一种基于阶段的动态产品推荐方法技术

本发明专利技术属于数据挖掘领域，具体涉及一种基于阶段的动态产品推荐方法。它包括分割用户购买记录、对用户长期偏好进行建模、构建多模态图和进行随机游走推理，最终得到产品推荐列表。本发明专利技术与现有技术相比，其显著优点是灵活性强，可靠性高，实用性高。

【技术实现步骤摘要】

本专利技术属于数据挖掘领域，尤其是涉及。
技术介绍
由于向人们推荐他们感兴趣的产品产生了越来越多的经济效益，个性化推荐正变 得越来越受欢迎。许多的电子商务网站已经从产品推荐系统中获得了很大的利益。大部分 的研究者都尝试通过使用基于内容或者协同过滤或者混合前面两种技术的方式开发推荐 系统。然而，送种推荐模式不能有效的解决所有可能发生在现实应用中的事件。 在电子推荐系统中，存在一类特殊的推荐问题，即用户的购买行为是随着时间而 改变的。在人的不同阶段，用户会偏好不同的商品。在送里使用基于商品的方法来做个性 化推荐是不合理的，因为不同时期购买的商品可能会完全不同。通常，一个商品分类方法是 和一个推荐系统相关联的，送样客户能很容易的转向不同的产品类别。
技术实现思路
本专利技术的目的是针对现有的产品推荐中存在的问题，提出一种适用性强、可靠性 好的动态产品推荐方法。 实现本专利技术目的的技术解决方案为： 将产品分类知识用来形式化用户的长期偏好，同时获取用户的兴趣变化。然而，仅仅有 长期偏好并不能提供足够的证据来得到用户的当前愿望。对于进入一个新的购买阶段的客 户来说，他可能会喜欢W前从来没有购买过的商品类型。因此，仅考虑用户的长期偏好是不 能获取他的意愿的。为了解决送个问题，我们提出通过分析相似用户购买行为来探索用户 的短期偏好。[000引具体步骤如下： 1、 分割用户的购买记录，将其分为不同阶段：定义一个统一的时间片T作为一个分割 单位，然后根据T来分割购买记录H，即H=化t。，Hti,…，HJ，其中t。表示当前阶段，即最近购 买时期，对于每个时期，我们都使用商品分类法对用户行为Hti进行建模； 2、 使用产品分类方法对用户的长期偏好进行建模；对用户长期偏好进行建模包括生 成用户信息W及模型改善；生成用户信息：假设基本的类别向量为<Ci，C2, C3, C4, C5〉，权重 类别向量=<1，2, 0, 1，1〉，其中每一项表示用户对相应的类别的隐式评分。在送个表达 式中，我们赋予产品分类中更高层的类别更大的权重，W避免陷入特定的主题W及失去对 用户偏好的整体认知。权重类别向量是12归一化的。最后，我们定义用户的长期信息为 Rui=TR笠，，R這，…}，同时我们可W确定Ui的当前推荐阶段为Htc ; 模型改善：我们通过指定H种不同的相似度用户与用户的相似度（S。)，产品之间的相 似度（Si),类别之间的相似度（S。)，进一步的形式化送个基于分类的信息模型。 3、基于与目标用户相似的用户的购买行为构建一张多模态图；建立一个节点包括 用户、产品和类别的多模态图，而节点之间的边的权重由邻接矩阵W确定。Up、Pp、P。分别表 示用户与产品、用户与类别、产品与类别之间的关系，建立一个邻接矩阵W，节点之间的边 的权重由邻接矩阵W确定。 4、在构建的多模态图上进行随机游走推理，得到最终的推荐列表： 执行随机游走原理RWR来取得与给定用户q高度相关的元素，在向量ij誦!議5^.;?选 择一个排在顶端的元素子集e，如果是用户，则选择最近购买的产品放进推荐列表1 中；如果Gi是产品，则直接将Gi放进1中；如果Gi是类别，则选择对Gi的IC值贡献最大的 产品放进1中。送样就得到了最终的产品推荐列表。 本专利技术与现有技术相比，其显著优点是： 1. 灵活性强； 2. 可靠性高； 3. 头用性好。【附图说明】 图1是产品分类示意图。 图2是动态推荐过程示意图。 图3是随机游走推理算法示意图。【具体实施方式】 W下结合附图，详细说明本专利技术的实施方式。 结合图1，本专利技术的动态产品推荐方法中，定义几个集合；用户知识库U={ui，U2,… ，U。}，U包括电子商务网站上的所有用户；产品知识库P= {Pi，P2,…，PmK P包括电子商务网 站上提供的所有产品；用户评价R=出1，R2,…，R。}，R包括用户对产品的所有评价信息；产品 类别C= {Ci，C2,…，CiJ，一件产品只能属于一个特定的类别。[001引首先提取Ui的交易数据，Ri={p4i，P5i，化J。对于Ri中的每个项目，我们定位了其 直接所属的细粒度类别即C4,然后从底到顶遍历送个分类W获得从送个类别开始的类别路 径，即C4 一 Cl。接下来将P41上的评价得分转换为类别路径，即将路径上的每个类别定义设 为"1"。因此，我们汇总了每个类别的评价得分，并用一个权重类别向量表示用户阶段信息。 结合图2,本专利技术的动态产品推荐方法中，商品的动态推荐过程包括分割用户的购 买记录、对用户长期偏好进行建模、构建多模态图，最后是进行随机游走推理，W得到最终 的推荐列表。 分割用户的购买记录：定义一个统一的时间片T作为一个分割单位，然后根据T来 分割购买记录H，即H=化t。，Hti,…，HJ，其中t。表示当前阶段，即最近购买时期。对于每个 时期，我们都使用商品分类法对用户行为Hti进行建模。 对用户长期偏好进行建模包括生成用户信息W及模型改善。 生成用户信息；假设基本的类别向量为<Ci，C2, C3, C4, C5〉，权重类别向量巧洁 =<1，2, 0, 1，1〉，其中每一项表示用户对相应的类别的隐式评分。在送个表达式中，我们赋予 产品分类中更高层的类别更大的权重，W避免陷入特定的主题W及失去对用户偏好的整体 认知。权重类别向量是12归一化的。最后，我们定义用户的长期信息为Rui={Rl， ，R器，…}，同时我们可W确定Ui的当前推荐阶段为Ht。。 模型改善；我们通过指定H种不同的相似度，进一步的形式化送个基于分类的信 息模型。 用户与用户的相似度（S。）；用户之间的相似性产生自两个不同的组件：用户与产 品之间的相似性Sui和用户与类别之间的相似性S。。。给定两个用户Ui和U2, Sui可W通过送 两个用户所购头的广品集合1。1, 1。2之间的化CCard相似度求得,而Suc可W由送两个用户可 确定的阶段信息向量Rui, Ru2之间的Consine相似度求得。 通过送种方式我们可W很容易的得到来自分类层次和实际购买行为层次的两个 用户的相关度。产品之间的相似度（Si):产品之间的相似度可W由产品到产品的协同过滤计算得 到。给定一个产品P，我们的目的是找到与P相似的产品；送里的相似指的是购买送两个产 品的用户集Upi、Up2具有相当的重叠。我们使用化ccard相似性来得到Si扣。1，Up2)，即 务:接挪还礙置麥与鑛粋''轮爲翠类八鸣:互:姑蘇狂;} 类别之间的相似度（S。）；送个相似度可W帮助确定在一个产品分类里面两个不同类别 的语义相关性。我们使用信息内容（IC)来计算S。，IC衡量了一个给定的类别C的发生概 率的信息数量，在我们的例子中就是在类别C中产品被购买的概率。IC越大，送个类别就越 受欢迎。IC(C)= -log P(C)D使用一个分类中最小公共包含的IC来计算一对内容的相关 性。则构建多模态图：多模态图包括多种资源，如用户、产品和类别之间多种类型的联系，即 用户与用户、产品与产品、类别与类别之间的关系等等。我们将送个图封装成一个邻接矩 阵。令Up、Pp、P。分别表示用户与产品、用户与类别、产品与类别之间的关系，建立一个邻接 矩阵，其中Uu、Pp、C。本文档来自技高网...

