CN107133843A - 一种基于协同过滤的商品推荐方法 - Google Patents

一种基于协同过滤的商品推荐方法 Download PDF

Info

Publication number
CN107133843A
CN107133843A CN201710278519.XA CN201710278519A CN107133843A CN 107133843 A CN107133843 A CN 107133843A CN 201710278519 A CN201710278519 A CN 201710278519A CN 107133843 A CN107133843 A CN 107133843A
Authority
CN
China
Prior art keywords
commodity
packet
sales volume
collaborative filtering
recommendation based
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
Application number
CN201710278519.XA
Other languages
English (en)
Inventor
王恋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Danlu Network Technology Co Ltd
Original Assignee
Chengdu Danlu Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Danlu Network Technology Co Ltd filed Critical Chengdu Danlu Network Technology Co Ltd
Priority to CN201710278519.XA priority Critical patent/CN107133843A/zh
Publication of CN107133843A publication Critical patent/CN107133843A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于协同过滤的商品推荐方法，其特征在于，包括以下步骤：(1)对每类商品进行分组；(2)计算每个分组中的商品的加权销量；(3)计算每个分组内的商品与当前客户浏览的商品的属性的相似度；(4)计算每个分组内的商品的价格与当前客户浏览商品的价格的接近度；(5)计算每个分组内的每个商品的推荐指数，并将每个分组内的所有商品的推荐指数降序输出。本发明不仅步骤简单、方便操作，而且充分考虑到客户群体的喜好和购买能力，因此能更有效的向消费群体推荐合适客户的商品，适合推广使用。

Description

一种基于协同过滤的商品推荐方法
技术领域
本发明涉及一种商品的推荐方法，尤其涉及一种基于协同过滤的商品推荐方法。
背景技术
目前，网购商品的推荐方法多是基于商品的相似度和购买历史进行推荐，因此目前的商品推荐方法没有考虑到商品的受欢迎程度，即群体的喜好。同时，目前的商品推荐方法还忽略了客户的购买能力，例如客户在浏览酱香型二锅头页面时，向客户推荐酱香型茅台是无效的。
发明内容
本发明的目的在于克服目前不能有效的向消费群体推荐商品的缺陷，提供一种能有效的向消费群体推荐商品的基于协同过滤的商品推荐方法。
本发明的目的通过下述技术方案实现：
一种基于协同过滤的商品推荐方法，包括以下步骤：
(1)对每类商品进行分组；
(2)计算每个分组中的商品的加权销量；
(3)计算每个分组内的商品与当前客户浏览的商品的属性的相似度；
(4)计算每个分组内的商品的价格与当前客户浏览商品的价格的接近度；
(5)计算每个分组内的每个商品的推荐指数，并将每个分组内的所有商品的推荐指数降序输出。
进一步的，步骤(2)中加权销量的计算公式为：其中，t为划分的周期总数，i为分组内的商品编号，Salesiq为商品编号为i的商品在周期q的销量，θq为商品销量在周期q的衰减系数。
再进一步的，步骤(2)中降序排列分组内的商品的加权销量，只保留加权销量排名前N的商品。
更进一步的，步骤(3)中相似度的计算公式为：m为分组内的商品属性的总数，k为商品属性编号，Ak和Bk分别代表商品A和B是否具有商品编号为k的商品属性，“∧”指的是按位与，“∨”指的是按位或，Wk代表商品属性编号为k的商品的属性所占的权重值。
为了更好地实现本发明，步骤(4)中接近度的计算公式为：其中，e作为数学常数，是自然对数函数的底数，Pi为分组内的商品的价格，P为当前客户浏览商品的价格。
为了确保效果，步骤(5)中推荐指数的计算公式为：RIi＝βi×similarity(Gi,C)×WeightSalesi；其中，Gi指的是商品编号为i的商品，C指的是当前用户正在浏览的商品。
本发明较现有技术相比，具有以下优点及有益效果：
(1)本发明不仅步骤简单、方便操作，而且充分考虑到客户群体的喜好和购买能力，因此能更有效的向消费群体推荐合适客户的商品。
(2)本发明采用衰减后的加权销量来衡量相似消费群体的喜好程度，并以群体的喜好程度作为商品推荐的参考，因此能更有效的向消费群体推荐合适客户的商品。
(3)本发明考虑到大众消费者的喜好可能发生变化，太久远的销量数据不能过多地参考，因此降序排列分组内的商品的加权销量，只保留加权销量排名前N的商品，从而能够更有效的向消费群体推荐合适客户的商品。
具体实施方式
下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式并不限于此。
实施例
本发明的基于协同过滤的商品推荐方法，首先对每类商品按属性和价格区间进行分组，然后计算每个分组中的商品的加权销量，并按加权销量进行降序排列。其中，所述的加权销量是指加入衰减机制后的销量数据，加权销量的计算公式为其中，t为划分的周期总数，i为分组内的商品编号，Salesiq为商品编号为i的商品在周期q的销量，该周期q可以是一周、两周，也可以是一个月、两个月或者其他时间周期。θq为商品销量在周期q的衰减系数，该衰减系数θq可以根据需要进行配置；例如，可以将距今一个月的θq取值为1，将距今两个月的θq取值为0.85，以此类推逐渐衰减。
考虑到大众消费者的喜好可能发生变化，因此太久远的销量数据不能过多地参考。对于每个分组内的商品，只保留加权销量排名前N的商品，N为≥1的自然数，使用时可以根据需要选择N为不同的自然数，例如可以选择N为20、50、100、200或者其他自然数。
然后，计算每个分组内的商品与当前客户浏览商品的属性的相似度，其计算公式为：上述公式中，m为分组内的商品属性的总数，k为商品属性编号，属性编号指的是给商品属性所编的号。例如，分组内的商品属性总数为20，即m为20；浓香型编号为1，此时k为1；玻璃瓶装编号为2······，其中的浓香型和玻璃瓶装即为商品的属性，1和2即为给商品属性为浓香型和玻璃瓶装所编的号。Ak和Bk分别代表商品A和B是否具有商品编号为k的商品属性，0代表不具有商品编号为k的商品属性，1代表具有商品编号为k的商品属性。“∧”指的是按位与，代表的是交集，即两类商品都具有的属性；“∨”指的是按位或，代表的是并集，即两类商品中其中任何一类商品具有的属性。Wk代表商品属性编号为k的商品的属性所占的权重值，Wk的取值范围为0<Wk<1，使用时可自行设定该权重值。例如，商品的口味属性的商品属性编号为1，其所占的权重值W1为0.3，商品的包装属性的商品属性编号为2，其所占的权重值W2为0.08······。使用时可将用户更为看重的商品属性所占的权重值设定得更高，而将用户不太看重的商品属性所占的权重值设定得更低。
然后，再计算每个分组内的商品的价格Pi与当前客户浏览商品的价格P的接近度βi，其计算公式为：其中，e作为数学常数，是自然对数函数的底数，其值约为2.71828。接近度βi的值介于0.0到1.0之间，当Pi等于P时，βi的值为1.0。
再计算每个分组内的每个商品的推荐指数RIi，其计算公式为：RIi＝βi×similarity(Gi,C)×WeightSalesi。其中，Gi指的是商品编号为i的商品，C指的是当前用户正在浏览的商品。最后将计算得出的每个商品的推荐指数RIi降序输出到推荐商品列表，客户即可选择到更适合自己的商品。本发明充分考虑到客户群体的喜好和购买能力，因此能更有效的向消费群体推荐合适客户的商品。
如上所述，便可较好的实现本发明。

