CN102722842A - 一种基于客户行为的商品推荐优化方法 - Google Patents

Abstract

本发明公开了一种基于客户行为的商品推荐优化方法，包括以下步骤：步骤1：初始化；步骤2：根据畅销商品，调整注册客户的购买兴趣配置文件；步骤3：根据客户对推荐商品点击，调整注册客户的购买兴趣配置文件；步骤4：根据客户对推荐商品的购买，调整注册客户的购买兴趣配置文件；步骤5：根据客户低关注推荐商品，调整注册客户的购买兴趣配置文件；步骤6：根据客户对推荐商品的关注度，调整商品的推荐位排名；步骤7：根据客户对商品的购买兴趣值，调整注册客户的购买兴趣配置文件，将购买兴趣值排名靠前的商品，放在推荐位上。

Description

一种基于客户行为的商品推荐优化方法

技术领域

本发明应用于B2C电子商务的商品推荐系统。能基于客户行为得到反馈信息，发现客户的购买兴趣，调整推荐的商品，有针对性的改进商品推荐系统的性能。

背景技术

随着B2C电子商务的迅猛发展，对商品推荐方法的研究也越发深入，但是从整体上来讲，相关研究还不够成熟，有很大的研究空间。

目前主流的商品推荐方法有两种：(1)、基于内容的推荐方法；(2)、基于协同过滤的推荐方法。这两种推荐方法都有不足之处，需要改进。

(1)、在基于内容的推荐方法中，根据客户u曾经购买过的商品，向客户u推荐类似商品，推荐结果多样性差。对于没有购买过任何商品的新客户，无法推荐商品，存在冷启动问题。自动化特征提取的方法，很难应用于多媒体商品。

(2)、在基于协同过滤的推荐方法中，基于客户购买商品的历史数据，离线计算客户相似度、商品相似度。以客户为行，以商品为列，构成一个矩阵M。如果客户i购买了商品j，那么M[i，j]＝1，否则M[i，j]＝0。

计算方法是通过余弦定理，计算向量之间夹角的余弦。例如商品向量X＝<x₁，x₂，...，x_n>，商品向量Y＝<y₁，y₂，...，y_n>，那么这两个商品向量X、Y之间夹角(设为θ)的余弦计算公式为(cosθ的值越小，商品向量X、Y的相似度越大)：

$\cos \mathrm{\&theta;}=\frac{\stackrel{\&RightArrow;}{X}\&CenterDot;\stackrel{\&RightArrow;}{Y}}{\left|\stackrel{\&RightArrow;}{X}\right|\left|\stackrel{\&RightArrow;}{Y}\right|}=\frac{x_1{y}_1+x_2{y}_2+...+x_n{y}_n}{\sqrt{x_1^2+x_2^2+...+x_n^2}\sqrt{y_1^2+y_2^2+...+y_n^2}}$

上述方法存在数据稀疏问题和冷启动问题(新客户问题、新商品问题)。只能离线计算，不能在线更新，计算结果的更新有延迟。不够个性化，没有考虑客户的购买兴趣有很大的差别，并且客户的购买兴趣是不停变化的。

发明内容

为了改进现有商品推荐方法的不足，需要更加有针对性的向注册客户推荐个性化商品，根据客户反馈，调整向客户推荐的商品。本发明在现有商品推荐方法的基础上，不需要注册客户额外的劳动，方便快捷的获取注册客户对推荐商品的反馈信息；通过机器学习、知识推理、智能获取用户的购买兴趣，自动调整用户的购买兴趣曲线，调整注册客户的购买兴趣配置文件；通过线性回归，使得向注册客户推荐商品的曲线与注册客户的购买兴趣曲线尽量拟合。

本发明具体的技术方案：

一种基于客户行为的商品推荐优化方法，包括以下步骤：

步骤1：客户对所有商品的购买兴趣值，进行初始化；客户对所有商品类别的购买兴趣值，进行初始化；

步骤2：根据畅销商品，调整注册客户的购买兴趣配置文件：包括调整客户对畅销商品的购买兴趣值、调整客户对畅销商品所在类别的购买兴趣值、调整客户对其他商品的购买兴趣值、调整客户对其他类别商品的购买兴趣值；

