CN102509233A - 一种基于用户网上动作信息的推荐方法 - Google Patents

Abstract

本发明涉及一种用于电子商务交易系统的推荐方法,本发明利用电子商务用户的网上动作信息，运用合理推理的方式了解用户的真实需求，并向用户推荐产品。该发明的特点包括：首先对用户的网页点击行为的时间点进行采集和记录，然后利用该时间点分析用户网页的兴趣程度。用户的兴趣程度通过关键词及其权重来描述，然后根据关键词权重给用户推荐商品。

Description

一种基于用户网上动作信息的推荐方法

技术领域

本发明涉及电子商务系统技术领域，更具体地涉及一种基于用户网上动作信息的推荐方法。

背景技术

电子商务在日常的商务行为和交易行为中的比重越来越大，也将成为未来商务活动的主要形式之一。目前电子商务系统主要关注交易环节，即模拟传统商务中的商品展示、购物车管理、订单管理、订单结算、电子支付和物流过程管理等，而对于交易前的商品促销过程还相对不足。在电子商务活动中，由于产品的种类繁多，而且新产品层出不穷，消费者在众多产品挑选时可能出现无所适从的情况，所以电子商务系统不应该仅仅模拟交易流程，还应该能够促进交易的达成，所以未来电子商务要有方向性的突破，就需要具备了解用户需求并提供准确产品的能力，这些都有赖于推荐系统的发展。

正因如此，国内外的电子商务理论研究者和实践者非常重视这方面的研究。经过近二十年的发展，推荐技术已经有了很大的进步，也给电子商务系统带来了巨大的商业利益。就现有的推荐技术的理论进展和实践运用来看，推荐技术可以分为三类，即基于内容相似性、用户协作和混和推荐技术(曾春, 刑春晓 et al. 2002; Albadvi and Shahbazi 2009; 黄文荣 and 周长征 2009)。

基于内容相似性的推荐技术是通过推荐给用户与他过去的偏好相似的产品进行的，所以这种推荐技术的关键是研究如何发现和比较“内容/产品”之间的关联性和相似性，然后将和过去所喜欢的东西最相似的东西推荐给被推荐者（Adomavicius和Tuzhilin，2005）。该方式的经典做法是通过多个“关键词”及其权重为“内容/产品”构建描述文件（表现为向量），然后通过计算向量之间的相似度来描述和比较不同的“内容/产品”之间的相似性。其中关键词的权重可用的方法很多，运用最广泛的是词频/反向文档频率法（TF-IDF），计算向量之间的相似度也有多种方法可以运用，向量余弦法是最常用的一种（Michael和Daniel，1997）。

基于用户协作的推荐技术是通过推荐给用户与他最相似的用户过去所喜欢的产品进行的，所以这种推荐技术的关键是如何发现和比较“用户”之间的关联性和相似性，进而找到最相似的用户，并将最相似用户所喜欢的东西推荐给被推荐者（Xiaoyuan和Taghi，2009）。

由于基于内容相似性的推荐技术和基于用户协作的推荐技术都存在很大的局限性，所以研究者尝试将二者结合起来进行混合推荐的办法（Mohammad等，2008）。由于混合推荐技术同时结合了两种推荐技术的优势较单独的一种推荐技术有更高的准确性（Adomavicius和Tuzhilin，2005）。

推荐系统虽然需要借助于数据挖掘的理论和工具，但是推荐系统不是数据挖掘系统的简单运用。推荐系统的目的是运用信息技术在更少代价基础上实现更高效的用户需求和产品之间的匹配。所以，对推荐系统的研究应该建立在了解和掌握用户需求的基础上，特别是电子商务环境下消费者需求特征和需求模式识别的研究基础上。但是，直接对用户需求的了解比较困难，需要借助消费者心理学和行为学的理论，同时结合电子商务环境下用户的行为特征以及信息技术自身的特点进行规划才能更有效的挖掘用户的内在需求。所以，目前的推荐系统多数不是以直接的方式了解用户的需求，并因此识别用户的特征和需求模式，而是以间接的方式完成。这样，推荐系统提供的推荐商品的准确度很低，推荐系统应该克服这种缺陷，加强用户需求的识别能力，提高推荐系统的准确度。

发明内容

本发明就是为了解决以上缺陷的，其目的是提供一种基于用户网上动作信息的推荐方法，能够自动捕捉用户的网上浏览记录，即用户浏览特定网页的时间长度和距推荐时点的长度，并将网页保护的关键词转换为用户的关键词，形成用户关键词向量。随着用户对网站网页的不断浏览，系统能够不断地更新用户的关键词向量。实际上，该关键词向量反应了用户的内在的需求。通过用户关键词向量和产品的关键词向量的相关程度，系统就能够为用户推荐需要的产品。从而节约用户的产品搜索时间，为用户创造更多价值。

