CN104616178A - 一种基于大数据多标记分类方法的电子商务商品推荐方法 - Google Patents

Abstract

本发明公开了一种基于大数据多标记分类方法的电子商务商品推荐方法，该电子商务商品推荐方法是在系统中建立商品推荐模型，商品推荐模型由分类模型和倾向模型结合建立而成，通过商品推荐模型对用户进行商品推荐。本发明的一种基于大数据多标记分类方法的电子商务商品推荐方法和现有技术相比，能有效的引导用户购物，满足用户购物体验，在提高电子商务网站的点击率和知名度方面具有非常重要的作用。

Description

一种基于大数据多标记分类方法的电子商务商品推荐方法

技术领域

本发明涉及计算机数据处理技术领域，具体地说是一种基于大数据多标记分类方法的电子商务商品推荐方法。

背景技术

近年来，随着信息技术和互联网的不断迅速发展，电子商务在社会和生活中的地位越来越显著，电子商务系统为用户提供越来越多的选择。与此同时，电子商务规模的急剧扩大使得用户耗费大量的时间浏览无关商品，对于销售商而言，以最合适的方式将商品推荐给用户是他们迫切希望的。随着大数据时代的到来，电子商务网站的商品以指数速度增长，不论其数量上还是种类上都是人们难以想象的，这更增大了迅速准确获取自己想要商品的难度。互联网犹如一把双刃剑，虽然很大程度上它推动了电子商务的迅猛发展，使商家能够通过电子商务平台将自己的商品展示给消费者，消费者足不出户便可对商品信息完全掌握，并与商家达成交易，双方各取所需。但是，网络用户在得到便利消费的同时一定程度上也陷入了前所未有的尴尬境地。所以商品的推荐功能是极为必要的，它能模拟实体店中的销售员向客户推荐他们感兴趣的商品，使消费者对商品有一定的认知，从而提高商家的销售额。

多标记学习问题是国际机器学习领域的一个研究热点，它最初来源于文档分类问题中所遇到的歧义性问题。在传统监督学习框架下，真实世界的对象与其概念标记之间是一一对应的关系，一般认为，这样的学习问题是没有歧义性的，称这类问题为单标记分类问题，即一个样例仅具有单一的标记。然而，在真实世界的问题中，歧义性对象却是广泛存在的。由于歧义性问题的存在，一个样例可能与多个标记相关联，这类问题为多标记分类问题。多标记学习在现实生活中具有广泛的应用，像视频自动标注、生物信息学、Web挖掘、信息检索、个性化推荐等现实应用中。

关联规则(Association rule)是知识发现领域中最活跃的研究方法之一，是Agrawal等在1993年首先提出的，用于挖掘顾客交易数据库中不同商品(项)之间的关联关系，这些规则反映了用户购买行为模式。关联规则挖掘的一个典型例子是购物篮分析。关联规则研究有助于发现交易数据库中不同商品（项）之间的联系，找出顾客购买行为模式，如购买了某一商品对购买其他商品的影响。分析结果可以应用于商品货架布局、货存安排以及根据购买模式对用户进行分类。

发明内容

本发明的技术任务是提供一种基于大数据多标记分类方法的电子商务商品推荐方法。

本发明的技术任务是按以下方式实现的，该电子商务商品推荐方法是在系统中建立商品推荐模型，商品推荐模型由分类模型和倾向模型结合建立而成，通过商品推荐模型对用户进行商品推荐。

所述的电子商务商品推荐方法的操作步骤如下：

步骤1：数据获取，获取所有商品及其现有标签；

步骤2：数据处理，将获取到的商品信息进行转换预处理，得到分类需要的训练样例；

步骤3：建立分类模型，根据步骤2中的训练样例进行分类器学习，最终建立分类模型；

步骤4：根据关联规则挖掘用户的购买倾向，获取用户的注册信息与购买记录和浏览记录，根据购买记录与浏览记录相应的权重获得购买倾向模型；

步骤5：根据十折交叉验证方式多次训练分类模型与倾向模型，使得模型的性能更加稳定；

步骤6：根据类别与购买倾向间的对应关系.通过商品推荐模型对用户进行商品推荐。

所述的步骤3中对于未知的样例,根据模型预测其可能具有的标记，并根据可能性大小计算持有概率。

本发明的一种基于大数据多标记分类方法的电子商务商品推荐方法和现有技术相比，能有效的引导用户购物，满足用户购物体验，在提高电子商务网站的点击率和知名度方面具有非常重要的作用。

