CN105761122A - 一种融合制造商相似度的产品推荐方法及装置 - Google Patents

Abstract

本发明提供了一种融合制造商相似度的产品推荐方法及装置，该方法包括获取关系信息并生成以产品和企业为节点的产品?企业关系网络拓扑；获取产品和企业信息并依据产品?企业关系网络拓扑并进行存储；计算任意两个制造商之间的共用供应商在这两个制造商总供应商中所占的比例，得到企业业务相似度；确定由若干个产品构成的推荐产品集合；将推荐产品集合与产品制造商进行关联，并将关联的产品制造商存储至产品制造商集合；从制造商集合中任选一制造商，筛选出与该制造商的企业业务相似度大于或等于预设企业业务相似度阈值的制造商并存储至推荐制造商集合；根据产品?企业关系网络拓扑，从推荐产品集合中，筛选出与推荐制造商集合相关联的推荐产品。

Description

一种融合制造商相似度的产品推荐方法及装置

技术领域

本发明面向制造与产品销售领域，涉及一种融合制造商相似度的产品推荐方法及装置。

背景技术

随着社会与互联网的快速发展，同质化已经成为各行各业一个非常普遍的特点。在同质化特点的影响下，不利于消费者正确识别与购买自己真正所需要的商品。与此同时，制造业分工的加剧甚至全球化采购大市场的形成，使得关键零部件采购变得非常便利，剩下的只是产品外观的差异。传统消费者在购买过程中处于弱势地位，对产品仅仅能了解到产品的价格、外观、性能等因素，对于更多的产品关联信息是无从了解的。互联网的出现，可以帮助消费者在产品购买过程中，有机会获取产品的口碑、性价比与其制造商的影响力等，并通过多种因素的比对可以使消费者更好的认识到自己的需求，做出正确的消费选择。

一般的，网站在进行推荐时基于内容或协同过滤的方式。根据用户的历史行为进行挖掘，对用户的历史数据进行建模，并在此基础上对于用户的未来数据进行预测或是根据与该用户具有相同购买习惯的用户的行为进行推荐。

但是这种推荐方法根据用户的历史操作在用户与产品的二维角度对产品进行推荐，将二维数据拆分成用户与产品矩阵和产品与产品关联矩阵进行关联，而且现有的相关性算法对系统资源的消耗较大，数据处理速度慢，效率较低。此外，现有的相关性算法未能真正综合多维数据全面考虑，因此推荐结果具有很大的局限性并不精确。

发明内容

为了解决传统推荐算法存在的局限性，本发明提供一种融合制造商相似度的产品推荐方法及装置，该方法在产品-企业网络拓扑中融合供应商相似度为用户做出产品的个性化精确推荐。

一种融合制造商相似度的产品推荐方法，包括以下步骤：

步骤(1)：获取关系信息并生成以产品和企业为节点的产品-企业关系网络拓扑；所述关系信息包括产品与产品关系、产品与企业关系以及企业与企业关系；企业与企业关系为供应商与制造商关系；

步骤(2)：获取产品和企业信息并依据产品-企业关系网络拓扑存储至Neo4j图数据库；在Neo4j图数据库中，计算任意两个制造商之间的共用供应商在这两个制造商总供应商中所占的比例，得到企业业务相似度；

步骤(3)：获取用户的特性信息、产品的特性信息以及用户在预设时间段内对产品的关注度和评价度信息，并根据上述信息确定由若干个产品构成的推荐产品集合；根据产品-企业关系网络拓扑，将推荐产品集合与制造商进行关联，并将关联的制造商存储至制造商集合；

步骤(4)：从制造商集合中任选一制造商，筛选出与该制造商的企业业务相似度大于或等于预设企业业务相似度阈值的制造商并存储至推荐制造商集合；根据产品-企业关系网络拓扑，从推荐产品集合中，筛选出与推荐制造商集合相关联的推荐产品。

所述步骤(1)中产品与产品关系包括产品供应、同质以及潜在供应关系。

所述步骤(1)中产品与企业关系包括供应和制造关系。

所述步骤(2)中获取产品信息的过程为：

爬取存储在产品数据库内的产品信息；

对爬取的产品信息进行清洗，得到符合预设要求的产品信息。

所述步骤(2)中获取企业信息的过程为：

爬取存储在企业数据库内的企业信息；

对爬取的企业信息进行清洗，得到符合预设要求的企业信息。

所述步骤(3)中的用户在预设时间段内对产品的关注度信息采用0-1之间的任一数值来表示。

所述步骤(3)中的用户在预设时间段内对产品的评价度信息采用0-1之间的任一数值来表示。

一种应用融合制造商相似度的产品推荐方法的推荐装置，包括：

产品-企业关系网络拓扑构建模块，其被配置为获取关系信息并生成以产品和企业为节点的产品-企业关系网络拓扑；所述关系信息包括产品与产品关系、产品与企业关系以及企业与企业关系；企业与企业关系为供应商与制造商关系；

