基于用户属性和商品类型的商品推荐方法、系统及设备技术方案

本发明专利技术提出一种基于用户属性和商品类型的商品推荐方法，本发明专利技术方法首先将用户本身的属性信息和用户购买商品的类型信息，形成一个用户属性‑商品类型的二元关系网络，然后针对用户的某一类属性信息，计算商品的关联权重、频次权重、价值权重、触发中心度、网络核心度；然后将加权关联权重、加权频次权重、加权价值权重、加权触发中心度、加权网络核心度进行加权求和，得到分类用户商品的最佳节点度，根据分类用户商品的最佳节点度大小对相应的分类用户进行商品推荐。本发明专利技术方法可获取某一特定用户属性下传播最广，影响最大的商品，商品推送更加细化、更精准。

Commodity recommendation method, system and equipment based on user attribute and commodity type

【技术实现步骤摘要】
基于用户属性和商品类型的商品推荐方法、系统及设备
本专利技术涉及数据挖掘领域，尤其涉及一种基于用户属性和商品类型的商品推荐方法、系统及设备。
技术介绍
现有技术的商品推荐方法通常采用协同过滤推荐技术或关系网络的点度中心度技术。协同过滤推荐的缺陷是：(1)其依赖于推荐；即用户只有购买(在实际应用中，购买还可表示点击、喜欢、已选择、已收藏、已加购物车等类似喜好选择情况)了一定数量的商品后，才可以有推荐的目标，属于被动推荐。(2)推荐的商品仅考虑了单次购买(即仅仅基于一次的精准关联行为)，而不考虑二次衍生购买，后续衍生推荐效果差。关系网络的点度中心度的缺陷是：(1)仅仅考虑了商品的传播性(商品是否与很多其他商品联接)，但未考虑商品的影响力。一是该商品虽然关联了很多商品，但该商品关联同时购买的次数占该商品的总购买次数的比例很低，例如商品A总共购买10次，9次都是单次购买，仅有1次同时购买其他商品；二是该商品虽与很多其他商品联接，但其购买频次低，并非热门商品，其影响力很差，很可能观众根本并不想购买，整体效果就较差。三是该商品虽然关本文档来自技高网...

【技术保护点】
1.一种基于用户属性和商品类型的商品推荐方法，其特征在于，所述方法包括：/n根据用户商品交易数据，创建分类用户商品关联信息表；/n统计各用户类别对各商品的总购买频次；统计各用户类别对各商品的关联购买频次；/n根据各用户类别对各商品的总购买频次及各商品单价，计算各商品的总价值；/n计算各用户类别各商品的关联权重、频次权重、价值权重；/n根据用户商品交易数据，统计各用户类别的商品有向同时购买的频次；并创建各用户类别的有向商品购买频次矩阵；/n根据所述各用户类别的有向商品购买频次矩阵，创建各用户类别的无向商品购买频次矩阵；/n对各用户类别的有向商品购买频次矩阵进行归一化处理，得到对应的有向商品购买加...

【技术特征摘要】
1.一种基于用户属性和商品类型的商品推荐方法，其特征在于，所述方法包括：
根据用户商品交易数据，创建分类用户商品关联信息表；
统计各用户类别对各商品的总购买频次；统计各用户类别对各商品的关联购买频次；
根据各用户类别对各商品的总购买频次及各商品单价，计算各商品的总价值；
计算各用户类别各商品的关联权重、频次权重、价值权重；
根据用户商品交易数据，统计各用户类别的商品有向同时购买的频次；并创建各用户类别的有向商品购买频次矩阵；
根据所述各用户类别的有向商品购买频次矩阵，创建各用户类别的无向商品购买频次矩阵；
对各用户类别的有向商品购买频次矩阵进行归一化处理，得到对应的有向商品购买加权频次矩阵；
计算各用户类别各商品的触发中心度；
计算各用户类别各商品的网络核心度；
分别将各用户类别各商品的关联权重、频次权重、价值权重、触发中心度、网络核心度进行归一化处理，得到对应的加权关联权重、加权频次权重、加权价值权重、加权触发中心度、加权网络核心度；
将加权关联权重、加权频次权重、加权价值权重、加权触发中心度、加权网络核心度进行加权求和，得到分类用户商品的最佳节点度；
根据分类用户商品的最佳节点度大小对相应的分类用户进行商品推荐。


2.如权利要求1所述的基于用户属性和商品类型的商品推荐方法，其特征在于，所述“分别将各用户类别各商品的关联权重、频次权重、价值权重、触发中心度、网络核心度进行归一化处理，得到对应的加权关联权重、加权频次权重、加权价值权重、加权触发中心度、加权网络核心度”替换为：
根据层次分析法计算加权关联权重、加权频次权重、加权价值权重、加权触发中心度、加权网络核心度在商品推荐决策目标中的权重，将加权关联权重、加权频次权重、加权价值权重、加权触发中心度、加权网络核心度进行加权求和，得到分类用户商品的最佳节点度。


