1.一种基于隐式反馈的协同过滤算法的优化策略,其特征在于,包括以下步骤:基于用户的隐式反馈数据计算用户对交互商品的偏好值及商品热度,所述隐式反馈数据包括用户、商品、交互行为和交互时间;
根据用户对交互商品的偏好值以及商品集合对每一个用户建立最近邻模型,预测该用户对部分未交互商品的偏好值,并将这部分未交互商品标注为该用户的交互商品,其它未交互商品仍作为该用户的未交互商品;
计算用户对所有商品有兴趣或无兴趣的置信度,对于交互商品,基于用户对交互商品的偏好值计算置信度;对于用户的未交互商品,基于商品热度计算置信度;
采用改进ALS优化算法对用户和商品进行建模,获得用户-商品模型;所述改进ALS优化算法指对于用户对未交互商品的置信度采用根据商品热度计算的置信度,以及在训练过程中设置阈值判定损失过大的数据为假负例,降低假负例在训练中的权重;
基于用户-商品模型实现针对给定用户的商品推荐;
所述根据用户对交互商品的偏好值以及商品集合对每一个用户建立最近邻模型,包括以下步骤:基于用户对交互商品的偏好值以及商品集合计算用户间的相似度,表示为:其中,
对每一位用户,选择相似度最高的用户作为其最近邻用户;
基于最近邻用户计算每一位用户对部分未交互商品的偏好值,所述部分未交互商品指用户未交互过但该用户最近邻交互过的商品,表示为:其中,
所述计算用户对所有商品有兴趣或无兴趣的置信度,包括以下步骤:将用户对未交互商品的偏好值定义为0;
通过用户对商品的偏好值计算用户对商品的置信度,具体计算公式如下:其中,
所述采用改进ALS优化算法对用户和商品进行建模,包括以下步骤:S1,随机初始化用户特征向量矩阵P和商品特征向量矩阵Q,并定义损失函数表示为:其中,
S2,固定用户特征向量矩阵P,更新商品特征向量矩阵Q,更新公式如下:S3,固定商品特征向量矩阵Q,更新用户特征向量矩阵P,具体更新公式如下:S4,重复S2和S3,直到损失函数收敛或达到最大迭代次数,获得用户-商品模型;在每一轮迭代中根据当前用户特征向量和当前商品特征向量计算用户对其未交互商品得分值并计算损失,若损失大于阈值
2.根据权利要求1所述的基于隐式反馈的协同过滤算法的优化策略,其特征在于,用户对交互商品的偏好值的计算过程包括以下步骤:计算每一条隐式反馈数据所反映出来的用户对交互商品的局部偏好值,表示为:其中,
对于用户进行同一交互商品的局部偏好值聚合,得到用户对交互商品的偏好值,表示为:其中,
3.根据权利要求2所述的基于隐式反馈的协同过滤算法的优化策略,其特征在于,对于表示用户对商品的交互行为的量化值
4.根据权利要求2所述的基于隐式反馈的协同过滤算法的优化策略,其特征在于,对于计算出的用户对交互商品的偏好值,还通过设定偏好值阈值并结合隐式反馈数据来过滤假正例,所述假正例指用户对其产生过交互但实际并不感兴趣的商品;
所述偏好值阈值设定为:
其中,
所述隐式反馈数据还包括交互时长和交互频次;
过滤假正例的规则为:当用户对商品的交互行为浏览行为,且交互时长<10s、交互频次=1、偏好值<偏好值阈值时,则认为此条交互数据为假正例,其中交互时长指用户此条浏览行为的时间戳与下一条最近时间段的交互行为的时间戳的差值绝对值;当用户对商品的交互行为为购买行为,且用户对此商品不存在其他交互行为,则将用户对此商品的偏好值进行削弱,具体计算公式如下:其中,
5.根据权利要求1所述的基于隐式反馈的协同过滤算法的优化策略,其特征在于,商品热度表示为:其中,
6.根据权利要求1所述的基于隐式反馈的协同过滤算法的优化策略,其特征在于,对于计算出的用户对交互商品的偏好值,还通过计算商品热度来更新用户对商品的偏好值,具体为:其中,
7.根据权利要求1所述的基于隐式反馈的协同过滤算法的优化策略,其特征在于,所述基于用户-商品模型实现针对给定用户的商品推荐,具体为:计算用户对商品类别的偏好值,并选取偏好值最大的其中,
对每一个用户最感兴趣的
其中,
选取得分最高的前