一种基于协同度量的商品个性化推荐方法及系统技术方案

本公开提供了一种基于协同度量的商品个性化推荐方法及系统，包括：获取用户购买商品的历史交易记录数据；对所述交易记录数据进行数据预处理获得用户

【技术实现步骤摘要】
一种基于协同度量的商品个性化推荐方法及系统


[0001]本公开属于商品推荐
，尤其涉及一种基于协同度量的商品个性化推荐方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]个性化推荐系统作为一种信息过滤的重要手段，是当前解决信息超载问题的最有效的方法之一，计算机领域研究人员不断优化个性化推荐算法，力求降低用户的信息检索难度，为用户提供最优的个性化推荐结果。
[0004]专利技术人发现，当前已有的个性化推荐算法大致分为以下几类：协同过滤的推荐，关联规则，基于内容的推荐系统，还有混合推荐系统。其中，协同过滤系统是目前应用最为广泛的个性化推荐系统，其主要思想可以分为两个方面：一个是利用用户与项目之间的历史交互行为信息，计算用户与用户之间的相似性，然后利用目标用户相似程度较高的邻居用户对其他产品的评分来预测目标用户对特定产品的喜好程度，最后根据喜好程度来对目标用户进行个性化推荐。另一个是利用用户与项目之间的历史交互行为信息，计算商品与商品之间的相似性，然后利用目标用户对商品的喜好程度，将相似商品推荐给该目标用户。但是该算法也存在一定的缺点：矩阵稀疏问题以及冷启动问题。
[0005]关联规则也是常用的一个推荐算法，基于关联规则的推荐(Association Rule
‑
based Recommendation)是以关联规则为基础，把已购商品作为规则，规则体为推荐对象。关联规则挖掘可以发现不同商品在销售过程中的相关性，在零售业中已经得到了成功的应用。该算法的第一步关联规则的发现最为关键且最耗时，是算法的瓶颈，但可以离线进行。其次，商品名称的同义性问题也是关联规则的一个难点。

技术实现思路

[0006]本公开为了解决上述问题，提供了一种基于协同度量的商品个性化推荐方法及系统，所述方案通过将协同过滤与度量学习进行结合，并通过学习一种距离公式，推测出用户对商品的预测评分，从而实现商品个性化推荐的目的，有效提高了商品个性化推荐的召回率和精准率。
[0007]根据本公开实施例的第一个方面，提供了一种基于协同度量的商品个性化推荐方法，包括：
[0008]获取用户购买商品的历史交易记录数据；
[0009]对所述交易记录数据进行数据预处理获得用户
‑
商品评分矩阵；
[0010]将所述评分矩阵分解为用户矩阵和商品矩阵；
[0011]基于所述用户矩阵和商品矩阵对协同度量学习模型进行训练；
[0012]基于训练好的协同度量学习模型预测用户对未购买过的商品的评分，并基于商品
评分排序结果实现商品个性化推荐。
[0013]进一步的，所述历史交易记录数据包括用户id、商品id以及评分、评价、和星级打评的交互信息数据。
[0014]进一步的，所述对所述交易记录数据进行数据预处理，具体为对所述交易记录数据中的各种评价得分进行加权平均。
[0015]进一步的，所述将所述评分矩阵分解为用户矩阵和商品矩阵，具体为：基于用户矩阵和商品矩阵的点乘积与所述评分矩阵相似度最高为优化目标，将用户和商品映射到潜在的因子空间。
[0016]进一步的，基于训练好的协同度量学习模型预测用户对未购买过的商品的评分，按照评分结果对商品进行top
‑
N排序，将预设数量排序靠前的商品推荐给用户。
[0017]进一步的，所述协同度量学习模型中采用皮尔逊相关度评价距离公式代替了原有的马氏距离计算方法。
[0018]根据本公开实施例的第二个方面，提供了一种基于协同度量的商品个性化推荐系统，包括：
[0019]数据获取单元，其用于获取用户购买商品的历史交易记录数据；
[0020]评分矩阵获取单元，其用于对所述交易记录数据进行数据预处理获得用户
‑
商品评分矩阵；
[0021]矩阵分解单元，其用于将所述评分矩阵分解为用户矩阵和商品矩阵；
[0022]模型训练单元，其用于基于所述用户矩阵和商品矩阵对协同度量学习模型进行训练；
[0023]推荐单元，其用于基于训练好的协同度量学习模型预测用户对未购买过的商品的评分，并基于商品评分排序结果实现商品个性化推荐。
[0024]根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种基于协同度量的商品个性化推荐方法。
[0025]根据本公开实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种基于协同度量的商品个性化推荐方法。
[0026]与现有技术相比，本公开的有益效果是：
[0027](1)本公开将度量学习与协同过滤相结合，不仅优于最先进的协作过滤算法在广泛的推荐任务，而且揭示了潜在的规范用户的细粒度偏好。
[0028](2)使用SVD矩阵分解将评分矩阵分解为用户矩阵和商品矩阵，解决了评分矩阵中存在稀疏性的问题，并且捕获到用户对商品潜在的关系。
[0029](3)本公开采用的CML(Collaborative Metric Learning)协同度量学习模型，该模型学习马氏距离系数，而马氏距离并不适用评分矩阵，本公开通过改用皮尔逊相关度评价距离公式，对于评分数据不规范时Pearson能够给出更好的结果。
[0030]本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
[0031]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
[0032]图1为本公开实施例一中所述的一种基于协同度量学习的商品个性化推荐方法流程图；
[0033]图2为本公开实施例一中所述的CML协同度量学习工作原理图。
具体实施方式
[0034]下面结合附图与实施例对本公开做进一步说明。
[0035]应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。
[0036]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0037]在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
[0038]实施例一：
[0039]本实施例的目的是提供一种基于协同度量的商品个性化推荐方法。
[0040]一种基于协同度量的商品个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于协同度量的商品个性化推荐方法，其特征在于，包括：获取用户购买商品的历史交易记录数据；对所述交易记录数据进行数据预处理获得用户
‑
商品评分矩阵；将所述评分矩阵分解为用户矩阵和商品矩阵；基于所述用户矩阵和商品矩阵对协同度量学习模型进行训练；基于训练好的协同度量学习模型预测用户对未购买过的商品的评分，并基于商品评分排序结果实现商品个性化推荐。2.如权利要求1所述的一种基于协同度量的商品个性化推荐方法，其特征在于，所述历史交易记录数据包括用户id、商品id以及评分、评价、和星级打评的交互信息数据。3.如权利要求1所述的一种基于协同度量的商品个性化推荐方法，其特征在于，所述将所述评分矩阵分解为用户矩阵和商品矩阵，具体为：基于用户矩阵和商品矩阵的点乘积与所述评分矩阵相似度最高为优化目标，将用户和商品映射到潜在的因子空间。4.如权利要求1所述的一种基于协同度量的商品个性化推荐方法，其特征在于，所述对所述交易记录数据进行数据预处理，具体为对所述交易记录数据中的各种评价得分进行加权平均。5.如权利要求1所述的一种基于协同度量的商品个性化推荐方法，其特征在于，基于训练好的协同度量学习模型预测用户对未购买过的商品的评分，按照评分结果对商品进行top
‑
N排序，将预设数量排序靠前的商品推荐给用户。6.如权利要求1所...

【专利技术属性】
技术研发人员：张元杰，管洪清，徐亮，王伟，张大千，尹广楹，孙浩云，
申请(专利权)人：青岛文达通科技股份有限公司，
类型：发明
国别省市：