3.如权利要求2所述的基于用户属性和商品类型的商品推荐方法，其特征在于，所述用户商品交易数据包括字段：用户编号、用户类别、商品类别、交易时间；所述分类用户商品关联信息表包括字段：用户编号、用户类别和若干具体商品类别。


4.如权利要求3所述的基于用户属性和商品类型的商品推荐方法，其特征在于，所述统计各用户类别对各商品的总购买频次；统计各用户类别对各商品的关联购买频次，具体为：
设商品平台总共有n种商品，用集合G＝{G1，G2，….Gn}表示；n表示商品种类数，也称商品节点数；总共有k种用户类别，用集合C＝{c1，c2，….ck}表示,i＝{1，2，3...n}，x＝{1，2，3...k}；
用户类别cx对商品Gi的总购买频次用k×n矩阵CF3＝{(R3(cx))i}表示,(R3(cx))i的值表示用户类别cx对商品Gi的总购买频次；
用户类别cx对商品Gi的关联购买频次用k×n矩阵CF2＝{(R2(cx))i}表示,(R2(cx))i的值表示用户类别cx对商品Gi的关联购买频次；商品Gi的关联购买频次表示购买的商品中包含商品Gi的频次，也即商品Gi与所有其他商品同时购买的频次。


5.如权利要求4所述的基于用户属性和商品类型的商品推荐方法，其特征在于，所述根据各用户类别对各商品的总购买频次及各商品单价，计算各商品的总价值具体为：
用户类别cx所购商品Gi的总价值用k×n矩阵CF4＝{(Val3(cx))i}表示,(Val3(cx))i的值表示用户类别cx所购商品Gi的总价值；
(Val3(cx))i＝(R3(cx))i×(Pr)i。


6.如权利要求5所述的基于用户属性和商品类型的商品推荐方法，其特征在于，所述计算各用户类别各商品的关联权重、频次权重、价值权重具体为：

其中，(W1(cx))i表示用户类别cx所购买的商品Gi的关联权重，即用户类别cx对商品Gi的关联购买频次(R2(cx))i占用户类别cx对商品Gi的总购买频次(R3(cx))i的比例；

其中，(V1(cx))i表示用户类别cx所购买的商品Gi的频次权重，即用户类别cx对商品Gi的总购买频次为(R3(cx))i占用户类别cx对所有商品的总购买频次的比例；

(U1(cx))i表示用户类别cx所购买的商品Gi的价值权重，即用户类别cx购买的商品Gi的总价值(Val3(cx))i占用户类别cx购买的所有商品的总价值的比例。


7.如权利要求6所述的基于用户属性和商品类型的商品推荐方法，其特征在于，所述对各用户类别的有向商品购买频次矩阵进行归一化处理，得到对应的有向商品购买加权频次矩阵具体为：
对于用户类别cx的有向商品购买频次矩阵GG1(cx)，归一化计算公式为：



其中，(F2x)ij表示用户类别cx购买商品Gi时触发购买商品Gj的归一化频次值，也称加权频次值；(R4(cx))ij表示用户类别cx购买商品Gi时触发购买商品Gj的频次；min(GG1(cx)表示有向商品购买频次矩阵GG1(cx)中的最小频次值；max(GG1(cx))表示有向商品购买频次矩阵GG1(cx)中的最大频次值。


8.如权利要求7所述的基于用户属性和商品类型的商品推荐方法，其特征在于，所述计算各用户类别各商品的触发中心度具体为：



其中，(D1(cx))i表示用户类别cx所购买商品Gi的触发中心度；(CF(cx))i表示用户类别cx所购买商品Gi的触发度，即用户类别cx购买商品Gi时触发购买其他商品种类的归一化频次；其中i≠j。


9.如权利要求8所述的基于用户属性和商品类型的商品推荐方法，其特征在于，所述计算各用户类别各商品的网络核心度包括：
根据所述无向商品购买频次矩阵，构建商品连接关系网络；
对于存在直接或间接连接的商品节点Gi和Gj，获取商品节点Gj相对节点Gi的节点等级lev；
计算各用户类别各商品节点的网络中位度；
计算各用户类别各商品节点的网络核心度。


10.如权利要求9所述的基于用户属性和商品类型的商品推荐方法，其特征在于，
所述根据所述无向商品购买频次...

【专利技术属性】
技术研发人员：慕畅，
申请(专利权)人：深圳市梦网百科信息技术有限公司，
类型：发明
国别省市：广东;44