CN109685630B - 电子商务团购推荐方法及系统 - Google Patents

Abstract

本发明公开了一种电子商务团购推荐方法及系统。本发明一种电子商务团购推荐方法，包括：用于缓存用户交易数据，并在一段时间间隔后注入数据存储端，激活数据抽取程序，更新用户‑商品评分矩阵R，更新商品‑内容属性矩阵I，更新团购拼单交易网络G；根据用户‑商品评分矩阵R和商品‑内容属性矩阵I，度量商品之间综合相似性，将高相似商品推荐给用户；发起用户进入交易状态时，根据团购拼单交易网络G，获取N个交易意向最高参与用户，将他们推荐给发起用户；将推荐结果以可视化方式展示出来。本发明的有益效果：本发明考虑到了团购参与用户推荐问题，解决了团购参与用户选择上的盲目性，使推荐商品能更加适合团购参与用户。

Description

电子商务团购推荐方法及系统

技术领域

本发明涉及电子商务领域，具体涉及一种电子商务团购推荐方法及系统。

背景技术

近年来，随着支付技术与物流网络的日益成熟，一种新型的网络消费模式——“拼单购物”已然兴起。拼单指的就是交易过程中，通过聚集相同购物需求的买家，以较低的折扣进行有组织性的集体购买。

目前的拼单购物平台实行的都是邀请制。一次拼单交易中，一名用户发起购物请求，邀请该名用户者的朋友或其追随者，形成一个团体参与购买。也就是说，在一次交易中，参与者存在的仅仅是社交关系，他们并没有对某种商品存在着一致喜好性。

传统技术存在以下技术问题：

这种邀请制度存在诸多弊端，如与用户购买习惯冲突、用户留存率低等问题，这是因为一轮交易可能并不符合多数参与用户的购买需求。也就是说，在一次交易中，参与者很可能因社交网络上的关系参与交易，而非因存在交易需求参与交易，当交易参与者增多，也就是拼单数量变大，这一问题显得尤为突出。

而对于一些时效性商品，商家更注重的是拼单的数量。比如滞销农产品，生鲜商品等，商家希望获得的是大额、迅速的交易订单。这种情况下，单纯由用户邀请的拼团往往效率低下，一次拼单聚集的用户数目也较少。

发明内容

本发明要解决的技术问题是提供一种基于相似性度量的拼单购物推荐系统。在团购拼单交易过程中，由系统推荐参与此次交易的意向用户，解决了拼单购物过程中参与用户选择上的盲目性，提升了拼单购物效率，增强了交易商品对用户的适用性。

为了解决上述技术问题，本发明提供了一种电子商务团购推荐方法，包括：

用于缓存用户交易数据，并在一段时间间隔后注入数据存储端，激活数据抽取程序，更新用户-商品评分矩阵R，更新商品-内容属性矩阵I，更新团购拼单交易网络G；

根据用户-商品评分矩阵R和商品-内容属性矩阵I，度量商品之间综合相似性，将高相似商品推荐给用户；

发起用户进入交易状态时，根据团购拼单交易网络G，获取N个交易意向最高参与用户，将他们推荐给发起用户；

将推荐结果以可视化方式展示出来。

一种电子商务团购推荐系统，包括：

交易数据处理模块，用于缓存用户交易数据，并在一段时间间隔后注入数据存储端，激活数据抽取程序，更新用户-商品评分矩阵R，更新商品-内容属性矩阵I，更新团购拼单交易网络G；

团购商品推荐模块，根据用户-商品评分矩阵R和商品-内容属性矩阵I，度量商品之间综合相似性，将高相似商品推荐给用户；

团购参与用户推荐模块，发起用户进入交易状态时，根据团购拼单交易网络G，获取N个交易意向最高参与用户，将他们推荐给发起用户；

推荐展示模块，将推荐结果以可视化方式展示出来。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。

一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。

本发明的有益效果：

本发明考虑到了团购参与用户推荐问题，解决了团购参与用户选择上的盲目性，使推荐商品能更加适合团购参与用户，并且能够快速地完成大额拼单交易。本发明采用一种商品综合相似性的度量方案进行团购商品推荐，缓解了商品冷启动问题。

