【技术实现步骤摘要】
自适应弹性网络的用户
‑
商品偏好的预测装置和方法
[0001]本专利技术涉及计算机领域,具体涉及自适应弹性网络的用户
‑
商品偏好的预测装置和方法。
技术介绍
[0002]随着经济的发展、互联网应用的普及以及人民生活水平的提高,基于各大网络电商平台的购物行为得到了广泛的普及。基于网络销售平台区别于线下实体购物的特点,为了在用户无法接触商品实体的情况下,也能获得丰富的商品信息和良好的购物体验,各大电商平台都会为用户进行可能感兴趣的商品的推荐。
[0003]现有的电商平台中对用户进行商品推荐的一般是基于用户历史的购买数据进行类似的商品的推荐,但是用户的购物偏好是在不断变化,仅仅依靠历史数据进行推荐的精确度不高。
技术实现思路
[0004]本专利技术旨在解决现有单一的训练模型导致的过拟合,推荐系统只能基于用户历史数据推荐与用户个人信息匹配度很高的商品,导致商品重合度很高,但是用户的兴趣和需求是随着时间改变的。
[0005]提出自适应弹性网络的用户
‑
商品偏好的预测装置和方法;
[0006]其中自适应弹性网络的用户
‑
商品偏好的预测装置的具体技术方案如下:
[0007]自适应弹性网络的用户
‑
商品偏好的预测装置,其特征在于:
[0008]包括数据注册模块、数据记录模块、日志系统、数据清洗模块、推荐模块和场景感知模型;
[0009]数据注册模块,该数据注册模块用于收集用户初始信 ...
【技术保护点】
【技术特征摘要】
1.自适应弹性网络的用户
‑
商品偏好的预测装置,其特征在于:包括数据注册模块、数据记录模块、日志系统、数据清洗模块、推荐模块和场景感知模型;数据注册模块,该数据注册模块用于收集用户初始信息和偏好;数据记录模块,该数据记录模块将用户与系统的交互行为记录到日志系统中;日志系统,用户交互产生的行为数据记录在日志系统中;数据清洗模块,数据清洗模块对用户的行为数据进行清洗形成结构化数据,该结构化数据形成训练数据集;推荐系统,该推荐系统通过用户特征向用户推荐个性化商品;该场景感知模型通过场景感知器提供的场景特征对个性化商品列表进行过滤。2.根据权利要求1所述自适应弹性网络的用户
‑
商品偏好的预测装置,其特征在于:设置有训练模块,该训练模块通过用户历史数据形成的特征向量训练用户的兴趣模型;其中,该训练模块可采用神经网络或者支持向量机。3.根据权利要求2所述自适应弹性网络的用户
‑
商品偏好的预测装置,其特征在于:设置有评测指标模块,该评测指标模块训练方式为,随机选取不同年龄段的内测用户,对内测用户u推荐N个物品,表示为R(u),测试用户u在测试数据集中喜欢的物品集为T(u),得到准确率评测精度:得到准确率评测精度:4.根据权利要求3所述自适应弹性网络的用户
‑
商品偏好的预测装置,其特征在于:该注册信息模块收集用户年龄、性别、职业、民族和各项兴趣;该注册信息模块设置有信息交互接口,该信息交互接口用于从外部系统导入用户行为数据。5.根据权利要求4所述自适应弹性网络的用户
‑
商品偏好的预测装置,其特征在于:所述场景感知器包括显示场景感知器和隐式场景感知器,该显示场景感知器通过交互区收集用户反馈的场景特征和外部硬件设备接口提供的场景特征;该隐式场景感知器通过用户历史数据预测场景特征。6.自适应弹性网络的用户
‑
商品偏好的预测装置的方法,其特征在于:包括如下步骤:S1:用户通过注册模块向客户端注册,用户向注册模块输入初始个人信息和偏好;S2:数据清洗模块,数据清洗模块对用户的行为数据进行清洗形成结构化数据;S3:推荐模型根据用户历史记录选择推荐模型,如果用户是初次注册登录,则直接进入到下一步骤,否则,进入到S6;S4:初始推荐模型利用人口统计学特征作为输入,该第一推荐模型提供粗粒度的初步推荐;S5:服务器将推荐商品反馈到客户端,客户端在交互区进行展示,在每个商品下方设置有评分选项,在交换区设置有收藏夹,评分模块收集用户评分数据,收藏夹用于收藏用户喜欢商品,评分数据、收藏商品和搜索关键词均作为反馈数据同步记载在日志系统中;
S6:数据清洗模块周期性检查该用户对应的日志系统,如果该用户生成有型的日志数据,该数据清洗模块从日志中提取数据,数据清洗模块将数据清洗为结构化的用户偏好数据特征集合;S7:场景感知收集器实时收集用户的场景特征,该场景特征包括用户心情、场所、用途,场景感知模型信息来源包括显式和隐式,显式为用户通过在交互区设置的场景收集器中主动提交场景,显示场景感知模型为一交互输入框,用户通过自然语言在交互输入框中描述当前场景状态,场景收集器通过语言...
【专利技术属性】
技术研发人员:顾军林,欧应燎,付杰,施海兵,
申请(专利权)人:五五海淘上海科技股份有限公司,
类型:发明
国别省市:
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。