CN103942712A - 基于产品相似度的电子商务推荐系统及其方法 - Google Patents

Abstract

本发明实施例公开了一种基于产品相似度的电子商务推荐系统及其方法。其中，通过分析电子商务购物网站日志信息并对日志进行过滤统计；从产品数据库中，获取产品热门信息，并进行权重定制；结合用户搜索日志和产品热门信息抽取出相应的推荐元素，运用基于产品相似度的协同过滤算法将这些元素建立相似产品群，并将所述相似产品数据传入推荐元素redis中；推荐搜索引擎以http作为请求协议，根据不同的需求(强力推荐和浏览历史推荐)支持两种推荐功能，并根据用户参数获得对应的推荐元素集合，扩展搜索查询条件进行搜索；最后以Json数据格式返回推荐结果。根据本发明实施例，可以提高推荐的准确性，实现对产品的精准推荐，满足用户从庞大的产品中挑选个性化产品的需求。

Description

基于产品相似度的电子商务推荐系统及其方法

技术领域

本发明涉及计算机应用领域，特别是涉及基于产品相似度的电子商务推荐系统及其方法。

背景技术

传统的协同过滤推荐系统首先搜寻一组与目标用户兴趣相似的用户，这些兴趣相似的用户常称为目标用户的邻居用户。实现过程为通过余弦相似度算法计算目标用户和其他所有用户的兴趣相似度,具体算法为：

$T(x,y)=\frac{x\•y}{{\left|\right|x\left|\right|}^2\×{\left|\right|y\left|\right|}^2}=\frac{\mathrm{\Σxiyi}}{\sqrt{\mathrm{\Σ}{x_i}^2}\sqrt{\mathrm{\Σ}{y_i}^2}}$

其中，T(x,y)表示用户x与用户y之间的兴趣相似度值，x,y分别表示用户x和用户y的兴趣向量，x·y表示向量x和向量y的内积值，||x||表示向量x的长度，||y||表示向量y的长度。

利用该算法可以确定目标用户的邻居用户,即，先设定一个兴趣相似度阈值然后再筛选出与目标用户之间的兴趣相似度值大于该兴趣相似度阈值的用户,最后设定一个邻居数P,从筛选出的用户中选择兴趣相度性值最大的前P个用户作为最终的邻居用户。

找到与目标用户兴趣相似的用户(即，邻居用户)之后，再将邻居用户具有而目标用户不具有的兴趣作为共同兴趣推荐给目标用户。

然而，在实现本发明的过程中，本发明的发明人发现现有技术中至少存在如下问题：目标用户的邻居用户和目标用户的共同兴趣并不只是针对产品的兴趣，也可能是针对其它方面的兴趣。如果采用传统的协同过滤推荐系统预测目标用户对产品的兴趣，预测的误差会比较大，相应地，推荐的准确性也会降低(即，推荐给目标用户的产品可能并不是目标用户感兴趣的产品)。

因此，现有的协同过滤推荐系统在推荐的准确性上存在局限性，也就不能实现对产品的精准推荐，不能满足用户从庞大的产品中挑选个性化产品的需求。

发明内容

有鉴于此，本发明的主要目的在于提供一种基于产品相似度的电子商务推荐系统及其方法，以提高推荐的准确性，实现对产品的精准推荐，满足用户从庞大的产品中挑选个性化产品的需求。

本发明实施例公开了如下技术方案：

一种基于产品相似度的电子商务推荐系统，该系统包括：

用户搜索日志分析模块，用于针对每一个用户，采用数据挖掘工具分析所述用户的历史搜索记录，获得所述用户基于产品属性的用户行为统计得分；

产品属性分析模块，用于针对每一个用户，按照公式log₂(因素1)*log₂(因素2)*因素3，获得各产品的产品属性统计得分，其中，因素1为与产品的产品属性组合方式对应的优先级，因素2为基于产品属性的用户行为的统计得分，因素3为当前时间与预设时间的差值；

用户行为分析模块，用于针对每一个用户，根据基于产品属性的用户行为统计得分计算产品属性组合方式相同的各产品之间的相似度，把相似度值大于预设阈值的产品合并为一个群组，建立相似产品群；

推荐元素集合模块，用于针对每一个用户，将用户ID作为键，将各个产品属性组合方式中的相似产品的信息作为值，并按照键值对的结构存入缓存中，作为推荐引擎的推荐元素集合；

