一種基于行為預(yù)測(cè)的推薦方法和裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本申請(qǐng)涉及數(shù)據(jù)挖掘領(lǐng)域，尤其涉及一種基于行為預(yù)測(cè)的推薦方法和裝置。
【背景技術(shù)】
[0002] 近年來(lái)，隨著計(jì)算機(jī)和網(wǎng)絡(luò)的普及，數(shù)據(jù)挖掘技術(shù)在各種計(jì)算機(jī)應(yīng)用系統(tǒng)中的作 用與日倶增。大數(shù)據(jù)的發(fā)展，使得一方面提高了電子網(wǎng)站收集和存儲(chǔ)海量數(shù)據(jù)的能力；另一 方面也造成了人們面對(duì)海量信息無(wú)所適從的局面。人們已經(jīng)注意到，對(duì)過(guò)去事務(wù)數(shù)據(jù)的分 析能提供關(guān)于客戶需求非常有價(jià)值的信息，從而能極大地改善商業(yè)決策的質(zhì)量。因而，在電 子系統(tǒng)運(yùn)行中捕獲和發(fā)現(xiàn)客戶行為模式并挖掘商務(wù)智能越來(lái)越成為人們關(guān)注的熱點(diǎn)。
[0003] 但是隨著互聯(lián)網(wǎng)的發(fā)展，網(wǎng)絡(luò)數(shù)據(jù)急劇增長(zhǎng)，信息過(guò)載現(xiàn)象越來(lái)越嚴(yán)峻，用戶想要 從海量信息中快速準(zhǔn)確地找到感興趣的信息變得越來(lái)越困難。已有的推薦算法大多從用戶 瀏覽商品、點(diǎn)擊商品和購(gòu)買記錄出發(fā)，對(duì)歷史數(shù)據(jù)進(jìn)行分析進(jìn)而進(jìn)行推薦。但是這樣會(huì)帶來(lái) 一個(gè)問(wèn)題，那就是在網(wǎng)絡(luò)上銷售的商品種類繁多，商家呈現(xiàn)的都是商品光鮮亮麗的一面，實(shí) 際的商品質(zhì)量如何并不得而知。那么傳統(tǒng)的推薦方法很可能會(huì)推薦一些滿足用戶需求，但 質(zhì)量并不好的商品，一旦用戶購(gòu)買后發(fā)現(xiàn)質(zhì)量不好，就會(huì)極大地降低用戶對(duì)于推薦商品的 ig任度。
[0004] 基于現(xiàn)有技術(shù)的這一缺陷，在現(xiàn)有的電子領(lǐng)域希望收集更多的真實(shí)的用戶反饋。 但是，在現(xiàn)有的網(wǎng)站中，通常銷售成千上萬(wàn)的商品，作為電子商務(wù)網(wǎng)站的運(yùn)營(yíng)者而言不可能 試用所有的商品，或者說(shuō)即使試用了得到的也是小面積小樣本的反饋，因而越來(lái)越多的網(wǎng) 站都設(shè)置了客戶在購(gòu)買商品后給出評(píng)價(jià)的通道，并且為了使得更多地客戶在購(gòu)物后進(jìn)行評(píng) 價(jià)還設(shè)置了一些獎(jiǎng)勵(lì)方法。但是現(xiàn)實(shí)卻是并非所有用戶在購(gòu)買商品后會(huì)對(duì)商品進(jìn)行評(píng)價(jià)和 反饋。那么如何在非全樣本的用戶反饋的基礎(chǔ)上，實(shí)現(xiàn)準(zhǔn)確的推薦是亟待解決的一個(gè)問(wèn)題。

【發(fā)明內(nèi)容】

[0005] 有鑒于此，本申請(qǐng)?zhí)峁┮环N基于行為預(yù)測(cè)的商品推薦方法，其特征在于，具體包 括： Stepl :收集用戶對(duì)商品的評(píng)分信息； Step2 :根據(jù)商品評(píng)分的評(píng)分方差，計(jì)算評(píng)分相似度； Step3 :融合評(píng)分項(xiàng)的相似度； Step4:根據(jù)融合的評(píng)分項(xiàng)相似度得到最近商品集，預(yù)測(cè)用戶對(duì)商品的評(píng)分，并根據(jù)評(píng) 分大小產(chǎn)生推薦商品。
[0006] 在本申請(qǐng)一優(yōu)選實(shí)施例中，在所述Step2中根據(jù)商品評(píng)分的評(píng)分方差計(jì)算評(píng)分項(xiàng) 的相似度得到最相似商品集。
