CN109859004A - 一种基于历史数据的商品推荐方法及系统 - Google Patents

Abstract

本发明的技术方案包括一种基于历史数据的商品推荐方法及系统，用于实现：结合目标用户的购物信息，通过用户往期购买物品或者服务的记录，找到与目标用户拥有相似兴趣或者购买记录的用户，再根据聚合拟态函数计算出邻居中用户与目标用户的潜在附着关系大小，根据相关用户的购买信息，得到目标用户的推荐商品信息。本发明的有益效果为：对商品进智能化展示，改善了用户体验，可以提高用户忠诚度，并且在用户购买自己目标商品时可以看到多个与目标商品类似的商品，可以提高用户的消费选择对象，该方法可以减少候选对象的维度，提高服务选着效率，且具有较好的抗干扰能力以及优秀的负载能力，更能贴近用户，增加用户的消费舒适度。

Description

一种基于历史数据的商品推荐方法及系统

技术领域

本发明涉及一种基于历史数据的商品推荐方法及系统，属于信息技术领域。

背景技术

网上购物，就是通过互联网检索商品信息，并通过电子订购单发出购物请求，然后填上私人支票帐号或信用卡的号码，厂商通过邮购的方式发货，或是通过快递公司送货上门。

随着互联网的普及，网络购物的优点更加突出，日益成为一种重要的购物形式。中国互联网络信息中心(CNNIC)2012年1月发布的《第29次中国互联网络发展状况统计报告》显示：截至2011年12月底，中国网民规模达到5.13亿，全年新增网民5580万；互联网普及率较上年底提升4个百分点，达到38.3％。中国手机网民规模达到3.56亿，同比增长17.5％，与前几年相比，中国的整体网民规模增长进入平台期。

2009年以来，以网络购物、网上支付、旅行预订为代表的商务类应用持续快速增长，并引领其他互联网应用发展，成为中国互联网发展的突出特点。2011年这一态势依然延续，中国网络购物应用依然处于较快发展通道。

在网络蓬勃发展的今天,网络消费者的数量也急剧增加,在购物网站繁多的情况下,商家往往忽略了用户的个性化,无法适应每一个客户的特性,同时也缺乏自主性,无法主动为客户提供所需服务。

发明内容

为解决上述问题，本发明的目的在于提供一种基于历史数据的商品推荐方法及系统，包括，结合目标用户的购物信息，计算目标用户与对比样本中各个用户的相似兴趣值，将得到的多个相似兴趣值进行聚合，得到聚合参数矩阵；将对比样本中用户的购物信息进行提取处理，得到样本用户矩阵以及商品属性矩阵；根据聚合矩阵、样本用户矩阵以及物品属性矩阵，得到类比矩阵；通过聚合拟态函数计算用户相关性系数，以类比矩阵为基础，结合用户相关性系数，得到目标用户的推荐商品信息。

本发明解决其问题所采用的技术方案一方面是：一种基于历史数据的商品推荐方法，其特征在于，包括以下步骤：S100、采集用户的购物信息，录入数据库，其中购物信息包括用户的购买过的商品以及用户的兴趣标签；S200、选取数据库中一定数量的用户作为对比样本，结合目标用户的购物信息，计算目标用户与对比样本中各个用户的相似兴趣值，其中一定数量可自定义；S300、将得到的多个相似兴趣值进行聚合，得到聚合参数矩阵；S400、将对比样本中用户的购物信息进行提取处理，得到样本用户矩阵；S500、将商品信息进行提取处理，得到商品属性矩阵，其中商品信息包括商品类型；S600、根据聚合矩阵、样本用户矩阵以及物品属性矩阵，得到类比矩阵；S700、通过聚合拟态函数计算用户相关性系数，以类比矩阵为基础，结合用户相关性系数，得到目标用户的推荐商品信息。