搜索推荐引擎模块，用于获取目标推荐用户的用户ID，从推荐元素集合中提取出与该用户ID对应的各个产品属性组合方式中的相似产品的信息，并从中选择排序在前N位的相似产品的信息作为搜索条件进行搜索，并将搜索到的结果推荐给目标推荐用户，N为任意设定的整数。

优选的，所述用户搜索日志分析模块具体包括：

针对每一个用户，从所述用户的历史搜索日志中提取出用户身份标识ID、用户在搜索产品时选择的产品属性以及用户在搜索到产品后对该产品的点击次数；其中，用户在搜索产品时选择的产品属性包括用户在搜索产品时选择的分类、品牌和型号，以及用户在搜索产品时输入的搜索关键词中的任意一个或任意多个组合；

针对每一个用户，将产品属性组合方式以及产品属性值都相同的产品的点击次数进行汇总，汇总后的点击次数即为所述用户基于产品属性的用户行为统计得分。

优选的，所述产品属性分析模块还用于，当不同产品的产品属性统计得分相同时，将公式log2(因素1)*log2(因素2)*因素3修正为C+log2(因素1)*log2(因素2)*因素3，C为任意设定的一个常数，且，对于不同产品，C的取值不同。

优选的，所述用户行为分析模块包括：

相似度计算子模块，用于针对每一个用户，按照公式计算产品属性组合方式相同的各产品之间的相似度；其中，sim(i,j)表示产品i和产品j之间的相似度值，r_u,i表示用户u在搜索产品i时的基于产品属性的用户行为统计得分，r_u,j表示用户u在搜索产品j时的基于产品属性的用户行为统计得分，产品i和产品j的产品属性组合方式相同，表示用户u在搜索产品属性组合方式相同的各产品时的基于产品属性的用户行为统计得分的平均分；

相似产品群合并子模块，用于将计算得到的相似度值大于预设阈值的产品合并为一个相似产品群，并针对每一种产品属性组合方式中的相似产品群，选出相似度值最大的前k个的最相似的产品，针对k个最相似的产品，按照产品属性统计得分从高到低的顺序进行排序，k为任意设定的整数。

优选的，所述相似产品的信息包括产品的分类ID、品牌ID、型号ID以及用户在搜索该产品时输入的搜索关键词中的任意一个或任意多个组合。

优选的，所述推荐引擎模块的推荐结果包括产品ID、产品标题、产品图片和推荐产品的个数。

优选的，所述推荐引擎模块的推荐模式包括强力推荐和浏览历史推荐，其中，所述强力推荐通过用户ID获得产品的搜索关键词，品牌ID，分类ID，型号ID中任意一个或者任意多个组合并作为搜索条件进行搜索推荐，进而得到产品ID集合，所述浏览历史推荐直接通过用户ID获得是用户浏览记录的产品ID集合。

一种基于产品相似度的电子商务推荐系统方法，包括：

A、针对每一个用户，采用数据挖掘工具分析所述用户的历史搜索记录，获得所述用户基于产品属性的用户行为统计得分；

B、针对每一个用户，按照公式log2(因素1)*log2(因素2)*因素3，获得各产品的产品属性统计得分，其中，因素1为与产品的产品属性组合方式对应的优先级，因素2为基于产品属性的用户行为的统计得分，因素3为当前时间与预设时间的差值；

C、针对每一个用户，根据基于产品属性的用户行为统计得分计算产品属性组合方式相同的各产品之间的相似度，把相似度值大于预设阈值的产品合并为一个群组，建立相似产品群；

D、针对每一个用户，将用户ID作为键，将各个产品属性组合方式中的相似产品的信息作为值，并按照键值对的结构存入缓存中，作为推荐引擎的推荐元素集合；

E、获取目标推荐用户的用户ID，从推荐元素集合中提取出与该用户ID对应的各个产品属性组合方式中的相似产品的信息，并从中选择排序在前N位的相似产品的信息作为搜索条件进行搜索，并将搜索到的结果推荐给目标推荐用户，N为任意设定的整数。

优选的，所述步骤E包括：

E1、在lucene的基础上进行二次开发，以http作为请求协议，设定推荐模式，所述推荐模式包括强力推荐和浏览历史推荐；

E2、根据获取的用户ID在推荐元素集合中得到推荐元素，并根据推荐模式指示值判断返回的推荐模式，若推荐模式指示值为0，确定为强力推荐模式，则执行步骤E3，若推荐模式指示值为1，确定为浏览历史推荐模式，则执行步骤E4，若推荐模式指示值为2，确定为强力推荐和浏览历史推荐，则同时执行步骤E3和E4；