步骤3：根据客户对推荐商品点击，调整注册客户的购买兴趣配置文件：包括调整客户对该商品的购买兴趣值、调整客户对该商品所在类别的购买兴趣值、调整客户对其他商品的购买兴趣值、调整客户对其他类别商品的购买兴趣值；

步骤4：根据客户对推荐商品的购买，调整注册客户的购买兴趣配置文件：包括调整客户对该商品的购买兴趣值、调整客户对该商品所在类别的购买兴趣值、调整客户对其他商品的购买兴趣值、调整客户对其他类别商品的购买兴趣值；

步骤5：根据客户低关注推荐商品，调整注册客户的购买兴趣配置文件：大幅降低客户对该商品的购买兴趣值、大幅降低客户对该商品所在类别的购买兴趣值；

步骤6：根据客户对推荐商品的关注度，调整商品的推荐位排名；

步骤7：根据客户对商品的购买兴趣值，调整注册客户的购买兴趣配置文件，将购买兴趣值排名靠前的商品，放在推荐位上。

所述的方法，所述步骤1的具体方法为：buyInterest(u，s)＝clickWeight×clickCount(u，s)+buyWeight×buyCount(u，s)

buyInterestType(u，Type[s])＝type Weight×buyInterest(u，s)

上述公式中，buyInterest(u，s)表示客户u商品s的购买兴趣，clickCount(u，s)，表示客户u对推荐商品s的点击次数，clickWeight表示客户点击推荐商品的权重，buyCount(u，s)，表示客户u对推荐商品s的购买个数，buyWeight表示客户购买推荐商品的权重，typeWeight表示商品类别的权重；

buyInterestType(u，Type[s])表示客户u对商品s所在商品类别的购买兴趣。Type[s]表示商品s所在的商品类别，buyInterest(u，s)表示客户u对商品s的购买兴趣，typeWeight表示商品所在类别的权重。各权重参数的设定，通过机器学习获得，并在系统运行过程中，根据商品推荐效果，不断调整；

初始化的时候，buyInterest(u，S[i])＝iniBuyInterest，buyInterestType(u，Type[j])＝iniInterestType。表示客户u对所有商品的购买兴趣值为iniBuyInterest，对所有商品类别的购买兴趣值为iniInterestType。

所述的方法，所述步骤2具体方法为：(1)对于近期畅销商品sBest，通过下述公式，调整客户对畅销商品sBest及其所在商品类别的购买兴趣值，公式如下：

buyInterest(u，sBest)＝buyInterest(u，sBest)+popularity(sBest)；

buyInterestType(u，Type[sBest])＝type Weight×buyInterest(u，sBest)；

buyInterest(u，sBest)表示客户u对畅销商品sBest的购买兴趣，popularity(sBest)表示商品sBest的畅销程度；

buyInterestType(u，Type[sBest])表示客户u对畅销商品sBest所在商品类别的购买兴趣，Type[sBest]表示畅销商品sBest所在的商品类别；

(2)调整客户对其他非畅销商品及其所在商品类别的购买兴趣值；公式如下：

buyInterest(u，sNotBest)＝buyInterest(u，sNotBest)-notPopularity；

其中，buyInterest(u，sNotBest)表示客户u对非畅销产品sNotBest的购买兴趣，notPopularity表示对非畅销商品的购买兴趣减少值，但是buyInterest(u，sNotBest)＞＝0；

buyInterestType(u，Type[sNotBest])表示客户u对非畅销商品sNotBest所在商品类别的购买兴趣，Type[sNotBest]表示非畅销商品sNotBest所在的商品类别。

所述的方法，所述步骤3调整各个购买兴趣值具体采用公式如下：

buyInterest(u，s)＝buyInterest(u，s)+clickWeight×clickCount(u，s)

buyInterestType(u，Type[s])＝buyInterestType(u，Type[s])+typeWeight×buyInterest(u，s)

其中，clickWeight表示客户点击推荐商品的权重，clickCount(u，s)表示客户u点击推荐商品s的次数。

所述的方法，所述步骤4调整各个购买兴趣值具体采用的公式如下：

buyInterest(u，s)＝buyInterest(u，s)+buyWeight×buyCount(u，s)

buyInterestType(u，Type[s])＝buyInterestType(u，Type[s])+type Weight×buyInterest(u，s)

