CN104851025A - 一种基于案例推理的电商网站商品的个性化推荐方法 - Google Patents

Abstract

本发明涉及一种基于案例推理的电商网站商品的个性化推荐方法，通过将当前访问用户的特征和访问行为构建目标问题，其他用户的特征和其历史访问行为以及和购买记录构建原始案例，应用模糊聚类，根据目标案例特征进行聚类，用户的特征、兴趣等相似程度高的案例聚集到同一类并标识，建立高相似性案例库，运用用户案例相似性检索和改进的模糊均值聚类算法推荐出与目标用户案例最相似的解案例集，对其进行修正并重用，并用于更新动态案例库。本发明不但增强了系统的实时性，还避免了以往推荐系统过多地依赖用户对商品的评价。

Description

一种基于案例推理的电商网站商品的个性化推荐方法

技术领域

本发明属于计算机技术领域，涉及电子商务个性化推荐技术，尤其涉及一种基于案例推理的电商网站商品的个性化推荐方法。，

背景技术

在“大数据网络环境下”要求电商运用大数据处理系统对消费者从无意识的网站浏览到商品购买以及购买后行为的跟踪，针对不同消费者的个性化需求做出更加实时和更富个性化推荐。常规的个性化推荐技术通过收集和分析用户信息来学习用户的兴趣和行为，很难做到实时更新和主动向用户提供精细的个性化推荐信息。同时，系统收集到用户的信息和行为具体高维稀疏性，很难利用这些稀少的信息来为其他用户提供精确的推荐，随着用户的增多，信息越来越丰富，为了更好地提供个性化推荐，如何快速有效利用这些用户偏好和历史购买行为就成为非常重要的问题。

目前的个性化推荐可以在已知用户的特征和对商品评价的海量信息的基础上对用户进行个性化推荐，然而，在实际的电子商务个性化推荐中，希望避免过多地依赖用户对商品的评价，并提供更实时的个性化推荐是当前推荐方案所不能实现的。

发明内容

发明是为了解决当前个性化推荐算法所存在的一些问题和不足，在结合案例推理技术的基础上引进了模糊聚类分析，提出一种基于案例推理的电商网站商品的个性化推荐方法。

为了实现上述目的，本发明提出了一种基于案例推理的电商网站商品的个性化推荐方法，包括以下步骤。

步骤S1：将当前访问用户的特征和访问行为构建目标问题，其他用户的特征和其历史访问行为以及和购买记录构建原始案例；

步骤S2：引入模糊聚类，系统根据案例的特征进行聚类，用户的特征、兴趣相似程度高的案例聚集到同一类并标识，建立高相似性案例库；

步骤S3：运用用户案例相似性检索，计算被检索原始案例属性与目标问题属性指标要求的满足程度，找出对目标问题大于一定相似度水平α的案例集；

步骤S4：检索出的目标案例属于哪个案例类，如果属于多个类，那么平均距离最小的即是目标案例所属的类；

步骤S5：用模糊平均聚类算法为目标案例进行推荐；

步骤S6：如果匹配相似值J_mix＞给定的阈值，且在分类门限下不隶属于任何一个聚类子集，则将新目标问题结果案例加入案例库，自动完成案例学习。

所述的案例建立方法包括：

101：建立一个四元组(U，A，V，F)的案例系统；其中，U＝{u₁，u₂，…，u_n}为案例实体集合，称为论域；案例空间A＝C∪D，C为条件属性集，D为决策集；V＝∨V_a是全体属性值集合，V_a是属性a的值域；F是U×A→V的一个函数。可以根据条件属性对论域进行划分，论域中的对象根据条件属性的不同，被划分到具有不同决策属性的决策类中。

102：用户的的特征以及历史访问行为归于条件属性集，用户的历史购买记录归于决策集，原始成熟案例的任一个案例由m个特征指标表示，即C＝{a₁，a₂，…，a_m}，D＝{f₁(r₁，r₂，…，r_p)，f₂(r₁，r₂，…，r_p)，…f_q(r₁，r₂，…，r_p)}，其中，a_i是历史用户特征和访问行为的条件属性，f_i是历史购买记录，属于决策集或推荐集，r_i是购买记录的相关对象属性，案例结构如图1所示，案例描述特征如图2所示。

所述步骤S2具体为：

201：对原始案例数据标准化，如式(1)所示：

$u_{\mathrm{ij}}^{\′}=\frac{u_{\mathrm{ij}}-{\stackrel{\‾}{u}}_j}{{\mathrm{\σ}}_j},i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,m---\left(1\right)$

