本发明专利技术公开一种用户-商品点击率自适应预测方法和装置，涉及计算机数据处理领域，本发明专利技术采用一种通过规约矩阵因式分解，基于增量用户-商品点击率统计数据，对不断变化的用户-商品点击行为规律进行自适应的统计分析，以确定在当前时间点，符合已知用户-商品点击数据的用户行为规律，从而建立自适应的用户-商品点击率模型，使用用户-商品点击率模型产生未知用户-商品点击率的预测数据。能够根据用户行为的变化对用户-商品点击率模型进行自适应、计算代价较小的调整，从而提供自适应的用户-商品点击率预测结果，提高对用户行为规律变化进行反映的实时性。
【技术实现步骤摘要】
本专利技术设计计算机数据处理
，特别涉及电子商务中一种用户-商品点击率自适应确定。
技术介绍
现代电子商务系统，尤其是运营较为成功的系统，其用户数量和网络商品数量十分巨大。可以通过服务器收集的用户对网络商品的点击率历史数据，形成庞大的用户-商品点击率统计矩阵。基于巨大的用户和网络商品数量，通常情况下，一个用户不可能穷尽浏览所有的商品，一个商品也不可能被所有的用户点击。因此，一般而言，用户-商品点击率统计矩阵中的已知数据往往远远少于未知数据；亦即，用户-商品点击率统计矩阵是极端稀疏的。在电子商务系统运营过程中，基于用户-商品点击率统计矩阵中的已知数据，了解和分析用户对商品进行点击的行为规律，在此基础上建立起有效的用户-商品点击率模型，可以较好地建立用户对网络商品进行点击的仿真环境来模拟真实环境，从而为电子商务系统在运营过程中的信息组织和营销策略的制订提供重要的依据。 关于用户-商品点击率预测方法，已经有了很多的相关工作。但是，现有的方法都基于构造一个静态的用户-商品点击率模型，该模型需要基于静态的用户-商品点击率统计矩阵进行构建，即:(1)该矩阵所对应的用户集合是固定的；(2)该矩阵所对应的商品集合是固定的；(3)该矩阵中已知的用户-商品点击率数据是固定的。一旦真实情况违背上述条件，就需要重新构造整个用户-商品点击率模型。上述方法在真实电子商务系统中存在弊端。这是因为对于运营良好的电子商务系统而言，静态的用户-商品点击率统计矩阵的条件很难满足，即(I)该矩阵中的用户-商品点击率数据，随着用户的不断访问，将会发生频率极高的变化，在网络访问高峰时段尤为明显；(2)该矩阵所对应的商品集合，随着系统运营商对新商品的加入，将会发生频率较高的变化；(3)该矩阵所对应的用户集合，随着新用户的注册加入，将会发生频率较高的变化。对应于上述变化，将会导致极为频繁的对整个用户-商品点击率模型的重建，从而导致下列问题:(1)重复构建整个用户-商品点击率模型，将会耗费大量的计算资源；(2)重复构建整个用户-商品点击率模型，将无法及时反映用户行为的变化。
技术实现思路
本专利技术针对现有技术中存在的上述问题，提供一种用户-商品点击率自适应预测方法和装置，能够根据用户行为的变化对用户-商品点击率模型进行自适应、计算代价较小的调整，从而提供自适应的用户-商品点击率预测结果，提高对用户行为规律变化进行反映的实时性。本专利技术解决上述技术问题的技术方案为，提供一种用户-商品点击率自适应预测装置，包括:数据接收模块:接收服务器获取的用户-商品点击率数据，采集数据直接存放进入存储模块，同时通知参数控制模块对相应的全局用户-商品点击率模型控制参数和增量用户-商品点击率模型控制参数进行更新；参数控制模块:从存储模块中获取全局用户-商品点击率模型控制参数和增量用户-商品点击率模型控制参数，实施对全局和增量用户-商品点击率模型控制参数的更新和重置，判断是否满足全局用户-商品点击率模型和增量用户-商品点击率模型的构造和更新条件；存储模块:存储采集的用户-商品点击率数据和模型控制参数；模型自适应构造模块:根据用户-商品点击率数据和控制参数构造全局用户-商品点击率模型和增量用户-商品点击率模型。控制模块根据数据接收模块发送的通知，对相应的全局用户-商品点击率模型控制参数和增量用户-商品点击率模型控制参数进行更新后，如果满足全局用户-商品点击率模型和增量用户-商品点击率模型的构造条件，通知模型自适应构造模块对相应的模型进行构造。预测数据生成模块:调用更新后的控制参数和点击率数据，通过全局用户-商品点击率模型和增量用户-商品点击率模型生成用户-商品点击率预测数据。具体可包括:计算单元调用规约矩阵因式分解根据点击率矩阵获得用户隐含特征矩阵J和商品隐含特征矩阵K，根据当前增量用户集合、当前增量商品集合，构造增量用户隐含特征矩阵和增量商品隐含特征矩阵，调用用户隐含特征矩阵和商品隐含特征矩阵、以及增量用户隐含特征矩阵和增量商品隐含特征矩阵中对应的用户和商品隐含特征向量，分别计算这两组向量的内积，根据全局-增量均衡因子对两组向量的内积进行加权累加获得点击率预测数据；输出单元:输出用户-商品点击率预测数据。