一种获得商品推荐序列及商品推荐方法技术

本发明专利技术公开了一种获得商品推荐序列及商品推荐方法，用于为待推荐用户提供待推荐商品序列，根据待推荐用户的历史购买商品信息对待推荐用户的待推荐商品进行评分，获得预测评分；对待推荐用户的历史购买商品进行聚类，获得多个商品类别，计算每个待推荐商品与多个商品类别的距离，获得每个待推荐商品与多个商品类别之间的距离值；根据预测评分以及距离值，获得待推荐用户对应的每个待推荐商品的评价参数；根据每个待推荐商品的评价参数的大小，将所有的待推荐商品进行排序，将前K个商品推荐给待推荐用户。

【技术实现步骤摘要】
一种获得商品推荐序列及商品推荐方法
本专利技术涉及数据挖掘推荐方法，具体涉及一种获得商品推荐序列及商品推荐方法。
技术介绍
随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。现在的推荐系统主要是利用用户的历史购买记录和用户的社交网络关系来对用户进行推荐，这些方法只能被动的去预测和推荐用户下一次购买的商品，很少能够去指导或者吸引用户去选择购买一些商品。在现在的推荐方法中，利用了已购买的商品之间的相似性去分析用户的喜好，但是却忽略了已购买的商品内部之间的关系，商品之间不是相互独立的，而是存在依赖关系。比如：我们在选择购买上衣的时候，我们会分析这件上衣是否与已购买中的哪些下装，鞋子，配饰比较协调，然后在选择是否购买。评分高的商品并不是和其他任何商品的组合都是评分高，同理评分中等的商品不是和其他任何商品的组合都是中等，有可能会组合成高评分。这些商品的组合不是简单的线性相加，而是一种非线性的关系，有些商品组合甚至是指数递增的关系。如果考虑购买的东西和已有的商品之间不能够达到最小的匹配度或者是中等匹配，那么购买的这件商品将无法与任何商品搭配协调或者是与任何商品的搭配效果平平，则用户不能最大化对它进行使用，可能这件商品只能够成为“透明的”。此外，虽然有一些推荐是关于搭配，利用一些人为的搭配准则和图片的卷积，并且产生的这种搭配组合是主观意识上搭配协调的商品组合，并不针对某个特定的目标用户。
技术实现思路
本专利技术的目的在于提供一种获得商品推荐序列及商品推荐方法，用以解决现有技术中的商品推荐方法未考虑到商品之间存在的依赖关系，导致推荐准确率不高的问题。为了实现上述任务，本专利技术采用以下技术方案：一种获得商品推荐序列的方法，用于从多个待推荐商品中选择部分待推荐商品组成的序列作为用户的商品推荐序列，所述的用户具有历史购买商品，所述的方法包括：步骤1、获得用户对每个待推荐商品的预测评分；步骤2、对用户的历史购买商品进行聚类，获得多个商品类别，计算每个待推荐商品与多个商品类别之间的距离值；步骤3、根据用户对每个待推荐商品的预测评分以及每个待推荐商品与多个商品类别之间的距离值，获得用户对每个待推荐商品的评价参数；步骤4、根据用户对每个待推荐商品的评价参数的大小，将所有的待推荐商品进行排序，将前K个待推荐商品组成的序列作为商品推荐序列，K≥1，获得用户的商品推荐序列。进一步地，所述的步骤1、采用基于内容扩充的协同过滤方法获得用户对每个待推荐商品的预测评分。进一步地，在采用基于内容扩充的协同过滤方法获得用户对每个待推荐商品的预测评分时，采用向量空间模型和TF-IDF方法提取待推荐商品的特征。进一步地，所述的步骤2、对用户的历史购买商品采用AGNES方法进行聚类，获得多个商品类别；在所述AGNES方法中，采用Wasserstein距离作为距离度量；计算每个待推荐商品与多个商品类别之间的Wasserstein距离值。进一步地，所述的步骤3、根据用户对每个待推荐商品的预测评分以及每个待推荐商品与多个商品类别之间的距离值，采用式IX获得用户u对待推荐商品i的评价参数L(u,i)：L(u,i)＝rec(u,i)+max{1-W(i,Cj)}式IX其中，rec(u,i)为步骤1中获得的用户u对待推荐商品i的预测评分，max{1-W(i,Cj)}为待推荐商品i与第j个商品类别之间匹配分数的最大值，W(i,Cj)为步骤2获得的待推荐商品i与第j个商品类别之间的距离值，Cj为第j个商品类别，u≥1，i≥1，j≥1。