本發(fā)明屬于互聯(lián)網(wǎng)技術(shù)領(lǐng)域，尤其涉及一種基于時(shí)間的產(chǎn)品推薦方法及系統(tǒng)。

背景技術(shù)：

現(xiàn)有的產(chǎn)品推薦網(wǎng)站會(huì)根據(jù)用戶的喜好去給用戶推薦對(duì)應(yīng)的項(xiàng)目，便于用戶的選擇。傳統(tǒng)的推薦方法是利用用戶的舊偏好對(duì)用戶未來(lái)的喜好進(jìn)行預(yù)測(cè)并將得分高的項(xiàng)目排在推薦列表前面，根據(jù)推薦列表給用戶進(jìn)行項(xiàng)目推薦。傳統(tǒng)的推薦方法及其評(píng)價(jià)方法注重于網(wǎng)絡(luò)的結(jié)構(gòu)屬性而忽略可用的時(shí)間信息。然而隨著網(wǎng)絡(luò)老齡化速度的加快，時(shí)間成為網(wǎng)絡(luò)信息增長(zhǎng)的重要屬性。時(shí)間屬性已在信息網(wǎng)絡(luò)的演變中被演示、建模并應(yīng)用到許多應(yīng)用之中。所以，將時(shí)間屬性添加進(jìn)推薦方法中顯得十分必要。

基于時(shí)間的推薦方法在傳統(tǒng)推薦方法的基礎(chǔ)上增加了時(shí)間信息，其具體實(shí)現(xiàn)過(guò)程為：將收集到的數(shù)據(jù)分為兩部分，一部分稱為測(cè)試集(training set)，另一部分稱為探針集(probe set)。推薦算法的任務(wù)是將測(cè)試集作為輸入數(shù)據(jù)去對(duì)重現(xiàn)探測(cè)集的數(shù)據(jù)。重現(xiàn)效果越好，說(shuō)明預(yù)測(cè)精確度越高。分割數(shù)據(jù)的時(shí)候是根據(jù)數(shù)據(jù)的時(shí)間因素：選定一個(gè)時(shí)間點(diǎn)T_p，將在此時(shí)間點(diǎn)之前出現(xiàn)的數(shù)據(jù)歸入測(cè)試集，其余數(shù)據(jù)歸入探針集。對(duì)于一個(gè)推薦方法，其主要任務(wù)是通過(guò)推薦算法為每一個(gè)不同的項(xiàng)目計(jì)算出對(duì)應(yīng)的分?jǐn)?shù)，然后根據(jù)分?jǐn)?shù)大小得出一個(gè)推薦列表，然后將該推薦列表推薦給指定用戶。

SimS方法(Similarity-preferential diffusion。相似優(yōu)先擴(kuò)散方法)是將物理中的熱融合(Heat diffusion)和概率擴(kuò)散原理(probabilistic spreading)結(jié)合起來(lái)，該方法是根據(jù)其活動(dòng)為每個(gè)單獨(dú)用戶分配項(xiàng)目上的資源，然后通過(guò)網(wǎng)絡(luò)根據(jù)擴(kuò)展規(guī)則使用資源。在此方法中，可以通過(guò)修改lamda的值獲得不同的推薦方法：當(dāng)lamda＝1時(shí)，等效于概率擴(kuò)散方法(ProbS，Probabilistic Spreading),當(dāng)lamda＝0時(shí)等效于熱融合方法(Heat Spreading)。為了將時(shí)間作為考慮因素，在最后所得的推薦分?jǐn)?shù)中加入最近增長(zhǎng)熱度，將SimS與最近增長(zhǎng)熱度結(jié)合起來(lái)的方法為基于時(shí)間感知的熱融合和概率擴(kuò)散結(jié)合方法(THybrid)

在信息過(guò)濾中使用recall值作為一個(gè)度量標(biāo)準(zhǔn)去對(duì)推薦方法的精確度進(jìn)行量化分析。recall是作為正確預(yù)測(cè)項(xiàng)目的比例。一個(gè)項(xiàng)目被準(zhǔn)確預(yù)測(cè)的標(biāo)準(zhǔn)是其出現(xiàn)在用戶的推薦列表中的同時(shí)，其對(duì)應(yīng)的用戶--項(xiàng)目鏈接出現(xiàn)在探測(cè)集中。為了計(jì)算推薦方法的多樣性，使用了出現(xiàn)在推薦列表前L位的項(xiàng)目的度的平均值。