信息存储及企业业务度计算模块，其被配置为获取产品和企业信息并依据产品-企业关系网络拓扑存储至Neo4j图数据库；在Neo4j图数据库中，计算任意两个制造商之间的共用供应商在这两个制造商总供应商中所占的比例，得到企业业务相似度；

产品制造商集合筛选模块，其被配置为获取用户的特性信息、产品的特性信息以及用户在预设时间段内对产品的关注度和评价度信息，并根据上述信息确定由若干个产品构成的推荐产品集合；根据产品-企业关系网络拓扑，将推荐产品集合与制造商进行关联，并将关联的制造商存储至制造商集合；

产品推荐模块，其被配置为从制造商集合中任选一制造商，筛选出与该制造商的企业业务相似度大于或等于预设企业业务相似度阈值的制造商并存储至推荐制造商集合；根据产品-企业关系网络拓扑，从推荐产品集合中，筛选出与推荐制造商集合相关联的推荐产品。

所述信息存储及企业业务度计算模块，包括产品信息爬取模块，其被配置为爬取存储在产品数据库内的产品信息；

产品信息清洗模块，其被配置为对爬取的产品信息进行清洗，得到符合预设要求的产品信息。

所述信息存储及企业业务度计算模块，还包括企业信息爬取模块，其被配置为爬取存储在企业数据库内的企业信息；

企业信息清洗模块，其被配置为对爬取的企业信息进行清洗，得到符合预设要求的企业信息。

本发明的有益效果为：

(1)本发明根据获取关系信息并生成以产品和企业为节点的产品-企业关系网络拓扑；该产品-企业关系网络拓扑将产品与产品关系、产品与企业关系以及企业与企业关系均融合至产品-企业关系网络拓扑中，从而建立了产品-企业的关联关系并将其关联关系存储至Neo4j图数据库中，这样产品-企业关系网络结构降低了对于系统资源的要求，降低了资源消耗，提高了数据处理速度，进而提高了产品筛选的速度，即使在海量用户、海量产品、海量产品数据的情况下，也能够及时地为用户进行产品推荐；

(2)本发明还根据用户的特性信息、产品的特性信息以及用户在预设时间段内对产品的关注度和评价度信息，在产品-企业网络拓扑中融合供应商相似度为用户做出产品的个性化和准确推荐；与传统产品推荐相比，以融合供应商相似度的产品个性化推荐方法不仅融合了传统的产品分类检索，而是将产品与企业有效的联系在一起，以更深层次的共用供应商为计算依据，从而大大减少了基础推荐产品集的数据量，降低了对于系统资源的要求，提高了产品推荐的速度和准确性，即更加灵活的对产品进行个性化和准确地推荐。

附图说明

图1为本发明的融合制造商相似度的产品推荐方法的流程图；

图2为本发明的融合制造商相似度的产品推荐装置结构示意图。

具体实施方式

下面结合附图与实例对本发明做进一步说明：

本发明的融合制造商相似度的产品推荐方法中，用户通过客户端与服务器之间进行通信，以从服务器中获取所感兴趣产品的产品信息；并且，服务器还可以向用户所在的客户端返回向用户推荐的产品信息。

用户的特性信息包括：用户的来源地区，偏好产品子类目，价格区间，品牌，风格，颜色，材质，用户活跃度，用户诚信度等属性字段。

产品的特性信息包括：产品的子类目、价格、品牌、风格、颜色、材质、信息质量评级、热销度、关注度、发布时间等属性字段。

用户对产品的关注度信息包括：每一用户对各种产品的关注度值以及该用户的来源地区。

用户对产品的评价度信息包括：每一用户对各种产品的评价度值。

在实际应用中，可以通过网页的日志记录获取产品的曝光次数，点击次数等；或者，还可以通过产品数据库的访问交易记录，得到用户在预设时间段内对产品的关注度和评价度信息。

如图1所示为本发明的融合制造商相似度的产品推荐方法的一个实施例，该推荐方法包括以下步骤：

步骤(1)：获取关系信息并生成以产品和企业为节点的产品-企业关系网络拓扑；所述关系信息包括产品与产品关系、产品与企业关系以及企业与企业关系；企业与企业关系为供应商与制造商关系。

