CN102542490A - 基于模型匹配的商品推荐方法 - Google Patents

Abstract

本发明公开了一种基于模型匹配的商品推荐方法，主要包括以下步骤：建立商品的描述模型，其中包括两个部分：文字介绍描述部分和属性信息部分；建立用户的偏好模型，用户偏好模型基于商品描述模型，它能将多个商品描述模型进行融合；计算商品模型和用户模型的相似度；根据相似度大小排序，对用户进行推荐。本发明能充分发掘用户的潜在兴趣，实现商品推荐的准确性。

Description

基于模型匹配的商品推荐方法

技术领域

本发明涉及计算机技术领域，尤其涉及一种适用电子商务网站的基于商品模型和用户模型匹配的商品推荐方法。

背景技术

近年来，随着计算机与网络技术的进步，电子商务得到了快速发展。电子商务凭借其方便、快捷、价廉、品类齐全等优势，市场份额逐年飙升。大型的电子商务网站往往销售海量的商品，而网站页面所能呈现给用户的商品是有限的，所以往往需要一个商品推荐系统，能根据用户的偏好，推荐最合适的商品给客户。商品推荐算法是整个商品推荐系统的核心，很大程度上决定了推荐系统的类型和性能优劣。

目前，对推荐系统一般可以分为两种：基于内容的推荐和协同推荐。基于内容的推荐是指根据用户在网站上浏览、选择的商品，推荐其它类似属性的商品的推荐方法。这种方法仅依赖商品-商品之间客观联系，通过提取每个商品的特征属性来表达商品内容，系统根据用户所浏览商品的历史记录以及商品属性来学习用户的兴趣，从而对用户推荐具备类似属性的商品。

协同推荐不同于基于内容的推荐，它是基于用户-用户的模式来推荐。用户所得到的推荐商品是系统从其他用户的购买行为获得的。比如，当用户选择某商品时，系统可以给出“购买该商品的客户同时购买了X商品”的信息，给出推荐的商品在属性上与用户浏览的商品不一定有相关性，而仅仅是因为其他客户的购买行为来得到此次推荐。

基于内容的推荐和协同推荐在不同的侧面上反映了用户的某种购物需求，但是上述推荐方法都没有考虑到商品-用户之间的内在关系。在很多时候，用户需求和商品属性之间的关联度比商品-商品或用户-用户之间的关系更能反映用户的实际需求。

发明内容

有鉴于此，一种能结合商品属性和用户需求的个性化商品推荐系统是十分有益的。

为了解决上述问题，本发明提供了一种基于商品模型和用户模型匹配的商品推荐方法，其技术方案包括：

1)建立商品模型，商品模型表示为：

G＝{GSyno，GAttr}

其中，GSyno是由描述该商品的一段文字介绍经过词法分析后得到的一个词库，GAttr是该商品的属性，它由多个[Key，Value]键值对所组成，其中一个Key对应的是一个Value集合：

2)建立用户模型，用户的模型基于商品模型，它由多个商品模型融合而成，用户模型表示为：

U＝{USyno，UAttr}

其中，USyno是包含用户所购买商品的全部Gsyno词库，即：

USyno＝∪Gsyno

UAttr是用户所购买商品的全部GAttr的集合，UAttr的表示方法如下：

UAttr＝{[Key，(Value，Weight)]，...}

其中Key和Value与GAttr一致，Weight是一个权重值，表示用户购买的多个商品拥有同样的属性值，Weight的值等于拥有同样属性值的商品数量；

3)相似性计算，基于商品模型U和用户模型G计算商品和用户的相似性；

4)根据相似性大小排序，推荐商品给用户。

本发明还可以通过如下途径强化推荐方法：

1)商品模型U和用户模型G的相似性计算方法如下：

SIM(G，U)＝a×SIMS(GSyno，USyno)+b×SIMA(GAttr，UAttr)

