一種自適應(yīng)權(quán)重組合推薦算法制造技術(shù)

本發(fā)明專利技術(shù)公開了一種自適應(yīng)權(quán)重組合推薦算法，涉及人工智能技術(shù)領(lǐng)域，通過用戶的歷史數(shù)據(jù)建立用戶模型；在使用貝葉斯公式計算組合推薦中每一個推薦模塊的權(quán)重，并更新歷史權(quán)重數(shù)據(jù)作為下一次權(quán)重計算的參考；將商品的屬性與用戶模型的相似度和生成該推薦商品的推薦模塊的權(quán)重相乘，確定該商品的推薦度；最后選取推薦度最高N個的商品推薦給用戶。本發(fā)明專利技術(shù)的算法通過用戶在線行為來調(diào)整推薦權(quán)重，可以隨著用戶的興趣變化進(jìn)行自適應(yīng)推薦，能更加準(zhǔn)確的為用戶推薦。

【技術(shù)實(shí)現(xiàn)步驟摘要】
一種自適應(yīng)權(quán)重組合推薦算法
本專利技術(shù)涉及人工智能
，尤其涉及一種自適應(yīng)權(quán)重組合推薦算法。
技術(shù)介紹
隨著電子商務(wù)的領(lǐng)域不斷發(fā)展，信息呈爆炸式增長導(dǎo)致用戶想要在網(wǎng)絡(luò)中找到有用的信息變得困難，個性化推薦系統(tǒng)已經(jīng)成為電子商務(wù)領(lǐng)域必不可少的一部分。目前推薦算法主要有基于內(nèi)容推薦、基于關(guān)聯(lián)規(guī)則推薦、基于知識推薦和協(xié)同過濾推薦等，單一的推薦算法具有一些局限性已經(jīng)不適用于復(fù)雜的電子商務(wù)系統(tǒng)中。
技術(shù)實(shí)現(xiàn)思路
為解決上述技術(shù)問題，本專利技術(shù)提供一種權(quán)重自適應(yīng)的組合推薦方法，采用幾種推薦算法的組合，彌補(bǔ)或避免了單一推薦算法的弱點(diǎn)，可以應(yīng)用到電子商務(wù)個性化推薦中。本專利技術(shù)采用如下技術(shù)方案：一種自適應(yīng)權(quán)重組合推薦算法，包括以下步驟：S1、統(tǒng)計用戶的歷史購買數(shù)據(jù)，建立用戶模型矩陣；S2、由每個推薦模塊生成推薦集，并計算商品與用戶模型相似度；S3、根據(jù)用戶的反饋計算每個推薦模塊的推薦權(quán)重；S4、利用貝葉斯公式計算權(quán)重值；S5、計算每個商品的推薦度；S6、將推薦度最高的商品推薦給用戶；S7、計算下一個時間周期內(nèi)用戶的反饋，并更新用戶模型。優(yōu)選的，所述S1中用戶模型矩陣M＝{m1，m2，…，mt}，其中mu表示用戶的興趣屬性，u∈[1，t]。優(yōu)選的，所述的興趣屬性包括商品的種類、商品的價格、商品的規(guī)格。優(yōu)選的，所述S2中推薦集X＝{x1，x2，…，x1}，其中推薦商品xk的商品屬性為P＝{p1，p2，…，pm}，k∈[1，l]；利用公式(1)計算每個推薦商品xk的屬性集合P與用戶模型M的相似度。優(yōu)選的，所述S3計算的具體步驟為：在時間周期T內(nèi)，用戶的點(diǎn)擊和購買次數(shù)為F＝{f1，f2，…，fn}，其中fi為點(diǎn)擊和購買商品來自于第i個推薦模塊的次數(shù)，根據(jù)式(2)計算第i個推薦模塊的權(quán)重w′i的估計值。優(yōu)選的，為了覆蓋整個權(quán)值的范圍，對[0，1]之間均勻取10個數(shù)作為權(quán)重wi的取值域，即H＝{0.05，0.15，…，0.95}，每個取值點(diǎn)的初始概率為0.1，即P(hj)＝0.1；在一段時間以后有了wi的歷史樣本點(diǎn)，為了能更加準(zhǔn)確的預(yù)測權(quán)重，采用時間窗的方法，只取s個最近的權(quán)重分布值，即利用這s個權(quán)重的歷史樣本點(diǎn)估計P(hj)，使用Parzen窗的方法計算P(hj)，并進(jìn)行歸一化處理，即公式(3)。優(yōu)選的，所述S4中計算的具體步驟為：S4.1、首先要計算先驗(yàn)概率P(w′i|hj)，定義公式(4)表示當(dāng)權(quán)重取值hj越靠近權(quán)重估計值w′i則概率越大，原理權(quán)重估計值w′i概率越小。