一種融入用戶隱性信息的電子商務(wù)個(gè)性化推薦方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及個(gè)性化推薦領(lǐng)域，具體涉及一種融入用戶隱性信息的推薦方法。特別 是適用應(yīng)用于電子商務(wù)方面的個(gè)性化推薦。 技術(shù)背景
[0002] 隨著互聯(lián)網(wǎng)的迅速發(fā)展，網(wǎng)絡(luò)上的信息量呈爆炸式增長。伴隨著電子商務(wù)的迅速 發(fā)展，信息過載成為了消費(fèi)者、商家乃至社會(huì)不得不面對(duì)的問題。
[0003] 對(duì)于消費(fèi)者來說，在大量的信息中尋找自己感興趣的信息是一個(gè)十分浪費(fèi)時(shí)間并 且枯燥的事情，在這個(gè)過程中還要對(duì)信息的真?zhèn)芜M(jìn)行判斷，但由于消費(fèi)者自身信息處理能 力的限制，會(huì)影響最終決策的準(zhǔn)確性，從而降低體驗(yàn)的滿意度。對(duì)于商家來說，在知識(shí)經(jīng)濟(jì) 環(huán)境下隨著創(chuàng)新和生產(chǎn)效率的提高，商家需要從規(guī)?；?jīng)營策略向差異化經(jīng)營策略轉(zhuǎn)變。 這個(gè)轉(zhuǎn)變以商家與消費(fèi)者的有效溝通為基礎(chǔ)。但在信息過載的情況下，商家在互聯(lián)網(wǎng)上發(fā) 布的信息會(huì)很快被大量無關(guān)的垃圾信息所掩蓋，阻礙了與消費(fèi)者之間的有效溝通。
[0004] 電子商務(wù)推薦系統(tǒng)被認(rèn)為是能夠幫助用戶和商家解決信息過載問題的一種有效 方式和個(gè)性化平臺(tái)。它在收集用戶相關(guān)行為信息的基礎(chǔ)上智能地向用戶推薦他最可能需要 的商品和信息，或是向商家推薦潛在消費(fèi)者。盡管與搜索引擎一樣起源于信息檢索與信息 過濾研究領(lǐng)域，推薦系統(tǒng)通過主動(dòng)收集和分析用戶歷史的反饋信息并在建立用戶需求模型 的基礎(chǔ)上進(jìn)行信息和商品推薦，工作過程比搜索引擎更加主動(dòng)，更加智能，展示給用戶的結(jié) 果也更加具有針對(duì)性。
[0005] 目前電子商務(wù)推薦系統(tǒng)的工作原理和流程主要是根據(jù)用戶對(duì)商品或信息的顯性 或隱性評(píng)分，結(jié)合不同用戶間評(píng)分的相似性或是信息內(nèi)容的相似性為目標(biāo)為用戶推薦可能 感興趣的商品或信息。早期關(guān)于電子商務(wù)推薦系統(tǒng)的研究主要集中在通過對(duì)推薦算法的改 進(jìn)提高推薦的準(zhǔn)確率，但是隨著研究的深入，研究者們發(fā)現(xiàn)，算法的改進(jìn)對(duì)于推薦結(jié)果的準(zhǔn) 確率的提高作用有限，而且片面地追求推薦結(jié)果的準(zhǔn)確率的推薦結(jié)果對(duì)于消費(fèi)者和商家并 不一定就是有用的推薦結(jié)果?，F(xiàn)在有些學(xué)者開始嘗試從用戶模型描述信息的角度嘗試改善 推薦效果的方法，但是目前針對(duì)用戶對(duì)商品屬性的偏好信息能夠在多大程度上影響推薦系 統(tǒng)的性能和用戶對(duì)推薦系統(tǒng)的評(píng)價(jià)以及用戶對(duì)商品屬性偏好信息的信息來源方面的研究 較少。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足之處，提出一種準(zhǔn)確性與針對(duì)性更高的融 入用戶隱性信息的電子商務(wù)個(gè)性化推薦方法。
[0007] 本發(fā)明所述的融入用戶隱性信息的電子商務(wù)個(gè)性化推薦方法，包括以下步驟：
