到物品评分预测目标函数，实现稀疏数据场景下用户对不同物品的评分预测；
2）对物品评分预测目标函数进行梯度计算，生成物品评分预测目标函数中待迭代参数的偏导数，采用指数加权累积的方式对待迭代参数的偏导数信息进行累加，使得待迭代参数的梯度沿着更为平缓的方向移动，使得不同用户以及不同物品的用户特征、物品特征的梯度变化均在同一量级，进而对非稀疏参数进行较小的更新，对稀疏参数进行较大的更新，避免迭代震荡问题，提高评分预测的准确性，根据评分预测结果，结合每种物品的喜好偏好信息计算得到用户对不同物品的喜好程度，实现用户的喜好分析。
实现上述目的，本发明提供的一种基于大数据的用户喜好的分析方法，包括以下步骤：
S1：采集用户对部分物品的评分数据，构建用户物品评分初始矩阵，根据构建的用户物品评分初始矩阵确定物品评分预测目标函数；
S2：对物品评分预测目标函数进行梯度计算，生成物品评分预测目标函数中待迭代参数的偏导数；
S3：对待迭代参数的偏导数信息进行指数加权累积，生成待迭代参数在当前迭代次数的隐藏信息，根据隐藏信息对待迭代参数进行迭代处理；
S4：基于终止规则确定待迭代参数的最终迭代结果，并根据最终迭代结果预测得到用户对不同物品的评分，构建得到完整的用户物品评分矩阵，并根据完整的用户物品评分矩阵确定用户喜好。
作为本发明的进一步改进方法：
可选地，所述S1步骤中采集用户对部分物品的评分数据，构建用户物品评分初始矩阵，包括：
采集用户对部分物品的评分数据，构建得到用户对部分物品的用户物品评分初始矩阵，其中用户物品评分初始矩阵的构建流程为：
S11：采集N名用户对M种物品的购买次数，其中第n名用户对第m种物品/>的购买次数为/>，/>，/>；
S12：将用户对物品的购买次数转换为评分数据，其中第n名用户对第m种物品/>的评分数据为：
；
其中：
表示第n名用户/>对第m种物品/>的评分数据；
S13：构建用户物品评分初始矩阵：
；
其中：
表示第N名用户/>对第M种物品/>的评分数据；
表示用户物品评分初始矩阵。
可选地，所述S1步骤中根据构建的用户物品评分矩阵确定物品评分预测目标函数，包括：
根据构建的用户物品评分矩阵确定物品评分预测目标函数，其中物品评分预测目标函数为：
；
；
其中：
F表示物品评分预测目标函数；
表示物品评分预测目标函数中待迭代参数的第t次迭代结果，t的初始值为0；
表示第t次迭代得到的第n名用户/>的用户特征；
表示第t次迭代得到的第m种物品/>的物品特征；
表示L1范数；
T表示转置；
表示正则化系数。
可选地，所述S2步骤中对物品评分预测目标函数进行梯度计算，生成待迭代参数的偏导数，包括：
对物品评分预测目标函数进行梯度计算，生成物品评分预测目标函数中待迭代参数的偏导数，其中待迭代参数的偏导数计算结果为：
；
；
；
其中：
表示待迭代参数/>的偏导数计算结果；
表示用户特征/>的偏导数计算结果，/>表示物品特征/>的偏导数计算结果。
可选地，所述S3步骤中对待迭代参数的偏导数信息进行指数加权累积，生成待迭代参数在当前迭代次数的隐藏信息，包括：
对待迭代参数的偏导数信息进行指数加权累积，生成待迭代参数在当前迭代次数t的隐藏信息：
；
；
；
其中：
表示累积权重；
表示待迭代参数在当前迭代次数t的隐藏信息；
表示用户特征在当前迭代次数t的隐藏信息，/>表示物品特征在当前迭代次数t的隐藏信息。
可选地，所述S3步骤中根据待迭代参数在当前迭代次数的隐藏信息对待迭代参数进行迭代处理，包括：
根据待迭代参数在当前迭代次数t的隐藏信息对待迭代参数进行迭代处理，其中待迭代参数的迭代处理公式为：
；
；
；
；
其中：
表示第t+1次迭代的自适应迭代参数；
表示预设的迭代次数阈值；
表示物品评分预测目标函数中待迭代参数的第t+1次迭代结果。
可选地，所述S4步骤中基于终止规则确定待迭代参数的最终迭代结果，包括：
基于终止规则确定待迭代参数的最终迭代结果，其中终止规则为：
若待迭代参数的第t+1次迭代结果满足下式，则终止迭代：
；
其中：
表示L1范数；
表示迭代阈值；
并令为最终迭代结果/>，其中：
；
否则令t=t+1，返回步骤S2。
可选地，所述S4步骤中根据最终迭代结果预测得到用户对不同物品的评分，构建得到完整的用户物品评分矩阵，并根据完整的用户物品评分矩阵确定用户喜好，包括：