E3、创建一个强力推荐搜索对象，并且设定搜索请求参数，所述搜索请求参数包括：用户ID、搜索关键词、请求推荐个数、品牌ID、分类ID和型号ID，然后执行步骤E5；

E4、创建一个浏览历史推荐搜索对象，并且设定搜索请求参数，所述搜索请求参数包括：用户ID和请求推荐个数，然后执行步骤E5；

E5、根据用户ID，判断用户是否输入的查询词，若是，则执行步骤E6，若否，则执行步骤E7；

E6、通过分词器对查询词进行预处理，并将预处理后的查询词也作为一个搜索请求参数与步骤E3中的其它搜索请求参数一起，传入强力推荐的搜索方法进行搜索，然后执行步骤E8；

E7、根据用户ID获得产品ID列表，并将得到产品ID和请求推荐个数，传入浏览历史推荐的搜索方法进行搜索，然后执行步骤E8；

E8、从数据库中提取搜索结果所指示的产品的产品信息，并建立索引文件。

优选的，在步骤E6之前还包括：

E60、当用户输入的查询词为空或者都是空格时，直接返回空；当用户输入的查询词中包含有空格，将空格两端的字符串用AND进行连接；当用户输入的查询词中含有非法字符时，将查询词中的非法字符去掉。

本发明为解决电子商务精准推荐问题，主要采用了以下技术，下面对这些技术进行简单介绍。

1)redis技术。它是高效的缓存解决方案，支持数据持久化和多种数据格式，可分布式部署，通过Java编程方式，存储redis，读取redis中对应key的value，其中所有存储都是通过Java对redis的value实现的一个类的序列化与反序列化实现。主要应用在推荐集合元素模块。⑴建立用户与推荐元素集合关系⑵建立推荐元素集合⑶实现功能接口：通过userId查找对应的推荐元素并返回；更新、插入、删除推荐元素集合；维护用户与推荐元素集合关系。

2)分词技术。对用户输入的关键词进行分词。此技术应用在查询词处理模块。

3)lucene技术。主要是从redis取出的infocode即产品ID，通过这些产品ID、关键词去搜索关联、相似产品信息。

4)结果排序技术。根据lucene score和scoreImpactParameter，对结果进行排序，通过分析用户的购买行为，统计出用户关注的产品分类、型号、品牌以及用户最近搜索的关键词，加入这四个评分因子改进排序结果，使得推荐结果更相关。其中所述的lucene score是lucene对相关产品自有的评分，scoreImpactParameter影响因子的评分，比如分类，品牌，型号，关键词这个四个影响因子。

5)产品协同过滤技术。通过分析电子商务网站的搜索日志中将所有用户对某一个产品的喜好作为一个向量来计算产品之间的相似度，同时分析不同用户的一个基本属性(主要属性(通常为后期分析将多个因素的降维与加权做的预测行为取选择多属性对用户的贡献选择基础属性)，然后找出对应用户的所有属性进行协同过滤计算相似度。

附图说明

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，显而易见地，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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于产品相似度的电子商务推荐系统的功能结构示意图；

图2为本发明基于产品相似度的电子商务推荐方法流程示意图；

图3为本发明基于产品相似度的电子商务推荐系统的应用场景流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明实施例进行详细描述。

本发明提供的一种基于产品相似度的电子商务推荐系统可以应用于各种购物网站上，通过分析用户的消费偏好，向每个用户具有针对性地推荐产品，推荐系统不仅能够帮助用户从庞大的产品目录中挑选真正适合自己需要的产品，还能够根据用户提出的对特定产品的查询要求，返回高质量的推荐结果；推荐系统根据用户的购物篮中的产品推荐与这些产品类似的产品。另外，推荐系统还可以通过电子邮件的方式通知推荐产品的产品信息；以及，推荐系统还可以向用户提供其他用户对推荐的产品的评论信息。

请参阅图1所示，图1为本发明提供的一种基于产品相似度的电子商务推荐系统的功能结构示意图，该推荐系统包括：

用户搜索日志分析模块，用于采用数据挖掘工具(例如，可以采用Hadoop&hive作为数据挖掘工具)分析用户的历史搜索日志，获得基于产品属性的用户行为统计得分。

其中，先从每个用户的历史搜索日志中提取出用户ID(身份标识)、用户在搜索产品时选择的产品属性以及用户在搜索到产品后对该产品的点击次数，而用户在搜索产品时选择的产品属性包括用户在搜索产品时选择的分类、品牌和型号，以及用户在搜索产品时输入的搜索关键词中的任意一个或任意多个组合。然后再针对每一个用户，将产品属性组合方式以及产品属性值都相同的产品的点击次数进行汇总，汇总后的点击次数即为基于产品属性的用户行为统计得分。

