[发明专利]一种基于规则与层级融合的个性推荐方法

摘要

本发明提供一种基于规则与层级融合的个性推荐方法，包括以下步骤步骤1“用户—物品”行为信息数据采集；步骤2数据预处理与特征提取；步骤3使用人工规则对步骤2处理后的初始数据集进行筛选，符合预测集的“用户—物品”对加入到预测集，全部筛选完后得到预测集Set1；步骤4基于Bagging算法的二级融合模型对“用户—物品”对进行预测，预测用户可能会购买的物品，得到预测集Set2；步骤5步骤3和步骤4的预测集取并集得到最终推荐给用户商品集。本发明基于Bagging算法的两级模型融合的方法解决了单模型的推荐效果较低的问题；使用一定的人工规则进行预测，预测出了一些算法不能解释的购买情况，使推荐结果的召回率大大提高，综合效果较为显著。

主权项

一种基于规则与层级融合的个性推荐方法，其特征在于，包括以下步骤：步骤1：“用户—物品”行为信息数据采集，采集用户在电子商务网站的对各个物品的行为信息，包括时间、用户ID、商品ID和行为，所述行为包括点击、收藏、加入购物车和购买；步骤2：对步骤1得到的数据进行预处理与特征提取，所述数据预处理即对数据进行归一化处理，采用离差标准化方法，对步骤1得到的原始数据进行线性变换，使结果值映射到[0‑1]之间，转换函数如下：x*=x-minmax-min]]>其中，x为样本原数据，max为样本数据的最大值，min为样本数据的最小值，x*为归一化后的新值；所述特征提取通过选取最能反映用户购买导向的特征进行提取计算；步骤3：使用人工规则筛选经过步骤2处理后的初始数据集得到预测结果集Set1；步骤4：采用二级融合模型对“用户—物品”进行预测，预测用户可能会购买的物品，预测会购买，则将物品标记为1，否则为0；二级融合模型的第一级模型采用逻辑斯蒂回归模型对经过步骤2处理后的初始数据进行预测，将其预测结果保留；将第一级模型的预测结果作为一个特征加入到经过步骤2处理后的初始数据构成新数据，第二级模型利用此新数据采用随机森林、最近邻、逻辑斯蒂模型分别训练出模型model_1，model_2，model_3，三个模型进行融合，投票得到最终的融合模型，通过融合模型预测得到预测集Set2；步骤5：步骤3的预测集Set1和步骤4的预测集Set2取并集得到最终推荐给用户的商品集。