【技术实现步骤摘要】
本专利技术属于数据挖掘
，具体涉及一种推荐系统技术。
技术介绍
随着Internet和电子商务的飞速发展，商品信息爆炸式增长，消费者陷入海量信息中，很难快速且有效地做出购买决策。为了让顾客在购买商品时尽可能少地浏览无关信息，提高系统挖掘长尾商品的能力，推荐系统应运而生，不仅能够提供个性化推荐，提高用户忠诚度，还能够提高购买转化率，增加销售量。协同过滤是推荐系统中应用最广泛的算法，它主要分为基于内存(Memory_based)和基于模型(Model_based)，而基于内存的推荐算法中查找最近邻的重点——相似度计算只是简单的将用户分配到某个兴趣群体中，没有考虑用户兴趣的多元化，评分数据稀疏问题严重影响推荐准确性，而且没有考虑负样本对用户兴趣进行负向惩罚。同时对于商品推荐系统而言，分类问题影响着推荐的准确度，例如商品分类的粒度大小、分类角度、一个商品不能简单的划到某个单一类别中等。
技术实现思路
本专利技术的目的在于提供一种基于评分和用户行为的商品推荐方法,以解决数据稀疏和用户兴趣缺乏多元化的问题，提高用户兴趣模型的精确，提高推荐的准确度。为了解决以上技术问题，针对上述问题，本专利技术基于用户评分的隐因子模型(LFM)对商品自动聚类，找出隐含的类别或者特征，用户兴趣pu分解成对多个隐含类别的喜爱程度，商品qi用包含这些隐含特征的权重表示，预测评分可以建模为两者的内积,即R＝pu*qi；基于用户行为的逻辑回归模型将提取的用户行为特征featureu＝{x1,x2,x3,...,yu
【技术保护点】
一种基于评分和用户行为的商品推荐方法，其特征在于：分别针对评分利用隐因子模型预测未知评分，针对用户行为特征利用逻辑回归模型估计用户购买某一商品的可能性，具体包含以下步骤：步骤1：构建用户‑商品评分矩阵，建立隐因子模型即LFM，利用LFM对商品进行自动聚类，找出隐含的类别或特征因子，利用随机梯度下降法优化求解，将用户兴趣pu分解成对多个隐含类别的喜爱程度，商品qi用包含这些隐含特征的权重表示，用户对商品的喜爱程度建模为两者的内积，即R＝pu*qi，将目标用户预测评分较高的商品集作为推荐候选集S；步骤2：首先对用户行为数据进行预处理，提取用户的行为特征featureu＝{x1,x2,x3,...,yu}，作为逻辑回归模型的输入参数，然后利用随机梯度下降法优化求解，求出影响用户兴趣特征的回归系数，来估计目标用户对商品购买的可能性，将目标用户购买可能性较大的商品集作为推荐候选集G；步骤3：首先对所述候选集S中评分数值进行归一化处理，然后与所述候选集G进行加权组合排序，最后将排序前10名的商品推荐给用户。
【技术特征摘要】
1.一种基于评分和用户行为的商品推荐方法，其特征在于：分别针对评分利用隐因子模型预测未知评分，针对用户行为特征利用逻辑回归模型估计用户购买某一商品的可能性，具体包含以下步骤：步骤1：构建用户-商品评分矩阵，建立隐因子模型即LFM，利用LFM对商品进行自动聚类，找出隐含的类别或特征因子，利用随机梯度下降法...
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。