例如，请参考下表1所示，表1示意性地展示了针对某一个用户，经汇总处理后的各项数据。

表1

产品属性分析模块，用于针对每一个用户，按照公式log₂(因素1)*log₂(因素2)*因素3，获得各产品的产品属性统计得分，其中，因素1为与产品的产品属性组合方式对应的优先级，因素2为基于产品属性的用户行为的统计得分，因素3为当前时间与预设时间的差值。

在本发明的一种优选实施方式中，为了避免不同产品的产品属性统计得分相同，上述公式还可以变形为C+log₂(因素1)*log₂(因素2)*因素3，C为任意设定的一个常数，且，对于不同产品，C的取值不同。

例如，请参考下表2所示，表2示意性地展示了关于产品属性的所有可能组合方式以及对应的优先级别。

表2

在本发明的另一种优选实施方式中，还可以为上述公式中的因素1添加增益因子或损失因子，即，将公式中的因素1变形为：因素1+增益因子(或损失因子)，或者，将因素1变形为：因素1×(因素1+增益因子(或损失因子))。其中，增益因子或损失因子的作用是，人为或机器可操控的将因素1对产品属性统计得分的影响提升或降低。例如，如果苹果品牌的点击次数过高，就可以通过损失因子降低整个苹果品牌对产品属性统计得分的影响，而其它品牌保持不变。初始的增益因子和损失因子的值都设置为0。

用户行为分析模块，用于针对每一个用户，根据基于产品属性的用户行为统计得分计算产品属性组合方式相同的各产品(如，(分类+品牌)这一产品属性组合方式中的各产品)之间的相似度，把相似度值大于预设阈值的产品合并为一个群组，建立相似产品群。

例如，可以采用余弦相似度算法计算产品之间的相似度。在本发明的一个优选实施方式中，采用一种修正的余弦相似度算法计算产品之间的相似度。

$\mathrm{sim}(i,j)=\frac{\underset{u\∈U}{\mathrm{\Σ}}(r_{u,i}-{\stackrel{\‾}{r}}_u)(r_{u,j}-{\stackrel{\‾}{r}}_u)}{\sqrt{\underset{u\∈U}{\mathrm{\Σ}}{(r_{u,i}-{\stackrel{\‾}{r}}_u)}^2\sqrt{\underset{u\∈U}{\mathrm{\Σ}}{(r_{u,j}-{\stackrel{\‾}{r}}_u)}^2}}}$

其中，sim(i,j)表示产品i和产品j之间的相似度值，r_u,i表示用户u在搜索产品i时的基于产品属性的用户行为统计得分，r_u,j表示用户u在搜索产品j时的基于产品属性的用户行为统计得分，产品i和产品j的产品属性组合方式相同，如，产品属性组合方式都为(分类+品牌)。表示用户u在搜索产品属性组合方式相同的各产品时的基于产品属性的用户行为统计得分的平均分。

显然，针对每一种产品属性组合方式，都可以通过计算该组合方式中各产品之间的相似度值，可以先选出k个最相似的产品(k为任意设定的整数)。针对k个最相似的产品，再进一步按照产品属性统计得分从高到低的顺序对其进行排序。

例如，请参考下表3所示，表3示意性地展示了用户行为分析模块的处理结果。

表3

推荐元素集合模块，用于针对每一个用户，将用户ID作为键，将各个产品属性组合方式中的相似产品的信息作为值，并按照键值对的结构存入缓存中，作为推荐引擎的推荐元素集合。

其中，相似产品的信息包括产品的分类ID、品牌ID、型号ID以及用户在搜索该产品时输入的搜索关键词中的任意一个或任意多个组合，当然，对于不同的产品属性组合方式，对应的相似产品的信息也会不同。

另外，在本发明的一个优选实施方式中，可以采用redis技术进行存储，并且，相似产品的各个信息之间可以用逗号分隔，以字符(String)类型存储。

搜索推荐引擎模块，用于获取目标推荐用户的用户ID，从推荐元素集合中提取出与该用户ID对应的各个产品属性组合方式中的相似产品的信息，并从中选择排序在前N(N为任意设定的整数)位的相似产品的信息作为搜索条件进行搜索，并将搜索到的结果推荐给目标推荐用户。