具体地，本发明的产品-企业关系网络拓扑包括产品与产品关系、产品与企业关系以及企业与企业关系这三种关系。

其中，企业与企业关系可构建一张有向图。使用Neo4j图数据库对数据及数据间关系进行存储。使用Cypher语句在Neo4j图数据库中进行企业节点的创建及企业关系的连接。具体过程为：

企业节点的创建。从爬取到的数据中将每个企业取出，然后按如下Cypher语句插入到Neo4j图数据库中:

Cypher：create(n:Enterprise{id:’企业id’,mc:’企业名称’,qt:’其他企业属性’})

企业之间供应关系的建立。从爬取到的数据中将每条关系取出，分别得到供应商gid和制造商zid。按如下Cypher插入到Neo4j图数据库中：

Cypher：matchstartn＝node(gid),m＝node(zid)createn-[:Supply_to]->m

产品与产品关系也可构建出一张有向图。具体过程为：从爬取到的数据中将每个产品取出，然后按如下Cypher语句插入到Neo4j图数据库中:

Cypher：create(n:Product{id:’产品id’,mc:’产品名称’,qt:’产品的其他参数’})

从爬取到的数据中将每个用户取出，然后按如下Cypher语句插入到Neo4j图数据库中:

Cypher：create(n:User{id:’用户id’,name:’用户名’,qt:’用户的其他属性’，pj:’用户对产品的评分评价’})

从爬取到的数据中将每条用户与产品的关系取出，分别得到产品cid和用户yid。按如下Cypher插入到Neo4j图数据库中:

Cypher：match(n:Product{id:’cid’}),(m:User{id:’yid’})createn-[:Has_user]->m

根据爬取到的数据中的每条产品与企业的关系，分别得到产品cid和企业qid。按如下Cypher插入到Neo4j图数据库中：

Cypher：matchstartn＝node(cid),m＝node(qid)createm-[:Has_product]->n

最终得到产品-企业关系网络拓扑。

步骤(2)：获取产品和企业信息并依据产品-企业关系网络拓扑存储至Neo4j图数据库。

企业信息的获取，通过对互联网上公开的企业数据的爬取、清洗与处理。企业信息获取的主要工作为：

①从互联网上的公开网站筛选企业信息数据源。

②针对不同的数据网站定制数据爬虫。

③从数据源网站获取数据并将数据进行清洗与整理，并存入数据库。

产品信息的获取，通过对互联网上公开的产品信息的爬取、清洗与处理。产品信息获取的主要工作为：

①从互联网上的公开网站筛选产品信息数据源。

②针对不同的数据网站定制数据爬虫。

③从数据源网站获取产品信息及产品对应的用户及用户评价数据，将数据进行清洗与整理，并存入数据库。

在Neo4j图数据库中，计算任意两个制造商之间的共用供应商在这两个制造商总供应商中所占的比例，得到企业业务相似度。其具体过程为：通过已经构造出来的企业-产品网络，进行企业业务相似度计算，主要方法就是计算任意两个制造商之间的共用供应商在总的供应商中所占的比例。定义P(ENT_i)为制造商i的供应商集合，P(ENT_j)为制造商j的供应商集合，SHARE即为制造商i和j所共用的供应商数目。定义SIM_ij为制造商i和j的业务相似度。主要计算公式为：

SHARE＝|P(ENT_i)∩P(ENT_j)|

${\mathrm{SIM}}_{ij}=\frac{SHARE}{MIN\left(\right|P\left({\mathrm{ENT}}_i\right)|,|P\left({\mathrm{ENT}}_j\right)\left|\right)}$

在图数据库中计算企业业务相似度主要步骤如下：

①去除供应商数目过少制造商。由于数据集是从网络爬取的，存在一些噪音数据，我们将供应商数目少于30的作为噪音数据去掉。并将符合要求的制造商标签设为“OK”。

②针对每一个标签为“OK”的企业，获取其id，进行③-⑥

③取制造商P，其编号为pid，计算其拥有的供应商数目pnum；

④根据制造商P，取与其有共用供应商的其他每一制造商Q，并获得共用供应商数目SHARE。针对每一制造商Q，进行⑤-⑥；

⑤根据制造商Q的qid，计算该制造商的拥有的供应商数目qnum。

⑥计算企业P和企业Q的业务相似度SIM_pq，并建立一条从企业P指向企业Q的边，其关系类型为Similar，其相似度属性名为SIM，值为SIM_pq。

⑦最终构造出来一个新的图S，任意两个有共用供应商的制造商，有一条Similar类型的边相连，边的属性SIM即为业务相似度。

步骤(3)：获取用户的特性信息、产品的特性信息以及用户在预设时间段内对产品的关注度和评价度信息，并根据上述信息确定由若干个产品构成的推荐产品集合；根据产品-企业关系网络拓扑，将推荐产品集合与制造商进行关联，并将关联的制造商存储至制造商集合。

