[发明专利]一种基于LDA-MLP的货架商品组合推荐方法

摘要

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。

主权项

1.一种基于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；步骤2.2：根据用户兴趣矩阵R，构建用户u_m的文档d_m，组成文档集合D；其中，将用户u_m购买的每件商品作为文档d_m中的一个单词，将用户u_m购买商品v_n的次数r_mn作为商品v_n在文档d_m中出现的次数；步骤2.3：将商品的每一个种类作为一个主题，得到主题集合T＝W＝{w₁,w₂,...,w_k,...,w_K}，所述文档集合D、主题集合T构成用户购买商品的LDA模型；其中，对于用户u_m，主题w服从多项分布，即w～Multi(w|θ_m)，θ_m为用户u_m的主题分布；对于主题w_k，商品v服从多项分布，即为主题w_k的商品分布；θ_m、的先验概率分布为Dirichlet分布；步骤2.4：利用Gibbs采样对LDA模型进行求解，得到用户潜在矩阵(Θ)_M×K与商品潜在矩阵(Φ)_K×N；其中，(Θ)_M×K的第m行为θ_m，将θ_m作为用户u_m的潜在特征向量，(Φ)_K×N的第k行为将(Φ)_K×N的第n列φ_n作为商品v_n的潜在特征向量；步骤3：将用户对商品的反馈作为隐式反馈，构建用户商品交互矩阵Y＝(y_mn)_M×N；其中，若用户u_m购买过商品v_n，则用户u_m与商品v_n之间存在交互，y_mn＝1；若用户u_m没有购买过商品v_n，则用户u_m与商品v_n之间不存在交互，y_mn＝0；步骤4：利用所述训练集，构建用户购买商品的MLP模型，然后构建目标函数，最小化所述目标函数以对MLP模型进行训练；所述MLP模型包括输入层、隐藏层、输出层，所述输入层所述隐藏层为层数为L的神经协同过滤层，隐藏层的第l层的输出为所述输出层为用户u_m对商品v_n的偏好程度其中，f_l为隐藏层第l层的映射函数，W_l、b_l、a_l分别为隐藏层第l层的权重矩阵、偏置向量、激活函数；步骤5：对所述测试集中的订单数据按照货架进行分组，将每个货架的订单数据输入LDA模型中，将LDA模型的输出输入训练后的MLP模型中，得到每个货架中每个用户对每个商品的偏好程度；将每个货架面向的用户集合作为一个用户群组，利用偏好融合策略对每个用户群组中各个用户对商品的偏好程度进行融合，得到该用户群组对商品的偏好程度；步骤6：基于Top‑N算法，对每个货架中用户群组对每个商品的偏好程度进行排序，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。