一种基于购买用户行为分析的个性化推荐方法技术

本发明专利技术公开了一种基于购买用户行为分析的个性化推荐方法，首先通过基于修正PageRank方法计算出的产品权值，然后生成每个购买用户的兴趣模式特征向量。对每个用户兴趣模式的权值进行规范化处理，即采用每个用户最大频次去除其向量每一个频次值的方法进行规范化处理；对每两个用户兴趣模式特征向量求取最终的用户相似度；在个性化推荐环节上对于目标用户得到最为相似的其他用户序列。本发明专利技术改变了传统推荐方法中只考虑用户与产品的兴趣关联度的做法，增加产品本身质量的识别，以此改进推荐系统的效果。

Personalized recommendation method based on purchasing user behavior analysis

The invention discloses a recommended method of analysis of user behavior to buy personalized based on product weights calculated firstly by modified PageRank method based on the model, and then generate interest feature vector for each user to buy. For each user interest model weights are normalized, i.e. the maximum frequency of each user to remove the method vector for each frequency values are normalized; for the similarity of users take the final pattern of features of interest every two users in vector; personalized recommendation links for the target users get the sequence for other users similar. The invention changes the traditional recommendation method that only considers the correlation degree of the interest between the user and the product, and increases the identification of the quality of the product itself so as to improve the effect of the recommender system.