【技术保护点】
一种基于阶段的动态产品推荐方法，其特征在于以下步骤：a.首先分割用户的购买记录，将其分为不同阶段：定义一个统一的时间片T作为一个分割单位，然后根据T来分割购买记录H，即H={Ht0,Ht1,…,Htn}，其中t0表示当前阶段，即最近购买时期，对于每个时期，都使用商品分类法对用户行为Hti进行建模；b.使用产品分类方法对用户的长期偏好进行建模：对用户长期偏好进行建模包括生成用户信息以及模型改善；生成用户信息：假设基本的类别向量为<c1,c2,c3,c4,c5>,权重类别向量=<1,2,0,1,1>，其中每一项表示用户对相应的类别的隐式评分;权重类别向量是l2归一化的,用户的长期信息为Ru1={,,,…},确定u1的当前推荐阶段为Ht0；c.基于与目标用户相似的用户的购买行为构建一张多模态图；建立一个节点包括用户、产品和类别的多模态图，而节点之间的边的权重由邻接矩阵W确定;Up、Pp、Pc分别表示用户与产品、用户与类别、产品与类别之间的关系， ;d.在构建的多模态图上运用随机游走推理，得到最终的推荐列表：执行随机游走原理RWR来取得与给定用户q高度相关的元素，在向量选择一个排在顶端的元素子集e，如果ei是用户，则选择ei最近购买的产品放进推荐列表l中；如果ei是产品，则直接将ei放进l中；如果ei是类别，则选择对ei的IC值贡献最大的产品放进l中,进而得到最终的产品推荐列表。...

【技术特征摘要】

【专利技术属性】
技术研发人员：李涛，刘敏，李千目，侯君，徐建，
申请(专利权)人：南京理工大学常熟研究院有限公司，
类型：发明
国别省市：江苏;32