【技术实现步骤摘要】
基于物品的推荐方法及系统
本专利技术涉及基于物品的推荐
,更为具体地,涉及一种基于物品的推荐方法及系统。
技术介绍
随着电子商务规模的不断扩大、商品个数和种类的快速增长,顾客往往需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关信息和产品的过程无疑会使淹没在信息过载问题中的消费者不断流失。个性化推荐是根据用户的兴趣特点和购买行为向用户推荐用户感兴趣的信息和商品的推荐方法,这种推荐方法可以通过分析用户的习惯、历史记录等数据,较为准确地向用户提供感兴趣的信息,如视频、书籍、音乐、商品、新闻等,在很大程度上解决了“信息过载”和“信息迷失”带来的各种问题。在推荐资源的精确度足够高的情况下,个性化推荐还是提高用户粘性的一个非常好的途径。在个性化推荐
,上述推荐的信息可概括为物品,目前基于物品的个性化推荐算法主要有以下两种:(I)协同过滤算法:通过用户对物品的历史评价计算物品间的相似度a,然后利用相似度a来预测用户对未评价物品的评分。从数学模型的角度来看,该算法可理解为令线性回归模型y=ax+b中的b=0的情况。协同过滤算法实际上仅考虑了物品间的相似度对推荐结果的影响。(2)Slopeone算法:通过用户对物品的历史评价计算物品间的差值b,然后利用差值b来预测用户对未评价物品的评分。从数学模型的角度来看,该算法可理解为令线性回归模型y=ax+b中的a=l的情况。Slopeone算法实际上仅考虑了物品间的差对推荐结果的影响。图1为传统的基于物品的推荐方法流程图。如图1所示,协同过滤算法和Slopeone算法的推荐过程包括:步骤SllO ...
【技术保护点】
一种基于物品的推荐方法,包括:获取一个用户的已评价物品,生成所述用户的已评价物品集合,然后从所述用户的已评价物品集合中取出任意两件物品组成物品对;根据所有用户对所述物品对的评价值,分别对所述物品对中的物品进行线性拟合,以得到所有用户已评价物品中物品对的相关系数并进行缓存;然后根据所缓存的物品对的相关系数,获得所有用户已评价物品的相关物品集合;根据所有用户已评价物品的相关物品集合中物品的个数,确定所有用户已评价物品的热门程度,然后根据所述热门程度将所有用户已评价物品进行数据块切分,并对所切分的数据块进行并行化处理,以得到所有用户已评价物品的相关物品集合中的物品的预测值;根据用户每个已评价物品的相关物品集合生成所述用户的可预测物品集合,根据可预测物品集合和用户的已评价物品集合生成所述用户的未评价物品集合;通过对任一用户预测出的未评价物品集合中的物品的所有预测值进行合并,得到所述用户未评价物品集合中的物品的最终预测值;根据所述最终预测值将所述未评价物品集合中的未评价物品推荐给所述用户。
【技术特征摘要】
1.一种基于物品的推荐方法,包括: 获取一个用户的已评价物品,生成所述用户的已评价物品集合,然后从所述用户的已评价物品集合中取出任意两件物品组成物品对; 根据所有用户对所述物品对的评价值,分别对所述物品对中的物品进行线性拟合,以得到所有用户已评价物品中物品对的相关系数并进行缓存;然后根据所缓存的物品对的相关系数,获得所有用户已评价物品的相关物品集合;根据所有用户已评价物品的相关物品集合中物品的个数,确定所有用户已评价物品的热门程度,然后根据所述热门程度将所有用户已评价物品进行数据块切分,并对所切分的数据块进行并行化处理,以得到所有用户已评价物品的相关物品集合中的物品的预测值;根据用户每个已评价物品的相关物品集合生成所述用户的可预测物品集合,根据可预测物品集合和用户的已评价物品集合生成所述用户的未评价物品集合; 通过对任一用户预测出的未评价物品集合中的物品的所有预测值进行合并,得到所述用户未评价物品集合中的物品的最终预测值; 根据所述最终预测值将所述未评价物品集合中的未评价物品推荐给所述用户。2.如权利要求1所述的基于物品的推荐方法,其中,所述未评价物品预测值的计算公式为: I(atkvmt+btk) _ t=l mkc 其中,Vmk为未评价物品预测值,Vmt为能够预测出未评价物品预测值的物品给出的预测值,C为能够预测出未评价物品预测值的物品给出的预测值个数,atk、btk为物品对的相关系数。3.如权利要求1所述的基于物品的推荐方法,其中,所述所有用户已评价物品的相关物品集合中物品的个数与所述所有用户已评价物品的热门程度成正比。4.如权利要求1所述的基于物品的推荐方法,其中,在根据所述热门程度将所有用户已评价...
【专利技术属性】
技术研发人员:赵影,张霞,赵立军,任英杰,
申请(专利权)人:东软集团股份有限公司,
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。