进一步的，所述S200包括：

选取数据库中一定数量的用户作为对比样本，得到用户的兴趣标签；

提取目标用户的购物信息，得到目标用户的兴趣标签；

计算目标用户与样布用户的相似兴趣值，计算式如下：

其中x为目标用户的兴趣标签，

其中y为样本用户的兴趣标签，

其中m为兴趣标签数量。

进一步的，所述S300包括：

将得到的n个相似兴趣值进行聚合，得到聚合参数矩阵

∑_n×m

其中n为n个样本用户数量

其中m为一个样本用户的兴趣标签数量。

进一步的，所述S400包括：

提取对比样本中用户的购物信息，得到用户的购买过的商品以及用户的兴趣标签；

根据购买过的商品以及用户的兴趣标签，得到样本用户矩阵

U_n×n

其中n为用户的n个购买过的商品和n个兴趣标签。

进一步的，所述S500包括：

将商城出售的商品信息统计处理，得到商品属性矩阵

V_m×m

其中m为商品属性类型数量。

进一步的，所述S600包括：

根据聚合矩阵、样本用户矩阵以及物品属性矩阵，得到类比矩阵

R_n×m＝U_n×n×∑_n×m×V_m×m

其中R_n×m为类比矩阵，

其中U_n×n为样本用户矩阵，

其中∑_n×m为聚合参数矩阵，

其中V_m×m为商品属性矩阵。

进一步的，所述S700包括：

计算目标用户与对比样本中各个用户的相关性系数：

结合类比矩阵，选取指定数量的各个用户与目标用户的相关系数，将相关系数由大到小依次排列，根据大小向目标用户推荐一定数量的商品，其中指定数量可自行设置，但不能大于对比样本中用户的数量，其中一定数量可自行设置，但不能大于商品属性矩阵中商品属性的数量。

本发明解决其问题所采用的技术方案另一方面是：一种基于历史数据的商品推荐系统，其特征在于，包括：采集存储模块，用于用于采集用户的购物信息并录入数据库，其中购物信息包括用户的购买过的商品以及用户的兴趣标签；相似兴趣计算模块，用于选取数据库中一定数量的用户作为对比样本，结合目标用户的购物信息，计算目标用户与对比样本中各个用户的相似兴趣值，其中一定数量可自定义；矩阵模块，用于根据采集存储模块和相似兴趣计算模块计算的结果，生成各类矩阵并进行对应的矩阵计算；相关性计算模块，用于通过聚合拟态函数计算用户相关性系数，以类比矩阵为基础，结合用户相关性系数，得到目标用户的推荐商品信息；推荐模块，用于根据相关性计算模块计算的推荐商品信息，向目标用户推荐商品。

进一步的，所述矩阵模块还包括：聚合参数矩阵模块，用于将得到的多个相似兴趣值进行聚合，得到聚合参数矩阵；样本用户矩阵模块，用于将对比样本中用户的购物信息进行提取处理，得到样本用户矩阵；商品属性矩阵模块，用于商品信息进行提取处理，得到商品属性矩阵，其中商品信息包括商品类型；类比矩阵模块，用于根据聚合矩阵、样本用户矩阵以及物品属性矩阵，计算类比矩阵。

本发明的有益效果是：对商品进智能化展示，改善了用户体验，可以提高用户忠诚度，并且在用户购买自己目标商品时可以看到多个与目标商品类似的商品，可以提高用户的消费选择对象，该方法可以减少候选对象的维度，提高服务选着效率，且具有较好的抗干扰能力以及优秀的负载能力，更能贴近用户，增加用户的消费舒适度。

附图说明

图1所示为根据本发明较佳实施例的方法流程示意图；

图2所示为根据本发明较佳实施例的系统结构示意图；

图3所示为根据本发明较佳实施例一；

图4所示为根据本发明较佳实施例一的流程示意图。

具体实施方式

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。

需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。此外，本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。此外，除非另有定义，本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本文说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种元件，但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如，在不脱离本公开范围的情况下，第一元件也可以被称为第二元件，类似地，第二元件也可以被称为第一元件。本文所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例，并且除非另外要求，否则不会对本发明的范围施加限制。

