[发明专利]融合时间因素的协同过滤方法和装置

说明书

技术领域

本发明涉及计算机技术领域，特别是涉及一种融合时间因素的协同过滤方法和装置。

背景技术

收集用户对产品的喜好，通过进行数据分析和挖掘可以有效提高产品信息推送的准确度。在传统的方式中，用户某个产品的喜好程度通常是只是利用用户行为来构建的。例如，用户行为包括：点击、收藏和购买等。在对未知的用户喜好程度值进行预测时也就缺乏了时间因素的考虑。假设，用户在一年之前购买的某个产品，而在今年未再继续够买该产品。如果利用该用户对该产品在一年前的喜好程度来预测其他用户在今年对该产品的喜好程度，那么预测结果显然无法反映出实际状况。如何结合时间因素对指定产品的用户喜好程度值进行有效预测成为目前需要解决的一个技术问题。

发明内容

基于此，有必要针对上述技术问题，提供一种融合时间因素对指定产品的用户喜好程度值进行有效预测的融合时间因素的协同过滤方法和装置。

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；

利用所述用户标识和所述与时间周期对应的平滑结果生成稀疏矩阵，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。

在其中一个实施例中，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。

在其中一个实施例中，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。

在其中一个实施例中，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。

在其中一个实施例中，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。

一种融合时间因素的协同过滤装置，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，用于利用所述用户标识和所述与时间周期对应的平滑结果生成稀疏矩阵，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。

在其中一个实施例中，所述平滑模型的公式包括：

P_t+1＝a*P_t+(1-a)*P_t-1；