盡管THybrid具有堅(jiān)實(shí)的理論基礎(chǔ)，在實(shí)踐中的應(yīng)用領(lǐng)域在不斷擴(kuò)展，取得了不錯(cuò)的效果。但是THybrid方法由于未考慮不同類型的數(shù)據(jù)受時(shí)間影響的程度不同，對(duì)應(yīng)的受最近增長(zhǎng)熱度影響的程度也不同，導(dǎo)致產(chǎn)品推薦的精確度不準(zhǔn)確。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問(wèn)題在于提供一種基于時(shí)間的產(chǎn)品推薦方法及系統(tǒng)，旨在解決現(xiàn)有在使用THybrid方法進(jìn)行產(chǎn)品推薦時(shí)容易導(dǎo)致精確度不準(zhǔn)確的問(wèn)題。

本發(fā)明是這樣實(shí)現(xiàn)的，一種基于時(shí)間的產(chǎn)品推薦方法，包括：

從目標(biāo)數(shù)據(jù)庫(kù)獲取包括用戶和項(xiàng)目的目標(biāo)數(shù)據(jù)，根據(jù)所述目標(biāo)數(shù)據(jù)構(gòu)建關(guān)于用戶和項(xiàng)目的目標(biāo)矩陣；

根據(jù)所述目標(biāo)矩陣和SimS算法，計(jì)算得到不同項(xiàng)目對(duì)用戶的分值；

根據(jù)最近增長(zhǎng)熱度算法，計(jì)算得到不同項(xiàng)目在指定時(shí)間內(nèi)的最近增長(zhǎng)熱度；

設(shè)置權(quán)重值，基于THybrid算法根據(jù)所述權(quán)重值、所述分值和所述最近增長(zhǎng)熱度進(jìn)行計(jì)算，得到初級(jí)推薦分值；

根據(jù)所述目標(biāo)數(shù)據(jù)的類型獲取目標(biāo)數(shù)據(jù)參數(shù)，并根據(jù)所述目標(biāo)數(shù)據(jù)參數(shù)對(duì)所述初級(jí)推薦分值進(jìn)行優(yōu)化計(jì)算，得到各項(xiàng)目對(duì)所述用戶的推薦分值；

根據(jù)所述推薦分值確定項(xiàng)目列表，所述項(xiàng)目列表按照所述推薦分值對(duì)所述項(xiàng)目進(jìn)行順序排序，根據(jù)預(yù)置推薦規(guī)則獲取所述項(xiàng)目列表中的若干項(xiàng)目，并將所述若干項(xiàng)目推送至所述用戶的推薦列表。

進(jìn)一步地，所述根據(jù)所述目標(biāo)數(shù)據(jù)構(gòu)建關(guān)于用戶和項(xiàng)目的目標(biāo)矩陣包括：

將所述目標(biāo)數(shù)據(jù)保存為.dat格式；

根據(jù)所述目標(biāo)數(shù)據(jù)構(gòu)建關(guān)于用戶和項(xiàng)目的目標(biāo)矩陣，其中，以a表示所述目標(biāo)矩陣，則：當(dāng)?shù)趇個(gè)用戶與第α個(gè)項(xiàng)目不相關(guān)時(shí)，a_iα＝0，當(dāng)?shù)趇個(gè)用戶與第α個(gè)項(xiàng)目相關(guān)時(shí)，a_iα＝1。

進(jìn)一步地，所述根據(jù)所述目標(biāo)數(shù)據(jù)構(gòu)建關(guān)于用戶和項(xiàng)目的目標(biāo)矩陣之后還包括：

獲取每一項(xiàng)目相關(guān)的用戶數(shù)量，及獲取每一用戶相關(guān)的項(xiàng)目數(shù)量。

進(jìn)一步地，以表示所述分值，以Δk'_α(t,τ)表示所述最近增長(zhǎng)熱度，Δk'_α(t,τ)＝Δk_α(t,τ)+εk_α(t)，以λ表示所述權(quán)重值，以表示所述初始推薦分值，則：

