CN107633430A - 一种基于群体社区的商品推荐方法 - Google Patents

Abstract

本发明公开了一种基于群体社区的商品推荐方法，包括以下步骤：分析用户的历史购物行为，提取购物操作信息，建立用户兴趣模型；对提取的购物操作信息进行基于用户兴趣性的聚类分析，将具有共同喜欢的用户聚集为一个社区；通过对购物行为历史进行分析，挖掘兴趣相似的兴趣圈，进行在线商品推荐；通过用户购物历史，进行反向商品类别分析，依据商品的类别进行产品推荐。本发明从用户层、商品分类层、商品类别细化三个层次逐层深入分析，使得推荐系统能够依据用户间的相似性特征，越来越精确的识别和推荐用户喜爱的商品。大大降低计算量，能有效缓解在线推荐速度瓶颈问题。通过所识别的商品社区，更有效地识别出关联购物情况，提高推荐质量。

Description

一种基于群体社区的商品推荐方法

技术领域

本发明涉及技术领域，尤其涉及一种基于群体社区的商品推荐方法。

背景技术

随着信息技术产业以及相关领域的飞速发展，使用互联网的人越来越多，每个人的生活跟互联网的联系也越来越紧密，互联网已经成为了人们生活中不可或缺的一部分。近年来随着微博、微信、电子商务、团购网站的兴起，人们越来越倾向于在网络上进行购物、娱乐、沟通，使得人们和互联网的关系变得更密不可分。在这种趋势下，越来越多人选择在网上购物，中国互联网络信息中心(CNNIC)在北京发布的《第38次中国互联网络发展状况统计报告》显示：对中国网络购物发展情况统计分析，截至2016年6月，我国网络用户规模达到4.48亿，较2015年底增加3448万，增长率为8.3％，我国网络购物市场依然保持快速增长，稳健增长趋势。以国内最大的电子商务公司阿里巴巴为例，2016年双11购物狂欢节中，阿里全天交易额超过1207亿元，用户参与的规模和成交量都创造了历史新高。

随着互联网上信息的急剧增长，一方面人们获得的信息资源越来越丰富，选择越来越多，给人们的生活带来了极大便利；另一方面，面对海量的信息资源，人们时常陷入困惑和迷茫，他们不得不花费大量的时间和精力去寻找符合他们要求且对其有帮助的信息，信息过载现象越来越严重，信息的利用率越来越低。传统的信息服务提供了一些使用信息更便利的方法，但是由于网络信息过于庞大，而用户真正需要的信息只是互联网信息资源中很小的一部分。用户希望在信息海洋中依据自己的喜好、消费习惯、购物特点等为自己定制信息进行推荐。推荐系统是解决信息过载，以及推荐符合用户期望的有效方案。它模拟商场的导购人员，通过明确用户的需求，快速帮助用户找到所需的商品，完成购买过程,同时根据对用户浏览及购买过的商品的分析，推荐系统挖掘用户的个人兴趣偏好，给用户推荐已购买的相关产品，或未购买的但符合用户需求有价值的商品，提高用户的期望度，促进商品的销售。此外，如果推荐的商品符合用户的心意以及需求，那么用户会增加对该电子商务平台的使用，并向身边人推荐该平台以扩大平台的影响，以推动商品销售量扩大竞争力。

产品推荐系统的相关研究和应用在20世纪70年代提出。到了90年代，推荐系统的理论框架比较成熟，但缺乏可用于科学研究的大量实际数据。随着电子商务和社会网络的蓬勃发展，推荐算法成为电子商务推荐系统的核心算法，其科学价值和应用价值日益凸显。推荐算法及其性能评价方法受到包括数学、计算机、社会学、管理学等多个学科研究人员的关注。

