CN112907314A - 一种基于支持向量机svm的电子商务推荐方法 - Google Patents

Abstract

本发明公开了一种基于支持向量机SVM的电子商务推荐方法，涉及电子商务推荐技术领域，包括以下步骤：预先对电子商务商品进行筛选，获取当前周期商品流行度信息和基于商品流行度订单的用户信息；获取基于商品流行度订单的用户信息，并基于该用户筛选评价信息，基于获取的有效信息，基于用户项目矩阵，使用关联推荐算法，计算待推荐对象之间的相似度，将获取的预测结果作为推荐结果。本发明实现解决了用户数据稀疏性问题，达到最佳预测评分效果，不仅通过基于商品流行度订单的用户信息，将将分数较高的商品推荐给用户，而且其增加推荐的精确度以及商品的流行度。

Description

一种基于支持向量机SVM的电子商务推荐方法

技术领域

本发明涉及电子商务推荐技术领域，具体来说，涉及一种基于支持向量 机SVM的电子商务推荐方法。

背景技术

互联网及电子商务的快速发展，电子商务在给用户带来无限的便利性的 同时，随着信息的急剧增长，信息过载也使得整个系统变得更为复杂，用户 无法顺利找到需要查找的商品信息，电子商务推荐系统能够有效地动态捕获 用户需求及偏好，预测可能的用户偏好，推荐其可能感兴趣的商品，顺利完 成购物的整个过程。电子商务推荐系统具有良好的发展和应用前景，目前如 亚马逊、当当、eBay、淘宝等都不同程度的使用了电子商务推荐系统，各种 Web网站也支持推荐系统进行个性化的需求预测。

国内外目前电子商务推荐算法可分为三大类，(1)、基于内容的推荐算 法。基于内容的过滤是信息检索推荐领域的重要研究内容，基于内容的推荐 技术需要分析资源内容信息，根据用户兴趣建立用户档案(Profile),用户档案 中包含了用户的偏好和需求信息，然后根据资源内容与用户档案之间的相似 性向用户提供推荐服务。(2)、基于规则的推荐算法。随着数据挖掘的兴起， 关联规则被应用于推荐系统，形成了一种新的推荐技术基于规则的推荐技 术。基于规则的推荐技术在评价表上挖掘项目间的关联规则和用户间的关联 规则为当前用户进行推荐。使用项目关联进行推荐时，每条项目关联的前件 相当于一个兴趣组，而规则的后件则相当于这个兴趣组的推荐(3)协同过滤 的推荐算法。目前协同过滤推荐主要是以属性或兴趣相近的用户经验与建议 作为提供个性化推荐的基础。透过协同过滤，有助于搜集具有类似偏好或属 性的用户，并将其意见提供给同一集群中的用户作为参考，以满足人们通常 在决策之前参考他人意见的心态。

电子商务推荐方法在理论和实践中都得到较大发展，但电子商务推荐方 法也面临一系列的挑战，现有技术存在的问题如下：

(一)用户数据稀疏性问题

协同过滤推荐是基于评分相似的最近邻居向目标客户产生推荐的一种算 法，但随着电子商务系统规模的扩大,用户数目和商品数据急剧增加，一段 时间内，一个用户购买的商品是极其有限的，对购买的商品评价就更少，使 得用户项目矩阵的极端稀疏性，导致用户最近邻居和项目最近邻居的计算准 确性降低,使得推荐系统的推荐质量急剧下降。

(二)评价有效性和权重问题

传统的协同过滤推荐技术对未评价商品和无效评价，因评分少或无效的 数据，存在推荐质量低的问题，针对这种情况提出多种解决方法,其中包括 矩阵填充、矩阵降维等技术。或简单的将用户对未评分项目的评分设为一个 固定的缺省值,或设为其他用户对该项目的平均评分。然而用户对未评分项 目的评分不可能完全相同,另外对于同一种商品，不同用户评价的侧重是不 一样的，有些关注产品的外观，有些关注的是品牌，有些关注的是质量，有 些关注的是服务

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出一种基于支持向量机SVM的电子 商务推荐方法，以克服现有相关技术所存在的上述技术问题。

本发明的技术方案是这样实现的：

一种基于支持向量机SVM的电子商务推荐方法，包括以下步骤：

步骤S1，预先对电子商务商品进行筛选，获取当前周期商品流行度信 息和基于商品流行度订单的用户信息；

步骤S2，获取基于商品流行度订单的用户信息，并基于该用户筛选评 价信息，其中包括支持向量机分类器筛选用户评价商品的有效信息，包 括：

步骤S201，预先获取任意该用户购买的电子商务商品，并进行属性提 取使所有的属性变量均为离散型，并构成商品属性变量集合，表示为：

A＝{X₁,X₁,X₁,…,X_M}；

步骤S202，基于P(C_k)的取值进行累计处理，把概率取值P(C_k)较大 的确定为该消费者的消费阈值，记为ε_M，相应的消费类型记为衡量指标M ，作为改用户的商品推荐有效信息；