進(jìn)一步地，所述根據(jù)所述目標(biāo)數(shù)據(jù)的類型獲取目標(biāo)數(shù)據(jù)參數(shù)，并根據(jù)所述目標(biāo)數(shù)據(jù)參數(shù)對(duì)所述初級(jí)推薦分值進(jìn)行優(yōu)化計(jì)算，得到各項(xiàng)目對(duì)所述用戶的推薦分值包括：

根據(jù)所述目標(biāo)數(shù)據(jù)從類型參數(shù)列表中獲取所述目標(biāo)數(shù)據(jù)的目標(biāo)數(shù)據(jù)參數(shù)，所述類型參數(shù)列表包括目標(biāo)數(shù)據(jù)和目標(biāo)數(shù)據(jù)參數(shù)的對(duì)應(yīng)關(guān)系；

根據(jù)所述目標(biāo)數(shù)據(jù)參數(shù)對(duì)所述初級(jí)推薦分值進(jìn)行計(jì)算，得到各項(xiàng)目對(duì)所述用戶的推薦分?jǐn)?shù)，以r表示所述目標(biāo)數(shù)據(jù)參數(shù)，以表示所述推薦分值，則：

本發(fā)明還提供了一種基于時(shí)間的產(chǎn)品推薦系統(tǒng)，包括：

矩陣構(gòu)建單元，用于從目標(biāo)數(shù)據(jù)庫(kù)獲取包括用戶和項(xiàng)目的目標(biāo)數(shù)據(jù)，根據(jù)所述目標(biāo)數(shù)據(jù)構(gòu)建關(guān)于用戶和項(xiàng)目的目標(biāo)矩陣；

分值計(jì)算單元，用于根據(jù)所述目標(biāo)矩陣和SimS算法，計(jì)算得到不同項(xiàng)目對(duì)用戶的分值；

熱度計(jì)算單元，用于根據(jù)最近增長(zhǎng)熱度算法，計(jì)算得到不同項(xiàng)目在指定時(shí)間內(nèi)的最近增長(zhǎng)熱度；

權(quán)重計(jì)算單元，用于設(shè)置權(quán)重值，基于THybrid算法根據(jù)所述權(quán)重值、所述分值和所述最近增長(zhǎng)熱度進(jìn)行計(jì)算，得到初級(jí)推薦分值；

分值確定單元，用于根據(jù)所述目標(biāo)數(shù)據(jù)的類型獲取目標(biāo)數(shù)據(jù)參數(shù)，并根據(jù)所述目標(biāo)數(shù)據(jù)參數(shù)對(duì)所述初級(jí)推薦分值進(jìn)行優(yōu)化計(jì)算，得到各項(xiàng)目對(duì)所述用戶的推薦分值；

列表推薦單元，用于根據(jù)所述推薦分值確定項(xiàng)目列表，所述項(xiàng)目列表按照所述推薦分值對(duì)所述項(xiàng)目進(jìn)行順序排序，根據(jù)預(yù)置推薦規(guī)則獲取所述項(xiàng)目列表中的若干項(xiàng)目，并將所述若干項(xiàng)目推送至所述用戶的推薦列表。

進(jìn)一步地，所述矩陣構(gòu)建單元具體用于：

將所述目標(biāo)數(shù)據(jù)保存為.dat格式；

根據(jù)所述目標(biāo)數(shù)據(jù)構(gòu)建關(guān)于用戶和項(xiàng)目的目標(biāo)矩陣，其中，以a表示所述目標(biāo)矩陣，則：當(dāng)?shù)趇個(gè)用戶與第α個(gè)項(xiàng)目不相關(guān)時(shí)，a_iα＝0，當(dāng)?shù)趇個(gè)用戶與第α個(gè)項(xiàng)目相關(guān)時(shí)，a_iα＝1。

進(jìn)一步地，所述矩陣構(gòu)建單元還用于：

獲取每一項(xiàng)目相關(guān)的用戶數(shù)量，及獲取每一用戶相關(guān)的項(xiàng)目數(shù)量。

進(jìn)一步地，以表示所述分值，以Δk'_α(t,τ)表示所述最近增長(zhǎng)熱度，Δk'_α(t,τ)＝Δk_α(t,τ)+εk_α(t)，以λ表示所述權(quán)重值，以表示所述初始推薦分值，則：