其中，buyWeight表示客户购买推荐商品的权重，buyCount(u，s)表示客户u购买推荐商品s的个数。

所述的方法，所述步骤5具体采用的公式如下：

buyInterest(u，s)＝lowFocus(u，s)×buyInterest(u，s)

buyInterestType(u，Type[s])＝buyInterestType(u，Type[s])-type Weight×buyInterest(u，s)

其中，lowFocus(u，s)表示客户u对商品s的低关注度，0＜lowFocus(u，s)＜1。

所述的方法，所述步骤6具体采用的公式如下：

rank(u，s)＝rank(u，s)+focusDiff(u，s)

其中，rank(u，s)表示推荐给客户u的商品s的推荐位排名，focusDiff(u，s)表示客户对推荐商品的关注度与推荐商品的推荐位排名之间的误差。

所述的方法，所述步骤7具体采用的公式如下：

$\mathrm{rank}(u,S)=\underset{i-1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{rank}(u,S[i\left]\right)$

上述公式中，u表示客户，S表示商品集合，S[i]表示客户感兴趣的第i个商品，n表示客户感兴趣的商品的个数。

所述的方法，还包括步骤8：将客户的购买兴趣，形式化为散点，根据这些散点，拟合成一条反映客户购买兴趣的回归直线Y＝aX+b，X表示时间，Y表示商品编号，并根据这条回归直线，预测客户下一步的购买行为。

本发明的有益效果为：

(1)、一定程度上结合了目前两种主流的商品推荐方法(基于内容的推荐方法、基于协同过滤的推荐方法)，集中了两种推荐方法的优点。

(2)、方便快捷的获取注册客户对商品(特别是推荐位上的推荐商品)的反馈信息，不需要客户额外的劳动。

(3)、基于商品推荐位，获取更准确的注册客户的商品浏览、商品购买信息。

(4)、基于商品推荐位，对注册客户的推荐商品更个性化、更准确。

(5)、一定程度上解决了商品推荐系统的冷启动问题。

附图说明

图1是基于客户行为的商品推荐优化方法的流程图。

图2是客户购买历史的散点图及购买兴趣拟合线。

说明：图2是客户购买历史的散点图及购买兴趣拟合线，通过购买兴趣拟合线，把客户购买历史的散点进行拟合，找到客户的购买兴趣回归直线，并通过这条回归直线，预测客户将要发生的购买行为。图2中，横轴X表示时间，纵轴Y表示商品编号。图中的方形点，表示客户在某个时间购买的某个商品，一系列的方形点构成了客户购买历史的散点图。图2中的曲线，表示根据客户购买历史所形成的客户购买兴趣拟合线。

具体实施方式

以下结合具体实施例，对本发明进行详细说明。

参考图1，是基于客户行为的商品推荐优化方法的流程图，包括步骤1到步骤7：

步骤1：初始化。

客户对所有商品的购买兴趣值，进行初始化。客户对所有商品类别的购买兴趣值，进行初始化。

buyInterest(u，s)＝clickWeight×clickCount(u，s)+buyWeight×buyCount(u，s)

buyInterestType(u，Type[s])＝typeWeight×buyInterest(u，s)

上述公式中，buyInterest(u，s)表示客户u商品s的购买兴趣，clickCount(u，s)，表示客户u对推荐商品s的点击次数，clickWeight表示客户点击推荐商品的权重，buyCount(u，s)，表示客户u对推荐商品s的购买个数，buyWeight表示客户购买推荐商品的权重，typeWeight表示商品类别的权重。

buyInterestType(u，Type[s])表示客户u对商品s所在商品类别的购买兴趣。Type[s]表示商品s所在的商品类别，buyInterest(u，s)表示客户u对商品s的购买兴趣，typeWeight表示商品所在类别的权重。各权重参数的设定，通过机器学习获得，并在系统运行过程中，根据商品推荐效果，不断调整。

初始化的时候，buyInterest(u，S[i])＝iniBuyInterest，buyInterestType(u，Type[j])＝iniInterestType。表示客户u对所有商品的购买兴趣值为iniBuyInterest，对所有商品类别的购买兴趣值为iniInterestType。

