技术领域
[0001] 本
发明涉及
大数据技术领域，尤其涉及一种基于区块链积分服务平台的个性化推荐方法及系统。
背景技术
[0002] 作为新技术，区块链技术在系统
稳定性、应用安全性、业务模式等方面尚未成熟，目前主要适用于非实时性的、轻量级信息的、交易吞吐量较小和信息敏感度较低的业务场景。区块链的协议是使用安全散列
算法(Secure Hash Algorithm，简称SHA)以及高级加密标准(Advanced Encryption Standard，简称AES)算法等开发而来，因此它可以作为存储和传输积分所有权的安全平台。此外，区块链的其他属性如不可变性、易于转移性，再加上审计透明度和易用性，使之更有价值。
[0003] 积分管理是区块链技术的重要应用场景之一。区块链积分系统是运用区块链底层技术打造的积分发行与管理系统，通过区块链维护一个可靠
数据库，保障平台积分数据正常运行，具有安全、开放、可拓展和易于维护等特性。区块链可以为积分发行商、应用开发商和消费者之间提供脱媒，解耦有关积分管理的任务，如发行、交易处理、确保用户资金安全。目前，国内已经有几家区块链公司切入区块链积分系统的设计与研究，其中投入商用的有格格积分、数贝荷包和太一
云。
[0004] 现有的关于积分兑换推送的技术均是根据用户的行为分析用户的需求，选取一些时下热
门商品向用户推荐；基于用户对项目评分挖掘出用户与项目之间的联系，而后进行信息推送，该类方案主要用在图书馆图书推荐，电影评分推荐等；积分平台进行个性化推荐，商户系统内部积分交易，积分兑换。
[0005] 上述的技术上存在有几个不足之处，如：热衷于热门商品的推荐，
覆盖率低，不利于整个平台的良性运行；商户系统内部平台可推荐范围小，无法有效挖掘长尾信息；在依据用户评分而进行项目推荐的系统中，系统过度依赖用户评分，很多用户并没有评分数据，这样会因为数据稀疏而造成推荐不够准确。
发明内容
[0006] 本发明的目的在于克服
现有技术的不足，本发明提供了一种基于区块链积分服务平台的个性化推荐方法及系统，通过本发明
实施例有效地利用区块链技术带来的数据优势实现更精确的个性推荐。
[0007] 为了解决上述技术问题，本发明实施例提供了一种基于区块链积分服务平台的个性化推荐方法所述个性化推荐方法包括：
[0008] 对用户购买的商品数据进行预处理，获取预处理结果；
[0009] 根据所述预处理结果构建商品用户倒排序和用户商品关联表；
[0010] 根据所述商品用户倒排序进行用户相似度计算处理，获取用户相似度矩阵；
[0011] 根据所述用户商品关联表进行
特征向量提取处理，获取用户商品特征向量信息；
[0012] 根据所述用户相似度矩阵和所述用户商品特征向量信息对目标用户的用户商品特征向量信息进行修正，获取修正后的目标用户的用户商品特征向量信息；
[0013] 根据所述修正后的目标用户的用户商品特征向量信息向目标用户进行商品推送。
[0014] 优选地，所述根据所述商品用户倒排序进行用户相似度计算处理，包括：
[0015] 采用热门商品惩罚项改进余弦相似度公式对所述商品用户倒排序进行用户相似度计算处理，获取用户相似度矩阵和用户邻近的用户集。
[0016] 优选地，所述根据所述用户商品关联表进行特征向量提取处理，包括：
[0017] 采用所述用户商品关联表进行构建用户商品矩阵处理，获取用户商品矩阵；
[0018] 对所述用户商品矩阵进行变换，在商品矩阵变换过程中加入积分值惩罚项和热门商品惩罚项，获取用户商品对应的积分值；
[0019] 根据与用户感兴趣的物品集合相同大小的用户未有过行为的热门商品分集构建样本集；
[0020] 根据所述用户商品对应的积分值和所述样本集进行隐含主义分析，获取用户商品特征向量信息；
[0021] 所述用户商品特征向量信息包括用户特征向量信息和商品特征向量信息。