[0008] 1)獲取用戶商品評(píng)分矩陣：與一般的推薦系統(tǒng)相同，從消費(fèi)者對(duì)某商品的直接顯 性評(píng)分，或是根據(jù)消費(fèi)者的行為按照一定的規(guī)則推理消費(fèi)者對(duì)商品的隱性評(píng)分，某個(gè)消費(fèi) 者對(duì)所有商品的顯性或隱性評(píng)分構(gòu)成該消費(fèi)者對(duì)商品的評(píng)分矢量，所有消費(fèi)者的商品評(píng)分 矢量組成用戶商品評(píng)分矩陣。
[0009] 若有n件商品，m個(gè)用戶，則用戶商品評(píng)分矩陣R是一個(gè)mXn的矩陣，其中的元素 k表示第i個(gè)用戶對(duì)第j件商品的評(píng)分?jǐn)?shù)值，即第j件商品給第i個(gè)用戶帶來的效用。用 戶商品評(píng)分矩陣中各元素的取值是表示等級(jí)的數(shù)值如1-5級(jí)，不同的級(jí)別表示用戶對(duì)于商 品的不同喜好程度。而矩陣R中空缺的元素是用戶沒有提供相應(yīng)商品的評(píng)分信息，正是需 要預(yù)測并確定是否向目標(biāo)用戶推薦該商品。
[0010] 2)計(jì)算用戶相似度：為了保證相似度計(jì)算的準(zhǔn)確性，規(guī)定當(dāng)用戶U1和用戶U,至少 評(píng)價(jià)了相同的十個(gè)商品時(shí)才對(duì)兩人進(jìn)行相似度計(jì)算。采用皮爾遜相關(guān)系數(shù)比較兩個(gè)用戶之 間的相似度，公式如下：
[0012] 其中，I⑴表示用戶U1評(píng)論的商品集合，表示用戶U1的平均評(píng)價(jià)得分，k表 示用戶^與u,都曾評(píng)價(jià)過的商品。su值域?yàn)閇_1，1]，值越大表示兩者相似度越高。采用
[0013] 3)構(gòu)造用戶興趣矩陣：基于相似度計(jì)算結(jié)果構(gòu)造隱性用戶興趣關(guān)聯(lián)矩陣C。其中， 元素為Clj，令Clj=su，當(dāng)用戶之間相似度越高，他們共同的興趣和愛好就越多。
[0014] 4)獲取用戶特征：
[0015] 用矩陣因子分解的方法將用戶商品矩陣、用戶的顯性社交關(guān)系矩陣、用戶的隱性 興趣矩陣因式分解。
[0016] 包括以下步驟：
[0017] 首先：定義用戶潛在特征矩陣U，商品潛在特征矩陣V。定義所觀測的用戶商品評(píng) 價(jià)矩陣R的條件分布為：
[0022] 通過貝葉斯推理，得出基于所研究的評(píng)分對(duì)象的矩陣U和V的后驗(yàn)分布如下：
[0026] 其中，W為用戶社交關(guān)系附加變量矩陣，Z為用戶興趣關(guān)聯(lián)附加變量矩陣。
[0027] 同樣通過貝葉斯推理，并置0均值的高斯先驗(yàn)，能夠?qū)С鯱、W的后驗(yàn)分布如公式 (6)所示，以及U、Z的后驗(yàn)分布如公式（7)所示：
[0032] 其中C是一個(gè)不基于任何參數(shù)的常量。最大化三個(gè)具有參數(shù)的潛在特征的后驗(yàn)等 于如下目標(biāo)函數(shù)的平方誤差和的最小化：
[0034] 其中，A為調(diào)節(jié)變量，
[0037] 本發(fā)明的有益效果在于：
[0038] 在算法復(fù)雜度較低的情況下融入用戶的隱性興趣特點(diǎn)能夠大大提高電子商務(wù)推 薦的準(zhǔn)確性和針對(duì)性，同時(shí)適用于大數(shù)據(jù)量。
【附圖說明】
[0039] 圖1是本發(fā)明方法的具體實(shí)現(xiàn)流程圖。
【具體實(shí)施方式】
[0040] 下面結(jié)合【附圖說明】和【具體實(shí)施方式】對(duì)本發(fā)明做進(jìn)一步詳細(xì)說明。
[0041] 本發(fā)明提出的融入用戶隱性信息的電子商務(wù)個(gè)性化推薦方法，包括以下步驟：
[0042] 1)獲取用戶商品評(píng)分矩陣：與一般的推薦系統(tǒng)相同，從消費(fèi)者對(duì)某商品的直接顯 性評(píng)分，或是根據(jù)消費(fèi)者的行為按照一定的規(guī)則推理消費(fèi)者對(duì)商品的隱性評(píng)分，某個(gè)消費(fèi)