基于时间信息的适应用户兴趣变化的动态推荐方法
【专利摘要】本发明涉及一种基于时间信息的适应用户兴趣变化的动态推荐方法，包括：构建用户-物品的显式评分矩阵；构建用户-物品的隐式评分矩阵；构建用户-物品综合评分矩阵；计算两两用户之间的相似性；获取与目标用户相似度靠前的K位用户作为目标用户的近邻集合；选取单调递减的指数时间函数作为评分权重函数，根据用户的评分所体现的兴趣变化趋势不同，计算评分权重函数中每位用户的权重因子；采用TOP-N推荐方法，将预测得分靠前的N项物品推荐给用户。本发明考虑用户兴趣随时间的变化，为其提供更加精确的个性化物品推荐服务。
【专利说明】基于时间信息的适应用户兴趣变化的动态推荐方法
【技术领域】
[0001] 本发明涉及个性化推荐方法【技术领域】，尤其是基于时间信息的适应用户兴趣变化 的动态推荐方法。
【背景技术】
[0002] 随着信息技术的蓬勃发展，大量的信息展现在人们的日常生活中。传统的网络服 务，比如分类目录，搜索引擎，已经不能满足人们对信息的需求，缓解网络信息过载问题成 为当前主要挑战之一，推荐系统在此背景下应运而生，是目前推动电子商务发展的有效途 径之一。它的主要任务是分析用户的购买行为，明确用户的购买需求，为用户推荐其感兴趣 的并未购买的商品。
[0003] 传统的协同过滤推荐算法通过用户产生的评分数据分析用户的兴趣，将用户在不 同时间内的评分视为同等权重，然而，在现实的购买行为数据中，用户的兴趣是不断变化 的，这样造成推荐不准确的问题，不能及时推荐给用户最新的物品。
【发明内容】
[0004] 鉴于现有技术中的不足之处，本发明提供一种基于时间信息的适应用户兴趣变化 的动态推荐方法，包括以下步骤：
[0005] 步骤一、根据从电子商务网站收集得到的用户-物品的评分列表，构建用户-物品 的显式评分矩阵；
[0006] 步骤二、对用户的包括点击、收藏、加入购物车、购买的隐式反馈行为信息进行量 化处理，然后构建用户-物品的隐式评分矩阵；
[0007] 步骤三、利用步骤一和步骤二的结果构建用户-物品综合评分矩阵；
[0008] 步骤四、根据Person相关系数公式，计算两两用户之间的相似性；
[0009] 步骤五、按照用户间相似度大小进行降序排序，获取与目标用户相似度靠前的K 位用户作为目标用户的近邻集合；
[0010] 步骤六、选取单调递减的指数时间函数作为评分权重函数，根据用户的评分所体 现的兴趣变化趋势不同，计算评分权重函数中每位用户的权重因子；
[0011] 步骤七、引入评分权重函数改进评分预测公式，预测目标用户对未评分物品的评 分值；
[0012] 步骤八、采用Τ0Ρ-Ν推荐方法，将预测得分靠前的N项物品推荐给用户。
[0013] 其中步骤一中用户对物品的评分范围是取1-5之间的整数。同时，显式评分矩阵 的行表示用户，列表示物品，若某个用户对某个物品没有评分，则对应的矩阵项元素为空。
[0014] 步骤二中当某个用户对某个物品没有产生显式评分时，就对用户隐式行为的进行 量化，定义购买为5分，加入购物车为4分，收藏为3分，点击两次及以上为2分，点击一次 为1分。
[0015] 步骤三中综合评分的取值方法为：如果用户对物品赋予显式评分，则该评分值是 综合评分；如果用户没有对物品赋予评分，则对步骤二中的隐式行为进行量化，得到的量化 值即是综合评分。
[0016] 步骤六的具体过程为：将单调递减的指数时间函数f(t) = (^乘以用户对物品 的评分，调整用户的评分权重，即对用户近期访问的物品的评分值赋予较大的权重，过去访 问的物品的评分值赋予较小的权重。由于每个用户的兴趣变化趋势不一样，所以赋予每位 用户不同的个性化因子ω，其中，计算ω需要对用户评分的物品按照物品所属的类别进行 分类，同时根据用户对物品的评分时间按照三个月为一个时间段进行划分，统计用户在每 个时间段内对某一类物品的评分行为，如果有评分行为就记为1，否则记为〇,同时统计用 户在某一个时间段对某一类物品的实际评分数目。
