CN107230104A - 基于消费性格的商品多样性自适应推荐方法 - Google Patents
基于消费性格的商品多样性自适应推荐方法 Download PDFInfo
- Publication number
- CN107230104A CN107230104A CN201710386664.XA CN201710386664A CN107230104A CN 107230104 A CN107230104 A CN 107230104A CN 201710386664 A CN201710386664 A CN 201710386664A CN 107230104 A CN107230104 A CN 107230104A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- consumer
- commodity
- value
- 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
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于消费性格的商品多样性自适应推荐方法，从消费者心理学的角度出发，通过消费者历史购物记录分析其消费性格，并采用信息熵对其进行度量；在此基础上，将基于消费性格的信息熵与传统的推荐算法进行有机融合，提出了基于消费性格的商品多样性自适应推荐方法。本发明通过恰当地引进固定常数M，能够根据消费者的性格的不同，在保证推荐准确性的同时，可以自适应地满足商品推荐的多样性，从而更好地满足消费者的个性化需求，丰富了基于消费者心理学的多样性推荐方法。
Description
技术领域
本发明属于电子商务推荐技术领域，具体涉及一种基于消费性格的商品多样性自适应推荐方法的设计。
背景技术
随着个性化推荐技术的深入研究，电子商务推荐系统的发展已经由单一追求结果的准确性，向既保证准确性又追求多样性的方向发生了转变，电子商务推荐系统正朝着为消费者提供“速度快、结果准、种类多、价格省”的目标迈进。很多学者从不同的角度对多样性推荐做了大量的研究，例如，从算法功能的角度，研究在保证推荐结果准确性的前提下增加多样性的推荐；从算法时效的角度，研究如何改进算法以更高效地获取推荐结果的准确性与多样性；从实证的角度，研究多样性推荐对消费者以及电商企业的影响等等。但是，在商品日益丰富以及消费者个性日益凸显的情况下，考虑多样性的推荐系统仍然不能给出令消费者满意的推荐结果，究其原因在于：现有多样性推荐的研究工作多数集中于算法的功能或时效，而较少从消费者心理的角度出发，来区分考虑对多样性的需求从而进行推荐的问题。例如，根据消费者心理学，具有保守型消费性格的消费者就不大喜欢购买新颖的商品，而具有自由型消费性格的消费者就偏好于各种新奇商品的购买。
消费心理是消费者根据自身的需要与性格偏好、选择、评价与决定购买的思维活动，可分为理性消费心理和非理性消费心理。消费心理研究在心理科学与社会科学理论的指导下，以观察和实验为手段，采用统计分析为工具，通过对消费者外在行为的理性分析来把握消费者的内在心理基础及其发展变化规律。消费者行为理论认为：消费者既是“理性人”，更是“情感人”，消费行为是消费心理的外在表现，消费心理决定了消费行为。在电子商务的推荐领域，除了从算法的角度对推荐进行研究以外，学者们也开始关注消费者的心理活动。通过对电子商务推荐相关研究回顾，可以发现以往基于消费心理的推荐研究多集中于算法准确性方面的研究；而多样性与准确性平衡问题则更偏重于推荐算法自身性能，通过阈值设定或者推荐结果处理等方法解决问题，较少从消费者的消费特点出发研究推荐系统的准确性和多样性问题，使得考虑多样性的推荐系统推荐效果不理想。
商品的情感性、愉悦性及符号性价值的要求，早已超过了商品或服务的物质性价值。研究表明人们正进入重视个性满足和精神愉悦的消费时代。现代消费者购买行为的产生很大一部分是出于感性的，他们在选购商品时并没有特定的选购对象，而是出于某种刺激而决定购买。现代消费心理存在的多维性和差异性，决定了商品推荐的多维性和差异性，这为基于消费性格的多样性推荐提供了良好的理论基础。
性格是指人对现实的态度和行为方式中的比较稳定的具有核心意义的个性心理特征。它一方面反映人的行为方式，另一方面也反映出一个人的动机和态度。消费性格是个人在消费方面稳定的态度和习惯的行为方式，是决定消费行为的重要因素。按照消费者性格的不同，可将其分为怪癖型、自由型、顺应型、经济型、保守型等五种类型。根据现有比较成熟的关于消费性格的论述，把各种消费性格类型及其表现进行总结，结果见表1。
表1消费者性格及相应消费者行为的表现
