一种基于关联分析算法的商品推荐方法技术

本发明专利技术涉及一种基于关联分析算法的商品推荐方法，根据购物网站中的用户行为日志进行商品推荐，该方法包括以下步骤：S1，获取历史用户行为日志，根据历史用户行为日志中的数据对用户和商品进行模糊聚类分析，生成多个用户群体和商品类别，以及每个用户群体对每个商品类别的评价分数；S2，构建推荐矩阵M；S3，获取新增用户行为日志，利用推荐矩阵M对新增用户行为日志中的用户进行商品推荐；S4，判断新增用户行为日志的数据量是否已达到设定值，若是，则返回步骤S1，并将新增用户行为日志的数据量计数值，若否，则返回步骤S3。与现有技术相比，本发明专利技术具有计算量小、可靠性高、针对性强的优点，对不断变化的市场消费走向具有适应性。

A commodity recommendation method based on association analysis algorithm

The invention relates to a recommended method of association analysis algorithm based on commodity, commodity recommendation based on user behavior log in shopping website, the method comprises the following steps: S1, access to the history of user behavior log, according to fuzzy clustering analysis to the user and the history of commodity user behavior log data, generating a plurality of user groups and goods each category, and the evaluation of user groups for each commodity category scores; S2, S3, M matrix construction is recommended; obtain the new user behavior log, recommended by matrix M recommendation for the new user behavior log of users; S4, to determine whether the new user behavior log data set value, if it has reached. Return to step S1, the amount of data and the new user behavior log count, if not, then go back to step S3. Compared with the existing technology, the invention has the advantages of small amount of calculation, high reliability and strong pertinence, and has adaptability to the changing trend of market consumption.

