CN102419779B - 一种基于属性排序的商品个性化搜索方法及装置 - Google Patents

Abstract

本发明属于电子商务技术领域，涉及一种电子商务活动中商品个性化搜索方法和装置，尤其是一种基于属性排序的商品个性化搜索方法及装置，用于网络购物时用户利用计算机搜索寻找所需商品，通过分析来自互联网的电子商务数据，收集和分析用户对商品属性信息的兴趣，将用户关注的商品属性转化为数据挖掘中的属性排序知识，然后融合属性排序知识作为先验知识，再利用半监督聚类的方法进行聚类，最后通过对聚类结果中的商品进行排序，将商品搜索结果呈现给用户以指导用户对商品进行选择；其工艺过程简单，操作方便，信息采集准确，排列顺序科学，搜索速度快，装置结构简单，操作灵活，可替代现有的电子商务中的商品搜索技术和设备。

Description

一种基于属性排序的商品个性化搜索方法及装置

技术领域：

本发明属于电子商务(计算机管理)技术领域，涉及一种电子商务活动中商品个性化搜索方法和装置，尤其是一种基于属性排序的商品个性化搜索方法及装置，用于网络购物时用户利用计算机搜索寻找所需商品。

背景技术：

随着网络业务的扩张，电子商务中网上商品的种类和数量逐渐增多，搜索引擎作为用户和商品之间的桥梁，是购买者在收集、对比和分析商品信息时所使用的重要工具。目前，所使用的绝大多数搜索引擎都是基于关键字的，用户输入关键字，然后系统根据简单的关键字匹配策略进行查找，这种方法得到的结果过于庞大，同时，用户通常很难用关键字来真实的表达自己的检索需求；由于消费者的消费行为逐渐趋于理性化，在面对琳琅满目种类繁多的商品时，通常期望搜集大量相关信息，比较各种同类产品，降低消费风险，做出合理的购买决策。如果电子商务系统能为顾客提供个性化的搜索方式，方便顾客查找、对比和分析已有商品，能大大激发顾客的购买欲望，销售企业也将实现丰厚的利润。个性化搜索是通过收集和分析用户信息来学习用户的兴趣和行为，从而实现个性化搜索。近年来，许多学者已经围绕个性化搜索展开了相关研究，但现有的个性化搜索系统的研究都很少考虑到商品的属性信息和商务网站上顾客和商品的属性之间的关系。商品具有价格、品牌、销售量、大小或者尺寸等很多属性，用户在购买商品时，往往会通过描述商品的某些属性来表达自己想要购买什么类型的商品。而且顾客和商品属性之间有着复杂的关系，顾客购买商品，商品具有商品属性，顾客与商品之间发生直接关系。顾客通过查看商品属性来决定商品是否能够满足自己的需求，这样顾客与商品属性之间具有间接关系，商品属性是用户非常关心的内容，是用户选购该类商品的依据。近年来，大多研究表明采用半监督学习策略，融合先验信息以辅助聚类可以有效的提高聚类结果，然而很少有将方法应用到商品个性化搜索中，为了实现商品的个性化搜索，人们可以通过收集和分析用户信息来学习用户兴趣，将这些信息作为先验知识融合到聚类结果中；先验信息包含属性排序形式的属性层信息和成对约束形式的实例层信息，文献[Jun Sun，Wenbo Zhao，Jiangwei Xue，Zhiyong Shen，Yi-Dong Shen.Clustering with feature order preferences.PRICAI 2008，pp.382-393]定义的属性排序信息用(s，t，δ)(δ＞0)，ws-wt≥δ来进行表示，即属性s的权重比属性t的权重大δ，说明属性s比t要重要得多，利用获得的商品属性排序知识指导聚类过程，将商品根据用户的兴趣信息作指导，聚类结果将会更能满足顾客的需求。