其中，a、b是常数，SIMS(GSyno，USyno)计算词库相似性，SIMA(GAttr，UAttr)计算属性相似性。

2)词库相似性计算函数表达式如下：

$\mathrm{SIMS}(\mathrm{GSyno},\mathrm{USyno})=\frac{{\mathrm{\Σ}}_n{w}_{i,G}\·w_{i,U}}{\sqrt{{\mathrm{\Σ}}_n{w_{i,G}}^2\·{\mathrm{\Σ}}_n{w_{i,U}}^2}}$

其中，w_i，G代表词语i在词库GSyno中出现的次数，w_i，U代表词语i在词库USyno中出现的次数。

3)属性相似性计算函数表达式如下：

$\mathrm{SIMA}(\mathrm{GAttr},\mathrm{UAttr})=\underset{\mathrm{key}}{\mathrm{\Σ}}\frac{{\mathrm{\Σ}}_{\mathrm{UAttr}\_\mathrm{value}\∩\mathrm{GAttr}\_\mathrm{value}}\mathrm{weight}}{{\mathrm{\Σ}}_{\mathrm{UAttr}\_\mathrm{value}}\mathrm{weight}}$

根据商品属性和用户属性项下的每一个key计算商品属性与用户属性共同拥有的value的权重值与用户属性下全部权重值之间的比值，其中∑_{UAttr_value} weight代表当前key下用户属性所对应的所有value的权重和，∑_{UAttr_value∩GAttr_value} weight代表当前key下用户属性与商品属性共同拥有的value的权重和。

上述基于商品模型和用户模型匹配的商品推荐方法能够实现用户需求和商品属性的内在关联，突破了传统推荐系统中仅能做商品-商品或用户-用户关联分析的局限性，为电子商务推荐系统带来了全新的用户体验。

附图说明

图1示出了基于模型匹配的商品推荐方法流程图。

具体实施方式

下面结合附图与具体实施方式对本发明做进一步详细描述：

图1示出了基于模型匹配的商品推荐方法步骤，主要包括：

步骤S100，建立商品模型。商品模型表示为：

G＝{GSyno，GAttr}

其中，GSyno是由描述该商品的一段文字介绍经过词法分析后得到的一个词库，GAttr是该商品的属性，它由多个[Key，Value]键值对所组成，其中一个Key对应的是一个Value集合。商品的描述来源于供应商或者生产商提供的文字材料或者网页介绍材料。商品属性采用电子商务网站的目录结构属性，同时加上如产地、供应商等各类信息，商品属性可以扩展。

步骤S101，建立用户模型。用户的模型基于商品模型，它由多个商品模型融合而成，用户模型表示为：

U＝{USyno，UAttr}

其中，USyno是包含用户所购买商品的全部Gsyno词库，即：

uSyno＝∪Gsyno

UAttr是用户所购买商品的全部GAttr的集合，UAttr的表示方法如下：

UAttr＝{[Key，(Value，Weight)]，...}

其中Key和Value与GAttr一致，Weight是一个权重值，表示用户购买的多个商品拥有同样的属性值，Weight的值等于拥有同样属性值的商品数量。

步骤S102，商品模型和用户模型的相似度匹配。商品模型U和用户模型G的相似性计算方法如下：

SIM(G，U)＝a×SIMS(GSyno，USyno)+b×SIMA(GAttr，UAttr)

其中，a、b是常数，SIMS(GSyno，USyno)计算词库相似性，SIMA(GAttr，UAttr)计算属性相似性。

词库相似性计算函数表达式如下：

$\mathrm{SIMS}(\mathrm{GSyno},\mathrm{USyno})=\frac{{\mathrm{\Σ}}_n{w}_{i,G}\·w_{i,U}}{\sqrt{{\mathrm{\Σ}}_n{w_{i,G}}^2\·{\mathrm{\Σ}}_n{w_{i,U}}^2}}$

