CN107146127A - 一种工业品精准推荐方法及系统 - Google Patents

Abstract

本发明公开了一种工业品精准推荐方法及系统，方法包括以下步骤：1)建立商品与配件商品对应库；2)建立商品库，用于存储商品详细信息；3)建立关联项集；4)过滤频繁项集，获得推荐结果；5)展示推荐结果。本发明可快速找到购买一件工业品后，客户可能还需要购买的商品，并且配件商品与此商品能搭配使用。

Description

一种工业品精准推荐方法及系统

技术领域

本发明属于电子商务领域，特别是涉及一种工业用品的商品推荐方法及系统。

背景技术

在现有的电子商务领域中，涌现了大量的商品推荐方法，通过这些方法的应用，以提高潜在消费者购买相关商品的可能性。但是，一直没有针对工业用品的推荐方法。

不同于民用品的同类商品可以相互代替使用，工业用品要求商品与配件间精确推荐，即商品与配件之间高度耦合，同类配件无法替代，型号需要分毫不差。因此，现有的商品推荐方法不能直接应用于工业品推荐。

因此本领域技术人员致力于开发一种可用于工业品推荐的精准推荐方法。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种可用于工业品推荐的精准推荐方法。

为实现上述目的，本发明提供了一种工业品精准推荐方法，包括以下步骤：

1)建立商品与配件商品对应库，即商品和商品配件之间的对应关系,商品可以对应多类配件,每类配件可以对应多件商品；

2)建立商品库，用于存储商品详细信息；

3)建立关联项集

4)过滤频繁项集，获得推荐结果；

5)根据推荐结果去商品库查询相应的商品详情；

6)展示推荐结果。

较佳的，步骤3)的具体计算过程如下：

31)第一遍扫描数据，根据交易记录找出频繁1项集L，按降序排序；

32)第二遍扫描交易数据：

32a)对每个交易，过滤不频繁集合，剩下的频繁项集按L顺序排序；

32b)把每个交易的频繁1项集插入到FP-tree中，相同前缀的路径可以共用；

32c)同时增加一个表头，把FP-tree中相同item连接起来，降序排序；

33)频繁项挖掘：

33a)从header table的最下面的item开始，构造每个item的条件模式基(conditional pattern base)；

33b)顺着header table中item的链表，找出所有包含该item的前缀路径，这些前缀路径就是该item的条件模式基(CPB)；

33c)所有这些CPB的频繁度(计数)为该路径上item的频繁度(计数)；

如包含p的其中一条路径是fcamp，该路径中p的频繁度为2，则该CPB fcam的频繁度为2；

34)构造条件FP-tree(conditional FP-tree)

34a)累加每个CPB上的item的频繁度(计数)，过滤低于阈值的item，构建FP-tree；

如m的CPB{<fca:2>,<fcab:1>}，f:3,c:3,a:3,b:1,阈值假设为3，过滤掉b；

34b)递归的挖掘每个条件FP-tree，累加后缀频繁项集，直到找到FP-tree为空或者FP-tree只有一条路径(只有一条路径情况下，所有路径上item的组合都是频繁项集)。

