基于時間信息的適應(yīng)用戶興趣變化的動態(tài)推薦方法
【專利摘要】本發(fā)明涉及一種基于時間信息的適應(yīng)用戶興趣變化的動態(tài)推薦方法，包括：構(gòu)建用戶-物品的顯式評分矩陣；構(gòu)建用戶-物品的隱式評分矩陣；構(gòu)建用戶-物品綜合評分矩陣；計算兩兩用戶之間的相似性；獲取與目標(biāo)用戶相似度靠前的K位用戶作為目標(biāo)用戶的近鄰集合；選取單調(diào)遞減的指數(shù)時間函數(shù)作為評分權(quán)重函數(shù)，根據(jù)用戶的評分所體現(xiàn)的興趣變化趨勢不同，計算評分權(quán)重函數(shù)中每位用戶的權(quán)重因子；采用TOP-N推薦方法，將預(yù)測得分靠前的N項物品推薦給用戶。本發(fā)明考慮用戶興趣隨時間的變化，為其提供更加精確的個性化物品推薦服務(wù)。
【專利說明】基于時間信息的適應(yīng)用戶興趣變化的動態(tài)推薦方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及個性化推薦方法【技術(shù)領(lǐng)域】，尤其是基于時間信息的適應(yīng)用戶興趣變化 的動態(tài)推薦方法。

【背景技術(shù)】
[0002] 隨著信息技術(shù)的蓬勃發(fā)展，大量的信息展現(xiàn)在人們的日常生活中。傳統(tǒng)的網(wǎng)絡(luò)服 務(wù)，比如分類目錄，搜索引擎，已經(jīng)不能滿足人們對信息的需求，緩解網(wǎng)絡(luò)信息過載問題成 為當(dāng)前主要挑戰(zhàn)之一，推薦系統(tǒng)在此背景下應(yīng)運而生，是目前推動電子商務(wù)發(fā)展的有效途 徑之一。它的主要任務(wù)是分析用戶的購買行為，明確用戶的購買需求，為用戶推薦其感興趣 的并未購買的商品。
[0003] 傳統(tǒng)的協(xié)同過濾推薦算法通過用戶產(chǎn)生的評分?jǐn)?shù)據(jù)分析用戶的興趣，將用戶在不 同時間內(nèi)的評分視為同等權(quán)重，然而，在現(xiàn)實的購買行為數(shù)據(jù)中，用戶的興趣是不斷變化 的，這樣造成推薦不準(zhǔn)確的問題，不能及時推薦給用戶最新的物品。


【發(fā)明內(nèi)容】

[0004] 鑒于現(xiàn)有技術(shù)中的不足之處，本發(fā)明提供一種基于時間信息的適應(yīng)用戶興趣變化 的動態(tài)推薦方法，包括以下步驟：
[0005] 步驟一、根據(jù)從電子商務(wù)網(wǎng)站收集得到的用戶-物品的評分列表，構(gòu)建用戶-物品 的顯式評分矩陣；
[0006] 步驟二、對用戶的包括點擊、收藏、加入購物車、購買的隱式反饋行為信息進(jìn)行量 化處理，然后構(gòu)建用戶-物品的隱式評分矩陣；
[0007] 步驟三、利用步驟一和步驟二的結(jié)果構(gòu)建用戶-物品綜合評分矩陣；
[0008] 步驟四、根據(jù)Person相關(guān)系數(shù)公式，計算兩兩用戶之間的相似性；
[0009] 步驟五、按照用戶間相似度大小進(jìn)行降序排序，獲取與目標(biāo)用戶相似度靠前的K 位用戶作為目標(biāo)用戶的近鄰集合；
[0010] 步驟六、選取單調(diào)遞減的指數(shù)時間函數(shù)作為評分權(quán)重函數(shù)，根據(jù)用戶的評分所體 現(xiàn)的興趣變化趨勢不同，計算評分權(quán)重函數(shù)中每位用戶的權(quán)重因子；
[0011] 步驟七、引入評分權(quán)重函數(shù)改進(jìn)評分預(yù)測公式，預(yù)測目標(biāo)用戶對未評分物品的評 分值；
[0012] 步驟八、采用Τ0Ρ-Ν推薦方法，將預(yù)測得分靠前的N項物品推薦給用戶。
[0013] 其中步驟一中用戶對物品的評分范圍是取1-5之間的整數(shù)。同時，顯式評分矩陣 的行表示用戶，列表示物品，若某個用戶對某個物品沒有評分，則對應(yīng)的矩陣項元素為空。
[0014] 步驟二中當(dāng)某個用戶對某個物品沒有產(chǎn)生顯式評分時，就對用戶隱式行為的進(jìn)行 量化，定義購買為5分，加入購物車為4分，收藏為3分，點擊兩次及以上為2分，點擊一次 為1分。
[0015] 步驟三中綜合評分的取值方法為：如果用戶對物品賦予顯式評分，則該評分值是 綜合評分；如果用戶沒有對物品賦予評分，則對步驟二中的隱式行為進(jìn)行量化，得到的量化 值即是綜合評分。
[0016] 步驟六的具體過程為：將單調(diào)遞減的指數(shù)時間函數(shù)f(t) = (^乘以用戶對物品 的評分，調(diào)整用戶的評分權(quán)重，即對用戶近期訪問的物品的評分值賦予較大的權(quán)重，過去訪 問的物品的評分值賦予較小的權(quán)重。由于每個用戶的興趣變化趨勢不一樣，所以賦予每位 用戶不同的個性化因子ω，其中，計算ω需要對用戶評分的物品按照物品所屬的類別進(jìn)行 分類，同時根據(jù)用戶對物品的評分時間按照三個月為一個時間段進(jìn)行劃分，統(tǒng)計用戶在每 個時間段內(nèi)對某一類物品的評分行為，如果有評分行為就記為1，否則記為〇,同時統(tǒng)計用 戶在某一個時間段對某一類物品的實際評分?jǐn)?shù)目。
[0017] 本發(fā)明針對電子商務(wù)網(wǎng)站所使用的協(xié)同過濾推薦方法進(jìn)行改進(jìn)，結(jié)合時間信息， 考慮用戶興趣隨時間的變化，為其提供更加精確的個性化物品推薦服務(wù)。同時充分考慮到 很多用戶可能不情愿花費心思給物品評分，造成的顯式評分很少，使推薦的結(jié)果不夠準(zhǔn)確 的問題，結(jié)合使用了對于用戶的隱式反饋行為信息的量化，有效緩解了數(shù)據(jù)的稀疏性問題。 相對于傳統(tǒng)的協(xié)同過濾推薦方法，特別適合電子商務(wù)中對用戶做個性化精準(zhǔn)推薦，為電子 商務(wù)帶來更好的效益。