根据最终迭代结果预测得到用户对不同物品的评分，其中第n名用户/>对第m种物品/>的评分为：
；
其中：
表示预测得到的第n名用户/>对第m种物品/>的评分；
构建得到完整的用户物品评分矩阵，其中用户物品评分矩阵为：
；
其中：
表示预测得到的第N名用户/>对第M种物品/>的评分；
E表示用户物品评分矩阵；
根据完整的用户物品评分矩阵计算得到用户对不同物品的喜好程度，生成用户对不同物品的喜好程度列表作为用户喜好分析结果，其中第n名用户对第m种物品的喜好程度为：
；
；
其中：
表示第n名用户/>对第m种物品/>的喜好程度；
表示第m种物品/>的喜好倾向信息；
表示以自然常数为底的指数函数。
为了解决上述问题，本发明提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；
通信接口，实现电子设备通信；及处理器，执行所述存储器中存储的指令以实现上述所述的基于大数据的用户喜好的分析方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于大数据的用户喜好的分析方法。
相对于现有技术，本发明提出一种基于大数据的用户喜好的分析方法，该技术具有以下优势：
首先，本方案提出一种用户初始评分计算方式以及物品评分预测目标函数，采集用户对部分物品的评分数据，构建得到用户对部分物品的用户物品评分初始矩阵，其中用户物品评分初始矩阵的构建流程为：采集N名用户对M种物品的购买次数，其中第n名用户对第m种物品/>的购买次数为/>，/>，/>；将用户对物品的购买次数转换为评分数据，其中第n名用户/>对第m种物品/>的评分数据为：
；
其中：表示第n名用户/>对第m种物品/>的评分数据；构建用户物品评分初始矩阵：
；
其中：表示第N名用户/>对第M种物品/>的评分数据；/>表示用户物品评分初始矩阵。根据构建的用户物品评分矩阵确定物品评分预测目标函数，其中物品评分预测目标函数为：
；
；
其中：F表示物品评分预测目标函数；表示物品评分预测目标函数中待迭代参数的第t次迭代结果，t的初始值为0；/>表示第t次迭代得到的第n名用户/>的用户特征；/>表示第t次迭代得到的第m种物品/>的物品特征；/>表示L1范数；T表示转置；表示正则化系数。本方案基于用户对不同物品的购买次数，得到不同物品购买频率对用户的信息熵，将信息熵转换为用户对物品的初始评分，构建得到用户物品评分初始矩阵，将分解得到的用户特征以及分解特征作为待迭代参数，对用户物品评分初始矩阵进行分解映射处理，将用户以及物品转换到同一维度空间，利用两者的乘积结果进行评分预测，进而构建得到物品评分预测目标函数，实现稀疏数据场景下用户对不同物品的评分预测。
同时，本方案提出一种评分预测方法，对待迭代参数的偏导数信息进行指数加权累积，生成待迭代参数在当前迭代次数t的隐藏信息：
；
；
；
其中：表示累积权重；/>表示待迭代参数在当前迭代次数t的隐藏信息；表示用户特征在当前迭代次数t的隐藏信息，/>表示物品特征在当前迭代次数t的隐藏信息。根据待迭代参数在当前迭代次数t的隐藏信息对待迭代参数进行迭代处理，其中待迭代参数的迭代处理公式为：
；
；
；
；
其中：表示第t+1次迭代的自适应迭代参数；/>表示预设的迭代次数阈值；/>表示物品评分预测目标函数中待迭代参数的第t+1次迭代结果。本方案对物品评分预测目标函数进行梯度计算，生成物品评分预测目标函数中待迭代参数的偏导数，采用指数加权累积的方式对待迭代参数的偏导数信息进行累加，使得待迭代参数的梯度沿着更为平缓的方向移动，使得不同用户以及不同物品的用户特征、物品特征的梯度变化均在同一量级，进而对非稀疏参数进行较小的更新，对稀疏参数进行较大的更新，避免迭代震荡问题，提高评分预测的准确性，根据评分预测结果，结合每种物品的喜好偏好信息计算得到用户对不同物品的喜好程度，实现用户的喜好分析。
附图说明
图1为本发明一实施例提供的一种基于大数据的用户喜好的分析方法的流程示意图；
图2为本发明一实施例提供的实现基于大数据的用户喜好的分析方法的电子设备的结构示意图。
图中：1电子设备，10处理器，11存储器，12程序，13通信接口。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于大数据的用户喜好的分析方法。所述基于大数据的用户喜好的分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于大数据的用户喜好的分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1
