一种商品推荐方法、装置、设备及存储介质

技术特征：
1.一种商品推荐方法，其特征在于，包括下述步骤：识别用户与商品间的交互信息的数据类型，根据数据类型选择对应的商品相似度算法进行商品相似度计算，并对计算的所述商品相似度结果进行标准化处理，其中所述数据类型包括布尔向量和非布尔向量；根据数据类型选择对应的用户相似度算法进行用户相似度计算，并对计算的所述用户相似度结果进行标准化处理；及根据标准化处理后的所述商品相似度和所述用户相似度，计算每个用户与商品之间的推荐因子并排序，根据所述推荐因子将最相关的n个商品加入到对应的用户推荐列表中，其中n为推荐列表的容量。2.根据权利要求1所述的商品推荐方法，其特征在于，所述根据数据类型选择对应的商品相似度算法进行商品相似度计算的步骤，具体包括：当用户与商品的交互信息的数据类型为布尔变量时，使用以下公式计算商品i和商品j之间的商品相似度：其中，s1
i，j
为商品i与商品j之间的商品相似度，a表示用户k同时购买了商品i和商品j，b表示用户k购买了商品i或者商品j，c表示用户k没有购买商品i或者商品j，n为用户总数，x1，x2，x3为可调整的权重系数，其中s表示任意a、b、c；对计算的所述商品相似度结果s1
i，j
进行标准化处理的步骤，具体包括：当所有人随机购买商品时，计算商品i和商品j之间商品相似度s1
i，j
的随机变量的理论均值；根据蒙特卡洛仿真法计算所述商品相似度s1
i，j
的近似置信区间[l1，u1]；将所有落在所述近似置信区间[l1，u1]内的s1
i，j
的值都置为所述的理论均值，并对所述置为理论均值的s1
i，j
进行z-score标准化处理。3.根据权利要求1所述的商品推荐方法，其特征在于，所述根据数据类型选择对应的商品相似度算法进行商品相似度计算的步骤，具体包括：当用户与商品的交互信息的数据类型为非布尔变量时，使用以下公式计算商品i和商品j之间的相似度：其中，s1
i，j
为商品i与商品j之间的相似度，n为用户总数，b
k，i
为用户k购买商品i的次数；对计算的所述商品相似度结果进行标准化处理的步骤，具体包括：对所有商品相似度s1
i，j
进行z-score标准化。4.根据权利要求1所述的商品推荐方法，其特征在于，所述根据数据类型选择对应的用
户相似度算法进行用户相似度计算，具体包括：当用户与商品的交互信息的数据类型为布尔变量时，使用以下公式计算用户i和用户j之间的用户相似度：其中，s2
i，j
为用户i与用户j之间的用户相似度，d表示商品k同时被用户i和用户j购买，e表示商品k被用户i或者用户j购买，f表示商品k没有被用户i或者用户j购买，m为商品总数，x4，x5，x6为权重系数，其中s表示任意d、e、f；对计算的所述用户相似度结果进行标准化处理的步骤，具体包括：当所有人随机购买商品时，计算用户i和用户j之间用户相似度s2
i，j
的随机变量的理论均值；根据蒙特卡洛仿真法计算所述用户相似度s2
i，j
的近似置信区间[l2，u2]；将所有落在所述近似置信区间[l2，u2]内的s2
i，j
的值都置为所述理论均值，并对所述置为理论均值的s2
i，j
进行z-score标准化处理。5.根据权利要求1所述的商品推荐方法，其特征在于，所述根据数据类型选择对应的用户相似度算法进行用户相似度计算，具体包括：当用户与商品的交互信息的数据类型为非布尔变量时，使用以下公式计算用户i和用户j之间的用户相似度：其中，s2
i，j
为用户i与用户j之间的用户相似度，m为商品总数，b
i，k
为用户i购买商品k的次数；对计算的所述用户相似度结果进行标准化处理的步骤，具体包括：对所有用户相似度s2
i，j
进行z-score标准化。6.根据权利要求2-5中任一项所述的商品推荐方法，其特征在于，所述进行z-score标准化，计算方法为：其中，si，j是商品i与商品j之间的商品相似度s1
i，j
或者用户i与用户j之间的用户相似度s2
i，j
，μ为所有商品相似度s1
i，j
或者用户相似度s2
i，j
的实际均值，σ为所有商品相似度s1
i，j
或者用户相似度s2
i，j
的结果均值与理论均值的差值。7.根据权利要求6所述的商品推荐方法，其特征在于，根据所述商品相似度和所述用户相似度，计算每个用户与商品之间的推荐因子的步骤，具体包括：根据如下公式计算推荐因子：
其中，s1
k，j
表示商品k和商品j之间的商品相似度，s2
i，k’表示用户i和用户k
‘
之间的用户相似度，s2
t，i
表示用户t和用户i之间的用户相似度，s1
l，j
商品l和商品j之间的商品相似度，n为用户总数，m为商品总数；b
i
为用户i购买的商品的编号组成的集合，f
i
为用户i收藏的商品的编号组成的集合，c
i
为用户i加入购物车的商品的编号组成的集合，b
′
j
为购买了商品j的用户的编号组成的集合，f
′
j
为收藏了商品j的用户的编号组成的集合，c
′
j
为将商品j加入购物车的用户的编号组成的集合f1，f2，...，f7为权重参数。8.一种商品推荐计算装置，其特征在于，包括：商品相似度处理模块，用于识别用户与商品间的交互信息的数据类型，根据数据类型选择对应的商品相似度算法进行商品相似度计算，并对计算的所述商品相似度结果进行标准化处理，其中所述数据类型包括布尔向量和非布尔向量；用户相似度处理模块，用于根据数据类型选择对应的用户相似度算法进行用户相似度计算，并对计算的所述用户相似度结果进行标准化处理；及商品推荐处理模块，用于根据标准化处理后的所述商品相似度和所述用户相似度，计算每个用户与商品之间的推荐因子并排序，根据所述推荐因子将最相关的n个商品加入到对应的用户推荐列表中，其中n为推荐列表的容量。9.一种商品推荐计算设备，其特征在于，所述商品推荐计算设备包括处理器，存储器以及存储在所述存储器中的商品推荐计算程序，所述商品推荐计算程序被所述处理器运行时，实现如权利要求1-7中任一项所述的商品推荐方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有商品推荐计算程序，所述商品推荐计算程序被处理器运行时，实现如权利要求1-7中任一项所述的商品推荐方法的步骤。

技术总结
本发明实施例属于人工智能领域，尤其涉及一种商品推荐方法、装置、设备及存储介质，所述方法包括：识别用户与商品间的交互信息的数据类型，根据数据类型选择对应的商品相似度算法进行商品相似度计算，并对计算的所述商品相似度结果进行标准化处理，其中所述数据类型包括布尔向量和非布尔向量；根据数据类型选择对应的用户相似度算法进行用户相似度计算，并对所述用户相似度进行标准化处理；及根据所述商品相似度和所述用户相似度，计算每个用户与商品之间的推荐因子并排序，根据所述推荐因子将最相关的N个商品加入到对应的用户推荐列表中，其中N为推荐列表的容量。本发明提高了向用户进行商品推荐的准确性。进行商品推荐的准确性。进行商品推荐的准确性。


技术研发人员：雷正涛 陈娇娇 杨华胜
受保护的技术使用者：清华大学
技术研发日：2022.03.15
技术公布日：2022/6/4