其中，在该步骤(3)中的用户在预设时间段内对产品的关注度信息采用0-1之间的任一数值来表示。

在该步骤(3)中的用户在预设时间段内对产品的评价度信息采用0-1之间的任一数值来表示。对每一个产品的所有用户的评价度信息进行计算。定义P_ij为产品i的某一用户j，D_ijk为用户j对产品i的第k项指标的评价度，定义AVG_i为产品i的综合评价度，AVG_MK_ik为产品i第k项指标的综合评价度。主要计算公式为：

${\mathrm{AVG}}_i=\frac{\underset{j=1}{\overset{m}{\Σ}}\frac{\underset{k=1}{\overset{n}{\Σ}}{D}_{ijk}}{n}}{m}$

$AVG\_{\mathrm{MK}}_{ik}=\frac{\underset{j=1}{\overset{n}{\Σ}}{D}_{ijk}}{n}$

步骤(4)：从制造商集合中任选一制造商，筛选出与该制造商的企业业务相似度大于或等于预设企业业务相似度阈值的制造商并存储至推荐制造商集合；根据产品-企业关系网络拓扑，从推荐产品集合中，筛选出与推荐制造商集合相关联的推荐产品。

本实施例在企业中引入网络的思想，将主机厂与供应商分别作为实体通过供应关系进行结合，形成一个企业关系网络，继而在此基础上分析企业的供应商相似度。将产品与用户分别作为实体，直接进行关联形成一个产品网络，通过产品可以直接了解到购买过该产品用户对产品的评价，通过以上将企业-产品-用户-评价相结合从而形成一个多维的数据网络，直接对多维网络数据进行分析，从而提高分析效率，在这个庞大的网络中以图的形式来解决传统产品推荐中存在的问题。进而可以通过将企业网络与产品网络进行结合形成企业-产品网络，在比较产品的同时对其供应商与制造商进行比较，从而对产品进行更加个性化的推荐。

下面给出本发明的应用融合制造商相似度的产品推荐方法的推荐装置的实施例，如图2所示，本发明的推荐装置包括：

产品-企业关系网络拓扑构建模块，其被配置为获取关系信息并生成以产品和企业为节点的产品-企业关系网络拓扑；所述关系信息包括产品与产品关系、产品与企业关系以及企业与企业关系；企业与企业关系为供应商与制造商关系；

信息存储及企业业务度计算模块，其被配置为获取产品和企业信息并依据产品-企业关系网络拓扑存储至Neo4j图数据库；在Neo4j图数据库中，计算任意两个制造商之间的共用供应商在这两个制造商总供应商中所占的比例，得到企业业务相似度；

产品制造商集合筛选模块，其被配置为获取用户的特性信息、产品的特性信息以及用户在预设时间段内对产品的关注度和评价度信息，并根据上述信息确定由若干个产品构成的推荐产品集合；根据产品-企业关系网络拓扑，将推荐产品集合与制造商进行关联，并将关联的制造商存储至制造商集合；

产品推荐模块，其被配置为从制造商集合中任选一制造商，筛选出与该制造商的企业业务相似度大于或等于预设企业业务相似度阈值的制造商并存储至推荐制造商集合；根据产品-企业关系网络拓扑，从推荐产品集合中，筛选出与推荐制造商集合相关联的推荐产品。

进一步地，信息存储及企业业务度计算模块，包括产品信息爬取模块，其被配置为爬取存储在产品数据库内的产品信息；

产品信息清洗模块，其被配置为对爬取的产品信息进行清洗，得到符合预设要求的产品信息。

进一步地，信息存储及企业业务度计算模块，还包括企业信息爬取模块，其被配置为爬取存储在企业数据库内的企业信息；

企业信息清洗模块，其被配置为对爬取的企业信息进行清洗，得到符合预设要求的企业信息。

本实施例根据用户的特性信息、产品的特性信息以及用户在预设时间段内对产品的关注度和评价度信息，在产品-企业网络拓扑中融合供应商相似度为用户做出产品的个性化推荐。与传统产品推荐相比，以融合供应商相似度的产品个性化推荐方法不仅融合了传统的产品分类检索，而是将产品与企业有效的联系在一起，以更深层次的共用供应商为计算依据，从而能够更加灵活的对产品进行个性化推荐。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种融合制造商相似度的产品推荐方法，其特征是，包括以下步骤：