国外研究现状：Grundy被公认为第一个投入使用的协同过滤系统，该系统通过建立用户兴趣模型给每个用户推荐相关书籍。TYPESTRY：Xerox PARC研究中心提出的一个研究型协同过滤推荐系统，用于过滤电子邮件、推荐电子新闻。它通过自有的TQL语言，客户查询请求中必须明确指出与自己兴趣爱好相似的其它客户，因此只适用于客户群体比较小的场合。GroupLens建立用户信息群，群内的用户可以发布消息，通过社会信息过滤系统计算用户这件的相似性。其他利用协同过滤算法进行推荐的系统还有Amazon.com的书籍推荐系统，Jester的笑话推荐系统，Phoaks的网页信息推荐系统,MIT媒体实验室开发的Ringo研究型协同过滤推荐系统提供音乐推荐服务。Ringo系统可以向用户推荐他们喜欢的音乐，预测用户不喜欢的音乐，并预测用户对特定音乐的评分等。

国内研究现状：国内对推荐系统的研究比国外晚，很多研究基于国外的方法和技术。一些推荐系统采用隐性或显性的方式获取用户信息，通过协作过滤、基于内容或关联规则等技术来了解用户兴趣偏好以满足用户需求。各种算法都有其适用范围，还有研究将不同的推荐算法进行混合，扬长避短以提高推荐质量。从基于web日志挖掘的角度出发，西北大学的张海玉设计了一款推荐模型。该模型对web日志进行挖掘并分析，寻找用户可能感兴趣的网页，实时推荐给用户。通过聚类算法挖掘用户浏览模式，该模型能找到用户偏爱的路径集合。根据用户的历史浏览路径，自动生成推荐网页，在线实时推荐。其中，引入关联规则，和网页访问顺序，大大提高聚类算法的性能及推荐的准确度。随着人们阅历的增长以及生活环境的改变，用户的兴趣爱好也会随之变化。为了能够对用户的兴趣点变化进行动态追踪，复旦大学的许彦过和张守志设计并实现了一款推荐系统模型，对用户的行为轨迹进行数据统计，通过引入菲波拉契数列有效提高用户兴趣度的灵敏性，又分析了相似用户的兴趣，以预测其潜在兴趣。华为公司针对传统的移动广告存在的众多弊端，比如垃圾广告、群发广告影响了人们对广告的接受度，也增大了公司的宣传量，与中国科学技术大学计算机学院语义计算和数据挖掘实验室展开合作，提出基于社会网络的快速关联规则挖掘算法，并将此算法应用到了个性化广告推荐系统中。阿里巴巴数据仓库的个性化推荐系统。针对B2B电子商务定制个性化推荐服务，在阿里巴巴网站实现应用，给客户带来更好的体验。该推荐系统还进行了基于时间域的推荐分析，SPU(标准产品单元)的自动处理等等。有代表性产品推荐技术包括：

(一)基于内容的推荐系统：首先通过分析系统用户已经评价过的资源项目的特征来获取用户兴趣的描述，然后通过比较用户与资源项目之间的相似性来实现推荐的功能。它不是根据用户的资源项目的评分信息，而是根据用户已经选择了的资源项目的特征信息来进行相应的推荐。过程包括以下三步：(1)特征提取：在电子商务网站中，每件产品都有多个属性，比如书籍内容及作者的风格，衣服面料和品牌等等，特征提取就是要把这些特征提取出来作为结构化数据构成物品的属性集。表示商品特征可以采用向量空间模型，最常用的是TF-IDF方法。(2)特征学习：利用用户以往喜欢的产品的特征数据，学习用户的喜好特征；(3)产生推荐：通过比较用户的历史喜好特征与候选产品的特征，推荐一组相关性最大的产品。提取商品特征、建立用户兴趣模型和计算相似度是基于内容过滤和推荐的三大关键。