Claims (6)

1.一种基于协同过滤的商品推荐方法，其特征在于，包括以下步骤：
(1)对每类商品进行分组；
(2)计算每个分组中的商品的加权销量；
(3)计算每个分组内的商品与当前客户浏览的商品的属性的相似度；
(4)计算每个分组内的商品的价格与当前客户浏览商品的价格的接近度；
(5)计算每个分组内的每个商品的推荐指数，并将每个分组内的所有商品的推荐指数降序输出。
2.根据权利要求1所述的一种基于协同过滤的商品推荐方法，其特征在于：步骤(2)中加权销量的计算公式为：其中，t为划分的周期总数，i为分组内的商品编号，Salesiq为商品编号为i的商品在周期q的销量，θq为商品销量在周期q的衰减系数。
3.根据权利要求2所述的一种基于协同过滤的商品推荐方法，其特征在于：步骤(2)中降序排列分组内的商品的加权销量，只保留加权销量排名前N的商品。
4.根据权利要求2或3所述的一种基于协同过滤的商品推荐方法，其特征在于：步骤(3)中相似度的计算公式为：m为分组内的商品属性的总数，k为商品属性编号，Ak和Bk分别代表商品A和B是否具有商品编号为k的商品属性，“∧”指的是按位与，“∨”指的是按位或，Wk代表商品属性编号为k的商品的属性所占的权重值。
5.根据权利要求4所述的一种基于协同过滤的商品推荐方法，其特征在于：步骤(4)中接近度的计算公式为：其中，e作为数学常数，是自然对数函数的底数，Pi为分组内的商品的价格，P为当前客户浏览商品的价格。
6.根据权利要求5所述的一种基于协同过滤的商品推荐方法，其特征在于：步骤(5)中推荐指数的计算公式为：RIi＝βi×similarity(Gi,C)×WeightSalesi；其中，Gi指的是商品编号为i的商品，C指的是当前用户正在浏览的商品。
CN201710278519.XA 2017-04-25 2017-04-25 一种基于协同过滤的商品推荐方法 Pending CN107133843A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710278519.XA CN107133843A (zh) 2017-04-25 2017-04-25 一种基于协同过滤的商品推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710278519.XA CN107133843A (zh) 2017-04-25 2017-04-25 一种基于协同过滤的商品推荐方法

Publications (1)

Publication Number Publication Date
CN107133843A true CN107133843A (zh) 2017-09-05

Family

ID=59715447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710278519.XA Pending CN107133843A (zh) 2017-04-25 2017-04-25 一种基于协同过滤的商品推荐方法