步骤(1)：获取关系信息并生成以产品和企业为节点的产品-企业关系网络拓扑；所述关系信息包括产品与产品关系、产品与企业关系以及企业与企业关系；企业与企业关系为供应商与制造商关系；

步骤(2)：获取产品和企业信息并依据产品-企业关系网络拓扑存储至Neo4j图数据库；在Neo4j图数据库中，计算任意两个制造商之间的共用供应商在这两个制造商总供应商中所占的比例，得到企业业务相似度；

步骤(3)：获取用户的特性信息、产品的特性信息以及用户在预设时间段内对产品的关注度和评价度信息，并根据上述信息确定由若干个产品构成的推荐产品集合；根据产品-企业关系网络拓扑，将推荐产品集合与制造商进行关联，并将关联的制造商存储至制造商集合；

步骤(4)：从制造商集合中任选一制造商，筛选出与该制造商的企业业务相似度大于或等于预设企业业务相似度阈值的制造商并存储至推荐制造商集合；根据产品-企业关系网络拓扑，从推荐产品集合中，筛选出与推荐制造商集合相关联的推荐产品。

2.如权利要求1所述的一种融合制造商相似度的产品推荐方法，其特征是，所述步骤(1)中产品与产品关系包括产品供应、同质以及潜在供应关系。

3.如权利要求1所述的一种融合制造商相似度的产品推荐方法，其特征是，所述步骤(1)中产品与企业关系包括供应和制造关系。

4.如权利要求1所述的一种融合制造商相似度的产品推荐方法，其特征是，所述步骤(2)中获取产品信息的过程为：

爬取存储在产品数据库内的产品信息；

对爬取的产品信息进行清洗，得到符合预设要求的产品信息。

5.如权利要求1所述的一种融合制造商相似度的产品推荐方法，其特征是，所述步骤(2)中获取企业信息的过程为：

爬取存储在企业数据库内的企业信息；

对爬取的企业信息进行清洗，得到符合预设要求的企业信息。

6.如权利要求1所述的一种融合制造商相似度的产品推荐方法，其特征是，所述步骤(3)中的用户在预设时间段内对产品的关注度信息采用0-1之间的任一数值来表示。

7.如权利要求1所述的一种融合制造商相似度的产品推荐方法，其特征是，所述步骤(3)中的用户在预设时间段内对产品的评价度信息采用0-1之间的任一数值来表示。

8.一种应用如权利要求1-7任一所述的融合制造商相似度的产品推荐方法的推荐装置，其特征是，包括：

产品-企业关系网络拓扑构建模块，其被配置为获取关系信息并生成以产品和企业为节点的产品-企业关系网络拓扑；所述关系信息包括产品与产品关系、产品与企业关系以及企业与企业关系；企业与企业关系为供应商与制造商关系；

信息存储及企业业务度计算模块，其被配置为获取产品和企业信息并依据产品-企业关系网络拓扑存储至Neo4j图数据库；在Neo4j图数据库中，计算任意两个制造商之间的共用供应商在这两个制造商总供应商中所占的比例，得到企业业务相似度；

产品制造商集合筛选模块，其被配置为获取用户的特性信息、产品的特性信息以及用户在预设时间段内对产品的关注度和评价度信息，并根据上述信息确定由若干个产品构成的推荐产品集合；根据产品-企业关系网络拓扑，将推荐产品集合与制造商进行关联，并将关联的制造商存储至制造商集合；

产品推荐模块，其被配置为从制造商集合中任选一制造商，筛选出与该制造商的企业业务相似度大于或等于预设企业业务相似度阈值的制造商并存储至推荐制造商集合；根据产品-企业关系网络拓扑，从推荐产品集合中，筛选出与推荐制造商集合相关联的推荐产品。

9.如权利要求8所述的推荐装置，其特征是，所述信息存储及企业业务度计算模块，包括产品信息爬取模块，其被配置为爬取存储在产品数据库内的产品信息；

产品信息清洗模块，其被配置为对爬取的产品信息进行清洗，得到符合预设要求的产品信息。

10.如权利要求8所述的推荐装置，其特征是，所述信息存储及企业业务度计算模块，还包括企业信息爬取模块，其被配置为爬取存储在企业数据库内的企业信息；

企业信息清洗模块，其被配置为对爬取的企业信息进行清洗，得到符合预设要求的企业信息。