一种追踪用户兴趣变化的电子商务推荐方法

1.一种追踪用户兴趣变化的电子商务推荐方法，该方法的特征在于获取用户的历史数据后，进行以下操作：
步骤1)针对电子商务推荐系统中的评分矩阵稀疏问题，综合考虑用户页面停留时间和鼠标点击次数浏览行为，得到隐式评分，再结合显式评分，构建反映用户偏好的“用户-商品”综合评分矩阵；
步骤2)根据用户最近一个时间段内的评分记录，结合已有的商品类别信息，得到用户之间的商品类别信息相似度；所述的时间段是一个时间窗TW，单位为天；
步骤3)根据用户所有的评分记录，计算用户之间的评分相似度；
步骤4)综合考虑用户之间的商品类别信息相似度和评分相似度，采用基于时间加权的协同过滤算法，给用户推荐最可能感兴趣的商品；
所述的步骤1)中的综合评分矩阵，具体是：
1.1综合评分矩阵R是n行m列的实矩阵，Ri，j表示用户i对商品j的综合评分，评分的范围是1分-5分，若无评分记为0；
1.2若用户i对商品j的有过显式评分，分数为K,则Ri，j＝K；
1.3若用户i购买过商品j，但没有显式评分，则Ri，j＝4；
1.4若用户i把商品j对应的页面加入浏览器的收藏夹、打印或者保存页面，说明用户很有可能对此感兴趣，则令Ri，j＝4；
1.5若1.2-1.4这三种情况都没有发生，但当用户i在商品j对应的页面浏览时间t满足Ttresh＜t＜100秒时，则设Ri，j＝ln(1+0.5×t)，当t≥100时,则设Ri，j＝4，其中Ttresh是根据推荐系统自身特点设置的阈值；
所述的步骤2)中所述的用户之间的商品类别信息相似度，具体是：
2.1定义一个时间窗TW，单位为天，设用户i在最近TW时间段内访问商品的集合为即在设定时间段内Ri，j＞0的商品集合；
2.2计算每个用户i在最近TW时间段内的商品类别特征向量 其中 是p维列向
量，p是商品类别总数，如果 中第K类商品出现n次，则 的第K个分量为n；
2.3计算用户s和用户t的商品类别信息相似度:
其中 和 分别是用户s和用户t的商品类别特征
向量；
所述的步骤3)中所述的用户之间的评分相似度，具体是：
其中Rs和Rt分别是用户s和用户t的对所有商品的评分向量；
所述的步骤4)中所述的基于时间加权的协同过滤算法，具体是：
4.1计算用户s和用户t的相似度sim(s，t)：
sim(s，t)＝αsim1(s，t)+(1-α)sim2(s，t)，其中α是大于0小于1的参数，并得到每个用户u的K近邻集合Iu；
4.2计算Iu中用户v的已评分商品j的时间权重
其中β是大于0小于1的参数，Tv，j是用户v的对商品j的评
分时间，Tnow是当前时间，L是预先设定的常数，以保证0＜w(v，j)＜1；
4.3计算用户u对商品j的兴趣指数P(u，j)：
其中sim(u，v)反应用户u和用户v的相似
度,R(v，j)反应用户v对商品j的评价，w(v，j)反应该评价的对当前决策的时效性；
4.4对用户u，从该用户未购买过的商品集合中选出P(u，j)最大的N个商品推荐给该用户。

一种追踪用户兴趣变化的电子商务推荐方法\n技术领域\n[0001] 本发明涉及电子商务推荐系统的技术领域，特别是追踪用户兴趣变化的电子商务推荐方法。\n背景技术\n[0002] 个性化推荐技术主要分析不同用户的行为，猜测用户兴趣，主动向用户推荐资源，从而缓解了互联网信息爆炸与用户快速获取信息之间的矛盾，也弥补了通用搜索引擎个性化反馈结果能力弱的缺点。目前，推荐技术被广泛应用到电子商务、科技文献检索、在线音乐网站和数字图书馆等实际系统。\n[0003] 近年来，电子商务的出现使商品流通发生了革命性的转变，一是消费者可选择范围被极大地拓宽，二是地域性限制的减弱。但是，电子商务蓬勃发展的同时也带来一系列问题，如亚马逊有数百万种的商品，eBay中国有约两百万家商铺，相比之下消费者的精力和知识都非常有限，难以快速找到自己需要的商品。电子商务网站的导航和搜索功能虽然能一定程度上解决该问题，但是由于不同的用户有不同的需求，例如有的用户注重性价比，有的则只注重质量和品位，针对每个用户特点的个性化推荐系统必不可少。