S4.2、然后計算使用公式(5)后驗(yàn)概率P(hj|w′i)；S4.3、使用公式(6)計算第i個推薦模塊的權(quán)重wi，并更新權(quán)重分布S4.4、計算每個推薦模塊的權(quán)重值。優(yōu)選的，所述S5計算的具體步驟為：使用公式(7)計算推薦集X＝{x1，x2，…，xl}每一個商品xi的推薦度Ri。Ri＝wi×simk(7)本專利技術(shù)具有以下有益效果：主要解決組合推薦中權(quán)重分配的問題，通過用戶的歷史數(shù)據(jù)建立用戶模型，在使用貝葉斯公式計算組合推薦中每一個推薦模塊的權(quán)重，并更新歷史權(quán)重數(shù)據(jù)作為下一次權(quán)重計算的參考，將商品的屬性與用戶模型的相似度和生成該推薦商品的推薦模塊的權(quán)重相乘，確定該商品的推薦度，最后選取推薦度最高N個的商品推薦給用戶。該算法通過用戶在線行為來調(diào)整推薦權(quán)重，可以隨著用戶的興趣變化進(jìn)行自適應(yīng)推薦，能更加準(zhǔn)確的為用戶推薦。附圖說明下面結(jié)合附圖對本專利技術(shù)作優(yōu)選的說明：圖1為本專利技術(shù)算法流程圖；圖2為本專利技術(shù)的算法與其他推薦算法的性能對比圖；具體實(shí)施方式如圖1至圖2所示，為本專利技術(shù)一種自適應(yīng)權(quán)重組合推薦算法，包括以下步驟：S1、統(tǒng)計用戶的歷史購買數(shù)據(jù)，建立用戶模型矩陣M＝{m1，m2，…，mt}，其中mu表示用戶的興趣屬性，u∈[1，t]，包括商品的種類、商品的價格、商品的規(guī)格等；S2、由每個推薦模塊生成的推薦集x＝{x1，x2，…，xl}，其中推薦商品xk的商品屬性為P＝{p1，p2，…，pm}，k∈[1，l]；利用公式(1)計算每個推薦商品xk的屬性集合P與用戶模型M的相似度；S3、根據(jù)用戶的反饋計算每個推薦模塊的推薦權(quán)重。在時間周期T內(nèi)，用戶的點(diǎn)擊和購買次數(shù)為F＝{f1，f2，…，fn}，其中fi為點(diǎn)擊和購買商品來自于第i個推薦模塊的次數(shù)，根據(jù)式(2)計算第i個推薦模塊的權(quán)重w′i的估計值；S4、為了覆蓋整個權(quán)值的范圍，對[0，1]之間均勻取10個數(shù)作為權(quán)重wi的取值域，即H＝{0.05，0.15，…，0.95}，每個取值點(diǎn)的初始概率為0.1，即P(hj)＝0.1；在一段時間以后有了wi的歷史樣本點(diǎn)，為了能更加準(zhǔn)確的預(yù)測權(quán)重，采用時間窗的方法，只取s個最近的權(quán)重分布值，即利用這s個權(quán)重的歷史樣本點(diǎn)估計P(hj)，使用Parzen窗的方法計算P(hj)，并進(jìn)行歸一化處理，即公式(3)，S5、利用貝葉斯公式計算權(quán)重值。首先要計算先驗(yàn)概率P(w′i|hj)，定義公式(4)表示當(dāng)權(quán)重取值hj越靠近權(quán)重估計值w′i則概率越大，原理權(quán)重估計值w′i概率越小；S6、利用貝葉斯公式計算權(quán)重值。然后計算使用公式(5)后驗(yàn)概率P(hj|w′i)；S7、使用公式(6)計算第i個推薦模塊的權(quán)重wi，并更新權(quán)重分布S8、重復(fù)步驟3～7，計算每個推薦模塊的權(quán)重值；S9、使用公式(7)計算推薦集X＝{x1，x2，…，xl}每一個商品xi的推薦度Ri；Ri＝wi×simk(7)S10、將推薦度最高的Top-N個商品推薦給用戶；S11、計算下一個時間周期T內(nèi)用戶的反饋F，并更新用戶模型。如圖2所示的實(shí)驗(yàn)數(shù)據(jù)選自某網(wǎng)站2014年1月～2016年8月的商品銷售數(shù)據(jù)，實(shí)驗(yàn)結(jié)果采用推薦評價指標(biāo)為綜合評價值(F-Score)，如式(8)所示：其中，P用于度量推薦模型的準(zhǔn)確率，如式(9)所示；R用于度量推薦模型的查全率如式(10)所示；R(u)表示向用戶u推薦的商品集合，T(u)表示用戶u真實(shí)評分過的物品集合。