一种商品推荐系统的冷启动方法
技术领域
本发明涉及一种商品推荐系统的冷启动方法。
背景技术
在电商领域中，网络商品量繁多，人们面对海量的商品往往会不知道如何选择，商家也苦于没有办法可以将最新颖的、符合消费者自身需求的商品推荐给他们，商品推荐系统因此在这样的背景下产生了。各大电商平台依据消费者的历史行为记录如搜索、收藏加购、浏览详情页、分享好友等行为开发了推荐系统，向消费者推荐之前买过的类似产品或者有潜在兴趣的产品，从而去满足消费者的需求，提高购买欲。协助消费消费者从大量信息中找到符合需求的产品，帮助卖家提升商品的关注度，这是推荐系统主要功能。
电商平台中新加入的产品，由于还没来得及产生操作行为，致使可以分析的相关的数据很少，无法准确的提取产品特征值，预测消费者对产品的喜好程度，这是典型的冷启动问题，推荐新商品是一个重要但具有挑战性的技术。为了解决这个问题，现有的商品推荐系统常使用协同过滤、基于内容的过滤以及这些技术的组合系统。但这些方法都依赖于产品相似性和消费者以前的交易数据。消费者的购物品味和需求随着时间而变化，并且系统也不知道消费者自己或为其他人购买产品。所以不能完全依赖消费者之前的交易数据。内容信息只建议相似的商品，而不是确切的商品。
发明内容
本发明提供了一种商品推荐系统的冷启动方法，不需要消费者历史交易数据。其核心思路是基于市场关联来为新商品推荐种子消费者，将新商品的特征与现有商品特征相匹配，并确定这些特征在现有商品特征集中是否可用，在这种方法中，商品将更快的推荐到达消费者，从而最大限度地减少冷启动问题。
本发明包括如下步骤：
步骤1，对商品特征集进行更新；
步骤2，判断新商品特征与现有商品特征集关系。
步骤1包括：准备现有商品的特征集Vdi；对于一个进入市场的新商品，设定新商品的特征向量Vd存在如下两种情况：
第一种情况，如果Vdi长度等于Vd长度，则Vdi保持不变；
第二种情况，如果Vdi长度小于Vd长度，则令Vdi＝Vd；
在第一种情况中，Vd长度等于Vdi，表明新商品特征向量Vd中的特征都是在现有商品的特征集Vdi中已有的特征；更新Vdi的方法为：在Vdi中，与Vd一致的特征取值为1，反之取值为0；
在第二种情况中，Vd长度大于Vdi，表明Vd包含新特征，此时对特征集Vdi进行更新，在特征集Vdi增加Vd包含的新特征，并且新特征取值为0。
步骤2包括：
步骤2-1，获取商品集合A，在商品集合A中，包含与新商品同类型的商品以及相关类型的商品；循环遍历商品集合A中的每一类商品Td；
步骤2-2，循环遍历商品类Td中的每一个商品，对Vdi和Vd进行按位与运算后再与矩阵Rf,di进行按位或运算，得到新的数据，将Rf,di初始化为全0矩阵，再将新的数据储存在矩阵Rf,di中；
步骤2-3，对矩阵Rf,di中所对应的商品的特征向量之间进行或运算，计算出的数值存于向量Rv中；如果Rv为单位向量，终止循环；
在商品集合A中，首先遍历同类型商品，按照步骤2-2到步骤2-3执行；如果Rv不是单位向量，扩大查找范围，在相关商品中继续查找，对于与新商品相似性高的商品类型，给予较高的优先级遍历，按照步骤2-2到步骤2-3执行，直到获得单位向量。
本发明提出基于特征的商品相似性模型。该模型学习现有商品特征集和新商品特征集之间的相似性。新商品与其类目或相关类目(即具有某些共同特征)有关。例如，某款手机属于移动设备，但它具有一些与其他设备(如平板电脑、笔记本电脑、照相机等)相同的功能。这些设备被称为相关设备。推荐系统从现有特征集中识别新商品特征，这些新特征是之前没有添加的。
有益效果：本发明提供了一种商品推荐系统的冷启动方法，不需要消费者历史交易数据。其核心思路是基于市场关联来为新商品推荐种子消费者，将新商品的特征与现有商品特征相匹配，并确定这些特征在现有商品特征集中是否可用，在这种方法中，商品将更快的推荐到达消费者，从而最大限度地减少冷启动问题。
附图说明
下面结合附图和
具体实施方式
对本发明做更进一步的具体说明，本发明的上述或其他方面的优点将会变得更加清楚。
