[发明专利]商品相似性分析及商品推荐方法、装置及计算机存储介质

说明书

本申请提供一种商品相似性分析及商品推荐方法、装置及计算机存储介质，主要包括根据各用户针对各商品的各商品反馈行为进行配对，获得各商品对，根据各商品反馈行为和各商品属性分别获得各商品对的第一相似值和第二相似值，再根据各用户的各个性化因子向量、各商品对的第一相似值和第二相似值，获得各用户对应的各商品对的各相似性分析结果。据此，本申请的商品相似性分析技术，可确保商品推荐结果新颖性和多样性的个性化均衡，并可实现商品相似性计算的并行化，以提高数据处理速度。

技术领域

本申请实施例涉及数据处理技术领域，尤其涉及一种商品相似性分析及商品推荐方法、装置及计算机存储介质。

背景技术

传统商品推荐系统所广泛使用的具有可解释性好、实现原理简单、运行速度快的推荐算法，包括有基于用户、商品共现矩阵的协同过滤算法以及基于相似性的推荐算法。

其中，协同过滤算法(CF)分成两类：商品协同过滤(ItemCF)和用户协同过滤(UserCF)，两者的本质区别是前者利用商品的相似性进行推荐而后者利用用户的相似性进行推荐，两者的共同点是在计算商品或用户相似性的同时需要考虑大量用户对商品的反馈行为。具体而言，若将用户作为矩阵的行，商品作为矩阵的列，则共现矩阵可将所有用户对所有商品的反馈行为作为独立元素存储在矩阵中。通过共现矩阵可以找到所有共同出现的用户对或者商品对，并据以计算用户对或商品对之间的相似性。

由于计算相似性需要遍历所有共现的可能性，因此在数据量较少时不会带来推荐性能瓶颈，且推荐结果具有一定程度的集体智慧和新颖性，例如，通过分析与目标用户购买了相同商品的其他用户群所购买的其他商品，则可将其他用户群所购买的最多的其他商品推荐给目标用户，或者目标用户购买过的商品和其它用户群购买过的商品具有程度不一的重叠，此时，可将重叠最高的其他用户群所购买的最多的商品推荐给目标用户。

基于相似性的推荐算法是基于单个或单群用户的购买偏好出发，计算已购买商品和未购买商品的相似性，与协同过滤算法不同的是，相似性的计算仅仅考虑商品自身的属性，而不需要考虑其它用户对商品的反馈行为。因为商品属性并不会随着时间变化，所以这种推荐算法一般可通过离线方式计算所有商品之间的相似性，而不会带来线上推荐系统的性能瓶颈。但是这种推荐算法仅从目标用户的个人偏好出发，容易不停的推荐给目标用户已经购买过的商品，且推荐结果的多样性也难以保证。

近年来，随着商品推荐系统保有的用户量和商品量急剧增加，所产生的分析数据量也越来越多。一方面，由于共现矩阵的高维稀疏性，导致商品推荐系统由于实时消费数据的压力而不能给用户带来较好的商品推荐体验；另一方面，现有商品推荐系统在运用协同过滤算法和基于相似性的推荐算法时，总是分开召回商品，而后再通过排序模型对召回的商品进行排序，但是此方法无法考虑集体智慧和用户偏好的统一，导致商品推荐系统的新颖性和多样性指标的均衡面临挑战。

发明内容

鉴于上述问题，本申请提供一种商品相似性分析及商品推荐方法、装置及计算机存储介质，可以克服上述问题或者至少部分地解决上述问题。

本申请的第一方面提供一种商品相似性分析方法，其包括根据各用户针对各商品的各商品反馈行为进行商品配对，获得各所述用户的各商品对；根据各所述商品反馈行为，获得各所述用户的各所述商品对的各第一相似值，并根据各所述商品的各商品属性，获得各所述商品对的各第二相似值；以及根据各所述用户的个性化因子向量、各所述商品对的各所述第一相似值和各所述第二相似值，获得各所述用户的各所述商品对的各相似性分析结果。

可选地，所述商品反馈行为至少包括商品评价行为、商品浏览行为、商品收藏行为、商品购买行为、商品待购买行为、商品分享行为中的一个。

可选地，所述方法还包括：基于预设数值转换规则，将各所述商品反馈行为转换为各商品反馈值。