【技术实现步骤摘要】
一种商品推荐方法、装置、设备及存储介质
[0001]本专利技术涉及人工智能
，尤其涉及一种商品推荐方法、装置、设备及存储介质。
技术介绍
[0002]近年来，随着互联网技术飞速发展，网络上的各类数据日益膨胀，对用户的个性化服务逐渐变得重要，为此各种推荐算法应运而生。协同过滤算法是在推荐系统中最常用、影响最大、应用最广的一种算法，通过计算用户间或商品间的相似度，来给用户筛选信息和推荐商品。它能实现个性化的推荐，并且在运行时不需要分析商品本身的特征，而是依赖于商品和用户之间的交互关系。协同过滤算法分为基于用户的UserCF和基于商品的ItemCF。UserCF是通过找到与目标用户兴趣相投的用户来进行推荐，能够帮助用户推荐未浏览过的商品，ItemCF则是通过衡量商品之间的相似性进行推荐，与UserCF相比更具有稳定性。两种方式各有优劣，并根据数据中用户和商品的规模的不同有不同的复杂度和表现。
[0003]但是，专利技术人发现：传统的协同过滤算法在计算非布尔向量相似度时通常简单地采用欧氏距离、余弦相似度、皮尔逊相关度，...
【技术保护点】
【技术特征摘要】
1.一种商品推荐方法，其特征在于，包括下述步骤：识别用户与商品间的交互信息的数据类型，根据数据类型选择对应的商品相似度算法进行商品相似度计算，并对计算的所述商品相似度结果进行标准化处理，其中所述数据类型包括布尔向量和非布尔向量；根据数据类型选择对应的用户相似度算法进行用户相似度计算，并对计算的所述用户相似度结果进行标准化处理；及根据标准化处理后的所述商品相似度和所述用户相似度，计算每个用户与商品之间的推荐因子并排序，根据所述推荐因子将最相关的N个商品加入到对应的用户推荐列表中，其中N为推荐列表的容量。2.根据权利要求1所述的商品推荐方法，其特征在于，所述根据数据类型选择对应的商品相似度算法进行商品相似度计算的步骤，具体包括：当用户与商品的交互信息的数据类型为布尔变量时，使用以下公式计算商品i和商品j之间的商品相似度：其中，s1
i，j
为商品i与商品j之间的商品相似度，A表示用户k同时购买了商品i和商品j，B表示用户k购买了商品i或者商品j，C表示用户k没有购买商品i或者商品j，n为用户总数，x1，x2，x3为可调整的权重系数，其中S表示任意A、B、C；对计算的所述商品相似度结果s1
i，j
进行标准化处理的步骤，具体包括：当所有人随机购买商品时，计算商品i和商品j之间商品相似度s1
i，j
的随机变量的理论均值；根据蒙特卡洛仿真法计算所述商品相似度s1
i，j
的近似置信区间[l1，u1]；将所有落在所述近似置信区间[l1，u1]内的s1
i，j
的值都置为所述的理论均值，并对所述置为理论均值的s1
i，j
进行Z
‑
score标准化处理。3.根据权利要求1所述的商品推荐方法，其特征在于，所述根据数据类型选择对应的商品相似度算法进行商品相似度计算的步骤，具体包括：当用户与商品的交互信息的数据类型为非布尔变量时，使用以下公式计算商品i和商品j之间的相似度：其中，s1
i，j
为商品i与商品j之间的相似度，n为用户总数，b
k，i
为用户k购买商品i的次数；对计算的所述商品相似度结果进行标准化处理的步骤，具体包括：对所有商品相似度s1
i，j
进行Z
‑
score标准化。4.根据权利要求1所述的商品推荐方法，其特征在于，所述根据数据类型选择对应的用
户相似度算法进行用户相似度计算，具体包括：当用户与商品的交互信息的数据类型为布尔变量时，使用以下公式计算用户i和用户j之间的用户相似度：其中，s2
i，j
为用户i与用户j之间的用户相似度，D表示商品k同时被用户i和用户j购买，E表示商品K被用户i或者用户j购买，F表示商品k没有被用户i或者用户j购买，m为商品总数，x4，x5，x6为权重系数，其中S表示任意D、E、F；对计算的所述用户相似度结果进行标准化处理的步骤，具体包括：当所有人随机购买商品时，计算用户i和用户j之间用户相似度s2
i，j
的随机变量的理论均值；根据蒙特卡洛仿真法计算所述用户相似度s2
i，j
的近似置信区间[l2，u2]；将所有落在所述近似置信区间[l2，u2]内的s2
i，j
的值都置为所述理论均值，并对所述置为理论均值的s2
i，j
进行Z
‑
score标准化处理。5.根据权利要求1所述的商品推荐方法，其特征在于，所述根据数据类型选择...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。