图1是商品特征集更新策略示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本发明提供了一种商品推荐系统的冷启动方法，具体包括：首先对商品推荐系统进行数据准备。准备现有商品的特征集，定义为Vdi。对于某个商品，在特征集中存在的特征，取值为1，对于没有的特征，取值为0。如果有新商品并出现新特征，那么针对新特征，在Vdi的末尾处进行增加，对于现有商品，新特征取值为0。
设定一个新商品进入市场，这个新商品出现一些新特征，这些特征是上述特征集Vdi没有的特征，或者这些特征是其他设备(相同或者相关类型的设备)存在的特征。对于新物品，仅仅存在两种情况，如下所述。
第一种情况，如果Vdi长度等于Vd长度，则Vdi保持不变；
第二种情况，如果Vdi长度小于Vd长度，则令：
Vdi＝Vd (1)
在第一种情况中，Vd和Vdi长度相同，这表明新商品的特征向量Vd中的特征都是在现有特征集Vdi中存在的特征。同时对于Vd在Vdi中存在的特征，取值为1，反之取值为0。在第二种情况中，Vd长度大于Vdi，这表明Vd包含一些新特征。如果出现一些新特征，那么对现有特征集进行更新，在Vdi末尾处增加上述新特征，整个表示参见图1。
在上文中讨论商品类型，一种商品是同类型的商品，另外一种商品是相关类型的商品。针对冷启动这个问题提出如下方法。
第一步，在同类型商品中查找是否包含新商品的特征。例如设定Vd涉及一种手机的特征向量，首先对比该手机的Vd与现有手机特征集Vdi的关系。对Vdi和Vd进行按位与运算后再与矩阵Rf,di进行按位或运算，将上述数据储存在矩阵Rf,di中，Rf,di需要初始化为全0矩阵。对矩阵Rf,di中所对应的各个商品向量之间进行或运算(d1 or d2 or d3 or d4等)。如果获得单位向量Rv(单位向量是一种特殊向量，如[1 0 0 0…0]。和矩阵论中定义一致)，则终止对Rf,di中所对应的商品的特征向量之间进行或运算；
因为此时在Vdi中已找到在Vd中存在的所有特征(Rf,di是一种用于位存储的矩阵)。
如果没有获得单位向量，则需要扩大查找范围，在相关商品的特征集中继续查找。第二步，对于与Vd相似度高的商品类型，给予较高优先级。例如设定Vd为手机，那么需要找到与之相关设备(平板电脑、iPod、笔记本、照相机等)的相似度。重复类似第一步过程，直到获得单位向量。在最坏的情况下，可能无法找到单位向量。然而，对于进入市场的新商品，推荐系统已经最大限度减少冷启动问题。
算法流程：
步骤1，循环遍历商品集合A中的每一类商品Td；
步骤2，循环遍历商品类Td中的每一个商品，Vdi和Vd进行按位与运算后再与Rf,di进行按位或运算，计算出的数值更新Rf,di矩阵；
步骤3，对矩阵Rf,di中所对应的各个向量之间进行或运算(d1 or d2 or d3 or d4等)，计算出的数值存于向量Rv中；如果Rv为单位向量，则跳出循环。
变量定义：
A：所有商品的集合(同类型商品和相关类型商品(例如:手机、平板电脑、照相机、笔记本电脑、iPod等等)；
Td：商品类型；
di：具体商品，di∈Td；
Vdi：现有商品的特征向量集合；
Vd：某新商品的特征向量；
Rf,di：存储数据矩阵，初始化为零矩阵；
Rv：判断向量。
找到单位向量，意味着在现有商品特征集中找到新商品的所有特征。比如新商品为apple 12pro手机，其特征(如续航、屏幕分辨率、品牌)与现有特征集中的apple 11以及mate 40相同，这样则可以把apple 12pro手机推荐给喜好apple 11以及mate 40的用户，完成冷启动商品推荐。
本发明提供了一种商品推荐系统的冷启动方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
- 上一篇：石墨接头机器人自动装卡簧、装栓机
- 下一篇：一种信息推荐方法、装置、设备及存储介质