[0022] 优选地，所述根据所述用户相似度矩阵和所述用户商品特征向量信息对目标用户的用户商品特征向量信息进行修正，包括：
[0023] 采用所述用户相似度矩阵中K个相似度最高的用户集合、户特征向量信息和商品特征向量信息对目标用户的用户商品特征向量信息进行修正，获取修正后的目标用户的用户商品特征向量信息。
[0024] 优选地，所述根据所述修正后的目标用户的用户商品特征向量信息向目标用户进行商品推送，包括：
[0025] 利用修正值与所述用户商品特征向量信息进行目标用户对所有商品的感兴趣值计算，获取目标用户对所有商品的感兴趣值；
[0026] 对所述目标用户对所有商品的感兴趣值进行降序排序处理，获取顺序集合；
[0027] 根据所述顺序集合对目标用户未有过行为的物品向目标用户进行商品推送。
[0028] 另外，本发明实施例还提供了一种基于区块链积分服务平台的个性化推荐系统，所述个性化推荐系统包括：
[0029] 预处理模块：用于对用户购买的商品数据进行预处理，获取预处理结果；
[0030] 构建模块：用于根据所述预处理结果构建商品用户倒排序和用户商品关联表；
[0031] 相似度计算模块：用于根据所述商品用户倒排序进行用户相似度计算处理，获取用户相似度矩阵；
[0032] 特征向量提取模块：用于根据所述用户商品关联表进行特征向量提取处理，获取用户商品特征向量信息；
[0033] 修正模块：用于根据所述用户相似度矩阵和所述用户商品特征向量信息对目标用户的用户商品特征向量信息进行修正，获取修正后的目标用户的用户商品特征向量信息；
[0034] 推荐模块：用于根据所述修正后的目标用户的用户商品特征向量信息向目标用户进行商品推送。
[0035] 优选地，所述相似度计算模块包括：
[0036] 相似度计算单元：用于采用热门商品惩罚项改进余弦相似度公式对所述商品用户倒排序进行用户相似度计算处理，获取用户相似度矩阵和用户邻近的用户集。
[0037] 优选地，所述特征向量提取模块包括：
[0038] 矩阵构建单元：用于采用所述用户商品关联表进行构建用户商品矩阵处理，获取用户商品矩阵；
[0039] 矩阵变换单元：用于对所述用户商品矩阵进行变换，在商品矩阵变换过程中加入积分值惩罚项和热门商品惩罚项，获取用户商品对应的积分值；
[0040] 样本集构建单元：用于根据与用户感兴趣的物品集合相同大小的用户未有过行为的热门商品分集构建样本集；
[0041] 隐含主义分析单元：用于根据所述用户商品对应的积分值和所述样本集进行隐含主义分析，获取用户商品特征向量信息；
[0042] 所述用户商品特征向量信息包括用户特征向量信息和商品特征向量信息。
[0043] 优选地，所述修正模块包括：
[0044] 修正单元：用于采用所述用户相似度矩阵中K个相似度最高的用户集合、户特征向量信息和商品特征向量信息对目标用户的用户商品特征向量信息进行修正，获取修正后的目标用户的用户商品特征向量信息。
[0045] 优选地，所述推荐模块包括
[0046] 计算单元：用于利用修正值与所述用户商品特征向量信息进行目标用户对所有商品的感兴趣值计算，获取目标用户对所有商品的感兴趣值；
[0047] 排序单元：用于对所述目标用户对所有商品的感兴趣值进行降序排序处理，获取顺序集合；
[0048] 推送单元：用于根据所述顺序集合对目标用户未有过行为的物品向目标用户进行商品推送。
[0049] 在本发明实施例中，通过本发明实施例有效地利用区块链技术带来的数据优势，用户积分交易数据的真实性和不可篡改性；同时平台积分“多方发行、自由流通”，保证了数据来源的广泛性和全面性；方法基于用户的邻近模型利用加入热门商品惩罚项的余弦相似度改进相似度定义，借鉴
自然语言处理的隐语义模型挖掘用户与商品隐藏信息，融合基于用户的邻近模型和隐语义模型的优点，利用目标用户的近邻用户特征修正隐语义模型得到的用户特征，实现更精确的个性推荐。
