TWI433042B - Multi - product recommendation method and system - Google Patents

Description

多面向商品推薦方法及其系統

本發明係關於一種利用商品圖像、文字描述與展售紀錄資訊，結合影像比對、文字比對與展售關聯性分析技術進行多面向商品推薦之方法與系統。

因近年來網際網路的普及化，使得網路購物、拍賣平台蓬勃興起，亦帶來龐大的網路購物商機，在琳瑯滿目的商品中，如何抓住消費者購買慾望激增的那瞬間，推薦最能吸引其注意的相關商品，對於消費買氣的增加，有著莫大的助益。

傳統的商品推薦可能是以統計銷售量或點閱率的方式找出人氣熱門商品，做為推薦商品；或是以特價或最低價商品做為推薦商品，吸引消費者購買；此種作法有可能導致相對降低其他較冷門商品的曝光率與被購買之可能性，造成熱門商品恆熱賣、冷門商品則無人知曉的消費現象。

近來較新穎的一些方法中，使用資料探勘的方式根據使用者的消費習性、滿意度或評分回饋機制，給予個人化的商品推薦，然而此種作法往往需要有使用者的消費紀錄輔助才得以達到其目的，且多僅是以使用者個人的購買紀錄做為商品推薦之依據。

然而，以上之先前技術多未考慮到其他商品相關性質亦可作為商品關聯推薦之重要依據，例如服飾商品的外觀搭配、電子商品的規格相近或一般民生必需品的功能互補等，均是消費者在購買行為發生前的重要考量因素之一。

由此可見，上述習用方式仍有諸多缺失，實非一良善之設計，而亟待加以改良。

本案發明人鑑於上述習用方式所衍生的各項缺點，乃亟思加以改良創新，並經苦心孤詣潛心研究後，終於成功研發完成本件多面向商品推薦方法及其系統。

本發明之目的在於提供一種多面向之商品推薦方法及其系統，可根據商品外觀樣式、商品介紹與展售紀錄等資訊，提供合適的推薦商品呈現給消費者，增加商品曝光率與被購買之機會，本發明可應用在網路購物、拍賣、商城等平台系統甚至實體商店上。

達成上述發明目的之多面向商品推薦方法及其系統，係利用分析商品圖像、文字描述及展售資訊，進行各面向之特徵值抽取，計算各面向之商品相關性，並利用推薦有效性分析，結合推薦有效性紀錄或商品展售紀錄，依據不同商品性質計算出商品在各面向推薦所佔比重，再將各面向推薦結果排序找出合適的推薦商品呈現給消資者。

為使貴局能更進一步瞭解本發明之技術內容，謹佐以一較佳具體實施例配合說明如下。

以下請參閱圖一關於本發明之多面向商品推薦系統10，本案所發明之多面向商品推薦方法主要係藉由分析商品視覺特徵、商品介紹文字及商品展售紀錄等三個面向的資訊，以及得知消費者對於每個商品與其他商品間是基於哪些面向的因素，而導致其購買行為之發生，進而推薦出合適的相關商品以誘使消費者去購買。

本發明系統的資料庫17中記載商品資訊如圖三所示，包含商品編號171、商品名稱172、商品介紹173、商品類別174、商品圖像175、商品點閱紀錄176、商品購買紀錄177、推薦商品178及推薦有效性紀錄179，其中商品點閱紀錄包含使用者來源IP位址、時間及瀏覽頁面網址等，商品購買紀錄包含銷售時間、數量及銷售單編號或統一發票號碼，推薦商品則為本發明系統輸出之商品推薦結果，而推薦有效性紀錄是指因商品推薦而產生該筆點閱或購買行為之紀錄。

請參考圖二之多面向商品推薦方法流程圖，本發明方法實施方式主要包含以下步驟：

步驟1：商品特徵抽取模組11自資料庫中取出商品相關資訊，產生出商品視覺特徵、文字特徵及展售特徵。

步驟2：將步驟1所產生之三種不同特徵分別送至視覺相似性分析模組12、文字關聯性分析模組13與展售關聯性分析模組14計算各面向之商品相關性，產生一商品清單及其對應之分數。

步驟3：推薦有效性分析模組16藉由讀取資料庫中商品購買紀錄或是推薦有效性紀錄，計算商品各面向之加權比重產生一組正規化參數。

步驟4：推薦排序模組15依據步驟3所產生之正規化參數，將步驟2所產生之多個面向的商品清單及對應之分數進行排序，產生出商品推薦結果，並將該結果存回資料庫中。

在步驟1中，商品特徵抽取模組11自資料庫中取出所有商品圖像175，利用Hessian-Affine特徵點偵測方法從商品圖像中偵測出各商品圖像之視覺特徵點；並自資料庫中取出所有商品名稱172、商品介紹173、商品類別174資訊經由斷詞處理產生出描述詞彙；以及，自資料庫中取出所有商品購買紀錄177，依相同發票號碼或銷售單編號可得知哪些商品於同次消費中被購買；或自資料庫中取出所有商品點閱紀錄176，可依相同來源IP位址得知哪些商品於一定時間內被點閱。

