[发明专利]一种提升商品推荐多样性的方法及系统

说明书

本发明实施例公开了一种提升商品推荐多样性的方法，解决推荐商品缺乏多样性的问题，根据用户数据，利用Canopy算法与K‑means算法获取相似用户；根据全量订单数据，构建知识图谱，获取与用户实时兴趣关联的SPU；根据所述相似用户和所述与用户实时兴趣关联的SPU，获得商品推荐列表。

技术领域

本发明属于商品推荐领域，尤其涉及一种提升商品推荐多样性的方法及系统。

背景技术

本领域内商品推荐算法主要有以下几种：基于内容的推荐、基于数据挖掘的推荐、组合推荐和基于内存的协同过滤算法。

基于内容的推荐技术，在生成用户特征模型之后，根据用户模型进行推荐，推荐结果直观、容易理解，能对特殊用户推荐，并且不需要领域知识，但是该方法适用范围较窄。

基于数据挖掘的推荐技术，主要是通过生成关联规则进行推荐，不受推荐内容限制，不需要领域知识，但是该方法关联规则生成难度大，并且耗时，根据规则推荐的商品个性化程度低，商品多样性不够。

组合推荐，通过将两种或以上的推荐方法按照特定规则进行组合，以避免或弥补组合前单一推荐技术存在的缺点，理论上有多种推荐组合方法，但是在某一具体问题种并不见得都有效，并且组合策略参数调整比较困难。

基于内存的协同过滤算法，通过计算相似用户或相似商品进行推荐，模型更新周期短，能及时反映用户的兴趣变化，但是存在数据稀疏问题。

基于用户协调的商品召回中用户的相似性计算，多利用K-means算法，但簇个数k和初始中心难以确定，并且计算的全量商品的相似性，数据量也是过于庞大。

由于上述推荐算法适用内容窄、K-means算法中个数k和初始中心难以确定、组合算法间参数调整困难、处理大量数据耗时过长以及数据稀疏造成商品关系断裂，因此得到的推荐商品单一，关联度不够且缺乏多样性。

发明内容

本发明提供一种提升商品推荐多样性的方法及系统，解决推荐商品缺乏多样性的问题。

为达到上述目的，本发明的实施例采用如下技术方案：

第一方面，本发明的实施例提供一种提升商品推荐多样性的方法，根据用户数据，利用Canopy算法与K-means算法获取相似用户；根据全量订单数据，构建知识图谱，获取与用户实时兴趣关联的SPU；根据所述相似用户和所述与用户实时兴趣关联的SPU，获得商品推荐列表。

结合第一方面，作为第一种可实现方式，采集用户人口统计属性数据和用户在多屏上的行为数据，对用户人口统计属性数据和所述行为数据进行数据清洗，计算用户长期兴趣偏好和用户短期兴趣偏好；利用Canopy算法对清洗后的用户人口统计属性数据、用户长期兴趣偏好和用户短期兴趣偏好，进行粗聚类，确定K-means算法的簇个数k和初始中心；利用K-means算法获取相似用户；

结合第一方面的第一种可能的实现方式，作为第二种可实现方式，设定第一距离参数T1和第二距离参数T2，且T1>T2，设定用户集为D，随机选取用户集D中一位用户，设该用户与用户集D中其他用户的距离d；当d小于T1时，将用户放入一个Canopy，并从用户集D中将d小于T2的用户删除；直到用户集 D为空时，用户被分到了多个Canopy中；将Canopy的个数作为K-means的簇个数k，Canopy的中心作为K-means的初始中心。

结合第一方面，作为第三种可实现方式，将所述相似用户下的商品和所述与用户实时兴趣关联的SPU进行对比，得到第一召回SPU；根据用户在线行为数据，计算用户实时兴趣得分；根据所述用户实时兴趣得分，以及所述相似用户对第一召回SPU下商品的打分，对第一召回SPU进行CTR/CVR得分预测，再对召回商品进行去重和过滤处理；对经过去重和过滤处理的召回商品，进行排序，获得商品推荐列表。