\n[0004] 协同过滤是经典的个性化推荐算法，已经广泛地应用在实际的推荐系统中，基本思想是把当前用户相似的用户的喜好提供给当前用户。现有的协同过滤算法主要分为基于近邻模型和基于矩阵分解模型两大类，在实际应用中都取得了很好的效果。但是经典协同过滤算法不能及时反映用户兴趣随时间的迁移，如果能充分商品评分的时效性和商品的类别信息，将能进一步改善推荐效果。\n发明内容\n[0005] 为了追踪用户在电子商务网站中兴趣的变化，以提高个性化推荐系统的推荐效果，本发明提出了一种追踪用户兴趣变化的电子商务推荐方法，该方法包括以下步骤：\n[0006] 1、获取用户的历史数据后，进行以下操作：\n[0007] 1）针对电子商务推荐系统中的评分矩阵稀疏问题，综合考虑用户页面停留时间和鼠标点击次数等浏览行为，得到隐式评分，再结合显式评分，构建反映用户偏好的“用户-商品”综合评分矩阵；\n[0008] 2）根据用户最近一个时间段内的评分记录，结合已有的商品类别信息，得到用户之间的商品类别信息相似度；\n[0009] 3）根据用户所有的评分记录，计算用户之间的评分相似度；\n[0010] 4）综合考虑用户之间的商品类别信息相似度和评分相似度，采用基于时间加权的协同过滤算法，给用户推荐最可能感兴趣的商品。\n[0011] 进一步，所述的步骤1）中所述的综合评分矩阵，具体是：\n[0012] 1.1综合评分矩阵R是n行m列的实矩阵，Ri，j表示用户i对商品j的综合评分，评分的范围是1分-5分，若无评分记为0；\n[0013] 1.2若用户i对商品j的有过显式评分，分数为K,则Ri，j＝K；\n[0014] 1.3若用户i购买过商品j，但没有显式评分，则Ri，j＝4；\n[0015] 1.4若用户i把商品j对应的页面加入浏览器的收藏夹、打印或者保存页面，说明用户很有可能对此感兴趣，则令Ri，j＝4；\n[0016] 1.5若2）-4）这三种情况都没有发生，但当用户i在商品j对应的页面浏览时间t满足Ttresh＜t＜100（秒）时，则设Ri，j＝ln(1+0.5×t)，当t≥100时,则设Ri，j＝4，其中Ttresh是根据推荐系统自身特点设置的阈值。\n[0017] 进一步，所述的步骤2）中所述的用户之间的商品类别信息相似度，具体是：\n[0018] 2.1定义一个时间窗TW（单位为天），设用户i在最近TW时间段内访问商品的集合为即在设定时间段内Ri，j＞0的商品集合；\n[0019] 2.2计算每个用户i在最近TW时间段内的商品类别特征向量 其中 是p维\n列向量，p是商品类别总数，如果 中第K类商品出现n次，则 的第K个分量为n；\n[0020] 2.3计算用户s和用户t的商品类别信息相似度:\n[0021] 其中 和 分别是用户s和用户t的商品类\n别特征向量。\n[0022] 进一步，所述的步骤3）中所述的用户之间的评分相似度，具体是：\n[0023] 其中Rs和Rt分别是用户s和用户t的对所有商品的评分向\n量。\n[0024] 进一步，所述的步骤4）中所述的基于时间加权的协同过滤算法，具体是：\n[0025] 4.1计算用户s和用户t的相似度sim(s，t)：\n[0026] sim(s，t)＝αsim1(s，t)+(1-α)sim2(s，t)，其中α是大于0小于1的参数，并得到每个用户u的K近邻集合Iu；\n[0027] 4.2计算Iu中用户v的已评分商品j的时间权重；\n[0028] 其中β是大于0小于1的参数，Tv，j是用户v的对商品j\n的评分时间，Tnow是当前时间，L是预先设定的常数，以保证0＜w(v，j)＜1；\n[0029] 4.3计算用户u对商品j的兴趣指数P(u，j)：\n[0030] 其中sim(u，v)反应用户u和用户v的\n相似度,R(v，j)反应用户v对商品j的评价，w(v，j)反应该评价的对当前决策的时效性；\n[0031] 4.4对用户u，从该用户未购买过的商品集合中选出P(u，j)最大的N个商品推荐给该用户。