進(jìn)一步地，所述分值確定單元具體用于：

根據(jù)所述目標(biāo)數(shù)據(jù)從類型參數(shù)列表中獲取所述目標(biāo)數(shù)據(jù)的目標(biāo)數(shù)據(jù)參數(shù)，所述類型參數(shù)列表包括目標(biāo)數(shù)據(jù)和目標(biāo)數(shù)據(jù)參數(shù)的對(duì)應(yīng)關(guān)系；

根據(jù)所述目標(biāo)數(shù)據(jù)參數(shù)對(duì)所述初級(jí)推薦分值進(jìn)行計(jì)算，得到各項(xiàng)目對(duì)所述用戶的推薦分?jǐn)?shù)，以r表示所述目標(biāo)數(shù)據(jù)參數(shù)，以表示所述推薦分值，則：

本發(fā)明與現(xiàn)有技術(shù)相比，有益效果在于：本發(fā)明通過(guò)獲取目標(biāo)數(shù)據(jù)，并根據(jù)目標(biāo)數(shù)據(jù)構(gòu)建目標(biāo)矩陣，根據(jù)該目標(biāo)矩陣和SimS算法計(jì)算得到不同項(xiàng)目對(duì)用戶的分值，并計(jì)算指定時(shí)間內(nèi)的最近增長(zhǎng)熱度，以設(shè)置的權(quán)重值、分值和最近增長(zhǎng)熱度基于Thybrid計(jì)算得到初始推薦分值，最后根據(jù)目標(biāo)數(shù)據(jù)的類型獲取目標(biāo)數(shù)據(jù)參數(shù)，并以該目標(biāo)數(shù)據(jù)參數(shù)對(duì)初始推薦分值進(jìn)行優(yōu)化，得到最終的推薦分值。本發(fā)明實(shí)施例在進(jìn)行產(chǎn)品的推薦分值計(jì)算時(shí)，在最近增長(zhǎng)熱度計(jì)算時(shí)加入了時(shí)間因素，并根據(jù)目標(biāo)數(shù)據(jù)的類型對(duì)應(yīng)的目標(biāo)數(shù)據(jù)參數(shù)進(jìn)行計(jì)算最終的推薦分值，因?yàn)樵诒景l(fā)明提供的實(shí)施例中加入了時(shí)間因素和了目標(biāo)數(shù)據(jù)的類型，因此提高了產(chǎn)品推薦的精確度。

附圖說(shuō)明

圖1是本發(fā)明實(shí)施例提供的一種基于時(shí)間的產(chǎn)品推薦方法的流程圖；

圖2是本發(fā)明實(shí)施例提供的不同項(xiàng)目的度與其最近增長(zhǎng)熱度的關(guān)系示意圖；

圖3是是本發(fā)明實(shí)施例提供的目標(biāo)數(shù)據(jù)參數(shù)與recall值的對(duì)應(yīng)關(guān)系圖；

圖4是本發(fā)明實(shí)施例提供的一種基于時(shí)間的產(chǎn)品推薦系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

本發(fā)明提供了如圖1所示的一種基于時(shí)間的產(chǎn)品推薦方法，包括：

S101，從目標(biāo)數(shù)據(jù)庫(kù)獲取包括用戶和項(xiàng)目的目標(biāo)數(shù)據(jù)，根據(jù)所述目標(biāo)數(shù)據(jù)構(gòu)建關(guān)于用戶和項(xiàng)目的目標(biāo)矩陣。

