一种商品推荐方法和系统技术方案

本发明专利技术公开了一种商品推荐方法和系统，根据各个用户感兴趣的商品列表，确定各个用户与待推荐商品的用户u之间的相似度；根据相似度确定用户u的相似用户集合；根据用户u的相似用户集合中各用户v的特征变量进行用户聚类；根据用户u的特征变量与其他聚类中心的距离，确定用户集合中用户v对商品i打分的权重；根据用户集合中用户v对商品i打分的权重以及用户v对商品i打的分数确定待推荐商品的用户u对商品的感兴趣程度，进而为用户u推荐其最感兴趣的商品。本发明专利技术充分考虑各个相似用户的区别，对其分配了不同的权值，据此获取待推荐商品的用户对商品的感兴趣程度，推荐结果准确率提高。推荐结果准确率提高。

【技术实现步骤摘要】
一种商品推荐方法和系统


[0001]本专利技术属于互联网应用
，涉及一种商品推荐方法。

技术介绍

[0002]通过商品推荐算法，能够推测出用户可能喜欢的东西，帮助用户更快地找到自己可能喜欢的商品。商品推荐算法主要应用于网络，一个好的推荐系统，能够提高商品的转化率、增加销售收入；还能带给用户惊喜，增加网站的新用户和访问量。
[0003]商品推荐算法包括基于用户的协同过滤推荐算法。基于用户的协同过滤推荐算法是指找到与待推荐商品的用户u兴趣爱好最为相似的K个用户，根据他们的兴趣爱好将他们喜欢的商品视为用户u可能会感兴趣的商品对用户u进行推荐。
[0004]但是基于用户的协同过滤算法在寻找与待推荐商品的用户u兴趣爱好最为相似的K个用户时，没有考虑各个相似用户的区别，采用同样方法获取所有相似用户对商品的评分并据此获取待推荐商品的用户对商品的感兴趣程度，推荐结果准确率有待提高。

