商品在线推荐方法和系统技术方案

本发明专利技术公开了商品在线推荐方法和系统，根据用户关系建立用户间动态影响力矩阵，在一轮推荐中根据选定用户对于推荐的商品反馈，以及被推荐商品的特征向量对该用户潜在偏好向量的推测进行更新，根据本轮推荐的准确程度，更新动态影响力矩阵，最后基于该动态影响力矩阵更新对其余用户潜在偏好向量的预测。进入下一轮推荐。该方法能够充分利用不同用户被推荐次数不同所产生的重尾特性，根据推荐系统对于用户偏好向量掌握的准确程度不同，更新不同用户的影响力，使针对单个用户的推荐能够有效更新其他用户的潜在偏好向量，从而实现推荐资源的高效利用。

【技术实现步骤摘要】
商品在线推荐方法和系统
本专利技术涉及一种商品在线推荐方法和系统，属于推荐系统

技术介绍
在互联网技术高速发展的今天，大量的广告推送信息被呈现给用户。不符合用户需求或与用户潜在喜好无关的广告或推送一方面使商户得不到回报，另一方面也耗费了用户的时间和精力，人们的注意力被各类推送信息高度碎片化。长此以往地推送无用信息，将会导致网页或软件客户端用户的大量流失。因而，向用户推送其目前感兴趣或未来可能感兴趣的优质内容是极其重要的环节，而在线推荐系统是当下解决这一问题的有效方法。推荐系统利用用户的历史信息对其偏好进行评估并预测用户可能的选择。在很多情况下，推荐系统的目标用户可以组成一个社交网络。已知的社交网络关系能够提供重要的附加信息，例如用户之间的共同偏好等。对于用户共同偏好的有效利用能够使推荐的质量大幅提升。而目前利用用户社会关系网络的推荐系统通常只利用简单的用户关联而不考虑用户相互间的影响力。通常情况下，用户对于推荐系统的参与程度呈现出重尾特性，因此系统对于不同用户潜在偏好掌握的精确程度是不同的，单一地只考虑用户关系会导致推荐资源利用效率的降低。
技术实现思路
本专利技术旨在针对目前推荐系统单一地只考虑用户关系而不考虑用户相互间的影响力所带来的问题，本专利技术采用以下技术方案。提供一种商品在线推荐方法，包括：根据已知的用户关系建立用户间动态影响力矩阵并进行初始化；针对各用户根据每个商品的特征向量和该用户最新的潜在偏好向量确定期待收益，并选取期待收益最大的相应商品推荐给各用户；<br>获取选定用户针对推荐商品反馈的回报值，根据实际推荐给该选定用户的商品的特征向量和用户反馈的回报值对该选定用户的潜在偏好向量进行更新，得到该选定用户最新的潜在偏好向量；根据推荐给选定用户商品的准确程度更新所述用户间动态影响力矩阵；由更新后的用户间动态影响力矩阵、本轮推荐的商品特征向量和选定用户反馈的回报值更新除去选定用户的其余所有用户的潜在偏好向量，得到其余所有用户最新的潜在偏好向量。进一步地，根据已知的用户关系建立用户间动态影响力矩阵并进行初始化具体包括：利用用户之间邻接关系矩阵表示用户间动态影响力矩阵，表示为：其中，L表示用户间动态影响力矩阵，Z表示用户数，Lu，v表示矩阵L中，第u行第v列的元素。再进一步地，初始化所述用户之间邻接关系矩阵的方法如下：当u＝v时，Lu，u等于与用户u有邻接关系的所有用户的数量，当u≠v时，若用户u与用户v有邻接关系，则Lu，v＝-1；若用户u与用户v没有邻接关系，则Lu，v＝0。进一步地，其特征在于，选取期待收益最大的相应商品推荐给各用户表示如下：其中it表示第t轮推荐给用户的商品，表示第t-1轮更新得到的用户u的用户偏好向量的转置矩阵，qi表示第i个商品的特征向量，CBt(qi)表示第t轮推荐第i个商品的特征向量的置信区间。再进一步地，第t轮推荐第i个商品的特征向量的置信区间CBt(qi)的计算方法如下：其中表示第i个商品的特征向量的转置矩阵，表示第t-1轮中用户u逆相关矩阵，σ表示预先设定的可变参数。