附图说明

    附图１为一种基于大数据多标记分类方法的电子商务商品推荐方法的流程框图。

具体实施方式

　　实施例1：

该电子商务商品推荐方法是在系统中建立商品推荐模型，商品推荐模型由分类模型和倾向模型结合建立而成，通过商品推荐模型对用户进行商品推荐；

操作步骤如下：

步骤1：数据获取，获取所有商品及其现有标签；

步骤2：数据处理，将获取到的商品信息进行转换预处理，得到分类需要的训练样例；

步骤3：建立分类模型，根据步骤2中的训练样例进行分类器学习，最终建立分类模型；

步骤4：根据关联规则挖掘用户的购买倾向，获取用户的注册信息与购买记录和浏览记录，根据购买记录与浏览记录相应的权重获得购买倾向模型；

步骤5：根据十折交叉验证方式多次训练分类模型与倾向模型，使得模型的性能更加稳定；

步骤6：根据类别与购买倾向间的对应关系.通过商品推荐模型对用户进行商品推荐。

实施例2：

该电子商务商品推荐方法的操作步骤如下：

步骤1：数据获取，获取所有商品及其现有标签；

步骤2：数据处理， 将获取到的商品信息进行转换预处理，得到分类需要的训练样例，表示为x₁=[x₁₁,x₁₂,x₁₃,…,x_1n],对应结果集y={L₁,L₂,…,L_m}（标记L取值为0或1，0表示样例不具有该标记，1表示样例具有该标记）；

步骤3：建立分类模型，根据步骤2中的训练样例进行分类器学习，最终建立分类模型Y=f(x)，对于未知的样例x,根据模型可预测其可能具有的标记，并根据可能性大小计算持有概率；如新增商品，根据商品分类模型获取其可能具有的标记；

步骤4：根据关联规则挖掘用户的购买倾向，获取用户的注册信息与购买记录和浏览记录，根据购买记录与浏览记录相应的权重获得购买倾向模型；若是新增用户，根据注册信息预测其可能存在的购买倾向；

步骤5：根据十折交叉验证方式多次训练分类模型与倾向模型，使得模型的性能更加稳定；

步骤6：根据类别与购买倾向间的对应关系.通过商品推荐模型对用户进行商品推荐。

通过上面具体实施方式，所述技术领域的技术人员可容易的实现本发明。但是应当理解，本发明并不限于上述的几种具体实施方式。在公开的实施方式的基础上，所述技术领域的技术人员可任意组合不同的技术特征，从而实现不同的技术方案。

Claims (3)

1.一种基于大数据多标记分类方法的电子商务商品推荐方法，其特征在于，该电子商务商品推荐方法是在系统中建立商品推荐模型，商品推荐模型由分类模型和倾向模型结合建立而成，通过商品推荐模型对用户进行商品推荐。

2.根据权利要求1所述的一种基于大数据多标记分类方法的电子商务商品推荐方法，其特征在于，所述的电子商务商品推荐方法的操作步骤如下：

步骤1：数据获取，获取所有商品及其现有标签；

步骤2：数据处理，将获取到的商品信息进行转换预处理，得到分类需要的训练样例；

步骤3：建立分类模型，根据步骤2中的训练样例进行分类器学习，最终建立分类模型；

步骤4：根据关联规则挖掘用户的购买倾向，获取用户的注册信息与购买记录和浏览记录，根据购买记录与浏览记录相应的权重获得购买倾向模型；

步骤5：根据十折交叉验证方式多次训练分类模型与倾向模型，使得模型的性能更加稳定；

步骤6：根据类别与购买倾向间的对应关系.通过商品推荐模型对用户进行商品推荐。

3.   根据权利要求1所述的一种基于大数据多标记分类方法的电子商务商品推荐方法，其特征在于，所述的步骤3中对于未知的样例,根据模型预测其可能具有的标记，并根据可能性大小计算持有概率。