其中，先按照产品属性组合方式的优先级从高到低的顺序，再按照产品属性统计得分从高到低的顺序选择排序在前N位的相似产品。推荐结果包括但不限于产品ID、产品标题、产品图片和推荐产品的个数。

另外，在本发明的一个优选的实施方式中，可以通过强力推荐以及浏览历史推荐两种推荐模式来实现。其中，所述的强力推荐是创建一个RecommendSearch对象(即，强力推荐搜索对象)，并且设定请求参数(包括：用户ID，搜索关键词，请求推荐个数，品牌ID、分类ID、型号ID)等搜索条件；所述的浏览历史推荐是创建一个HistorySearch(即，浏览历史推荐搜索)对象，并且设定请求参数(包括：用户ID、请求推荐个数)等搜索条件。两者的区别在于：前者通过用户ID获得产品的搜索关键词，品牌ID，分类ID，型号ID中任意一个或者任意多个组合来扩展搜索条件，进而得到产品ID集合，后者通过用户ID获得是用户浏览记录的产品ID集合。

有关产品的相似度计算，以下提供了一种具体的实现方案。

计算出的user向量user-(产品，基于产品属性的用户行为得分)使用一个两层循环，对user向量中两两产品，以产品M为key，所有产品M之后的产品N与产品M的similarity.aggregate计算值组成的向量为value。

1)叠加相同的两个产品在不同用户之间的aggregate值，得到产品M-((产品M+1，aggregate M+1)，(产品M+2，aggregate M+2)，(产品M+3，aggregate M+3)…)

2)然后计算产品M和之后所有产品之间的相似度。相似度计算使用similarity.similarity，第一个参数是两个产品的aggregate值，后两个参数是两个产品的norm值，norm值在上一个Job已经得到。结果是以产品M为key，所有产品M之后的产品N与产品M相似度组成的向量为value，即产品M-((产品M+1，simi M+1)，(产品M+2，simi M+2)，(产品M+3，simi M+3)........)。

图1为本发明基于产品相似度的电子商务推荐系统的功能结构示意图。如图1所示，所述推荐系统主要包括：用户搜索日志分析模块A、产品属性分析模块B、用户行为分析模块C、推荐元素集合模块D和搜索推荐引擎模块E。其中：

用户搜索日志分析模块A，主要是通过hive的方式在hdfs存储系统中统计出两个方向的数据。

分类：

1)基于用户行为的分类数据(即：每个用户在不同分类下的点击数量，按照分类+用户分组统计)

2)基于分类的访问数据(即：不同分类下的访问用户数，按照分类分组统计)

品牌：

1)基于用户行为的品牌数据(即：每个用户在不同品牌下的点击数量，按照品牌+用户分组统计)

2)基于品牌的访问数据(即：不同品牌下的访问用户数，按照品牌分组统计)

型号：

1)基于用户行为的型号数据(即：每个用户在不同型号下的点击数量，按照型号+用户分组统计)

2)基于型号的访问数据(即：不同型号下的访问用户数，按照型号分组统计)

关键词：

1)基于用户行为的关键词数据(即：每个用户在不同关键词下的点击数量，按照关键词+用户分组统计)

2)基于关键词的访问数据(即：不同关键词下的访问用户数，按照关键词分组统计)

产品属性分析模块B，主要是将产品属性按照其关联关系进行分组，根据属性自身权重和热门度进行权重赋值，建立产品属性模型集合。

用户行为分析模块C，主要是将用户行为的统计得分与相应产品属性统计得分相结合，计算用户行为的相似度，把相似度高的用户合并为一个群组，建立用户群模型。

推荐元素集合模块D，主要是将用户群模型按照键值对的结构存入缓存，作为推荐引擎的最终元素集合，方便快速地获取和更新。

搜索推荐引擎模块E，主要是完成搜索服务的架设，以http作为请求协议，根据不同的需求支持不同模式的推荐功能，根据用户参数获得对应的推荐元素集合，扩展搜索查询条件进行搜索。以Json数据格式返回推荐结果

下面介绍该推荐系统的几个典型应用场景：

应用场景一：

本发明的推荐系统应用在某购物网站列表页，其中，所述列表页是在该购物网站搜索框输入关键词，点击搜索，进入购物网站的产品信息列表页。

输入：用户ID为1393294237000-528901166，输入关键词：手机双卡双待，type值为0(即，推荐模式为强力推荐)