在本步驟中，目標(biāo)數(shù)據(jù)庫(kù)包括現(xiàn)有的提供產(chǎn)品推薦的網(wǎng)站的數(shù)據(jù)庫(kù)，如具備商家信息、服務(wù)信息、用戶點(diǎn)評(píng)信息等團(tuán)購(gòu)網(wǎng)站，或者具備點(diǎn)評(píng)功能的點(diǎn)評(píng)網(wǎng)站等。產(chǎn)品推薦系統(tǒng)從目標(biāo)數(shù)據(jù)庫(kù)中獲取包括用戶和項(xiàng)目的目標(biāo)數(shù)據(jù)，用戶表示在該目標(biāo)數(shù)據(jù)中的注冊(cè)的用戶信息，項(xiàng)目表示該目標(biāo)數(shù)據(jù)庫(kù)中保存的供的各個(gè)項(xiàng)目等。產(chǎn)品推薦系統(tǒng)從目標(biāo)數(shù)據(jù)庫(kù)中獲取目標(biāo)數(shù)據(jù)后，將該目標(biāo)數(shù)據(jù)保存為.dat格式，并根據(jù)該目標(biāo)數(shù)據(jù)構(gòu)建關(guān)于用戶和項(xiàng)目的目標(biāo)矩陣，以a表示所述目標(biāo)矩陣，則：當(dāng)?shù)趇個(gè)用戶與第α個(gè)項(xiàng)目不相關(guān)時(shí)，a_iα＝0，當(dāng)?shù)趇個(gè)用戶與第α個(gè)項(xiàng)目相關(guān)時(shí)，a_iα＝1。產(chǎn)品推薦系統(tǒng)在構(gòu)建目標(biāo)矩陣之后，將獲取每一項(xiàng)目相關(guān)的用戶數(shù)量，及獲取每一用戶相關(guān)的項(xiàng)目數(shù)量，即目標(biāo)矩陣中a的值對(duì)每一個(gè)項(xiàng)目都有其自身的度，以k_α表示與項(xiàng)目α相關(guān)的用戶數(shù)量，當(dāng)有X個(gè)用戶與項(xiàng)目α相關(guān)時(shí)，k_α＝X，以k_i表示與用戶i相關(guān)的項(xiàng)目數(shù)量，當(dāng)有Y個(gè)項(xiàng)目與項(xiàng)目i相關(guān)時(shí)，k_i＝Y(jié)。

S102，根據(jù)所述目標(biāo)矩陣和SimS算法，計(jì)算得到不同項(xiàng)目對(duì)用戶的分值。

在本步驟中，以表示不同項(xiàng)目對(duì)用戶的分值，則其中，當(dāng)需要計(jì)算項(xiàng)目α對(duì)用戶i的h值，則需對(duì)于全部U個(gè)用戶，每一個(gè)用戶j進(jìn)行以上公式的計(jì)算；其中，s_ij是指用戶i與用戶j的相似度，其具體的公式為：

就是說(shuō)，用戶i與用戶j之間的相似度s_ij，是根據(jù)他們二人共同收集的項(xiàng)目所決定的；其中，I表示所有的項(xiàng)目數(shù)。

而中的θ，是決定了需要給高相似度的用戶多大的權(quán)重，λ是將ProbS和HeatS結(jié)合起來(lái)的參數(shù)。當(dāng)θ＝1，λ＝1，SimS等價(jià)于ProbS；當(dāng)θ＝1，λ＝0，SimS等價(jià)于HeatS.

S103，根據(jù)最近增長(zhǎng)熱度算法，計(jì)算得到不同項(xiàng)目在指定時(shí)間內(nèi)的最近增長(zhǎng)熱度。

在本步驟中，以Δk'_α(t,τ)表示所述最近增長(zhǎng)熱度，則Δk'_α(t,τ)＝Δk_α(t,τ)+εk_α(t)。

S104，設(shè)置權(quán)重值，基于THybrid算法根據(jù)所述權(quán)重值、所述分值和所述最近增長(zhǎng)熱度進(jìn)行計(jì)算，得到初級(jí)推薦分值。

在本步驟中，以λ表示所述權(quán)重值，以表示所述初始推薦分值，則：

S105，根據(jù)所述目標(biāo)數(shù)據(jù)的類型獲取目標(biāo)數(shù)據(jù)參數(shù)，并根據(jù)所述目標(biāo)數(shù)據(jù)參數(shù)對(duì)所述初級(jí)推薦分值進(jìn)行優(yōu)化計(jì)算，得到各項(xiàng)目對(duì)所述用戶的推薦分值。

