消费者偏好预测方法、系统、电子设备、存储产品技术方案

本发明专利技术提供一种消费者偏好预测方法、系统、电子设备、存储产品，所述方法包括：获取多个包含消费者个人属性和消费偏好属性的样本，将每个样本作为一个数据点；计算每个数据点的局部密度和相对距离；基于局部密度和相对距离，对数据点进行聚类；基于聚类结果，通过消费者个人属性预测对应的消费偏好属性；其中，基于数据点与邻居点的余弦相似度计算所述局部密度。基于数据点与邻居点的余弦相似度计算局部密度，减小DPeak聚类算法局部密度计算造成的时间复杂度以及提高聚类精度。的时间复杂度以及提高聚类精度。的时间复杂度以及提高聚类精度。

【技术实现步骤摘要】
消费者偏好预测方法、系统、电子设备、存储产品


[0001]本专利技术涉及消费者偏好预测
，尤其涉及一种消费者偏好预测方法、系统、电子设备、存储产品。

技术介绍

[0002]国内葡萄酒销售的渠道趋向线上结合线下的方式发展，顾客更希望能买到适合自己的酒，而不是最好的酒。由于葡萄酒特征属性丰富、划分种类繁多且大多数中国消费者不懂酒，在选购葡萄酒时存在不会选、耗时长、试错成本高的问题。因此，在激烈的市场竞争中如何准确有效识别顾客葡萄酒饮酒偏好并进行个性化推荐对顾客购物满意度提升、企业业绩提升具有重要意义。
[0003]对消费者偏好的分析可以采用聚类算法来实现，快速密度峰值聚类算法(density peak，DPeak)是一种简便、高效率的聚类算法。该算法计算过程简洁易于理解且无需迭代操作，可以发现任意形状的类簇，适用于凸数据集和非凸数据集，对异常值不敏感，同时只需人工输入一个参数，因此其因使用简单、鲁棒性强、适用数据范围广、在思想上具有普适性的特点受到广泛关注。然而，在实际应用中存在两个问题，一是由于在计算每个数据点的局部密度过程中需要计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种消费者偏好预测方法，其特征在于，包括：获取多个包含消费者个人属性和消费偏好属性的样本，将每个样本作为一个数据点；计算每个数据点的局部密度和相对距离；基于局部密度和相对距离，对数据点进行聚类；基于聚类结果，通过消费者个人属性预测对应的消费偏好属性；其中，基于数据点与邻居点的余弦相似度计算所述局部密度。2.根据权利要求1所述的消费者偏好预测方法，其特征在于，所述邻居点基于Semi
‑
Convex Hull Tree算法获取。3.根据权利要求1所述的消费者偏好预测方法，其特征在于，所述相对距离的计算，基于数据点与最近的且局部密度更大的数据点之间的余弦相似度。4.根据权利要求1所述的消费者偏好预测方法，其特征在于，所述基于局部密度和相对距离，对数据点进行聚类，包括：对所有数据点按照局部密度和相对距离的乘积进行排序；确立拐点，将乘积大于拐点的数据点作为聚类中心；将聚类中心以外的数据点分配给相对距离最近的聚类中心，形成类簇；其中，拐点的获取按照如下步骤：对于每个数据点，将其分别与乘积最大的数据点、乘积最小的数据点连线，获取两条连线的夹角；将夹角最小的数据点作为拐点。5.根据权利要求4所述的消费者偏好预测方法，其特征在于，所述将聚类中心以外的数据点分配给相对距离最近的聚类中心，之前包括：对于乘积大于拐点的数据点，当该点的相对距离对于所有数据点平均相对距离的偏离程度大于所有数据点的相对距离总体标准偏差，并且该点的局部密度小于所有局...

【专利技术属性】
技术研发人员：冯建英，冯俞萌，李玥，穆维松，田东，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：