[发明专利]一种商品推荐方法、装置、设备以及存储介质

说明书

本发明公开了一种商品推荐方法，通过获取不同用户分别针对不同商品的评分数据，评分数据用于表征用户对商品的喜欢程度；根据不同用户对商品的评分数据，对不同用户之间的用户相似度进行计算；根据目标用户的近邻用户对待推荐商品的评分数据得到目标用户对待推荐商品的评分数据，以对商品进行推荐。本申请基于近邻传播的商品推荐方法，采用迭代的思想，将每一轮的评分数据带入到下一轮预测评分当中，使得评分矩阵越来越稠密，也致使预测评分越来越精确。因此，本申请可以更好地提高商品推荐的性能。此外，本申请还提供了一种具有上述技术效果的商品推荐装置、设备以及计算机可读存储介质。

技术领域

本发明涉及信息处理技术领域，特别是涉及一种商品推荐方法、装置、设备以及计算机可读存储介质。

背景技术

互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但随着网络的迅速发展而带来的网上信息量的大幅增长，使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息，对信息的使用效率反而降低了，这就是所谓的信息超载问题。

解决信息超载问题一个非常有潜力的办法是推荐系统，它是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。和搜索引擎相比推荐系统通过研究用户的兴趣偏好，进行个性化计算，由系统发现用户的兴趣点，从而引导用户发现自己的信息需求。

推荐系统现已广泛应用于很多领域，其中最典型并具有良好的发展和应用前景的领域就是电子商务领域。对于个性化推荐系统一些传统的相似度度量方法比如余弦相似度，Pearson相似度(Pearson Correlation Coefficient,PCC)以及矩阵分解(Matrixfactorization)算法已经广泛应用于商品推荐算法中。然而用户和商品的数量的不断增加，评分矩阵的稀疏性也越来越明显。按照相似度计算以及矩阵分解已不能更好地提升推荐性能。

发明内容

本发明的目的是提供一种商品推荐方法、装置、设备以及计算机可读存储介质，以解决在稀疏的评分数据上推荐性能较差的问题。

为解决上述技术问题，本发明提供一种商品推荐方法，包括：

获取不同用户分别针对不同商品的评分数据，所述评分数据用于表征用户对商品的喜欢程度；

根据不同用户对商品的评分数据，对所述不同用户之间的用户相似度进行计算；

根据目标用户的近邻用户对待推荐商品的评分数据得到所述目标用户对所述待推荐商品的评分数据，以对商品进行推荐。

可选地，所述获取不同用户分别针对不同商品的评分数据包括：

采用集合U＝{u₁,...,u_l}和M＝{m₁,...,m_n}分别代表用户集合与商品集合，l和n分别表示用户数量和商品数量，输入商品评分矩阵其中r_ij∈{0,s}表示用户u_i对商品m_j的评分；

若r_ij取值为0则表示用户对商品未评价，若r_ij取非零值则表示用户对商品评价的分值。

可选地，所述根据不同用户对商品的评分数据，对所述不同用户之间的用户相似度进行计算包括：

对任意两个用户u_g和u_i，采用S(u_g,u_i)＝A(u_g,u_i)C(u_g,u_i)PCC(u_g,u_i)计算二者之间的用户相似度；