再进一步地，将第t轮推荐第i个商品的特征向量的置信区间CBt(qi)作为推荐给选定用户商品的准确程度；更新用户间动态影响力矩阵的方法如下：当u≠v时，若用户u与用户v有邻接关系，则否则Lu，v＝0。当u＝v时，Lu，u＝-(Lu，1+…+Lu，u-1+Lu，u+1+…+Lu，Z)。进一步地，更新后的潜在偏好向量表示为：其中其中pu，t表示第t轮对用户u潜在偏好向量，表示表示第t-1轮中用户u逆相关矩阵，Mu，t表示第t轮中用户u相关矩阵，bu，t表示在第t轮中更新得到的用户u的偏置向量，u＝1,…,Z表示用户数；bu，t-1表示在第t-1轮中更新得到的用户u的偏置向量，at表示选定用户针对推荐商品反馈的回报值，表示第t轮被选择推荐的商品的特征向量。进一步地，更新除去选定用户的其余所有用户的潜在偏好向量的方法如下：由本轮实际推荐给用户的商品it的特征向量得到其对应的长向量前面有(i-1)*D个元素，后面有(Z-i)*D个元素。为了由本次的推荐更新其余(Z-1)个用户的偏好向量，构建矩阵其中A＝L+IZ，表示A与IZ的克罗内克积，IZ为Z×Z的单位阵，L为用户间动态影响力矩阵；由公式：得到本轮系统对其余用户潜在偏好向量推测的更新，其中bu，t表示在第t-1轮中更新得到的用户u的偏置向量，u＝1,…,Z,Z表示用户数，Mu，t表示第t轮中用户u相关矩阵，表示表示第t-1轮中用户v逆相关矩阵,v＝1,…,Z；pv，t表示表示第t轮对用户v潜在偏好向量，bv，t表示在第t轮中更新得到的用户v的偏置向量，bu，t-1表示在第t-1轮中更新得到的用户u的偏置向量。第二方面，本专利技术提供一种基于用户之间影响力动态更新的在线推荐系统，包括：用户间动态影响力矩阵构建和更新模块、潜在偏好向量更新模块和商品推荐模块；所述用户间动态影响力矩阵构建和更新模块，用于根据已知的用户关系建立用户间动态影响力矩阵并进行初始化，以及根据推荐给选定用户商品的准确程度更新所述用户间动态影响力矩阵；所述商品推荐模块，用于针对各用户根据每个商品的特征向量和该用户最新的潜在偏好向量确定期待收益，并选取期待收益最大的相应商品推荐给各用户；所述潜在偏好向量更新模块，用于获取选定用户针对推荐商品反馈的回报值，根据实际推荐给该选定用户的商品的特征向量和用户反馈的回报值对该选定用户的潜在偏好向量进行更新，得到该选定用户最新的潜在偏好向量；并由更新后的用户间动态影响力矩阵、本轮推荐的商品特征向量和选定用户反馈的回报值更新除去选定用户的其余所有用户的潜在偏好向量，得到其与所有用户最新的潜在偏好向量。本专利技术所取得的有益技术效果：1.本专利技术能够利用在社交网络中存在邻接关系的用户在喜好与兴趣上可能存在的相似性，使针对单个用户进行推荐时所获取的信息能够同时更新其他用户的偏好状态。在每一轮推荐中，虽然接受推荐并反馈回报的用户只有一位，但是系统能够通过影响力矩阵在推荐时将其他用户的偏好以一定权重纳入考虑，并在一轮推荐结束后根据推荐商品的特征向量、回报值与影响力矩阵更新所有用户的偏好向量。因此，本专利技术通过对用户关系网络的高度利用，使推荐的效率与准确度得到提升。2.本专利技术根据对单个用户推荐的准确程度改变该用户在影响力矩阵中的权重，从而在每一轮推荐结束后对该矩阵进行动态更新。不同于传统的只表示用户间邻接关系的拉普拉斯矩阵，本专利技术中用户间影响力权重动态变化的矩阵能够充分利用不同用户被推荐次数不同所带来的影响，即用户参与程度呈现重尾特性。将参与推荐次数多，即系统对其潜在偏好向量探测更准确的用户对其他用户的影响力提高，从而提高对推荐资源的利用。附图说明图1为本专利技术具备是实施例提供的在线推本文档来自技高网...