(二)协同过滤推荐算法：生活中，当我们面临选择或自己不熟悉的问题时，我们习惯于咨询专家、或身边与自己兴趣相同的朋友，参考他们的意见然后再做出选择。协同过滤技术就是基于这种假设，被广泛用于预测用户兴趣偏好的应用领域。协同过滤正还把这一思想运用到个性化推荐中，利用兴趣爱好相似的用户进行产品评价和产品推荐。Schafer和Frankowski提出：协同过滤推荐是“使用其他用户的观点来过滤和评价商品的过程”。协同过滤机制的本质是根据数据之间的关系，计算用户之间的相似度，找到有共同兴趣爱好的朋友，依据朋友进行推荐，或向朋友推荐。例如，如果有两个用户对某些商品的评分相似，则系统认为这两个用户的偏好是相似的，因此会将一个用户评价较好的商品推荐给另一个用户。基于协同过滤的推荐技术不止关心用户对一种商品的关注度，还通过对目标用户的历史行为，对商品的历史评分数据进行分析，找到和目标用户兴趣爱好相似的用户群体，依据这些用户对商品作出的评价来预测目标用户对未评分商品的评分，然后向目标用户推荐合适的商品集。我们把与目标用户兴趣爱好相似的用户群体称为目标用户的最近邻居集合。协同过滤算法实现过程分为两部分：找到兴趣相似的邻居，选取邻居兴趣中目标用户没有的进行推荐。

(三)混合推荐算法综合运用各种推荐方法的优势、扬长避短，组合起来成为一个效果强大的系统。包括混合加权、瀑布型、分区混合和分层混合。(1)混合加权：确定权重参数，混合个子算法输出结果的权重，然后得到最终结果。但是，这种方法无法灵活处理不同的上下文场景，因为不同算法的结果，在不同场景下质量有高有低，固定权重后各系统无法各取所长。如何设置训练样本，比较用户对推荐结果的评价、与系统的预测是否相符比较关键，需要根据训练结果生成加权模型，动态调整权重。(2)瀑布型：混合方法采用过滤设计思想，将不同的推荐算法视为不同粒度的过滤器，当推荐对象和所需的推荐结果数量相差极为悬殊时，往往非常适用。在瀑布型混合技术中，前一种推荐方法的过滤结果，输出给后一种推荐方法，层层递进，候选结果在此过程中会被逐步遴选，最终得到一个高精度结果。设计瀑布型混合系统时，通常先选择运算速度快、区分度低的算法运行，再运行复杂度高的算法，这样能综合运用不同算法的运算优势与算法对兴趣的区分度，让宝贵的运算资源集中在少量较高候选结果的运算上。(3)分区混合：采用多种推荐机制，并将不同的推荐结果分区显示户。亚马逊、当当网等很多电子商务网站都是采用这样的方式，用户可以得到很全面的推荐，也更容易找到他们想要的东西。(4)分层混合：采用多种推荐机制，并将一个推荐机制的结果作为另一个的输入，从而综合各个推荐机制的优缺点，得到更加准确的推荐。

传统的协同过滤推荐算法存在冷启动问题、对用户兴趣考虑不够等问题。需要对用户的兴趣进行深入分析，挖掘具有相同兴趣爱好的群体，利用相似兴趣的喜好进行商品推荐，能够更好的增加用户体验度，并且提高产品的销售量。