【技术实现步骤摘要】
一种基于购买用户行为分析的个性化推荐方法
本专利技术属于基于大数据的个性化推荐
，具体涉及一种基于购买用户行为分析的个性化推荐方法。
技术介绍
互联网技术的迅速发展导致大众获得的信息呈爆炸式增长的局面。信息过快增长会降低信息的使用率，也就是所谓的“信息超载”。个性化推荐是当前研究的热门领域，它可以在大量冗余信息中找到贴合用户需求的信息，因此，可以很好地提升用户体验，从而提升企业营销。通过相关的机器学习及数据挖掘技术，推荐系统挖掘用户的购买倾向，将用户可能感兴趣的物品推荐给用户。一个良好的推荐系统可以挖掘出用户潜在的消费偏好，为不同的用户提供针对性的服务。已有的基于用户或者物品的个性化推荐方法，其精度对用户数量、物品数量以及评价矩阵稀疏性具有依赖性，实践证明预测的精度很难让人满意。一般的网络建立方法都是从很多推荐客体关系中抽取出所需的相关性链接。如按照用户购买产品的先后次序，或者按照根据购买此产品用户之间的社交网络关系，据此建立产品之间的链接关系得到相关性链接网络图。这种产品相关性链接图应该是一个典型的网络结构，从实验分析来看，它也具有复杂网络的典型特点。值得说明的是，产品相关性链接图有很多生成方法，传统方法往往通过共同购买关系来构造，比如利用产品购买相关度计算的产品质量测度方法。可以认为对于同一用户而言，产品Item1如果能经常在购买过产品Item2后一个时间范围内被购买，则产品Item1和产品Item2就具有一定的产品购买相关性。该方法可以避免传统方法中认为购买量较高产品往往具有较高链入节点的特点，相反，只有具有较多产品购买相关性的产品才能形成较高的链入节点或者链出节点。从购买用户行为的角度来分析，可以认为用户在连续购买行为中，随着不断地了解所购商品的内容，更易于在后续的购买行为中购买到与产品内容相关的更为合适的相关产品资源。因此，该方法所获得的优质推荐产品往往在内容上更符合用户的预期兴趣特征，从而为个性化推荐服务提供了良好的推荐客体资源。在复杂网络结构中使用迭代计算方法可以得到权值收敛后的节点信息，如PageRank方法等。PageRank是Google专有的算法，用于衡量特定网页相对于搜索引擎索引中的其他网页而言的重要程度，由LarryPage和SergeyBrin在20世纪90年代后期专利技术。PageRank实现了将链接价值概念作为排名因素，然而这些传统方法在分配节点权值和权值扩散策略选择上，并没有考虑到特定应用领域中的特点。
技术实现思路
本专利技术要解决的技术问题是针对现有利用产品购买相关度计算的产品质量测度方法的不足，提出一种产品质量测度依据和用户相似度测度依据，以提高推荐系统的效果。为实现上述目的，本专利技术提出的技术方案为一种基于购买用户行为分析的个性化推荐方法，包含以下步骤：S1：通过以下方式计算产品权值：Value为基于修正PageRank方法计算出的产品权值，F(Itemi)集合表示产品Itemi在产品相关性链接关系图中所有链入产品的集合，NF(itemi)表示该链入产品集合的产品数量，Counti，j表示对应产品Itemi和Itemj之间链接关系的数量；S2：得到每个购买用户的兴趣模式特征向量：Useri＝{(产品购买相关性链接j，频次j)}(1<＝j<＝n，n为产品购买相关性链接总数量)；S3：对每个用户兴趣模式的权值进行规范化处理；S4：对每两个用户兴趣模式特征向量求取最终的用户相似度；S5：在个性化推荐环节上，首先对于目标用户，得到最为相似的其他用户序列。进一步，上述步骤3中所述规范化处理是采用每个用户最大频次去除其向量每一个频次值的方法进行规范化处理。进一步，上述步骤4中求取最终的用户相似度可以采用皮尔逊系数或者余弦夹角系数方法。进一步，上述步骤5中个性化推荐环节可以选择长期兴趣推荐和短期兴趣即时推荐。上述长期兴趣推荐又包含以下步骤：1、根据目标用户所有的购买情况，获取相关购买产品信息；2、据此得到最为相似的其他用户序列中，汇总得到推荐产品列表；3、按照产品权值，倒序输出推荐产品列表。上述短期兴趣即时推荐包含以下步骤：1、根据最近n次目标用户的购买情况获取相关购买产品的类别信息；2、据此得到最为相似的其他用户序列中，按照最近一次购买情况，汇总得到推荐产品列表；3、按照优质产品识别标准，倒序输出即时推荐产品列表。与现有技术相比，本专利技术的有益效果在于：1，本专利技术改变了传统推荐方法中只考虑用户与产品的兴趣关联度的做法，增加产品本身质量的识别，以此改进推荐系统的效果。2，本专利技术结合用户购买产品的历史信息记录弥补单纯使用文本语义和协同过滤方法的不足。3，本专利技术产品质量识别为线下计算，不影响线上计算性能，因此最终的推荐计算性能较为理想。附图说明图1为本专利技术的方法流程图。具体实施方式现结合附图对本专利技术作进一步详细的说明。如图1所示，本专利技术的方法流程依次包含计算产品权值、生成用户兴趣模式特征向量、对权值进行规范化处理、求取最终的用户相似度和得到最为相似的其他用户序列。鉴于产品购买相关性是建立在具有一定出现频次的这个重要前提上，不管是对于单一用户而言，还是对于所有用户而言，经常出现的产品相关性链接关系能够更能说明相关链出和链入产品节点的购买相关性。按照这个设计原则，需要对传统网络节点迭代算法进行必要的修正。在标准PageRank方法的基础上，本专利技术提出的算法思路如：这里，Value表示基于修正PageRank方法的产品权值，F(Itemi)集合表示产品Itemi在产品相关性链接关系图中所有链入产品的集合，NF(itemi)表示该链入产品集合的产品数量。Counti，j表示对应产品Itemi和Itemj之间链接关系的数量，通过该系数放大每个链入产品权值的影响程度，据此反映经常出现的产品相关性链接关系更能说明相关链出和链入产品节点的购买相关性。Itemi和Itemj并非一定是不同的产品。相反，这种连续购买同一产品的行为也更能反映该产品的质量和兴趣相关度，保留此类链接关系有助于发掘高质量的产品。以所有产品购买相关性链接为向量单元，频次信息作为向量单元值，就可以得到每个购买用户的兴趣特征向量。如对于每个用户i，都可以得到的用户兴趣模式为：Useri＝{(产品购买相关性链接j，频次j)}(1<＝j<＝n，n为产品购买相关性链接总数量)具体的用户相似度计算方法可以采用皮尔逊系数或者余弦夹角系数等，最终可以得到每位用户与其他相关用户的相似度。由于用户数量和产品相关性链接数量众多，在实际计算中，可以通过设定用户具有相同产品购买相关性链接的数量阈值来限定比较范围。首先对每个用户兴趣模式的权值进行规范化处理，为避免单个用户频次绝对数量的影响，采用每个用户最大频次去除其向量每一个频次值的方法进行规范化处理。然后，对每两个用户兴趣模式向量采用余弦夹角系数得到最终的用户相似度。在个性化推荐环节上，首先对于目标用户，得到最为相似的其他用户序列，在实际计算中，可以设定相似度阈值来控制该序列的大小。同时可以设计两种具有不同服务目标的个性化产品推荐服务形式：1)长期兴趣推荐根据目标用户所有的购买情况，获取相关购买产品信息，据此到最为相似的其他用户序列中，汇总得到推荐产品列表，并按照前述的优质产本文档来自技高网...

【技术保护点】
一种基于购买用户行为分析的个性化推荐方法，其特征在于包含以下步骤：S1：通过以下方式计算产品权值：

【技术特征摘要】
1.一种基于购买用户行为分析的个性化推荐方法，其特征在于包含以下步骤：S1：通过以下方式计算产品权值：Value为基于修正PageRank方法计算出的产品权值，F(Itemi)集合表示产品Itemi在产品相关性链接关系图中所有链入产品的集合，NF(itemi)表示该链入产品集合的产品数量，Counti，j表示对应产品Itemi和Itemj之间链接关系的数量；S2：生成每个购买用户的兴趣模式特征向量：Useri＝{(产品购买相关性链接j，频次j)}(1<＝j<＝n，n为产品购买相关性链接总数量)；S3：对每个用户兴趣模式的权值进行规范化处理；S4：对每两个用户兴趣模式特征向量求取最终的用户相似度；S5：在个性化推荐环节上对于目标用户得到最为相似的其他用户序列。2.根据权利要求1所述的基于购买用户行为分析的个性化推荐方法，其特征在于...

【专利技术属性】
技术研发人员：程永上，
申请(专利权)人：南京财经大学，
类型：发明
国别省市：江苏,32