在本步驟中，產(chǎn)品推薦系統(tǒng)根據(jù)所述目標(biāo)數(shù)據(jù)從類型參數(shù)列表中獲取所述目標(biāo)數(shù)據(jù)的目標(biāo)數(shù)據(jù)參數(shù)，所述類型參數(shù)列表包括目標(biāo)數(shù)據(jù)和目標(biāo)數(shù)據(jù)參數(shù)的對(duì)應(yīng)關(guān)系，并根據(jù)所述目標(biāo)數(shù)據(jù)參數(shù)對(duì)所述初級(jí)推薦分值進(jìn)行計(jì)算，得到各項(xiàng)目對(duì)所述用戶的推薦分?jǐn)?shù)，以r表示所述目標(biāo)數(shù)據(jù)參數(shù)，以表示所述推薦分值，則：在實(shí)際應(yīng)用中，產(chǎn)品推薦系統(tǒng)除了自動(dòng)獲取目標(biāo)數(shù)據(jù)的目標(biāo)數(shù)據(jù)參數(shù)之外，還可以接收目標(biāo)數(shù)據(jù)參數(shù)設(shè)置指令對(duì)目標(biāo)數(shù)據(jù)參數(shù)進(jìn)行設(shè)置。

S106，根據(jù)所述推薦分值確定項(xiàng)目列表，所述項(xiàng)目列表按照所述推薦分值對(duì)所述項(xiàng)目進(jìn)行順序排序，根據(jù)預(yù)置推薦規(guī)則獲取所述項(xiàng)目列表中的若干項(xiàng)目，并將所述若干項(xiàng)目推送至所述用戶的推薦列表。

在本步驟中，產(chǎn)品推薦系統(tǒng)按照從大到小的推薦分值對(duì)所有項(xiàng)目進(jìn)行排序，得到項(xiàng)目列表，并按照預(yù)置推薦規(guī)則獲取該項(xiàng)目列表中的若干項(xiàng)目，并該若干項(xiàng)目推送至用戶的推薦列表。預(yù)置推薦規(guī)則包括：取該項(xiàng)目列表中的前幾個(gè)分值最高的項(xiàng)目、取同一類型項(xiàng)目中分值最高的前幾個(gè)項(xiàng)目等。

本發(fā)明實(shí)施例用于探索不同網(wǎng)站的基于現(xiàn)有數(shù)據(jù)對(duì)用戶進(jìn)行項(xiàng)目推薦的能力。由于不同類型的網(wǎng)站信息與時(shí)間的相關(guān)程度不同，與最近增長(zhǎng)熱度的相關(guān)程度也不同。為了提高推薦精確度，本發(fā)明實(shí)施例提供的產(chǎn)品推薦方法，給THybrid中的最近增長(zhǎng)熱度提供一個(gè)權(quán)重值λ，不同類型的網(wǎng)站所得權(quán)重值不同。在此引入一個(gè)目標(biāo)數(shù)據(jù)參數(shù)r，最終得到推薦分值根據(jù)引入了r后的最近增長(zhǎng)熱度，再結(jié)合SimS進(jìn)行計(jì)算，便可得到recall值更高的推薦方法。

下面通過(guò)圖2和圖3對(duì)本發(fā)明實(shí)施例進(jìn)行進(jìn)一步地解釋：

本發(fā)明利用Netflix,Digg,Yelp三個(gè)網(wǎng)站的數(shù)據(jù)進(jìn)行推薦算法實(shí)踐檢驗(yàn)，并進(jìn)行優(yōu)化，取得了有益效果。

圖2分別是三個(gè)網(wǎng)站中，不同項(xiàng)目的度與其最近增長(zhǎng)熱度的關(guān)系。采用log-log直線更加直觀的展現(xiàn)出不同類型網(wǎng)站中，項(xiàng)目的度與項(xiàng)目最近增長(zhǎng)熱度不同。其中，Netflix的相關(guān)性最高，Digg的相關(guān)性最低。圖2中，三個(gè)數(shù)據(jù)集中項(xiàng)目的最近增長(zhǎng)熱度與項(xiàng)目的度之間的關(guān)系。使用log-log直線找出兩個(gè)變量之間的關(guān)系。Netflix的斜率m＝2.04，Yelp的斜率m＝1.74，Digg的斜率m＝0.47。