在步驟2中，對於資料庫中的每一個商品A_i ，視覺相似性分析模組12將步驟1所產生的視覺特徵點分割為K個區域r_ik ，k=1,2,…,K，並將每個區域中的特徵點利用SURF(Speeded Up Robust Features)方法量化描述成紋理特徵x_ik ，最後將K個x_ik 依序串連生成r_i 的視覺特徵f_i 。將A_i 之視覺特徵f_i 與其他商品A_j (j≠i)的視覺特徵f_j 進行歐氏距離計算並經正規化後，得到A_i 與A_j 間的視覺相似度v_ij ，其中0≦v_ij ≦1。在A_i 和所有A_j 皆進行過比對之後，產生出一組商品清單，清單中記錄了所有A_j 的商品編號以及其對應於A_i 的視覺相似度v_ij 。

同時在步驟2中，文字關聯性分析模組13對步驟1中所產生的描述詞彙利用TF-IDF(Term Frequency-Inverted Document Frequency)技術找出K個代表性詞彙k=1,2,…,K；使用TF-IDF的意義在於，當某個詞彙出現在某個商品描述中的次數越多，表示這個詞彙的重要性愈高，但如果該詞彙在其他不同商品的商品描述中出現次數也很頻繁，則表示該詞彙愈不具代表性。接著，對於資料庫中每一個商品A_i 的描述詞彙，統計每個代表性詞彙之出現頻率做為商品A_i 之文字特徵g_i 。將A_i 之文字特徵g_i 與其他商品A_j (j≠i)的文字特徵g_j 進行餘弦(cosine)相似度計算，得到A_i 與A_j 間的文字相似度t_ij ，其中0≦t_jj ≦1。在A_i 和所有A_j 皆進行過比對之後，產生出一組商品清單，清單中記錄了所有A_j 的商品編號以及其對應於A_i 的文字關聯性t_ij 。

另外，在步驟2中展售關聯性分析模組14對步驟1中所產生的商品購買紀錄進行分析，產生出每一個商品A_i 與其他商品A_j (j≠i)於同次消費中被購買之次數統計，做為商品之展售特徵h_ij ，找出商品A_i 之展售特徵h_ij 中的最大值M，然後將所有h_ij 值除以M而得到商品A_i 與其他商品A_j (j≠i)之展售關聯度s_ij ，其中0≦s_ij ≦1，產生出一組商品清單，清單中記錄了所有A_j 的商品編號以及其對應於A_i 的商品關聯度s_ij 。如圖四中以商品A₀ 為例，商品A₀ 與商品A₁ ~A₃ 之展售特徵分別為1000、500及300，則M值為1000，經計算後，商品A₀ 與A₁ ~A₃ 之展售關聯度為1、0.5與0.3。若使用商品點閱紀錄進行展售關聯性分析時，則在此步驟中展售關聯性分析模組統計兩兩商品在同來源IP位址於一定時間內之點閱次數做為商品展售特徵。

在步驟3中，推薦有效性分析的目的是對每一項商品A_i 學習出一組正規化參數來調整商品視覺相似性、文字關聯性以及展售關聯性所佔的比重α_i 、β_i 與γ_i ，以得知各項商品被購買是基於哪些面向的因素，真正吸引消費者青睞。其實施方法可以利用推薦有效性紀錄統計出兩兩商品因推薦而導致購買行為發生之次數，與各面向之商品關聯性進行加權線性組合求得，如圖五中以商品A₀ 為例，A₀ 與A₁ 的視覺相似度、文字關聯度以及展售關聯度分別為(0.9,0.5,1)，A₀ 和A₂ 為(0.8,0.3,0.5)，A₀ 和A₃ 為(0.6,0.7,0.3)，則商品A₀ 學習出來的各面向比重參數為(0.9,0.5,1)x10+(0.8,0.3,0.5)x10+(0.6,0.7,0.3)x100=(77,78,45)，參數總和為200，正規化後可得到正規化參數為(α₀ ,β₀ ,γ₀ )=(0.385,0.39,0.225)。若資料庫中不存在推薦有效性紀錄，則可使用商品購買紀錄進行推薦有效性分析，如圖六中以商品A₀ 為例，則商品A₀ 學習出來的各面向比重參數為(0.9,0.5,1)x1000+(0.8,0.3,0.5)x500+(0.6,0.7,0.3)x300=(1480,860,1290)，參數總和為3630，正規化後可得到正規化參數為(α₀ ,β₀ ,γ₀ )=(0.4,0.24,0.36)。

步驟4中，在此實施例中透過前述方法可以得到各商品在各面向之所佔比重參數與商品清單及其相對應相關度，推薦排序模組15利用這些資訊，將各面向分析結果綜合產生出最終推薦排序結果。以商品A_i 為例，將A_i 與所有其他商品A_j (j≠i)之視覺相似度v_ij 、文字關聯度t_ij 與展售關聯度s_ij 分別乘上相對的比重α_i 、β_i 與γ_i 並加總之，即得A_i 與所有其他商品A_j (j≠i)之多面向推薦分數，依據此分數進行排序，即可求得最終商品推薦排序結果，最後再將該結果存回資料庫中，方便即時查詢使用，如圖七中以商品A₀ 為例，商品A₁ ~A₃ 之各面向相關度如圖所示，假設推薦有效性分析計算出的α₀ 、β₀ 與γ₀ 分別為0.385、0.39與0.225，則商品A₀ 對於A₁ ~A₃ 之多面向推薦分數分別為0.767、0.538與0.571，因此商品A₀ 之推薦商品排序為A₁ 、A₃ 與A₂ 。

