一种基于用户兴趣变化的电子商务推荐系统技术方案

本发明专利技术提供了一种基于用户兴趣变化的电子商务推荐系统，包括建模模块、推荐生成模块和用户终端；建模模块，用于从电子商务网站的服务器中获取用户数据，根据获取的用户数据构建用户‑商品评分矩阵U和用户‑评分时间矩阵R；推荐生成模块用于根据用户‑商品评分矩阵U和用户‑评分时间矩阵R生成商品推荐列表，并将商品推荐列表推送至用户终端；用户终端用于接收商品推荐列表。本发明专利技术针对用户的兴趣会随着时间的推移而可能发生改变的问题，通过构造衰减函数将用户的兴趣改变问题考虑在内，可以更准确地把握用户的兴趣爱好，提高后续对用户推荐商品的准确度。

E-commerce recommendation system based on user interest change

The invention provides an e-commerce recommendation system based on the change of user interest, including modeling module, recommendation generation module and user terminal. Modeling module is used to obtain user data from the server of e-business web site, and constructs a user rating matrix U and the scoring time of user based on the acquired user data. Matrix R; the recommended generation module is used to generate a list of products based on the U and R, and push the recommendation list to the user terminal; the user terminal is used to receive the list of commodity recommendation. In view of the problem that the interest of the user may change as time goes on, the user's interest and interest can be grasped more accurately by constructing the attenuation function, and the accuracy of the subsequent users can be improved.