[0017] 本发明针对电子商务网站所使用的协同过滤推荐方法进行改进，结合时间信息， 考虑用户兴趣随时间的变化，为其提供更加精确的个性化物品推荐服务。同时充分考虑到 很多用户可能不情愿花费心思给物品评分，造成的显式评分很少，使推荐的结果不够准确 的问题，结合使用了对于用户的隐式反馈行为信息的量化，有效缓解了数据的稀疏性问题。 相对于传统的协同过滤推荐方法，特别适合电子商务中对用户做个性化精准推荐，为电子 商务带来更好的效益。
【专利附图】
【附图说明】
[0018] 图1为本发明基于时间信息的适应用户兴趣变化的动态推荐方法的流程图；
[0019] 图2为用户-物品综合评分表；
[0020] 图3为用户-物品的评分数据表；
[0021] 图4为目标用户的近邻模型表；
[0022] 图5为用户兴趣分类表。
【具体实施方式】
[0023] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并 不用于限定本发明。
[0024] 如图1所示，本方法包含如下步骤：
[0025] S10,定义用户集U = {up u2, . . .，um}，m表示用户总数，物品集Ρ = {ρ^ ρ2,...， Ρη}，η表示物品总数，X代表评分项的m*n的显式评分矩阵，表示用户i对物品j的 显式评分，其中，1彡i彡m，l彡j彡n， Xi,j的取值范围为{1，2,3,4,5}。若某个用户i没 有给物品j评过分，则对应的矩阵项为空。于是，由m位用户，η个物品构建的用户-物 品的显式评分矩阵X记为：
[0026]
【权利要求】
1. 基于时间信息的适应用户兴趣变化的动态推荐方法，其特征在于，包括以下步骤： 步骤一、根据从电子商务网站收集得到的用户-物品的评分列表，构建用户-物品的显 式评分矩阵； 步骤二、对用户的包括点击、收藏、加入购物车、购买的隐式反馈行为信息进行量化处 理，然后构建用户-物品的隐式评分矩阵； 步骤三、利用步骤一和步骤二的结果构建用户-物品综合评分矩阵； 步骤四、根据Person相关系数公式，计算两两用户之间的相似性； 步骤五、按照用户间相似度大小进行降序排序，获取与目标用户相似度靠前的K位用 户作为目标用户的近邻集合； 步骤六、选取单调递减的指数时间函数作为评分权重函数，根据用户的评分所体现的 兴趣变化趋势不同，计算评分权重函数中每位用户的权重因子； 步骤七、引入评分权重函数改进评分预测公式，预测目标用户对未评分物品的评分 值； 步骤八、采用T0P-N推荐方法，将预测得分靠前的N项物品推荐给用户。
2. 根据权利要求1所述的基于时间信息的适应用户兴趣变化的动态推荐方法，其特征 在于，所述步骤一中用户对物品的评分范围是取1?5之间的整数，没有评分的矩阵项元素 为空。
3. 根据权利要求1所述的基于时间信息的适应用户兴趣变化的动态推荐方法，其特征 在于，所述步骤二中用户对某个物品没有产生显式评分时，则对用户隐式行为进行量化，购 买为5分，加入购物车为4分，收藏为3分，点击两次及以上为2分，点击一次为1分。
4. 根据权利要求1所述的基于时间信息的适应用户兴趣变化的动态推荐方法，其特征 在于，所述步骤六具体过程为：将指数时间函数f(t) = e-ut乘以用户对物品的评分，调整 用户的评分权重，即对用户近期访问的物品的评分值赋予较大的权重，过去访问的物品的 评分值赋予较小的权重，其中
A表示用户对第A类物品兴趣度的个性化 因子，NA表示用户对A类物品的评分数目，n表示用户评过分的物品的总数目，表示概率。
【文档编号】G06Q30/00GK104281956SQ201410583981
【公开日】2015年1月14日 申请日期:2014年10月27日 优先权日:2014年10月27日
【发明者】马廷淮, 郭莉敏, 唐美丽, 曹杰, 钟水明, 薛羽 申请人:南京信息工程大学