附图说明
[0050] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0051] 图1是本发明实施例中的基于区块链积分服务平台的个性化推荐方法的方法流程示意图；
[0052] 图2是本发明实施例中的基于区块链积分服务平台的个性化推荐系统的系统结构组成示意图。
具体实施方式
[0053] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0054] 区块链积分服务平台拥有安全的身份安全认证，会员用户拥有可靠唯一ID，用户与用户之间可以实现的积分转赠以及跨商户折积分兑换。A用户在a商家产生的积分，可转赠B用户和用于a商家或其他商家的积分兑换服务。在区块链的体系上，所有的数据都是透明且不可篡改的，商户与用户之间可以透彻了解，失信
风险降低。同时，区块链具有去中心化的特点，可以在多个商家之间共享积分交易数据，实现数据的深度分析与利用。
[0055] 用户在积分兑换时面对海量的商品时，个性化推荐方法可以很好的解决信息过载问题，并充分挖掘长尾信息，提高用户与平台的交流度。常见的推荐热门商品的方法，覆盖率低，不能照顾到平台的大部分的商品，容易形成“
马太效应”，热门商品更热门，冷门商品更难被用户发觉。常此以往会造成用户对平台失去兴趣，商家的销售需求也得不到满足。本创意能很好的解决上述问题，实现用户、平台、商家间的一个良性交流，提高用户和商家对平台的黏度。
[0056] 图1是本发明实施例中的基于区块链积分服务平台的个性化推荐方法的方法流程示意图，如图1所示，所述个性化推荐方法包括：
[0057] S11：对用户购买的商品数据进行预处理，获取预处理结果；
[0058] S12：根据所述预处理结果构建商品用户倒排序和用户商品关联表；
[0059] S13：根据所述商品用户倒排序进行用户相似度计算处理，获取用户相似度矩阵；
[0060] S14：根据所述用户商品关联表进行特征向量提取处理，获取用户商品特征向量信息；
[0061] S15：根据所述用户相似度矩阵和所述用户商品特征向量信息对目标用户的用户商品特征向量信息进行修正，获取修正后的目标用户的用户商品特征向量信息；
[0062] S16：根据所述修正后的目标用户的用户商品特征向量信息向目标用户进行商品推送。
[0063] 对S11作进一步说明：
[0064] 对用户购买的商品数据进行预处理，获取预处理结果。
[0065] 首先获取数据库中每一条交易数据中的用户ID，商品ID，交易的积分值，区块链技术保证了每一笔交易的准确性，减少了后期数据预处理的工作；对上述中的数据进行冗余去除和错误数据去除等处理，并获取处理结果。
[0066] 对S12作进一步说明：
[0067] 对上述步骤中预处理后的数据进行核实，确定数据没有缺失并在有效数据范围内，根据记录中对提取的用户与商品关联表建立商品-用户倒排序表，为了建立邻近用户集模型做准备，并建立用户与商品关于积分的矩阵。
[0068] 对S13作进一步说明：
[0069] 根据所述商品用户倒排序进行用户相似度计算处理，获取用户相似度矩阵。
[0070] 进一步的，采用热门商品惩罚项改进余弦相似度公式对所述商品用户倒排序进行用户相似度计算处理，获取用户相似度矩阵和用户邻近的用户集。
[0071] 具体的，利用商品——用户倒排表，计算用户之间的相似度，构建用户相似度矩阵，目标用户的邻近用户集，即为与目标用户相似度最高K个用户组成的集合。
[0072] 对用户模型进行用户相似度计算，加入热门商品惩罚项改进余弦相似度公式，给定用户u和用户v，令N(u)表示用户u感兴趣的物品集合，N(v)表示用户v感兴趣的物品集合，N(i)表示对商品i有过行为的用户集合，用户u与用户i的相似度计算公式如下：
[0073]