其中，w_i，G代表词语i在词库GSyno中出现的次数，w_i，U代表词语i在词库USyno中出现的次数。

属性相似性计算函数表达式如下：

$\mathrm{SIMA}(\mathrm{GAttr},\mathrm{UAttr})=\underset{\mathrm{key}}{\mathrm{\Σ}}\frac{{\mathrm{\Σ}}_{\mathrm{UAttr}\_\mathrm{value}\∩\mathrm{GAttr}\_\mathrm{value}}\mathrm{weight}}{{\mathrm{\Σ}}_{\mathrm{UAttr}\_\mathrm{value}}\mathrm{weight}}$

根据商品属性和用户属性项下的每一个key计算商品属性与用户属性共同拥有的value的权重值与用户属性下全部权重值之间的比值，其中∑_{UAttr_value} weight代表当前key下用户属性所对应的所有value的权重和，∑_{UAttr_value∩GAttr_value} weight代表当前key下用户属性与商品属性共同拥有的value的权重和。

步骤S103，根据相似性排名，取排名靠前的商品对当前用户进行推荐。

Claims (4)

1.一种用于电子商务网站的商品推荐方法，其特征在于，包括如下步骤：

1)建立商品模型，商品模型表示为：

G＝{GSyno，GAttr}

其中，GSyno是由描述该商品的一段文字介绍经过词法分析后得到的一个词库，GAttr是该商品的属性，它由多个[Key，Value]键值对所组成，其中一个Key对应的是一个Value集合；

2)建立用户模型，用户的模型基于商品模型，它由多个商品模型融合而成，用户模型表示为：

U＝{USyno，UAttr}

其中，USyno是包含用户所购买商品的全部Gsyno词库，即：

USyno＝∪Gsyno

UAttr是用户所购买商品的全部GAttr的集合，UAttr的表示方法如下：

UAttr＝{[Key，(Value，Weight)]，...}

其中Key和Value与GAttr一致，Weight是一个权重值，表示用户购买的多个商品拥有同样的属性值，Weight的值等于拥有同样属性值的商品数量；

3)相似性计算，基于商品模型U和用户模型G计算商品和用户的相似性；

4)根据相似性大小排序，推荐商品给用户。

2.根据权利要求1所述的方法，其特征在于，商品模型U和用户模型G的相似性计算方法如下：

SIM(G，U)＝a×SIMS(GSyno，USyno)+b×SIMA(GAttr，UAttr)

其中，a、b是常数，SIMS(GSyno，USyno)计算词库相似性，SIMA(GAttr，UAttr)计算属性相似性。

3.根据权利要求1或2所述的方法，其特征在于，词库相似性计算函数表达式如下：

$\mathrm{SIMS}(\mathrm{GSyno},\mathrm{USyno})=\frac{{\mathrm{\Σ}}_n{w}_{i,G}\·w_{i,U}}{\sqrt{{\mathrm{\Σ}}_n{w_{i,G}}^2\·{\mathrm{\Σ}}_n{w_{i,U}}^2}}$

其中，w_i，G代表词语i在词库GSyno中出现的次数，w_i，U代表词语i在词库USyno中出现的次数。

4.根据权利要求1或2所述的方法，其特征在于，属性相似性计算函数表达式如下：

$\mathrm{SIMA}(\mathrm{GAttr},\mathrm{UAttr})=\underset{\mathrm{key}}{\mathrm{\Σ}}\frac{{\mathrm{\Σ}}_{\mathrm{UAttr}\_\mathrm{value}\∩\mathrm{GAttr}\_\mathrm{value}}\mathrm{weight}}{{\mathrm{\Σ}}_{\mathrm{UAttr}\_\mathrm{value}}\mathrm{weight}}$

根据商品属性和用户属性项下的每一个key计算商品属性与用户属性共同拥有的value的权重值与用户属性下全部权重值之间的比值，其中∑_{UAttr_value} weight代表当前key下用户属性所对应的所有value的权重和，∑_{UAttr_value∩GAttr_value} weight代表当前key下用户属性与商品属性共同拥有的value的权重和。