[发明专利]一种基于时间衰减器的商品推荐方法、终端和介质

说明书

本发明提供的基于时间衰减器的商品推荐方法，获取用户的评分信息和评分时间的信息，计算用户兴趣度随时间变化的函数；根据获取的用户评分信息和评分时间的信息构建用户和产品的消费网络图，分别计算用户的影响力和商品的影响力；将用户影响力和商品影响力分别与对应的阈值进行比较，将大于等于阈值的用户影响力和商品影响力数据构建强影响力邻居集合；采用强影响力邻居集合训练ALS模型的各项参数，得到ALS模型，根据RMSE判断ALS模型是否收敛，并计算评分预测值；根据评分预测值对用户进行商品推荐。本发明的基于时间衰减器的商品推荐方法，提高了商品推荐的精度，减少推荐方法的时间消耗，提高商品推荐的有效性。

技术领域

本发明涉及电子商务技术领域，具体涉及一种基于时间衰减器的商品推荐方法、终端和介质。

背景技术

在网络个性化商品推荐领域，协同过滤法是常用的个性化推荐方法。根据采用技术的不同，个性化推荐可分为基于内容和基于用户的协同过滤推荐及混合推荐。基于内容的推荐只依赖于商品特征和用户的历史偏好进行推荐，不根据其他用户的评价。基于用户的协同过滤推荐通过计算用户之间的相似度来进行商品推荐。

传统的协同过滤算法忽略用户(产品)之间的网络关系，通过获取用户(产品)之间的关系并量化用户(产品)的相似度,对协同过滤算法的实施效果将产生一定影响。对此，现有两种通用的方案:一是利用显式的社交网络关系；另一种是通过隐式的标签信息来计算用户(产品)之间的相似度，从而获取用户(产品)之间的关系。由于传统的算法没有考虑用户的兴趣与时间的关系,导致推荐结果有所偏差。

在以上方案中,一般假设用户(产品)之间的相互影响关系是无向的，忽略了消费时间信息,从而影响了个性化商品推荐系统的推荐精度。在现实环境下,用户(产品)之间的影响关系具有时序性、有向性。另外，传统的算法没有考虑用户的兴趣与时间的关系,影响商品推荐的最终效果，因为人们的兴趣会因时间的改变而动态变化,时间是最重要的影响因素之一。

发明内容

针对现有技术中的缺陷，本发明的目的之一在于提供一种基于时间衰减器的商品推荐方法，提高了商品推荐的精度，提高商品推荐的有效性。

第一方面，本发明提供的基于时间衰减器的商品推荐方法，包括：

获取用户的评分信息和评分时间的信息，计算用户兴趣度随时间变化的函数；

根据获取的用户评分信息和评分时间的信息构建用户的消费网络图和产品的消费网络图，分别计算用户的影响力和商品的影响力；

分别设定用户影响力阈值和商品影响力阈值，将所述用户影响力和商品影响力分别与对应的阈值进行比较，将大于等于阈值的用户影响力和商品影响力数据构建强影响力邻居集合；

采用强影响力邻居集合训练ALS模型的各项参数，得到ALS模型，根据RMSE判断ALS模型是否收敛，并计算评分预测值；

根据所述评分预测值对用户进行商品推荐。

可选地，在获取用户的评分信息和评分时间的信息的步骤之前还包括：初始化计算环境，设定时间T和T_max,其中，T为设定时间段，Tmax为设定的最大时间。

可选地，在初始化计算环境步骤之前还包括：收集用户的评分信息和评分时间的信息。

可选地，所述计算用户兴趣度随时间变化的函数的公式：其中，T_ui为用户u购买商品i的时间，单位为min，T_max为设定的最大时间，W_t为用户感兴趣程度。

可选地，所述计算用户的影响力的公式为：其中，IN_i→j为i对j的影响力，f(U_i,U_j)为用户U_i和U_j在设定时间段T内消费产品的并集。