[0074] T(u)表示u用户k个相似度最高的用户集合。
[0075] 对S14作进一步说明：
[0076] 根据所述用户商品关联表进行特征向量提取处理，获取用户商品特征向量信息。
[0077] 进一步的，采用所述用户商品关联表进行构建用户商品矩阵处理，获取用户商品矩阵；对所述用户商品矩阵进行变换，在商品矩阵变换过程中加入积分值惩罚项和热门商品惩罚项，获取用户商品对应的积分值；根据与用户感兴趣的物品集合相同大小的用户未有过行为的热门商品分集构建样本集；根据所述用户商品对应的积分值和所述样本集进行隐含主义分析，获取用户商品特征向量信息；所述用户商品特征向量信息包括用户特征向量信息和商品特征向量信息。
[0078] 具体的，对用户商品矩阵进行变换，加入积分值惩罚项和热门商品惩罚项，给定用户u，商品i和相应的积分值,N(i)表示对商品i有过行为的用户集合，变换后：
[0079]
[0080]
采样与N(u)(用户u感兴趣的物品集合)相同大小的用户u未有过行为的热门商品作为数据集作为样本集M(u)，为商品i单位积分值，u用户对样本集中商品i的兴趣值rui定义为：
[0081] rui＝-log(1+ri)*log(1+|N(i)|),i∈M(u)；
[0082] 利用正样本数据集与样本数据集建立用户与商品兴趣矩阵R,用户u对商品i的兴趣值为，得到用户——商品集K＝{(u,i)}隐语义模型通过如下公式计算用户u对商品i的兴趣：
[0083]
[0084] 通过最小化损失函数C来找到最合适参数p和q:
[0085]
[0086] 其中λ||pu||2+λ||qi||2为正则项，利用随机
梯度下降法最优化C，找到用户特征矩阵p和商品特征矩阵q，对C求偏导：
[0087]
[0088]
[0089]
[0090] 利用随机梯度下降法，得到
迭代公式，其中为学习速率：
[0091] puk＝puk+α(qikeui-λpuk)；
[0092] qik＝qik+α(pukeui-λqik)。
[0093] 对S15作进一步说明：
[0094] 根据所述用户相似度矩阵和所述用户商品特征向量信息对目标用户的用户商品特征向量信息进行修正，获取修正后的目标用户的用户商品特征向量信息。
[0095] 进一步的，采用所述用户相似度矩阵中K个相似度最高的用户集合、户特征向量信息和商品特征向量信息对目标用户的用户商品特征向量信息进行修正，获取修正后的目标用户的用户商品特征向量信息。
[0096] 具体的，T(u)为用户k个相似度最高的用户集合，采用上述用户相似度矩阵中K个相似度最高的用户集合、户特征向量信息和商品特征向量信息对目标用户的用户商品特征向量信息进行修正，即利用相似用户特征向量修正pu和相似度，计算修正量并修正pu：
[0097]
[0098] 根据上式，获取到修正量和修正后的目标用户的用户商品特征向量信息。
[0099] 对S16作进一步说明：
[0100] 根据所述修正后的目标用户的用户商品特征向量信息向目标用户进行商品推送。
[0101] 进一步的，利用修正值与所述用户商品特征向量信息进行目标用户对所有商品的感兴趣值计算，获取目标用户对所有商品的感兴趣值；对所述目标用户对所有商品的感兴趣值进行降序排序处理，获取顺序集合；根据所述顺序集合对目标用户未有过行为的物品向目标用户进行商品推送。
[0102] 利用pu和qi计算，用户对所有商品的兴趣值，并降序排列得到顺序集合R(u)，作为候选推荐集；其中：
[0103]
[0104] 通过上式计算，获得目标用户对所有商品的感兴趣值，并对目标用户对所有商品的感兴趣值进行降序排序处理，获取顺序集合，根据这个顺序集合向目标用户推荐商品。
[0105] 图2是本发明实施例中的基于区块链积分服务平台的个性化推荐系统的系统结构组成示意图，如图2所示，所述个性化推荐系统包括：
