[发明专利]融合时间因素的协同过滤方法和装置

权利要求书

1.一种融合时间因素的协同过滤方法，所述方法包括：

建立指数平滑模型；

获取对所述指数平滑模型拟定的时间段，所述时间段包括多个时间周期；

获取多个用户标识以及用户标识在多个时间周期内对指定产品的用户喜好程度值；

利用所述指数平滑模型对所述用户喜好程度值进行迭代计算，得到与时间周期对应的平滑结果；

当预测下一个时间周期内待测用户喜好程度时，获取当前时间周期内的产品标识、用户标识以及用户喜好程度值在当前时间周期的平滑结果，生成用户标识与产品标识对应的稀疏矩阵；所述稀疏矩阵包括多个待预测用户喜好程度；

获取协同过滤模型，将所述当前时间周期对应的平滑结果输入至所述协同过滤模型；

通过所述协同过滤模型进行训练，计算得到所述稀疏矩阵中的多个待预测用户喜好程度的预测值。

2.根据权利要求1所述的方法，其特征在于，所述平滑模型的公式包括：

P_t+1＝a*P_t+(1-a)*P_t-1；

其中，a表示产品标识对应的指数系数；P_t+1表示下一个时间周期对应的用户喜好程度值；P_t表示当前时间周期对应的用户喜好程度值；P_t-1表示上一个时间周期对应的用户喜好程度值。

3.根据权利要求1所述的方法，其特征在于，在所述计算得到所述稀疏矩阵中的多个待预测用户喜好程度的预测值的步骤之后，还包括：

获取用户喜好程度值对应的维度；

根据用户标识对多个维度的用户喜好程度值进行统计；

对统计结果进行正则化处理，得到用户标识对应的多维向量；

根据所述多维向量计算用户标识彼此之间的用户喜好的相似度。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：

根据产品标识和用户标识获取用户喜好程度值对应的正样本和负样本；

将所述负样本进行拆分，得到多个拆分后的负样本，所述拆分后的负样本的数量与所述正样本的数量的差值在预设范围内；

获取分类模型，利用所述正样本和所述拆分后的负样本对所述分类模型进行训练，得到多个训练后的分类模型；

对所述多个训练后的分类模型进行拟合，计算得到每个训练后的分类模型对应的分类权重。

5.根据权利要求4所述的方法，其特征在于，在所述计算得到每个训练后的分类模型对应的分类权重的步骤之后，还包括：

获取待分类样本数据；

利用所述训练后的分类模型和所述分类权重对所述待分类样本数据进行分类。

6.一种融合时间因素的协同过滤装置，其特征在于，所述装置包括：

模型建立模块，用于建立指数平滑模型；

获取模块，用于获取对所述指数平滑模型拟定的时间段，所述时间段包括多个时间周期；获取多个用户标识以及用户标识在多个时间周期内对指定产品的用户喜好程度值；

平滑模块，用于利用所述指数平滑模型对所述用户喜好程度值进行迭代计算，得到与时间周期对应的平滑结果；

矩阵生成模块，用于当预测下一个时间周期内待测用户喜好程度时，获取当前时间周期内的产品标识、用户标识以及用户喜好程度值在当前时间周期的平滑结果，生成用户标识与产品标识对应的稀疏矩阵；所述稀疏矩阵包括多个待预测用户喜好程度；

所述获取模块还用于获取协同过滤模型；

第一训练模块，用于将所述当前时间周期对应的平滑结果输入至所述协同过滤模型；通过所述协同过滤模型进行训练，计算得到所述稀疏矩阵中的多个待预测用户喜好程度的预测值。

7.根据权利要求6所述的装置，其特征在于，所述平滑模型的公式包括：

P_t+1＝a*P_t+(1-a)*P_t-1；

其中，a表示产品标识对应的指数系数；P_t+1表示下一个时间周期对应的用户喜好程度值；P_t表示当前时间周期对应的用户喜好程度值；P_t-1表示上一个时间周期对应的用户喜好程度值。