其中， ${\stackrel{\‾}{u}}_j=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}},{\mathrm{\σ}}_j^2=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(u_{\mathrm{ij}}-{\stackrel{\‾}{u}}_j)}^2,j=\mathrm{1,2},...,m$

如果得到的标准化数据不在[0，1]内，则采用极值规格化处理，如式(2)所示：

$u_{\mathrm{ij}}^{\′}=\frac{u_{\mathrm{ij}}-m_j}{M_j-m_j};i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,m---\left(2\right)$

其中，M_j＝max(u_ij，u_2j，…，u_nj)，m_j＝min(u_ij，u_2j，…，u_nj)，i＝1，2，…，n；j＝1，2，…，m

202：案例u_i＝(u_i1，u_i2，…，u_im)与u_j＝(u_j1，u_j2，…，u_jm)之间的相似程度记为r_ij∈[0，1]，采用相关系数法计算案例之间的相似性，如式(3)所示：

$r_{\mathrm{ij}}=\frac{\underset{k=1}{\overset{m}{\mathrm{\Σ}}}|u_{\mathrm{ik}}-{\stackrel{\‾}{u}}_i||u_{\mathrm{jk}}-{\stackrel{\‾}{u}}_j|}{\sqrt{\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{(u_{\mathrm{ik}}-{\stackrel{\‾}{u}}_i)}^2}\·\sqrt{\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{(u_{\mathrm{jk}}-{\stackrel{\‾}{u}}_j)}^2}}$

其中， ${\stackrel{\‾}{u}}_i=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{u}_{\mathrm{ik}},{\stackrel{\‾}{u}}_j=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{u}_{\mathrm{jk}}$

203：模糊传递闭包法聚类，具体为：

1)求出传递闭包t(R)；

2)在[0，1]区间上适当选取置信水平值λ，求出t(R)_λ的截矩阵，得到水平上的等价分类；

3)按照从大到小的顺序排。

所述步骤S5具体为：

原始案例集U＝{u₁，u₂，…，u_n}经过模糊聚类后被自动划分为N(2≤N＜n)个分类，其中，u_i∈R^p，FCM的目标函数，如式(4)所示：

J_mix(O，x₁，x₂，…，x_N)＝(u_oi)^m||O-x_i||²   (4)

其中，m＞1的常数，这里去m＝2，x_i为i类聚类的中心，u_oi有(i＝1，2，…，N)为目标案例O对案例类i的隶属度，满足

本发明基于案例推理的电商网站商品的个性化推荐方法，能够根据案例检索空间由目标案例-案例库转换为目标案例-案例类，最大限度地缩小了目标案例的最近邻居案例的搜索空间，减少了匹配的计算时间，增强了个性化推荐的实时性，同时，能真实客观地反映用户的偏好，大大提高了用户的个性化程度。

附图说明

图1是本发明方法的案例结构图。

图2是本发明方法的案例描述特征图。

图3是本发明方法的实现流程图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步的详细说明。

本发明的基于案例推理的电商网站商品的个性化推荐方法，如图3所示，包括以下步骤：

步骤S1：将当前访问用户的特征和访问行为构建目标问题，其他用户的特征和其历史访问行为以及和购买记录构建原始案例，其建立方法包括：

101：建立一个四元组(U，A，V，F)的案例系统；其中，U＝{u₁，u₂，…，u_n}为案例实体集合，称为论域；案例空间A＝C∪D，C为条件属性集，D为决策集；V＝∨V_a是全体属性值集合，V_a是属性a的值域；F是U×A→V的一个函数。可以根据条件属性对论域进行划分，论域中的对象根据条件属性的不同，被划分到具有不同决策属性的决策类中。

102：用户的的特征以及历史访问行为归于条件属性集，用户的历史购买记录归于决策集，原始成熟案例的任一个案例由m个特征指标表示，即C＝{a₁，a₂，…，a_m}，D＝{f₁(r₁，r₂，…，r_p)，f₂(r₁，r₂，…，r_p)，…f_q(r₁，r₂，…，r_p)}，其中，a_i是历史用户特征和访问行为的条件属性，f_i是历史购买记录，属于决策集或推荐集，r_i是购买记录的相关对象属性，案例结构如图1所示，案例描述特征如图2所示。

步骤S2：引入模糊聚类，系统根据案例的特征进行聚类，用户的特征、兴趣相似程度高的案例聚集到同一类并标识，建立高相似性案例库，其建立方法包括：

201：对原始案例数据标准化，原始案例集U＝{u₁，u₂，…，u_n}，且每一个案例u_i有m个特征指标表示，即u_i＝(u_i1，u_i2，…，u_im)，i＝1，2，…，n，其中u_ij表示第i个案例的第j个特性指标，则建立案例特性指标矩阵U^*：

