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
一种基于案例推理的电商网站商品的个性化推荐方法 Download PDFInfo
- Publication number
- CN104851025A CN104851025A CN201510244401.6A CN201510244401A CN104851025A CN 104851025 A CN104851025 A CN 104851025A CN 201510244401 A CN201510244401 A CN 201510244401A CN 104851025 A CN104851025 A CN 104851025A
- Authority
- CN
- China
- Prior art keywords
- case
- overbar
- sigma
- user
- similarity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
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
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Jmix>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,…,un}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=∨Va是全体属性值集合,Va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,…,am},D={f1(r1,r2,…,rp),f2(r1,r2,…,rp),…fq(r1,r2,…,rp)},其中,ai是历史用户特征和访问行为的条件属性,fi是历史购买记录,属于决策集或推荐集,ri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:
其中,
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:
其中,Mj=max(uij,u2j,…,unj),mj=min(uij,u2j,…,unj),i=1,2,…,n;j=1,2,…,m
202:案例ui=(ui1,ui2,…,uim)与uj=(uj1,uj2,…,ujm)之间的相似程度记为rij∈[0,1],采用相关系数法计算案例之间的相似性,如式(3)所示:
其中,
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,…,un}经过模糊聚类后被自动划分为N(2≤N<n)个分类,其中,ui∈Rp,FCM的目标函数,如式(4)所示:
Jmix(O,x1,x2,…,xN)=(uoi)m||O-xi||2 (4)
其中,m>1的常数,这里去m=2,xi为i类聚类的中心,uoi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,…,un}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=∨Va是全体属性值集合,Va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,…,am},D={f1(r1,r2,…,rp),f2(r1,r2,…,rp),…fq(r1,r2,…,rp)},其中,ai是历史用户特征和访问行为的条件属性,fi是历史购买记录,属于决策集或推荐集,ri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,…,un},且每一个案例ui有m个特征指标表示,即ui=(ui1,ui2,…,uim),i=1,2,…,n,其中uij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*:
如式(1)所示:
其中,
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:
其中,Mj=max(uij,u2j,…,unj),mj=min(uij,u2j,…,unj),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ui=(ui1,ui2,…,uim)与uj=(uj1,uj2,…,ujm)之间的相似程度记为rij∈[0,1],采用相关系数法计算案例之间的相似性,如式(3)所示:
其中,
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,…,un}经过模糊聚类后被自动划分为N(2≤N<n)个分类,其中,ui∈Rp,FCM的目标函数为,如式(4)所示:
Jmix(O,x1,x2,…,xN)=(uoi)m||O-xi||2 (4)
其中,m>1的常数,这里去m=2,xi为i类聚类的中心,uoi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Jmix>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Jmix>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,...,un}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,Va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,...,am},D={f1(r1,r2,...,rD),f2(r1,r2,...,rp),...fq(r1,r2,...,rp)},其中,ai是历史用户特征和访问行为的条件属性,fi是历史购买记录,属于决策集或推荐集,ri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:
其中,
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:
其中,Mi=max(uij,u2j,...,unj),mi=min(uij,u2j,...,unj),i=1,2,...,n;j=1,2,...,m
202:案例ui=(ui1ui2,...,uim)与uj=(uj1,uj2,...,ujm)之间的相似程度记为rij∈[0,1],采用相关系数法计算案例之间的相似性,如式(3)所示:
其中,
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,...,un}经过模糊聚类后被自动划分为N(2≤N<n)个分类,其中,ui∈Rp,FCM的目标函数,如式(4)所示:
