[发明专利]基于多样性的电商推荐算法

说明书

本发明涉及电商技术领域，且公开了基于多样性的电商推荐算法，包括：①、为了解决在电商推荐场景下，优化推荐算法，提高推荐多样性，并且解决电商推荐算法推荐长尾现象，推荐算法模型的评价准则为：(1)、准确率和召回率：准确率是针对预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本；而召回率是针对原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。本发明针对冷门商品提出的推荐系统目的是引起消费者对冷门商品的关注，满足消费者的个性化需要并且发现其未意识到的兴趣爱好，提高消费者对该电子商品平台的惊喜度和新颖度。最终结果使得电商平台和消费者都能形成双赢的局面。

技术领域

本发明涉及电商技术领域，具体为基于多样性的电商推荐算法。

背景技术

大数据和人工智能技术的发展催生出的智能推荐虽然一定程度给读者的阅读带来了便捷，但计算机信息处理的局限性会导致读者获取信息的范围习惯性受自己短时期内的兴趣引导。以至于获取信息不断收敛，就像蚕茧一般被困于“茧房”之中成为信息孤岛。对于电商系统来说，这会导致热门商品被大量堆砌在用户面前,整体推荐结果同质化严重。传统的基于内容的推荐方法会加剧茧房状态的形成。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了基于多样性的电商推荐算法，解决了上述背景技术中所存在的问题。

(二)技术方案

为实现上述目的，本发明提供如下技术方案：基于多样性的电商推荐算法，包括：

①、为了解决在电商推荐场景下，优化推荐算法，提高推荐多样性，并且解决电商推荐算法推荐长尾现象，推荐算法模型的评价准则为：

(1)、准确率和召回率：准确率是针对预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本；而召回率是针对原来的样本而言的，它表示的是样本中的正例有多少被预测正确了；如下式：

式中，IN_u为用户u推荐的物品列表，T_u表示与用户u实际有过交互行为的物品列表；

(2)、覆盖率：指的是推荐系统中推荐的物品数占总物品集合的比例，如下式：

其中，|I|表示总物品数，覆盖率较高的推荐算法可以将物品空间中的大量物品推荐给系统的用户，这样的推荐算法才具有良好的长尾商品的挖掘能力，所以好的推荐算法需要在保持较高准确率和召回率的同时，提高其覆盖率；

(3)、平均流行度：为了更好的解决推荐算法推荐长尾物品的能力，使用平均流行度衡量推荐系统推荐长尾商品的能力；平均流行度越高，说明推荐算法倾向于推荐流行物品；所以为了提高推荐算法推荐长尾商品的能力，平均流行度需要尽可能的低，如下式：

其中，IN_u为用户u推荐的物品列表，表示与物品i有过交互的用户数占总用户数的比例；

②、上述基于长尾现象推荐算法的模型，传统的基于协同过滤的推荐算法均会受到不同程度的长尾效应的影响，为此，对传统的基于协同过滤的推荐算法进行改进，使长尾商品得到有效的推荐，具体为：

(1)、采用某网购平台100万条商品评分数据集进行实验，将商品转换成数据点的形式，采用K-Means聚类算法将商品进行分类，具体流程如下：

(11)、随机选取K个中心点，生成对应的k个簇；

(12)、遍历所有的数据点，依据“距离”将每一个数据点划分到最近的中心点所在的簇；