[发明专利]基于贝叶斯回归的利基产品推荐方法及装置

说明书

本发明提供了一种基于贝叶斯回归的利基产品推荐方法及装置。该利基产品推荐方法通过获取用户的兴趣偏好、邻居的兴趣偏好和产品的口碑，得到用户的总体偏好向量，然后再获取用户的特殊偏好向量，之后根据总体偏好向量和特殊偏好向量确定加权贝叶斯回归模型，最后根据加权贝叶斯回归模型为向各利基产品的排序靠前的设定数量个用户推荐。可见，本实施例中结合用户整体和用户个体，可以有针对性推荐利基产品，可以提高推荐效率和推荐成功率，进而提升用户的购物体验。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于贝叶斯回归的利基产品推荐方法及装置。

背景技术

利基产品是指与流行产品相对应的普通产品，用于满足部分用户的个性化和专门化需求。由于利基产品的宣传较少以及部分用户的不确定性，导致用户无法找到适合自己的产品。

发明内容

针对现有技术中的缺陷，本发明提供了一种基于贝叶斯回归的利基产品推荐方法及装置，用于解决相关技术中存在的技术问题。

第一方面，本发明实施例提供了一种基于贝叶斯回归的利基产品推荐方法，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的信息，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。

可选地，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。

可选地，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。

可选地，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”')；