S1：采集用户对部分物品的评分数据，构建用户物品评分初始矩阵，根据构建的用户物品评分初始矩阵确定物品评分预测目标函数。
所述S1步骤中采集用户对部分物品的评分数据，构建用户物品评分初始矩阵，包括：
采集用户对部分物品的评分数据，构建得到用户对部分物品的用户物品评分初始矩阵，其中用户物品评分初始矩阵的构建流程为：
S11：采集N名用户对M种物品的购买次数，其中第n名用户对第m种物品/>的购买次数为/>，/>，/>；
S12：将用户对物品的购买次数转换为评分数据，其中第n名用户对第m种物品/>的评分数据为：
；
其中：
表示第n名用户/>对第m种物品/>的评分数据；
S13：构建用户物品评分初始矩阵：
；
其中：
表示第N名用户/>对第M种物品/>的评分数据；
表示用户物品评分初始矩阵。
所述S1步骤中根据构建的用户物品评分矩阵确定物品评分预测目标函数，包括：
根据构建的用户物品评分矩阵确定物品评分预测目标函数，其中物品评分预测目标函数为：
；
；
其中：F表示物品评分预测目标函数；
表示物品评分预测目标函数中待迭代参数的第t次迭代结果，t的初始值为0；
表示第t次迭代得到的第n名用户/>的用户特征；
表示第t次迭代得到的第m种物品/>的物品特征；
表示L1范数；
T表示转置；
表示正则化系数。
S2：对物品评分预测目标函数进行梯度计算，生成物品评分预测目标函数中待迭代参数的偏导数。
所述S2步骤中对物品评分预测目标函数进行梯度计算，生成待迭代参数的偏导数，包括：
对物品评分预测目标函数进行梯度计算，生成物品评分预测目标函数中待迭代参数的偏导数，其中待迭代参数的偏导数计算结果为：
；
；
；
其中：
表示待迭代参数/>的偏导数计算结果；
表示用户特征/>的偏导数计算结果，/>表示物品特征/>的偏导数计算结果。
S3：对待迭代参数的偏导数信息进行指数加权累积，生成待迭代参数在当前迭代次数的隐藏信息，根据隐藏信息对待迭代参数进行迭代处理。
所述S3步骤中对待迭代参数的偏导数信息进行指数加权累积，生成待迭代参数在当前迭代次数的隐藏信息，包括：
对待迭代参数的偏导数信息进行指数加权累积，生成待迭代参数在当前迭代次数t的隐藏信息：
；
；
；
其中：
表示累积权重；
表示待迭代参数在当前迭代次数t的隐藏信息；
表示用户特征在当前迭代次数t的隐藏信息，/>表示物品特征在当前迭代次数t的隐藏信息。
所述S3步骤中根据待迭代参数在当前迭代次数的隐藏信息对待迭代参数进行迭代处理，包括：
根据待迭代参数在当前迭代次数t的隐藏信息对待迭代参数进行迭代处理，其中待迭代参数的迭代处理公式为：
；
；
；
；
其中：
表示第t+1次迭代的自适应迭代参数；
表示预设的迭代次数阈值；
表示物品评分预测目标函数中待迭代参数的第t+1次迭代结果。
S4：基于终止规则确定待迭代参数的最终迭代结果，并根据最终迭代结果预测得到用户对不同物品的评分，构建得到完整的用户物品评分矩阵，并根据完整的用户物品评分矩阵确定用户喜好。
所述S4步骤中基于终止规则确定待迭代参数的最终迭代结果，包括：
基于终止规则确定待迭代参数的最终迭代结果，其中终止规则为：
若待迭代参数的第t+1次迭代结果满足下式，则终止迭代：
；
其中：
表示L1范数；
表示迭代阈值；
并令为最终迭代结果/>，其中：
；
否则令t=t+1，返回步骤S2。
所述S4步骤中根据最终迭代结果预测得到用户对不同物品的评分，构建得到完整的用户物品评分矩阵，并根据完整的用户物品评分矩阵确定用户喜好，包括：
根据最终迭代结果预测得到用户对不同物品的评分，其中第n名用户/>对第m种物品/>的评分为：
；
其中：
表示预测得到的第n名用户/>对第m种物品/>的评分；
构建得到完整的用户物品评分矩阵，其中用户物品评分矩阵为：
；
其中：
表示预测得到的第N名用户/>对第M种物品/>的评分；
E表示用户物品评分矩阵；
根据完整的用户物品评分矩阵计算得到用户对不同物品的喜好程度，生成用户对不同物品的喜好程度列表作为用户喜好分析结果，其中第n名用户对第m种物品的喜好程度为：
；
；
其中：
表示第n名用户/>对第m种物品/>的喜好程度；
