一种融合用户潜在兴趣、时空数据和类别流行度的药品交易推荐方法技术

本发明专利技术公开了一种融合用户潜在兴趣、时空数据和类别流行度的药品交易推荐方法，包括从电商平台的数据集中获取用户购买药品的购买记录数据，并对购买记录数据进行整理得到用户‑药品评分矩阵；基于购买记录数据中相似用户的购买记录建立用户潜在兴趣模型，并基于用户潜在兴趣模型获取用户潜在兴趣数据；将用户潜在兴趣数据合并到用户‑药品评分矩阵；基于购买记录数据中用户购买过的药品所属类别的流行度和用户对该类别的偏爱建立类别相关模型；对合并了用户潜在兴趣数据的用户‑药品评分矩阵进行矩阵分解，并将分解得到的用户偏好预测矩阵和类别相关模型进行线性融合生成推荐列表。本发明专利技术有效解决了现有技术中评分矩阵稀疏性对推荐效率造成影响的问题。

A Drug Trading Recommendation Method Integrating Potential Interest, Spatio-temporal Data and Category Popularity of Users

The invention discloses a drug transaction recommendation method that integrates potential user interest, spatio-temporal data and category popularity, including acquiring purchase record data of users from data sets of e-commerce platform, and collating purchase record data to obtain user-drug score matrix; and based on purchase record data phase. Similar user's purchase record establishes the user's potential interest model, and obtains the user's potential interest data based on the user's potential interest model; merges the user's potential interest data into the user's drug scoring matrix; and builds the user's preference for the category based on the popularity of the category of drugs purchased by the user in the purchase record data. Class-related model is established; the user-drug scoring matrix is decomposed by matrix, and the user preference prediction matrix and the class-related model are linearly fused to generate the recommendation list. The invention effectively solves the problem that the sparsity of the score matrix in the prior art affects the recommendation efficiency.

【技术实现步骤摘要】
一种融合用户潜在兴趣、时空数据和类别流行度的药品交易推荐方法
本专利技术涉及计算机
，尤其涉及一种融合用户潜在兴趣、时空数据和类别流行度的药品交易推荐方法。
技术介绍
近年来，电子商务随着互联网和信息技术的发展日趋活跃，越来越多的消费者开始网上购物。电子商务不仅开拓了新的商业盈利渠道，还颠覆了传统的销售模式，从空间上、时间上赋予交易双方更多的便利性、自主性。其中，医药，作为日常生活必需品，近几年也开始逐渐进入电商领域，越来越多的医药企业获得了建立医药电子商务平台的资格，医药行业的电子商务发展前途一片光明。由于医药电商平台包含多种类，大数量的药品，用户需要花费大量的时间和精力去筛选出需要的药品，极大的降低了平台的用户体验。为了解决用户在海量药品中耗费过多时间导致用户体验差的问题，将个性化推荐技术引入到医药电商平台中是必要的。在医药电商平台中，由于药品的特殊性，用户对药品的评分数量会远低于传统推荐中用户对物品(音乐、电影)的评分数量，用户-药品评分矩阵十分稀疏，医药电商平台的推荐面临着比传统推荐更为严重的数据冷启动问题。面对医药电商领域海量且多样化的药品，如何设计优秀的推荐算法为用本文档来自技高网...

【技术保护点】
1.一种融合用户潜在兴趣、时空数据和类别流行度的药品交易推荐方法，其特征在于，所述方法包括如下步骤：S1，从电商平台的数据集中获取用户购买药品的购买记录数据，并对购买记录数据进行整理得到用户‑药品评分矩阵；S2，基于购买记录数据中相似用户的购买记录建立用户潜在兴趣模型，并基于用户潜在兴趣模型得到用户潜在兴趣数据；S3，将用户潜在兴趣数据合并到用户‑药品评分矩阵；S4，基于购买记录数据中用户购买过的药品所属类别的流行度和用户对该类别的偏爱建立类别相关模型；S5，对合并了用户潜在兴趣数据的用户‑药品评分矩阵进行矩阵分解，并将分解得到的用户偏好预测矩阵和步骤S4中的类别相关模型进行线性融合生成推荐列...

【技术特征摘要】
1.一种融合用户潜在兴趣、时空数据和类别流行度的药品交易推荐方法，其特征在于，所述方法包括如下步骤：S1，从电商平台的数据集中获取用户购买药品的购买记录数据，并对购买记录数据进行整理得到用户-药品评分矩阵；S2，基于购买记录数据中相似用户的购买记录建立用户潜在兴趣模型，并基于用户潜在兴趣模型得到用户潜在兴趣数据；S3，将用户潜在兴趣数据合并到用户-药品评分矩阵；S4，基于购买记录数据中用户购买过的药品所属类别的流行度和用户对该类别的偏爱建立类别相关模型；S5，对合并了用户潜在兴趣数据的用户-药品评分矩阵进行矩阵分解，并将分解得到的用户偏好预测矩阵和步骤S4中的类别相关模型进行线性融合生成推荐列表。2.根据权利要求1所述的融合用户潜在兴趣、时空数据和类别流行度的药品交易推荐方法，其特征在于，所述步骤S1包括如下步骤：S1-1，整理用户的购买记录数据，购买记录数据包括用户对购买的药品的评分、购买时间、药品种类，得到用户集合U＝{u1,u2,...,ui...,un}和药品集合D＝{d1,d2,...,dj...,dm}，其中，u表示用户，i代表用户的ID；d表示药品，j代表药品的ID；S1-2，统计每个用户购买并且评分的药品数量，若用户购买并评分的药品数量低于预设值，则把这种用户删除；S1-3，统计每一种药品被购买并评分的次数，若药品被购买的频次低于预设值，则把这种药品的相关记录删除；S1-4，基于整理好的购买记录数据得到用户-药品评分矩阵。3.根据权利要求1所述的融合用户潜在兴趣、时空数据和类别流行度的药品交易推荐方法，其特征在于，所述步骤S2包括如下步骤：S2-1，合并时间因素的相似用户集合Fi：1)采用把时间离散化的方法，把一年分为T个离散时段，把步骤S1中原始的用户-药品评分矩阵按照购买评分时间分成T个时段-用户-药品评分矩阵；2)给定目标用户i,定义用户i在时段t(t∈T)的评分向量为：ri,t＝{ri,t,1,ri,t,2,..ri,t,m}，其中ri,t,m表示用户i在时段t对药品m的评分值，对于用户i，计算该用户在任意两个时段tp和tq的评分向量和的余弦相似性，然后取所有用户在这两个时段的余弦相似值的平均值作为这两个时段相似度，从而得到离散时段中任意两个时段之间的用户的相似度；3)把离散时段中任意两个时段之间的所有用户的相似度表示为一个时段相似度矩阵TS，并利用时段相似度矩阵TS来对时段-用户-药品评分矩阵进行平移，具体平移公式如下：其中，是平移之后获得的将用于计算的新的时段-用户-药品评分矩阵；是表示时段t和t*的时段相似度，t*∈[1,T]；是用户i在时段t*对药品j的评分；然后利用平移之后的矩阵进行用户相似度计算，对于用户i获得s个相似度最高的用户作为相似用户Fi；S2-2，基于相似用户Fi获得用户潜在兴趣数据：对于用户i，把步...

【专利技术属性】
技术研发人员：冯永，王亚男，王亚清，魏然，尚家兴，
申请(专利权)人：重庆大学，重庆医药数据信息科技有限公司，
类型：发明
国别省市：重庆,50