一种商品推荐方法，用于为待推荐用户推荐商品，所述的方法包括：步骤A、判断待推荐用户是否具有历史购买商品：若待推荐用户具有历史购买商品，则执行步骤B；否则，执行步骤C；步骤B、采用上述的获得商品推荐序列的方法，获得待推荐用户的商品推荐序列，将所述商品推荐序列中的商品推荐给待推荐用户；步骤C、获得待推荐用户与邻居用户之间的关系矩阵，每个所述的邻居用户均具有历史购买商品，采用以上所述的获得商品推荐序列的方法，获得每个邻居用户的商品推荐序列，根据每个邻居用户的商品推荐序列，获得待推荐用户的商品推荐序列，将所述商品推荐序列中的商品推荐给待推荐用户。进一步地，所述的步骤C包括：对待推荐用户与该待推荐用户的多个邻居用户的关系进行爬取，获得待推荐用户与邻居用户之间的关系矩阵，每个所述的邻居用户均具有历史购买商品；采用以上所述的获得商品推荐序列的方法，获得每个邻居用户的待推荐商品序列；对每个邻居用户的待推荐商品序列中每个待推荐商品的评价参数进行加权后求和，获得每个待推荐商品加权后的评价参数和；根据每个待推荐商品的加权评价参数和的大小，将所有的待推荐商品进行排序，将前N个待推荐商品加入商品推荐序列中，N≥1，获得待推荐用户的商品推荐序列。进一步地，所述的对每个邻居用户的待推荐商品序列中的每个待推荐商品的评价参数进行加权时，所述的权重为所述关系矩阵中待推荐用户与邻居用户之间的关系值。本专利技术与现有技术相比具有以下技术特点:1.本专利技术提供的商品推荐方法考虑到了推荐系统中非线性组合效应的影响，即是评分高的商品与其他任何商品的组合不一定都评分高，同理评分低的商品与其他任何组合的评分不一定都是评分低，现在的推荐系统的方法几乎只考虑了商品之间的相似性，忽略了选择购买的商品与历史购买商品的依赖性；本专利技术提供商品推荐方法考虑了这种依赖性，提出了最大化非线性组合效应的想法，最大化了待推荐商品的用途，提高了推荐的准确率；2.本专利技术提供的商品推荐方法能够改善用户的使用体验，而且能够吸引更多的新用户的加入。附图说明图1为本专利技术提供的获得商品推荐序列方法的流程图。具体实施方式以下是专利技术人提供的具体实施例，以对本专利技术的技术方案作进一步解释说明。实施例一本专利技术公开了一种获得商品推荐序列的方法，用于从多个待推荐商品中选择部分待推荐商品组成的序列作为用户的商品推荐序列，所述的用户具有历史购买商品，。本专利技术提出最大化非线性组合效应，期望能够推荐最大化用户的偏好和与已购买的商品之间的最大匹配的商品，利用该方法可以自动的学习特定的目标用户的购物历史，学习出目标用户历史购物记录中商品类别和目标用户的偏好，也就是说本专利技术提供的推荐方法在在推荐新的商品的时候，不仅仅只考虑用户的偏好，也要考虑购买的东西和已有的商品之间是否能够达到最大的匹配度，如果购买的这件商品无法与任何商品搭配协调或者是搭配效果平平，则不能最大化对它进行使用，最后通过最大化评价参数，推荐一个即满足用户最大偏好的并且和已购买的商品中匹配指数最大的一组待推荐的商品。所述的方法包括：步骤1、获得用户对每个待推荐商品的预测评分；本步骤实现对用户对应的待推荐商品进行预测评分，即计算用户的偏好，用户的预测评分越高，说明用户对该待推荐商品的喜好度越高。本专利技术在对待推荐商品进行推荐时，是基于用户对商品的喜好度。在本步骤中，对待推荐的商品进行预测评分时，可以采用基于用户的协同过滤算法、基于商品的协同过滤算法或者是基于内容的协同过滤算法。作为一种优选的实施方式，根据用户的历史购买商品对用户的待推荐商品进行评分时，采用基于内容扩充的协同本文档来自技高网...

