[发明专利]一种基于社交关系影响因素的电商平台推荐方法

说明书

本发明公开了一种基于社交关系影响因素的电商平台推荐方法，具体包括：步骤一：统计目标用户有行为记录的商品及其相关度高于设定阈值的无行为记录的商品集合，建立用户‑产品评分矩阵，步骤二：搜集目标用户的社交关系信息，计算用户之间相似度从而得到用户的最近邻集合，然后通过运算得到目标用户的社交邻近度，步骤三：利用社交关系信息、近邻信息和社交邻近度对评分矩阵建立分解模型，步骤四：利用随机梯度下降法训练用户、项目隐含特征向量矩阵，形成最终的预测评分，步骤五：根据计算结果向用户评分最高的前N个无行为记录商品。本发明提高了推荐的准确度，提升了用户的信任度和体验感，有效增加各类商品的推广度，提高电商平台的收益。

技术领域

本发明属于个性化产品推荐领域，特别是涉及一种基于社交关系影响因素的电商平台推荐方法。

背景技术

随着电子商务的不断发展，网络购物用户规模会一直呈增长态势，致使购物网站中的推荐技术得到应用，带来的效果越来越明显。对于个性化推荐系统的探索，不论电商平台还是学者，都在不断增大投入并进行深入探索。为了满足用户需求并增强购买意愿，各大电商平台已经研发并应用了基于用户的浏览与购买、收藏行为的电商推荐系统。

在面对电商平台中大量的产品信息，如何根据不同的用户筛选、过滤出其感兴趣的信息，做到个性化，精准化推荐产品，使得用户的操作更加高效，增强用户的使用感和体验感，是当前该领域的推荐系统需要解决、优化的核心问题。目前，电商平台现有的推荐方法主要为协同过滤推荐方法，基于项目的协同过滤推荐其核心思想是给用户推荐那些和他们之前喜欢的物品相似的物品，但是基于项目的协同过滤推荐并不利用物品的内容属性计算物品的相似度，它主要通过分析用户的行为记录计算物品的相似度。此外，现有技术的协同过滤推荐没有区分用户之间的差异性，只是单一的考虑了用户的主观评分或评价等显式反馈数据(即它可以直接反映用户的兴趣偏好)。因此这类方法适用于用户有行为记录的项目推荐。

但是对于用户没有浏览过的物品，这类物品项目的反馈数据较少，数据稀疏较严重，因此现有的主要方法对于用户没有行为记录的物品的推荐效果并不是很好，一方面会导致用户体验性降低，另一方面也不利于电商平台中对商品全面有效的推广。

发明内容

本发明提出了一种基于社交关系影响因素的电商平台推荐方法，用于解决现有的电商平台推荐方式的推荐结果准确率不高，容易因为数据稀疏性导致的用户体验度降低的问题。可以使用户快速的在大量的产品中挑选出自己感兴趣的产品，使得用户的操作更加高效便捷，提升用户的体验感。

为达到上述目的，本发明是通过以下技术方案来实现的：

本发明是一种基于社交关系影响因素的电商平台推荐方法，包括：

步骤一，将用户有行为记录的商品作为集合P1，计算P1中的商品与没有行为记录的商品之间的相关度，将相关度高于阈值R的商品作为集合P2，令P1与P2的并集为目标用户推荐项目的集合，并根据目标用户行为建立相应的评分矩阵；

步骤二，搜集目标用户的社交关系信息N(v)，目标用户的社交关系信息是指和目标用户有过互动的其他用户集合，并统计社交关系信息中好友的个数num(N(v))，计算用户与同区域所有用户之间的相似度，并取前ψ*num(N(v))个最邻近用户的集合作为目标用户的邻近信息N(u),其中ψ为一个统计值，然后统计目标用户的社交关系信息N(v)与邻近信息N(u)的交集中用户个数K，即K＝num(N(u)∩N(v))，将K与邻近信息中用户个数的比值作为目标用户的社交邻近度；

步骤三，利用社交关系信息、邻近信息和社交邻近度对评分矩阵建立分解模型，在该分解模型中引入权重参数来表示用户自己的偏好和社交网络中的朋友偏好对推荐效果的影响力度，取值范围为0到1，其中，权重参数取0时，表示忽略用户自己的偏好信息，仅仅考虑社交网络中的朋友偏好信息，取1时表示忽略社交网络中的朋友偏好信息，仅仅考虑用户自己的偏好信息；