参照图1所示为根据本发明较佳实施例的方法流程示意图，

S100、采集用户的购物信息，录入数据库，其中购物信息包括用户的购买过的商品以及用户的兴趣标签；

S200、选取数据库中一定数量的用户作为对比样本，结合目标用户的购物信息，计算目标用户与对比样本中各个用户的相似兴趣值，其中一定数量可自定义：

选取数据库中一定数量的用户作为对比样本，得到用户的兴趣标签；

提取目标用户的购物信息，得到目标用户的兴趣标签；

计算目标用户与样布用户的相似兴趣值，计算式如下：

其中x为目标用户的兴趣标签，

其中y为样本用户的兴趣标签，

其中m为兴趣标签数量；

S300、将得到的多个相似兴趣值进行聚合，得到聚合参数矩阵：

将得到的n个相似兴趣值进行聚合，得到聚合参数矩阵

∑_n×m

其中n为n个样本用户数量

其中m为一个样本用户的兴趣标签数量；

S400、将对比样本中用户的购物信息进行提取处理，得到样本用户矩阵：

提取对比样本中用户的购物信息，得到用户的购买过的商品以及用户的兴趣标签；

根据购买过的商品以及用户的兴趣标签，得到样本用户矩阵

U_n×n

其中n为用户的n个购买过的商品和n个兴趣标签；

S500、将商品信息进行提取处理，得到商品属性矩阵，其中商品信息包括商品类型：

将商城出售的商品信息统计处理，得到商品属性矩阵

V_m×m

其中m为商品属性类型数量；

S600、根据聚合矩阵、样本用户矩阵以及物品属性矩阵，得到类比矩阵：

根据聚合矩阵、样本用户矩阵以及物品属性矩阵，得到类比矩阵

R_n×m＝U_n×n×∑_n×m×V_m×m

其中R_n×m为类比矩阵，

其中U_n×n为样本用户矩阵，

其中∑_n×m为聚合参数矩阵，

其中V_m×m为商品属性矩阵；

S700、通过聚合拟态函数计算用户相关性系数，以类比矩阵为基础，结合用户相关性系数，得到目标用户的推荐商品信息：

计算目标用户与对比样本中各个用户的相关性系数：

结合类比矩阵，选取指定数量的各个用户与目标用户的相关系数，将相关系数由大到小依次排列，根据大小向目标用户推荐一定数量的商品，其中指定数量可自行设置，但不能大于对比样本中用户的数量，其中一定数量可自行设置，但不能大于商品属性矩阵中商品属性的数量。

参照图2所示为根据本发明较佳实施例的系统结构示意图，包括

采集存储模块，用于用于采集用户的购物信息并录入数据库，其中购物信息包括用户的购买过的商品以及用户的兴趣标签；相似兴趣计算模块，用于选取数据库中一定数量的用户作为对比样本，结合目标用户的购物信息，计算目标用户与对比样本中各个用户的相似兴趣值，其中一定数量可自定义；矩阵模块，用于根据采集存储模块和相似兴趣计算模块计算的结果，生成各类矩阵并进行对应的矩阵计算；相关性计算模块，用于通过聚合拟态函数计算用户相关性系数，以类比矩阵为基础，结合用户相关性系数，得到目标用户的推荐商品信息；推荐模块，用于根据相关性计算模块计算的推荐商品信息，向目标用户推荐商品。

其中矩阵模块还包括：

聚合参数矩阵模块，用于将得到的多个相似兴趣值进行聚合，得到聚合参数矩阵；样本用户矩阵模块，用于将对比样本中用户的购物信息进行提取处理，得到样本用户矩阵；商品属性矩阵模块，用于商品信息进行提取处理，得到商品属性矩阵，其中商品信息包括商品类型；类比矩阵模块，用于根据聚合矩阵、样本用户矩阵以及物品属性矩阵，计算类比矩阵。

通过用户个性化需求建立矩阵矩阵，利用聚合拟态函数进行权重分析，以用户的个性化需求作为参数，利用空间数据相似性,得出符合该用户的聚合用户。

参考图4为本发明的综合流程示意图

首先建立数学模型，数据可以表述为一个n*m的用户个性化需求矩阵R,U是用户个性化需求矩阵,V是物品属性矩阵，Σ为聚合参数矩阵，利用聚合拟态函数进行权重分析，使得用户在有不少于一个需求时，或者用户需求数据缺乏时依旧有极强的稳定性，将有相似兴趣的用户矩阵作为目标用户的类比矩阵。