【技术实现步骤摘要】
一种基于关联分析算法的商品推荐方法
本专利技术涉及一种网络商品推荐方法，尤其是涉及一种基于关联分析算法的商品推荐方法。
技术介绍
购物网站使用的商品推荐算法通常包括：基于用户的协同过滤算法，即将每个用户作为分析的主体，针对每个群体，通过处理群体中每个用户的商品浏览日志，算出该群体的每个用户与该群体其他用户之间的关联度，进而向该用户推荐他自己没有浏览或者购买而与群体中关联度高的其他用户购买或者浏览的商品；该算法的缺点是：用户增加速度快，然而仅采用用户的历史偏好数据计算用户相似度，对于新用户有“冷启动”问题。基于模型的协同过滤方法，即基于样本的用户喜好信息，训练一个推荐模型，然后根据实时的用户喜好的信息进行预测，计算推荐。该方法需要通过聚类等数据处理，建立一个以用户为行、商品为列的HugeMatrix(巨型矩阵)，矩阵元素为用户对商品的评分。该算法的缺点是：创建矩阵所需要的时间随着用户和商品数量的增多而飞速增长，一旦收到新增的用户对商品的评分，原矩阵就失效，必须更新，灵活性差。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种可根据历史数据进行推荐、灵活性高的基于关联分析算法的商品推荐方法。本专利技术的目的可以通过以下技术方案来实现：一种基于关联分析算法的商品推荐方法，根据购物网站中的用户行为日志进行商品推荐，其特征在于，该方法包括以下步骤：S1，获取历史用户行为日志，根据历史用户行为日志中的数据对用户和商品进行模糊聚类分析，生成多个用户群体和商品类别，以及每个用户群体对每个商品类别的评价分数；S2，构建推荐矩阵M，所述推荐矩阵M以用户群体为行标，以商品类别为列标，矩阵元素Mij表示第i个用户群体对第j个商品类别的评价分数，其中i＝1,2..u，j＝1,2…p，u为用户群体个数，p为商品类别个数；S3，获取新增用户行为日志，利用推荐矩阵M对新增用户行为日志中的用户进行商品推荐；S4，判断新增用户行为日志的数据量是否已达到设定值，若是，则返回步骤S1，并将新增用户行为日志的数据量计数值，若否，则返回步骤S3。达到设定值具体为：新注册用户数目达到已注册用户的1％～10％之间的一个值，或新增商品数目达到已存在商品数目的1％～10％之间的一个值，设定值可随时变化，以适应不断变化的市场消费走向。所述的步骤S1中，每个用户群体具有一个特征，每个用户至少归入一个用户群体，即每个用户具有至少一个特征。所述的步骤S1中，用户群体的特征为年龄段、地区、购物偏好中的一个。所述的用户群体特征中的地区根据用户注册时填写的资料或用户注册手机号码所在地或用户收货地址确定。所述的步骤S1中，用户行为日志中的数据包括用户信息、商品信息、用户注册、登陆及对商品的浏览、购买、评价行为。所述的步骤S3中，直接向用户推荐与用户行为中的商品之间关联度最高的商品；或将用户归入用户群体，并向用户推荐所属用户群体给出的评价分数最高的商品类别中的商品，即对于用户行为日志中不含商品信息的用户，根据该用户所属的用户群体对各商品类别的评价分数，选择最高评价分数所对应的商品类别作为推荐的商品类别，并从该商品类别中推荐商品。所述的步骤S3具体包括以下步骤：S31，获取新增用户行为日志，判断该用户是否为新注册用户，若是，则进入步骤S32，若否，则进入步骤S33；S32，判断用户行为中是否含有商品信息，即用户有浏览、购买或评价商品的行为，若是，则向该用户推荐该商品所属商品类别中的商品，若否，则根据用户注册时填写的信息，例如手机号、用户所在地等，将用户归入至少一个用户群体，并进入步骤S34；S33，判断用户行为中是否含有商品信息，若是，则向该用户推荐该商品所属商品类别中的商品，若否，则进入步骤S34；S34，从推荐矩阵M找出用户所属的用户群体对商品所属的商品类别的评价分数，选择最高评价分数所对应的商品类别作为推荐的商品类别，并从该商品类别中推荐商品。所述的步骤S32中，从商品所属商品类别中选取与所述商品关联度最高的若干商品进行推荐。所述的步骤S33中，从所述商品所属商品类别中选取历史销量最高的若干商品进行推荐。所述的步骤S32和步骤S33中，所述商品若为新增商品，则根据商品自身特点将其归入一个商品类别。所述的步骤S34中，从推荐的商品类别中选取与所述商品关联度最高的若干商品进行推荐。与现有技术相比，本专利技术具有以下优点：(1)先根据历史用户行为日志建立用户群体及商品类别，建立推荐矩阵，根据新增用户行为日志利用现有推荐矩阵进行商品推荐，并在新增用户行为的数据量达到设定值以后，对推荐矩阵进行更新，以适应不断变化的市场走向。(2)每个用户群体具有一个特征，每个用户至少归入一个用户群体，即每个用户具有多个特征，以多方面衡量和估计用户的感兴趣商品。(3)用户群体的特征为年龄段、地区、购物偏好中的一个，可以反映用户的基本行为特征，从而提高同一个用户群体内的各用户之间的关联度。(4)步骤S3中，对于用户行为日志中不含商品信息的用户，根据该用户所属的用户群体对商品所属的商品类别的评价分数，选择最高评价分数所对应的商品类别作为推荐的商品类别，并从该商品类别中推荐商品，具有较强的可靠性。(5)步骤S3中，对于用户行为日志中含商品信息的用户，直接向该用户推荐该商品所属商品类别中的商品，能准确抓住用户近期需求进行推荐，具有较强的针对性。(6)步骤S32中，从商品所属商品类别中选取与所述商品关联度最高的若干商品进行推荐；步骤S33中，从所述商品所属商品类别中选取历史销量最高的若干商品进行推荐；步骤S34中，从推荐的商品类别中选取与所述商品关联度最高的若干商品进行推荐；上述推荐方式根据用户行为的多样化，进行个性化推荐，符合用户的个性化需求。(7)步骤S32和步骤S33中，所述商品若为新增商品，则根据商品自身特点将其归入一个商品类别，一般商品增加的速度远没有用户增加速度快，所以商品之间的关联度计算频率和商品的类别分布短期内是没有很大误差上的变化，可以实现阶段性的“一劳永逸”。(8)对于新增加的用户，可直接对其进行用户群体归类再根据所属用户群体进行商品推荐，或者根据其行为进行商品推荐，不需要对其进行聚类，计算量小。附图说明图1为本专利技术方法的流程图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。实施例如图1所示，一种基于关联分析算法的商品推荐方法，根据购物网站中的用户行为日志进行商品推荐，该方法包括以下步骤：S1，获取历史用户行为日志，根据历史用户行为日志中的数据对用户和商品进行模糊聚类分析，生成多个用户群体和商品类别，以及每个用户群体对每个商品类别的评价分数；本步骤中，每个用户群体具有一个特征，例如年龄段、地区、购物偏好，地区根据用户注册时填写的资料或用户注册手机号码所在地或用户收货地址确定；每个用户至少归入一个用户群体，每个用户群体与另一个用户群体内的用户有重叠，即每个用户同时具有至少一个特征。例如，用户a为19岁、上海郊区、对于男士西装类产品比较感兴趣；用户b为30岁、北京市区、对于图书类和生鲜肉类产品感兴趣；用户群体W为年龄段本文档来自技高网...

