[发明专利]一种融入用户隐性信息的电子商务个性化推荐方法在审

专利信息
申请号: 201510580364.6 申请日: 2015-09-14
公开(公告)号: CN105069666A 公开(公告)日: 2015-11-18
发明(设计)人: 许翀寰;陶婉琼;强潇丹 申请(专利权)人: 浙江工商大学
主分类号: G06Q30/02 分类号: G06Q30/02;G06F17/30
代理公司: 杭州天正专利事务所有限公司 33201 代理人: 王兵;黄美娟
地址: 310018 浙江*** 国省代码: 浙江;33
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 融入 用户 隐性 信息 电子商务 个性化 推荐 方法
【权利要求书】:

1.一种融入用户隐性信息的电子商务个性化推荐方法,包括以下步骤:

1)获取用户商品评分矩阵:与一般的推荐系统相同,从消费者对某商品的直接显性评分,或是根据消费者的行为按照一定的规则推理消费者对商品的隐性评分,某个消费者对所有商品的显性或隐性评分构成该消费者对商品的评分矢量,所有消费者的商品评分矢量组成用户商品评分矩阵。

若有n件商品,m个用户,则用户商品评分矩阵R是一个m×n的矩阵,其中的元素rij表示第i个用户对第j件商品的评分数值,即第j件商品给第i个用户带来的效用。用户商品评分矩阵中各元素的取值是表示等级的数值如1-5级,不同的级别表示用户对于商品的不同喜好程度。而矩阵R中空缺的元素是用户没有提供相应商品的评分信息,正是需要预测并确定是否向目标用户推荐该商品。

2)计算用户相似度:为了保证相似度计算的准确性,规定当用户ui和用户uj至少评价了相同的十个商品时才对两人进行相似度计算。采用皮尔逊相关系数比较两个用户之间的相似度,公式如下:

sij=ΣkI(i)I(j)(rik-ri).(rjk-rj)ΣkI(i)I(j)(rik-ri)2·ΣkI(i)I(j)(rik-rj)2---(1)]]>

其中,I(i)表示用户ui评论的商品集合,表示用户ui的平均评价得分,k表示用户ui与uj都曾评价过的商品。sij值域为[-1,1],值越大表示两者相似度越高。采用映射函数将皮尔逊相关系数的相似度值域界定在[0,1]。

3)构造用户兴趣矩阵:基于相似度计算结果构造隐性用户兴趣关联矩阵C。其中,元素为cij,令cij=sij,当用户之间相似度越高,他们共同的兴趣和爱好就越多。

4)获取用户特征:

用矩阵因子分解的方法将用户商品矩阵、用户的显性社交关系矩阵、用户的隐性兴趣矩阵因式分解。

包括以下步骤:

首先:定义用户潜在特征矩阵U,商品潜在特征矩阵V。定义所观测的用户商品评价矩阵R的条件分布为:

p(R|U,V,σR2)=Πi=1mΠj=1n[N(rij|g(UiTVj),σR2)]IijR---(2)]]>

若第i行j列存在元素,则为1,否则为0。N(x|μ,σ2)为正态分布的概率密度函数,均值为μ,方差为σ2。利用逻辑函数将的范围界定在[0,1]。

将0均值的高斯先验置于用户、商品的特征向量:

p(U|σU2)=Πi=1mN(Ui|0,σU2I)p(U|σV2)=Πj=1mN(Vj|0,σV2I)---(3)]]>

通过贝叶斯推理,得出基于所研究的评分对象的矩阵U和V的后验分布如下:

p(U,V|R,σU2,σV2,σR2)p(R|U,V,σR2)·p(U|σU2)p(V|σV2)=Πi=1mΠj=1n[N(rij|g(UiTVj),σR2)]IijR×Πi=1mN(Ui|0,σU2I)×Πj=1nN(Vj|0,σV2I)---(4)]]>

其次:定义所观测的显性用户社交关系矩阵S和隐性用户兴趣关联矩阵C的条件分布为:

p(S|U,W,σS2)=Πi=1mΠk=1m[N(sik|g(UiTWk),σS2)]IikSp(C|U,Z,σC2)=Πi=1mΠt=1m[N(sit|g(UiTZt),σC2)]IikC---(5)]]>

其中,W为用户社交关系附加变量矩阵,Z为用户兴趣关联附加变量矩阵。

同样通过贝叶斯推理,并置0均值的高斯先验,能够导出U、W的后验分布如公式(6)所示,以及U、Z的后验分布如公式(7)所示:

p(U,W|R,σU2,σW2,σS2)p(S|U,W,σS2)·p(U|σU2)p(W|σW2)=Πi=1mΠk=1n[N(sik|g(UiTWk),σS2)]IikS×Πi=1mN(Ui|0,σU2I)×Πk=1mN(Wk|0,σW2I)---(6)]]>

p(Z|σZ2)=Πi=1mΠt=1m[N(cit|g(UiTZt),σC2)]IitC×Πi=1mN(Ui|0,σU2I)×Πt=1mN(Zt|0,σZ2I)---(7)]]>

以上等式的后验分布的自然对数为:

ln;(U,V,W,Z|R,S,C;σR2,σS2,σC2,σU2,σV2,σW2,σZ2)=-12σR2Σi=1mΣj=1nIijR(rij-g(UiTVj))2-12σS2Σi=1mΣk=1mIikS(sik-g(UiTWki))2-12σC2Σi=1mΣt=1mIitC(cit-g(UiTZt))2-12σU2Σi=1mUiTUi-12σV2Σj=1nVjTVj-1σW2Σj=1nWkTWk-12σZ2Σj=1nZtTZt-12(Σi=1mΣj=1nIijR)lnσR2-12(Σi=1mΣk=1mIikS)lnσS2-12(Σi=1mΣt=1mIitC)lnσC2-12(mlnσU2+nlnσV2+W2+Z2)+C---(8)]]>

其中C是一个不基于任何参数的常量。最大化三个具有参数的潜在特征的后验等于如下目标函数的平方误差和的最小化:

E(R,S,C,U,V,W,Z)=12Σi=1mΣj=1nIijR[rij-g(UiTVj)]2+λs2Σi=1mΣk=1mIikS[sik-g(UiTWk)]2+λC2Σi=1mΣt=1mIitC[cit-g(UiTZt)]2+λU2||U||F2+λV2||V||F2+λW2||W||F2+λZ2||Z||F2---(9)]]>

其中,λ为调节变量,λs=σR2σS2,λC=σR2σC2,λU=σR2σU2,λV=σR2σV2,λW=σR2σW2,λZ=σR2σZ2,]]>表示弗罗贝尼乌斯数。最后:公式(10)中的目标函数的局部最小值能通过U、V、Z的梯度下降法获得:

EUi=Σi=1mIijTg(UiTVj)(g(UiTVj)-rij)Vj+λSΣk=1mIikSg(UiTWk)g((UiTWk)-sik)Wk+λCΣt=1mIitCg(UiTZt)g((UiTZt)-cit)Zt+λUUiEVj=Σi=1mIijRg(UiTVj)(g(UiTVj)-rij)Ui+λCΣt=1nItjCg(ZtTVj)-(g(ZtTVj)-ctj)Zt+λVVjEWk=λSΣi=1mIikSg(UiTWk)(g(UiTWk)-sik)Uj+λWWkEZt=λCΣi=1mIitCg(UiTZt)(g(UiTZt)-cit)Ui+λZZt---(10)]]>

其中,g'(x)是逻辑函数的导数:

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江工商大学,未经浙江工商大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201510580364.6/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top