基于商品流行度及用户动态兴趣的商品推荐方法及系统技术方案

本发明专利技术公开了一种基于商品流行度及用户动态兴趣的商品推荐方法及系统，包括流行度计算模块、流行度惩罚权重计算模块、商品相似度计算模块、用户兴趣衰减值计算模块、商品评分预测值计算模块、商品推荐模块。通过本发明专利技术所述方法和系统，解决热门商品相似度偏高的问题，同时根据每个用户的行为特征，在预测公式中加入时间函数，减弱历史数据对预测偏好的贡献。在提高推荐准确度的同时，有效挖掘并推荐数据集中的冷门商品，提高推荐的覆盖率，缓解了推荐系统“长尾效应”问题，提高了商品推荐的质量。质量。质量。

【技术实现步骤摘要】
基于商品流行度及用户动态兴趣的商品推荐方法及系统


[0001]本专利技术属于电子商务中的商品推荐系统
，具体涉及一种基于商品流行度及用户动态兴趣的推荐方法及系统。

技术介绍

[0002]协同过滤被认为是最有应用前景的推荐算法之一，用来帮助用户找到他们可能喜欢的商品，由于其简单性和易于实现，广泛应用在电子商务网站以及各类音乐、短视频等app。基于商品的协同过滤通过比较用户对商品的评分识别商品之间的相似度，从而根据商品间的相似度预测用户对未评分商品的评分。因此计算商品的相似度和预测用户未评分商品的评分这两个关键步骤是否合理有效直接关系到商品推荐质量。
[0003]当前“长尾效应”和“兴趣漂移”问题是商品推荐系统难以忽视的两个问题。推荐系统中的“长尾效应”是指由于热门商品的评分数量较多，导致其占推荐列表比例较大，更能体现用户个性化的冷门商品仅占一小部分，造成了推荐结果单一、缺乏新颖性。用户“兴趣漂移”是指用户需求和兴趣会随着时间发生变化，推荐系统应该能够发现这些变化并减弱过去某些不重要评分在预测评分时的贡献，若不能识别这些变化容易造成对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于商品流行度及用户动态兴趣的商品推荐方法，其特征在于，包括如下步骤：S1、从商品推荐数据库中选取目标用户u未进行评分的目标商品集合S；S2、从集合S中选取其中一个目标商品α，根据商品推荐数据库中目标商品α被用户评价的次数popitem
α
、商品推荐数据库中用户评价次数最多和最少的商品的评价次数Pop
max
和Pop
min
，计算目标商品α的流行度Pop
α
；根据商品推荐数据库中除目标商品α外其它n个商品被用户评价的次数popitem1～popitem
n
以及商品推荐数据库中用户评价次数最多和最少的商品的评价次数Pop
max
和Pop
min
，分别计算其它n个商品的流行度Pop1～Pop
n
；S3、根据目标商品α的流行度Pop
α
以及其它n个商品的流行度Pop1～Pop
n
计算目标商品α与其它n个商品的流行度差异PopBias
α,1
～PopBias
α,n
，所述流行度差异即两个商品的流行度Pop的差值的绝对值；S4、根据目标商品α的流行度Pop
α
、目标商品α与其它n个商品的流行度差异PopBias
α,1
～PopBias
α,n
，计算目标商品α相对其它n个商品的流行度惩罚权重Weight
α,1
～Weight
α,n
、其它n个商品相对目标商品α的流行度惩罚权重Weight
1,α
～Weight
n,α
；S5、根据上述步骤计算的流行度惩罚权重Weight
α,1
～Weight
α,n
和Weight
1,α
～Weight
n,α
计算目标商品α与其它n个商品的相似度Sim(α,1)～Sim(α,n)；S6、根据目标商品α与其它n个商品的相似度Sim(α,1)～Sim(α,n)、目标用户u的兴趣衰减值f(t)计算目标用户u对目标商品α的评分预测值P
uα
，所述目标用户u的兴趣衰减值f(t)根据商品推荐数据库中目标用户u最早购买行为和最近购买行为发生的时间以及目标用户u购买商品j
′
的时间进行计算，商品j
′
为目标商品α的邻居集的其中一个商品，所述邻居集为选取目标商品α与其它n个商品的相似度Sim(α,1)～Sim(α,n)最高的前N个商品作为目标商品α的邻居集；所述目标用户u对目标商品α的评分预测值P
uα
用于对目标用户u进行商品推荐。2.如权利要求1所述的基于商品流行度及用户动态兴趣的商品推荐方法，其特征在于，所述步骤S6后还包括S7和S8：S7、依次按照步骤S2～S6分别计算目标用户u对未进行评分的目标商品集合S中除目标商品α外其它每个商品的评分预测值；S8、对上述步骤S7计算得到的目标用户u对每个未评分商品的评分预测值进行高低排序，基于此排序结果对目标用户u进行商品推荐。3.如权利要求1所述的基于商品流行度及用户动态兴趣的商品推荐方法，其特征在于，所述步骤S2中，商品流行度Pop的计算方法包括：其中Pop
i
表示商品i的流行度；popitem
i
为商品i被用户评价的次数。4.如权利要求1所述的基于商品流行度及用户动态兴趣的商品推荐方法，其特征在于，所述步骤S4中，计算目标商品α相对其它n个商品的流行度惩罚权重Weight
α,1
～Weight
α,n
的方法包括：
计算其它n个商品相对目标商品α的流行度惩罚权重Weight
1,α
～Weight
n,α
的方法包括：5.如权利要求1所述的基于商品流行度及用户动态兴趣的商品推荐方法，其特征在于，所述步骤S5中，计算目标商品α与其它n个商品的相似度Sim(α,1)～Sim(α,n)的方法包括：其中j∈[1,n]，Sim(α,j)表示目标商品α与商品j的相似度；U
αj
表示共同评价过目标商品α和商品j的用户集合；U
α
、U
j
分别表示评价过目标商品α的用户集合和评价过商品j的用户集合；分别表示用户k、用户m对目标商品α的评分，表示用户w对商品j的评分，其中k∈U
αj
、m∈U
α
、w∈U
j
；分别为目标商品α和商品j的用户评分均值。6.如权利要求1所述的基于商品流行度及用户动态兴趣的商品推荐方法，其特征在于，所述步骤S6中，目标用户u对目标商品α的...

【专利技术属性】
技术研发人员：张萱，苏凯，钱锋，张凯，马田雨，李明举，
申请(专利权)人：中国人民解放军海军工程大学，
类型：发明
国别省市：