类比矩阵如式表示:

R_n×m＝U_n×n×∑_n×m×V_m×m

n*m的取值策略:确保参变分离,以用户个性化需求为基础并且结合商品属性。用户兴趣标签个数，决定了矩阵值，策略就是单纯的人工标记，n对应用户，m对应兴趣；

得出的类比矩阵信息

1.满足目标用户需求的物品；

2.与目标用户有相同需求或者购买记录的用户他们往期购买记录中目标用户没有购买过的物品；

3.与目标用户购买记录中有相似作用的物品。

U_n×n中n为用户的n个需求和n个往期购买过的物品；

V_m×m物品属性类比为游戏中售卖的物品,心法,枪支,弹药,药品,装备等；

∑_n×m就是多个与目标用户有相似兴趣值的其他用户的聚合,是一个矩阵,下面公式的值为该矩阵里面的数值：

将以用户的个性化需求组成作为分析矩阵,用于使用函数时进行权重分析,以高斯分布为基础,结合用户需求数据与系统内部其他用户数据,进行类比聚合分解,从而为目标用户推荐。

计算用户相似兴趣值如上式所示

X为用户的需求或者兴趣集合,Y为另一个用户的需求或者兴趣集合

这个公式中的xy代表的是坐标系或者空间中的位置。

用于作为寻找邻居用户的参数。

Sx为当情况下的期望。

从系统已有数据中寻求与用户需求之间的潜在附着关系，分解用户个性化需求,聚合拟态函数进行权重分析，得出符合用户需求的用户集，以此来为用户推荐。

已知有两个用户x，y变量,n表示用户变量取值的个数,Sx,Sy代表该情况下用户x,y的数学期望的值。

通过聚合拟态函数得到用户相关性系数:

过用户往期购买物品或者服务的记录，找到与目标用户拥有相似兴趣或者购买记录的用户，再根据聚合拟态函数计算出邻居中用户与目标用户的潜在附着关系大小。即使目标用户有多个需求或者用户数据十分稀疏，依然可以有较好的准确性。

以一个游戏推荐系统为例：

ID是用户昵称，GAME是该用户玩过的游戏名，COUNT是用户玩过的次数。

参考图3a所示，joker与king一样多次玩过英雄联盟，很少玩穿越火线和炉石传说这两款游戏，可以看出joker与king属于一类人，这是我们可以将两个人划为“邻居”集。

再通过多维空间相似度得到用户相似度之后，需要求解目标用户的最近邻用户，得到目标用户相似度最高的前K个用户。接下来是用最近邻用户的评分来给目标用户进行推荐。从而得出我们应该向king推荐风暴英雄这款游戏。

再以一个音乐系统为例：

音乐系统一般包括用户名称,歌曲名称,歌手名称,系统内部会包含该用户听某首歌的次数,以图3b的数据为例，

这里我们用图3b的数据为例，得到图3c的用户评价矩阵R。矩阵的第一行表示不同的歌曲，矩阵的第一列表示不同的用户，矩阵中对应的坐标是某用户听过某首歌的次数。

通过上边我们不难发现joker和moon都听过流浪和shape of you，可以一起作为“邻居”集合，因此系统应该向moon推荐ECHO这首歌。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。

计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。

Claims (9)

