一种智能商品推荐系统技术方案

本发明专利技术涉及一种智能商品推荐系统，包括依次连接的信息初始化模块，商品展示模块和调整模块，所述信息初始化模块用于构建用户和物品的评分矩阵、用户和用户之间的信任矩阵、用户物品的评论文档集，初始化用户对物品的偏好矩阵；所述商品展示模块用于识别当前场景，通过用户对物品的偏好矩阵计算得到偏好值排在前K位的商品，并将商品信息展示在软件页面，并收集用户对商品的反馈信息；所述调整模块用于调整评分矩阵、信任矩阵、评论文档集和偏好矩阵。本发明专利技术实现了对多种数据源的融合利用，为用户个性化推荐一个商品列表，并根据反馈信息对用户喜欢的商品列表进行实时调整，提高了系统的推荐质量。

An Intelligent Commodity Recommendation System

The present invention relates to an intelligent commodity recommendation system, which includes an information initialization module connected sequentially, a commodity display module and an adjustment module. The information initialization module is used to construct a rating matrix of users and items, a trust matrix between users and users, a set of comment documents of users'items, and initialize a preference matrix of users for items. In the current scenario, the goods with the highest preference value K are obtained by calculating the preference matrix of the items, and the information of the goods is displayed on the software page, and the feedback information of the users is collected. The adjustment module is used to adjust the score matrix, trust matrix, review document set and preference matrix. The invention realizes the integration and utilization of various data sources, recommends a commodity list for the user individually, and adjusts the commodity list that the user likes in real time according to the feedback information, thus improving the recommendation quality of the system.