附图说明

图1是本发明电子商务团购推荐系统的框架示意图。

图2是本发明电子商务团购推荐系统的团购商品推荐模块的相似性计算示意图。

图3是本发明电子商务团购推荐系统中的近似性度量方法的示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

一种电子商务团购推荐方法，包括：

用于缓存用户交易数据，并在一段时间间隔后注入数据存储端，激活数据抽取程序，更新用户-商品评分矩阵R，更新商品-内容属性矩阵I，更新团购拼单交易网络G；

根据用户-商品评分矩阵R和商品-内容属性矩阵I，度量商品之间综合相似性，将高相似商品推荐给用户；

发起用户进入交易状态时，根据团购拼单交易网络G，获取N个交易意向最高参与用户，将他们推荐给发起用户；

将推荐结果以可视化方式展示出来。

一种电子商务团购推荐系统，包括：

交易数据处理模块，用于缓存用户交易数据，并在一段时间间隔后注入数据存储端，激活数据抽取程序，更新用户-商品评分矩阵R，更新商品-内容属性矩阵I，更新团购拼单交易网络G；

团购商品推荐模块，根据用户-商品评分矩阵R和商品-内容属性矩阵I，度量商品之间综合相似性，将高相似商品推荐给用户；

团购参与用户推荐模块，发起用户进入交易状态时，根据团购拼单交易网络G，获取N个交易意向最高参与用户，将他们推荐给发起用户；

推荐展示模块，将推荐结果以可视化方式展示出来。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。

一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。

本发明的有益效果：

本发明考虑到了团购参与用户推荐问题，解决了团购参与用户选择上的盲目性，使推荐商品能更加适合团购参与用户，并且能够快速地完成大额拼单交易。本发明采用一种商品综合相似性的度量方案进行团购商品推荐，缓解了商品冷启动问题。

下面介绍本发明的一个具体应用场景：

图1是电子商务团购推荐系统的一种可选架构图，如图1所示，该系统由以下几个模块构成：交易数据处理模块、团购商品推荐模块、团购参与用户推荐模块、推荐展示模块。

交易数据处理模块将交易记录处理成用户-商品评分矩阵R，商品-内容矩阵I，团购交易网络G。

其中，用户-商品评分矩阵U是一个m*n的矩阵，m是用户数量，n是商品数量，矩阵中数值ujk表示j用户对k商品的喜好程度，喜好程度U_jk＝α*BUY_jk+β*PV_jk+γ*FAV_jk,BUY_jk表示j用户购买k商品数量，PV_jk表示j用户点击k商品次数，FAV_jk表示j用户收藏k商品次数，α、β、γ分别代表购买数量、点击次数、收藏次数的喜好权重。

商品-内容属性矩阵I是一个n*l的矩阵，n是商品数量，l是商品内容属性数量，矩阵中布尔值i_jk表示j商品是否有k内容属性。

团购交易网络G是一个由t个顶点和e条边构成的图，t是交易记录中所有元素，包括商品、用户、种类、店铺的集合。e是交易记录元素之间所有关联项的集合，一个交易记录中的商品元素与其他任一元素形成一个关联项，如i商品为p用户所购买，则<i,p,U_ip>就是一个关联项。U_ip是i与p的关联值，也作为边的权值，在这里使用的是i对p的喜好程度。

如图2所示，团购商品推荐模块根据用户-商品评分矩阵度量两件商品i与k在用户群体上的相似性SR(i,k)。

上式中cov(r_i,r_k)表示两件商品评分向量r_i和r_k，即矩阵R的第i列和第k列的协方差，向量r_i中元素均值

用表示，标准差用σr_i表示，U是两件商品的共同用户集合。

根据商品-内容属性矩阵计算两件商品在内容上的相似性SI(i,k)。

通过上式计算，可以获得商品i和商品k之间关于内容的余弦相似性。

如图2所示，通过融合用户-商品矩阵的相似性和商品-内容属性矩阵的相似性，我们可以得到一个综合的商品相似性度量指标Sim(i,k)。

Sim(i，k)＝εS_R(i，k)+(1-ε)S_I(i，k)

上式中ε表示用户-商品评分矩阵的置信度，若一件商品无交易记录，则ε为0，之后可以根据商品综合相似性度量指标向用户推荐与其交易记录高相似的商品集I。

如图3所示，当发起用户进入交易状态时，系统向用户推荐此次交易的意向参与用户。基于团购拼单交易网络G，选取待交易商品i节点作为意向参与用户基准节点。

首先，选取商品i的近似商品集J(i)，满足

θ是一个近似阈值。根据近似商品集选择意向用户候选集。C＝Γ(J₁)∪Γ(J₂)∪……Γ(J_n)，Γ(J₁)表示商品J₁在拼单团购交易网络中所有用户类型的邻居节点。

本发明通过基于路径的近似性度量方法来计算候选集C中用户参与度，即候选用户对于发起用户发起交易的参与意向。参与用户参与意向越高，越有可能参与交易。参与度P计算如下：

csim(i，L)＝∑_T∈Losim(i，T)

osim(i，T)＝Π_I∈Tsim(i，j)