本发明还提供了一种工业精准推荐系统,包括：

推荐平台系统:用于接收推荐请求,转发请求,返回结果集；

关联项集系统:用于根据购买商品的历史记录计算出有关联关系的频繁项集合；

过滤系统:用于将关联项集结果根据商品与配件商品对应库进行匹配得到过滤后的结果。

本发明的有益效果是：本发明可快速找到购买一件工业品后，客户可能还需要购买的商品，并且配件商品与此商品能搭配使用。

附图说明

图1是本发明一具体实施方式的流程图之一。

图2是本发明一具体实施方式的流程图之一。

图3本发明一具体实施方式中的频繁模式树。

图4是本发明一具体实施方式所涉及的推荐系统的示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明：

如图1和图2所示，一种工业品精准推荐方法，包括以下步骤：

1)建立商品与配件商品对应库，即商品和商品配件之间的对应关系,商品可以对应多类配件,每类配件可以对应多件商品；

2)建立商品库，用于存储商品详细信息；

3)建立关联项集；

4)过滤频繁项集，获得推荐结果；

5)根据推荐结果去商品库查询相应的商品详情；

6)展示推荐结果。

步骤3)的具体计算过程如下：

31)第一遍扫描数据，根据交易记录找出频繁1项集L，按降序排序。

32)第二遍扫描交易数据：

32a)对每个交易，过滤不频繁集合，剩下的频繁项集按L顺序排序。

32b)把每个交易的频繁1项集插入到频繁模式树FP-tree中，相同前缀的路径可以共用；

32c)同时增加一个表头，把FP-tree中相同item连接起来，降序排序。

33)频繁项挖掘：

33a)从header table的最下面的item开始，构造每个item的条件模式基(conditional pattern base)。

33b)顺着header table中item的链表，找出所有包含该item的前缀路径，这些前缀路径就是该item的条件模式基(CPB)。

33c)所有这些CPB的频繁度(计数)为该路径上item的频繁度(计数)。如表1所示，包含p的其中一条路径是fcamp，该路径中p的频繁度为2，则该CPB fcam的频繁度为2。

表1数据转化表

交易记录ID	交易购买的商品	交易常见购买项
			300	{f,a,c,d,g,i,m,p}	{f,a,c,m,p}
301	{a,b,c,f,l,m,o}	{f,a,c,b,m}
			302	{b,f,h,j,o}	{f,b}
303	{b,c,k,s,p}	{d,b,p}
			304	{a,f,c,e,l,m,p,n}	{f,c,a,m,p}

34)构造条件FP-tree(conditional FP-tree)

34a)累加每个CPB上的item的频繁度(计数)，过滤低于阈值的item，构建FP-tree。如图3所示，m的CPB{<fca:2>,<fcab:1>}，f:3,c:3,a:3,b:1,阈值假设为3，过滤掉b。

34b)递归的挖掘每个条件FP-tree，累加后缀频繁项集，直到找到FP-tree为空或者FP-tree只有一条路径。只有一条路径情况下，所有路径上item的组合都是频繁项集。

5)展示推荐结果。

如图4所示，上述推荐方法通过工业精准推荐系统实现，该系统包括：

推荐平台系统:用于接收推荐请求,转发请求,返回结果集；

关联项集系统:用于根据购买商品的历史记录计算出有关联关系的频繁项集合；

过滤系统:用于将关联项集结果根据商品与配件商品对应库进行匹配得到过滤后的结果。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (3)

1.一种工业品精准推荐方法，其特征是，包括以下步骤：

1)建立商品与配件商品对应库每类配件可以对应多件商品；

2)建立商品库，用于存储商品详细信息；

3)建立关联项集；

4)过滤频繁项集，获得推荐结果；

5)根据推荐结果去商品库查询相应的商品详情；

6)展示推荐结果。

具体的关联计算规则应该是第三步。

2.如权利要求1所述的工业品精准推荐方法，其特征是，步骤3)的具体计算过程如下：

31)第一遍扫描数据，根据交易记录找出频繁1项集L，按降序排序；

32)第二遍扫描交易数据：

32a)对每个交易，过滤不频繁集合，剩下的频繁项集按L顺序排序；

32b)把每个交易的频繁1项集插入到FP-tree中，相同前缀的路径可以共用；

32c)同时增加一个表头，把FP-tree中相同item连接起来，降序排序；

33)频繁项挖掘：

33a)从header table的最下面的item开始，构造每个item的条件模式基(conditionalpattern base)；

33b)顺着header table中item的链表，找出所有包含该item的前缀路径，这些前缀路径就是该item的条件模式基(CPB)；

33c)所有这些CPB的频繁度(计数)为该路径上item的频繁度(计数)；

如包含p的其中一条路径是fcamp，该路径中p的频繁度为2，则该CPB fcam的频繁度为2；

34)构造条件FP-tree(conditional FP-tree)

34a)累加每个CPB上的item的频繁度(计数)，过滤低于阈值的item，构建FP-tree；

如m的CPB{<fca:2>,<fcab:1>}，f:3,c:3,a:3,b:1,阈值假设为3，过滤掉b；

34b)递归的挖掘每个条件FP-tree，累加后缀频繁项集，直到找到FP-tree为空或者FP-tree只有一条路径(只有一条路径情况下，所有路径上item的组合都是频繁项集)。

3.一种工业精准推荐系统,其特征是，包括：

推荐平台系统:用于接收推荐请求,转发请求,返回结果集；

关联项集系统:用于根据购买商品的历史记录计算出有关联关系的频繁项集合；

过滤系统:用于将关联项集结果根据商品与配件商品对应库进行匹配得到过滤后的结果。