[发明专利]基于聚类的用户个性化热门计算方法、装置、设备及介质

说明书

本申请公开了基于聚类的用户个性化热门计算方法、装置、设备及介质，所述方法包括：基于用户行为序列数据构建物品网络图；使用Graph Embedding得到各物品节点的向量表示；对物品节点的向量数据进行聚类，生成K个类簇；计算各类簇下每个物品的CTR点击率，并降序排列得到各类簇下对应的K个热门物品列表，组成Map1；计算用户对各类簇的偏好得分；根据用户对各类簇的偏好得分，对用户的每个类簇分别至Map1中对应的各热门列表中截取头部数值N个，得到1～K个不同的截取热门列表；将多个截取热门列表进行合并，再随机打散，得到用户个性化热门推荐结果。本申请基于用户行为序列，实现了精准的用户个性化热门推荐。

技术领域

本发明涉及互联网信息技术领域，尤其涉及一种基于聚类的用户个性化热门计算方法、装置、设备及介质。

背景技术

个性化推荐技术是一个有巨大应用价值的技术。个性化推荐技术近年来不断地被各种电子商务型网站以及社会型网站所应用，为用户提供他们所感兴趣的信息和商品。个性化推荐技术最早是在1995年被提出来的，此后不断地被发展应用于电子商务领域，并为电子商务网站带来了巨大的利益，如亚马逊。用户在电商平台的行为有多种类型，例如点击、加入购物车、购买、评价或者收藏。用户在电商平台上对商品的点击、加入购物车、购买、评价或者收藏都是不同程度地反映用户对商品的偏好兴趣。如何利用这些数据以提高电商运营和广告投放效率，被越来越多的电商企业和广告主所关注。

推荐预测是一种按不同维度排序的算法，一般分为共性化推荐和个性化推荐。共性化推荐一般是推荐流行的东西，也许是大众用户喜好的，但也许会是用户已知的东西。个性化推荐需要分析用户的个体喜好，推荐的物品都是符合用户偏好的，但是用户的偏好会随着时间和环境所改变。传统的协同过滤算法利用用户商品评分矩阵来进行推荐计算，未考虑用户访问项目的具体时间，未反应用户兴趣随时间的变化过程。当用户兴趣发生改变时，现有的推荐系统不能及时反应，导致推荐的列表偏离了用户的真实喜好。

因此，现有的个性化推荐技术的方法存在不足，如何实现精准的用户个性化热门推荐，是本领域技术人员需要解决的问题。

发明内容

本发明的目的在于提供一种基于聚类的用户个性化热门计算方法、装置、设备及介质，以解决上述技术背景中提出的问题。

为实现上述目的，本发明采用以下技术方案：

本申请第一个方面提供了一种基于聚类的用户个性化热门计算方法，包括：

S1，基于用户行为序列数据构建物品的网络图Graph，其中，每个用户行为序列包括该用户按照时间顺序对不同物品依次发生的多个用户行为，所述物品的网络图Graph是由用户点击的物品节点组成，一个物品节点代表用户行为所对应的一个物品；

S2，使用Graph Embedding方法得到各个物品节点的向量表示，即物品向量；

S3，通过聚类算法对物品向量进行聚类，生成K个类簇，K为正整数；

S4，计算各类簇下每个物品的CTR点击率，并降序排列，得到各类簇下对应的K个热门物品列表，组装成Map1；

S5，将用户在每个类簇下的行为进行时间衰减并累加，得到用户对各类簇的偏好得分，组装成Map2；再进行归一化处理，得到用户的归一化类簇偏好，组装成Map3；

S6，对每个用户按照Map3中计算的归一化类簇偏好值，分别计算各类簇对应的头部数值N，N＝预设的最终推荐数量*该类簇在Map3中对应的得分；每个类簇分别至Map1中对应的各热门列表中截取头部热门物料N个，得到1～K个不同的截取热门列表；

S7，将多个截取热门列表进行合并，再随机打散，得到用户个性化热门推荐结果；

S8，基于所述用户个性化热门推荐结果，向用户进行个性化热门内容推荐。