基于运营业务的分时推荐方法与流程

本发明涉及计算机技术领域，具体涉及基于运营业务的分时推荐方法。

背景技术

推荐算法是计算机专业中的一种算法，通过一些数学算法，推测出用户可能喜欢的东西，目前应用推荐算法比较好的地方主要是网络，其中淘宝做的比较好。所谓推荐算法就是利用用户的一些行为，通过一些数学算法，推测出用户可能喜欢的东西。

基于内容的信息推荐方法的理论依据主要来自于信息检索和信息过滤，所谓的基于内容的推荐方法就是根据用户过去的浏览记录来向用户推荐用户没有接触过的推荐项。主要是从两个方法来描述基于内容的推荐方法：启发式的方法和基于模型的方法。启发式的方法就是用户凭借经验来定义相关的计算公式，然后再根据公式的计算结果和实际的结果进行验证，然后再不断修改公式以达到最终目的。而对于模型的方法就是根据以往的数据作为数据集，然后根据这个数据集来学习出一个模型。一般的推荐系统中运用到的启发式的方法就是使用tf-idf的方法来计算，跟还有tf-idf的方法计算出这个文档中出现权重比较高的关键字作为描述用户特征，并使用这些关键字作为描述用户特征的向量；然后再根据被推荐项中的权重高的关键字来作为推荐项的属性特征，然后再将这个两个向量最相近的(与用户特征的向量计算得分最高)的项推荐给用户。在计算用户特征向量和被推荐项的特征向量的相似性时，一般使用的是cosine方法，计算两个向量之间夹角的cosine值。

在进行电商平台的商品推荐时，有大量的商品存在时间性，现有的推荐算法没有考虑到时间对于商品推荐的作用，从而造成了推荐结果不准确，生成大量的冗余数据，降低了推荐效率。

技术实现要素：

本发明所要解决的技术问题是现有的推荐算法没有考虑到时间对于商品推荐的作用，从而造成了推荐结果不准确，生成大量的冗余数据，降低了推荐效率，目的在于提供基于运营业务的分时推荐方法，解决上述问题。

本发明通过下述技术方案实现：

基于运营业务的分时推荐方法，包括以下步骤：s1：提取商品的商品特征fi和用户的浏览特征gi；所述商品特征和浏览特征一一对应；s2：提取商品特征和浏览特征的时间权重ωi(t)；所述时间权重为以时间为自变量的函数；s3：对所有的时间权重进行归一化得到归一化时间权重σi(t)；s4：对任意一个用户进行商品推荐时，通过该用户的浏览特征与商品特征进行加权比对得到用户特征值，并选取用户特征值最佳的商品推荐给用户；所述加权比对的权重采用归一化时间权重。

现有技术中，在进行电商平台的商品推荐时，有大量的商品存在时间性，现有的推荐算法没有考虑到时间对于商品推荐的作用，从而造成了推荐结果不准确，生成大量的冗余数据，降低了推荐效率。例如空调商品推荐时，虽然用户在某个时间浏览过空调，但是不同季节中用户对空调的浏览量是不同的，如果在春夏季对用户进行空调推送，很容易形成无效推送。

本发明应用时，先提取商品的商品特征fi和用户的浏览特征gi；所述商品特征和浏览特征一一对应；这里所说的商品特征和浏览特征实际可以认为是同一特征，只是针对的对象分别为商品和用户，比如空调产品归为制冷设备，商品特征就是为制冷设备进行赋值，而用户浏览制冷设备这就是对浏览特征进行赋值，具体赋值可以采用临近原则，即越相近的商品赋值就越相近；

然后提取商品特征和浏览特征的时间权重ωi(t)；所述时间权重为以时间为自变量的函数；这里所说的时间权重是一种函数，一般来说，这种函数应该是连续的周期函数，比如对于空调产品，按月份进行权重赋值或者按日期进行权重赋值，夏季月份的权重最高，冬季的权重稍次，春季的权重最低，这些权重数据可以通过大数据获得，然后将权重数据进行曲线拟合，最常见的曲线拟合就是多项式拟合，本发明在这里采用指数函数拟合，因为指数函数在大幅的数据变化时表现更好；

再然后对所有的时间权重进行归一化得到归一化时间权重σi(t)；通过拟合出来的时间权重用于在各不相同，甚至差异极大，比如空调和电暖气的权重可能会表现为相反的情况，所以对时间权重进行归一化处理，从而提高推荐的准确度并减少运算量；

再然后对任意一个用户进行商品推荐时，通过该用户的浏览特征与商品特征进行加权比对得到用户特征值，并选取用户特征值最佳的商品推荐给用户；所述加权比对的权重采用归一化时间权重。为了实现对浏览特征与商品特征的差异体现，对两者进行加权比对，本发明在这里采用方差加权的方式进行比对，根据时间权重的具体实现方案进行加权，本发明在这里的权重取值为越靠近商品的使用时间点，权重越大，这就需要将权重取倒数来进行加权，从而体现方差加权的准确性。本发明通过设置上述步骤，有效的体现了不同商品在不同时间段对用户的作用，从而将商品推荐与时间进行挂钩，有效的提高了各种时间情况下的商品推荐精度，减少了冗余数据，提高了推荐效率。

进一步的，步骤s3包括以下子步骤：所述归一化时间权重通过下式得到：

式中σi(t)为归一化时间权重；ωi(t)为时间权重；n为时间权重的数量。

本发明应用时，对时间权重进行归一化处理可以提高推荐的准确度并减少运算量。

进一步的，步骤s4包括以下子步骤：所述加权比对采用下式进行：

式中σi(t)为归一化时间权重；fi为商品特征；gi为浏览特征；n为时间权重的数量；p为用户特征值。

本发明应用时，本发明在这里的权重取值为越靠近商品的使用时间点，权重越大，这就需要将权重取倒数来进行加权，从而体现方差加权的准确性。

进一步的，所述用户特征值最佳的商品为用户特征值最小的商品。

进一步的，还包括以下步骤：s5：当出现新的商品时，提取新的商品的特征，并根据新的商品的特征将新的商品分类至现有的商品类中，将现有的商品类的商品特征fi赋予新的商品并执行s4。

