[发明专利]基于贝叶斯回归的利基产品推荐方法及装置

权利要求书

1.一种基于贝叶斯回归的利基产品推荐方法，其特征在于，所述方法包括：

获取用户信息和产品信息；所述用户信息包括用户多个邻居信息，所述产品信息包括流行产品信息和长尾产品信息；所述长尾产品信息中包括利基产品信息；利基产品是指平均评分高于所述长尾产品平均评分的产品；

根据所述用户信息和所述产品信息中各用户的兴趣偏好、各用户邻居的兴趣偏好和各产品的口碑生成各用户的总体偏好向量；

根据所述用户信息和所述产品信息获取各用户的特殊偏好向量；

根据所述总体偏好向量和所述特殊偏好向量构建加权贝叶斯回归模型；

基于所述加权贝叶斯回归模型将各利基产品推荐给偏好程度排序靠前的设定数量个用户；

所述根据所述用户信息和所述产品信息中各用户的兴趣偏好、各用户邻居的兴趣偏好和各产品的口碑生成各用户的总体偏好向量包括：

基于所述用户信息和所述产品信息，利用矩阵分解方法挖掘各用户与各产品的隐特征，得到用户的兴趣偏好特征；

获取各用户的邻居对每个产品的推荐程度；

获取各产品的高评分比例即各产品的口碑；所述高评分比例是指高评分用户的数量和参与对产品评分用户的总数的比例；所述高评分是指评分超过评分阈值的分值；

所述根据所述用户信息和所述产品信息获取各用户的特殊偏好向量包括：

获取各用户对不同类别产品的类别偏好向量；产品的类别根据各产品的评分确定；

获取各用户对不同类别长尾产品的长尾偏好向量；所述长尾产品的类别根据各长尾产品的评分确定。

2.根据权利要求1所述的利基产品推荐方法，其特征在于，所述加权贝叶斯回归模型采用下式表示：

W₁(u,v”')＝β₁h(u,v”')+β₂d(u,v”')+β₃q(v”')+c；

W₂(u,v”')＝t₁(u,g(v”'))+t₂(u,g(v”'))；

W(u,v”')＝β₁W₂(u,v”')h(u,v”')+β₂W₂(u,v”')d(u,v”')+β₃W₂(u,v”')q(v”')+cW₂(u,v”')；

式中，W₁(u,v”')表示第u个用户对第v”'个利基产品的总体偏好，W₂(u,v”')表示第u个用户对第v”'个利基产品的特殊偏好，W(u,v”')表示第u个用户对第v”'个利基产品的兴趣偏好，g(v”')表示第v”'个利基产品的所属的类别，β₁、β₂和β₃是加权贝叶斯回归模型的回归系数，c是常数。