一种商品候选集推荐方法
【专利摘要】本发明公开了一种商品候选集推荐方法，包括以下步骤：频率矩阵的计算，包括关联矩阵和频率矩阵的计算，其中频率矩阵中的每个元素表示商品i跳转到商品j占商品i跳转到其他商品的比值。商品推荐候选集的推荐策略，在分析了一种基于阈值的传统方法与一种前K项最大值的方法的优缺点之后，提出了一种综合的推荐策略。该推荐策略使用用户浏览的会话序列作为推荐规则的条件，既考虑到了用户的历史浏览商品，又考虑到了当前浏览商品，综合了前两种推荐策略的优点。
【专利说明】使得很多用户对在此网站购买商品失去信,增加用户满意度、增加竞争力和理论研究，:要内容是如何解决从海量的商品和信息中需求，实时、主动的为顾客提供符合其偏好
5集的选择；对商品候选集中的商品进行排容推荐、协同过滤推荐、基于关联规则推荐、息推荐。但是这些方法都存在许多缺点:基务兴趣的项目，但是不能发现用户以后会感:的内容进行分析，但是很多时候，属性并不户统计信息的推荐技术虽在一些以会员制3于普通的电子商务模式；其实基于知识和点就是需要对项目即推荐产品的特征进行目户的效用函数也比较困难。所以这两种方2技术的那些局限。它可以依靠网站原有的I足用户的个性化偏好，还可以在一定程度商品，B和R是P的两个子集，n、p、q分别是P、B、R三个集合中商品的数量。B是系统的输入数据，P是系统的输出数据。一个推荐规则可以表示成b O P,这里5 c P, iici3,并且B∩R=?o
[0008]一般而言，如果把事务作为规则分析的最小单位，那么得到的推荐结果就应该是更加精确的。原因在于:在一次连续的访问过程中，用户的兴趣都是稳定不变的，每一个事务都体现了用户当时的兴趣所在，针对事务进行分析相当于针对兴趣进行分析。同一个用户可能会有多次访问的经历，会存在多个不同的事务，但是这多个事务恰好反映了该用户在不同时刻，不同环境下不同的兴趣和爱好。针对访问事务进行分析就可以发现用户当前的兴趣所在，而以用户为基本单位进行分析得到的结果往往都是该用户以前感兴趣的产品，也就无法为用户提供更好的推荐服务。
[0009]通过扫描事务集中的全部事务可以构造商品浏览的“关联矩阵” A，由于矩阵A是基于全部事务生成的，所以其包含了所有用户的浏览模式和兴趣信息。关联矩阵中的每一项都表不商品i与商品j之间的关联性。
【权利要求】
1.一种商品候选集推荐方法，其特征在于包括以下步骤: A、频率矩阵的计算 推荐模型要完成的任务就是发现商品中商品集之间的关联；更确切的说，就是通过量化的数字描述所有商品集P子集B的出现对子集R的出现有多大的影响；其中P= (P1, P2,——pn}, B=Od1, b2,——bj , R=Ir1, r2,——rn}是商品的集合,其中P包含所有的商品，B和R是P的两个子集，n、p、q分别是P、B、R三个集合中商品的数量；B是系统的输入数据，P是系统的输出数据；一个推荐规则可以表示成这里并且
【文档编号】G06Q30/02GK103839167SQ201210475495
【公开日】2014年6月4日 申请日期:2012年11月21日 优先权日:2012年11月21日
【发明者】梅昱婷, 刘博
申请人:大连灵动科技发展有限公司