技术摘要：
一种基于选择概率模型自适应邻域的产品推荐方法，通过该方法，能够针对分析在电商环境中，在用户行为不断变化的情况下为用户准确推荐商品，解决商品由于季节性因素等，受欢迎程度不断变化导致用户倾斜度不断变化，从而导致其对不同产品的兴趣度发生变化，相似购物群体  全部
背景技术：
能够针对分析在电商环境中，在用户行为不断变化的情况下为用户准确推荐商 品，解决商品由于季节性因素等，受欢迎程度不断变化导致用户倾斜度不断变化，从而导致 其对不同产品的兴趣度发生变化，相似购物群体也会发生改变需要重新定位，并推荐合适 的商品。 目前针对电商推荐领域有许多研究，主要集中在优化推荐算法效果上。 专利CN107870934A公开了一种app用户聚类方法和装置，核心是按照预设的规则 对数据集进行频繁项集的挖掘，然后根据挖掘的频繁项集构建用户关联图谱，最后进行社 区发现，将得到的用户关联图谱划分为若干区域，以实现对app用户快速、精准的聚类。 专利CN108268511A公开了一种基于大数据的网络用户分类方法，核心是通过获取 用户行为数据，将所述用户行为获取模块获取的用户行为数据与用户行为数据库中存储的 用户行为数据进行比对，从用户行为数据库中获取相似度最高的用户行为数据，根据行为 数据比对模块的比对结果为对应用户分类。 上述方法都属于传统的用户定位方法，并未针对用户行为的变化而进行自适应邻 域更新，推荐结果不够精确。
技术实现要素：
本发明提出了一种基于选择概率模型自适应邻域的产品推荐方法，用于社交电商 中产品推荐问题。通过该方法，能够针对分析在电商环境中，在用户行为不断变化的情况下 为用户准确推荐商品，解决商品由于季节性因素等，受欢迎程度不断变化导致用户倾斜度 不断变化，从而导致其对不同产品的兴趣度发生变化，相似购物群体也会发生改变需要重 新定位，并推荐合适的商品。 一种基于选择概率模型自适应邻域的产品推荐方法，包括以下基本步骤： 步骤一，提取用户行为中的用户点击频度和最近一次购买时间即近度，作为初始 数据，对数据进行预处理； 步骤二，根据预处理后的初始数据计算概率矩阵和凹凸度约束； 步骤三，由用户偏差和商品偏差计算偏移函数； 步骤四，引入与用户特征向量和其邻居特征向量之间的差异有关的正则化项，进 行采用随机梯度下降法循环自适应更新。 进一步地，在步骤一中，提取用户行为中的用户点击频度和最近一次购买时间即 近度作为初始数据，对数据进行预处理，让J和K分别表示与新近度和频率相对应的连续正 整数的有限集，每个用户-商品对对应一个Xjk，表示当新近度值为j且频率值为k时用户对 4 CN 111553757 A 说　明　书 2/4 页 某项商品的选择可能性； 在历史数据中确定一个基准日期，令njk表示在基准日期之前具有新近度值j和频 率值k的用户项对的数量，而令qjk是在基准日期之后导致购买的那些用户对的数量；如果 njk不等于0，则令  Xjk＝qjk/njk；否则，将xjk置为0。 进一步地，所述步骤二计算概率矩阵中，项目选择概率随着新近度或频率值的增 加而增加，除了单调性约束外，进一步采用另两个形状约束； 第一形状约束为关于近度值的凸度约束，随着近度值变大，每个近度值项选择概 率的增量增加； 第二形状约束为关于频率的凹度限制，随着频度值变大，每个频度值项选择概率 的增量减小： 通过二项式分布，得出购买发生概率： 取对数得到选择概率函数： 然后根据计算得到的商品选择概率建立用户兴趣度矩阵Q∈Rk×n，其中m是用户数， n是商品数，k是潜在特征数。 进一步地，所述步骤三为用户偏差bu∈R1×m和商品偏差bi∈R1×n初始化一个随机矩 阵，其中，用户偏差是交互过程中的用户影响度，商品偏差是交互过程中商品被推荐频度； 然后预测兴趣度 其中μ是总体兴趣度平均值，由用户偏差和商品偏 差计算偏移函数： 其中，ru，i是已知兴趣度。 进一步地，在所述步骤四中，采用随机梯度下降法循环更新  Pu，Qi，bu，bi，其中pu是 用户特征向量，Qi是商品特征向量，bu是用户偏差，bi是商品偏差： 5 CN 111553757 A 说　明　书 3/4 页 其中，eu，i＝ru，i-r′u，i，r′u，i是预测兴趣度，ru，i是已知兴趣度，λ是一个正则化参 数，η是一个随机梯度变化速率；引入与用户特征向量和其邻居特征向量之间的差异有关的 正则化项进行自适应更新： 其中，Fu是用户u的邻居集合，sim(u,f)是用户u和用户f之间的相似性： 综上所述，采用本发明提供的一种基于选择概率模型自适应邻域的产品推荐方 法，具有如下有益效果：通过计算概率矩阵和凹凸度约束，能够得到较为精确的用户商品评 分矩阵；通过混合协同过滤的方法能够根据用户行为的改变提高推荐准确性。 附图说明 图1为本发明实施例中所述的社交电商产品推荐方法的总体流程示意图。