Jmix(O,x1,x2,...,xN)=(uoi)m||O-xi||2 (4)
其中,m>1的常数,这里去m=2,xi为i类聚类的中心,uoi有(i=1,2,...,N)为目标案例O对案例类i的隶属度,满足
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510244401.6A CN104851025A (zh) | 2015-05-09 | 2015-05-09 | 一种基于案例推理的电商网站商品的个性化推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510244401.6A CN104851025A (zh) | 2015-05-09 | 2015-05-09 | 一种基于案例推理的电商网站商品的个性化推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104851025A true CN104851025A (zh) | 2015-08-19 |
Family
ID=53850654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510244401.6A Pending CN104851025A (zh) | 2015-05-09 | 2015-05-09 | 一种基于案例推理的电商网站商品的个性化推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104851025A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204163A (zh) * | 2016-07-29 | 2016-12-07 | 北京京东尚科信息技术有限公司 | 一种用户属性特征的确定方法和装置 |
CN106651418A (zh) * | 2015-11-03 | 2017-05-10 | 北京京东尚科信息技术有限公司 | 针对电商满减活动的凑单商品推荐的方法 |
CN107203518A (zh) * | 2016-03-16 | 2017-09-26 | 阿里巴巴集团控股有限公司 | 在线系统个性化推荐的方法、系统以及装置、电子设备 |
CN107220295A (zh) * | 2017-04-27 | 2017-09-29 | 银江股份有限公司 | 一种人民矛盾调解案例搜索和调解策略推荐方法 |
CN107220831A (zh) * | 2017-04-06 | 2017-09-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于防伪溯源系统的用户群体划分方法及系统 |
CN107798202A (zh) * | 2017-11-16 | 2018-03-13 | 贵州大学 | 基于案例推理的木制民居定制方法 |
CN108428200A (zh) * | 2018-03-16 | 2018-08-21 | 浙江大学城市学院 | 一种基于案例推理的电商领域专利侵权判定系统及判定方法 |
CN109242593A (zh) * | 2018-07-24 | 2019-01-18 | 武汉纺织大学 | 一种基于案例推理的服装推荐方法、装置和存储介质 |
CN112541111A (zh) * | 2020-11-09 | 2021-03-23 | 武汉蝌蚪信息技术有限公司 | 基于去中心化大数据检索市场的商品检索及商品推荐系统 |
CN113158024A (zh) * | 2021-02-26 | 2021-07-23 | 中国科学技术大学 | 一种纠正推荐系统流行度偏差的因果推理方法 |
CN113191735A (zh) * | 2021-05-08 | 2021-07-30 | 中国电力科学研究院有限公司 | 一种基于案例驱动的电网资产全寿命管理方法及系统 |
CN113327125A (zh) * | 2021-04-30 | 2021-08-31 | 徐州工业职业技术学院 | 一种基于案例推理的电商网站商品的个性化推荐方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214332A (zh) * | 2011-06-29 | 2011-10-12 | 浪潮集团山东通用软件有限公司 | 一种柔性调整权值的财务预警专家系统 |
CN103377250A (zh) * | 2012-04-27 | 2013-10-30 | 杭州载言网络技术有限公司 | 基于邻域的top-k推荐方法 |
CN104317900A (zh) * | 2014-10-24 | 2015-01-28 | 重庆邮电大学 | 一种面向社交网络的多属性协同过滤推荐方法 |
-
2015
- 2015-05-09 CN CN201510244401.6A patent/CN104851025A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214332A (zh) * | 2011-06-29 | 2011-10-12 | 浪潮集团山东通用软件有限公司 | 一种柔性调整权值的财务预警专家系统 |
CN103377250A (zh) * | 2012-04-27 | 2013-10-30 | 杭州载言网络技术有限公司 | 基于邻域的top-k推荐方法 |
CN104317900A (zh) * | 2014-10-24 | 2015-01-28 | 重庆邮电大学 | 一种面向社交网络的多属性协同过滤推荐方法 |
Non-Patent Citations (3)
Title |
---|
卢志刚: "《电子商务声誉 结构与评价研究》", 30 June 2014 * |
张曌、夏国平、李雪峰: "基于案例推理的电子商务个性化推荐系统", 《计算机工程》 * |
曹占吉: "一种集成的案例推理方法研究及其应用", 《万方数据知识服务平台》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651418A (zh) * | 2015-11-03 | 2017-05-10 | 北京京东尚科信息技术有限公司 | 针对电商满减活动的凑单商品推荐的方法 |
CN107203518A (zh) * | 2016-03-16 | 2017-09-26 | 阿里巴巴集团控股有限公司 | 在线系统个性化推荐的方法、系统以及装置、电子设备 |
CN106204163A (zh) * | 2016-07-29 | 2016-12-07 | 北京京东尚科信息技术有限公司 | 一种用户属性特征的确定方法和装置 |
CN107220831A (zh) * | 2017-04-06 | 2017-09-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于防伪溯源系统的用户群体划分方法及系统 |