\n[0032] 本发明提出了适应用户兴趣变化的电子商务推荐方法，其优点在于：综合考虑用户页面停留时间等浏览行为，得到隐式评分，缓解评分矩阵稀疏性问题；考虑用户近期访问商品的类别信息，以反应用户的兴趣在不同商品类别中的迁移；采用基于时间加权的协同过滤算法，考虑商品评分的时效性，给用户推荐最符合当前兴趣的商品。\n附图说明\n[0033] 图1是本发明的方法流程图。\n具体实施方式\n[0034] 参照附图，进一步说明本发明：\n[0035] 1、获取用户的历史数据后，进行以下操作：\n[0036] 1）针对电子商务推荐系统中的评分矩阵稀疏问题，综合考虑用户页面停留时间和鼠标点击次数等浏览行为，得到隐式评分，再结合显式评分，构建反映用户偏好的“用户-商品”综合评分矩阵；\n[0037] 2）根据用户最近一个时间段内的评分记录，结合已有的商品类别信息，得到用户之间的商品类别信息相似度；\n[0038] 3）根据用户所有的评分记录，计算用户之间的评分相似度；\n[0039] 4）综合考虑用户之间的商品类别信息相似度和评分相似度，采用基于时间加权的协同过滤算法，给用户推荐最可能感兴趣的商品。\n[0040] 步骤1）中所述的综合评分矩阵，具体是：\n[0041] 1.1综合评分矩阵R是n行m列的实矩阵，Ri，j表示用户i对商品j的综合评分，评分的范围是1分-5分，若无评分记为0；\n[0042] 1.2若用户i对商品j的有过显式评分，分数为K,则Ri，j＝K；\n[0043] 1.3若用户i购买过商品j，但没有显式评分，则Ri，j＝4；\n[0044] 1.4若用户i把商品j对应的页面加入浏览器的收藏夹、打印或者保存页面，说明用户很有可能对此感兴趣，则令Ri，j＝4；\n[0045] 1.5若2）-4）这三种情况都没有发生，但当用户i在商品j对应的页面浏览时间t满足Ttresh＜t＜100（秒）时，则设Ri，j＝ln(1+0.5×t)，当t≥100时,则设Ri，j＝4，其中Ttresh是根据推荐系统自身特点设置的阈值。\n[0046] 步骤2）中所述的用户之间的商品类别信息相似度，具体是：\n[0047] 2.1定义一个时间窗TW（单位为天），设用户i在最近TW时间段内访问商品的集合为即在设定时间段内Ri，j＞0的商品集合；\n[0048] 2.2计算每个用户i在最近TW时间段内的商品类别特征向量 其中 是p维\n列向量，p是商品类别总数，如果 中第K类商品出现n次，则 的第K个分量为n；\n[0049] 2.3计算用户s和用户t的商品类别信息相似度:\n[0050] 其中 和 分别是用户s和用户t的商品类别\n特征向量。\n[0051] 步骤3）中所述的用户之间的评分相似度，具体是：\n[0052] 其中Rs和Rt分别是用户s和用户t的对所有商品的评分向\n量。\n[0053] 步骤4）中所述的基于时间加权的协同过滤算法，具体是：\n[0054] 4.1计算用户s和用户t的相似度sim(s，t)：\n[0055] sim(s，t)＝αsim1(s，t)+(1-α)sim2(s，t)，其中α是大于0小于1的参数，并得到每个用户u的K近邻集合Iu；\n[0056] 4.2计算Iu中用户v的已评分商品j的时间权重；\n[0057] 其中β是大于0小于1的参数，Tv，j是用户v的对商品j\n的评分时间，Tnow是当前时间，L是预先设定的常数，以保证0＜w(v，j)＜1；\n[0058] 4.3计算用户u对商品j的兴趣指数P(u，j)：\n[0059] 其中sim(u，v)反应用户u和用户v的\n相似度,R(v，j)反应用户v对商品j的评价，w(v，j)反应该评价的对当前决策的时效性；\n[0060] 4.4对用户u，从该用户未购买过的商品集合中选出P(u，j)最大的N个商品推荐给该用户。\n[0061] 本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。