CN104281956A - 基于时间信息的适应用户兴趣变化的动态推荐方法 - Google Patents

Abstract

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。

Description

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

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

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***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。

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

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：

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TOP-N推荐方法，将预测得分靠前的N项物品推荐给用户。

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。

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。

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。

步骤六的具体过程为：将单调递减的指数时间函数f(t)＝e^-ωt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0，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。

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。

附图说明

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；

图2为用户-物品综合评分表；

图3为用户-物品的评分数据表；

图4为目标用户的近邻模型表；

图5为用户兴趣分类表。

具体实施方式

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。

如图1所示，本方法包含如下步骤：

S10，定义用户集U＝{u₁，u₂，...，u_m}，m表示用户总数，物品集P＝{p₁，p₂，...，p_n}，n表示物品总数，X代表评分项x_i，j的m*n的显式评分矩阵，x_i，j表示用户i对物品j的显式评分，其中，1≤i≤m，1≤j≤n，x_i，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x_i，j为空。于是，由m位用户，n个物品构建的用户-物品的显式评分矩阵X记为：

S20，如果某个用户i没有给物品j评过分，则分析该用户对该物品的隐式反馈行为，将其进行量化处理，如果该用户i也没有对物品j产生隐式行为，则对应的矩阵项y_i，j为空。

用户隐式反馈行为信息的量化规则为：

1).若用户购买了物品，那么y_i，j＝5；

2).若用户i把物品j加入了购物车，那么y_i，j＝4；

3).若用户i收藏了物品j，那么y_i，j＝3；

4).若用户i多次点击了物品j，那么y_i，j＝2；

5).若用户i仅仅点击了一次物品j，那么y_i，j＝1；

则用户-物品的隐式评分矩阵Y记为：

S30，结合S10和S20构建的用户-物品的显式评分矩阵和用户-物品的隐式评分矩阵，最终构建用户-物品的综合评分矩阵R，定义r_i，j表示用户i对物品j的显式评分和隐式评分的综合评分，如果用户对物品有显式评分，该显式评分即为综合评分.

综合评分r_i，j的取值公式如下：

那么最终的用户-物品的综合评分矩阵R记为：

最终的综合评分表见图2所示。

S40，利用Pearson相关系数公式，计算两个用户i，v的基于物品评分之间的相似度：

$\mathrm{sim}(i,v)=\frac{{\mathrm{\Σ}}_{j\∈\mathrm{cn}}(r_{i,j}-\stackrel{\‾}{r_i})(r_{v,j}-\stackrel{\‾}{r_v})}{\sqrt{{\mathrm{\Σ}}_{j\∈\mathrm{cn}}{(r_{i,j}-\stackrel{\‾}{r_i})}^2}\sqrt{{\mathrm{\Σ}}_{j\∈\mathrm{cn}}{(r_{v,j}-\stackrel{\‾}{r_v})}^2}}$

其中r_i，j，r_v，j分别表示用户i，v对物品j的评分，分别表示用户i，v的平均评分，cn表示两者共同评分的物品。

例如，计算图3中目标用户tar分别与用户a，b，c的相似度：

目标用户tar的平均评分为：

目标用户tar与用户a的相似度为：

$\mathrm{sim}(\mathrm{tar},a)=\frac{(5-4)*(3-2.25)+(3-4)*(2-2.25)}{\sqrt{{(5-4)}^2+{(3-2.25)}^2}*\sqrt{{(3-4)}^2+{(2-2.25)}^2}}=0.78,$

sim(tar，b)＝0.00sim(tar，c)＝0.89sim(tar，d)＝-0.80

S50，按照sim(i，v)大小进行降序排列，得到目标用户的近邻如图4所示，其中，sim(i，v₁)＞sim(i，v₂)＞…＞sim(i，v_m-1)，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。

很明显，当K＝2时，根据S40的计算结果，选取用户a和用户c作为目标用户tar的近邻用户集。

S60，引入一个指数时间函数f(t)＝e^-ωt作为评分权重，它是一个单调递减的函数，t的值越大，f(t)的值越小。并且，由于每个用户的兴趣变化趋势不一样，所以应该赋予每位用户不同的个性化权重因子ω，ω越大，表示兴趣随时间衰减越快，反之则越慢，ω∈(0，1).t表示***当前时间与近邻用户中对待预测物品评分的最早时间的间隔。

1)首先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0，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，具体形式如图5。

2)计算每位用户的ω值，ω的计算公式为：其中，ω_A表示用户对第A类物品兴趣度的个性化因子，N_A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。

$S\left(i\right)=\left\{\begin{array}{cc}0,& \mathrm{no\; rating}\\ 1,& \mathrm{rating}\end{array}\right.(i=\mathrm{1,2},...,d)$

其中，d代表时间段序号。

例如，统计目标用户tar在一年内按照三个月为一个时间段的兴趣分类，如图5所示。那么，用户tar对A类物品兴趣度的个性化因子

S70，将评分权重函数f(t_ij)引入评分预测公式，预测目标用户对未评分物品的评分值。

引入评分权重后的评分预测公式为：

$P_{i,j}=\stackrel{\‾}{r_i}+\frac{{\mathrm{\Σ}}_{v\∈N_i}\mathrm{sim}(i,v)(r_{v,j}-\stackrel{\‾}{r_v})f\left(t_{\mathrm{ij}}\right)}{{\mathrm{\Σ}}_{v\∈N_i}\mathrm{sim}(i,v)}$

其中，P_i，j表示用户i对物品j的预测评分，N_i为用户i的近邻用户，和分别表示用户i，v评分的平均分，r_v，j表示近邻用户v对物品j的评分值，f(t_i，j)表示用户i对物品j的评分权重函数。

例如，预测图3中目标用户tar对未评分物品Item₂的评分，假设Item₂属于A类物品，且***当前时间为7月18号，目标用户tar的近邻用户a和c对Item₂的评分时间分别为7月17号和7月16号，则根据S60中t的含义，时间间隔t应该取值为2。于是，

$P_{\mathrm{tar},{\mathrm{Item}}_2}=4+\frac{0.78*e^{-0.9*2}*(1-2.25)+0.89*e^{-0.9*2}*(3-3)}{0.78+0.89}=3.90$

同理，假设Item₄属于D类物品，则ω_D＝0.6，当时间间隔t＝2时

S80，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。例如当N＝1时，因为所以把物品Item₄推荐给目标用户。

以上是本发明的较佳实施方式，但本发明的保护范围不限于此。任何熟悉本领域的技术人员在本发明所揭露的技术范围内，未经创造性劳动想到的变换或替换，都应涵盖在本发明的保护范围之内。因此本发明的保护范围应以权利要求所限定的保护范围为准。

Claims (4)

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TOP-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-^ωt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ω_A表示用户对第A类物品兴趣度的个性化因子，N_A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。