[发明专利]用户感兴趣商品的推荐方法

摘要

本发明公开了一种用户感兴趣商品的推荐方法，该方法利用多对级排序算法从用户和商品的历史消费行为学习到的用户‑商品偏好矩阵，用矩阵分解模型对用户‑商品偏好矩阵建模，充分考虑用户和商品的隐向量表征信息，通过上述自适应采样方法能够自适应地挖掘每一个用户潜在感兴趣的商品，使得多对级排序推荐方法的推荐效果更加精准。

主权项

1.一种用户感兴趣商品的推荐方法，其特征在于，包括：利用多对级排序算法从用户的历史消费行为中学习到用户‑商品偏好矩阵，并通过矩阵分解，得到全体用户的隐向量表征U，和全部商品的隐向量表征V；从1～k之间采随机数q，对全部商品的隐向量表征V的第q个维度f_q，按照隐向量表征值的大小对所有商品排序，并得到商品列表L＝{l₁,l₂,…,l_N}，其中，k表示全体用户的隐向量表征U和全部商品的隐向量表征V的维度，N表示商品的数目；对于目标采样用户u属于全体用户，观察其在全体用户的隐向量表征U所属的行向量，记该行向量的第f_q维表征值为记的正负符号为对于商品列表L采取位置信息r，1≤r≤N，每个位置采取的概率服从几何分布，如果为正，则l_r为目标采样用户u潜在感兴趣的商品；如果为负，则l_N‑r+1为目标采样用户u潜在感兴趣的商品；使用多对级排序算法结合采样结果，通过优化目标采样用户u关于一对商品兴趣偏好的差异，迭代用户‑商品偏好矩阵，并重复上述步骤，最终将每次采样到的商品以更高的概率推荐给目标采样用户u。