本发明应用时，发明人发现新商品在刚进入电商平台时，由于特征数据不足，往往很难得到充分的推荐，本发明采用将新商品分类到现有的商品类中的方法，实现了对新商品的推荐；当新商品的特征收集足够时，可以对新商品的特征进行判断，如果新商品的特征符合这个类的商品，则继续将新商品放在该类中，如果不符合则可以对新商品建立新的产品类，从而保障了对新商品的有效推进，使得本发明具有更广泛的兼容性和应用前景。

进一步的，所述商品特征fi、浏览特征gi和时间权重ωi(t)的数量相同。

进一步的，所述时间权重ωi(t)为周期函数。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明基于运营业务的分时推荐方法，通过设置上述步骤，有效的体现了不同商品在不同时间段对用户的作用，从而将商品推荐与时间进行挂钩，有效的提高了各种时间情况下的商品推荐精度，减少了冗余数据，提高了推荐效率。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明方法步骤示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1

如图1所示，本发明基于运营业务的分时推荐方法，包括以下步骤：s1：提取商品的商品特征fi和用户的浏览特征gi；所述商品特征和浏览特征一一对应；s2：提取商品特征和浏览特征的时间权重ωi(t)；所述时间权重为以时间为自变量的函数；s3：对所有的时间权重进行归一化得到归一化时间权重σi(t)；s4：对任意一个用户进行商品推荐时，通过该用户的浏览特征与商品特征进行加权比对得到用户特征值，并选取用户特征值最佳的商品推荐给用户；所述加权比对的权重采用归一化时间权重。

本实施例实施时，先提取商品的商品特征fi和用户的浏览特征gi；所述商品特征和浏览特征一一对应；这里所说的商品特征和浏览特征实际可以认为是同一特征，只是针对的对象分别为商品和用户，比如空调产品归为制冷设备，商品特征就是为制冷设备进行赋值，而用户浏览制冷设备这就是对浏览特征进行赋值，具体赋值可以采用临近原则，即越相近的商品赋值就越相近；

然后提取商品特征和浏览特征的时间权重ωi(t)；所述时间权重为以时间为自变量的函数；这里所说的时间权重是一种函数，一般来说，这种函数应该是连续的周期函数，比如对于空调产品，按月份进行权重赋值或者按日期进行权重赋值，夏季月份的权重最高，冬季的权重稍次，春季的权重最低，这些权重数据可以通过大数据获得，然后将权重数据进行曲线拟合，最常见的曲线拟合就是多项式拟合，本发明在这里采用指数函数拟合，因为指数函数在大幅的数据变化时表现更好；

再然后对所有的时间权重进行归一化得到归一化时间权重σi(t)；通过拟合出来的时间权重用于在各不相同，甚至差异极大，比如空调和电暖气的权重可能会表现为相反的情况，所以对时间权重进行归一化处理，从而提高推荐的准确度并减少运算量；

再然后对任意一个用户进行商品推荐时，通过该用户的浏览特征与商品特征进行加权比对得到用户特征值，并选取用户特征值最佳的商品推荐给用户；所述加权比对的权重采用归一化时间权重。为了实现对浏览特征与商品特征的差异体现，对两者进行加权比对，本发明在这里采用方差加权的方式进行比对，根据时间权重的具体实现方案进行加权，本发明在这里的权重取值为越靠近商品的使用时间点，权重越大，这就需要将权重取倒数来进行加权，从而体现方差加权的准确性。本发明通过设置上述步骤，有效的体现了不同商品在不同时间段对用户的作用，从而将商品推荐与时间进行挂钩，有效的提高了各种时间情况下的商品推荐精度，减少了冗余数据，提高了推荐效率。

实施例2

本实施例在实施例1的基础上，步骤s3包括以下子步骤：所述归一化时间权重通过下式得到：

式中σi(t)为归一化时间权重；ωi(t)为时间权重；n为时间权重的数量。

本实施例实施时，对时间权重进行归一化处理可以提高推荐的准确度并减少运算量。

实施例3

本实施例在实施例1的基础上，步骤s4包括以下子步骤：所述加权比对采用下式进行：

式中σi(t)为归一化时间权重；fi为商品特征；gi为浏览特征；n为时间权重的数量；p为用户特征值，所述用户特征值最佳的商品为用户特征值最小的商品。

本实施例实施时，本发明在这里的权重取值为越靠近商品的使用时间点，权重越大，这就需要将权重取倒数来进行加权，从而体现方差加权的准确性。

实施例4

本实施例在实施例1的基础上，还包括以下步骤：s5：当出现新的商品时，提取新的商品的特征，并根据新的商品的特征将新的商品分类至现有的商品类中，将现有的商品类的商品特征fi赋予新的商品并执行s4。

本实施例实施时，发明人发现新商品在刚进入电商平台时，由于特征数据不足，往往很难得到充分的推荐，本发明采用将新商品分类到现有的商品类中的方法，实现了对新商品的推荐；当新商品的特征收集足够时，可以对新商品的特征进行判断，如果新商品的特征符合这个类的商品，则继续将新商品放在该类中，如果不符合则可以对新商品建立新的产品类，从而保障了对新商品的有效推进，使得本发明具有更广泛的兼容性和应用前景。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。