由表1可知，不同的消费性格在消费行为方面有着明显的差别，从而对准确性与多样性推荐结果也存在不同的需求。
发明内容
本发明的目的是为了解决现有多样性推荐的研究工作多数集中于算法的功能或时效，而较少从消费者心理的角度出发，来区分考虑对多样性的需求从而进行推荐的问题，提出了一种基于消费性格的商品多样性自适应推荐方法，能够识别具有多样性偏好的消费者，并给具有相应偏好的消费者提供相应的多样性推荐。
本发明的技术方案为：基于消费性格的商品多样性自适应推荐方法，包括以下步骤：
S1、通过消费者历史购买记录初始化消费者集合U、商品集合I以及消费记录集合Pu；
S2、将消费记录集合Pu中的商品属性处理为离散型，并构成商品属性的有序变量集合，获取代表商品属性的特征变量值xi；
S3、对于给定消费者ui∈U，根据特征变量值xi，按照消费性格分析方法获取与其消费性格对应的离散值Ck；
S4、根据离散值Ck获取给定消费者ui的信息熵值ψ(λ,k)；
S5、选定初始排序阈值TR、商品是否与消费者相关的判定阈值TH、最大评分值Tmax以及固定常数M；
S6、计算给定消费者ui对商品集合I中给定商品i的评分值R*(u,i)；
S7、比较R*(u,i)与TR、TH以及Tmax之间的大小关系，根据比较结果、信息熵值ψ(λ,k)以及固定常数M对给定商品i自适应地选择准确性或多样性的推荐算法，并确定给定商品i是否进入给定消费者ui的推荐列表；
S8、判断是否所有消费者的推荐列表都已满，若是则推荐结束，否则返回步骤S3。
本发明的有益效果是：本发明能够根据消费者的性格的不同，在保证推荐准确性的同时，可以自适应地满足商品推荐的多样性，从而更好地满足消费者的个性化需求，解决了商品推荐结果的多样性与准确性之间的矛盾，丰富了基于消费者心理学的多样性推荐方法。
进一步地，步骤S3中Ck的计算公式为：
式中N表示消费者历史购买记录中的变量总数，l表示第l个变量，score[yl,v(yl)]为评分公式，yl为第l个变量的取值，v(yl)为yl父节点的取值，即概率大小；I(·)表示条件互信息计算公式，Xi1,Xi2为代表商品属性的随机变量，C为代表消费性格的随机变量，P(·)表示概率分布函数，xi1,xi2表示给定商品i在对应随机变量Xi1,Xi2上的取值，即特征变量值xi的任意两个具体取值，ck表示给定消费者ui在对应随机变量C上的取值。
上述进一步方案的有益效果为：通过k2算法和互信息相结合的方式对消费者历史购买记录进行贝叶斯网络学习。再根据评分函数选择最优模型，获得一个基于各个属性节点的条件概率分布表，该概率分布表可以表示分析对象的消费性格情况，得到概率值最大的类别则表示为该消费者的主导消费性格。
进一步地，步骤S4中信息熵值ψ(λ,k)的计算公式为：
式中Cmax＝5，表示消费性格对应分值的最大值，λ表示消费者的度，即在商品集合I中给定消费者ui累计购买商品的种类，θ(λ)表示消费者度为λ的消费者所选商品经标准化后的信息熵值，k表示给定消费者ui对应的具体消费性格类型。
上述进一步方案的有益效果为：获取给定消费者ui基于消费性格的信息熵值ψ(λ,k)以后，即可根据信息熵值ψ(λ,k)自动地调节推荐结果的排序。如果消费者的信息熵值ψ(λ,k)偏大，那么推荐结果应该趋向于多样性的推荐；如果消费者的信息熵值ψ(λ,k)偏小，那么推荐结果应该倾向于准确性的推荐。
进一步地，步骤S5中初始排序阈值TR的取值范围为TR∈[TH,Tmax]，固定常数M的取值范围为min(ψ(λ,k)+TR)≤M≤max(ψ(λ,k)+TR)。
上述进一步方案的有益效果为：固定常数M的引入可使得算法能根据信息熵值ψ(λ,k)的大小自动调节TR，从而对推荐算法函数进行选择，并做出准确性推荐或多样性推荐的判断。
进一步地，步骤S6中评分值R*(u,i)的计算公式为：
rankx(i)＝R*(u,i)-1 (3)
式中rankx(i)为以多样性为目的推荐算法。
步骤S7具体包括以下分步骤：
S71、判断R*(u,i)∈[TR,Tmax]是否成立，若成立则按照以准确性为目的推荐算法rankstandard(i)对商品进行排序及推荐，否则进入步骤S72；
S72、根据公式(4)更新初始排序阈值TR，得到排序阈值T′R：
ψ(λ,k)+T′R＝M (4)
S73、判断R*(u,i)∈[TH,T′R]是否成立，若成立则按照以多样性为目的推荐算法rankx(i)对商品进行排序，并加上au进行推荐，au表示根据rankx(i)排名函数获得的最大排名次序；否则给定商品i不进入给定消费者ui的推荐列表。
