System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及协同过滤算法推荐,尤其涉及一种基于隐式反馈的协同过滤算法的优化策略。
技术介绍
1、随着互联网的迅猛发展,电子商务已经成为现代商业中不可或缺的一部分。在电子商务领域,推荐系统在提高用户满意度、促进销售和增强平台竞争力方面扮演着关键角色。然而,传统推荐系统仍然面临着用户-商品交互矩阵高维且稀疏以及隐式反馈数据难以处理的问题。
2、针对隐式反馈数据的处理方面,现有的协同过滤算法(例如基于深度学习的神经协同过滤算法)往往是根据用户是否交互而划分正负例,而不会对潜在的假正例和假负例进行识别。这种做法在训练无噪声数据时的确可以取得很好的效果。但是,在实际环境中,用户的交互数据是存在大量的噪声的,例如,用户交互过的商品有可能只是误点、帮购或者是购买之后反馈不好;用户未交互过的商品也有可能只是没看到等等。这些潜在的假正例和假负例都无法被我们直接识别,其需要进一步的分析。
3、针对用户-商品交互矩阵数据稀疏性问题,现有的协同过滤算法(例如矩阵分解算法)可以通过将用户-商品交互矩阵转化为两个低秩矩阵的乘积来缓解数据稀疏性。然而,在模型训练过程中(例如als优化算法),由于矩阵中存在大量的空值,即使是矩阵分解算法也难以将其转化为两个准确的低维矩阵,因此需要对矩阵进行一个初步的优化。同时,als优化算法往往将空值默认为0值,且置信度均设置相同,表示用户对每一个未交互商品不感兴趣的可能性是相同的。而这显然是不合理的,因此关于als优化算法中用户对未交互商品不感兴趣的置信度还需要得到进一步的分析。
【技术保护点】
1.一种基于隐式反馈的协同过滤算法的优化策略,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于隐式反馈的协同过滤算法的优化策略,其特征在于,用户对交互商品的偏好值的计算过程包括以下步骤:
3.根据权利要求2所述的基于隐式反馈的协同过滤算法的优化策略,其特征在于,对于表示用户对商品的交互行为的量化值,取值规则为:对于浏览行为,;对于收藏行为,;对于加入购物车行为,;对于购买行为,。
4.根据权利要求2所述的基于隐式反馈的协同过滤算法的优化策略,其特征在于,对于计算出的用户对交互商品的偏好值,还通过设定偏好值阈值并结合隐式反馈数据来过滤假正例,所述假正例指用户对其产生过交互但实际并不感兴趣的商品;
5.根据权利要求1所述的基于隐式反馈的协同过滤算法的优化策略,其特征在于,商品热度表示为:
6.根据权利要求1所述的基于隐式反馈的协同过滤算法的优化策略,其特征在于,对于计算出的用户对交互商品的偏好值,还通过计算商品热度来更新用户对商品的偏好值,具体为:
7.根据权利要求1所述的基于隐式反馈的协同过滤算法的优化
8.根据权利要求7所述的基于隐式反馈的协同过滤算法的优化策略,其特征在于,所述计算用户对所有商品有兴趣或无兴趣的置信度,包括以下步骤:
9.根据权利要求1所述的基于隐式反馈的协同过滤算法的优化策略,其特征在于,所述采用改进ALS优化算法对用户和商品进行建模,包括以下步骤:
10.根据权利要求1所述的基于隐式反馈的协同过滤算法的优化策略,其特征在于,所述基于用户-商品模型实现针对给定用户的商品推荐,具体为:
...【技术特征摘要】
1.一种基于隐式反馈的协同过滤算法的优化策略,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于隐式反馈的协同过滤算法的优化策略,其特征在于,用户对交互商品的偏好值的计算过程包括以下步骤:
3.根据权利要求2所述的基于隐式反馈的协同过滤算法的优化策略,其特征在于,对于表示用户对商品的交互行为的量化值,取值规则为:对于浏览行为,;对于收藏行为,;对于加入购物车行为,;对于购买行为,。
4.根据权利要求2所述的基于隐式反馈的协同过滤算法的优化策略,其特征在于,对于计算出的用户对交互商品的偏好值,还通过设定偏好值阈值并结合隐式反馈数据来过滤假正例,所述假正例指用户对其产生过交互但实际并不感兴趣的商品;
5.根据权利要求1所述的基于隐式反馈的协同过滤算法的优化策略,其特征在于,商品热度表示为:
6.根据权...
【专利技术属性】
技术研发人员:吕晟,王佳斌,颜鹏贵,邓凡,林熙隆,
申请(专利权)人:华侨大学,
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。