一种基于用户网上动作信息的推荐方法，其特征在于，包括如下步骤：

记录用户浏览某个网页的打开时间和离开时间，计算浏览的时间长短和离推荐时点的滞后时间长度；利用浏览网页对应的关键词和浏览行为收集、更新和排序反应用户需求的关键词列表；利用用户关键词列表为用户推荐商品。

根据嵌入现有网页的代码，收集用户的进入页面的时间和退出该网页的信息。

页面对应有该页面信息的关键词，当用户浏览该页面时，该用户就拥有了该页面的关键词，而关键词的权重取决于用户浏览该页面的时间长度和离推荐时间点的长度。

系统能够不断地收集用户的网络动作，并不断地调整关键词的数量和权重，从而形成一个用户关键词向量。

系统自动根据用户的关键词向量，向用户推荐和该关键词向量相似度最高的产品。

通过以下的描述并结合附图，本发明将变得更加清晰，这些附图用于解释本发明的实施例。

附图说明

下面结合附图对本发明作进一步详述。

图1为本发明基于用户网上动作信息的推荐方法的原理流程图。

图2为本发明基于用户网上动作信息的推荐方法的结构框图。

具体实施方式

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他实施例，都属于本发明保护的范围。

图1展示了本发明基于用户网上动作信息的推荐方法实施例的原理。如图1所示，所述基于用户网上动作信息的推荐方法包括如下步骤：

S101记录用户浏览过的网页的进入时间和退出时间。具体在本步骤中，系统以流水账的方式记录用户浏览网页的具体的网络地址、IP地址、进入时间、退出时间以及和该用户信息数据库相关联的用户ID信息等，为后面的推荐过程提供基础的数据。

S102提取网页的关键词。具体在本步骤中，不管用户浏览的是产品的网页还是其他信息类网页（如行业新闻），该网页都包含最能描述该网页特征的关键词。关键词可以是人工提取出来的，也可以是通过电脑程序从网页信息中自动提取出来。网页关键词的其中一个作用是为后续步骤中建立用户关键词向量提供基础。同时，也是产品建立产品关键词向量的基础。

S103根据浏览时长和关键词建立用户关键词向量。具体在本步骤中，当需要向用户推荐产品时，系统根据S101的用户浏览记录中的流水账，按照每条访问记录的时长和距离推荐时点的时间长度为基础，赋予该记录中的网页关键词（S102提取的）权重，并将所有的该用户的流水记录的关键词进行合并，获得用户关键词向量。用户关键词向量会随着用户访问的增加而不断得到更新。在实际运用中可以获取权重最大的特定数量的关键词作为向量长度（例如50个），而不必是所有的关键词。

S104匹配用户关键词向量和产品关键词向量，找到相似度最高的产品。具体在本步骤中，用户关键词向量和产品关键词向量之间的相关性计算可以采用不同的方式，比如使用夹角余弦值就是其中的一种方式：

                                                 

  其中w_i表示关键词k_i的合计权重，w_i,d表示用户的关键词k_i的合计权重，w_i,c表示产品的关键词k_i的合计权重。

S105在网页或者邮件中向用户推荐产品。具体在本步骤中，为了提高精确度和推荐产品的多样化，可以按照不同的产品分类，选择相似度最高的若干数量（例如5个）的产品进行推荐。

S106收集用户对推荐产品的反馈，进一步更新用户关键词向量。具体在本步骤中，当用户收到或者看到推荐产品后，可能会点击或者不点击推荐的产品，该子系统收集用户的反馈，然后和S101类似，对用户的行为进行收集，并对用户的关键词向量进行更新。

S107修改推荐产品列表。具体在本步骤中，根据更新后的用户关键词向量重新计算推荐产品，进行推荐。

由以上可以看出，本发明基于用户网上动作信息的推荐方法利用用户的网络行为，通过行为的收集、记录、分析和推理，发现用户的内在需求，通过关键词向量的方式对用户的内在需求进行表达，然后通过与描述产品特征的关键词向量进行匹配，从而完成更高精确度的推荐。值得一提的是，用户的关键词向量和产品的关键词向量共用一个关键词数据库，这样可提高关键词匹配的精确度。

图2展示了本发明基于用户网上动作信息的推荐方法实施例的结构示意图。如图2所示，所述基于用户网上动作信息的推荐方法包括用户浏览记录子系统100、用户关键词向量管理子系统200、关键词管理子系统300及推荐过程管理子系统400。其中，所述用户浏览记录子系统100用于跟踪和记录用户的网上动作和行为；所述用户关键词向量管理子系统200用于用户关键词向量的创建、整理、计算、存储和更新；所述关键词管理子系统300用于网页关键词库的提取、整理、存储和更新；所述推荐过程管理子系统400用于产品/用户关键词向量相关性的计算和对用户进行推荐、推荐内容的整理和推荐后跟踪反馈。