输出强力推荐结果：

1)"infoCode":"10111654509","infoTitle":"NOKIA诺基亚LUMIA925TTD-SCDMA/GSM3G手机白色-4.5英寸/870万像素/直板式/移动定制机

"url":"http://c3.neweggimages.com.cn/neweggpic2/neg/P340/A28-041-5YA-02.jpg"

2)"infoCode":"10091138965","infoTitle":"诺基亚(NOKIA)Lumia10203G手机(白色)WCDMA/GSM

"url":"http://img13.360buyimg.com/n7/g14/M09/0E/06/rBEhVlIlhSoIAAAAAAFJLTqjJH8AACxcAJWtqYAAUlF654.jpg"

"infoCode":"10094876321","infoTitle":"SUGAR手机SS12916G(白色)

"url":"http://image1.suning.cn/content/catentries/00000000010488/000000000104885686/000000000104885686_ls1.jpg"

4)"infoCode":"10103854154","infoTitle":"vivo手机X3t[香槟金]"

"url":"http://image5.suning.cn/content/catentries/00000000010559/000000000105595707/000000000105595707_ls1.jpg"

应用场景二：

本发明的推荐系统应用在某购物网站详细页

向每个用户具有针对性地推荐产品，帮助用户从庞大的产品目录中挑选真正适合自己需要的产品，假设用户A在某购物网站输入联想笔记本电脑，点击搜索此时进入某购物网站的列表页，用户点击了联想(Lenovo)C24018.5英寸一体电脑(赛扬双核1017U2G500G DVD刻录Linux)白色这款产品，然后进入某购物网站的详细页，此时运用本发明的推荐系统进行推荐联想多档DPI有线6键游戏鼠标、鼠标垫、易缆6开6位国标插座(2米)等产品配件的推荐，从而实现个性化的推荐服务。

图2为本发明多基于产品相似度的电子商务推荐方法流程示意图。

如图2所示，该方法具体包括如下步骤：

步骤201：采用数据挖掘工具(例如，可以采用Hadoop&hive作为数据挖掘工具)分析用户的历史搜索日志，获得基于产品属性的用户行为统计得分。

步骤202：针对每一个用户，按照公式log2(因素1)*log2(因素2)*因素3，获得各产品的产品属性统计得分，其中，因素1为与产品的产品属性组合方式对应的优先级，因素2为基于产品属性的用户行为的统计得分，因素3为当前时间与预设时间的差值。

步骤203：针对每一个用户，根据基于产品属性的用户行为统计得分计算产品属性组合方式相同的各产品之间的相似度，把相似度值大于预设阈值的产品合并为一个群组，建立相似产品群。

步骤204：针对每一个用户，将用户ID作为键，将各个产品属性组合方式中的相似产品的信息作为值，并按照键值对的结构存入缓存中，作为推荐引擎的推荐元素集合。

步骤205：在lucene的基础上进行二次开发，以http作为请求协议，根据页面的需求和推荐功能的需求，设定推荐模式(强力推荐或浏览历史推荐)。

步骤206：根据获取的用户ID从推荐元素集合中获得推荐元素，并根据type值判断返回的推荐模式，若type＝0，则执行步骤207，即强力推荐模式；若type＝1，则执行步骤208，即浏览历史推荐模式；若type＝2，则同时执行步骤207和208，即强力推荐和浏览历史推荐两种模式均有。

步骤207：创建一个RecommendSearch对象(即，强力推荐搜索对象)，并且设定搜索请求参数(包括：用户ID，搜索关键词，请求推荐个数，品牌ID、分类ID和型号ID)，然后执行步骤209。

步骤208：创建一个HistorySearch对象(即，浏览历史推荐搜索对象)，并且设定搜索请求参数(包括：用户ID和请求推荐个数)，然后执行步骤209。

步骤209：根据用户ID，判断用户是否输入的查询词，若是，则执行步骤210，若否，则执行步骤211。

步骤210：通过分词器(如，IKAnalyzer分词器)对查询词进行预处理，并处理后的查询词也作为一个搜索请求参数与步骤207中的其它搜索请求参数一起，传入强力推荐search方法进行搜索，然后执行步骤212。