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基于群体社区的商品推荐方法，以解决现有技术的不足。

为实现上述目的，本发明提供了一种基于群体社区的商品推荐方法，包括以下步骤：

S1、分析用户的历史购物行为，提取购物操作信息，建立用户兴趣模型；

S2、基于用户的历史购物行为，对提取的购物操作信息进行基于用户兴趣性的聚类分析，将具有共同喜欢的用户聚集为一个社区；

S3、通过对海量用户群的购物行为历史进行分析，挖掘兴趣相似的兴趣圈，基于兴趣圈进行在线商品推荐；

S4、通过用户购物历史，进行反向商品类别分析，依据商品的类别进行产品推荐。

上述的一种基于群体社区的商品推荐方法，所述步骤S2具体为：

S21、根据提取的购物操作信息，量化用户对商品的喜好值；

S22、按时间段收集用户对商品的喜好评分数据，构建用户-商品评分矩阵；

S23、根据用户-商品评分矩阵，将具有相似购物喜好的用户聚类为一个社区。

上述的一种基于群体社区的商品推荐方法，所述购物操作信息包括但不限于点击、收藏、购物车、购买。

上述的一种基于群体社区的商品推荐方法，所述步骤S4具体为：

S41、根据若干用户对于多类商品的购买信息，将被若干用户都购买的商品划分为一个商品社区；

S42、根据所述若干用户对于多类商品的购物操作信息，量化用户对商品的喜好值，并将各类商品的用户喜好值求和；

S43、当某个用户对所述各类商品有购买意向时，推荐商品的用户喜好值高的商品给所述用户。

上述的一种基于群体社区的商品推荐方法，所述步骤S4还包括通过商品关键字给用户推荐，具体为：

建立商品关键字矩阵；

匹配用户兴趣模型和商品关键字矩阵；

若商品关键字矩阵中某一商品或者某些商品的关键字与用户兴趣模型中用户所喜欢的商品的关键字有类似的，则将商品关键字矩阵中所述某一商品或者某些商品推荐给用户。

上述的一种基于群体社区的商品推荐方法，所述步骤S3通过Meti s算法挖掘兴趣相似的兴趣圈。

本发明的有益效果是：

本发明基于社区挖掘的商品聚类，通过具有相似兴趣的用户，基于用户的共同购买历史，能够分析出用户所购买的同类商品，同类商品信息的获取是依据用户的购物行为，这种商品分类方法超越了传统的商品分类方法，能够将购物篮的多个商品聚为一类。大大降低计算量，能有效缓解在线推荐速度瓶颈问题。通过所识别的商品社区，更有效地识别出关联购物情况，提高推荐质量。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的流程图。

图2是本发明的基于用户购物兴趣的购买商品行为分值图。

图3是本发明的基于商品类别的产品推荐图。

图4是本发明的基于商品特征的产品推荐图。

具体实施方式

如图1所示，一种基于群体社区的商品推荐方法，包括以下步骤：

S1、分析用户的历史购物行为，提取购物操作信息，建立用户兴趣模型；

S2、基于用户的历史购物行为，对提取的购物操作信息进行基于用户兴趣性的聚类分析，将具有共同喜欢的用户聚集为一个社区；

S3、通过对海量用户群的购物行为历史进行分析，挖掘兴趣相似的兴趣圈，基于兴趣圈进行在线商品推荐；

S4、通过用户购物历史，进行反向商品类别分析，依据商品的类别进行产品推荐。

本实施例中，所述步骤S2具体操作步骤为：

S21、根据提取的购物操作信息，量化用户对商品的喜好值；

S22、按时间段收集用户对商品的喜好评分数据，构建用户-商品评分矩阵；

S23、根据用户-商品评分矩阵，将具有相似购物喜好的用户聚类为一个社区。

步骤S2具体实例为：比如，用户A与用户B都购买了书籍《计算机安全学》和《计算机网络》，并且两个人又都浏览了书籍《计算机安全》，那么这两个人都对计算机领域书籍感兴趣，而且都关系计算机安全领域内容。因此如果用户A购买的计算机安全类书籍，用户B也可能用上，直接把用户A所挑选的相关书籍，推荐给用户B，会减少用户B对书籍的挑选时间。利用用户间共同兴趣性进行用户聚类，能够充分利用用户的喜好，来分析商品间的相似性。

用户的购物行为包括浏览、收藏、购物车、购买。这些行为包含用户对商品的喜爱程度，因此量化对商品的喜好值：浏览的分值1，收藏的分值2，购物车的分值3，购买的分值4。如图2中，9个用户，12个商品。对一件商品的浏览行为分值定为1，对一件商品的收藏行为分值定为2，对一件商品的购买行为分值定为4。用户1购买了商品1和3，浏览了商品2，收藏了商品4。用户2购买了商品2和3，浏览了商品1和商品4。用户3购买了商品2和4，浏览了商品1，收藏了商品3。对商品1到4，用户1、用户2和用户3体现出相似的爱好。如图所示，用户1、用户2、用户3具有相似的购物喜好，属于同一个兴趣社区，可以通过对商品的购物行为历史，将这三个用户聚类为一个社区。同理，用户4、用户5和用户6聚类为一个社区。用户7、用户8和用户9聚类为一个社区。