具体地，所述用户浏览记录子系统100包括嵌入式网页浏览记录跟踪程序110和用户浏览记录数据库120。浏览记录子系统100采用嵌入网页代码（比如Javascript脚本）等方式跟踪用户的页面进入时间、页面退出时间，并将相关的页面地址，页面的关键信息、关键词，页面进入、退出时间等进行流水式记录，记入用户浏览记录数据库120。用户浏览记录数据库120可以是任何实体和文件形式，如文本文件或SQL数据库等。

所述用户关键词向量管理子系统200包括用户向量计算、存储和更新程序210和用户向量数据库220。用户向量计算、存储和更新程序210能够定期地提取该用户在浏览记录子系统100的数据，以用户浏览网页的时长、距离推荐时间的时间长度和反映网页关键信息的关键词为基础，整理和计算反映用户内在需求的用户关键词向量，并将该向量存入用户向量数据库220。由于用户的浏览记录不断地增加，也反映用户的需求在不断的变化。用户关键词向量管理子系统200会根据用户的浏览记录不断地更新用户关键词向量数据库。

所述关键词管理子系统300包括网页关键词维护模块310和产品关键词维护模块320。网页关键词维护模块310用来对网站中的所有网页（如网站新闻等）进行关键信息整理，提取反映该网页内容的关键词，并将关键词存入关键词数据库。产品关键词维护模块310用来对网站中的所有产品网页进行关键信息整理，提取反映该产品内容的关键词，并将关键词存入关键词数据库。同时产品关键词维护模块310根据产品的特征和关键词整理形成产品关键词向量，这个过程可以是程序自动形成，也可以是手工整理。这两个模块提取的关键词可以共享一个关键词数据库，也可以独立存在。

所述推荐过程管理子系统400包括产品/用户关键词向量相关度计算模块410和推荐产品列表管理模块420。产品/用户关键词向量相关度计算模块410运用用户关键词向量管理子系统200得到的用户关键词向量和关键词管理子系统300中的产品关键词向量，计算向量的相关性，然后获取相关性最高的产品对用户进行推荐。推荐产品列表管理模块420利用产品/用户关键词向量相关度计算模块410计算的相关度数据，结合产品类别信息和用户其他的相关信息（比如用户的年龄、性别、受教育水平等）为用户提供不同类型的产品推荐。并且对用户的推荐产品的反馈信息（比如点击或者不点击推荐列表中的产品）进行跟踪，并触发用户关键词向量管理子系统200对用户关键词列表进行更新，并提供新的推荐产品列表。

由上可以看出，本发明基于用户网上动作信息的推荐方法运用了用户的网上东西和行为，特别是浏览行为，通过用户浏览记录子系统100跟踪、记录、分析用户的网上行为，进而结合关键词管理子系统300，使用用户关键词向量管理子系统200计算、存储和更新用户关键词向量。最后通过推荐过程管理子系统400向用户进行推荐，并且不断地优化推荐结果。

以上结合最佳实施例对本发明进行了描述，但本发明并不局限于以上揭示的实施例，而应当涵盖各种根据本发明的本质进行的修改、等效组合。

Claims (5)

1.一种基于用户网上动作信息的推荐方法，其特征在于，包括如下步骤：

记录用户浏览某个网页的打开时间和离开时间，计算浏览的时间长短和离推荐时点的滞后时间长度；

利用浏览网页对应的关键词和浏览行为收集、更新和排序反应用户需求的关键词列表；

利用用户关键词列表为用户推荐商品。

2.如权利要求1所述的基于用户网上动作信息的推荐方法，其特征在于，根据嵌入现有网页的代码，收集用户的进入页面的时间和退出该网页的信息。

3.如权利要求1所述的基于用户网上动作信息的推荐方法，其特征在于，页面对应有该页面信息的关键词，当用户浏览该页面时，该用户就拥有了该页面的关键词，而关键词的权重取决于用户浏览该页面的时间长度和离推荐时间点的长度。

4.如权利要求1所述的基于用户网上动作信息的推荐方法，其特征在于，系统能够不断地收集用户的网络动作，并不断地调整关键词的数量和权重，从而形成一个用户关键词向量。

5.如权利要求1所述的基于用户网上动作信息的推荐方法，其特征在于，系统自动根据用户的关键词向量，向用户推荐和该关键词向量相似度最高的产品。

Images