[发明专利]一种物品推荐方法、装置

说明书

本发明适用于网络信息检索技术领域，提供了一种物品推荐方法、装置，所述方法包括：采集物品属性数据和用户日志数据，所述用户日志数据中包括用户历史行为数据；根据所述物品属性数据和所述用户历史行为数据计算物品之间的二维相似度；根据所述二维相似度计算用户对每个物品的喜好程度；根据所述喜好程度为所述用户推荐相应的物品。本发明，计算物品之间的相似度时，综合考虑了物品属性数据和用户历史行为数据，得出的二维相似度数据相比现有技术的只考虑物品属性数据和用户历史行为数据中的其中一种而得出的属性相似度或者行为相似度，精确度更高，使得能推荐给用户最为喜爱的物品。

技术领域

本发明属于网络信息检索技术领域，尤其涉及一种物品推荐方法、装置。

背景技术

随着互联网的发展，网络资源呈爆炸式增长，互联网用户获取信息需要的代价越来越高。虽然用户可以借助搜索引擎去获取信息，但是还是会存在不足之处。

一方面，用户搜索时很难找到合适的关键词来描述搜索内容；另一方面，搜索引擎返回给用户的结果很难满足用户的个性化需求。

因此，个性化推荐系统应运而生，它根据用户行为或物品属性分析用户的喜好，从而给用户提供个性化的推荐结果。个性化推荐系统在给用户进行推荐时，首先基于物品属性或用户行为计算物品之间的相似性，然后根据用户行为预测用户对未知物品的喜好程度，并据此筛选出用户最感兴趣的若干物品并推荐给该用户。

然而，当前的个性化推荐系统往往基于物品属性和用户行为中的一种数据计算物品之间的相似度，因此相似度计算不够准确。部分个性化推荐系统虽然结合上述两种数据计算物品之间的相似度，但是由于计算方法复杂，很难在分布式环境下实现，因此无法满足实际中处理大数据的需求。

另外，现有技术也提供了一种集成属性和结构相似性的个性化商品推荐方法，该方法集成属性和结构相似性信息，将用户和商品作为带有特征信息的节点映射到网络，依据顾客和商品间的购买关系建立信息网络图，在信息网络图中利用集成属性和结构相似性度量用户节点对间的兴趣偏好，并以此选择最近邻，以提高推荐准确性。虽然该方法相比于当前的个性化推荐系统推荐准确性更高，但在计算相似度时，需要多次迭代计算，而且在每次迭代计算的过程中需要保证能够访问到全部数据，因此很难通过拆分数据的方式将该计算过程分解到Hadoop分布式环境集群上的各个计算节点，所以很难在Hadoop分布式环境下实现，并且单机环境下夹角余弦计算方法也只能处理小规模数据，因此该方法对于小规模数据是可行的，如用户和物品数量在“千”数量级，但当用户数量、物品数量以及用户行为数据增加到中等规模或者大规模时，该方法并不现实。

发明内容

本发明实施例提供了一种物品推荐方法、装置，旨在解决现有技术提供的物品推荐方法，计算复杂，效率低下，且很难在分布式环境下实现，因此无法满足实际中处理大数据的需求的问题。

一方面，提供一种物品推荐方法，所述方法包括：

采集物品属性数据和用户日志数据，所述用户日志数据中包括用户历史行为数据；

根据所述物品属性数据和所述用户历史行为数据计算物品之间的二维相似度；

根据所述二维相似度计算用户对每个物品的喜好程度；

根据所述喜好程度为所述用户推荐相应的物品。

进一步地，所述根据所述物品属性数据和所述用户历史行为数据计算物品之间的二维相似度包括：

根据所述物品属性数据计算物品i与物品j之间的属性相似度Sim_A(i,j)；

根据所述用户历史行为数据计算物品i与物品j之间的行为相似度Sim_B(i,j)；