上述进一步方案的有益效果为：在该算法中，当预测评分大于阈值TR时，使用rankstandard(i)计算商品排名；当预测评分小于TR时，则使用rankx(i)计算商品排名。其中，au的存在确保了预测评分落在[TR,Tmax]内的排名领先于预测评分落在[TH,T′R]内的商品。TR越趋近于Tmax，预测评分高的商品越可能被推荐，推荐的准确性将越大；TR越趋近TH，则重排名函数的行为越接近rankx(i)，因此TR起到了平衡推荐结果的准确性与多样性的作用。通过引入信息熵值ψ(λ,k)以及固定常数M更新得到排序阈值T′R，如果信息熵值ψ(λ,k)很高，在固定常数M的作用下，那么相应的T′R就会自动偏低，使得推荐结果自适应地更偏向于rankx(i)的行为，即更倾向于多样性的推荐；相反，如果信息熵值ψ(λ,k)很低，则T′R就会自动偏高，更倾向于准确性的推荐。信息熵值ψ(λ,k)与T′R共同起到根据消费性格自适应地调节推荐结果的准确性与多样性的作用。
附图说明
图1所示为本发明实施例提供的基于消费性格的商品多样性自适应推荐方法流程图。
图2所示为本发明实施例提供的基于消费性格的商品多样性自适应推荐方法与其他推荐方法准确率比较示意图。
图3所示为本发明实施例提供的基于消费性格的商品多样性自适应推荐方法与其他推荐方法覆盖率比较示意图。
图4所示为本发明实施例提供的基于消费性格的商品多样性自适应推荐方法与其他推荐方法整体多样性比较示意图。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。
本发明实施例提供了一种基于消费性格的商品多样性自适应推荐方法，如图1所示，该实施例具体包括以下步骤S1-S8：
S1、通过消费者历史购买记录初始化消费者集合U、商品集合I以及消费记录集合Pu。
S2、将消费记录集合Pu中的商品属性处理为离散型，并构成商品属性的有序变量集合，获取代表商品属性的特征变量值xi。
本发明实施例中，特征变量值xi如下表所示：
表2商品属性变量离散处理
| 变量 | 变量含义 | 数据类型 | 离散化后取值xi |
| X1 | 价格 | 数值 | 便宜取值为1，热销取值为2 |
| X2 | 折扣 | 数值 | 有折扣取值为1，无折扣取值为2 |
| X3 | 质量 | 离散 | 一般取值为1，优良取值为2 |
| X4 | 品牌 | 离散 | 低档取值为1，高档取值为2 |
| X5 | 外观 | 离散 | 一般取值为1，漂亮取值为2 |
| X6 | 销量 | 数值 | 一般取值为1，热销取值为2 |
| X7 | 评价 | 离散 | 评价差取值为1，评价好取值为2 |
S3、对于给定消费者ui∈U，根据特征变量值xi，按照消费性格分析方法获取与其消费性格对应的离散值Ck。
本发明实施例中，通过由Cooper提出的k2算法和互信息相结合的方式对消费者历史购买记录进行贝叶斯网络学习。再根据评分函数选择最优模型，获得一个基于各个属性节点的条件概率分布表，该概率分布表可以表示分析对象的消费性格情况，得到概率值最大的类别则表示为该消费者的主导消费性格。
步骤S3中Ck的计算公式为：
式中N表示消费者历史购买记录中的变量总数，本发明实施例中N＝7，l表示第l个变量，score[yl,v(yl)]为评分公式，yl为第l个变量的取值，v(yl)为yl父节点的取值，即概率大小，h为该节点的父节点个数，Γ(·)为Γ函数，为yl的第g个状态，Nglh为v(yl)的第g个状态，Nlh＝∑Nglh。
I(·)表示条件互信息计算公式，用于求得表2中各个属性变量之间的依赖关系以及相应变量的权重，Xi1,Xi2为代表商品属性的随机变量，C为代表消费性格的随机变量，P(·)表示概率分布函数，xi1,xi2表示给定商品i在对应随机变量Xi1,Xi2上的取值，即特征变量值xi的任意两个具体取值，ck表示给定消费者ui在对应随机变量C上的取值。ck＝1,2,3,4,5，分别对应保守型、经济型、顺应型、自由型、怪癖型的消费性格，取值越大，表示给定消费者ui对多样性需求越高。
将消费者历史购买记录各属性按条件互信息公式计算所得的权重进行排序，得到一组基于因果关系的变量序列，在该序列中依次选取并作为节点放入到基于k2算法的贝叶斯网络结构中，再根据score[yl,v(yl)]评分公式计算各个节点的条件概率，可得到一个分值最高的贝叶斯网络结构以及此时各节点的条件概率分布表，获得其最大概率的k值所对应的Ck代表消费性格的离散值。
S4、根据离散值Ck，采用公式(1)计算给定消费者ui的信息熵值ψ(λ,k)：