【技术实现步骤摘要】
一种智能商品推荐系统
本专利技术涉及信息处理
，尤其涉及一种智能商品推荐系统。
技术介绍
现有的网站中都有喜好推荐的功能，通过其系统内部的一系列核心算法寻找到用户可能感兴趣的新闻或商品，并显示在首页靠前的位置。其判断用户偏好的方法大致有两种，其一为利用用户对物品的打分信息，基于协同过滤的方法寻找具有相似打分行为的邻居，并将该邻居喜欢的商品推荐给用户；其二为利用用户注册信息和商品基本信息，通过内容的推荐方法，为用户推荐其感兴趣的物品。目前各个网站在推荐方法上都较为类似，即首先分析商品相关数据源，并计算用户对各商品的偏好程度。在需要向用户推荐商品时，获取计算好了的用户对物品的偏好矩阵，给定推荐数目K，将偏好值最高的前K个商品推荐给用户。现有的推荐方法存在如下的缺点：其对用户和物品之间偏好的挖掘不充分，因此最后推荐给用户的商品与用户真实喜欢的商品存在较大差距。其基于用户与物品的评分关系做出推荐，忽略了其它数据源，如社交信息、评分信息，并且在为用户推荐其感兴趣的商品列表时，忽略了商品之间的排序关系。每次推荐都是采用相同的数据得到相似结果，忽略了用户偏好的动态性，当推荐商品与用户偏好不符合时系统不能自行调整使其下次推荐更加准确。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种智能商品推荐系统，该系统能够收集用户、物品的基本信息以及用户对物品的交互行为数据，并对数据进行分析处理，挖掘用户偏好，提高系统为用户推荐商品列表的排序质量，并为用户生成其感兴趣的个性化商品库，根据用户的偏好自行调整推荐的商品列表，为用户进行个性化推荐，提高推荐质量。为达到上述目的，本专利技术采用如下技术方案：一种智能商品推荐系统，包括依次连接的信息初始化模块，商品展示模块和调整模块，所述信息初始化模块用于构建用户和物品的评分矩阵、用户和用户之间的信任矩阵、用户物品的评论文档集，初始化用户对物品的偏好矩阵；所述商品展示模块用于识别当前场景，通过用户对物品的偏好矩阵计算得到偏好值排在前K位的商品，并将商品信息展示在软件页面，并收集用户对商品的反馈信息；所述调整模块用于调整评分矩阵、信任矩阵、评论文档集和偏好矩阵。所述信息初始化模块包括获取单元和计算单元，所述获取单元用于获取商品相关的数据源；所述计算单元用于计算用户u和用户v之间的信任强度TN[u,v]、相似度TS[u,v]、综合信任度T[u,v]，并计算更新用户对物品的偏好矩阵RP。所述获取单元获取的商品相关的数据源的形式为：P＝{Ui|i＝1,2,3,…}Q＝{Vj|j＝1,2,3,…}R＝{Rij|i∈U,j∈V}S＝{Sij|i,j∈U}RP＝{RPij|i∈U,j∈V}其中：P为用户集，Ui为用户集合中的用户；Q为物品集，Vj为物品集合中的物品；R为评分矩阵，Rij表示用户i对物品j的评分值；S为社交矩阵，Sij为用户i对用户j的信任关系；RP是偏好矩阵，RPij表示用户i对物品j预测的评分值。所述商品展示模块包括展示单元和反馈单元；所述展示单元用于从用户对物品的偏好矩阵中获取偏好值排在前K位的商品，将其展示在页面；所述反馈单元用于收集最新的用户对商品的交互行为数据，并分析这些数据，实时调整权值。与现有技术相比，本专利技术具有如下的优点：本专利技术信息初始化模块利用其获取单元获取用户和商品的相关数据源信息，并且其计算单元作为系统的引擎，利用本专利技术提出的基于多源信息融合的排序推荐算法来计算用户对物品的偏好矩阵。商品展示模块则利用其展示单元将偏好矩阵中用户偏好值排在前K位的商品进行展示，并利用模块中的反馈单元来收集该展示页面用户对商品的反馈行为。调整模块则利用其基础数据调整单元从商品展示模块中的反馈单元获取最新数据来更新数据源，并调用初始化模块中的计算单元来计算更新用户对物品的偏好矩阵。这三个模块形成一个整体，相互作用，能够准确挖掘用户的偏好，提高了推荐质量。附图说明图1是本专利技术智能商品推荐系统的组成结构示意图。具体实施方式下面结合附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。如图1所示，一种智能商品推荐系统，包括依次连接的信息初始化模块1，商品展示模块2和调整模块3，所述信息初始化模块1用于构建用户和物品的评分矩阵、用户和用户之间的信任矩阵、用户物品的评论文档集，初始化用户对物品的偏好矩阵；所述商品展示模块2用于识别当前场景，通过用户对物品的偏好矩阵计算得到偏好值排在前K位的商品，并将商品信息展示在软件页面；所述调整模块3用于调整评分矩阵、信任矩阵、评论文档集和偏好矩阵。所述信息初始化模块1包括获取单元和计算单元，所述获取单元用于获取商品相关的数据源；所述计算单元用于计算用户u和用户v之间的信任强度TN[u,v]、相似度TS[u,v]、综合信任度T[u,v]，并计算更新用户对物品的偏好矩阵RP。所述获取单元获取的商品相关的数据源的形式为：P＝{Ui|i＝1,2,3,…}Q＝{Vj|j＝1,2,3,…}R＝{Rij|i∈U,j∈V}S＝{Sij|i,j∈U}RP＝{RPij|i∈U,j∈V}其中：P为用户集，Ui为用户集合中的用户；Q为物品集，Vj为物品集合中的物品；R为评分矩阵，Rij表示用户i对物品j的评分值；S为社交矩阵，Sij为用户i对用户j的信任关系；RP是偏好矩阵，RPij表示用户i对物品j预测的评分值。计算单元中，用户u、v之间的信任强度TN、相似度TS、综合信任度T的计算方式分别如下：Tu,v＝α×TNu,v+(1-α)×TSu,v上式中，TNu,v表示用户u对用户v的信任强度，d-(nv)表示用户v被关注的数量，d+(nu)表示用户u关注的用户数量；TSu,v表示用户u对用户v的相似度，Lu表示用户u的信任好友列表集合，Lv表示用户v的信任好友列表集合；Tu,v表示用户u对用户v的综合信任度，α表示授信度系数。将评分矩阵R、综合信任度矩阵T、评论文档集D，输入如下基于多源信息融合的排序推荐算法模型L(u,v)，进行训练，当函数损失值小于一定值时，得到用户的隐藏属性特征矩阵U，物品的隐藏属性特征V：上式中，M表示用户数量；N表示物品数量；U为用户隐藏属性特征，V为物品隐藏属性特征；λrel、λrev、λw为正则项系数，目的是为了防止模型过拟合；cnn是提取物品文本信息隐藏特征的卷积神经网络模型，W为卷积神经网络参数矩阵，X为模型的文档输入向量。根据训练得到的矩阵U和V计算用户对物品的偏好矩阵RP，计算方式如下：RP＝UTV所述商品展示模块2包括展示单元和反馈单元；所述展示单元用于从用户对物品的偏好矩阵中获取偏好值排在前K位的商品，将其展示在页面；所述反馈单元用于收集最新的用户对商品的交互行为数据，如用户对商品的评分和评论，还有用户关注的好友等信息，并分析这些数据，实时调整权值。所述调整模块3用于调整评分矩阵、信任矩阵、评论文档集和偏好矩阵。本文档来自技高网...