【專利附圖】

【附圖說明】
[0018] 圖1為本發(fā)明基于時間信息的適應(yīng)用戶興趣變化的動態(tài)推薦方法的流程圖；
[0019] 圖2為用戶-物品綜合評分表；
[0020] 圖3為用戶-物品的評分?jǐn)?shù)據(jù)表；
[0021] 圖4為目標(biāo)用戶的近鄰模型表；
[0022] 圖5為用戶興趣分類表。

【具體實施方式】
[0023] 為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對 本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并 不用于限定本發(fā)明。
[0024] 如圖1所示，本方法包含如下步驟：
[0025] S10,定義用戶集U = {up u2, . . .，um}，m表示用戶總數(shù)，物品集Ρ = {ρ^ ρ2,...， Ρη}，η表示物品總數(shù)，X代表評分項的m*n的顯式評分矩陣，表示用戶i對物品j的 顯式評分，其中，1彡i彡m，l彡j彡n， Xi,j的取值范圍為{1，2,3,4,5}。若某個用戶i沒 有給物品j評過分，則對應(yīng)的矩陣項為空。于是，由m位用戶，η個物品構(gòu)建的用戶-物 品的顯式評分矩陣X記為：
[0026]

【權(quán)利要求】
1. 基于時間信息的適應(yīng)用戶興趣變化的動態(tài)推薦方法，其特征在于，包括以下步驟： 步驟一、根據(jù)從電子商務(wù)網(wǎng)站收集得到的用戶-物品的評分列表，構(gòu)建用戶-物品的顯 式評分矩陣； 步驟二、對用戶的包括點擊、收藏、加入購物車、購買的隱式反饋行為信息進(jìn)行量化處 理，然后構(gòu)建用戶-物品的隱式評分矩陣； 步驟三、利用步驟一和步驟二的結(jié)果構(gòu)建用戶-物品綜合評分矩陣； 步驟四、根據(jù)Person相關(guān)系數(shù)公式，計算兩兩用戶之間的相似性； 步驟五、按照用戶間相似度大小進(jìn)行降序排序，獲取與目標(biāo)用戶相似度靠前的K位用 戶作為目標(biāo)用戶的近鄰集合； 步驟六、選取單調(diào)遞減的指數(shù)時間函數(shù)作為評分權(quán)重函數(shù)，根據(jù)用戶的評分所體現(xiàn)的 興趣變化趨勢不同，計算評分權(quán)重函數(shù)中每位用戶的權(quán)重因子； 步驟七、引入評分權(quán)重函數(shù)改進(jìn)評分預(yù)測公式，預(yù)測目標(biāo)用戶對未評分物品的評分 值； 步驟八、采用T0P-N推薦方法，將預(yù)測得分靠前的N項物品推薦給用戶。
2. 根據(jù)權(quán)利要求1所述的基于時間信息的適應(yīng)用戶興趣變化的動態(tài)推薦方法，其特征 在于，所述步驟一中用戶對物品的評分范圍是取1?5之間的整數(shù)，沒有評分的矩陣項元素 為空。
3. 根據(jù)權(quán)利要求1所述的基于時間信息的適應(yīng)用戶興趣變化的動態(tài)推薦方法，其特征 在于，所述步驟二中用戶對某個物品沒有產(chǎn)生顯式評分時，則對用戶隱式行為進(jìn)行量化，購 買為5分，加入購物車為4分，收藏為3分，點擊兩次及以上為2分，點擊一次為1分。
4. 根據(jù)權(quán)利要求1所述的基于時間信息的適應(yīng)用戶興趣變化的動態(tài)推薦方法，其特征 在于，所述步驟六具體過程為：將指數(shù)時間函數(shù)f(t) = e-ut乘以用戶對物品的評分，調(diào)整 用戶的評分權(quán)重，即對用戶近期訪問的物品的評分值賦予較大的權(quán)重，過去訪問的物品的 評分值賦予較小的權(quán)重，其中
A表示用戶對第A類物品興趣度的個性化 因子，NA表示用戶對A類物品的評分?jǐn)?shù)目，n表示用戶評過分的物品的總數(shù)目，表示概率。
【文檔編號】G06Q30/00GK104281956SQ201410583981
【公開日】2015年1月14日 申請日期:2014年10月27日 優(yōu)先權(quán)日:2014年10月27日
【發(fā)明者】馬廷淮, 郭莉敏, 唐美麗, 曹杰, 鐘水明, 薛羽 申請人:南京信息工程大學(xué)