用户-商品偏好的推荐系统和方法技术方案

用户

【技术实现步骤摘要】
用户
‑
商品偏好的推荐系统和方法


[0001]本专利技术涉及计算机领域，具体涉及用户
‑
商品偏好的推荐系统和方法。

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，。
[0004]由于现有的针对用户对商品信息偏好的预测模型中，常采用比较单一的特征信息如用户基础信息、用户在电商购买商品的购买行为信息等作为特征数据进行训练学习，致使训练出的预测模型不能实现精准预测用户对商品信息偏好的目的，导致过拟合，系统只能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，用户被限制在曾经评价过的物品相似的集合中，导致用户难以接触到潜在兴趣的商品。

技术实现思路

[0005]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，传统单一模型导致用户被限制在曾经评价过的物品相似的集合中，用户难以接触到潜在兴趣的商品，导致商品预测系统产生滞后性，不能很好的预测用户兴趣和需求。
[0006]用户
‑
商品偏好的推荐系统，其特征在于：
[0007]包括数据收集器、评价模块、内容分析器、日志系统、用户模型、推荐系统、过滤组件和探索组件；
[0008]评价模块，该评价模块用于让用户直接表达对商品的偏好；
[0009]数据收集器，该数据收集器将用户与系统的交互行为记录到日志系统中，该行为数据包括显示反馈和隐式反馈；
[0010]内容分析器，内容分析器将原始信息转换成结构化数据，该结构化数据形成训练数据集；
[0011]推荐系统，该推荐系统以训练数据集作输入数据用于构建用户兴趣模型；
[0012]过滤组件，该过滤组件用于过滤掉重复度高的商品，中间推荐集；
[0013]探索组件随机筛选与用户特征弱相关的商品加入到中间推荐集得到最终推荐集。
[0014]为更好的实现本专利技术，可进一步为，
[0015]所述日志数据库为Hadoop Hive，该日志系统用于记录浏览、购买、收藏、搜索关键
词、点击和留言信息。
[0016]进一步地：
[0017]设置有场景感知器，该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；
[0018]该隐式场景感知器通过用户历史数据预测场景特征。
[0019]其中，用户
‑
商品偏好的推荐系统的工作方法的具体技术方案如下：
[0020]用户
‑
商品偏好的推荐系统的工作方法，其特征在于：
[0021]包括如下步骤：
[0022]S1：用户向客户端注册，用户输入初始个人信息和偏好；
[0023]S2：内容分析器将原始信息转换成结构化数据，该结构化数据形成训练数据集
[0024]S3：推荐模型根据用户历史记录选择合适的推荐模型，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；
[0025]S4：初始推荐模型利用人口统计学特征作为输入，该初始推荐模型提供粗粒度的初步推荐；
[0026]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，评价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；
[0027]S6：内容分析器周期性检查该用户对应的日志系统，如果该用户生成有日志数据，该内容分析器从日志中提取数据，内容分析器将数据清洗为结构化的用户偏好数据特征集合；
[0028]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处理算法提取场景关键特征；
[0029]S8：第一推荐模型根据用户偏好数据特征集合训练出用户兴趣模型，第一推荐模型将用户喜欢的商品特征向量与数据库中物品进行相似度计算，取得排行前k个商品作为潜在的第一物品集；
[0030]S9：第二推荐模型在数据库中提取有相似行为特征的用户，得到用户集合U，
[0031]第二推荐模型计算用户集合U中的用户相似度最高的k个用户，取得k个用户共同感兴趣的商品作为潜在的第二物品集；
[0032]S10：通过将第一物品集和第二物品集作交集，筛选共同物品作为初始推荐列表；
[0033]S11：场景感知模型通过场景感知收集器提供的场景特征结合共同初始推荐列表进一步过滤，得到个性化推荐列表；
[0034]S12：过滤模块对个性化推荐列表进行筛选，排出用户不喜欢和重复的商品，得到中间推荐集；
[0035]S13：探索组件随机筛选与用户特征弱相关的商品加入中间推荐集得到最终推荐集；
[0036]S14：最终推荐集推荐给用户，用户对最终推荐列表的行为操作实时保存到日志系统，回到步骤S5。
[0037]为更好的实现本专利技术，可进一步地：
[0038]所述S9具体包括如下过程，第二推荐模型找到与当前时间段用户u偏好类似的用户数据集，将当前用户数据集中购买用品最多的商品推荐给当前用户u；
[0039][0040]其中，N(u)是用户u喜欢的商品集合，N(v)是用户v喜欢的商品集合，α为时间衰减系数。
[0041]进一步地：
[0042]S7具体过程为，设置有场景感知器，针对每个用户建立有场景感知集合A，该场景感知集合A包括n个场景特征，A＝(A1,A1,...，A
n
)，该场景感知模块包括两种获取方式，一方面，通过在用户登录时，该场景特征包括用户地理位置信息、工作用途、私人用途、时间段，由用户显性选择相关调查表获得；
[0043]另一方面，建立有数据分析模型，针对每个用户的搜索关键词，通过建立的数据分析模型进行预测用户场景信息。
[0044]进一步地：所述S11具体过程为，在场景感知模型中，该场景感知模型通过加权欧几里得距离来进一步筛选用户对商品喜欢的概率：
[0045]A＝(u,v,x)
[0046]B＝(u
a
,v
a本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.用户
‑
商品偏好的推荐系统，其特征在于：包括数据收集器、评价模块、内容分析器、日志系统、推荐系统、过滤组件和探索组件；评价模块，该评价模块用于让用户直接表达对商品的偏好；数据收集器，该数据收集器将用户与系统的交互行为记录到日志系统中，该行为数据包括显示反馈和隐式反馈；内容分析器，内容分析器将原始信息转换成结构化数据，该结构化数据形成训练数据集；推荐系统，该推荐系统以训练数据集作输入数据用于构建用户兴趣模型；过滤组件，该过滤组件用于过滤掉重复度高的商品，中间推荐集；探索组件随机筛选与用户特征弱相关的商品加入到中间推荐集得到最终推荐集。2.根据权利要求2所述用户
‑
商品偏好的推荐系统，其特征在于：所述日志数据库为Hadoop Hive，该日志系统用于记录浏览、购买、收藏、搜索关键词、点击和留言信息。3.根据权利要求2所述用户
‑
商品偏好的推荐系统，其特征在于：设置有场景感知器，该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。4.用户
‑
商品偏好的推荐系统的工作方法，其特征在于：包括如下步骤：S1：用户向客户端注册，用户输入初始个人信息和偏好；S2：内容分析器将原始信息转换成结构化数据，该结构化数据形成训练数据集S3：推荐模型根据用户历史记录选择合适的推荐模型，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，该初始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，评价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：内容分析器周期性检查该用户对应的日志系统，如果该用户生成有日志数据，该内容分析器从日志中提取数据，内容分析器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处理算法提取场景关键特征；S8：第一推荐模型根据用户偏好数据特征集合训练出用户兴趣模型，第一推荐模型将用户喜欢的商品特征向量与数据库中物品进行相似度计算，取得排行前k个商品作为潜在的第一物品集；S9：第二推荐模型在数据库中提取有相似行为特征的用户，得到用户集合U，第二推荐模型计算用户集合U中的用户相似度最高的k个用户，取得k个...

【专利技术属性】
技术研发人员：顾军林，李燕，杨思通，刘剑飞，
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：