[发明专利]一种基于主题模型的商品推荐方法及系统

摘要

本发明公开了一种基于主题模型的商品推荐方法及系统。该系统包括采集模块、预处理模块、模型训练模块、主题相关性计算模块、文本相似性计算模块和推荐模块；利用多次降维的商品主题向量描述商品，在不同维度的商品向量临近区域随机选取相关商品来构建商品的关联关系，明显提高了商品关系的计算效率，提高了实用性；以商品文本内容的语义特征降低热门商品对用户兴趣的影响，有效解决了用户兴趣集中、且推荐结果多样性不足的问题，解决了协同过滤对于商品内容无法识别的商品冷启动问题。

主权项

一种基于主题模型的商品推荐方法，其特征在于，该方法包括以下步骤：(1)收集原始数据：定时更新电商词库；整理各大电商商品类目并映射到自有类目体系；采集电商商品入库。(2)文本预处理：遍历商品库，对商品的文本信息分词过滤，做成词袋。(3)训练主题模型：获取类目及关联类目中的全部商品词袋，通过LDA机器学习库训练得到“主题‑词”矩阵。(4)处理商品主题分布：根据“主题‑词”矩阵，遍历类目及关联类目下的全部商品词袋，得到商品的多维主题分布：(T1,T2,T3,...TV,)，主题特征向量Tv＝(w1,w2,w3,...,wK)，且v是商品序号，V是类目及关联类目下的商品总数，wi是该商品文本信息在第i个主题下的权值，i是主题序号，K是主题个数。对商品的多维主题分布做降维处理：商品的主题向量Tv仅保留权值从大到小前n的主题，n大于等于1且小于主题个数K，实现主题向量的降维，商品投影在n维空间。设定降维次数N，得到N个商品主题分布。(5)根据文本相关性，获取商品的文本近似商品。(6)根据主题相关性，获取商品的相关商品，具体包括以下子步骤：(6.1)找到输入商品在N个商品主题分布中的位置，在第i个商品主题分布中，选择xi个商品主题向量，x1,x2,...,xN依次增大、依次减少或根据线上点击情况确定，取出x1,x2,...,xN个商品。(6.2)计算原始商品主题向量的余弦相似度：根据商品的主题特征向量Tv＝(w1,w2,w3,...,wK)和商品的多维主题分布内所有向量Tu'、进行余弦相似度计算：取得相似度从大到小前Q个商品作为相关商品。(7)基于逻辑回归的点击率预估策略，确定多种来源的推荐商品比例，实现商品的最优推荐效果。