一种基于时间动态特性的产品推荐方法技术

本发明专利技术公开了一种基于时间动态特性的产品推荐方法，包括：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，将目标时间段划分为时间片序列，并生成用户对产品的评分矩阵；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；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；根据用户相似度和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；对评分矩阵进行分解，并根据优化函数对矩阵分解结果进行调整，以使得优化函数取值最小，从而生成各用户的推荐列表，完成对用户的产品推荐。本发明专利技术能够有效提高产品推荐的准确度。

A Product Recommendation Method Based on Time Dynamic Characteristics

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，与当前的时间点更近的例子会得到更高的权重。然而，由于购买周期电子产品通常超过一年(例如，电脑，手机等)，而电子产品本身更新换代的速度也较快，因此最近的购买记录很可能失去了时效性，也即是说，在诸如电子产品等领域特定产品推荐中，上述基于上下文的产品方法并不适用。
技术实现思路
针对现有技术的缺陷和改进需求，本专利技术提供了一种基于时间动态特性的产品推荐方法，其目的在于，在产品的竞争力随时间动态变化的情况下提高产品推荐的确度。为实现上述目的，本专利技术提供了一种基于时间动态特性的产品推荐方法，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，将目标时间段划分为时间片序列，并根据评论记录生成用户对产品的评分矩阵；(2)根据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)根据用户相似度和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)对评分矩阵进行分解，并根据优化函数对矩阵分解结果进行调整，以得到使得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，属性相对水平包括属性水平下界和属性水平上界。本专利技术所提供的基于时间动态特性的产品推荐方法，通过将连续时间划分为离散的时间片序列，能够根据一个特定的度量标准(例如，以周、月来进行划分)来研究用户的访问行为，从而能够更好的比较不同时期的产品。进一步地，步骤(2)包括：对于任意一个产品pj，根据产品描述信息获得产品pj所属时间片Tq内生产的所有产品，从而得到产品集合获得产品集合中在任意第k个产品属性的配置上弱于产品pj的产品数量Ninf(pj)，以计算产品pj在第k个产品属性上的属性水平下界为：获得产品集合中在第k个产品属性的配置上强于产品pj的产品数量Nsup(pj)，以计算产品pj在第k个产品属性上的属性水平上界为：根据属性水平下界和属性水平上界得到产品pj在第k个产品属性上的属性相对水平；其中，表示产品集合中的产品数量。对于任意一个产品，通过获得同一时间片内属性配置弱于该产品的产品所占的比例，得到产品的属性水平下界，并通过获得同一时间片内属性配置强于该产品的产品所占的比例，得到产品的属性水平上界，能够清晰地反应在某一时期该产品各属性所在的档次，从而更够更好地反应产品的竞争力随时间动态变化的特性。进一步地，步骤(3)还包括：根据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。获得各用户对不同产品属性的关注程度，能够更为准确地获取特定用户对于某些产品属性的情感倾向，从而提高推荐准确度。更进一步地，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：根据购买记录分别获得用户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；各用户的消费水平包括：用户ui1的消费水平下界和消费水平上界以及用户ui2的消费水平下界和消费水平上界根据消费水平下界和计算用户ui1和ui2的消费水平下界的相似度为：根据消费水平上界和计算用户ui1和ui2的消费水平上界的相似度为：根据相似度KLL(ui1,ui2)和相似度KLU(ui1,ui2)计算用户ui1和用户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。由于产品的属性相对水平衡量了产品在某一时期各属性所在的档次，通过用户购买过的产品的属性相对水平计算用户的消费水平，并根据用户消费水平计算用户相似度，能够充分考虑时间因素对用户相似度的影响，在计算用户相似度时，还将用户对不同产品属性的关注程度考虑在内，使得所计算的用户相似度，能够使得所计算的用户相似度更为准确的刻画用户之间的相似程度，从而提高产品推荐的准确度。更进一步地，对于任意一个用户ui，根据用户ui购买过的产品的属性相对水平获得用户ui的消费水平，包括：获得由用户ui购买过的产品构成的产品集合根据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用户ui的消费水平下界为：根据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用户ui的消费水平上界为：根据消费水平下界和消费水平上界得到用户ui的消费水平；其中，和分别表示产品集合中的产品pj在第k个产品属性上的属性水平下界和属性水平上界，表示产品集合中的产品数量。更进一步地，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：对评论记录进行情感分析以得到大众用户对于各产品属性的情感评分；根据产品pj1和pj2在第k个产品属性上的属性水平下界和计算用户ui对产品pj1和pj2的属性水平下界的偏好程度相似度为：根据产品pj1和pj2在第k个产品属性上的属性水平下界和计算用户ui对产品pj1和pj2的属性水平上界的偏好程度相似度为：根据偏好程度相似度KIL(pj1,pj2,ui)和偏好程度相似度KIU(pj1,pj2,ui)计算产品pj1和pj2相对于用户ui的产品相似度为：其中，Yj1,k和Yj2,k分别为大众用户对产品p本文档来自技高网...

【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