[发明专利]一种基于物品相似度的实时推荐方法

权利要求书

1.一种基于物品相似度的实时推荐方法，其特征在于，包括如下步骤：

步骤A，收集近期用户行为数据，对行为数据进行预处理，当用户在登陆状态，使用userId的Murmur哈希值作为用户标识；用户在非登陆状态下，使用visitor_trace的Murmur哈希值作为用户标识，将用户标识转换成统一的长整型数据值；

步骤B，采用偏好函数模型计算每个用户对浏览商品的偏好值，生成基础用户物品偏好值矩阵，计算得到物品相似矩阵，

所述偏好函数模型如下：

其中，k*e^-x为时间权重计算公式，距离当前时间越近的用户行为，越能反映用户偏好；反之，距离当前时间越久远的用户行为，对用户偏好定义越弱；i为初始值，x_j表示当前时间与用户访问时间的时间差值；用户每点击一次商品，即在偏好值上累计加入该次浏览的偏好值；偏好值计算逻辑加入时间因素，同时兼顾点击次数两个权重因子，合理地把用户对产品行为操作转换成数值化的喜好值，最大程度上逼近用户的真实喜好；

步骤C，筛选出当前访客的最新行为数据，处理成实时偏好矩阵，结合物品相似矩阵，计算用户推荐列表，包括：

步骤C-1，筛选最新的访客用户的所有行为数据，对数据进行预处理，当用户在登陆状态，使用userId的Murmur哈希值作为用户标识；用户在非登陆状态下，使用visitor_trace的Murmur哈希值作为用户标识，将用户标识统一转换成长整型数值；

步骤C-2，采用偏好函数模型转换每个用户对浏览商品的偏好值，将所有用户对某个物品的偏好值作为一个向量来计算物品之间的相似度，生成实时用户物品偏好矩阵；

步骤C-3，利用步骤B得到的当天已保存的物品相似矩阵，采用矩阵乘法，通过下式计算：

物品相似矩阵*实时用户物品偏好矩阵

步骤C-4，基于步骤C-3得到的结果，计算各用户对同一物品下的中间值之和，得到各用户对各产品的预测值，过滤掉用户已浏览和已下单商品后，按偏好值大小排序，取排在前面的若干商品为推荐列表。

2.根据权利要求1所述的基于物品相似度的实时推荐方法，其特征在于，为了避免推荐热门产品，步骤C-4中，加入相似度作为惩罚因子，预测值通过下式计算得到：

预测值＝Σ中间值/Σ相似度。

3.根据权利要求1所述的基于物品相似度的实时推荐方法，其特征在于：所述步骤C基于MapReduce开发。

4.根据权利要求3所述的基于物品相似度的实时推荐方法，其特征在于：所述步骤C筛选5分钟内访客用户的所有行为数据。

5.根据权利要求1所述的基于物品相似度的实时推荐方法，其特征在于：所述步骤C基于SparkStreaming开发。

6.根据权利要求5所述的基于物品相似度的实时推荐方法，其特征在于：时间窗口设置为5s，每隔5s检测数据流更新情况，一旦更新，则收集更新的数据运算后进行推荐。

7.根据权利要求1所述的基于物品相似度的实时推荐方法，其特征在于：所述物品相似矩阵通过调用mahout-itembased接口得到。

8.根据权利要求1所述的基于物品相似度的实时推荐方法，其特征在于：所述物品相似矩阵采用稀疏矩阵来保存。

9.根据权利要求1所述的基于物品相似度的实时推荐方法，其特征在于：当用户在用户物品偏好值矩阵中只对一个物品打分时，则不计算该用户的推荐列表。