[发明专利]一种基于支持向量机SVM的电子商务推荐方法

说明书

技术领域

    本发明设计一种电子商务的推荐方法，具体涉及一种基于支持向量机（SVM）的电子商务推荐方法。

背景技术

互联网及电子商务的快速发展，电子商务在给用户带来无限的便利性的同时，随着信息的急剧增长，信息过载也使得整个系统变得更为复杂，用户无法顺利找到需要查找的商品信息，电子商务推荐系统能够有效地动态捕获用户需求及偏好，预测可能的用户偏好，推荐其可能感兴趣的商品，顺利完成购物的整个过程。电子商务推荐系统具有良好的发展和应用前景，目前如亚马逊、当当、eBay、淘宝等都不同程度的使用了电子商务推荐系统，各种Web网站也支持推荐系统进行个性化的需求预测。

国内外目前电子商务推荐算法可分为三大类，（1）、基于内容的推荐算法。基于内容的过滤是信息检索推荐领域的重要研究内容，基于内容的推荐技术需要分析资源内容信息，根据用户兴趣建立用户档案(Profile),用户档案中包含了用户的偏好和需求信息，然后根据资源内容与用户档案之间的相似性向用户提供推荐服务。（2）、基于规则的推荐算法。随着数据挖掘的兴起，关联规则被应用于推荐系统，形成了一种新的推荐技术基于规则的推荐技术。基于规则的推荐技术在评价表上挖掘项目间的关联规则和用户间的关联规则为当前用户进行推荐。使用项目关联进行推荐时，每条项目关联的前件相当于一个兴趣组，而规则的后件则相当于这个兴趣组的推荐（3）协同过滤的推荐算法。目前协同过滤推荐主要是以属性或兴趣相近的用户经验与建议作为提供个性化推荐的基础。透过协同过滤，有助于搜集具有类似偏好或属性的用户，并将其意见提供给同一集群中的用户作为参考，以满足人们通常在决策之前参考他人意见的心态。

电子商务推荐方法在理论和实践中都得到较大发展，但电子商务推荐方法也面临一系列的挑战，现有技术存在的问题如下：

（一）用户数据稀疏性问题

协同过滤推荐是基于评分相似的最近邻居向目标客户产生推荐的一种算法，但随着电子商务系统规模的扩大,用户数目和商品数据急剧增加，一段时间内，一个用户购买的商品是极其有限的，对购买的商品评价就更少，使得用户项目矩阵的极端稀疏性，导致用户最近邻居和项目最近邻居的计算准确性降低,使得推荐系统的推荐质量急剧下降。

（二）评价有效性和权重问题

传统的协同过滤推荐技术对未评价商品和无效评价，因评分少或无效的数据，存在推荐质量低的问题，针对这种情况提出多种解决方法,其中包括矩阵填充、矩阵降维等技术。或简单的将用户对未评分项目的评分设为一个固定的缺省值,或设为其他用户对该项目的平均评分。然而用户对未评分项目的评分不可能完全相同,另外对于同一种商品，不同用户评价的侧重是不一样的，有些关注产品的外观，有些关注的是品牌，有些关注的是质量，有些关注的是服务。

发明内容

本发明所解决的技术问题是，提供一种基于SVM的电子商务推荐方法，解决了协同过滤模型中用户数据稀疏性及用户评价有效性和权重问题。

 技术方案如下：

一种基于SVM的电子商务推荐方法，包括

建立SVM预测模型

首先设样本集{x_i, y_i}, i=1, …, n, n为样本总数。利用非线性映射                                                到高维空间，则所构成的最优回归函数为：

,                                                                                                                (1)

式中，w为权向量，b为常数，x_i为矢量x_i(x_i1, x_i2,…, x_il)。根据SRM准则，优化目标为

                                                                           (2)

式中，为函数拟合精度，为松弛变量，C>0为惩罚参数。利用上式的对偶式，可以将上式转化为