因此，用户的行为历史中隐藏着用户的喜好，也暗含着用户间具有相似的购物喜好。通过对海量用户的购物行为历史进行分析，能够挖掘兴趣相似的兴趣圈，基于兴趣圈进行在线商品推荐。

本实施例中，所述步骤S4具体操作步骤为：

S41、根据若干用户对于多类商品的购买信息，将被若干用户都购买的商品划分为一个商品社区；

S42、根据所述若干用户对于多类商品的购物操作信息，量化用户对商品的喜好值，并将各类商品的用户喜好值求和；

S43、当某个用户对所述各类商品有购买意向时，推荐商品的用户喜好值高的商品给所述用户。

步骤S4具体实例为：用户的兴趣圈表明用户间具有相似的购物历史，或相似的浏览历史。为了更好的向用户推荐商品，还需要依据商品的类别进行推荐。比如，用户A购买了书籍《计算机安全学》、《操作系统安全》和《计算机网络》，以及海尔洗衣机。用户B购买了书籍《计算机安全》、《操作系统安全》，那么这两个人都对计算机安全领域内容有共同喜好。如果用户B要买书籍，可以将用户A购买的《计算机网络》向其进行推荐，而不是推荐海尔洗衣机。因此，进行商品推荐的第二步，是在基于用户购买历史所挖掘的兴趣圈基础上，缩小兴趣圈范围，对商品进行分类，产品推荐时，依据产品的类别进行推荐。如图3所示，用户U2、U3和U4都购买了计算机类书籍S2和S3。因此S2和S3可以划分为一个商品社区C1。相对来说，S1比S4更接近于商品社区C1。当U3浏览S1时，可以依据U1和U2的购物情况进行推荐，U3购买S1的可能性大于购买S4的。

尽管对商品进行分类后，能够更好的进行推荐。但同类商品还具有很多关键词，比如衬衣，有人喜欢棉麻的，有人喜欢真丝的。因此还需要对商品进行进一步分析，进而根据商品的特征深入确定用户所喜欢的商品，具体为以下步骤：1、建立商品关键字矩阵；2、匹配用户兴趣模型和商品关键字矩阵；3、若商品关键字矩阵中某一商品或者某些商品的关键字与用户兴趣模型中用户所喜欢的商品的关键字有类似的，则将商品关键字矩阵中所述某一商品或者某些商品推荐给用户。

以图4为例，用户A的喜欢商品A的关键词是跑鞋、透气，用户B和用户C喜欢的商品B的关键词是卫衣、休闲。商品C的特征提取为透气、跑鞋。通过匹配用户兴趣模型以及商品的特征矩阵，发现商品A和商品C很类似，因为他们都属于都有特征属性跑鞋、透气,当系统发现用户A喜欢商品A的时候，根据基于商品的属性特征，系统就会自动认为用户A是对透气的跑鞋感兴趣，就会把商品C推荐给用户A。

本发明所述步骤S3通过METIS算法挖掘兴趣相似的兴趣圈。METIS是由KarypisLab开发的一个具有强大功能的图切分软件包。准确来说，METIS是一个串行图切分的软件包，Karypis Lab还提供了并行版的图切分软件包parMETIS和支持超图和电路划分的hMETIS。METIS的算法设计主要基于多层次递归二分切分法、多层次K路切分法以及多约束划分机制。用户使用METIS软件包时，可以根据需要选择相应的切分方式。