发明内容：

本发明的目的在于克服现有技术存在的缺点，寻求设计和提供一种基于属性排序的电子商务场合使用的商品个性化搜索方法及其装置，利用属性排序信息来提高聚类结果的准确性。

为了实现上述目的，本发明的方法包括以下步骤：

A、用户从自定义网页浏览器对电子商务网站商品属性信息进行选择；

B、对用户选择的商品属性进行排序；

C、融合商品属性排序信息进行聚类；

D、对聚类结果商品进行排序；

E、将商品排序结果呈现给用户。

本发明实现商品个性化搜索方法的装置分为客户端和服务器端两个功能结构部分，各模块单元电信息连通构成一体结构装置，客户端包括自定义网页浏览器、属性选择模块和个性化搜索结果单元；服务器端包括商品数据库、属性排序聚类模块和聚类结果排序模块，其中属性排序聚类模块包括属性排序模块和融合属性排序聚类模块；自定义网页浏览器实现用户查看、搜索商品信息并记录用户查询信息；属性选择模块实现用户对感兴趣的商品类别进行属性选择；商品数据库存储电子商务网站商品的所有信息，包括商品的品牌、价格、规格的基础信息以及商品的购买信息和评论信息；属性排序聚类模块实现对用户选择的商品属性进行排序，转化成属性排序知识集合，然后融合到聚类算法中实现对商品的聚类划分；聚类结果排序模块实现对聚类后的结果进行规整和排序，按照排序规则对商品列表进行排序；在个性化搜索结果单元中得到最终的搜索结果；由属性排序模块和融合属性排序聚类模块组成的属性排序聚类模块实现用户在选择商品属性后，服务器端响应属性排序模块，对商品属性进行计算，并得到商品属性知识的排序集合；在得到属性排序集合后，融合属性排序聚类模块将属性排序集合融合到聚类算法中对商品进行聚类划分，并返回聚类后的划分结果；各功能模块或单元协调工作实现商品的个性化搜索。

本发明所述搜索方法及装置，通过分析来自互联网的电子商务数据，收集和分析用户对商品属性信息的兴趣，将用户关注的商品属性转化为数据挖掘中的属性排序知识，然后融合这些属性排序知识一起作为先验知识，再利用半监督聚类的方法进行聚类，最后通过对聚类结果中的商品进行排序，将商品搜索结果呈现给用户以指导用户对商品进行选择。

本发明与现有技术相比，其工艺过程简单，使用操作方便，商品信息采集准确，排列顺序科学合理，搜索速度快，其使用的装置结构简单，操作灵活，可以替代现有的电子商务中的商品搜索技术和设备。

附图说明：

图1为本发明涉及的搜索工作流程示意框图。

图2为本发明方法实施的装置结构原理示意图。

具体实施方式：

下面结合附图并通过实施例对本发明作进一步描述。

实施例：

本实施例的电子商务网站中商品信息和顾客信息都存储在服务器端，用户通过客户端从自定义浏览器对商品进行搜索，调用服务器端的后台程序对商品进行选择，然后呈现给用户；其具体包括以下几个步骤：

步骤101，用户从自定义网页浏览器201对电子商务网站发起访问，并通过查询搜索选择关注的商品属性信息作为搜索条件；例如，用户要购买一台笔记本电脑，首先访问电子商务网站，选择笔记本电脑商品类别，然后根据个人关注程度选择笔记本电脑属性中的品牌、价格、CPU类型、内存大小和硬盘容量这几个属性作为搜索条件；

步骤102，对用户选择的商品属性进行排序；用户只知道自己关注商品的某几个属性，出于对这几个属性综合考虑，对于大多数用户来讲，很难区分商品的一个属性究竟要比另一个属性重要多少，所以要对商品的属性信息进行排序；

[J Sun，W.Zhao，J.Xue Z.Shen，and Y.Shen.Clustering withFeature Order Preferences.In：proc.of PRICAI 2008.Trends in ArtificialIntelligence，382-393，2008]文献中提出的利用属性排序辅助聚类能够很好的解决好聚类划分问题，其中，对属性排序的定义如下：属性排序：属性排序集合P表示所有满足属性排序关系p_i＝(s_i，t_i，δ_i)，(i＝1，2，...，m)的集合，即

P_i＝(s_i，t_i，δ_i)；属性排序表达了两属性重要性的差异，(s，t，δ)(δ＞0)代表属性s比属性t重要得多，而(s，t，-ε)和(t，s，-ε)(ε是一个很小的正数)代表属性s和属性t的重要性相似；当用户选择了比较关注的属性后，采用类似于[A.Banerjee，S.Merugu，I.S.Dhillon，et al.Clustering with bregman divergences[J].Journal of Machine Learning Research，2005，6：1705-1749]的方法对Sun的方法进行改进，定义用户关注的属性信息为(s，δ)，即属性权重w_s≥δ，并设置δ为一个较大的值，属性排序的惩罚项用max(δ-w_s，0)表示；通过上述方法，在上述实例中获取了用户关注笔记本电脑商品的几个属性后，就可以得到这些属性的属性排序集合P；