1.一种基于历史数据的商品推荐方法，其特征在于，包括以下步骤：

S100、采集用户的购物信息，录入数据库，其中购物信息包括用户的购买过的商品以及用户的兴趣标签；

S200、选取数据库中一定数量的用户作为对比样本，结合目标用户的购物信息，计算目标用户与对比样本中各个用户的相似兴趣值，其中一定数量可自定义；

S300、将得到的多个相似兴趣值进行聚合，得到聚合参数矩阵；

S400、将对比样本中用户的购物信息进行提取处理，得到样本用户矩阵；

S500、将商品信息进行提取处理，得到商品属性矩阵，其中商品信息包括商品类型；

S600、根据聚合矩阵、样本用户矩阵以及物品属性矩阵，得到类比矩阵；

S700、通过聚合拟态函数计算用户相关性系数，以类比矩阵为基础，结合用户相关性系数，得到目标用户的推荐商品信息。

2.根据权利要求1所述的基于历史数据的商品推荐方法，其特征在于，所述S200包括：

选取数据库中一定数量的用户作为对比样本，得到用户的兴趣标签；

提取目标用户的购物信息，得到目标用户的兴趣标签；

计算目标用户与样布用户的相似兴趣值，计算式如下：

其中x为目标用户的兴趣标签，

其中y为样本用户的兴趣标签，

其中m为兴趣标签数量。

3.根据权利要求1所述的基于历史数据的商品推荐方法，其特征在于，所述S300包括：

将得到的n个相似兴趣值进行聚合，得到聚合参数矩阵

∑_n×m

其中n为n个样本用户数量

其中m为一个样本用户的兴趣标签数量。

4.根据权利要求1所述的基于历史数据的商品推荐方法，其特征在于，所述S400包括：

提取对比样本中用户的购物信息，得到用户的购买过的商品以及用户的兴趣标签；

根据购买过的商品以及用户的兴趣标签，得到样本用户矩阵

U_n×n

其中n为用户的n个购买过的商品和n个兴趣标签。

5.根据权利要求1所述的基于历史数据的商品推荐方法，其特征在于，所述S500包括：

将商城出售的商品信息统计处理，得到商品属性矩阵

V_m×m

其中m为商品属性类型数量。

6.根据权利要求1所述的基于历史数据的商品推荐方法，其特征在于，所述S600包括：

根据聚合矩阵、样本用户矩阵以及物品属性矩阵，得到类比矩阵

R_n×m＝U_n×n×∑_n×m×V_m×m

其中R_n×m为类比矩阵，

其中U_n×n为样本用户矩阵，

其中∑_n×m为聚合参数矩阵，

其中V_m×m为商品属性矩阵。

7.根据权利要求1所述的基于历史数据的商品推荐方法，其特征在于，所述S700包括：

计算目标用户与对比样本中各个用户的相关性系数：

结合类比矩阵，选取指定数量的各个用户与目标用户的相关系数，将相关系数由大到小依次排列，根据大小向目标用户推荐一定数量的商品，其中指定数量可自行设置，但不能大于对比样本中用户的数量，其中一定数量可自行设置，但不能大于商品属性矩阵中商品属性的数量。

8.一种基于历史数据的商品推荐系统，其特征在于，包括：

采集存储模块，用于用于采集用户的购物信息并录入数据库，其中购物信息包括用户的购买过的商品以及用户的兴趣标签；

相似兴趣计算模块，用于选取数据库中一定数量的用户作为对比样本，结合目标用户的购物信息，计算目标用户与对比样本中各个用户的相似兴趣值，其中一定数量可自定义；

矩阵模块，用于根据采集存储模块和相似兴趣计算模块计算的结果，生成各类矩阵并进行对应的矩阵计算；

相关性计算模块，用于通过聚合拟态函数计算用户相关性系数，以类比矩阵为基础，结合用户相关性系数，得到目标用户的推荐商品信息；

推荐模块，用于根据相关性计算模块计算的推荐商品信息，向目标用户推荐商品。

9.根据权利要求8所述的基于历史数据的商品推荐系统，其特征在于，所述矩阵模块还包括：

聚合参数矩阵模块，用于将得到的多个相似兴趣值进行聚合，得到聚合参数矩阵；

样本用户矩阵模块，用于将对比样本中用户的购物信息进行提取处理，得到样本用户矩阵；

商品属性矩阵模块，用于商品信息进行提取处理，得到商品属性矩阵，其中商品信息包括商品类型；

类比矩阵模块，用于根据聚合矩阵、样本用户矩阵以及物品属性矩阵，计算类比矩阵。