表示第m种物品/>的喜好倾向信息；
表示以自然常数为底的指数函数。
实施例2
如图2所示，是本发明一实施例提供的实现基于大数据的用户喜好的分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于实现基于大数据的用户喜好的分析的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图2仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
采集用户对部分物品的评分数据，构建用户物品评分初始矩阵，根据构建的用户物品评分初始矩阵确定物品评分预测目标函数；
对物品评分预测目标函数进行梯度计算，生成物品评分预测目标函数中待迭代参数的偏导数；
对待迭代参数的偏导数信息进行指数加权累积，生成待迭代参数在当前迭代次数的隐藏信息，根据隐藏信息对待迭代参数进行迭代处理；
基于终止规则确定待迭代参数的最终迭代结果，并根据最终迭代结果预测得到用户对不同物品的评分，构建得到完整的用户物品评分矩阵，并根据完整的用户物品评分矩阵确定用户喜好。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图2对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (4)
1.一种基于大数据的用户喜好的分析方法，其特征在于，所述方法包括：
S1：采集用户对部分物品的评分数据，构建用户物品评分初始矩阵，根据构建的用户物品评分初始矩阵确定物品评分预测目标函数；
物品评分预测目标函数为：
；
；
其中：
表示第n名用户/>对第m种物品/>的评分数据；
F表示物品评分预测目标函数；
表示物品评分预测目标函数中待迭代参数的第t次迭代结果，t的初始值为0；
表示第t次迭代得到的第n名用户/>的用户特征；
表示第t次迭代得到的第m种物品/>的物品特征；
表示L1范数；
T表示转置；
表示正则化系数；
S2：对物品评分预测目标函数进行梯度计算，生成物品评分预测目标函数中待迭代参数的偏导数；
待迭代参数的偏导数计算结果为：
；
；
；
其中：
表示待迭代参数/>的偏导数计算结果；
表示用户特征/>的偏导数计算结果，/>表示物品特征/>的偏导数计算结果；
S3：对待迭代参数的偏导数信息进行指数加权累积，生成待迭代参数在当前迭代次数的隐藏信息，根据隐藏信息对待迭代参数进行迭代处理；
对待迭代参数的偏导数信息进行指数加权累积，生成待迭代参数在当前迭代次数t的隐藏信息：
；
；
；
其中：
表示累积权重；
表示待迭代参数在当前迭代次数t的隐藏信息；
表示用户特征在当前迭代次数t的隐藏信息，/>表示物品特征在当前迭代次数t的隐藏信息；
待迭代参数的迭代处理公式为：
；
；
；
；
其中：
表示第t+1次迭代的自适应迭代参数；
表示预设的迭代次数阈值；
表示物品评分预测目标函数中待迭代参数的第t+1次迭代结果；
S4：基于终止规则确定待迭代参数的最终迭代结果，并根据最终迭代结果预测得到用户对不同物品的评分，构建得到完整的用户物品评分矩阵，并根据完整的用户物品评分矩阵确定用户喜好。
2.如权利要求1所述的一种基于大数据的用户喜好的分析方法，其特征在于，所述S1步骤中采集用户对部分物品的评分数据，构建用户物品评分初始矩阵，包括：
采集用户对部分物品的评分数据，构建得到用户对部分物品的用户物品评分初始矩阵，根据构建的用户物品评分矩阵确定物品评分预测目标函数，其中用户物品评分初始矩阵的构建流程为：
S11：采集N名用户对M种物品的购买次数，其中第n名用户对第m种物品/>的购买次数为/>，/>，/>；
S12：将用户对物品的购买次数转换为评分数据，其中第n名用户对第m种物品的评分数据为：
；
其中：
表示第n名用户/>对第m种物品/>的评分数据；
S13：构建用户物品评分初始矩阵：
；
其中：
表示第N名用户/>对第M种物品/>的评分数据；
表示用户物品评分初始矩阵。
3.如权利要求1所述的一种基于大数据的用户喜好的分析方法，其特征在于，所述S4步骤中基于终止规则确定待迭代参数的最终迭代结果，包括：
基于终止规则确定待迭代参数的最终迭代结果，根据最终迭代结果预测得到用户对不同物品的评分，构建得到完整的用户物品评分矩阵，并根据完整的用户物品评分矩阵确定用户喜好，其中终止规则为：