步骤S3，基于获取的有效信息，应用支持向量机SVM把评价表示为 多维特征向量，填充用户项目矩阵；

步骤S4，基于用户项目矩阵，使用关联推荐算法，计算待推荐对象之 间的相似度，并结合用户行为和支持向量机SVM评价预测进行组合预 测；

步骤S5，将获取的预测结果作为推荐结果。

进一步的，步骤获取当前周期商品流行度信息，包括以下步骤：

预先获取每个商品在各时间段内被用户选择的次数并标记；

确定每一个商品的流行性分数，表示为：

其中，S_rec表示第i个商品的流行性分数，C_ij表示商品i在第j段时间内 被用户选择的次数，t_j表示j时间段内的选择次数所乘的系数，表示为：

其中，T_j表示从整个时间范围的开始时刻到j时间段最后时刻的时间长 度，T_j-1表示从整个时间范围的开始时刻到j-1时间段最后时刻的时间长 度，T表示整个时间范围所持续的时间长度。

进一步的，步骤所述计算待推荐对象之间的相似度，表示为：

其中，S(x,y)为待推荐对象之间的相似度，x,y分别表示两个待计算相 似度的待推荐对象，p_ux为用户u对待推荐对象x的评分，p_uy为用户u对待推 荐对象y的评分，

为用户对待推荐对象x评分的均值，

为用户对待推荐对 象y评分的均值，uinu_x,y为对待推荐对象x与待推荐对象y进行过评分的用户 u。

进一步的，所述用户评价商品的有效信息，包括商品品牌、商品外 观、商品质量、商品用途和商品体验。

本发明的有益效果：

本发明预先对电子商务商品进行筛选，获取当前周期商品流行度信息 和基于商品流行度订单的用户信息，获取基于商品流行度订单的用户信 息，并基于该用户筛选评价信息，基于获取的有效信息，应用支持向量机 SVM把评价表示为多维特征向量，填充用户项目矩阵，基于用户项目矩 阵，使用关联推荐算法，计算待推荐对象之间的相似度，并结合用户行为 和支持向量机SVM评价预测进行组合预测，将获取的预测结果作为推荐 结果，实现解决了用户数据稀疏性问题，达到最佳预测评分效果，不仅通 过基于商品流行度订单的用户信息，将将分数较高的商品推荐给用户，而 且其增加推荐的精确度以及商品的流行度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实 施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅 仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性 劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的一种基于支持向量机SVM的电子商务推荐 方法的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而 不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的 所有其他实施例，都属于本发明保护的范围。

根据本发明的实施例，提供了一种基于支持向量机SVM的电子商务推 荐方法。

如图1所示，根据本发明实施例的基于支持向量机SVM的电子商务推 荐方法，包括以下步骤：

步骤S1，预先对电子商务商品进行筛选，获取当前周期商品流行度信 息和基于商品流行度订单的用户信息；

步骤S2，获取基于商品流行度订单的用户信息，并基于该用户筛选评 价信息，其中包括支持向量机分类器筛选用户评价商品的有效信息，包 括：

步骤S201，预先获取任意该用户购买的电子商务商品，并进行属性提 取使所有的属性变量均为离散型，并构成商品属性变量集合，表示为：

A＝{X₁,X₁,X₁,…,X_M}；

步骤S202，基于P(C_k)的取值进行累计处理，把概率取值P(C_k)较大 的确定为该消费者的消费阈值，记为ε_M，相应的消费类型记为衡量指标M ，作为改用户的商品推荐有效信息；

步骤S3，基于获取的有效信息，应用支持向量机SVM把评价表示为 多维特征向量，填充用户项目矩阵；

步骤S4，基于用户项目矩阵，使用关联推荐算法，计算待推荐对象之 间的相似度，并结合用户行为和支持向量机SVM评价预测进行组合预 测；

步骤S5，将获取的预测结果作为推荐结果。

借助于上述方案，获取当前周期商品流行度信息和基于商品流行度订 单的用户信息，获取基于商品流行度订单的用户信息，并基于该用户筛选 评价信息，基于获取的有效信息，应用支持向量机SVM把评价表示为多 维特征向量，填充用户项目矩阵，基于用户项目矩阵，使用关联推荐算 法，计算待推荐对象之间的相似度，并结合用户行为和支持向量机SVM 评价预测进行组合预测，将获取的预测结果作为推荐结果，实现解决了用 户数据稀疏性问题，达到最佳预测评分效果，不仅通过基于商品流行度订 单的用户信息，将将分数较高的商品推荐给用户，而且其增加推荐的精确 度以及商品的流行度。