METIS主要的特性如下。首先，METIS具有高质量的划分结果，据称比通常的谱聚类要精确10％-50％。支持谱聚类算法。其次，METIS执行效率非常高，比常见的划分算方法快1-2个数量级。百万级顶点的图几秒钟之内就可以切分为256个类。最后，METIS具有很低的注入元，从而降低了存储负载和计算量。

综上所述，产品推荐系统从用户层、商品分类层、商品类别细化三个层次逐层深入分析，使得推荐系统能够依据用户间的相似性特征，越来越精确的识别和推荐用户喜爱的商品。通过用户对商品的购物历史，挖掘出基于兴趣性的用户社区。还需要对商品进行分类，依据用户的综合购物体验所产生的社区，反向从用户到商品，分析同类别商品或具有共同属性的商品，再次识别同一用户社区内的商品社区。根据用户的购买行为构建用户行为矩阵，依据用户间的购买和点击行为，计算商品间相似度，将多共同购买的商品集聚集为商品社区。

再次运行社区识别算法，在用户社区基础上进行商品聚类，可以缩小商品范围。和传统的协同过滤算法不同，传统算法计算目标用户与所有用户集合中所有用户的相似度。基于社区挖掘的商品聚类，通过具有相似兴趣的用户，基于用户的共同购买历史，能够分析出用户所购买的同类商品，同类商品信息的获取是依据用户的购物行为，这种商品分类方法超越了传统的商品分类方法，能够将购物篮的多个商品聚为一类。比如，用户购买一包纸，同时购买一桶油，通过用户社区的反向分析可以很容易的把纸和油放在一个商品类别里，纸和油属于家用商品。与传统算法比，大大降低计算量，能有效缓解在线推荐速度瓶颈问题。通过所识别的商品社区，更有效地识别出关联购物情况，提高推荐质量。

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做出诸多修改和变化。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 (6)

1.一种基于群体社区的商品推荐方法，其特征在于，包括以下步骤：

S1、分析用户的历史购物行为，提取购物操作信息，建立用户兴趣模型；

S2、基于用户的历史购物行为，对提取的购物操作信息进行基于用户兴趣性的聚类分析，将具有共同喜欢的用户聚集为一个社区；

S3、通过对海量用户群的购物行为历史进行分析，挖掘兴趣相似的兴趣圈，基于兴趣圈进行在线商品推荐；

S4、通过用户购物历史，进行反向商品类别分析，依据商品的类别进行产品推荐。

2.如权利要求1所述的一种基于群体社区的商品推荐方法，其特征在于，所述步骤S2具体为：

S21、根据提取的购物操作信息，量化用户对商品的喜好值；

S22、按时间段收集用户对商品的喜好评分数据，构建用户-商品评分矩阵；

S23、根据用户-商品评分矩阵，将具有相似购物喜好的用户聚类为一个社区。

3.如权利要求1或2所述的一种基于群体社区的商品推荐方法，其特征在于：所述购物操作信息包括但不限于点击、收藏、购物车、购买。

4.如权利要求1所述的一种基于群体社区的商品推荐方法，其特征在于：所述步骤S4具体为：

S41、根据若干用户对于多类商品的购买信息，将被若干用户都购买的商品划分为一个商品社区；

S42、根据所述若干用户对于多类商品的购物操作信息，量化用户对商品的喜好值，并将各类商品的用户喜好值求和；

S43、当某个用户对所述各类商品有购买意向时，推荐商品的用户喜好值高的商品给所述用户。

5.如权利要求1所述的一种基于群体社区的商品推荐方法，其特征在于：所述步骤S4还包括通过商品关键字给用户推荐，具体为：

建立商品关键字矩阵；

匹配用户兴趣模型和商品关键字矩阵；

若商品关键字矩阵中某一商品或者某些商品的关键字与用户兴趣模型中用户所喜欢的商品的关键字有类似的，则将商品关键字矩阵中所述某一商品或者某些商品推荐给用户。

6.如权利要求1所述的一种基于群体社区的商品推荐方法，其特征在于：所述步骤S3通过Metis算法挖掘兴趣相似的兴趣圈。