【技术保护点】
一种基于关联分析算法的商品推荐方法，根据购物网站中的用户行为日志进行商品推荐，其特征在于，该方法包括以下步骤：S1，获取历史用户行为日志，根据历史用户行为日志中的数据对用户和商品进行模糊聚类分析，生成多个用户群体和商品类别，以及每个用户群体对每个商品类别的评价分数；S2，构建推荐矩阵M，所述推荐矩阵M以用户群体为行标，以商品类别为列标，矩阵元素Mij表示第i个用户群体对第j个商品类别的评价分数，其中i＝1,2..u，j＝1,2…p，u为用户群体个数，p为商品类别个数；S3，获取新增用户行为日志，利用推荐矩阵M对新增用户行为日志中的用户进行商品推荐；S4，判断新增用户行为日志的数据量是否已达到设定值，若是，则返回步骤S1，并将新增用户行为日志的数据量计数值，若否，则返回步骤S3。

【技术特征摘要】
1.一种基于关联分析算法的商品推荐方法，根据购物网站中的用户行为日志进行商品推荐，其特征在于，该方法包括以下步骤：S1，获取历史用户行为日志，根据历史用户行为日志中的数据对用户和商品进行模糊聚类分析，生成多个用户群体和商品类别，以及每个用户群体对每个商品类别的评价分数；S2，构建推荐矩阵M，所述推荐矩阵M以用户群体为行标，以商品类别为列标，矩阵元素Mij表示第i个用户群体对第j个商品类别的评价分数，其中i＝1,2..u，j＝1,2…p，u为用户群体个数，p为商品类别个数；S3，获取新增用户行为日志，利用推荐矩阵M对新增用户行为日志中的用户进行商品推荐；S4，判断新增用户行为日志的数据量是否已达到设定值，若是，则返回步骤S1，并将新增用户行为日志的数据量计数值，若否，则返回步骤S3。2.根据权利要求1所述的一种基于关联分析算法的商品推荐方法，其特征在于，所述的步骤S1中，每个用户群体具有一个特征，每个用户至少归入一个用户群体。3.根据权利要求1或2所述的一种基于关联分析算法的商品推荐方法，其特征在于，所述的步骤S1中，用户群体的特征为年龄段、地区、购物偏好中的一个。4.根据权利要求1所述的一种基于关联分析算法的商品推荐方法，其特征在于，所述的用户群体特征中的地区根据用户注册时填写的资料或用户注册手机号码所在地或用户收货地址确定。5.根据权利要求1所述的一种基于关联分析算法的商品推荐方法，其特征在于，所述的步骤S1中，用户行为日志中的数据包括用户信息、商品信息、用户注册、登陆及对商品的浏览、购买、评价行为。6.根据权...

【专利技术属性】
技术研发人员：姚薇，俞祥祥，
申请(专利权)人：上海旭薇物联网科技有限公司，
类型：发明
国别省市：上海,31