$U^{*}=\left(\begin{array}{cccc}{u}_{11}& u_{12}& ...& u_{1m}\\ u_{21}& u_{22}& ...& u_{2m}\\ ...& ...& ...& ...\\ u_{n1}& u_{n2}& ...& u_{\mathrm{nm}}\end{array}\right)$

如式(1)所示：

$u_{\mathrm{ij}}^{\′}=\frac{u_{\mathrm{ij}}-{\stackrel{\‾}{u}}_j}{{\mathrm{\σ}}_j},i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,m---\left(1\right)$

其中， ${\stackrel{\‾}{u}}_j=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}},{\mathrm{\σ}}_j^2=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(u_{\mathrm{ij}}-{\stackrel{\‾}{u}}_j)}^2,j=\mathrm{1,2},...,m$

如果得到的标准化数据不在[0，1]内，则采用极值规格化处理，如式(2)所示：

$u_{\mathrm{ij}}^{\′}=\frac{u_{\mathrm{ij}}-m_j}{M_j-m_j};i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,m---\left(2\right)$

其中，M_j＝max(u_ij，u_2j，…，u_nj)，m_j＝min(u_ij，u_2j，…，u_nj)，i＝1，2，…，n；j＝1，2，…，m

202：构造基于案例属性的模糊关系矩阵，案例u_i＝(u_i1，u_i2，…，u_im)与u_j＝(u_j1，u_j2，…，u_jm)之间的相似程度记为r_ij∈[0，1]，采用相关系数法计算案例之间的相似性，如式(3)所示：

$r_{\mathrm{ij}}=\frac{\underset{k=1}{\overset{m}{\mathrm{\Σ}}}|u_{\mathrm{ik}}-{\stackrel{\‾}{u}}_i||u_{\mathrm{jk}}-{\stackrel{\‾}{u}}_j|}{\sqrt{\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{(u_{\mathrm{ik}}-{\stackrel{\‾}{u}}_i)}^2}\·\sqrt{\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{(u_{\mathrm{jk}}-{\stackrel{\‾}{u}}_j)}^2}}---\left(3\right)$

其中， ${\stackrel{\‾}{u}}_i=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{u}_{\mathrm{ik}},{\stackrel{\‾}{u}}_j=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{u}_{\mathrm{jk}}$

203：模糊传递闭包法聚类，具体为：

1)求出传递闭包t(R)；

2)在[0，1]区间上适当选取置信水平值λ，求出t(R)_λ的截矩阵，得到水平上的等价分类；

3)按照从大到小的顺序排。

步骤S3：运用用户案例相似性检索，计算被检索原始案例属性与目标问题属性指标要求的满足程度，找出对目标问题大于一定相似度水平α的案例集；

步骤S4：检索出目标案例属于哪个案例类。如果属于多个类，那么平均距离最小的即是目标案例所属的类。

步骤S5：解案例的搜索由原来的目标案例与整个问题案例之间的匹配问题，转变为目标案例与高相似性案例库进行相似匹配，通过模糊平均聚类算法计算目标案例与高相似性案例库进行相似匹配的相似值，将大于匹配阀值的所有解案例推荐给当前用户，其计算方法包括：

原始案例集U＝{u₁，u₂，…，u_n}经过模糊聚类后被自动划分为N(2≤N＜n)个分类，其中，u_i∈R^p，FCM的目标函数为，如式(4)所示：

J_mix(O，x₁，x₂，…，x_N)＝(u_oi)^m||O-x_i||²   (4)

其中，m＞1的常数，这里去m＝2，x_i为i类聚类的中心，u_oi有(i＝1，2，…，N)为目标案例O对案例类i的隶属度，满足

步骤S6：如果匹配相似值J_mix＞给定的阈值，且在分类门限下不隶属于任何一个聚类子集，则将新目标问题结果案例加入案例库，自动完成案例学习。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (4)