式中Cmax＝5，表示消费性格对应分值的最大值，λ表示消费者的度，即在商品集合I中给定消费者ui累计购买商品的种类，k表示给定消费者ui对应的具体消费性格类型，θ(λ)表示消费者度为λ的消费者所选商品经标准化后的信息熵值，其值在0到1之间，Hmax(n(λ))＝log2(n(λ))，n(λ)表示所有度为λ的消费者所选择的商品中度互不相同的个数，H(λ)表示为消费者度为λ的消费者所选商品的信息熵值。
S5、选定初始排序阈值TR、商品是否与消费者相关的判定阈值TH、最大评分值Tmax以及固定常数M。
其中初始排序阈值TR的取值范围为TR∈[TH,Tmax]，固定常数M的取值范围为min(ψ(λ,k)+TR)≤M≤max(ψ(λ,k)+TR)。为了能够自适应地根据消费性格与排序阈值TR进行自动调节，特引入固定常数M，在5分制的评分系统中，当TR取值为4时，通过实验我们认为M取值为6的时候可以达到比较好的推荐效果。固定常数M的引入可使得算法能根据信息熵值ψ(λ,k)的大小自动调节TR，从而对推荐算法函数进行选择，并做出准确性推荐或多样性推荐的判断。
S6、根据公式(3)计算给定消费者ui对商品集合I中给定商品i的评分值R*(u,i)：
rankx(i)＝R*(u,i)-1 (3)
式中rankx(i)为以多样性为目的推荐算法。本发明实施例中，rankx(i)采用基于用户的协同过滤推荐算法。
S7、比较R*(u,i)与TR、TH以及Tmax之间的大小关系，根据比较结果、信息熵值ψ(λ,k)以及固定常数M对给定商品i自适应地选择准确性或多样性的推荐算法，并确定给定商品i是否进入给定消费者ui的推荐列表。
该步骤具体包括以下分步骤：
S71、判断R*(u,i)∈[TR,Tmax]是否成立，若成立则按照以准确性为目的推荐算法rankstandard(i)对商品进行排序及推荐，否则进入步骤S72；
S72、根据公式(4)更新初始排序阈值TR，得到排序阈值T′R：
ψ(λ,k)+T′R＝M (4)
S73、判断R*(u,i)∈[TH,T′R]是否成立，若成立则按照以多样性为目的推荐算法rankx(i)对商品进行排序，并加上au进行推荐，au表示根据rankx(i)排名函数获得的最大排名次序；否则给定商品i不进入给定消费者ui的推荐列表。
在该算法中，当预测评分大于阈值TR时，使用rankstandard(i)计算商品排名；当预测评分小于TR时，则使用rankx(i)计算商品排名。其中，au的存在确保了预测评分落在[TR,Tmax]内的排名领先于预测评分落在[TH,T′R]内的商品。TR越趋近于Tmax，预测评分高的商品越可能被推荐，推荐的准确性将越大；TR越趋近TH，则重排名函数的行为越接近rankx(i)，因此TR起到了平衡推荐结果的准确性与多样性的作用。通过引入信息熵值ψ(λ,k)以及固定常数M更新得到排序阈值T′R，如果信息熵值ψ(λ,k)很高，在固定常数M的作用下，那么相应的T′R就会自动偏低，使得推荐结果自适应地更偏向于rankx(i)的行为，即更倾向于多样性的推荐；相反，如果信息熵值ψ(λ,k)很低，则T′R就会自动偏高，更倾向于准确性的推荐。信息熵值ψ(λ,k)与T′R共同起到根据消费性格自适应地调节推荐结果的准确性与多样性的作用。
本发明实施例中，以消费者甲、乙为例，说明具体推荐过程。取TR＝4，TH＝3，Tmax＝5，在对两个消费者进行推荐时，首先分析出消费性格类型以及计算基于消费性格的信息熵值。其中，消费者甲属于自由型，信息熵值为0.654；消费者乙属于保守型，信息熵值为0.346。对于消费者甲的候选集中的商品p，通过标准排序算得预测评分为3.6，由于其预测评分小于TR，但大于TH。因此，按照基于用户的协同过滤推荐算法，该商品不能进入到消费者甲的推荐集中，但由于性格类型为自由型的消费者甲信息熵取值为0.654相对比较大，通过公式(2)计算该商品的总体得分增加到4.5，根据步骤S7的计算，最终选择以多样性为目的的推荐算法进行排序，使得该商品可以进入到该消费者的推荐集中。
而对于消费者乙，同样的候选集中商品p，通过标准排序计算，不能进入该消费者的推荐集中，由于性格类型为保守型的消费者乙信息熵取值为0.346相对比较小，通过公式(2)计算该商品的总体得分增加后，根据步骤S7的计算，该商品仍然按照以准确性为目的的推荐进行排序，排序结果使得该商品不能进入消费者乙的推荐集中。由于两个消费者信息熵的差别，表明两个消费者对商品多样性的偏好不同，从而使得在候选集中为增加多样性而推荐的商品，最终有选择性地进入到各自消费者的推荐集中。
S8、判断是否所有消费者的推荐列表都已满，若是则推荐结束，否则返回步骤S3。
下面采取离线实验的方法，采用阿里巴巴大数据竞赛提供的实际消费者购买记录为实验对象。通过在训练集上建立基于消费性格的推荐模型，在测试集中对消费者行为进行预测，统计出相应的评测指标，再与经典的协同推荐以及基于阈值的多样性推荐进行比较，以验证本发明实施例提供的基于消费性格的商品多样性自适应推荐方法的可行性和有效性。
