[发明专利]一种商品的推荐方法及装置

说明书

技术领域

本发明属于大数据处理技术领域，尤其涉及一种商品的推荐方法及装置。

背景技术

SVD(SingularValueDecomposition，奇异值分解)算法，是一种常用的 矩阵分解技术，能够进行有效的代数特征提取。SVD算法实际上将一个N行M 列的评分矩阵R(其中的元素R_ui表示第u个用户对第i个商品的评分)，分解成 一个N行F列的用户因子矩阵P(其中的元素P_uk表示第u个用户对因子k的喜好 程度)和一个M行F列的物品因子矩阵Q(其中的元素Q_ik表示第i个物品的因 子k的程度)，通过公式R＝P·Q^T表示。SVD算法在协同过滤中的主要思路是根 据已有的评分情况，分析出评分者对各个因子的喜好程度以及物品包含各个因 子的程度，最后再反过来分析数据得出预测结果。相对于评分矩阵，用户因子 矩阵和物品因子矩阵相应的存储量和计算量降低了多个数量级。然而，在实际 应用时存在以下缺陷：

1.评分矩阵为稠密矩阵时，通过SVD算法得到的预测数据的准确性较高， 而评分矩阵密集度较低，即为稀疏矩阵时，预测数据的准确性较低，SVD算法 的性能非常差，推荐效果不理想；

2.基于SVD的推荐算法多使用梯度下降法进行求解，而求解过程中误差的 下降速度会越来越慢，需要进行多次迭代，耗费时间长。

发明内容

鉴于此，本发明实施例提供一种商品的推荐方法及装置，以提高商品的推 荐效果，并优化推荐算法的迭代求解效率。

第一方面，提供了一种商品的推荐方法，所述推荐方法包括：

获取评分矩阵，所述评分矩阵包括多个用户对多个商品的实际评分，并在 所述评分矩阵的空缺位置上填补随机数；

针对每一个用户，根据所述评分矩阵和所述用户对应的隐式反馈数据，通 过SVD++算法进行多次迭代求解，得到所述用户对应的评分向量，所述评分向 量中包括所述用户对每一个商品的预测评分；

在向用户推荐商品时，根据所述用户对应的评分向量，选取预测评分最大 的商品推荐给所述用户。

第二方面，提供了一种商品的推荐装置，所述推荐装置包括：

获取模块，用于获取评分矩阵，所述评分矩阵包括多个用户对多个商品的 实际评分，并在所述评分矩阵的空缺位置上填补随机数；

求解模块，用于针对每一个用户，根据所述评分矩阵和所述用户对应的隐 式反馈数据，通过SVD++算法进行多次迭代求解，得到所述用户对应的评分向 量，所述评分向量中包括所述用户对每一个商品的预测评分；

推荐模块，用于在向用户推荐商品时，根据所述用户对应的评分向量，选 取预测评分最大的商品推荐给所述用户。

与现有技术相比，本发明实施例通过获取评分矩阵，并在所述评分矩阵的 空缺位置上填补随机数，将处理之后的评分矩阵作为SVD++算法的输入；针对 每一个用户，根据所述评分矩阵和所述用户对应的隐式反馈数据，通过SVD++ 算法进行多次迭代求解，得到所述用户对应的评分向量，所述评分向量中包括 用户对每一个商品的预测评分；在向用户推荐商品时，则根据所述用户对应的 评分向量，选取预测评分最大的商品推荐给所述用户；从而通过结合用户对商 品的隐式反馈数据和显示反馈数据，获得用户对没有评分的商品的预测评分， 解决了评分矩阵密集度较低时推荐性能差的问题，有效地提高了商品的推荐效 果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述 中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付 出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1是本发明实施例提供的商品的推荐方法的实现流程图；

图2是本发明实施例提供的商品的推荐方法中步骤S102的具体实现流程 图；

图3是本发明实施例提供的商品的推荐装置的组成结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实 施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅 仅用以解释本发明，并不用于限定本发明。