[发明专利]一种基于群体用户行为分析的个性化推荐方法

说明书

技术领域

本发明属于计算机网络应用技术领域，更具体地，涉及一种基于群体用户行为分析的个性化推荐方法。

背景技术

近年来，随着电子商务的蓬勃发展，在整个社会商品零售额中，线上消费的占比越来越高。网络购物给消费者提供的巨大的购物优势主要体现在突破时空限制、购物方便、更多的商品选择、有竞争力的价格、丰富的商品信息、个性化和定制化上。同时，与线下消费相比，电商平台和广告主能更方便、更准确地记录用户的浏览路径和购买历史，从而积累海量的用户行为数据。用户在电商平台的行为有多种类型例如点击、加入购物车、购买、评价或者收藏。如何利用这些数据以提高电商运营和广告投放效率，被越来越多的电商企业和广告主所关注。而其中，用户消费行为预测就是一大研究热点。电商消费行为预测是指利用大数据和云计算技术，从海量的用户行为数据中，挖掘用户消费模式，对每一个用户精准地预测其消费需求和兴趣，从而为商品推荐系统、精准广告投放等提供依据。

用户行为预测的推荐算法与业务场景紧密联系，推荐音乐视频和电子商务中的推荐商品的场景完全不一样。在电商推荐系统领域，只要用户够买了一个东西没有退货，那么有很大的概率可以相信用户是喜欢这个东西的。然而，对于音乐和视频，却不能通过用户听了这首歌或是看了这个视频就武断地觉得用户是喜欢这首歌和这个视频的。用户行为预测的推荐算法在电商领域预测的目的是推断用户购买某商品的概率。用户的购买行为预测与用户的行为类型也非常相关，用户在电商平台上对商品的点击、加入购物车、购买、评价或者收藏都是不同程度的反应用户对商品的偏好兴趣。用户对商品的兴趣度随着时间和环境的改变，具有非线性的遗忘特性，需要度量时间因素对兴趣度变化的影响程度。

推荐预测是一种按不同维度排序的算法，一般分为共性化推荐和个性化推荐。共性化推荐一般是推荐流行的东西，也许是大众用户喜好的，但也许会是用户已知的东西。个性化推荐需要分析用户的个体喜好，推荐的物品都是符合用户偏好的，但是用户的偏好会随着时间和环境所改变。传统的协同过滤算法利用用户商品评分矩阵来进行推荐计算，未考虑用户访问项目的具体时间，未反应用户兴趣随时间的变化过程。当用户兴趣发生改变时，现有的推荐系统不能及时反应，导致推荐的列表偏离了用户的真实喜好。混合算法可以通过一个单参数调节推荐结果的多样性和热门程度，在这种情况下就给不同用户赋予不同参数(从算法结果的个性化到算法本身的个性化)。尽管从理论上有很多种推荐组合方法，但在某一具体问题中并不见得都有效，组合方式的选取也具有较大的挑战。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供一种基于群体用户行为分析的个性化推荐方法，针对现有推荐算法中没有学习群体用户行为的知识而导致推荐准确度不高以及对用户兴趣度的时序特征考虑不周全存在的问题，提出了一套基于群体用户兴趣变化的个性化推荐方法，采用通过聚合海量个体用户对商品的动态兴趣从而快速有效的获得更高准确度的推荐列表。另外在定量分析时间因素对用户兴趣度的影响权重时，通过拟合大众用户从接触商品到购买的时间分布曲线提高推荐的准确性。

本发明提供一种基于群体用户行为分析的个性化推荐方法，包括以下步骤：

步骤1通过数据分析及过滤原则对用户日志行为数据进行噪音过滤；

步骤2根据用户u在一段时间内的对商品j的操作行为数据，分析统计出用户u对商品j的操作行为分布，再采用朴素贝叶斯规则的条件概率方法，计算用户u对商品j的时序动态兴趣度p^ts(buy|user＝u,item＝j)；

步骤3根据群体用户在整个时间段的操作行为数据分析时序特征，采用统计的方式拟合用户u对商品j的时间遗忘曲线f(t)；

步骤4根据用户u在不同时间段对商品j的时序动态兴趣度p^ts(buy|user＝u,item＝j)以及用户u对商品j的遗忘的时间曲线f(t)，聚合用户u在不同时间段对商品j的兴趣度来预测用户的当前兴趣度A_uj(t)，计算公式如下：

其中，A_uj(t)是带权时序二分网络图，每一个元素表示用户u在时间t对商品j的兴趣度；ts表示一时间段；

步骤5采用群体性过滤方法，通过分析与用户兴趣类似的其他用户的喜好来为用户进行个性化推荐，然后再利用随机游走进行资源分配，以用户对商品的评分值作为二部图的权重的加权网络推断，预测用户u对商品j的潜在兴趣度F_uj(t)；