通过在测试集中采用本发明实施例提供的推荐方法与传统基于协同过滤、基于阈值(阈值取为3.5)的多样性推荐方法以及基于混合算法的多样性推荐方法进行比较，分别对其准确率、覆盖率和整体多样性值进行比较，结果分别如图2-图4所示。
从图2-图4中可以看出，由于采用了信息熵值来区分对待不同消费性格的消费者在准确性和多样性方面的需求情况，本发明实施例提供的基于消费性格的多样性推荐方法与其他四种方法相比，在准确率、覆盖率、整体多样性方面都有明显的提高。协同过滤推荐方法由于是纯粹以准确性为目的的推荐算法，随着消费者和商品种类的增加，其准确率有所下降，但覆盖率和多样性下降得最为明显；在基于阈值的多样性推荐方法中，由于通过阈值的调节，提高了算法的覆盖率和多样性的同时，却损失了小部分的准确性，并使得其准确性较协同过滤有时还要低；基于混合算法的多样性推荐方法在准确率和整体多样性方面相比基于阈值和协同过滤的方法有所提高，但随着消费者数量以及商品种类的增加，其覆盖率低于本发明实施例提供的推荐方法。
由于通过对消费者性格进行了分析，本发明实施例提供的推荐方法明显提高了多样性推荐的准确率、覆盖率以及整体多样性，从而更加准确地向有多样性需求的消费者提供以多样性为目的的推荐结果，对没有多样性需求的消费者提供以准确性为目的的推荐结果，并同时提高了推荐算法的覆盖率。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.基于消费性格的商品多样性自适应推荐方法，其特征在于，包括以下步骤：
S1、通过消费者历史购买记录初始化消费者集合U、商品集合I以及消费记录集合Pu；
S2、将消费记录集合Pu中的商品属性处理为离散型变量，并构成商品属性的有序变量集合，获取代表商品属性的特征变量值xi；
S3、对于给定消费者ui∈U，根据特征变量值xi，按照消费性格分析方法获取与其消费性格对应的离散值Ck；
S4、根据离散值Ck获取给定消费者ui的信息熵值ψ(λ,k)；
S5、选定初始排序阈值TR、商品是否与消费者相关的判定阈值TH、最大评分值Tmax以及固定常数M；
S6、计算给定消费者ui对商品集合I中给定商品i的评分值R*(u,i)；
S7、比较R*(u,i)与TR、TH以及Tmax之间的大小关系，根据比较结果、信息熵值ψ(λ,k)以及固定常数M对给定商品i自适应地选择准确性或多样性的推荐算法，并确定给定商品i是否进入给定消费者ui的推荐列表；
S8、判断是否所有消费者的推荐列表都已满，若是则推荐结束，否则返回步骤S3。
2.根据权利要求1所述的商品多样性自适应推荐方法，其特征在于，所述步骤S3中Ck的计算公式为：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>C</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mi>max</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mo>&Pi;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<mi>s</mi>
<mi>c</mi>
<mi>o</mi>
<mi>r</mi>
<mi>e</mi>
<mo>&lsqb;</mo>
<msub>
<mi>y</mi>
<mi>l</mi>
</msub>
<mo>,</mo>
<mi>v</mi>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>l</mi>
</msub>
<mo>)</mo>
<mo>&rsqb;</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>;</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>|</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>&Sigma;</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
<mi>C</mi>
<mo>=</mo>
<msub>
<mi>c</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>log</mi>
