一种追踪用户兴趣变化的电子商务推荐方法
【专利摘要】追踪用户兴趣变化的电子商务推荐方法，依据用户的历史数据进行以下操作：首先，针对电子商务推荐系统中的评分矩阵稀疏问题，通过用户页面停留时间等隐式反馈得到隐式评分，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；然后，根据用户最近一个时间段内的评分记录，并利用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；最后，综合考虑用户之间的评分相似度和商品类别信息相似度，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。本发明的优点在于：充分考虑用户兴趣的动态变化，有效利用商品的类别信息和用户的隐式反馈，推荐更符合用户当前需求的商品。
【专利说明】—种追踪用户兴趣变化的电子商务推荐方法
【技术领域】
[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。
【背景技术】
[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。
[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。
[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。
【发明内容】
[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:
[0006]1、获取用户的历史数据后，进行以下操作:
[0007]I)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；
[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；
[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；
[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。
[0011]进一步，所述的步骤I)中所述的综合评分矩阵，具体是:
[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I分-5分，若无评分记为0 ;[0013]1.2若用户i对商品j的有过显式评分，分数为K，则Ri,」=K ;
[0014]1.3若用户i购买过商品j，但没有显式评分，则Ri,」=4 ；
[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,」=4 ；
[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 Rijj = In (1+0.5 X t)，当 t ≤ 100 时，则设 Rijj = 4，其中Ttresh是根据推荐系统自身特点设置的阈值。
[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:
[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；
[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焉^是p
维列向量，P是商品类别总数，如果Cfw中第K类商品出现n次，则Slw的第K个分量为n ；
[0020]2.3计算用户s和用户t的商品类别信息相似度:
[0021]
【权利要求】
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: 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； 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； 3)根据用户所有的评分记录，计算用户之间的评分相似度； 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。
2.如权利要求1所述的追踪用户兴趣变化的电子商务推荐方法，其特征在于:所述的步骤I)中所述的综合评分矩阵，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I分-5分，若无评分记为O ; 1.2若用户i对商品j的有过显式评分，分数为K，则Ry.-K; 1.3若用户i购买过商品j，但没有显式评分，则Ri,」=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,」=4; 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 = In (1+0.5X t)，当 t ≥ 100 时，则设 Ri；J=4,其中Ttash是根据推荐系统自身特点设置的阈值。
3.如权利要求2所述的追踪用户兴趣变化的电子商务推荐方法，其特征在于: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Sfw?其中Shf是p维列向量，P是商品类别总数，如果Chr中第K类商品出现n次，则Sfv啲第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:
4.如权利要求3所述的追踪用户兴趣变化的电子商务推荐方法，其特征在于:所述的步骤3)中所述的用户之间的评分相似度，具体是:
5.如权利要求4所述的追踪用户兴趣变化的电子商务推荐方法，其特征在于: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) = a siml (s, t) + (l_ a ) sim2 (s, t),其中a是大于O小于I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；
【文档编号】G06Q30/02GK103617540SQ201310487867
【公开日】2014年3月5日 申请日期:2013年10月17日 优先权日:2013年10月17日
【发明者】卜佳俊, 王学庆, 李平, 陈纯, 孙仲浩 申请人:浙江大学