[发明专利]基于搜索行为感知的协同过滤推荐方法

说明书

技术领域

本发明涉及互联网个性化推荐领域，特别是涉及一种基于搜索行为感知的协同过滤推荐方法。

背景技术

近年来个性化推荐系统在互联网上的成功应用为互联网公司开创了新的机遇，特别是电子商务网站，特定领域的B2C电子商务网站上有30%的购买业务来自个性化推荐系统。但是，推荐系统在B2B电子商务网站上没有得到广泛应用。B2B电子商务网站在商务活动中扮演中介角色，买家通过B2B电子商务网站寻找目标产品的供应商。在这一过程中，买家首先输入与目标产品相关的搜索关键词，电子商务网站返回来自不同供应商的大量同类型的产品，然后买家通过浏览产品的详细信息选择满足需求的产品并向其供应商进行询盘。B2B电子商务网站上的推荐系统旨在为用户提供合适的产品候选，帮助用户更有效地完成上述商务活动，从而提高用户对网站的满意度和依赖度。

协同过滤推荐算法是个性化推荐系统中最常用的一种推荐算法。协同过滤算法分析用户的兴趣，在用户群中找到目标用户的相似用户，并且综合这些相似用户对某一物品的评价，最后形成该目标用户对特定物品的喜好程度的预测。两种主要的协同过滤方法分别是基于近邻模型的方法和基于隐语义模型（latent factor model）的方法。基于近邻模型的方法利用用户的历史行为数据，通过使用皮尔逊（Pearson）相关性和夹角余弦等方式来计算用户（物品）的相似度，得到用户（物品）的近邻集合，然后使用与这些近邻相关的行为数据计算目标用户对特定物品的评分从而进行推荐。基于隐语义模型的方法其核心思想是通过隐含特征（latent factor）联系用户兴趣和物品，它通过矩阵因子分解（Matrix Factorization）等算法把用户评分矩阵分解为低秩的用户矩阵和物品矩阵，根据用户特征向量和物品特征向量的内积得到用户对物品的评分预测值。基于隐语义模型的方法在推荐系统中被广泛应用。

在B2B电子商务网站上，利用协同关系能够根据用户的偏好筛选产品，然而完全基于协同的推荐结果可能无法体现用户的意图。基于上下文感知的协同过滤算法提供了解决这一问题的方法。上下文感知协同过滤方法可以分为三种类型：1）上下文前过滤（contextual pre-filtering）方法，即通过上下文驱动数据选择或数据构造；2）上下文后过滤（contextual post-filtering）方法，即通过上下文过滤推荐结果；3）上下文建模（contextual modeling）方法，即将上下文融合到模型中。在上下文感知推荐方法的研究中，上下文建模方法因为其超过传统方法的优越性能而迅速被重视。在实际应用中，如果使用关键词表示用户的搜索行为，那么感知用户搜索行为的模型同时包含用户、产品、关键词以及三者之间的关系。协同过滤任务定义为：根据用户、产品、关键词构成的张量中部分元素的值，预测张量中缺失元素的值。

张量的因子分解算法具有较高的计算复杂度，从而导致基于张量因子分解的方法不适用于大规模的推荐任务。因子机（Factorization Machine）模型是目前最好的上下文感知模型。它的参数个数是线性增加的，并且每个参数都具有解析解，从而有效地解决了计算复杂度的问题，并且保留了上下文感知的协同过滤算法所具有优势。本发明使用因子机模型实现对用户搜索行为的感知，从而能够为B2B电子商务网站提供更有价值的推荐服务。

发明内容

发明目的：针对协同过滤算法无法感知用户搜索行为的问题，分析用户的搜索行为和询盘行为，利用用户搜索行为中使用的关键词作为用户询盘行为的上下文，为B2B电子商务网站提供一种基于用户搜索行为感知的协同过滤推荐方法。

技术方案：基于搜索行为感知的协同过滤推荐方法，包括如下步骤：

（101）分析电子商务网站上用户的询盘行为和搜索行为，统一用户、产品和关键词的标识；

（102）构造基于搜索行为上下文的用户-产品-关键词张量，其使用关键词作为询盘行为的上下文；

（103）构造因子机模型训练数据集，建立张量与向量的映射，所述映射将三维张量转化成一维向量；

（104）建立基于因子机模型的推荐方法框架，所述框架通过训练数据集学习得到因子机模型的参数并根据当前搜索行为作为上下文预测用户对产品的评价值；

（105）实验评估基于因子机模型的推荐方法。

其中，步骤（101）包括：

（101-1）分析电子商务网站日志文件中的用户身份，对用户身份进行消歧操作，将用户身份映射到系统中唯一的用户标识；