F-Score綜合考慮了P和R指標(biāo)，是兩者的加權(quán)和的平均，圖2為實(shí)驗(yàn)的性能對比，縱坐標(biāo)表示計算的F-Score值，橫坐標(biāo)表示推薦的輪次，從圖中可以看出隨著推薦輪次的增加推薦的F-Score值增加，并且本專利的組合推薦方法優(yōu)于單一的協(xié)同過濾算法和基于內(nèi)容推薦算法。以上僅為本專利技術(shù)的具體實(shí)施例，但本專利技術(shù)的技術(shù)特征并不局限于此。任何以本專利技術(shù)為基礎(chǔ)，為解決基本相同的技術(shù)問題，實(shí)現(xiàn)基本相同的技術(shù)效果，所作出的簡單變化、等同替換或者修飾等，皆涵蓋于本專利技術(shù)的保護(hù)范圍之中。本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種自適應(yīng)權(quán)重組合推薦算法，其特征在于，包括以下步驟:S1、統(tǒng)計用戶的歷史購買數(shù)據(jù)，建立用戶模型矩陣；S2、由每個推薦模塊生成推薦集，并計算商品與用戶模型相似度；S3、根據(jù)用戶的反饋計算每個推薦模塊的推薦權(quán)重；S4、利用貝葉斯公式計算權(quán)重值；S5、計算每個商品的推薦度；S6、將推薦度最高的商品推薦給用戶；S7、計算下一個時間周期內(nèi)用戶的反饋，并更新用戶模型。

【技術(shù)特征摘要】
1.一種自適應(yīng)權(quán)重組合推薦算法，其特征在于，包括以下步驟:S1、統(tǒng)計用戶的歷史購買數(shù)據(jù)，建立用戶模型矩陣；S2、由每個推薦模塊生成推薦集，并計算商品與用戶模型相似度；S3、根據(jù)用戶的反饋計算每個推薦模塊的推薦權(quán)重；S4、利用貝葉斯公式計算權(quán)重值；S5、計算每個商品的推薦度；S6、將推薦度最高的商品推薦給用戶；S7、計算下一個時間周期內(nèi)用戶的反饋，并更新用戶模型。2.根據(jù)權(quán)利要求1所述的一種自適應(yīng)權(quán)重組合推薦算法，其特征在于，所述所述S1中用戶模型矩陣M＝{m1，m2，…，mt}，其中mu表示用戶的興趣屬性，u∈[1，t]。3.根據(jù)權(quán)利要求2所述的一種自適應(yīng)權(quán)重組合推薦算法，其特征在于，所述的興趣屬性包括商品的種類、商品的價格、商品的規(guī)格。4.根據(jù)權(quán)利要求1所述的一種自適應(yīng)權(quán)重組合推薦算法，其特征在于，所述S2中推薦集X＝{x1，x2，…，xl}，其中推薦商品xk的商品屬性為P＝{p1，p2，…，pm}，k∈[1，l]；利用公式(1)計算每個推薦商品xk的屬性集合P與用戶模型M的相似度。5.根據(jù)權(quán)利要求1所述的一種自適應(yīng)權(quán)重組合推薦算法，其特征在于，所述S3計算的具體步驟為:在時間周期T內(nèi)，用戶的點(diǎn)擊和購買次數(shù)為F＝{f1，f2，…，fn}，其中fi為點(diǎn)擊和購買商品來自于第i個推薦模塊的次數(shù)，根據(jù)式(2)計算第i個推薦模塊的權(quán)重w′i的估計值。6.根據(jù)權(quán)利要求5所述的一種自適應(yīng)權(quán)重組合推薦算法，其特征在于，為了覆蓋整個權(quán)值的范圍，對[0,1]之間均勻取10個數(shù)作為權(quán)重wi的取值域，即H＝{0.05，0.15，…，0.95}，每個取值點(diǎn)的初始概率為0.1，即P(hj)＝0.1；在一段時間以后有了wi的歷史樣本點(diǎn)，為了能更加準(zhǔn)確的預(yù)測權(quán)重，采用時...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：張穎，孫丙宇，王偉，李文波，屠舒妍，
申請(專利權(quán))人：無錫中科富農(nóng)物聯(lián)科技有限公司，
類型：發(fā)明
國別省市：江蘇,32