步骤211：根据用户ID获得产品ID列表，并将得到产品ID和请求推荐个数，传入浏览历史search方法进行搜索，然后执行步骤212。

步骤212：从数据库中提取搜索结果所指示的产品的产品信息，并建立索引文件。

其中，支持以增量的方式定时自动更新产品信息，最终以Json格式返回推荐结果。

在步骤210之前，还可以包括：

当用户输入的查询词为空或者都是空格时，直接返回空；当用户输入的查询词中包含有空格，将空格两端的字符串用AND进行连接；当用户输入的查询词中含有非法字符时，将查询词中的非法字符去掉。

在对查询词进行了以上处理之后，更新查询词，并返回处理后的查询词，进入步骤210。

请参与图3，图3为本发明基于产品相似度的电子商务推荐系统的应用场景流程图

需要注意的是：所述产品协同过滤技术，将所有用户对某一个产品的喜好作为一个向量来计算产品之间的相似度，得到产品的相似产品后，根据用户历史的喜好预测目标用户还没有涉及的产品，从而计算得到一个排序的产品列表作为推荐结果。能对用户进行个性化推荐和定制，增加用户搜索体验和方便用户，主动发现用户当前或潜在需求，并主动推送信息给用户；挖掘用户的喜好和需求，主动向用户推荐其感兴趣或者需要的产品；自动完成个性化选择产品的过程，满足用户的个性化需求，以达到最佳推荐效果。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

所述领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述到的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，可以采用软件功能单元的形式实现。

需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

以上对本发明所提供的基于产品相似度的电子商务推荐系统及其方法进行了详细介绍，本文中应用了具体实施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。

Claims (10)

1.一种基于产品相似度的电子商务推荐系统，其特征在于，该系统包括： 

用户搜索日志分析模块，用于针对每一个用户，采用数据挖掘工具分析所述用户的历史搜索记录，获得所述用户基于产品属性的用户行为统计得分； 

产品属性分析模块，用于针对每一个用户，按照公式log₂(因素1)*log₂(因素2)*因素3，获得各产品的产品属性统计得分，其中，因素1为与产品的产品属性组合方式对应的优先级，因素2为基于产品属性的用户行为的统计得分，因素3为当前时间与预设时间的差值； 

用户行为分析模块，用于针对每一个用户，根据基于产品属性的用户行为统计得分计算产品属性组合方式相同的各产品之间的相似度，把相似度值大于预设阈值的产品合并为一个群组，建立相似产品群； 

推荐元素集合模块，用于针对每一个用户，将用户ID作为键，将各个产品属性组合方式中的相似产品的信息作为值，并按照键值对的结构存入缓存中，作为推荐引擎的推荐元素集合； 

搜索推荐引擎模块，用于获取目标推荐用户的用户ID，从推荐元素集合中提取出与该用户ID对应的各个产品属性组合方式中的相似产品的信息，并从中选择排序在前N位的相似产品的信息作为搜索条件进行搜索，并将搜索到的结果推荐给目标推荐用户，N为任意设定的整数。 

2.根据权利要求1所述的系统，其特征在于，所述用户搜索日志分析模块具体包括： 

针对每一个用户，从所述用户的历史搜索日志中提取出用户身份标识ID、用户在搜索产品时选择的产品属性以及用户在搜索到产品后对该产品的点击次数；其中，用户在搜索产品时选择的产品属性包括用户在搜索产品时选择的分类、品牌和型号，以及用户在搜索产品时输入的搜索关键词中的任意一个或任意多个组合； 

针对每一个用户，将产品属性组合方式以及产品属性值都相同的产品的点击次数进行汇总，汇总后的点击次数即为所述用户基于产品属性的用户行为统计得分。 

3.根据权利要求1所述的系统，其特征在于，所述产品属性分析模块还用于，当不同产品的产品属性统计得分相同时，将公式log₂(因素1)*log₂(因 素2)*因素3修正为C+log₂(因素1)*log₂(因素2)*因素3，C为任意设定的一个常数，且，对于不同产品，C的取值不同。 

4.根据权利要求1所述的系统，其特征在于，所述用户行为分析模块包括： 

相似度计算子模块，用于针对每一个用户，按照公式 计算产品属性组合方式相同的各产品之间的相似度；其中，sim(i,j)表示产品i和产品j之间的相似度值，r_u,i表示用户u在搜索产品i时的基于产品属性的用户行为统计得分，r_u,j表示用户u在搜索产品j时的基于产品属性的用户行为统计得分，产品i和产品j的产品属性组合方式相同，表示用户u在搜索产品属性组合方式相同的各产品时的基于产品属性的用户行为统计得分的平均分； 

