[发明专利]基于隐式反馈协同过滤算法的推荐系统及方法

说明书

本发明提供一种基于隐式反馈协同过滤算法的推荐系统及方法，所述推荐方法包括：步骤1)，根据一电子商务网站上的历史用户访问信息，抽取一段时间内的用户跳转行为记录，形成训练数据集；步骤2)，根据所述训练数据集调整隐式反馈协同过滤算法基本模型的参数，生成预测模型；步骤3)，根据该电子商务网站的集群的计算能力把用户分组，整合用户与被推荐的产品，生成多个预测数据集，并利用所述预测模型进行并行运算，预测出每组用户的产品偏好，形成推荐结果；步骤4)，将所述推荐结果索引入所述电子商务网站的搜索引擎中。本发明的技术方案利用用户的跳转行为训练模型，并利用用户分组实现集群的并行运算，大大提升了推荐效果和计算效率。

技术领域

本发明涉及互联网技术领域，尤其涉及一种基于隐式反馈协同过滤算法的推荐系统及方法。

背景技术

电子商务领域中，随着商品越来越丰富，品类越来越多，人们从海量的商品里找到自己感兴趣商品的时间成本越来越高。为解决这个问题，有效指导用户在电子商务网站中购物，电子商务推荐系统应运而生。电子商务推荐系统可以根据已有的用户信息，向目标用户推荐其可能感兴趣的产品信息。然而，随着移动互联网的到来，以大不同于PC时代的产品形态面向用户，商品的展现形式及用户购物的习惯已呈一个全新的局面，营销如何更精准、市场投放如何有更高的回报、长尾商品如何有更多的机会去展现从而提升转化，这些问题都是商家和电子商务平台目前面临的重大难题，也正是推荐系统亟待解决的问题。发明人发现目前的推荐系统存在以下缺陷：

目前，推荐系统常用算法主要包括三类：基于内容的推荐算法、协同过滤推荐算法、基于关联规则的推荐算法。其中被广泛使用的是协同过滤算法，常用的协同过滤主要分为基于用户的协同过滤和基于商品的协同过滤。基于用户的协同过滤推荐根据相似用户群的观点来产生对目标用户的推荐，使用统计方法挑选出与目标用户最相似的若干用户，称为“邻居”，然后根据这些邻居对与目标商品相似的商品的评分来推测用户对目标商品的感兴趣程度；基于产品的协同过滤推荐是根据用户对与目标商品相似的商品的评分来预测该用户对目标商品的感兴趣程度。显然，无论是哪种协同过滤，数据都是基于用户对于商品的评分，评分通常是用户对商品的浏览次数、点击次数、购买次数等转换而来的显示数据，在这其中，基于用户的协同过滤和基于商品的协同过滤都没有考虑用户的噪声行为，例如用户购买某件商品可能是送给自己的朋友，或者点击某个商品可能只是无意点中偶然产生的行为，使得直接使用这种评分类数据会给用户的这些噪声行为更高的权重，而不能反映用户真实的兴趣，导致推荐效果不佳。

另外，在集群受限及算法实现框架的限制下，大部分的推荐系统会采用单机运算，不仅效率不高，而且没办法利用更丰富的数据去建模，推荐效果也会大打折扣。

发明内容

本发明的目的在于提供一种基于Spark隐式反馈协同过滤算法的产品推荐系统及方法，在计算资源有限的环境下，大大提升推荐数据计算效率和推荐效果。

为解决上述问题，本发明提出一种基于隐式反馈协同过滤算法的推荐方法，包括：

步骤1)，根据一电子商务网站上的历史用户访问信息，抽取一段时间内的用户跳转行为记录，形成训练数据集；

步骤2)，根据所述训练数据集调整隐式反馈协同过滤算法基本模型的参数，生成预测模型；

步骤3)，根据该电子商务网站的集群的计算能力把用户分组，整合用户与被推荐的产品，生成多个预测数据集，并利用所述预测模型进行并行运算，预测出每组用户的产品偏好，形成推荐结果；

步骤4)，将所述推荐结果索引入所述电子商务网站的搜索引擎中。

进一步的，所述电子商务网站为能够链接产品直属的电子商务网站的第三方电子商务网站。

进一步的，所述步骤1)包括：