1.一种基于案例推理技术的电商网站商品的个性化推荐方法，其特征在于，该方法包括如下步骤：

步骤S1：将当前访问用户的特征和访问行为构建目标问题，其他用户的特征和其历史访问行为以及和购买记录构建原始案例；

步骤S2：引入模糊聚类，系统根据案例的特征进行聚类，用户的特征、兴趣相似程度高的案例聚集到同一类并标识，建立高相似性案例库；

步骤S3：运用用户案例相似性检索，计算被检索原始案例属性与目标问题属性指标要求的满足程度，找出对目标问题大于一定相似度水平α的案例集；

步骤S4：检索出的目标案例属于哪个案例类。如果属于多个类，那么平均距离最小的即是目标案例所属的类；

步骤S5：用模糊平均聚类算法为目标案例进行推荐；

步骤S6：如果匹配相似值J_mix＞给定的阈值，且在分类门限下不隶属于任何一个聚类子集，则将新目标问题结果案例加入案例库，自动完成案例学习。

2.根据权利要求1所述的一种基于案例推理技术的电商网站商品的个性化推荐方法，其特征在于，所述的案例模型的建立方法包括：

101：建立一个四元组(U，A，V，F)的案例系统；其中，U＝{u₁，u₂，...，u_n}为案例实体集合，称为论域；案例空间A＝C∪D，C为条件属性集，D为决策集；是全体属性值集合，V_a是属性a的值域；F是U×A→V的一个函数。可以根据条件属性对论域进行划分，论域中的对象根据条件属性的不同，被划分到具有不同决策属性的决策类中。

102：用户的的特征以及历史访问行为归于条件属性集，用户的历史购买记录归于决策集，原始成熟案例的任一个案例由m个特征指标表示，即C＝{a₁，a₂，...，a_m}，D＝{f₁(r₁，r₂，...，r_D)，f₂(r₁，r₂，...，r_p)，...f_q(r₁，r₂，...，r_p)}，其中，a_i是历史用户特征和访问行为的条件属性，f_i是历史购买记录，属于决策集或推荐集，r_i是购买记录的相关对象属性。

3.根据权利要求1所述的一种基于案例推理技术的电商网站商品的个性化推荐方法，其特征在于，所述的步骤S2具体为：

201：对原始案例数据标准化，如式(1)所示：

${u^{\′}}_{\mathrm{ij}}=\frac{u_{\mathrm{ij}}-{\stackrel{\‾}{u}}_j}{{\mathrm{\σ}}_j},i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,m---\left(1\right)$

其中， ${\stackrel{\‾}{u}}_j=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}},{\mathrm{\σ}}_j^2=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(u_{\mathrm{ij}}-{\stackrel{\‾}{u}}_j)}^2,j=\mathrm{1,2},...,m$

如果得到的标准化数据不在[0，1]内，则采用极值规格化处理，如式(2)所示：

${u^{\′}}_{\mathrm{ij}}=\frac{u_{\mathrm{ij}}-m_j}{M_j-m_j};i=\mathrm{1,2},...;j=\mathrm{1,2},...,m---\left(2\right)$

其中，M_i＝max(u_ij，u_2j，...，u_nj)，m_i＝min(u_ij，u_2j，...，u_nj)，i＝1，2，...，n；j＝1，2，...，m

202：案例u_i＝(u_i1u_i2，...，u_im)与u_j＝(u_j1，u_j2，...，u_jm)之间的相似程度记为r_ij∈[0，1]，采用相关系数法计算案例之间的相似性，如式(3)所示：

$r_{\mathrm{ij}}=\frac{\underset{k=1}{\overset{m}{\mathrm{\Σ}}}|u_{\mathrm{ik}}-{\stackrel{\‾}{u}}_i||u_{\mathrm{jk}}-{\stackrel{\‾}{u}}_j|}{\sqrt{\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{(u_{\mathrm{ik}}-{\stackrel{\‾}{u}}_i)}^2}\·\sqrt{\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{(u_{\mathrm{jk}}-{\stackrel{\‾}{u}}_j)}^2}}---\left(3\right)$

其中， ${\stackrel{\‾}{u}}_i=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{u}_{\mathrm{ik}},{\stackrel{\‾}{u}}_j=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{u}_{\mathrm{jk}}$

203：模糊传递闭包法聚类，具体为：

1)求出传递闭包t(R)；

2)在[0，1]区间上适当选取置信水平值λ，求出t(R)_λ的截矩阵，得到水平上的等价分类；

3)按照从大到小的顺序排。

4.根据权利要求1所述的一种基于案例推理技术的电商网站商品的个性化推荐方法，其特征在于，所述的原始案例集U＝{u₁，u₂，...，u_n}经过模糊聚类后被自动划分为N(2≤N＜n)个分类，其中，u_i∈R^p，FCM的目标函数，如式(4)所示：

J_mix(O，x₁，x₂，...，x_N)＝(u_oi)^m||O-x_i||²   (4)

其中，m＞1的常数，这里去m＝2，x_i为i类聚类的中心，u_oi有(i＝1，2，...，N)为目标案例O对案例类i的隶属度，满足