[发明专利]基于大数据科学和动态权重调整的商品推送方法

权利要求书

1.基于大数据科学和动态权重调整的商品推送方法，其特征在于：包括以下步骤：

根据用户对商品的评分，生成用户商品矩阵；

根据用户商品矩阵，生成用户的偏好信息；

根据用户商品矩阵和用户的偏好信息，构建约束模型和独立评分模型；

根据约束模型和独立评分模型，基于动态权重调整方法生成商品评分预测值；

根据商品评分预测值进行商品推送。

2.根据权利要求1所述的基于大数据科学和动态权重调整的商品推送方法，其特征在于：所述根据用户商品矩阵，生成用户的偏好信息这一步骤，包括以下步骤：

对用户商品矩阵进行运算，生成第一结果，所述第一结果包括商品共存矩阵和用户共存矩阵；

通过web日志对用户商品矩阵的运算结果进行信息提取，得到用户的偏好信息。

3.根据权利要求2所述的基于大数据科学和动态权重调整的商品推送方法，其特征在于：所述根据用户商品矩阵和用户的偏好信息，构建约束模型和独立评分模型这一步骤，包

括以下步骤：

通过矩阵分解法对第一结果进行求解，得到第二结果；

通过正则化奇异值对第二结果进行求解，得到第三结果；

根据第三结果，构建得到约束模型和独立评分模型。

4.根据权利要求3所述的基于大数据科学和动态权重调整的商品推送方法，其特征在于：所述根据用户商品矩阵和用户的偏好信息，构建约束模型和独立评分模型这一步骤，还

包括以下步骤：

通过约束模型和独立评分模型，建立多视图神经网络。

5.根据权利要求4所述的基于大数据科学和动态权重调整的商品推送方法，其特征在于：所述通过约束模型和独立评分模型，建立多视图神经网络这一步骤，包括以下步骤：

将约束模型的实时解输入全连接层进行第一训练；

将独立评分模型的实时解输入卷积层进行第二训练；

将约束模型的历史解输入全连接层进行第三训练；

将独立评分模型的历史解输入卷积层进行第四训练；

根据第一训练、第二训练、第三训练和第四训练的结果，建立多视图神经网络。

6.根据权利要求4所述的基于大数据科学和动态权重调整的商品推送方法，其特征在于：所述根据约束模型和独立评分模型，基于动态权重调整方法生成商品评分预测值这一步骤，包括以下步骤：

通过多视图神经网络生成第一预测分量；

通过用户偏好信息生成第二预测分量；

通过最近邻分类算法生成第三预测分量；

基于动态调整权重机制，分别对第一预测分量、第二预测分量和第三预测分量的权重进行配置；

根据权重配置结果，通过第一预测分量、第二预测分量和第三预测分量生成商品评分预测值。

7.根据权利要求1所述的基于大数据科学和动态权重调整的商品推送方法，其特征在于：所述根据商品评分预测值进行商品推送这一步骤，包括以下步骤：

根据用户商品矩阵生成商品序列集合；

计算商品序列集合中每个商品序列的支持度，并获取支持度大于第一阈值的第一商品序列；

将第一商品序列作为当前商品序列，并根据第一商品序列和当前商品序列，生成商品序列矩阵；

计算商品序列矩阵中每个商品序列的支持度；

判断商品序列矩阵中是否存在商品序列的支持度大于第一阈值，若是，则将大于第一阈值的所有商品序列作为当前商品序列，并返回执行根据第一商品序列和当前商品序列，生成商品序列矩阵的步骤；反之，则执行下一步骤；

筛选商品矩阵中支持度大于第二阈值的商品序列，并将该商品序列作为商品推送结果。