[0007] 在本申請(qǐng)一優(yōu)選實(shí)施例中，在所述Step2中不同商品i，j評(píng)分之間的相似度為：
其中&^、是商品i和j的評(píng)分方差，評(píng)分方差表示了評(píng)分項(xiàng)之間方差差異的大 小。
[0008] 在本申請(qǐng)一優(yōu)選實(shí)施例中，其特征在于，所述Step3包括：將評(píng)分相似度和現(xiàn)有技 術(shù)中的計(jì)算得到的相似度線性融合得到評(píng)分項(xiàng)的相似度，其中所述現(xiàn)有技術(shù)的相似度計(jì)算 可以采用針對(duì)Pearson系數(shù)的MX改進(jìn)方案以下公式進(jìn)行計(jì)算：
其中，M和巧分別是對(duì)商品i和j評(píng)過(guò)分的用戶集合，浐為手動(dòng)可調(diào)參數(shù)，具體取值由 數(shù)據(jù)集而定，(ij)為商品i和j的Pearson相關(guān)系數(shù)，妒=5。
[0009] 在本申請(qǐng)一優(yōu)選實(shí)施例中，其特征在于，所述St印4包括： 若商品i的最近商品集為N⑴，則用戶u對(duì)商品i的預(yù)測(cè)評(píng)分Pu,,可以根據(jù)用戶u對(duì) 最近商品集N(i)中的評(píng)分得到，計(jì)算方法如下：
其中忽表不商品i與其最近相似商品j之間的相似度，式和&分別表不用戶對(duì) 商品i和j的平均評(píng)分； 并且根據(jù)計(jì)算得到的評(píng)分大小產(chǎn)生推薦商品。
[0010] 本申請(qǐng)還提供了一種基于行為預(yù)測(cè)的推薦裝置，包括： 評(píng)分收集模塊，收集用戶對(duì)商品的評(píng)分信息； 評(píng)分相似度計(jì)算模塊，根據(jù)商品評(píng)分的評(píng)分方差，計(jì)算評(píng)分相似度； 融合計(jì)算模塊，融合評(píng)分項(xiàng)的相似度； 推薦模塊，根據(jù)融合的評(píng)分項(xiàng)相似度得到最近商品集，預(yù)測(cè)用戶對(duì)商品的評(píng)分，并根據(jù) 評(píng)分大小產(chǎn)生推薦商品。
[0011] 在本申請(qǐng)一優(yōu)選實(shí)施例中，其特征在于，在所述評(píng)分相似度計(jì)算模塊中根據(jù)商品 評(píng)分的評(píng)分方差計(jì)算評(píng)分項(xiàng)的相似度得到最相似商品集。
[0012] 在本申請(qǐng)一優(yōu)選實(shí)施例中，其特征在于：在所述評(píng)分相似度計(jì)算模塊中不同商品 i，j評(píng)分之間的相似度為：
其中交是商品i和j的評(píng)分方差，評(píng)分方差表示了評(píng)分項(xiàng)之間方差差異的大 小。
[0013] 在本申請(qǐng)一優(yōu)選實(shí)施例中，其特征在于，所述融合計(jì)算模塊包括：將評(píng)分相似度和 現(xiàn)有技術(shù)中的計(jì)算得到的相似度線性融合得到評(píng)分項(xiàng)的相似度，其中所述現(xiàn)有技術(shù)的相似 度計(jì)算可以采用針對(duì)Pearson系數(shù)的MAX改進(jìn)方案以下公式進(jìn)行計(jì)算：
其中，M和巧分別是對(duì)商品i和j評(píng)過(guò)分的用戶集合，^為手動(dòng)可調(diào)參數(shù)，具體取值由 數(shù)據(jù)集而定，(W)為商品i和j的Pearson相關(guān)系數(shù)，f =5。
[0014] 在本申請(qǐng)一優(yōu)選實(shí)施例中，其特征在于，所述推薦模塊包括： 若商品i的最近商品集為N⑴，則用戶u對(duì)商品i的預(yù)測(cè)評(píng)分Pu,,可以根據(jù)用戶u對(duì) 最近商品集N(i)中的評(píng)分得到，計(jì)算方法如下：
其中;swii)表示商品i與其最近相似商品j之間的相似度，響和$分別表示用戶對(duì) 商品i和j的平均評(píng)分； 并且根據(jù)計(jì)算得到的評(píng)分大小產(chǎn)生推薦商品。
[0015]
【附圖說(shuō)明】