Country Status (1)

Country Link
CN (1) CN107133843A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985900A (zh) * 2018-07-16 2018-12-11 广州友米科技有限公司 基于运营业务的分时推荐方法
CN110148023A (zh) * 2019-05-15 2019-08-20 山大地纬软件股份有限公司 基于逻辑回归的电力积分商品推荐方法及系统
CN113032662A (zh) * 2021-03-31 2021-06-25 龙关玲 基于人工智能的区块链大数据推荐方法、系统及云平台
CN113159905A (zh) * 2021-05-20 2021-07-23 深圳马六甲网络科技有限公司 新用户的商品推荐方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102306364A (zh) * 2011-10-09 2012-01-04 江苏省莱科信息技术有限公司 智能购物系统和智能购物方法
CN103136683A (zh) * 2011-11-24 2013-06-05 阿里巴巴集团控股有限公司 计算产品参考价格的方法、装置及产品搜索方法、系统
CN103886001A (zh) * 2013-09-22 2014-06-25 天津思博科科技发展有限公司 一种个性化商品推荐系统
CN104715409A (zh) * 2015-03-20 2015-06-17 北京京东尚科信息技术有限公司 一种电子商务用户购买力分类方法及系统
US20170098242A1 (en) * 2015-10-02 2017-04-06 American Express Travel Related Services Company, Inc. Systems and methods for generating curated and custom content for data-driven applications using closed-loop data

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102306364A (zh) * 2011-10-09 2012-01-04 江苏省莱科信息技术有限公司 智能购物系统和智能购物方法
CN103136683A (zh) * 2011-11-24 2013-06-05 阿里巴巴集团控股有限公司 计算产品参考价格的方法、装置及产品搜索方法、系统
CN103886001A (zh) * 2013-09-22 2014-06-25 天津思博科科技发展有限公司 一种个性化商品推荐系统
CN104715409A (zh) * 2015-03-20 2015-06-17 北京京东尚科信息技术有限公司 一种电子商务用户购买力分类方法及系统
US20170098242A1 (en) * 2015-10-02 2017-04-06 American Express Travel Related Services Company, Inc. Systems and methods for generating curated and custom content for data-driven applications using closed-loop data

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
蔡立志、武星、刘振宇: "《大数据测评》", 31 January 2015 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985900A (zh) * 2018-07-16 2018-12-11 广州友米科技有限公司 基于运营业务的分时推荐方法
CN108985900B (zh) * 2018-07-16 2021-06-29 广州天高软件科技有限公司 基于运营业务的分时推荐方法
CN110148023A (zh) * 2019-05-15 2019-08-20 山大地纬软件股份有限公司 基于逻辑回归的电力积分商品推荐方法及系统
CN113032662A (zh) * 2021-03-31 2021-06-25 龙关玲 基于人工智能的区块链大数据推荐方法、系统及云平台
CN113032662B (zh) * 2021-03-31 2021-11-26 艾普深瞳(北京)智能科技有限公司 基于人工智能的区块链大数据推荐方法、系统及云平台
CN113159905A (zh) * 2021-05-20 2021-07-23 深圳马六甲网络科技有限公司 新用户的商品推荐方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
US11798052B2 (en) Systems, apparatuses, and methods for extracting inventory from unstructured electronic messages
CN107133843A (zh) 一种基于协同过滤的商品推荐方法
US8266156B2 (en) Collaborative content evaluation
CN103617289B (zh) 基于用户特征及网络关系的微博推荐方法
CN106997358A (zh) 信息推荐方法及装置
US20130006713A1 (en) Method for aggregating pricing information and assigning a fair market value to goods sold in a peer-to-peer e-commerce transaction
Sharma A surge in e-commerce market in India after COVID-19 pandemic
CN105184600A (zh) 一种基于规则和操作的电商平台价格引擎实现方法
CN103310353B (zh) 一种抗攻击的数据过滤优化系统和方法
CN105468628B (zh) 一种排序方法及装置
CN103996143A (zh) 一种基于隐式偏见和好友兴趣的电影评分预测方法
CN103971256A (zh) 一种信息推送方法及设备
CN107230136A (zh) 一种基于大数据的购物排序推送方法
CN107169839A (zh) 商品展示方法、装置及电子设备
CN106920119A (zh) 一种用户价值的评价方法及装置
CN106504076A (zh) 分布式订单处理方法、装置及订单处理系统
Raff et al. Manufacturers and retailers in the global economy
CN110245303A (zh) 一种协同过滤推荐系统
CN108171561A (zh) 一种全渠道订单合并处理方法
US10121135B1 (en) Systems and methods for integrating an E-commerce platform with point-of-sale technology
CN107679943A (zh) 智能推荐方法和系统
Romadhony et al. Online shopping recommender system using hybrid method
CN107369069A (zh) 一种基于三角形面积计算模式的商品推荐方法
Liu et al. The Value of Multi-Dimensional Rating System: An Information Transfer View
CN104199843B (zh) 一种基于社会网络交互数据的服务排序及推荐方法与系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170905

RJ01 Rejection of invention patent application after publication