[发明专利]一种基于LDA-MLP的货架商品组合推荐方法

说明书

本发明涉及货架商品组合推荐技术领域，提供一种基于LDA‑MLP的货架商品组合推荐方法，首先从订单数据中提取测试集和训练集；然后根据训练集构建LDA模型，并利用Gibbs采样求解该模型，得到用户和商品的潜在特征向量；接着构建用户商品交互矩阵；再构建MLP模型，构建并最小化目标函数以训练MLP模型；对测试集按货架分组，通过LDA模型和MLP模型得到每个货架中用户对商品的偏好，进行偏好融合，得到用户群组对商品的偏好；最后基于Top‑N算法，对偏好排序，选择偏好程度最高的前s个商品组成该货架的商品组合推荐列表。本发明能够不依赖显式评分信息、解决数据稀疏性问题，为群组用户进行商品组合推荐且推荐准确性高。

技术领域

本发明涉及货架商品组合推荐技术领域，特别是涉及一种基于LDA-MLP的货架商品组合推荐方法。

背景技术

推荐系统可被视为一种信息过滤系统，能够帮助用户从大量的数据信息中过滤出对用户有用的内容。推荐系统不需要用户提供详细的信息需求，它根据用户的历史行为分析用户对信息的需求和兴趣，进行个性化计算，然后将用户感兴趣的内容、商品等推荐给用户。无人货架是一种无人操作的销售模式，将商品摆放在货架上，由消费者自主选择商品进行购买。由于无人货架受到场地空间和自身体积大小等限制，会出现货架的商品提供与用户需求不匹配的问题，这样无法满足用户的需求。可见，货架商品组合推荐方法在整个推荐系统中起着关键性作用，它利用物品和用户信息建模，预测用户的偏好。推荐方法的优劣是衡量一个推荐系统好坏的关键。

现有的货架商品组合推荐方法主要依赖用户对物品的评分情况分析用户的偏好，而实际生活中，用户很少对物品或内容打分，从而缺少显式评分信息，导致数据稀疏性问题，使得货架商品组合推荐的准确性低。除此之外，与单一用户推荐不同，无人货架商品组合推荐系统服务的对象为货架所面向的用户群组，现有的货架商品组合推荐方法无法满足为群组用户进行推荐的需求。

发明内容

针对现有技术存在的问题，本发明提供一种基于LDA-MLP的货架商品组合推荐方法，能够不依赖显式评分信息、解决数据稀疏性问题，能够为群组用户进行商品组合推荐且推荐准确性高。

本发明的技术方案为：

一种基于LDA-MLP的货架商品组合推荐方法，其特征在于，包括下述步骤：

步骤1：收集用户购买货架上商品的订单数据，从所述订单数据中提取最近一个月的订单数据作为测试集，从所述订单数据中提取每个用户最近一次购买商品的订单数据作为验证集，将所述订单数据中除测试集、验证集之外的订单数据作为训练集；所述训练集包括M个用户U＝{u₁,u₂,…,u_m,…,u_M}的订单记录，用户u_m的每条订单记录为用户u_m在该订单中购买的商品集合，m∈{1，2，…，M}，货架上商品的集合为V＝{v₁,v₂,…,v_n,…,v_N}，n∈{1，2，…，N}，货架上商品种类的集合为W＝{w₁,w₂,…,w_k,…,w_K}，k∈{1，2，…，K}；

步骤2：构建用户购买商品的LDA模型，提取用户与商品的潜在特征向量：

步骤2.1：根据所述训练集的订单数据，构建用户兴趣矩阵R＝(r_mn)_M×N，r_mn为用户u_m购买商品v_n的次数；