1.一种基于社交关系影响因素的电商平台推荐方法,其特征在于:包括:
步骤一,将用户有行为记录的商品作为集合P1,计算P1中的商品与没有行为记录的商品之间的相关度,将相关度高于阈值的商品作为集合P2,令P1与P2的并集为目标用户推荐项目的集合,并根据目标用户行为建立相应的评分矩阵;
步骤二,搜集目标用户的社交关系信息N(v),目标用户的社交关系信息指的是和目标用户有过互动的其他用户集合,并统计社交关系信息中好友的个数num(N(v)),计算用户与同区域所有用户之间的相似度,并取前ψ*num(N(v))个最邻近用户的集合作为目标用户的邻近信息N(u),其中ψ为一个统计值,然后统计目标用户的社交关系信息N(v)与邻近信息N(u)的交集中用户个数K,即K=num(N(u)∩N(v)),将K与邻近信息中用户个数的比值作为目标用户的社交邻近度;
步骤三,利用社交关系信息、邻近信息和社交邻近度对评分矩阵建立分解模型,在该分解模型中引入权重参数来表示用户自己的偏好和社交网络中的朋友偏好对推荐效果的影响力度,取值范围为0到1,其中,权重参数取0时,表示忽略用户自己的偏好信息,仅仅考虑社交网络中的朋友偏好信息,取1时表示忽略社交网络中的朋友偏好信息,仅仅考虑用户自己的偏好信息;
步骤四,利用随机梯度下降法训练用户、项目隐含特征向量矩阵,对目标函数中的用户特征矩阵,物品特征矩阵,用户偏置项,项目偏置项四个参数求偏导数,然后迭代的沿着当前点的负梯度方向搜索下一个点,使得目标函数值逐步减小,从而得到目标函数的最小值,在目标函数取得最小值的时候得到最终的预测评分;
步骤五,根据步骤三的结果获取用户‑产品评分矩阵R中目标用户没有行为记录的产品的预测评分,根据输入的Top‑N,将预测评分中Top‑N项产品推荐给用户;步骤三中引入社交关系信息,邻近信息和社交邻近度来建立基于社交关系与邻近信息影响度的矩阵分解模型,该矩阵分解模型的目标函数如下:其中,β∈[0,1]为常量,表示权重参数,用来控制好友对评分的影响力度,N(u)为用户u的最邻近用户集合,通过计算用户之间的相似度得到,sim(u,v)为用户u 与他的朋友之间的影响权重值,在本方法中加权得到目标用户与他的社交好友之间总的影响权重,Pu 、P v为用户u和用户v的特征矩阵,bu表示用户偏置项,bi表示项目偏置项,Qi表示物品特征矩阵。
2.根据权利要求1所述一种基于社交关系影响因素的电商平台推荐方法,其特征在于:
步骤四中商品评分过程如下:首先利用随机梯度下降法训练用户、项目隐含特征向量矩阵,对基于社交关系与邻近信息影响度的矩阵分解模型中的目标函数中的用户特征矩阵、物品特征矩阵、用户偏置项、项目偏置项四个参数求偏导数,其中用户偏置项表示步骤一中的用户自身喜好因素对评分的影响,用bu表示;所述项目偏置项表示项目因素对评分的影响,用bi表示,所述用户特征矩阵用Pu表示,所述物品特征矩阵用Qi表示,对基于社交关系与邻近信息影响度的矩阵分解模型中的Pu,Qi,bu,bi四个参数求偏导数如下:其中λ1,λ2,λ3,λ4这四个参数用来防止过度拟合;
用户特征矩阵,物品特征矩阵,用户偏置项,项目偏置项四个参数通过各自递归学习的方法得到收敛值,其递推公式如下:bu=bu+α(eui‑λ3bu)
bi=bi+α(eui‑λ4bi)
其中,α为学习速率,当各递推公式收敛,最后通过综合考虑用户特征矩阵、物品特征矩阵、用户偏置项、项目偏置、社交好友影响权重和社交邻近度来获得各商品的预测评分:
3.根据权利要求2所述一种基于社交关系影响因素的电商平台推荐方法,其特征在于:
建立了一种基于社交关系特征的影响模型以获得用户u与他好友之间的影响权重值,计算方法如下:
其中,δ为常数,设为0.1。
4.根据权利要求3所述一种基于社交关系影响因素的电商平台推荐方法,其特征在于:
在步骤一,建立商品评分矩阵过程中商品之间的相关度计算方法如下:将各商品按照电商平台中的类别统计其属性与属性数目,并计算两个商品间的相同属性的个数,将相同属性的个数作为分子,将两个商品的最大属性数目作为分母,求其比值作为这两个商品之间的相关度。
5.根据权利要求1所述一种基于社交关系影响因素的电商平台推荐方法,其特征在于:
在步骤一中的评分矩阵,录入电商平台用户行为数据经过定量化规则转换为具体的评分数值x,定量化规则包括将各种不同的用户体验结果用一定的数值进行标识,对每种用户行为设置一个权重,经过加权得到用户‑产品评分矩阵,其中用户行为包括浏览详情页、收藏、加入购物车、分享、点赞、评论、晒图评价。