<mfrac>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
<mi>C</mi>
<mo>=</mo>
<msub>
<mi>c</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>|</mo>
<mi>C</mi>
<mo>=</mo>
<msub>
<mi>c</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>|</mo>
<mi>C</mi>
<mo>=</mo>
<msub>
<mi>c</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式中N表示消费者历史购买记录中的变量总数，l表示第l个变量，score[yl,v(yl)]为评分公式，yl为第l个变量的取值，v(yl)为yl父节点的取值，即概率大小；I(·)表示条件互信息计算公式，Xi1,Xi2为代表商品属性的随机变量，C为代表消费性格的随机变量，P(·)表示概率分布函数，xi1,xi2表示给定商品i在对应随机变量Xi1,Xi2上的取值，即特征变量值xi的任意两个具体取值，ck表示给定消费者ui在对应随机变量C上的取值。
3.根据权利要求1所述的商品多样性自适应推荐方法，其特征在于，所述步骤S4中信息熵值ψ(λ,k)的计算公式为：
<mrow>
<mi>&psi;</mi>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<msub>
<mi>C</mi>
<mi>k</mi>
</msub>
<msub>
<mi>C</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mfrac>
<mo>+</mo>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式中Cmax＝5，表示消费性格对应分值的最大值，λ表示消费者的度，即在商品集合I中给定消费者ui累计购买商品的种类，θ(λ)表示消费者度为λ的消费者所选商品经标准化后的信息熵值，k表示给定消费者ui对应的具体消费性格类型。
4.根据权利要求1所述的商品多样性自适应推荐方法，其特征在于，所述步骤S5中初始排序阈值TR的取值范围为TR∈[TH,Tmax]，固定常数M的取值范围为min(ψ(λ,k)+TR)≤M≤max(ψ(λ,k)+TR)。
5.根据权利要求1所述的商品多样性自适应推荐方法，其特征在于，所述步骤S6中评分值R*(u,i)的计算公式为：
rankx(i)＝R*(u,i)-1 (3)
式中rankx(i)为以多样性为目的推荐算法。
6.根据权利要求1所述的商品多样性自适应推荐方法，其特征在于，所述步骤S7具体包括以下分步骤：
S71、判断R*(u,i)∈[TR,Tmax]是否成立，若成立则按照以准确性为目的推荐算法rankstandard(i)对商品进行排序及推荐，否则进入步骤S72；
S72、根据公式(4)更新初始排序阈值TR，得到排序阈值TR′：
ψ(λ,k)+T′R＝M (4)
S73、判断R*(u,i)∈[TH,T′R]是否成立，若成立则按照以多样性为目的推荐算法rankx(i)对商品进行排序，并加上au进行推荐，au表示根据rankx(i)排名函数获得的最大排名次序；否则给定商品i不进入给定消费者ui的推荐列表。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710386664.XA CN107230104A (zh) | 2017-05-26 | 2017-05-26 | 基于消费性格的商品多样性自适应推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710386664.XA CN107230104A (zh) | 2017-05-26 | 2017-05-26 | 基于消费性格的商品多样性自适应推荐方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107230104A true CN107230104A (zh) | 2017-10-03 |
Family
ID=59934645