【技术保护点】
1.一种获得商品推荐序列的方法，用于从多个待推荐商品中选择部分待推荐商品组成的序列作为用户的商品推荐序列，所述的用户具有历史购买商品，其特征在于，所述的方法包括：步骤1、获得用户对每个待推荐商品的预测评分；步骤2、对用户的历史购买商品进行聚类，获得多个商品类别，计算每个待推荐商品与多个商品类别之间的距离值；步骤3、根据用户对每个待推荐商品的预测评分以及每个待推荐商品与多个商品类别之间的距离值，获得用户对每个待推荐商品的评价参数；步骤4、根据用户对每个待推荐商品的评价参数的大小，将所有的待推荐商品进行排序，将前K个待推荐商品组成的序列作为商品推荐序列，K≥1，获得用户的商品推荐序列。

【技术特征摘要】
1.一种获得商品推荐序列的方法，用于从多个待推荐商品中选择部分待推荐商品组成的序列作为用户的商品推荐序列，所述的用户具有历史购买商品，其特征在于，所述的方法包括：步骤1、获得用户对每个待推荐商品的预测评分；步骤2、对用户的历史购买商品进行聚类，获得多个商品类别，计算每个待推荐商品与多个商品类别之间的距离值；步骤3、根据用户对每个待推荐商品的预测评分以及每个待推荐商品与多个商品类别之间的距离值，获得用户对每个待推荐商品的评价参数；步骤4、根据用户对每个待推荐商品的评价参数的大小，将所有的待推荐商品进行排序，将前K个待推荐商品组成的序列作为商品推荐序列，K≥1，获得用户的商品推荐序列。2.如权利要求1所述的基于最大化非线性组合效应的商品推荐方法，其特征在于，所述的步骤1、采用基于内容扩充的协同过滤方法获得用户对每个待推荐商品的预测评分。3.如权利要求2所述的基于最大化非线性组合效应的商品推荐方法，其特征在于，在采用基于内容扩充的协同过滤方法获得用户对每个待推荐商品的预测评分时，采用向量空间模型和TF-IDF方法提取待推荐商品的特征。4.如权利要求1所述的基于最大化非线性组合效应的商品推荐方法，其特征在于，所述的步骤2、对用户的历史购买商品采用AGNES方法进行聚类，获得多个商品类别；在所述AGNES方法中，采用Wasserstein距离作为距离度量；计算每个待推荐商品与多个商品类别之间的Wasserstein距离值。5.如权利要求1所述的基于最大化非线性组合效应的商品推荐方法，其特征在于，所述的步骤3、根据用户对每个待推荐商品的预测评分以及每个待推荐商品与多个商品类别之间的距离值，采用式IX获得用户u对待推荐商品i的评价参数L(u,i)：L(u,i)＝rec(u,i)+max{1-W(i,Cj)}式IX其中，rec(u,i)为步骤1中获得的用户u...

【专利技术属性】
技术研发人员：管子玉，雷燕，王娟，杨康，
申请(专利权)人：西北大学，
类型：发明
国别省市：陕西,61