[0106] 预处理模块11：用于对用户购买的商品数据进行预处理，获取预处理结果；
[0107] 构建模块12：用于根据所述预处理结果构建商品用户倒排序和用户商品关联表；
[0108] 相似度计算模块13：用于根据所述商品用户倒排序进行用户相似度计算处理，获取用户相似度矩阵；
[0109] 特征向量提取模块14：用于根据所述用户商品关联表进行特征向量提取处理，获取用户商品特征向量信息；
[0110] 修正模块15：用于根据所述用户相似度矩阵和所述用户商品特征向量信息对目标用户的用户商品特征向量信息进行修正，获取修正后的目标用户的用户商品特征向量信息；
[0111] 推荐模块16：用于根据所述修正后的目标用户的用户商品特征向量信息向目标用户进行商品推送。
[0112] 优选地，所述相似度计算模块13包括：
[0113] 相似度计算单元：用于采用热门商品惩罚项改进余弦相似度公式对所述商品用户倒排序进行用户相似度计算处理，获取用户相似度矩阵和用户邻近的用户集。
[0114] 优选地，所述特征向量提取模块14包括：
[0115] 矩阵构建单元：用于采用所述用户商品关联表进行构建用户商品矩阵处理，获取用户商品矩阵；
[0116] 矩阵变换单元：用于对所述用户商品矩阵进行变换，在商品矩阵变换过程中加入积分值惩罚项和热门商品惩罚项，获取用户商品对应的积分值；
[0117] 样本集构建单元：用于根据与用户感兴趣的物品集合相同大小的用户未有过行为的热门商品分集构建样本集；
[0118] 隐含主义分析单元：用于根据所述用户商品对应的积分值和所述样本集进行隐含主义分析，获取用户商品特征向量信息；
[0119] 所述用户商品特征向量信息包括用户特征向量信息和商品特征向量信息。
[0120] 优选地，所述修正模块15包括：
[0121] 修正单元：用于采用所述用户相似度矩阵中K个相似度最高的用户集合、户特征向量信息和商品特征向量信息对目标用户的用户商品特征向量信息进行修正，获取修正后的目标用户的用户商品特征向量信息。
[0122] 优选地，所述推荐模块16包括
[0123] 计算单元：用于利用修正值与所述用户商品特征向量信息进行目标用户对所有商品的感兴趣值计算，获取目标用户对所有商品的感兴趣值；
[0124] 排序单元：用于对所述目标用户对所有商品的感兴趣值进行降序排序处理，获取顺序集合；
[0125] 推送单元：用于根据所述顺序集合对目标用户未有过行为的物品向目标用户进行商品推送。
[0126] 具体地，本发明实施例的系统相关功能模块的工作原理可参见方法实施例的相关描述，这里不再赘述。
[0127] 在本发明实施例中，通过本发明实施例有效地利用区块链技术带来的数据优势，用户积分交易数据的真实性和不可篡改性；同时平台积分“多方发行、自由流通”，保证了数据来源的广泛性和全面性；方法基于用户的邻近模型利用加入热门商品惩罚项的余弦相似度改进相似度定义，借鉴自然语言处理的隐语义模型挖掘用户与商品隐藏信息，融合基于用户的邻近模型和隐语义模型的优点，利用目标用户的近邻用户特征修正隐语义模型得到的用户特征，实现更精确的个性推荐。
[0128] 本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的
硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读
存储器(ROM，Read Only Memory)、
随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。
[0129] 另外，以上对本发明实施例所提供的一种基于区块链积分服务平台的个性化推荐方法及系统进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本
说明书内容不应理解为对本发明的限制。
