[发明专利]一种物品推荐的方法、装置、计算机存储介质及终端

说明书

一种物品推荐的方法、装置、计算机存储介质及终端，包括：根据用户的商品购买记录，为用户每一次的购物行为建立相应的样本；以建立的样本作为训练数据集，拟合获得用户购买的物品间的顺承概率关系；将拟合获得的顺承概率关系添加至预设的目标函数后，根据添加顺承概率关系的目标函数进行物品推荐；其中，所述目标函数包括：协同过滤的目标函数；所述样本中包括：用户在前购买的每一件物品与各待推荐物品的时间差，还包括以下一项或任意组合的信息：用户的属性特征、商品的属性特征、用户登录购买平台前后的上下文特征。本发明实施例提升了推荐系统的准确率，提高了推荐系统的推荐效率和用户使用体验。

技术领域

本文涉及但不限于电子商务技术，尤指一种物品推荐的方法、装置、计算机存储介质及终端。

背景技术

随着互联网技术的应用发展，推荐系统的应用场景变得越来越广泛，如推荐新闻、音乐、电影、短视频和电商中的商品，因此推荐技术也得到了长足的发展，通过各种推荐算法不断提升了推荐系统的准确性。

目前，相关技术中的推荐算法包括：基于用户的推荐、基于物品的推荐及协同过滤；其中，基于用户的推荐包括：根据用户的属性，计算用户之间的相似度，根据用户的相似度为用户推荐物品。比如，用户A与用户B的各项属性(如：年龄、性别、学历、地区、职业、婚姻状态等)相似，则可以分析认定他们的喜好也相似，如果用户A购买过物品X，而用户B未购买过物品X，则为用户B推荐物品X。基于物品的推荐包括：根据物品的属性，计算物品之间的相似度，为用户推荐相似的物品。比如，物品X与物品Y非常相似，如果用户A购买过物品X，则为用户A推荐物品Y。协同过滤包括：协同过滤综合考虑用户和物品两种维度，形成了“物品-用户-物品”的协同效果；图1为相关技术协同过滤的示例图，如图1所示，从图1中可以看到用户1与用户2对电影1、电影2和电影3的评分相似，因此，可以判断用户2对未点评的电影4和电影5的评价会与用户1相似，根据用户2对电影4和电影5的评价，可以确定是否向用户推荐电影4和电影5。从推荐效果上看，协同过滤的技术最优。目前，相关技术中的协同过滤包括：

1、奇异值分解特征(SVDFeature)：将某用户是否购买某物品看做是一个概率值y，y由以下三组特征组成：g代表的全局环境特征，u代表的用户特征和i代表的物品特征；不同组的特征再两两相乘组成交叉特征，SVDFeature的目标函数如式1所示：

2、分解机LibFM与SVDFeature相似，区别是它没有将特征分组，任意不同的特征均两两相乘形成交叉特征，其目标函数如式2所示：

然而，上述三种推荐算法仅考虑人和/或物品，没有考虑其他影响用户相关要素，导致推荐系统为用户提供的推荐准确度低，得到用户认可和选择的概率低，例如、协同过滤很可能给已经购买过婴儿车和婴儿奶粉的用户推荐婚纱或孕妇奶粉；如何提升推荐系统的推荐效率及用户的使用体验，成为一个有待解决的问题。

发明内容

以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

本发明实施例提供一种实现物品推荐的方法、装置、计算机存储介质及终端，能够提升推荐系统的推荐效率和用户的使用体验。

本发明实施例提供了一种物品推荐的方法，包括：

根据用户的商品购买记录，为用户每一次的购物行为建立相应的样本；

以建立的样本作为训练数据集，拟合获得用户购买的物品间的顺承概率关系；

将拟合获得的顺承概率关系添加至预设的目标函数后，根据添加顺承概率关系的目标函数进行物品推荐；

其中，所述目标函数包括：协同过滤的目标函数；所述样本中包括：用户在前购买的每一件物品与各待推荐物品的时间差，还包括以下一项或任意组合的信息：用户的属性特征、商品的属性特征、用户登录购买平台前后的上下文特征。