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710386664.XA Pending CN107230104A (zh) | 2017-05-26 | 2017-05-26 | 基于消费性格的商品多样性自适应推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107230104A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107729422A (zh) * | 2017-09-27 | 2018-02-23 | 广州市万表科技股份有限公司 | 一种基于商品识别的性格测试方法和系统 |
| CN109272373A (zh) * | 2018-08-02 | 2019-01-25 | 阿里巴巴集团控股有限公司 | 一种基于计算机的品牌推荐方法 |
| CN109598578A (zh) * | 2018-11-09 | 2019-04-09 | 深圳壹账通智能科技有限公司 | 业务对象数据的推送方法及装置、存储介质、计算机设备 |
| CN109886788A (zh) * | 2019-02-26 | 2019-06-14 | 湖南大学 | 一种基于弱连接的惊喜度推荐方法 |
| CN110503497A (zh) * | 2018-05-16 | 2019-11-26 | 江苏天智互联科技股份有限公司 | 一种基于客户的消费习惯的电商管理平台商品推荐方法 |
| CN111539766A (zh) * | 2020-04-21 | 2020-08-14 | 江苏号百信息服务有限公司 | 一种基于信息熵进行iptv用户行为变化识别的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102411754A (zh) * | 2011-11-29 | 2012-04-11 | 南京大学 | 一种基于商品属性熵值的个性化推荐方法 |
| CN102567900A (zh) * | 2011-12-28 | 2012-07-11 | 尚明生 | 一种向客户推荐商品的方法 |
| CN106202151A (zh) * | 2016-06-23 | 2016-12-07 | 长沙学院 | 一种用于提高个性化推荐系统多样性的方法 |
-
2017
- 2017-05-26 CN CN201710386664.XA patent/CN107230104A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102411754A (zh) * | 2011-11-29 | 2012-04-11 | 南京大学 | 一种基于商品属性熵值的个性化推荐方法 |
| CN102567900A (zh) * | 2011-12-28 | 2012-07-11 | 尚明生 | 一种向客户推荐商品的方法 |
| CN106202151A (zh) * | 2016-06-23 | 2016-12-07 | 长沙学院 | 一种用于提高个性化推荐系统多样性的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吴柳等: "一种基于条件相对平均熵的个性化推荐算法", 《河北大学学报》 * |
| 张光前等: "基于消费性格的新商品推荐方法", 《管理科学》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107729422A (zh) * | 2017-09-27 | 2018-02-23 | 广州市万表科技股份有限公司 | 一种基于商品识别的性格测试方法和系统 |
| CN110503497A (zh) * | 2018-05-16 | 2019-11-26 | 江苏天智互联科技股份有限公司 | 一种基于客户的消费习惯的电商管理平台商品推荐方法 |
| CN109272373A (zh) * | 2018-08-02 | 2019-01-25 | 阿里巴巴集团控股有限公司 | 一种基于计算机的品牌推荐方法 |
| CN109272373B (zh) * | 2018-08-02 | 2021-09-14 | 创新先进技术有限公司 | 一种基于计算机的品牌推荐方法 |
| CN109598578A (zh) * | 2018-11-09 | 2019-04-09 | 深圳壹账通智能科技有限公司 | 业务对象数据的推送方法及装置、存储介质、计算机设备 |
| CN109886788A (zh) * | 2019-02-26 | 2019-06-14 | 湖南大学 | 一种基于弱连接的惊喜度推荐方法 |