【技术实现步骤摘要】
一种基于用户兴趣变化的电子商务推荐系统
本专利技术涉及电子商务推荐系统的
，具体涉及一种基于用户兴趣变化的电子商务推荐系统。
技术介绍
近年来，电子商务的出现使商品流通发生了革命性的转变，一是消费者可选择范围被极大地拓宽，二是地域性限制的减弱。但是，电子商务蓬勃发展的同时也带了一系列问题，如亚马逊有数百万种的商品，eBay中国有约两百万商铺，相比之下消费者的精力和知识都非常有限，难以快速找到自己需要的商品。
技术实现思路
针对上述问题，本专利技术提供一种基于用户兴趣变化的电子商务推荐系统。本专利技术的目的采用以下技术方案来实现：一种基于用户兴趣变化的电子商务推荐系统，包括建模模块、推荐生成模块和用户终端；建模模块，用于从电子商务网站的服务器中获取用户数据，根据获取的数据构建用户-商品评分矩阵U和用户-评分时间矩阵R；推荐生成模块用于根据用户-商品评分矩阵和用户-评分时间矩阵生成商品推荐列表，并将商品推荐列表推送至用户终端；用户终端用于接收商品推荐列表。本专利技术的有益效果为：与现有技术相比，本专利技术针对用户的兴趣会随着时间的推移而可能发生改变的问题，通过构造衰减函数将用户的兴趣改变问题考虑在内，可以更准确的把握用户的兴趣爱好，提高后续对用户推荐商品的准确度。附图说明利用附图对本专利技术作进一步说明，但附图中的实施例不构成对本专利技术的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。图1是本专利技术一种基于用户兴趣变化的电子商务推荐系统结构图；图2是本专利技术推荐生成模块的框架结构图。附图标记：建模模块1；推荐生成模块2；用户终端3；信息处理子模块21、推荐子模块22；相似度计算单元220；预测评分单元221。具体实施方式结合以下实施例对本专利技术作进一步描述。参见图1，一种基于用户兴趣变化的电子商务推荐系统，该系统包括建模模块1、推荐生成模块2和用户终端3。建模模块1用于从电子商务网站的服务器中获取用户数据，根据获取的用户数据构建用户-商品评分矩阵U和用户-评分时间矩阵R。推荐生成模块2用于根据用户-商品评分矩阵U和用户-评分时间矩阵R生成商品推荐列表，并将商品推荐列表推送至用户终端3。用户终端3用于接收商品推荐列表。作为优选，用户终端3为智能手机或者平板电脑。作为优选，用户-商品评分矩阵U＝(uij)m×n，所述用户-评分矩阵R＝(rij)m×n，其中，uij是用户i对商品j的评分值，rij是用户i对商品j评分发生时间，i＝1,2,…,m，j＝1,2,…,n。作为优选，参见图2，推荐生成模块2包括信息处理子模块21和推荐子模块22。信息处理子模块21用于对用户-商品评分矩阵U和用户-评分时间矩阵R进行处理，得到能够描述用户随时间推移对商品兴趣衰减程度的兴趣衰减综合程度值。推荐子模块22用于根据得到的兴趣衰减综合程度值和用户-商品评分矩阵U，计算用户对商品的预测评分，根据得到的预测评分对商品进行降序排列，从排序后的商品中选择前N个商品生成商品推荐列表，并将该商品推荐列表传输至用户终端3，其中，N为自定义的推荐商品数。作为优选，得到能够描述用户随时间推移对商品兴趣衰减程度的兴趣衰减综合程度值，具体是：(1)根据用户-商品评分矩阵U和用户-评分时间矩阵R，利用衰减函数计算用户对商品的兴趣衰减值，其中，该衰减函数为：式中，Ra(t)是用户a的兴趣衰减值，a∈{1,2,…,m}，t是当前时刻，taj是用户a对商品j评分发生时间，αaj是用户a对商品j的个性化权重因子，uaj是用户a对商品j的评分值，j∈{1,2,…,n}；(2)根据用户-评分时间矩阵R，利用时间相关度函数描述不同用户对同一件商品评分发生时间的相关程度，其中，时间相关度函数为：式中，Sab(t)是用户a和用户b之间的时间相关度函数值，taj是用户a对商品j评分发生时间，tbj是用户b对商品j评分发生时间；(3)根据步骤(1)和步骤(2)的兴趣衰减值和时间相关度函数值，利用下式计算用户a随时间推移对商品的兴趣衰减综合程度值，其中，兴趣衰减综合程度值的计算式子为：式中，Za(t)是用户a的兴趣衰减综合程度值，ε是权重因子，且0＜ε＜1，Ra(t)是用户a的兴趣衰减值，Sab(t)是用户a和用户b之间的时间相关度函数值，是用户a和用户b对同一件商品j进行评分的相关系数。有益效果：针对用户的兴趣可能会发生改变，分别从同一用户对不同商品的兴趣衰减行为和不同用户对同一商品的评分相关程度来描述随着时间推移用户兴趣的变化情况，该算法能顾客观地反映出用户对商品评分随时间推移的变化趋势，进而有利于电子商务平台更准确地为目标用户推荐商品。作为优选，推荐子模块22包括相似度计算单元220和预测评分单元221。相似度计算单元220，用于计算目标用户c和其他用户之间的相似度Sim(c,k)，其中，k∈{1,2,…,m}，如果Sim(c,k)＞λth(λth是设定的阈值)，则将该用户k加入到目标用户c的最近邻域Ω，其中，用于计算目标用户c和其他用户之间的相似度Sim(c,k)的计算式子为：式中，Simj(c,k)是目标用户c和用户k对商品j的相似度值，n是参与评分的商品数，且j＝{1,2,...,n}，rcj是目标用户c对商品j的评分值，是目标用户c对所有商品的平均评分值，rkj是用户k对商品j的评分值，是用户k对所有商品的平均评分值，tcj是目标用户c对商品j进行评分时的时间，tkj是用户k对商品j进行评分时的时间，Zc(t)是用户c的兴趣衰减综合程度值，Zk(t)是用户k的兴趣衰减综合程度值,tmax是用户-评分时间矩阵R中最大时间，tmin是用户-评分时间矩阵R中最小时间。有益效果：将用户-商品评分矩阵和用户-评分时间矩阵结合起来对用户c和用户k对商品j的相似度值进行计算，该算法充分考虑了随着时间推移用户兴趣的变化情况，该做法更符合客观规律，得到的用户之间的相似度值准确度更高，为后续准确地向用户推荐商品打下了基础。作为优选，预测评分单元221，用于根据得到的相似度，计算目标用户c对未进行评分的商品的预测评分，根据得到的预测评分对商品进行降序排列，从排序后的商品中选择前N个商品生成商品推荐列表，并将该商品推荐列表传输至用户终端3，N为自定义的推荐商品数。其中，计算目标用户c对未评价的商品进行预测评分，具体是利用下方的预测评分公式进行计算：式中，Score(c,s)是目标用户c对之前未评分商品s的预测评分值，是所有已评分用户对商品s的平均评分，rks是用户k对商品s的评分值，tcur是产生推荐行为的当前时间，tcs是目标用户c对商品s的评分时间，tks是用户k对商品s的评分时间，Sims(c,k)是目标用户c和用户k对商品s的相似度值,Ω是目标用户c的最近邻用户集合,且Ω＝{1,2,…,k,…,M}。有益效果：在利用用户之间对商品的相似度值对未评分的商品进行预测评分时，通过引入来模拟用户的兴趣变化，该算法解决了用户兴趣变化商品进行预测评分时的影响，提高了预测评分的准确度。考虑到当前推荐时间和实际对商品进行评分时间对商品推荐的影响，该算法考虑了兴趣随时间变化的影响，使得推荐输出结果更接近实际情况，加入了对产生推荐的当前时间信息的考虑，提高了推荐的本文档来自技高网...