10．．．多面像商品推薦系統

11．．．商品特徵抽取模組

12．．．視覺相似性分析模組

13．．．文字關聯性分析模組

14．．．展售關聯性分析模組

15．．．推薦排序模組

16．．．推薦有效性分析模組

17．．．資料庫

18．．．步驟1：各面向特徵抽取與描述

19．．．步驟2：各面向特徵描述相關度計算

20．．．步驟3：各面向推薦有效性權重分析

21．．．步驟4：綜合各面向資訊進行推薦排序

171．．．商品編號

172．．．商品名稱

173．．．商品介紹

174．．．商品類別

175．．．商品圖像

176．．．商品點閱紀錄

177．．．商品購買紀錄

178．．．推薦商品

179．．．推薦有效性紀錄

圖一為本發明之多面向商品推薦系統架構圖；

圖二為本發明之多面向商品推薦方法流程圖；

圖三為本發明之資料庫儲存商品資訊實施例；

圖四為本發明之展售關聯性分析實施例；

圖五為本發明之使用推薦有效紀錄進行推薦有效性分析實施例；

圖六為本發明之使用商品購買紀錄進行推薦有效性分析實施例；

圖七為本發明之商品A₀ 推薦排序計算實施例。

10．．．多面像商品推薦系統

11．．．商品特徵抽取模組

12．．．視覺相似性分析模組

13．．．文字關聯性分析模組

14．．．展售關聯性分析模組

15．．．推薦排序模組

16．．．推薦有效性分析模組

17．．．資料庫

Claims (4)

1. 一種多面向商品推薦方法，其步驟包括：從資料庫中取出所有商品資訊進行各面向特徵抽取，其中包括：商品視覺特徵、商品文字特徵以及商品展售特徵；依據抽取出的特徵進行特徵描述，並計算各商品與其他商品間之各面向相關性，其中包括：視覺相似性分析、文字關聯性分析以及展售關聯性分析；依據商品推薦有效性紀錄進行推薦有效性分析，計算商品之各面向加權比重，其步驟包括：取得某商品之推薦有效性紀錄，其記錄該商品是基於資料庫中哪些商品的推薦而被消費者點閱或購買；針對推薦有效性紀錄上的每項商品，取得某商品與每項商品的視覺相似度、文字關聯度以及展售關聯度；將推薦有效性紀錄上的每項商品的有效推薦次數分別乘以視覺相似度、文字關聯度及展售關聯度；計算某商品之視覺加權比重、文字加權比重及展售加權比重，其中視覺加權比重為視覺相似度之總和、文字加權比重為文字關聯度之總和、展售加權比重為展售關聯度之總和；將視覺加權比重、文字加權比重與展售加權比重進行正規化使其總合為1，則視覺加權比重、文字加權比重與展售加權比重即為各面向之權重；以及綜合各面向所計算出之商品相關性，依據各面向之加權比重與商品相關度進行推薦結果排序，產生出商品推薦結果。
2. 如申請專利範圍第1項之多面向商品推薦方法，其中綜合各面向結果進行推薦排序計算時，可依據各面向之加權係數比重，選擇一個或複數個面向進行排序。
3. 一種多面向商品推薦方法，其步驟包括：從資料庫中取出所有商品資訊進行各面向特徵抽取，其中包括：商品視覺特徵、商品文字特徵以及商品展售特徵；依據抽取出的特徵進行特徵描述，並計算各商品與其他商品間之各 面向相關性，其中包括：視覺相似性分析、文字關聯性分析以及展售關聯性分析；依據商品購買紀錄，計算商品之各面向加權比重，其步驟包括：取得某商品之同時被購買紀錄，其記錄該商品與資料庫中哪些商品同時出現於消費者單次購買行為之中；針對同時被購買紀錄上的每項商品，取得某商品與每項商品的視覺相似度、文字關聯度以及展售關聯度；將同時被購買紀錄上的每項商品的同時被購買次數分別乘以視覺相似度、文字關聯度及展售關聯度；計算某商品之視覺加權比重、文字加權比重及展售加權比重，其中視覺加權比重為視覺相似度之總和、文字加權比重為文字關聯度之總和、展售加權比重為展售關聯度之總和；將視覺加權比重、文字加權比重與展售加權比重進行正規化使其總合為1，則視覺加權比重、文字加權比重與展售加權比重即為各面向之權重；以及綜合各面向所計算出之商品相關性，依據各面向之加權比重與商品相關度進行推薦結果排序，產生出商品推薦結果。
4. 如申請專利範圍第3項之多面向商品推薦方法，其中綜合各面向結果進行推薦排序計算時，可依據各面向之加權係數比重，選擇一個或複數個面向進行排序。。