技术实现思路

[0005]本专利技术针对目前基于用户的协同过滤算法没有考虑各个相似用户的区别，采用同样方法获取所有相似用户对商品的评分并据此获取待推荐商品的用户对商品的感兴趣程度，推荐结果准确率有待提高的技术问题，提出一种商品推荐方法。
[0006]为实现上述技术目的，本专利技术采用以下技术方案。
[0007]一种商品推荐算法，包括：根据各个用户感兴趣的商品列表，确定各个用户与待推荐商品的用户u之间的相似度；根据相似度确定用户u的相似用户集合；根据用户u的相似用户集合中各用户v的特征变量进行用户聚类；根据用户u的特征变量与其他聚类中心的距离，确定用户集合中用户v对商品i打分的权重；根据用户集合中用户v对商品i打分的权重以及用户v对商品i打的分数确定待推荐商品的用户u对商品的感兴趣程度，进而为用户u推荐其最感兴趣的商品。
[0008]进一步地，所述根据相似度确定待推荐商品的用户u的相似用户群，包括选定相似度大于预设值的用户，根据相似度从大到小排序，选择最前面的K个用户组成待推荐商品的用户u的相似用户集合。
[0009]进一步地，所述根据用户u的相似用户集合中各用户v的特征变量进行用户聚类，包括：选取用户特征，获取相似用户集合中各用户的特征变量值；对相似用户集合中各用户的特征变量值进行向量化表示获得用户特征向量；对用户特征向量进行归一化表示；
基于归一化后的用户特征向量采用聚类算法进行聚类，获得聚类结果。
[0010]再进一步地，所述聚类算法为k
‑
means聚类算法。
[0011]再进一步地，所述用户特征变量包括地理位置、年龄、性别、婚姻、教育程度、职业以及收入等级。
[0012]进一步地，所述待推荐商品的用户u对商品的感兴趣程度的计算公式如下：其中为用户v与待推荐商品的用户u之间的相似度，为用户v对商品i打分的权重,为用户v对商品i打的分数，为待推荐商品的用户u的相似用户集合，包含了用户u的 K个相似用户。
[0013]再进一步地，采用以下公式计算用户v与待推荐商品的用户u之间的相似度：其中为用户v与待推荐商品的用户u之间的相似度，为用户u感兴趣的商品， 为用户v感兴趣的商品。
[0014]再进一步地，用户v对商品i打分的权重的确定方法包括：将除用户u所属聚类之外的其他聚类的聚类中心与用户u的特征变量的距离从小到大进行排序，根据排序依次从大到小设定其他聚类中用户对商品i打分的权重，同一聚类中的用户对商品i打分的权重相同；与用户u同属同一类的用户对商品i打分的权重最大。
[0015]第二方面，本专利技术提供了一种商品推荐系统，包括：相似度计算模块，用于根据各个用户感兴趣的商品列表，确定各个用户与待推荐商品的用户u之间的相似度；相似用户确定模块，用于根据相似度确定用户u的相似用户集合；用户聚类模块，用于根据用户u的相似用户集合中各用户v的特征变量进行用户聚类；权重设定模块，用于根据用户u的特征变量与其他聚类中心的距离，确定用户集合中用户v对商品i打分的权重；商品推荐模块，用于根据用户集合中用户v对商品i打分的权重以及用户v对商品i打的分数确定待推荐商品的用户u对商品的感兴趣程度，进而为用户u推荐其最感兴趣的商品。
[0016]本专利技术所取得的有益技术效果：本专利技术对根据待推荐商品的用户的特征变量与其他聚类中心的距离，确定各个用
户对商品i打分的权重；根据其他聚类中所有用户对商品i打分的权重以及各用户v对商品i打的分数确定待推荐商品的用户u对商品的感兴趣程度，充分考虑各个相似用户的区别，对其分配了不同的权值，据此获取待推荐商品的用户对商品的感兴趣程度，推荐结果准确率提高。
具体实施方式
[0017]以下结合具体实施例对本专利技术作进一步说明。
[0018]一种商品推荐方法，包括：根据各个用户感兴趣的商品列表，确定各个用户与待推荐商品的用户u之间的相似度；根据相似度确定用户u的相似用户集合；根据用户u的相似用户集合中各用户v的特征变量进行用户聚类；根据用户u的特征变量与其他聚类中心的距离，确定用户集合中用户v对商品i打分的权重；根据用户集合中用户v对商品i打分的权重以及用户v对商品i打的分数确定待推荐商品的用户u对商品的感兴趣程度，进而为用户u推荐其最感兴趣的商品。以下举例说明。
[0019]如表1所示，在推荐系统中，用mxn(m为用户数，n为商品数)的打分矩阵表示用户对物品的喜好情况，分数越高表示该用户对这个商品感兴趣程度越高，数值为空表示不了解或是没有买过这个商品。
[0020]表1mxn的打分矩阵计算用户之间的相似度主要通过Jaccard公式或余弦相似度公式得到。
[0021]余弦相似度公式表示如下：其中为用户v与待推荐商品的用户u之间的相似度，为用户u感兴趣的商品，为用户v感兴趣的商品。
[0022]具体实施例中，选取相似度最高的K个用户形成与待推荐商品的用户u最相似的相似用户集合，也可以选择相似度最高的用户作为与待推荐商品的用户u最相似的用户。
[0023]现有技术中没有考虑到相似用户之间的区别，本专利技术中充分考虑了相似用户之间的区别，引入了用户的特征变量，根据用户的特征变量值进行聚类。
[0024]所述特征变量包括地理位置、年龄、性别、婚姻、教育程度、职业以及收入等级。地
理位置表征了用户的空间坐标，除地理位置的其它特征表征了用户的属性，将地理位置和用户属性结合能够充分描述用户之间的差异，基于此进行聚类，使用户类别间的差异尽可能的大，类别内部的差异尽可能的小。
[0025]具体实施例中需要对特征变量进行归一化。归一化方法有两种形式，一种是把数变为(0，1)之间的小数，一种是把有量纲表达式变为无量纲表达式。主要是为了数据处理方便提出来的，把数据映射到0~1范围之内处理，更加便捷快速，应该归到数字信号处理范畴之内。
[0026]聚类算法可采用层次聚类算法、k
‑
均值聚类算法（即k
‑
means聚类算法）。
[0027本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种商品推荐方法，其特征在于，包括：根据各个用户感兴趣的商品列表，确定各个用户与待推荐商品的用户u之间的相似度；根据相似度确定用户u的相似用户集合；根据用户u的相似用户集合中各用户v的特征变量进行用户聚类；根据用户u的特征变量与其他聚类中心的距离，确定用户集合中用户v对商品i打分的权重；根据用户集合中用户v对商品i打分的权重以及用户v对商品i打的分数确定待推荐商品的用户u对商品的感兴趣程度，进而为用户u推荐其最感兴趣的商品。2.根据权利要求1所述的一种商品推荐方法，其特征在于，所述根据相似度确定待推荐商品的用户u的相似用户群，包括选定相似度大于预设值的用户，根据相似度从大到小排序，选择最前面的K个用户组成待推荐商品的用户u的相似用户集合。3.根据权利要求1所述的一种商品推荐方法，其特征在于，所述根据用户u的相似用户集合中各用户v的特征变量进行用户聚类，包括：选取用户特征，获取相似用户集合中各用户的特征变量值；对相似用户集合中各用户的特征变量值进行向量化表示获得用户特征向量；对用户特征向量进行归一化表示；基于归一化后的用户特征向量采用聚类算法进行聚类，获得聚类结果。4.根据权利要求3所述的一种商品推荐方法，其特征在于，所述聚类算法为k
‑
means聚类算法。5.根据权利要求3所述的一种商品推荐方法，其特征在于，所述用户特征变量包括地理位置、年龄、性别、婚姻、教育程度、职业以及收入等级。6.根据权利要求1所述的一种商品推荐方法，其特征在于，所述待推...

【专利技术属性】
技术研发人员：黄斌，
申请(专利权)人：张家港芒果软件开发有限公司，
类型：发明
国别省市：