一种物品推荐的方法、装置、计算机存储介质及终端制造方法及图纸

一种物品推荐的方法、装置、计算机存储介质及终端，包括：根据用户的商品购买记录，为用户每一次的购物行为建立相应的样本；以建立的样本作为训练数据集，拟合获得用户购买的物品间的顺承概率关系；将拟合获得的顺承概率关系添加至预设的目标函数后，根据添加顺承概率关系的目标函数进行物品推荐；其中，所述目标函数包括：协同过滤的目标函数；所述样本中包括：用户在前购买的每一件物品与各待推荐物品的时间差，还包括以下一项或任意组合的信息：用户的属性特征、商品的属性特征、用户登录购买平台前后的上下文特征。本发明专利技术实施例提升了推荐系统的准确率，提高了推荐系统的推荐效率和用户使用体验。

A recommended method, device, computer storage medium and terminal

【技术实现步骤摘要】
一种物品推荐的方法、装置、计算机存储介质及终端
本文涉及但不限于电子商务技术，尤指一种物品推荐的方法、装置、计算机存储介质及终端。
技术介绍
随着互联网技术的应用发展，推荐系统的应用场景变得越来越广泛，如推荐新闻、音乐、电影、短视频和电商中的商品，因此推荐技术也得到了长足的发展，通过各种推荐算法不断提升了推荐系统的准确性。目前，相关技术中的推荐算法包括：基于用户的推荐、基于物品的推荐及协同过滤；其中，基于用户的推荐包括：根据用户的属性，计算用户之间的相似度，根据用户的相似度为用户推荐物品。比如，用户A与用户B的各项属性(如：年龄、性别、学历、地区、职业、婚姻状态等)相似，则可以分析认定他们的喜好也相似，如果用户A购买过物品X，而用户B未购买过物品X，则为用户B推荐物品X。基于物品的推荐包括：根据物品的属性，计算物品之间的相似度，为用户推荐相似的物品。比如，物品X与物品Y非常相似，如果用户A购买过物品X，则为用户A推荐物品Y。协同过滤包括：协同过滤综合考虑用户和物品两种维度，形成了“物品-用户-物品”的协同效果；图1为相关技术协同过滤的示本文档来自技高网...

【技术保护点】
1.一种物品推荐的方法，包括：/n根据用户的商品购买记录，为用户每一次的购物行为建立相应的样本；/n以建立的样本作为训练数据集，拟合获得用户购买的物品间的顺承概率关系；/n将拟合获得的顺承概率关系添加至预设的目标函数后，根据添加顺承概率关系的目标函数进行物品推荐；/n其中，所述目标函数包括：协同过滤的目标函数；所述样本中包括：用户在前购买的每一件物品与各待推荐物品的时间差，还包括以下一项或任意组合的信息：用户的属性特征、商品的属性特征、用户登录购买平台前后的上下文特征。/n

【技术特征摘要】
1.一种物品推荐的方法，包括：
根据用户的商品购买记录，为用户每一次的购物行为建立相应的样本；
以建立的样本作为训练数据集，拟合获得用户购买的物品间的顺承概率关系；
将拟合获得的顺承概率关系添加至预设的目标函数后，根据添加顺承概率关系的目标函数进行物品推荐；
其中，所述目标函数包括：协同过滤的目标函数；所述样本中包括：用户在前购买的每一件物品与各待推荐物品的时间差，还包括以下一项或任意组合的信息：用户的属性特征、商品的属性特征、用户登录购买平台前后的上下文特征。


2.根据权利要求1所述的方法，其特征在于，所述根据添加顺承概率关系的目标函数进行物品推荐，包括：
根据所述顺承概率关系，预估用户购买各待推荐物品的购买概率；
将预估的各待推荐物品的购买概率添加至所述目标函数后，根据添加购买概率的目标函数进行物品推荐。


3.根据权利要求1或2所述的方法，其特征在于，所述顺承概率关系包括通过以下公式确定的关系：



其中：λ表示用户u在时刻t购买物品i的强度函数；μ表示基础强度；pji表示购买物品j导致购买物品i的概率；pii表示重复购买物品i的概率；g为基础强度函数，表示当前物品的购买强度与购买物品j的时间长度相关。


4.根据权利要求3所述的方法，其特征在于，所述时间长度相关包括以下任一种类的相关：
非齐次泊松过程、更新过程、自校正过程和自激励过程。


5.根据权利要求1或2的方法，其特征在于，所述拟合获得用户购买的物品间的顺承概率关系包括：
通过随机梯度下降法或拟牛顿法对所述训练数据集中的样本进行拟合，获得用户购买的物品间的所述顺承概率关系。


6.一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现...

【专利技术属性】
技术研发人员：张杰，罗华刚，于皓，吴信东，
申请(专利权)人：北京明略软件系统有限公司，
类型：发明
国别省市：北京;11