圖3展示出不同的r值對(duì)應(yīng)出不同的recall值。其中，在Netflix和Yelp中都有明顯的r值使得recall值趨于最優(yōu)。

圖4示出了本發(fā)明實(shí)施例提供的一種基于時(shí)間的產(chǎn)品推薦系統(tǒng)，包括：

矩陣構(gòu)建單元401，用于從目標(biāo)數(shù)據(jù)庫(kù)獲取包括用戶和項(xiàng)目的目標(biāo)數(shù)據(jù)，根據(jù)所述目標(biāo)數(shù)據(jù)構(gòu)建關(guān)于用戶和項(xiàng)目的目標(biāo)矩陣；

分值計(jì)算單元402，用于根據(jù)所述目標(biāo)矩陣和SimS算法，計(jì)算得到不同項(xiàng)目對(duì)用戶的分值；

熱度計(jì)算單元403，用于根據(jù)最近增長(zhǎng)熱度算法，計(jì)算得到不同項(xiàng)目在指定時(shí)間內(nèi)的最近增長(zhǎng)熱度；

權(quán)重計(jì)算單元404，用于設(shè)置權(quán)重值，基于THybrid算法根據(jù)所述權(quán)重值、所述分值和所述最近增長(zhǎng)熱度進(jìn)行計(jì)算，得到初級(jí)推薦分值；

分值確定單元405，用于根據(jù)所述目標(biāo)數(shù)據(jù)的類型獲取目標(biāo)數(shù)據(jù)參數(shù)，并根據(jù)所述目標(biāo)數(shù)據(jù)參數(shù)對(duì)所述初級(jí)推薦分值進(jìn)行優(yōu)化計(jì)算，得到各項(xiàng)目對(duì)所述用戶的推薦分值；

列表推薦單元406，用于根據(jù)所述推薦分值確定項(xiàng)目列表，所述項(xiàng)目列表按照所述推薦分值對(duì)所述項(xiàng)目進(jìn)行順序排序，根據(jù)預(yù)置推薦規(guī)則獲取所述項(xiàng)目列表中的若干項(xiàng)目，并將所述若干項(xiàng)目推送至所述用戶的推薦列表。

進(jìn)一步地，矩陣構(gòu)建單元401具體用于：

將所述目標(biāo)數(shù)據(jù)保存為.dat格式；

根據(jù)所述目標(biāo)數(shù)據(jù)構(gòu)建關(guān)于用戶和項(xiàng)目的目標(biāo)矩陣，其中，以a表示所述目標(biāo)矩陣，則：當(dāng)?shù)趇個(gè)用戶與第α個(gè)項(xiàng)目不相關(guān)時(shí)，a_iα＝0，當(dāng)?shù)趇個(gè)用戶與第α個(gè)項(xiàng)目相關(guān)時(shí)，a_iα＝1。

進(jìn)一步地，矩陣構(gòu)建單元401還用于：

獲取每一項(xiàng)目相關(guān)的用戶數(shù)量，及獲取每一用戶相關(guān)的項(xiàng)目數(shù)量。

進(jìn)一步地，以表示所述分值，以Δk'_α(t,τ)表示所述最近增長(zhǎng)熱度，Δk'_α(t,τ)＝Δk_α(t,τ)+εk_α(t)，以λ表示所述權(quán)重值，以表示所述初始推薦分值，則：

進(jìn)一步地，分值確定單元405具體用于：

根據(jù)所述目標(biāo)數(shù)據(jù)從類型參數(shù)列表中獲取所述目標(biāo)數(shù)據(jù)的目標(biāo)數(shù)據(jù)參數(shù)，所述類型參數(shù)列表包括目標(biāo)數(shù)據(jù)和目標(biāo)數(shù)據(jù)參數(shù)的對(duì)應(yīng)關(guān)系；

根據(jù)所述目標(biāo)數(shù)據(jù)參數(shù)對(duì)所述初級(jí)推薦分值進(jìn)行計(jì)算，得到各項(xiàng)目對(duì)所述用戶的推薦分?jǐn)?shù)，以r表示所述目標(biāo)數(shù)據(jù)參數(shù)，以表示所述推薦分值，則：

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。