若待迭代参数的第t+1次迭代结果满足下式，则终止迭代：
；
其中：
表示L1范数；
表示迭代阈值；
并令为最终迭代结果/>，其中：
；
否则令t=t+1，返回步骤S2。
4.如权利要求3所述的一种基于大数据的用户喜好的分析方法，其特征在于，所述S4步骤中根据最终迭代结果预测得到用户对不同物品的评分，构建得到完整的用户物品评分矩阵，并根据完整的用户物品评分矩阵确定用户喜好，包括：
根据最终迭代结果预测得到用户对不同物品的评分，其中第n名用户/>对第m种物品/>的评分为：
；
其中：
表示预测得到的第n名用户/>对第m种物品/>的评分；
构建得到完整的用户物品评分矩阵，其中用户物品评分矩阵为：
；
其中：
表示预测得到的第N名用户/>对第M种物品/>的评分；
E表示用户物品评分矩阵；
根据完整的用户物品评分矩阵计算得到用户对不同物品的喜好程度，生成用户对不同物品的喜好程度列表作为用户喜好分析结果，其中第n名用户对第m种物品/>的喜好程度为：
；
；
其中：
表示第n名用户/>对第m种物品/>的喜好程度；
表示第m种物品/>的喜好倾向信息；
表示以自然常数为底的指数函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410166264.8A CN117710020B (zh) | 2024-02-06 | 2024-02-06 | 一种基于大数据的用户喜好的分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410166264.8A CN117710020B (zh) | 2024-02-06 | 2024-02-06 | 一种基于大数据的用户喜好的分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117710020A CN117710020A (zh) | 2024-03-15 |
| CN117710020B true CN117710020B (zh) | 2024-05-17 |
Family
ID=90148300
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410166264.8A Active CN117710020B (zh) | 2024-02-06 | 2024-02-06 | 一种基于大数据的用户喜好的分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117710020B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631535A (zh) * | 2015-12-17 | 2016-06-01 | 东软集团股份有限公司 | 一种评分数据预测方法及装置 |
| CN114969520A (zh) * | 2022-05-16 | 2022-08-30 | 重庆大学 | 基于标签信息和商品属性的商品推荐方法、系统及设备 |
| CN116127083A (zh) * | 2022-07-06 | 2023-05-16 | 马上消费金融股份有限公司 | 内容推荐方法、装置、设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| HUP1000408A2 (en) * | 2010-07-30 | 2012-03-28 | Gravity Res & Dev Kft | Recommender systems and methods |
| US8676736B2 (en) * | 2010-07-30 | 2014-03-18 | Gravity Research And Development Kft. | Recommender systems and methods using modified alternating least squares algorithm |
-
2024
- 2024-02-06 CN CN202410166264.8A patent/CN117710020B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631535A (zh) * | 2015-12-17 | 2016-06-01 | 东软集团股份有限公司 | 一种评分数据预测方法及装置 |
