[发明专利]一种基于加权贝叶斯推理的负序列推荐方法及系统

说明书

本公开提供了一种基于加权贝叶斯推理的负序列推荐方法及系统。其中，基于加权贝叶斯推理的负序列推荐方法，包括：从用户行为数据库中提取相应用户购买行为的正负序列；其中，正负序列为按照时间先后顺序排列的用户购买物品序列，序列中的元素为物品名称；将提取的正负序列划分成若干个子序列并存储在序列数据库中；其中，序列数据库为物品空间；在当前需要决策的已购买某物品的条件下，利用贝叶斯加权序列模型推理出在物品空间中各个物品所具有的似然概率，进而得到不同物品被用户偏好的后验概率，从而实现“最高概率”推荐或“best‑N”推荐。

技术领域

本公开属于数据处理领域，尤其涉及一种基于加权贝叶斯推理的负序列推荐方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

一定程度上，序列模式对于用户的行为分析的确可以达到很好的效果，并且可解释性强。但是大多数序列模式的应用仅关注用户的正向动作(如某用户分别购买了香蕉、苹果、鸭梨，对于用户的负向动作(如用户购买了香蕉、篮球、苹果)的关注则表现出较低的关注度。但是在现实生活中，负序列的应用和参考价值并不低于正序列。

正负序列模式在有限的数据量下可以表现出优秀的分析能力，并给出可解释的分析，能够为实际的应用与数据挖掘分析提供出足够有效的宏观且深层次的建议。但是对于大数据，现有的正负序列挖掘的计算效率差，虽然神经网络对于大数据的处理表现出了优秀的计算能力。但神经网络模型就像是一个“黑盒子”，其可解释性相对弱一些，从先验的理论中所能获取的有效经验相对也少了很多。发明人发现，传统的协同过滤、奇异值分解等方法虽然可操作性强，并具有一定的可解释性，但是随着时代发展，已经日渐无法满足用户的个性化需求。

发明内容

为了解决上述问题，本公开的第一个方面提供一种基于加权贝叶斯推理的负序列推荐方法，其能够针对单个用户的长期与即时偏好进行足够强力有效的推荐，从而实现接近于“定制化”推荐。

为了实现上述目的，本公开采用如下技术方案：

一种基于加权贝叶斯推理的负序列推荐方法，包括：

从用户行为数据库中提取相应用户购买行为的正负序列；其中，正负序列为按照时间先后顺序排列的用户购买物品序列，序列中的元素为物品名称；

将提取的正负序列划分成若干个子序列并存储在序列数据库中；其中，序列数据库为物品空间；

在当前需要决策的已购买某物品的条件下，利用贝叶斯加权序列模型推理出在物品空间中各个物品所具有的似然概率，进而得到不同物品被用户偏好的后验概率，从而实现“最高概率”推荐或“best-N”推荐。

为了解决上述问题，本公开的第二个方面提供一种基于加权贝叶斯推理的负序列推荐系统，其能够针对单个用户的长期与即时偏好进行足够强力有效的推荐，从而实现接近于“定制化”推荐。

为了实现上述目的，本公开采用如下技术方案：

一种基于加权贝叶斯推理的负序列推荐系统，包括：

正负序列提取模块，其用于从用户行为数据库中提取相应用户购买行为的正负序列；其中，正负序列为按照时间先后顺序排列的用户购买物品序列，序列中的元素为物品名称；

序列存储模块，其用于将提取的正负序列划分成若干个子序列并存储在序列数据库中；其中，序列数据库为物品空间；

贝叶斯网络推理模块，其用于在当前需要决策的已购买某物品的条件下，利用贝叶斯加权序列模型推理出在物品空间中各个物品所具有的似然概率，进而得到不同物品被用户偏好的后验概率，从而实现“最高概率”推荐或“best-N”推荐。