相似产品群合并子模块，用于将计算得到的相似度值大于预设阈值的产品合并为一个相似产品群，并针对每一种产品属性组合方式中的相似产品群，选出相似度值最大的前k个的最相似的产品，针对k个最相似的产品，按照产品属性统计得分从高到低的顺序进行排序，k为任意设定的整数。 

5.根据权利要求1所述的系统，其特征在于，所述相似产品的信息包括产品的分类ID、品牌ID、型号ID以及用户在搜索该产品时输入的搜索关键词中的任意一个或任意多个组合。 

6.根据权利要求1所述的系统，其特征在于，所述推荐引擎模块的推荐结果包括产品ID、产品标题、产品图片和推荐产品的个数。 

7.根据权利要求1所述的系统，其特征在于，所述推荐引擎模块的推荐模式包括强力推荐和浏览历史推荐，其中，所述强力推荐通过用户ID获得产品的搜索关键词，品牌ID，分类ID，型号ID中任意一个或者任意多个组合并作为搜索条件进行搜索推荐，进而得到产品ID集合，所述浏览历史推荐直接通过用户ID获得是用户浏览记录的产品ID集合。 

8.一种基于产品相似度的电子商务推荐系统方法，其特征在于，包括： 

A、针对每一个用户，采用数据挖掘工具分析所述用户的历史搜索记录，获得所述用户基于产品属性的用户行为统计得分； 

B、针对每一个用户，按照公式log₂(因素1)*log₂(因素2)*因素3，获得各产品的产品属性统计得分，其中，因素1为与产品的产品属性组合方式对应的优先级，因素2为基于产品属性的用户行为的统计得分，因素3为当前时间与预设时间的差值；C、针对每一个用户，根据基于产品属性的用户行为统计得分计算产品属性组合方式相同的各产品之间的相似度，把相似度值大于预设阈值的产品合并为一个群组，建立相似产品群； 

D、针对每一个用户，将用户ID作为键，将各个产品属性组合方式中的相似产品的信息作为值，并按照键值对的结构存入缓存中，作为推荐引擎的推荐元素集合； 

E、获取目标推荐用户的用户ID，从推荐元素集合中提取出与该用户ID对应的各个产品属性组合方式中的相似产品的信息，并从中选择排序在前N位的相似产品的信息作为搜索条件进行搜索，并将搜索到的结果推荐给目标推荐用户，N为任意设定的整数。 

9.根据权利要求8所述的方法，其特征在于，所述步骤E包括： 

E1、在lucene的基础上进行二次开发，以http作为请求协议，设定推荐模式，所述推荐模式包括强力推荐和浏览历史推荐； 

E2、根据获取的用户ID在推荐元素集合中得到推荐元素，并根据推荐模式指示值判断返回的推荐模式，若推荐模式指示值为0，确定为强力推荐模式，则执行步骤E3，若推荐模式指示值为1，确定为浏览历史推荐模式，则执行步骤E4，若推荐模式指示值为2，确定为强力推荐和浏览历史推荐，则同时执行步骤E3和E4； 

E3、创建一个强力推荐搜索对象，并且设定搜索请求参数，所述搜索请求参数包括：用户ID、搜索关键词、请求推荐个数、品牌ID、分类ID和型号ID，然后执行步骤E5； 

E4、创建一个浏览历史推荐搜索对象，并且设定搜索请求参数，所述搜索请求参数包括：用户ID和请求推荐个数，然后执行步骤E5； 

E5、根据用户ID，判断用户是否输入的查询词，若是，则执行步骤E6， 若否，则执行步骤E7； 

E6、通过分词器对查询词进行预处理，并将预处理后的查询词也作为一个搜索请求参数与步骤E3中的其它搜索请求参数一起，传入强力推荐的搜索方法进行搜索，然后执行步骤E8； 

E7、根据用户ID获得产品ID列表，并将得到产品ID和请求推荐个数，传入浏览历史推荐的搜索方法进行搜索，然后执行步骤E8； 

E8、从数据库中提取搜索结果所指示的产品的产品信息，并建立索引文件。 

10.根据权利要求9所述产品相似度的电子商务推荐系统方法，其特征在于，在步骤E6之前还包括： 

E60、当用户输入的查询词为空或者都是空格时，直接返回空；当用户输入的查询词中包含有空格，将空格两端的字符串用AND进行连接；当用户输入的查询词中含有非法字符时，将查询词中的非法字符去掉。