步骤103，融合商品属性排序信息进行聚类；在引入定义好的属性排序集合P，将Sun文中给出的聚类目标函数改写成如下的形式：

${\min }_{w,\mathrm{\μ},\mathrm{\π}}\frac{1}{n}\underset{c=1}{\overset{k}{\mathrm{\Σ}}}\underset{x_i\∈{\mathrm{\π}}_c}{\mathrm{\Σ}}{D}_w(x_i,{\mathrm{\μ}}_c)+{\mathrm{\λ}}_1\underset{(s,\mathrm{\δ})\∈p}{\mathrm{\Σ}}\max (\mathrm{\δ}-w_s,0)-{\mathrm{\λ}}_{2}H\left(w\right)$

subject to：w∈Δd

w_s≥δ， $\∀p=(s,\mathrm{\δ})\∈P$

目标函数第一项以最小化每一类中所有商品到簇中心之间的距离为目标，通过参数化的距离度量把相似的商品划分到同一个类别中；由于采用基于距离度量的软约束策略，第二项为商品属性排序的惩罚项，对属性排序知识的满足程度越高，惩罚项的值越小，反之越大。这样就把获取的用户比较关注的商品属性信息引入到聚类中，用这种信息指导聚类，目标函数值的大小反映了每次聚类的好差程度；添加了商品属性排序知识后，为了避免可能出现的不确定性，尽量保证数据的一致性添加第三项规整项；使用l2熵作为规整项，令

结合上述方法，在已知商品数据集X和初始属性权重

下(其中d为一个常数)，就可以利用商品的属性排序集合P对商品进行划分，具体步骤如下：

(1)随机选取k个商品作为簇中心

并令每个商品的初始属性权重为 $w=w_{\mathrm{init}}=[\frac{1}{d},...,\frac{1}{d}];$

(2)根据商品的初始属性权重和选取的簇中心

为每个商品指派簇标签

也就是将所有的商品划分到k个不同的类别中，这样每个商品就具有了类别信息；

(3)根据第(2)步中得到的商品簇标签

重新计算商品的簇中心

以使每类中所有商品到簇中心的距离之和尽可能的小；

(4)根据第(2)步中求得的商品簇标签

和第(3)步中求得的商品簇中心

以及获取的用户关注属性的属性排序集合P，求解优化问题得到新的属性权重w，并且对距离度量进行优化；

(5)重复步骤(2)(3)(4)，直到商品的聚类结果不再发生变化为止，并返回得到的商品聚类结果划分

通过聚类划分，实例中数据库中所有笔记本电脑作为商品数据集X，并且每个商品赋予一个初始权重，然后通过融合得到的属性排序集合P，作为先验知识指导上述聚类过程，最终得到笔记本电脑的划分结果；

步骤104，对聚类结果商品进行排序；通过融合属性排序聚类，得到每个商品划分簇中心，通过计算商品到簇中心的距离，对商品进行排序；优选商品到簇中心的距离从小到大排序；实例中，笔记本电脑划分到不同的簇之后，通过计算每个商品到这个簇中心的距离，然后对距离进行升序排序；

步骤105，将商品排序结果呈现给用户；对商品划分并排序后，客户端相应服务器的请求，将搜索结果呈现给用户，实例中，返回的是笔记本电脑经聚类并排序后的商品列表。

本实施例首先获取用户从自定义网页浏览器选择的商品属性，然后对商品属性进行排序，融合得到的属性排序集合到聚类算法中对商品进行聚类，接着对聚类结果中的商品进行排序；最终将商品列表呈现给用户。

本实施例提供的基于属性排序的商品个性化搜索装置包括：客户端的自定义网页浏览器201、属性选择模块202、个性化搜索结果单元206；服务器端的商品数据库203、属性排序聚类模块204、聚类结果排序模块205；其中，自定义网页浏览器201用于用户查看、搜索商品信息并记录用户查询信息；属性选择模块202用于用户对感兴趣的商品类别进行属性选择；商品数据库203存储了电子商务网站商品的所有信息，包括商品的品牌、价格、规格等基础信息以及商品的购买信息、评论信息；属性排序聚类模块204用于对用户选择的商品属性进行排序，转化成属性排序知识集合，然后融合到聚类算法中实现对商品的聚类划分；聚类结果排序模块205用于对聚类后的结果进行规整和排序，按照排序规则对商品列表进行排序；在个性化搜索结果单元206中可以得到最终的搜索结果；属性排序聚类模块204还包括：属性排序模块207和融合属性排序聚类模块208，用户在选择商品属性后，服务器端响应属性排序模块207，对商品属性进行计算，并得到商品属性知识的排序集合；在得到属性排序集合后，融合属性排序聚类模块208将属性排序集合融合到聚类算法中对商品进行聚类划分，并返回聚类后的划分结果。