【技术保护点】
1.一种商品在线推荐方法，其特征在于，包括：/n根据已知的用户关系建立用户间动态影响力矩阵；/n针对各用户根据每个商品的特征向量和该用户最新的潜在偏好向量确定期待收益，并选取期待收益最大的相应商品推荐给各用户；/n其中，所述用户最新的潜在偏好向量的确定方法包括：/n获取选定用户针对推荐商品反馈的回报值，根据实际推荐给该选定用户的商品的特征向量和用户针对推荐商品反馈的回报值对该选定用户的潜在偏好向量进行更新，得到该选定用户最新的潜在偏好向量；/n根据推荐给选定用户商品的准确程度更新所述用户间动态影响力矩阵；由更新后的用户间动态影响力矩阵、本轮推荐的商品的特征向量和选定用户针对推荐商品反馈的回报值更新除去选定用户的其余所有用户的潜在偏好向量，得到其余所有用户最新的潜在偏好向量。/n

【技术特征摘要】
1.一种商品在线推荐方法，其特征在于，包括：
根据已知的用户关系建立用户间动态影响力矩阵；
针对各用户根据每个商品的特征向量和该用户最新的潜在偏好向量确定期待收益，并选取期待收益最大的相应商品推荐给各用户；
其中，所述用户最新的潜在偏好向量的确定方法包括：
获取选定用户针对推荐商品反馈的回报值，根据实际推荐给该选定用户的商品的特征向量和用户针对推荐商品反馈的回报值对该选定用户的潜在偏好向量进行更新，得到该选定用户最新的潜在偏好向量；
根据推荐给选定用户商品的准确程度更新所述用户间动态影响力矩阵；由更新后的用户间动态影响力矩阵、本轮推荐的商品的特征向量和选定用户针对推荐商品反馈的回报值更新除去选定用户的其余所有用户的潜在偏好向量，得到其余所有用户最新的潜在偏好向量。


2.根据权利要求1所述的一种商品在线推荐方法，其特征在于，
利用用户之间邻接关系矩阵表示用户间动态影响力矩阵，表示为：



其中，L表示用户间动态影响力矩阵，Z表示用户数，Lu，v表示矩阵L中第u行第v列的元素；
当u＝v时，Lu，u等于与用户u有邻接关系的所有用户的数量，
当u≠v时，若用户u与用户v有邻接关系，则Lu，v＝-1；若用户u与用户v没有邻接关系，则Lu，v＝0。


3.根据权利要求1所述的一种商品在线推荐方法，其特征在于，选取期待收益最大的相应商品推荐给各用户表示如下：



其中it表示第t轮推荐给用户u的商品，表示第t-1轮更新得到的用户u的用户偏好向量的转置矩阵，qi表示第i个商品的特征向量，CBt(qi)表示第t轮推荐第i个商品的特征向量的置信区间。


4.根据权利要求3所述的一种商品在线推荐方法，其特征在于，第t轮推荐第i个商品的特征向量的置信区间CBt(qi)的计算方法如下：



其中表示第i个商品的特征向量的转置矩阵，表示第t-1轮中用户u逆相关矩阵，σ表示预先设定的可变参数。


5.根据权利要求4所述的一种商品在线推荐方法，其特征在于，将第t轮推荐第i个商品的特征向量的置信区间CBt(qi)作为推荐给选定用户商品的准确程度；
更新用户间动态影响力矩阵的方法如下：
当u≠v时，若用户u与用户v有邻接关系，则否则Lu，v＝0；
当u＝v时，Lu，u＝-(Lu，1+…+Lu，u-1+Lu，u+1+…+Lu，Z)，
其中，Z表示用户数。

【专利技术属性】
技术研发人员：王玉峰，蔡秦楚，王震，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32