[0016] 為了更清楚地說(shuō)明本申請(qǐng)實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本 申請(qǐng)中記載的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，還可以根據(jù)這些附圖獲得其他 的附圖。
[0017] 圖1是本申請(qǐng)中基于行為預(yù)測(cè)推薦方法的流程圖； 圖2是本申請(qǐng)中基于行為預(yù)測(cè)推薦裝置的結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0018] 本發(fā)明提出了一種基于用戶行為預(yù)測(cè)的推薦方法，該方法解決了現(xiàn)有技術(shù)中存在 的用戶評(píng)價(jià)不全的問(wèn)題。本申請(qǐng)針對(duì)現(xiàn)實(shí)中面臨的用戶評(píng)價(jià)收集不全的問(wèn)題提出了將用于 行為預(yù)測(cè)融入推薦算法中，更加充分地利用了現(xiàn)有的用戶評(píng)分信息，極大地緩解了傳統(tǒng)推 薦算法的推薦不準(zhǔn)確的問(wèn)題。
[0019] 在預(yù)測(cè)客戶對(duì)商品評(píng)分時(shí)，利用的是該客戶最相似用戶集中的評(píng)分信息。因此，在 預(yù)測(cè)未評(píng)分客戶對(duì)商品評(píng)分時(shí)需要獲得兩個(gè)信息：第一，是該用戶未評(píng)價(jià)商品的最相似商 品集；第二，最相似商品集中的用戶對(duì)該商品有過(guò)評(píng)分。
[0020] 本發(fā)明提出了一種基于用戶行為預(yù)測(cè)的推薦方法，其實(shí)現(xiàn)流程如圖1所示，包括： Stepl :收集用戶對(duì)商品的評(píng)分信息； Step2 :根據(jù)商品評(píng)分的評(píng)分方差，計(jì)算評(píng)分相似度； Step3 :融合評(píng)分項(xiàng)的相似度； Step4:根據(jù)融合的評(píng)分項(xiàng)相似度得到最近商品集，預(yù)測(cè)用戶對(duì)商品的評(píng)分，并根據(jù)評(píng) 分大小產(chǎn)生推薦商品。
[0021] 下面詳細(xì)介紹每一步的優(yōu)選實(shí)施方式。
[0022] St印1的優(yōu)選實(shí)施方式： 收集用戶對(duì)于商品的評(píng)分信息，并所有評(píng)分信息進(jìn)行存儲(chǔ)。這里對(duì)評(píng)分信息的收集和 存儲(chǔ)可以采用現(xiàn)有技術(shù)中本領(lǐng)域技術(shù)人員公知的技術(shù)手段，優(yōu)選地，可以采用矩陣的形式 存儲(chǔ)用戶評(píng)分信息。
[0023] 用戶對(duì)商品的評(píng)分矩陣可以如下表所示：
可以看出，用戶評(píng)分的缺失，可以是所有評(píng)分項(xiàng)全部缺失，也可以是部分評(píng)分項(xiàng)缺失。
[0024] St印2的優(yōu)選實(shí)施方式： 通過(guò)計(jì)算評(píng)分項(xiàng)的相似度得到最相似商品集。
[0025] 根據(jù)商品評(píng)分的評(píng)分方差，計(jì)算評(píng)分相似度。
[0026] 商品的評(píng)分方差越大表示用戶對(duì)該商品評(píng)分的相似度越小，評(píng)分方差越小表示用 戶對(duì)該商品評(píng)分的相似度越大。因此，不同商品i，j評(píng)分之間的相似度為：
其中錢是商品i和j的評(píng)分方差，評(píng)分方差適度表示了評(píng)分項(xiàng)之間方差差異的 大小。
[0027] 例如，評(píng)分項(xiàng) i、j、s 的方差分別是 I、1. 5 和 3,則M.Wicsdj') = 0.8，= 0. J ，方差差值越小，表示用戶對(duì)他們的評(píng)分項(xiàng)相似度越大。
[0028] St印3的優(yōu)選實(shí)施方式： 將評(píng)分相似度和現(xiàn)有技術(shù)中的計(jì)算得到的相似度線性融合得到評(píng)分項(xiàng)的相似度。
[0029] 優(yōu)