CN107220295B (zh) * | 2017-04-27 | 2020-02-07 | 银江股份有限公司 | 一种人民矛盾调解案例搜索和调解策略推荐方法 |
CN107220295A (zh) * | 2017-04-27 | 2017-09-29 | 银江股份有限公司 | 一种人民矛盾调解案例搜索和调解策略推荐方法 |
CN107798202A (zh) * | 2017-11-16 | 2018-03-13 | 贵州大学 | 基于案例推理的木制民居定制方法 |
CN108428200A (zh) * | 2018-03-16 | 2018-08-21 | 浙江大学城市学院 | 一种基于案例推理的电商领域专利侵权判定系统及判定方法 |
CN109242593A (zh) * | 2018-07-24 | 2019-01-18 | 武汉纺织大学 | 一种基于案例推理的服装推荐方法、装置和存储介质 |
CN109242593B (zh) * | 2018-07-24 | 2022-01-28 | 武汉纺织大学 | 一种基于案例推理的服装推荐方法、装置和存储介质 |
CN112541111A (zh) * | 2020-11-09 | 2021-03-23 | 武汉蝌蚪信息技术有限公司 | 基于去中心化大数据检索市场的商品检索及商品推荐系统 |
CN113158024A (zh) * | 2021-02-26 | 2021-07-23 | 中国科学技术大学 | 一种纠正推荐系统流行度偏差的因果推理方法 |
CN113158024B (zh) * | 2021-02-26 | 2022-07-15 | 中国科学技术大学 | 一种纠正推荐系统流行度偏差的因果推理方法 |
CN113327125A (zh) * | 2021-04-30 | 2021-08-31 | 徐州工业职业技术学院 | 一种基于案例推理的电商网站商品的个性化推荐方法 |
CN113191735A (zh) * | 2021-05-08 | 2021-07-30 | 中国电力科学研究院有限公司 | 一种基于案例驱动的电网资产全寿命管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104851025A (zh) | 一种基于案例推理的电商网站商品的个性化推荐方法 | |
Ali et al. | A data-driven approach for multi-scale GIS-based building energy modeling for analysis, planning and support decision making | |
TW202022769A (zh) | 風險辨識模型訓練方法、裝置及伺服器 | |
Ernawati et al. | A review of data mining methods in RFM-based customer segmentation | |
El Morr et al. | Descriptive, predictive, and prescriptive analytics | |
CN110555455A (zh) | 一种基于实体关系的在线交易欺诈检测方法 | |
Lin et al. | Applying enhanced data mining approaches in predicting bank performance: A case of Taiwanese commercial banks | |
CN111046297A (zh) | 一种基于机器学习算法的服务智能匹配推荐方法、装置、设备及存储介质 | |
CN109829721B (zh) | 基于异质网络表征学习的线上交易多主体行为建模方法 | |
CN104239496A (zh) | 一种结合模糊权重相似性度量和聚类协同过滤的方法 | |
CN105069666A (zh) | 一种融入用户隐性信息的电子商务个性化推荐方法 | |
Khan et al. | Evaluating the performance of several data mining methods for predicting irrigation water requirement | |
Xu et al. | Personalized product recommendation method for analyzing user behavior using DeepFM | |
Xu et al. | Novel key indicators selection method of financial fraud prediction model based on machine learning hybrid mode | |
Akerkar | Advanced data analytics for business | |
Zhang et al. | A novel hybrid correlation measure for probabilistic linguistic term sets and crisp numbers and its application in customer relationship management | |
Nasution et al. | Entrepreneurship intention prediction using decision tree and support vector machine | |
CN112287020B (zh) | 一种基于图分析的大数据挖掘方法 | |
Bou-Hamad | Bayesian credit ratings: A random forest alternative approach | |
Hasheminejad et al. | Clustering of bank customers based on lifetime value using data mining methods | |
Ma et al. | Missing value imputation method for disaster decision-making using K nearest neighbor | |
CN113762703A (zh) | 确定企业画像的方法和装置、计算设备和存储介质 | |
Shekarian | A novel application of the VIKOR method for investigating the effect of education on housing choice | |
KR102358357B1 (ko) | 시장규모추정장치 및 그 동작 방법 | |
CN110543601B (zh) | 一种基于中智集的上下文感知兴趣点推荐方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150819 |