其中，步骤获取当前周期商品流行度信息，包括以下步骤：

预先获取每个商品在各时间段内被用户选择的次数并标记；

确定每一个商品的流行性分数，表示为：

其中，S_rec表示第i个商品的流行性分数，C_ij表示商品i在第j段时间内 被用户选择的次数，t_j表示j时间段内的选择次数所乘的系数，表示为：

其中，T_j表示从整个时间范围的开始时刻到j时间段最后时刻的时间长 度，T_j-1表示从整个时间范围的开始时刻到j-1时间段最后时刻的时间长 度，T表示整个时间范围所持续的时间长度。

其中，步骤所述计算待推荐对象之间的相似度，表示为：

其中，S(x,y)为待推荐对象之间的相似度，x,y分别表示两个待计算相 似度的待推荐对象，p_ux为用户u对待推荐对象x的评分，p_uy为用户u对待推 荐对象y的评分，

为用户对待推荐对象x评分的均值，

为用户对待推荐对 象y评分的均值，uinu_x,y为对待推荐对象x与待推荐对象y进行过评分的用户 u。

其中，所述用户评价商品的有效信息，包括商品品牌、商品外观、商 品质量、商品用途和商品体验。

综上所述，借助于本发明的上述技术方案，获取当前周期商品流行度信 息和基于商品流行度订单的用户信息，获取基于商品流行度订单的用户信 息，并基于该用户筛选评价信息，基于获取的有效信息，应用支持向量机 SVM把评价表示为多维特征向量，填充用户项目矩阵，基于用户项目矩 阵，使用关联推荐算法，计算待推荐对象之间的相似度，并结合用户行为 和支持向量机SVM评价预测进行组合预测，将获取的预测结果作为推荐 结果，实现解决了用户数据稀疏性问题，达到最佳预测评分效果，不仅通 过基于商品流行度订单的用户信息，将将分数较高的商品推荐给用户，而 且其增加推荐的精确度以及商品的流行度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本 发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在 本发明的保护范围之内。

Claims (4)

1.一种基于支持向量机SVM的电子商务推荐方法，其特征在于，包括以下步骤：

预先对电子商务商品进行筛选，获取当前周期商品流行度信息和基于商品流行度订单的用户信息；

获取基于商品流行度订单的用户信息，并基于该用户筛选评价信息，其中包括支持向量机分类器筛选用户评价商品的有效信息，包括：

预先获取任意该用户购买的电子商务商品，并进行属性提取使所有的属性变量均为离散型，并构成商品属性变量集合，表示为：

A＝{X₁，X₁，X₁，…，X_M}；

基于P(C_k)的取值进行累计处理，把概率取值P(C_k)较大的确定为该消费者的消费阈值，记为ε_M，相应的消费类型记为衡量指标M，作为改用户的商品推荐有效信息；

基于获取的有效信息，应用支持向量机SVM把评价表示为多维特征向量，填充用户项目矩阵；

基于用户项目矩阵，使用关联推荐算法，计算待推荐对象之间的相似度，并结合用户行为和支持向量机SVM评价预测进行组合预测；

将获取的预测结果作为推荐结果。

2.根据权利要求1所述的基于支持向量机SVM的电子商务推荐方法，其特征在于，步骤获取当前周期商品流行度信息，包括以下步骤：

预先获取每个商品在各时间段内被用户选择的次数并标记；

确定每一个商品的流行性分数，表示为：

其中，S_rec表示第i个商品的流行性分数，C_ij表示商品i在第j段时间内被用户选择的次数，t_j表示j时间段内的选择次数所乘的系数，表示为：

其中，T_j表示从整个时间范围的开始时刻到j时间段最后时刻的时间长度，T_j-1表示从整个时间范围的开始时刻到j-1时间段最后时刻的时间长度，T表示整个时间范围所持续的时间长度。

3.根据权利要求1所述的基于支持向量机SVM的电子商务推荐方法，其特征在于，步骤所述计算待推荐对象之间的相似度，表示为：

其中，S(x，y)为待推荐对象之间的相似度，x，y分别表示两个待计算相似度的待推荐对象，p_ux为用户u对待推荐对象x的评分，p_uy为用户u对待推荐对象y的评分，

为用户对待推荐对象x评分的均值，

为用户对待推荐对象y评分的均值，uinu_x，y为对待推荐对象x与待推荐对象y进行过评分的用户u。

4.根据权利要求1所述的基于支持向量机SVM的电子商务推荐方法，其特征在于，所述用户评价商品的有效信息，包括商品品牌、商品外观、商品质量、商品用途和商品体验。

Images