| CN111539766A (zh) * | 2020-04-21 | 2020-08-14 | 江苏号百信息服务有限公司 | 一种基于信息熵进行iptv用户行为变化识别的方法 |
| CN111539766B (zh) * | 2020-04-21 | 2023-08-25 | 江苏号百信息服务有限公司 | 一种基于信息熵进行iptv用户行为变化识别的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107230104A (zh) | 基于消费性格的商品多样性自适应推荐方法 | |
| US20210319346A1 (en) | Personal Taste Assessment Method and System | |
| Hong et al. | A job recommender system based on user clustering. | |
| CN106874355A (zh) | 同时融入社交关系和用户相似度的协同过滤方法 | |
| CN109785062A (zh) | 一种基于协同过滤模型的混合神经网络推荐系统 | |
| CN107016122B (zh) | 基于时间迁移的知识推荐方法 | |
| CN110647696A (zh) | 一种业务对象的排序方法及装置 | |
| CN105468628B (zh) | 一种排序方法及装置 | |
| CN109241518A (zh) | 一种基于情感分析的检测网络水军方法 | |
| CN114240575B (zh) | 基于商品流行度及用户动态兴趣的商品推荐方法及系统 | |
| CN106202151A (zh) | 一种用于提高个性化推荐系统多样性的方法 | |
| CN107895303A (zh) | 一种基于ocean模型的个性化推荐的方法 | |
| Jiao et al. | Research on personalized recommendation optimization of E-commerce system based on customer trade behaviour data | |
| CN112767085A (zh) | 商品相似性分析及商品推荐方法、装置及计算机存储介质 | |
| CN117474631A (zh) | 基于电商平台评论的数据挖掘与情感分析的推荐算法 | |
| CN108335171A (zh) | 一种快消品精准推荐方法以及系统 | |
| KR102609681B1 (ko) | 사용자의 피드백 반영 제품계획 결정 방법 및 그 장치 | |
| Chen et al. | Understanding the wine judges and evaluating the consistency through white-box classification algorithms | |
| CN116680482A (zh) | 一种处理方法、装置及存储介质 | |
| Ito et al. | A study on improvement of serendipity in item-based collaborative filtering using association rule | |
| Pinto et al. | Hybrid recommendation system based on collaborative filtering and fuzzy numbers | |
| KR101600893B1 (ko) | 주관적 성향을 고려한 퍼지 적분 기반의 상품 만족도 추론 시스템 | |
| CN109191234B (zh) | 一种综合服装推荐方法、装置和存储介质 | |
| Sirait et al. | Evaluation of social media preference as e-participation channel for students using fuzzy AHP and TOPSIS | |
| Liang | FAGR: Fairness-aware Group Recommendation in Event-based Social Networks |
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 | ||
| AD01 | Patent right deemed abandoned | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20210319 |