| CN114969520A (zh) * | 2022-05-16 | 2022-08-30 | 重庆大学 | 基于标签信息和商品属性的商品推荐方法、系统及设备 |
| CN116127083A (zh) * | 2022-07-06 | 2023-05-16 | 马上消费金融股份有限公司 | 内容推荐方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 融合评分矩阵与评论文本的商品推荐模型;李琳;刘锦行;孟祥福;苏畅;李鑫;钟珞;;计算机学报;20180119(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117710020A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11023804B2 (en) | Generating an output for a neural network output layer | |
| US10235403B2 (en) | Parallel collective matrix factorization framework for big data | |
| CN114780727A (zh) | 基于强化学习的文本分类方法、装置、计算机设备及介质 | |
| CN108230058A (zh) | 产品推荐方法及系统 | |
| CN110363303B (zh) | 智能分配模型训练内存方法、装置及计算机可读存储介质 | |
| CN114912948B (zh) | 基于云服务的跨境电商大数据智能处理方法、装置及设备 | |
| CN114118287A (zh) | 样本生成方法、装置、电子设备以及存储介质 | |
| CN112529679A (zh) | 企业授信模型的构建方法、装置、设备及可读存储介质 | |
| CN111652282B (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
| CN113159315A (zh) | 一种神经网络的训练方法、数据处理方法以及相关设备 | |
| WO2023050143A1 (zh) | 一种推荐模型训练方法及装置 | |
| CN115204971A (zh) | 产品推荐方法、装置、电子设备及计算机可读存储介质 | |
| CN117710020B (zh) | 一种基于大数据的用户喜好的分析方法 | |
| CN116796729A (zh) | 基于特征强化的文本推荐方法、装置、设备及存储介质 | |
| CN116401602A (zh) | 事件检测方法、装置、设备及计算机可读介质 | |
| CN111325614A (zh) | 电子对象的推荐方法、装置和电子设备 | |
| US9619757B2 (en) | Nominal feature transformation using likelihood of outcome | |
| CN116088717A (zh) | 一种模型的训练方法、数据处理方法以及相关设备 | |
| CN113139129B (zh) | 虚拟阅读轨迹图生成方法、装置、电子设备及存储介质 | |
| CN112365008B (zh) | 基于大数据的汽车配件选定方法及装置 | |
| CN114780809A (zh) | 基于强化学习的知识推送方法、装置、设备及存储介质 | |
| CN113515591A (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
| CN110837596A (zh) | 一种智能推荐方法、装置、计算机设备及存储介质 | |
| CN118246346B (zh) | 一种多维立体分析的孪生建模方法 | |
| CN111274383A (zh) | 一种应用于报价的分类对象方法和装置 |
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 |