本实施例涉及的搜索装置按照附图2所示的结构，将各模块或单元根据电学原理电信息连通组合成能够实现基于属性排序的商品个性化搜索方法的整体装置并装入对应的软件，接入电源后可以运行。

Claims (1)

1.一种基于属性排序的商品个性化搜索方法，其特征在于包括以下步骤：

A、用户从自定义网页浏览器对电子商务网站发起访问，并通过查询搜索选择关注的商品属性信息作为搜索条件；

B、对用户选择的商品属性进行排序；定义用户关注的属性信息为(s,δ)，即属性权重w_s≥δ，设置δ为一个较大的值，属性排序的惩罚项用max(δ-w_s,0)表示；通过上述方法，得到商品属性排序集合P；属性排序集合P表示所有满足属性排序关系p_i=(s_i,t_i,δ_i)，（i=1,2,...,m）的集合，即

P_i=(s_i,t_i,δ_i)；属性排序表达了两属性重要性的差异，(s,t,δ)（δ>0）代表属性s比属性t重要得多，而(s,t,-ε)和(t,s,-ε)代表属性s和属性t的重要性相似，ε是一个很小的正数；

C、融合商品属性排序信息进行聚类；在引入定义好的属性排序集合P，聚类目标函数写成如下的形式：

${\min }_{w,\mathrm{\μ},\mathrm{\π}}\frac{1}{n}\underset{c=1}{\overset{k}{\mathrm{\Σ}}}\underset{x_i\∈{\mathrm{\π}}_c}{\mathrm{\Σ}}{D}_w(x_i,{\mathrm{\μ}}_c)+{\mathrm{\λ}}_1\underset{(s,\mathrm{\δ})\∈p}{\mathrm{\Σ}}\max (\mathrm{\δ}-w_s,0)-{\mathrm{\λ}}_{2}H\left(w\right)$

subject to：w∈△d

$w_s\≥\mathrm{\δ},\∀p=(s,\mathrm{\δ})\∈P$

目标函数第一项以最小化每一类中所有商品到簇中心之间的距离为目标，通过参数化的距离度量把相似的商品划分到同一个类别中；采用基于距离度量的软约束策略，第二项为商品属性排序的惩罚项，对属性排序知识的满足程度越高，惩罚项的值越小，反之越大；把获取的用户关注的商品属性信息引入到聚类中，用这种商品属性信息指导聚类，目标函数值的大小反映每次聚类的好差程度；添加商品属性排序知识后，避免出现不确定性，保证数据的一致性添加第三项规整项；使用l2熵作为规整项，令

结合上述方法，在已知商品数据集X和初始属性权重

下，利用商品的属性排序集合P对商品进行划分，其中d为一个常数，具体步骤如下：

(1)随机选取k个商品作为簇中心并令每个商品的初始属性权重为 $w=w_{\mathrm{init}}=[\frac{1}{d},...,\frac{1}{d}];$

(2)根据商品的初始属性权重

和选取的簇中心

为每个商品指派簇标签

将所有的商品划分到k个不同的类别中，使每个商品具有类别信息；

(3)根据第(2)步中得到的商品簇标签

重新计算商品的簇中心以使每类中所有商品到簇中心的距离之和尽可能的小；

(4)根据第(2)步中求得的商品簇标签

和第(3)步中求得的商品簇中心

以及获取的用户关注属性的属性排序集合P，求解优化得到新的属性权重w，并且对距离度量进行优化；

(5)重复步骤(2)(3)(4)，直到商品的聚类结果不再发生变化为止，并返回得到的商品聚类结果划分

通过聚类划分使每个商品赋予一个初始权重，然后通过融合得到的属性排序集合P，作为先验知识指导上述聚类过程，最终得到划分结果；

D、对聚类结果商品进行排序；通过融合属性排序聚类，得到每个商品划分簇中心，通过计算商品到簇中心的距离，对商品进行排序；选商品到簇中心的距离从小到大排序；

E、将商品排序结果呈现给用户；对商品划分并排序后，客户端相应服务器的请求，将搜索结果呈现给用户。

Images