然后进行步骤2。

步骤2：根据畅销商品，调整注册客户的购买兴趣配置文件。本步骤是为了解决冷启动问题。

调整客户对畅销商品的购买兴趣值。

调整客户对畅销商品所在类别的购买兴趣值。

调整客户对其他商品的购买兴趣值。

调整客户对其他类别商品的购买兴趣值。

(1).对于近期畅销商品sBest，通过下述公式，调整客户对畅销商品sBest及其所在商品类别的购买兴趣值。公式如下：

buyInterest(u，sBest)＝buyInterest(u，sBest)+popularity(sBest)。

buyInterestType(u，Type[sBest])＝typeWeight×buyInterest(u，sBest)。

buyInterest(u，sBest)表示客户u对畅销商品sBest的购买兴趣，popularity(sBest)表示商品sBest的畅销程度。

buyInterestType(u，Type[sBest])表示客户u对畅销商品sBest所在商品类别的购买兴趣，Type[sBest]表示畅销商品sBest所在的商品类别。

(2).调整客户对其他非畅销商品及其所在商品类别的购买兴趣值。公式如下：

buyInterest(u，sNotBest)＝buyInterest(u，sNotBest)-notPopularity。

其中，buyInterest(u，sNotBest)表示客户u对非畅销产品sNotBest的购买兴趣，notPopularity表示对非畅销商品的购买兴趣减少值，但是buyInterest(u，sNotBest)＞＝0。

buyInterestType(u，Type[sNotBest])表示客户u对非畅销商品sNotBest所在商品类别的购买兴趣，Type[sNotBest]表示非畅销商品sNotBest所在的商品类别。

然后做步骤3。

步骤3：根据客户对推荐商品点击，调整注册客户的购买兴趣配置文件。

如果客户点击推荐位上的商品，那么根据客户的点击次数进行以下操作：

调整客户对该商品的购买兴趣值。

调整客户对该商品所在类别的购买兴趣值。

调整客户对其他商品的购买兴趣值。

调整客户对其他类别商品的购买兴趣值。

调整各个购买兴趣值具体采用公式如下：

buyInterest(u，s)＝buyInterest(u，s)+clickWeight×clickCount(u，s)

buyInterestType(u，Type[s])＝buyInterestType(u，Type[s])+type Weight×buyInterest(u，s)

其中，clickWeight表示客户点击推荐商品的权重，clickCount(u，s)表示客户u点击推荐商品s的次数。

然后进行步骤4。

步骤4：根据客户对推荐商品的购买，调整注册客户的购买兴趣配置文件。

如果客户购买推荐位上的商品，那么执行以下操作：

调整客户对该商品的购买兴趣值；

调整客户对该商品所在类别的购买兴趣值；

调整客户对其他商品的购买兴趣值；

调整客户对其他类别商品的购买兴趣值。

调整各个购买兴趣值具体采用的公式如下：

buyInterest(u，s)＝buyInterest(u，s)+buyWeight×buyCount(u，s)

buyInterestType(u，Type[s])＝buyInterestType(u，Type[s])+type Weight×buyInterest(u，s)

其中，buyWeight表示客户购买推荐商品的权重，buyCount(u，s)表示客户u购买推荐商品s的个数。

然后做进行5。

步骤5：根据客户低关注推荐商品，调整注册客户的购买兴趣配置文件。

如果推荐位的某商品长时间客户不点击、不购买，那么执行以下操作：

大幅降低客户对该商品的购买兴趣值；

大幅降低客户对该商品所在类别的购买兴趣值。

商品的客户低关注，是指客户对该商品的购买低，对该商品的点击量低。

上述操作具体采用的公式如下：

buyInterest(u，s)＝lowFocus(u，s)×buyInterest(u，s)

buyInterestType(u，Type[s])＝buyInterestType(u，Type[s])-type Weight×buyInterest(u，s)

其中，lowFocus(u，s)表示客户u对商品s的低关注度。0＜lowFocus(u，s)＜1。

然后进行步骤6。

步骤6：根据客户对推荐商品的关注度，调整商品的推荐位排名。

客户对推荐商品的关注度，是指客户对推荐商品的点击、购买情况。可以通过推荐系统的后台程序获取。

根据客户对推荐商品的关注度，调整商品的推荐位排名，使得客户的关注度和商品的推荐位排名保持一致。

如果客户对某推荐商品关注度高，那么调整该商品的推荐位排名，使得该商品的推荐位排名靠前。

如果客户对某推荐商品关注度低，那么调整该商品的推荐位排名，使得该商品的推荐位排名靠后。

上述操作具体采用的公式如下：

rank(u，s)＝rank(u，s)+focusDiff(u，s)

