[发明专利]一种推荐系统中缓解数据稀疏性问题的交叉动态填充方法

说明书

技术领域

本发明属于人工智能领域，涉及一种推荐系统中缓解数据稀疏性问题的交叉动态填充方法。

背景技术

互联网技术的快速发展以及电商平台给人们带来的各种便利，大量电商交易数据随之产生。如何从这些电商数据中挖掘出有价值的信息，进行智能推荐，提高用户的体验，成为我们需要解决的问题。然而，随着推荐系统规模不断扩大，用户评分数据出现极大地稀疏性，给推荐带来相当大地难度，如何对稀疏数据进行填充成为我们首要解决的问题。

发明内容

本发明旨在解决上述问题，提出一种推荐系统中缓解数据稀疏性问题的交叉动态填充方法。

一种推荐系统中缓解数据稀疏性问题的交叉动态填充方法，包括以下步骤：

步骤1，对电商平台数据进行数据预处理；

步骤2，建立用户——商品——评分矩阵；

步骤3，根据构建的用户信息表和商品信息表，分别计算用户相似性及商品相似性；

步骤4，通过用户的相似性、商品的相似性交叉动态填充法对用户——商品——评分矩阵逐步填充。

进一步地，步骤1中所述的电商数据预处理过程如下：

步骤1.1,提取用户相关静态特征和动态交易行为特征，得到用户数据表；

步骤1.2，提取商品相关特征，得到商品信息表；

进一步地，步骤2中所述的构建用户——商品——评分矩阵；

进一步地，步骤3中所述的根据构建的用户信息表和商品信息表，分别计算用户相似性及商品相似性的过程如下：

步骤3.1：用户的相似性计算。通过构建的用户信息表，利用相似性计算的方法，计算出用户之间的相似性，得到用户相似性集合；

步骤3.2：商品相似性计算。通过商品信息表，利用相似性计算方法，计算出商品之间的相似性，得到商品相似性集合；

步骤3.3：将用户相似性集合和商品相似性集合进行合并，将相似性进行降序排序，得到集合；

进一步地，步骤4中所述的数据稀疏性处理：通过用户相似性及商品相似性交叉动态填充法对用户——商品——评分矩阵逐步填充过程如下：

步骤4.1：设置相似性阈值；

步骤4.2：通过用户相似性及商品相似性交叉动态填充方法处理用户——商品——评分矩阵；

步骤4.2.1：通过步骤3.3中的集合，筛选出相似度不小于的集合；

步骤4.2.2：根据集合找到对应的相似用户、相似物品，利用对应的用户相似性、物品相似性填充用户——商品——评分矩阵；

步骤4.2.3：根据上述已经填充的用户——商品——评分矩阵按照步骤3的方法动态计算用户相似性和物品相似性（此时计算相似性所用表为已经填充的用户——商品——评分矩阵）；

步骤4.2.4：重复循环步骤4.2.2、4.2.3，直到用户——商品——评分矩阵填充完毕。

有益效果：

与现有推荐系统中数据稀疏性填充方法相比，本发明的优点及有益效果如下：相对单一用户相似性或者单一商品相似性信息填充方法，巧妙地将用户相似性和商品相似性动态结合起来，能够对用户——商品——评分矩阵进行更有效地填充，从而缓解推荐中数据稀疏性问题。以便于对于各个用户进行更精准的推荐，提高用户的个性化体验，促进商家的销售，增加商家收益。

附图说明

图1是用户数据表；

图2是商品数据表；

图3是用户——商品——评分矩阵；

图4是算法流程图；

图5总体框架图。

具体实施方式

以下结合附图和实施例对本发明作进一步的说明。

一种推荐系统中缓解数据稀疏性问题的交叉动态填充方法，包括以下步骤：

步骤1，对电商数据进行数据预处理；

其中，所述的电商数据预处理过程如下：

输入：原始电商数据；

输出：预处理后的专家数据；

步骤1.1,提取用户相关静态特征和动态交易行为特征，得到用户数据表；

如图1所示，用户数据表举例。

步骤1.2，提取商品相关特征，得到商品信息表；

如图2所示，商品信息表举例。

进一步地，步骤2中所述的构建用户——商品——评分矩阵

如图3所示，用户——商品——评分矩阵

步骤3，根据构建的用户信息表和商品信息表，分别计算用户相似性及商品相似性的过程如下：