【技术保护点】
1.一种基于用户兴趣变化的电子商务推荐系统，其特征是，包括建模模块、推荐生成模块和用户终端；所述建模模块，用于从电子商务网站的服务器中获取用户数据，根据获取的用户数据构建用户‑商品评分矩阵U和用户‑评分时间矩阵R；所述推荐生成模块用于根据用户‑商品评分矩阵U和用户‑评分时间矩阵R生成商品推荐列表，并将所述商品推荐列表推送至所述用户终端；所述用户终端用于接收所述商品推荐列表。

【技术特征摘要】
1.一种基于用户兴趣变化的电子商务推荐系统，其特征是，包括建模模块、推荐生成模块和用户终端；所述建模模块，用于从电子商务网站的服务器中获取用户数据，根据获取的用户数据构建用户-商品评分矩阵U和用户-评分时间矩阵R；所述推荐生成模块用于根据用户-商品评分矩阵U和用户-评分时间矩阵R生成商品推荐列表，并将所述商品推荐列表推送至所述用户终端；所述用户终端用于接收所述商品推荐列表。2.根据权利要求1所述的电子商务推荐系统，其特征是，所述用户终端为智能手机或者平板电脑。3.根据权利要求2所述的电子商务推荐系统，其特征是，所述用户-商品评分矩阵U＝(uij)m×n，所述用户-评分矩阵R＝(rij)m×n，其中，uij是用户i对商品j的评分值，rij是用户i对商品j评分发生时间，i＝1,2,…,m，m是用户数，j＝1,2,…,n，n是商品数。4.根据权利要求3所述的电子商务推荐系统，其特征是，所述推荐生成模块包括信息处理子模块和推荐子模块；所述信息处理子模块，用于对所述用户-商品评分矩阵U和所述用户-评分时间矩阵R进行处理，得到能够描述用户随时间推移对商品兴趣衰减程度的兴趣衰减综合程度值；所述推荐子模块，用于根据得到的兴趣衰减综合程度值和所述用户-商品评分矩阵U，计算用户对商品的预测评分，根据得到的预测评分对商品进行降序排列，从排序后的商品中选择前N个商品生成商品...

【专利技术属性】
技术研发人员：韦德远，
申请(专利权)人：梧州井儿铺贸易有限公司，
类型：发明
国别省市：广西,45