The invention discloses a product recommendation method based on time dynamic characteristics, which includes: collecting purchase records, comment records and product description information of users in the target time period, dividing the target time period into time slice sequences, and generating user's score matrix for products; obtaining relative levels of attributes of products for representing attributes of products in the time slice of products. Grade: According to the information collected and the relative level of product attributes, the user similarity of any two users and the product similarity of any two products under the same user's attention are obtained; the user's score of products is predicted according to the user similarity and product similarity, and the optimization function is determined according to the prediction results; the score matrix is decomposed and the optimization letter is used. The results of matrix decomposition are adjusted to minimize the value of the optimization function, so as to generate the recommendation list for each user and complete the product recommendation for users. The invention can effectively improve the accuracy of product recommendation.
【技术实现步骤摘要】
一种基于时间动态特性的产品推荐方法
本专利技术属于基于机器学习的产品推荐
,更具体地,涉及一种基于时间动态特性的产品推荐方法。
技术介绍
电子商务的爆炸式增长导致了推荐系统的迅速发展,推荐系统已成为数据挖掘(DM)和人工智能(AI)领域的研究热点,目前已经广泛应用于实现电子商务服务、基于位置的服务和新闻推送等各种服务之中。推荐系统通过产生一个个性化的推荐列表有效地缓解由产品大量增加而造成的信息过载,并通过主动提供定制化的购买建议来激发用户的购物欲望。对于许多现代电子商务网站,如亚马逊、淘宝、Ebay等,产品推荐在有效改善用户体验,促进销售等方面起着至关重要的作用,在商业和学术界引起了广泛的关注。基于内容的产品推荐方法和协同过滤模型是目前广泛采用的两种产品推荐方法,这两种产品推荐方法既会考虑产品的各个产品属性,也会针对用户的历史行为(例如浏览历史、评级、评论)进行建模,能够准确地预测用户对不同产品的兴趣,从而更好地满足用户的个人需求。但是,基于内容的方法只针对在用户购买历史中出现的特征,而忽略了产品属性的实时性特点,难以直接处理更新频率较快的产品(如电子产品);协同过滤模型将用户首选项和产品概要文件视为静态信息,与用户偏好和产品配置文件可能随着时间的推移而动态变化的事实不符,推荐准确性得不到保证。考虑到在现实生活中,产品的竞争力并不是恒定的,通常会随着时间的推移而逐渐下降,许多基于上下文的推荐方法被提出来,这些方法通过引入时间因素,能够提高推荐准确性。此类方法通常依赖于人们的一个认知,即最近的信息(例如,最后购买的产品)比以前更有用。因此,与当前的时间 ...
【技术保护点】
