[发明专利]一种基于购买用户行为分析的个性化推荐方法

说明书

本发明公开了一种基于购买用户行为分析的个性化推荐方法，首先通过基于修正PageRank方法计算出的产品权值，然后生成每个购买用户的兴趣模式特征向量。对每个用户兴趣模式的权值进行规范化处理，即采用每个用户最大频次去除其向量每一个频次值的方法进行规范化处理；对每两个用户兴趣模式特征向量求取最终的用户相似度；在个性化推荐环节上对于目标用户得到最为相似的其他用户序列。本发明改变了传统推荐方法中只考虑用户与产品的兴趣关联度的做法，增加产品本身质量的识别，以此改进推荐系统的效果。

技术领域

本发明属于基于大数据的个性化推荐技术领域，具体涉及一种基于购买用户行为分析的个性化推荐方法。

背景技术

互联网技术的迅速发展导致大众获得的信息呈爆炸式增长的局面。信息过快增长会降低信息的使用率，也就是所谓的“信息超载”。个性化推荐是当前研究的热门领域，它可以在大量冗余信息中找到贴合用户需求的信息，因此，可以很好地提升用户体验，从而提升企业营销。通过相关的机器学习及数据挖掘技术，推荐系统挖掘用户的购买倾向，将用户可能感兴趣的物品推荐给用户。一个良好的推荐系统可以挖掘出用户潜在的消费偏好，为不同的用户提供针对性的服务。

已有的基于用户或者物品的个性化推荐方法，其精度对用户数量、物品数量以及评价矩阵稀疏性具有依赖性，实践证明预测的精度很难让人满意。一般的网络建立方法都是从很多推荐客体关系中抽取出所需的相关性链接。如按照用户购买产品的先后次序，或者按照根据购买此产品用户之间的社交网络关系，据此建立产品之间的链接关系得到相关性链接网络图。这种产品相关性链接图应该是一个典型的网络结构，从实验分析来看，它也具有复杂网络的典型特点。值得说明的是，产品相关性链接图有很多生成方法，传统方法往往通过共同购买关系来构造，比如利用产品购买相关度计算的产品质量测度方法。可以认为对于同一用户而言，产品Item1如果能经常在购买过产品Item2后一个时间范围内被购买，则产品Item1和产品Item2就具有一定的产品购买相关性。该方法可以避免传统方法中认为购买量较高产品往往具有较高链入节点的特点，相反，只有具有较多产品购买相关性的产品才能形成较高的链入节点或者链出节点。从购买用户行为的角度来分析，可以认为用户在连续购买行为中，随着不断地了解所购商品的内容，更易于在后续的购买行为中购买到与产品内容相关的更为合适的相关产品资源。因此，该方法所获得的优质推荐产品往往在内容上更符合用户的预期兴趣特征，从而为个性化推荐服务提供了良好的推荐客体资源。

在复杂网络结构中使用迭代计算方法可以得到权值收敛后的节点信息，如PageRank方法等。PageRank是Google专有的算法，用于衡量特定网页相对于搜索引擎索引中的其他网页而言的重要程度，由Larry Page和Sergey Brin在20世纪90年代后期发明。PageRank实现了将链接价值概念作为排名因素，然而这些传统方法在分配节点权值和权值扩散策略选择上，并没有考虑到特定应用领域中的特点。

发明内容

本发明要解决的技术问题是针对现有利用产品购买相关度计算的产品质量测度方法的不足，提出一种产品质量测度依据和用户相似度测度依据，以提高推荐系统的效果。

为实现上述目的，本发明提出的技术方案为一种基于购买用户行为分析的个性化推荐方法，包含以下步骤：

S1：通过以下方式计算产品权值：

Value为基于修正PageRank方法计算出的产品权值，F(Item_i)集合表示产品Item_i在产品相关性链接关系图中所有链入产品的集合，N_F(Item_i)表示该链入产品集合的产品数量，Count_i，j表示对应产品Item_i和Item_j之间链接关系的数量；

S2：得到每个购买用户的兴趣模式特征向量：User_i＝{(产品购买相关性链接j，频次j)}(1＝j＝n，n为产品购买相关性链接总数量)；