[发明专利]一种基于选择概率模型自适应邻域的产品推荐方法

说明书

一种基于选择概率模型自适应邻域的产品推荐方法，通过该方法，能够针对分析在电商环境中，在用户行为不断变化的情况下为用户准确推荐商品，解决商品由于季节性因素等，受欢迎程度不断变化导致用户倾斜度不断变化，从而导致其对不同产品的兴趣度发生变化，相似购物群体也会发生改变需要重新定位，并推荐合适的商品。该方法是通过对用户交互行为中的用户点击频度和最近一次购买时间（近度）作为初始数据，根据二项分布建立选择概率模型计算用户兴趣度，优化初始矩阵并预测兴趣度，同时由用户偏差和商品偏差计算偏移函数，采用随机梯度下降法引入与用户特征向量和其邻居特征向量之间的差异有关的正则化项进行自适应更新。

技术领域

本发明属于电商产品推荐领域，特别是涉及一种基于选择概率模型自适应邻域的产品推荐方法。

背景技术

能够针对分析在电商环境中，在用户行为不断变化的情况下为用户准确推荐商品，解决商品由于季节性因素等，受欢迎程度不断变化导致用户倾斜度不断变化，从而导致其对不同产品的兴趣度发生变化，相似购物群体也会发生改变需要重新定位，并推荐合适的商品。

目前针对电商推荐领域有许多研究，主要集中在优化推荐算法效果上。

专利CN107870934A公开了一种app用户聚类方法和装置，核心是按照预设的规则对数据集进行频繁项集的挖掘，然后根据挖掘的频繁项集构建用户关联图谱，最后进行社区发现，将得到的用户关联图谱划分为若干区域，以实现对app用户快速、精准的聚类。

专利CN108268511A公开了一种基于大数据的网络用户分类方法，核心是通过获取用户行为数据，将所述用户行为获取模块获取的用户行为数据与用户行为数据库中存储的用户行为数据进行比对，从用户行为数据库中获取相似度最高的用户行为数据，根据行为数据比对模块的比对结果为对应用户分类。

上述方法都属于传统的用户定位方法，并未针对用户行为的变化而进行自适应邻域更新，推荐结果不够精确。

发明内容

本发明提出了一种基于选择概率模型自适应邻域的产品推荐方法，用于社交电商中产品推荐问题。通过该方法，能够针对分析在电商环境中，在用户行为不断变化的情况下为用户准确推荐商品，解决商品由于季节性因素等，受欢迎程度不断变化导致用户倾斜度不断变化，从而导致其对不同产品的兴趣度发生变化，相似购物群体也会发生改变需要重新定位，并推荐合适的商品。

一种基于选择概率模型自适应邻域的产品推荐方法，包括以下基本步骤：

步骤一，提取用户行为中的用户点击频度和最近一次购买时间即近度，作为初始数据，对数据进行预处理；

步骤二，根据预处理后的初始数据计算概率矩阵和凹凸度约束；

步骤三，由用户偏差和商品偏差计算偏移函数；

步骤四，引入与用户特征向量和其邻居特征向量之间的差异有关的正则化项，进行采用随机梯度下降法循环自适应更新。

进一步地，在步骤一中，提取用户行为中的用户点击频度和最近一次购买时间即近度作为初始数据，对数据进行预处理，让J和K分别表示与新近度和频率相对应的连续正整数的有限集，每个用户-商品对对应一个Xjk，表示当新近度值为j且频率值为k时用户对某项商品的选择可能性；

在历史数据中确定一个基准日期，令njk表示在基准日期之前具有新近度值j和频率值k的用户项对的数量，而令qjk是在基准日期之后导致购买的那些用户对的数量；如果njk不等于0，则令 Xjk＝qjk/njk；否则，将xjk置为0。

进一步地，所述步骤二计算概率矩阵中，项目选择概率随着新近度或频率值的增加而增加，除了单调性约束外，进一步采用另两个形状约束；

第一形状约束为关于近度值的凸度约束，随着近度值变大，每个近度值项选择概率的增量增加；