其中，rank(u，s)表示推荐给客户u的商品s的推荐位排名，focusDiff(u，s)表示客户对推荐商品的关注度与推荐商品的推荐位排名之间的误差。

然后进行步骤7。

步骤7：调整注册客户的购买兴趣配置文件(profile)。

根据客户对商品的购买兴趣值，调整注册客户的购买兴趣配置文件(profile)。将购买兴趣值排名靠前的商品，放在推荐位上。

具体采用的公式如下：

$\mathrm{rank}(u,S)=\underset{i-1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{rank}(u,S[i\left]\right)$

上述公式中，u表示客户，S表示商品集合，S[i]表示客户感兴趣的第i个商品，n表示客户感兴趣的商品的个数。

将客户的购买兴趣，形式化为散点。如图2所示，根据这些散点，拟合成一条反映客户购买兴趣的回归直线Y＝aX+b，X表示时间，Y表示商品编号。并根据这条回归直线，预测客户下一步的购买行为。

通过最小二乘法，求回归直线方程中a、b的值。所用公式如下：

$b=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(x_i-\stackrel{\&OverBar;}{x})(y_i-\stackrel{\&OverBar;}{y})}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(x_i-\stackrel{\&OverBar;}{x})}^2}=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i{y}_i-n\stackrel{\&OverBar;}{\mathrm{xy}}}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i^2-n{\stackrel{\&OverBar;}{x}}^2}$

$a=\stackrel{\&OverBar;}{y}-b\stackrel{\&OverBar;}{x}$

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (9)

1.一种基于客户行为的商品推荐优化方法，其特征在于，包括以下步骤：

步骤1：客户对所有商品的购买兴趣值，进行初始化；客户对所有商品类别的购买兴趣值，进行初始化；

步骤2：根据畅销商品，调整注册客户的购买兴趣配置文件：包括调整客户对畅销商品的购买兴趣值、调整客户对畅销商品所在类别的购买兴趣值、调整客户对其他商品的购买兴趣值、调整客户对其他类别商品的购买兴趣值；

步骤3：根据客户对推荐商品点击，调整注册客户的购买兴趣配置文件：包括调整客户对该商品的购买兴趣值、调整客户对该商品所在类别的购买兴趣值、调整客户对其他商品的购买兴趣值、调整客户对其他类别商品的购买兴趣值；

步骤4：根据客户对推荐商品的购买，调整注册客户的购买兴趣配置文件：包括调整客户对该商品的购买兴趣值、调整客户对该商品所在类别的购买兴趣值、调整客户对其他商品的购买兴趣值、调整客户对其他类别商品的购买兴趣值；

步骤5：根据客户低关注推荐商品，调整注册客户的购买兴趣配置文件：大幅降低客户对该商品的购买兴趣值、大幅降低客户对该商品所在类别的购买兴趣值；

步骤6：根据客户对推荐商品的关注度，调整商品的推荐位排名；

步骤7：根据客户对商品的购买兴趣值，调整注册客户的购买兴趣配置文件，将购买兴趣值排名靠前的商品，放在推荐位上。

2.根据权利要求1所述的方法，其特征在于，所述步骤1的具体方法为：

buyInterest(u，s)＝clickWeight×clickCount(u，s)+buyWeight×buyCount(u，s)

buyInterestType(u，Type[s])＝type Weight×buyInterest(u，s)

上述公式中，buyInterest(u，s)表示客户u商品s的购买兴趣，clickCount(u，s)，表示客户u对推荐商品s的点击次数，clickWeight表示客户点击推荐商品的权重，buyCount(u，s)，表示客户u对推荐商品s的购买个数，buyWeight表示客户购买推荐商品的权重，typeWeight表示商品类别的权重；

buyInterestType(u，Type[s])表示客户u对商品s所在商品类别的购买兴趣。Type[s]表示商品s所在的商品类别，buyInterest(u，s)表示客户u对商品s的购买兴趣，typeWeight表示商品所在类别的权重。各权重参数的设定，通过机器学习获得，并在系统运行过程中，根据商品推荐效果，不断调整；