1.一种基于时间动态特性的产品推荐方法,其特征在于,包括:(1)收集目标时间段内用户的购买记录、评论记录及产品描述信息,将所述目标时间段划分为时间片序列,并根据所述评论记录生成用户对产品的评分矩阵;(2)根据所述产品描述信息获得各产品的属性相对水平,用于表示产品各属性在产品所属时间片内的档次;(3)根据所收集的信息以及产品的属性相对水平,获得任意两个用户的用户相似度,以及任意两个产品在同一用户关注度下的产品相似度;(4)根据所述用户相似度和所述产品相似度预测用户对产品的评分,并根据预测结果确定优化函数;(5)对所述评分矩阵进行分解,并根据所述优化函数对矩阵分解结果进行调整,以得到使得所述优化函数取值最小的目标用户隐性特征矩阵和目标产品隐性特征矩阵,从而生成各用户的推荐列表,完成对用户的产品推荐;其中,产品所属时间片为产品生产的时间点所在的时间片,所述属性相对水平包括属性水平下界和属性水平上界。
【技术特征摘要】
1.一种基于时间动态特性的产品推荐方法,其特征在于,包括:(1)收集目标时间段内用户的购买记录、评论记录及产品描述信息,将所述目标时间段划分为时间片序列,并根据所述评论记录生成用户对产品的评分矩阵;(2)根据所述产品描述信息获得各产品的属性相对水平,用于表示产品各属性在产品所属时间片内的档次;(3)根据所收集的信息以及产品的属性相对水平,获得任意两个用户的用户相似度,以及任意两个产品在同一用户关注度下的产品相似度;(4)根据所述用户相似度和所述产品相似度预测用户对产品的评分,并根据预测结果确定优化函数;(5)对所述评分矩阵进行分解,并根据所述优化函数对矩阵分解结果进行调整,以得到使得所述优化函数取值最小的目标用户隐性特征矩阵和目标产品隐性特征矩阵,从而生成各用户的推荐列表,完成对用户的产品推荐;其中,产品所属时间片为产品生产的时间点所在的时间片,所述属性相对水平包括属性水平下界和属性水平上界。2.如权利要求1所述的基于时间动态特性的产品推荐方法,其特征在于,所述步骤(2)包括:对于任意一个产品pj,根据所述产品描述信息获得所述产品pj时间片Tq内生产的所有产品,从而得到产品集合获得所述产品集合中在任意第k个产品属性的配置上弱于所述产品pj的产品数量Ninf(pj),以计算所述产品pj在第k个产品属性上的属性水平下界为:获得所述产品集合中在第k个产品属性的配置上强于所述产品pj的产品数量Nsup(pj),以计算所述产品pj在第k个产品属性上的属性水平上界为:根据所述属性水平下界和所述属性水平上界得到所述产品pj在第k个产品属性上的属性相对水平;其中,表示所述产品集合中的产品数量。3.如权利要求1所述的基于时间动态特性的产品推荐方法,其特征在于,所述步骤(3)还包括:根据所述评论记录分别获得各产品属性在各用户的评论记录中出现的次数,并由此获得各用户对不同产品属性的关注程度,其计算公式如下:其中,i表示用户编号,k表示产品属性编号,ci,k表示第k个产品属性在第i个用户的评论记录中出现的次数,Xi,k表示第i个用户对第k个产品属性的关注程度,N表示评分区间数。4.如权利要求3所述的基于时间动态特性的产品推荐方法,其特征在于,所述步骤(3)中,获得任意两个用户ui1和ui2的用户相似度的方法包括:根据所述购买记录分别获得所述用户ui1和ui2购买过的产品,并根据各用户购买过的产品的属性相对水平获得各用户的消费水平;所述各用户的消费水平包括:所述用户ui1的消费水平下界和消费水平上界以及所述用户ui2的消费水平下界和消费水平上界根据所述消费水平下界和计算所述用户ui1和ui2的消费水平下界的相似度为:根据所述消费水平上界和计算所述用户ui1和ui2的消费水平上界的相似度为:根据所述相似度KLL(ui1,ui2)和所述相似度KLU(ui1,ui2)计算所述用户ui1和所述用户ui2的用户相似度为:其中,ε3为预设的调节系数,k表示产品属性编号,K表示产品属性总数。5.如权利要求4所述的基于时间动态特性的产品推荐方法,其特征在于,对于任意一个用户ui,根据所述用户ui购买过的产品的属性相对水平获得所述用户ui的消费水平,包括:获得由所述用户ui购买过的产品构成的产品集合根据所述产品集合中的各产品在第k个产品属性上的属性水平下界计算所述用户ui的消费水平下界为:根据所述产品集合中的产品在第k个产品属性上的属性水平上界计算所述用户ui的消费水平上界为:根据所述消费水平下界和所述消费水平上界得到所述用户ui的消费水平;其中,和分别表示所述产品集合中的产品pj在第k个产品属性上的属性水平下界和属性水平上界,表示所述产品集合中的产品数量。6.如权利要求3所述的基于时间动态特性的产品推荐方法,其特征在于,所述步骤(3)中,获得在任意一个用户ui的关注度下,任意两个产品pj1和pj2的产品相似度的方法包括:对所述评论记录进行情感分析以得到大众用户对...
【专利技术属性】
技术研发人员:李国徽,陈奇,周全,李剑军,魏明,胡志勇,徐萍,石才,谭敏,
申请(专利权)人:华中科技大学,武汉烽火技术服务有限公司,
类型:发明
国别省市:湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。