[发明专利]一种改进基于内容的农资商品推荐方法

说明书

本发明公开了一种改进基于内容的农资商品推荐方法，涉及人工智能技术领域，通过用户的历史数据建立用户模型；利用强化学习的方法根据用户的反馈不断更新用户对商品的兴趣度；计算商品和用户的特征属性相似度；再将商品与用户模型的相似度和商品的兴趣度相乘，确定该商品的推荐度；最后选取推荐度最高N个的商品推荐给用户。本发明的算法通过用户在线行为来调整商品的推荐度，随着用户的兴趣变化进行自适应推荐，能更加准确的预测用户的行为。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种改进基于内容的农资商品推荐方法。

背景技术

农资推荐不同于普通电子商务的推荐，农资推荐主要是以农业生产需求为主导，普通电子商务的推荐则是以用户兴趣为主导，农资电商的推荐既要考虑要求农业生产的外界因素的影响，还要考虑用户的兴趣，对推荐的正确性要求很高。目前的推荐算法以用户数据为基础，没有考虑农业生产外部因素的影响，正确性无法保证，就无法应用到农资商品的推荐上，同时在保证推荐的正确性的基础上，用户的兴趣变化也是推荐考虑的重要因素，准确预测用户的兴趣迁移，能够提高推荐的准确度，增加用户的忠诚度。

发明内容

为解决上述技术问题，本发明提供一种改进基于内容的农资商品推荐方法，通过用户在线行为来调整商品的推荐度，随着用户的兴趣变化进行自适应推荐，能更加准确地预测用户的行为。

本发明采用如下技术方案：

一种改进基于内容的农资商品推荐方法，包括以下步骤:

S1、统计用户的历史购买行为数据，建立用户模型矩阵；

S2、由农资知识库生成推荐集，建立商品特征模型；

S3、计算每个推荐商品的推荐度；

S4、计算推荐集中每个商品与用户模型的相似度；

S5、计算推荐集中每件商品的推荐度，选取推荐度最高的商品推荐给用户；

S6、根据用户的反馈更新用户模型商品的推荐度。

优选的，所述S1还包括以下步骤:

S1.1对应的用户模型特征权重矩阵W＝{w1，w2，…，wn}，i∈[1，n],权重计算公式如式(1)，

fi表示在时间段T内购买属于Fi特征商品的次数。

优选的，所述S3中计算每个推荐商品的推荐度具体方法为:采用Q-学习的方法更新商品的兴趣度，根据公式(2)计算推荐集B中每个商品bi的兴趣度，

其中Qt(bi,a)表示在t时刻bi的兴趣度；r表示采取动作a的奖惩值，Qt-1(bi,a‘)表示在t-1时刻bi的兴趣度，a‘为t-1时刻的采取动作，计算公式如式(3)所示；rec表示在时间段T里距离上一次购买或点击时间推荐次数，当bi推荐次数越多，并且用户对bi没有产生购买行为或点击行为时，表示用户的bi兴趣度随着推荐次数增大而减小；α∈[0,1]表示学习速率；γ∈[0,1]表示折扣因子，γ越接近于0，则智能体越注重当前回报值，γ越接近于1，则智能体越注重长期回报值，

pi为时间T内点击或购买bi次数。

优选的，所述S4中计算的具体方法如公式(4)所示:

优选的，计算推荐集B中每件商品的推荐度的具体方法如式(5)所示:

Ri＝simi×Qt(bi，a)(5)。

优选的，S6中更新用户模型的方法如式(1)所示，更新商品的推荐度的方法如式(2)所示。