预测数据生成模块的预测过程直接由服务器发送的用户-商品点击率预测请求触发。`其中，全局用户-商品点击率模型包括用户隐含特征矩阵和商品隐含特征矩阵，根据当前用户集合U，当前商品集合C，建立一个Iul行，Cl列的矩阵作为用户-商品点击率矩阵R，计算单元调用规约矩阵因式分解对R进行分解，得到一个Iul行，f列的用户隐含特征矩阵J，以及一个|c|行，f列的商品隐含特征矩阵K，其中，J中的每一个行向量对应一个用户的隐含特征向量，K中的每一个行向量对应一个商品的隐含特征向量，f为用户隐含特征空间和商品隐含特征空间的维数。增量用户-商品点击率模型包括增量用户隐含特征矩阵和增量商品隐含特征矩阵，根据当前增量用户集合U1,当前增量商品集合C1,构造一个Iu1行，C1列的增量子矩阵R1，计算单元调用规约矩阵因式分解对R1进行分解，得到增量用户隐含特征矩阵J1，和商品隐含特征矩阵K1,其中，J1中的每一个行向量对应于一个增量用户的隐含特征向量，K1中的每一个行向量对应于一个增量商品的隐含特征向量。根据全局-增量均衡因子对两组向量的内积进行加权累加获得点击率预测数据具体包括:对于U’和c’，提取用户隐含特征矩阵J和商品隐含特征矩阵K中相应的行向量ju，和k。，，以及增量用户隐含特征矩阵J1和增量商品隐含特征矩阵K1中相应的行向量j(I)u，和k(I)。，计算单元根据公式ru>,c.= β.Λ..K +(!-/3) j(iy.kIiy 进行加权获得对 ru,，的预测数据，其中，β为全局-增量均衡因子。构造全局用户-商品点击率模型进一步包括，计算单元调用规约矩阵因式分解获得用户隐含特征矩阵J和商品隐含特征矩阵K，调用公式 权利要求1.一种用户-商品点击率自适应预测装置，其特征在于，包括:数据接收模块:接收服务器获取的用户-商品点击率数据；参数控制模块:从存储模块中获取全局用户-商品点击率模型控制参数和增量用户-商品点击率模型控制参数实施对全局和增量用户-商品点击率模型控制参数的更新和重置；存储模块:存储采集的点击率数据和模型控制参数；模型自适应构造模块:根据用户-商品点击率数据和控制参数构造全局用户-商品点击率模型和增量用户-商品点击率模型；预测数据生成模块:调用更新后的控制参数和用户-商品点击率数据，通过全局用户-商品点击率模型和增量用户-商品点击率模型生成用户-商品点击率预测数据，具体为:计算单元调用规约矩阵因式分解根据点击率矩阵获得用户隐含特征矩阵J和商品隐含特征矩阵K，根据当前增量用户集合、当前增量商品集合，构造增量用户隐含特征矩阵和增量商品隐含特征矩阵，调用用户隐含特征矩阵和商品隐含特征矩阵、以及增量用户隐含特征矩阵和增量商品隐含特征矩阵中对应的用户和商品隐含特征向量，分别计算这两组向量的内积，根据全局-增量均衡因子对两组向量的内积进行加权累加获得点击率预测数据；输出单元:输出用户-商品点击率预测数据。2.如权利要求1所述的装置，其特征在于，全局用户-商品点击率模型包括用户隐本文档来自技高网...
【技术保护点】
一种用户?商品点击率自适应预测装置，其特征在于，包括：数据接收模块：接收服务器获取的用户?商品点击率数据；参数控制模块：从存储模块中获取全局用户?商品点击率模型控制参数和增量用户?商品点击率模型控制参数实施对全局和增量用户?商品点击率模型控制参数的更新和重置；存储模块：存储采集的点击率数据和模型控制参数；模型自适应构造模块：根据用户?商品点击率数据和控制参数构造全局用户?商品点击率模型和增量用户?商品点击率模型；预测数据生成模块：调用更新后的控制参数和用户?商品点击率数据，通过全局用户?商品点击率模型和增量用户?商品点击率模型生成用户?商品点击率预测数据，具体为：计算单元调用规约矩阵因式分解根据点击率矩阵获得用户隐含特征矩阵J和商品隐含特征矩阵K，根据当前增量用户集合、当前增量商品集合，构造增量用户隐含特征矩阵和增量商品隐含特征矩阵，调用用户隐含特征矩阵和商品隐含特征矩阵、以及增量用户隐含特征矩阵和增量商品隐含特征矩阵中对应的用户和商品隐含特征向量，分别计算这两组向量的内积，根据全局?增量均衡因子对两组向量的内积进行加权累加获得点击率预测数据；输出单元：输出用户?商品点击率预测数据。
【技术特征摘要】
【专利技术属性】
技术研发人员：罗辛，葛亮，夏云霓，朱庆生，周明强，
申请(专利权)人：重庆大学，
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。