P_U→V：P_U→V∈T＝(M^KT)_UV

上式中ε是路径最大复杂度，路径复杂度用路径中商品数量表示，复杂度越大，计算量越大，不应超过3。

csim是一类复杂度下，所有路径中的商品相似度之和。

osim是一种特定路径中，商品相似度之积。数值越高，说明参与度越受这种路径的影响。

Pu→v∈T是在团购拼单交易网络G中T种路径标准下，U到V的路径数量。M是拼单交易网络G的连接矩阵，KT是路径具体长度。

计算出候选集合中所有候选用户的参与度，从大到小排序，选择参与度最高的N个候选用户作为系统推荐参与用户，将他们推荐给发起用户。

通过推荐展示模块，将推荐参与用户显示在发起用户的交易界面上。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (1)

1.一种电子商务团购推荐系统，其特征在于，包括：交易数据处理模块、团购商品推荐模块、团购参与用户推荐模块、推荐展示模块；

交易数据处理模块将交易记录处理成用户-商品评分矩阵R，商品-内容属性矩阵I，团购交易网络G；

其中，用户-商品评分矩阵R是一个m*n的矩阵，m是用户数量，n是商品数量，矩阵中数值U_jk表示j用户对k商品的喜好程度，喜好程度U_jk＝α*BUY_jk+β*PV_jk+γ*FAV_jk,BUY_jk表示j用户购买k商品数量，PV_jk表示j用户点击k商品次数，FAV_jk表示j用户收藏k商品次数，α、β、γ分别代表购买数量、点击次数、收藏次数的喜好权重；

商品-内容属性矩阵I是一个n*l的矩阵，n是商品数量，l是商品内容属性数量，矩阵中布尔值i_jk表示j商品是否有k内容属性；

团购交易网络G是一个由t个顶点和e条边构成的图，t是交易记录中所有元素，包括商品、用户、种类、店铺的集合；e是交易记录元素之间所有关联项的集合，一个交易记录中的商品元素与其他任一元素形成一个关联项，其中，i商品为p用户所购买，则<i,p,U_ip>就是一个关联项；U_ip是i与p的关联值，也作为边的权值，在这里使用的是i对p的喜好程度；

团购商品推荐模块根据用户-商品评分矩阵度量两件商品i与k在用户群体上的相似性S_R(i,k)；

上式中cov(r_i,r_k)表示两件商品评分向量r_i和r_k，即矩阵R的第i列和第k列的协方差，向量r_i中元素均值用

表示，标准差用σr_i表示，U是两件商品的共同用户集合；

根据商品-内容属性矩阵计算两件商品在内容上的相似性S_I(i,k)；

通过上式计算，获得商品i和商品k之间关于内容的余弦相似性；

通过融合用户-商品矩阵的相似性和商品-内容属性矩阵的相似性，得到一个综合的商品相似性度量指标Sim(i,k)；

Sim(i，k)＝εS_R(i，k)+(1-ε)S_I(i，k)

上式中ε表示用户-商品评分矩阵的置信度，若一件商品无交易记录，则ε为0，之后根据商品综合相似性度量指标向用户推荐与其交易记录高相似的商品集I；

当发起用户进入交易状态时，系统向用户推荐此次交易的意向参与用户；基于团购拼单交易网络G，选取待交易商品i节点作为意向参与用户基准节点；

首先，选取商品i的近似商品集J(i)，满足

θ是一个近似阈值；根据近似商品集选择意向用户候选集；C＝Γ(J₁)∪Γ(J₂)∪……Γ(J_n)，Γ(J₁)表示商品J₁在拼单团购交易网络中所有用户类型的邻居节点；

通过基于路径的近似性度量方法来计算候选集C中用户参与度，即候选用户对于发起用户发起交易的参与意向；参与用户参与意向越高，越有可能参与交易；参与度P计算如下：

csim(i，L)＝∑_T∈Lo sim(i，T)

osim(i，T)＝Π_j∈Tsim(i，j)

P_U→V：P_U→V∈T＝(M^KT)_UV

上式中ε是路径最大复杂度，路径复杂度用路径中商品数量表示，复杂度越大，计算量越大，不应超过3；

csim是一类复杂度下，所有路径中的商品相似度之和；

osim是一种特定路径中，商品相似度之积；数值越高，说明参与度越受这种路径的影响；

P_U→V∈T是在团购拼单交易网络G中T种路径标准下，U到V的路径数量；M是拼单交易网络G的连接矩阵，KT是路径具体长度；

计算出候选集合中所有候选用户的参与度，从大到小排序，选择参与度最高的N个候选用户作为系统推荐参与用户，将他们推荐给发起用户；

通过推荐展示模块，将推荐参与用户显示在发起用户的交易界面上。

Images