【技术保护点】
1.一种智能商品推荐系统，包括依次连接的信息初始化模块(1)，商品展示模块(2)和调整模块(3)，其特征在于，所述信息初始化模块(1)用于构建用户和物品的评分矩阵、用户和用户之间的信任矩阵、用户物品的评论文档集，初始化用户对物品的偏好矩阵；所述商品展示模块(2)用于识别当前场景，通过用户对物品的偏好矩阵计算得到偏好值排在前K位的商品，并将商品信息展示在软件页面，并收集用户对商品的反馈信息；所述调整模块(3)用于调整评分矩阵、信任矩阵、评论文档集和偏好矩阵。

【技术特征摘要】
1.一种智能商品推荐系统，包括依次连接的信息初始化模块(1)，商品展示模块(2)和调整模块(3)，其特征在于，所述信息初始化模块(1)用于构建用户和物品的评分矩阵、用户和用户之间的信任矩阵、用户物品的评论文档集，初始化用户对物品的偏好矩阵；所述商品展示模块(2)用于识别当前场景，通过用户对物品的偏好矩阵计算得到偏好值排在前K位的商品，并将商品信息展示在软件页面，并收集用户对商品的反馈信息；所述调整模块(3)用于调整评分矩阵、信任矩阵、评论文档集和偏好矩阵。2.根据权利要求1所述的智能商品推荐系统，其特征在于，所述信息初始化模块(1)包括获取单元和计算单元，所述获取单元用于获取商品相关的数据源；所述计算单元用于计算用户u和用户v之间的信任强度TN[u,v]、相似度TS[u,v]、综合信任度T[u,v]，并计算更新用户对物品的偏好矩阵RP。3.根据权利要求2所述的智能商品推荐系统，其特征在于，所述获取单元获取的商品相关的数据源的形式为：P＝{Ui|i＝1,2,3,…}Q＝{Vj|j＝1,2,3,…}R＝{Rij|i∈U,j∈V}S＝{Sij|i,j∈U}RP＝{RPij|i∈U,j∈V}其中：P为用户集，Ui为用户集合中的用户；Q为物品集，Vj为物品集合中的物品；R为评分矩阵，Rij表示用户i对物品j的评分值；S为社交矩阵，Sij为用户i对用户j的信任关系；RP是偏好矩阵，RPij表示用户i对物品j预测的评分值。4.根据权利要求2所...

【专利技术属性】
技术研发人员：徐亚元，樊蓓蓓，吴肖琳，
申请(专利权)人：上海大学，
类型：发明
国别省市：上海,31