初始化的时候，buyInterest(u，S[i])＝iniBuyInterest，buyInterestType(u，Type[j])＝iniInterestType。表示客户u对所有商品的购买兴趣值为iniBuyInterest，对所有商品类别的购买兴趣值为iniInterestType。

3.根据权利要求1所述的方法，其特征在于，所述步骤2具体方法为：(1)对于近期畅销商品sBest，通过下述公式，调整客户对畅销商品sBest及其所在商品类别的购买兴趣值，公式如下：

buyInterest(u，sBest)＝buyInterest(u，sBest)+popularity(sBest)；

buyInterestType(u，Type[sBest])＝typeWeight×buyInterest(u，sBest)；

buyInterest(u，sBest)表示客户u对畅销商品sBest的购买兴趣，popularity(uBest)表示商品sBest的畅销程度；

buyInterestType(u，Type[sBest])表示客户u对畅销商品sBest所在商品类别的购买兴趣，Type[sBest]表示畅销商品sBest所在的商品类别；

(2)调整客户对其他非畅销商品及其所在商品类别的购买兴趣值；公式如下：

buyInterest(u，sNotBest)＝buyInterest(u，sNotBest)-notPopularity

其中，buyInterest(u，sNotBest)表示客户u对非畅销产品sNotBest的购买兴趣，notPopularity表示对非畅销商品的购买兴趣减少值，但是buyInterest(u，sNotBest)＞＝0；

buyInterestType(u，Type[sNotBest]表示客户u对非畅销商品sNotBest所在商品类别的购买兴趣，Type[sNotBest]表示非畅销商品sNotBest所在的商品类别。

4.根据权利要求1所述的方法，其特征在于，所述步骤3调整各个购买兴趣值具体采用公式如下：

buyInterest(u，s)＝buyInterest(u，s)+clickWeight×clickCount(u，s)

buyInterestType(u，Type[s])＝buyInterestType(u，Type[s])+type Weight×buyInterest(u，s)

其中，clickWeight表示客户点击推荐商品的权重，clickCount(u，s)表示客户u点击推荐商品s的次数。

5.根据权利要求1所述的方法，其特征在于，所述步骤4调整各个购买兴趣值具体采用的公式如下：

buyInterest(u，s)＝buyInterest(u，s)+buyWeight×buyCount(u，s)

buyInterestType(u，Type[s])＝buyInterestType(u，Type[s])+type Weight×buyInterest(u，s)

其中，buyWeight表示客户购买推荐商品的权重，buyCount(u，s)表示客户u购买推荐商品s的个数。

6.根据权利要求1所述的方法，其特征在于，所述步骤5具体采用的公式如下：

buyInterest(u，s)＝lowFocus(u，s)×buyInterest(u，s)

buyInterestType(u，Type[s])＝buyInterestType(u，Type[s])-type Weight×buyInterest(u，s)

其中，lowFocus(u，s)表示客户u对商品s的低关注度，0＜lowFocus(u，s)＜1。

7.根据权利要求1所述的方法，其特征在于，所述步骤6具体采用的公式如下：

rank(u，s)＝rank(u，s)+focusDiff(u，s)

其中，rank(u，s)表示推荐给客户u的商品s的推荐位排名，focusDiff(u，s)表示客户对推荐商品的关注度与推荐商品的推荐位排名之间的误差。

8.根据权利要求1所述的方法，其特征在于，所述步骤7具体采用的公式如下：

$\mathrm{rank}(u,S)=\underset{i-1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{rank}(u,S[i\left]\right)$

上述公式中，u表示客户，S表示商品集合，S[i]表示客户感兴趣的第i个商品，n表示客户感兴趣的商品的个数。

9.根据权利要求1所述的方法，其特征在于，还包括步骤8：将客户的购买兴趣，形式化为散点，根据这些散点，拟合成一条反映客户购买兴趣的回归直线Y＝aX+b，X表示时间，Y表示商品编号，并根据这条回归直线，预测客户下一步的购买行为。

Images