【技术实现步骤摘要】
本专利技术涉及个性化装备建议，尤其涉及多源数据融合的优化模糊神经网络户外装备推荐方法。
技术介绍
1、实时生成个性化的户外装备购买推荐，能够极大地提高户外装备电商网站的竞争力。尽管国内外在推荐系统技术方面已进行了大量研究，但对于户外装备购买推荐这一特定应用的研究相对较少。一些关于推荐算法的研究关注了用户行为的共性，提出了基于关联规则的推荐算法，但这些算法主要应用于捆绑销售的推荐，在购买推荐方面存在一定的局限性。另一些研究通过分析用户的历史数据，提出了基于内容的推荐算法，该算法不依赖于用户的评分数据，而是根据用户兴趣和产品的匹配程度进行推荐。还有基于协同过滤的推荐算法，它通过考虑产品内容的相似性来进行推荐。然而，这些算法通常只关注了部分特征数据，没有全面考虑各种数据的综合性。
2、户外爱好者在浏览户外装备商务网站时，会产生各种各样的数据，而且在户外活动中，天气条件对装备选择至关重要。天气可以影响户外爱好者的需求和偏好，因此同时考虑户外爱好者购买户外装备时的月度季度天气数据。
3、根据这些动态数据，相对于传统方法的单一数据源，可以更好地适应户外爱好者行为的变化和新装备的推出，保持动态性和实时性。
4、虽然许多推荐系统在不同领域取得了成功，但在户外装备购买推荐这一特定的应用方面，尚存在不足。传统的推荐算法通常忽视了用户行为的多样性和装备购买行为的模糊性，过于依赖了用户评分数据。未能充分利用多源数据，无法全面了解用户的偏好和兴趣。
技术实现思路
1、本专
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、一种多源数据融合的优化模糊神经网络户外装备推荐方法，包括以下步骤：
4、s1：收集用户的行为特征数据；
5、s2：获取不同用户的所属兴趣种类；
6、s3：获取季节天气数据；
7、s4：选择与季节天气数据有关的辅助变量；
8、s5：设计模糊神经网络实现不同产品的推荐，得到推荐列表；
9、s6：构建实时户外产品购买推荐系统。
10、进一步地，在步骤s1中，用户行为特征包括对不同种类户外装备的浏览时间、搜索次数、购买次数和对该产品的评分，收集的每一位用户的行为特征数据即为(α1,α2,...,αn)，其中，α1～αω,αω+1～α2ω,…,α3ω+1～α4ω为该用户对ω种不同的户外装备的商品界面的浏览时间、搜索次数、购买次数和对该产品的评分，同时获得该用户对ω种不同的户外装备的推荐度(λ1,λ2,...,λω)。
11、进一步地，在步骤s2中，采用k-means聚类算法获取用户的所属兴趣种类，输入用户的行为特征数据(α1,α2,...,αn)，输出该用户所属的兴趣种类t，具体流程步骤为：
12、1)选择k值：通过观察不同k值下的误差平方和(sse)的变化来确定最佳的簇数k，其中，误差平方和的计算公式为：
13、
14、其中，pj表示第j个聚类簇；
15、2)随机选择k个数据点作为初始聚类中心点；
16、3)使用欧式距离公式计算各样本到各聚类中心的距离，然后将样本点分配到与其距离最近的簇即
17、ti＝argminj||xi-yj||2,(j＝1,2,...,k)
18、其中，计算距离的方式为欧式距离，ti为第i位用户所属的簇，xi代表第i个样本点，yj代表所选择的第j个聚类中心；
19、4)将每一个样本点分配到距离最小的聚类中心所对应的类中后，计算每个簇中所有数据点的均值作为新的簇中心点：
20、
21、其中，nj为第j个簇中的样本点的数量；
22、5)重复迭代以上2)、3)步，直到聚类中心不发生变化，最后得到每个用户的所属的兴趣种类ti。
23、进一步地，步骤s3具体流程为：
24、根据用户购买时的时间点和所在地区，根据公开的气候数据，分别获取当前的常规气候指标的月度气候数据和季度气候数据，具体包括平均气压、平均气温、最高气温、最低气温、平均相对湿度、平均降水量、平均蒸发量、平均风速、沙尘暴日、降水日数,晴天日数,多云天数,雨天数,雪天数、平均日照时数；
25、其中，月度气候数据和季度气候数据共计m种气候指标数据，对应的数据记为(β1,β2,...,βm)。
26、进一步地，步骤s4具体流程为：
27、计算每个成分的特征值，然后将特征值按降序排列，计算每个主成分对总方差的贡献率；
28、选择贡献率累积到95％的主成分数量；
29、主成分数量为r，则用于表示季节天气数据的变量为(η1,η2,...,ηr)；
30、最终用户的行为特征数据，用户所属的兴趣种类和表示季节天气数据的变量(α1,α2,...,αn,t,η1,η2,...,ηr)与该用户所对应的户外装备的推荐度(λ1,λ2,...,λω)共同构成用户数据。
31、进一步地，步骤s5中，模糊神经网络具体为fnn模糊神经网络，具体包括：
32、1：每个神经元对应一个模糊规则，模糊规则的一般形式如下为：
33、if(x1 is a1)and(x2 is a2)and...then(y is b)
34、其中，x1、x2等表示输入特征，a1、a2等表示模糊集合，y表示输出；
35、2：选取高斯隶属度函数作为该模糊神经网络的隶属度函数
36、其中，θij(xi)为第i个输入的第j个隶属度函数，cij为该节点的隶属函数的中心点，bij为该节点的隶属函数的宽度向量，p为根据用户数据输入向量生成的模糊分级的个数；
37、3：使用粒子群算法对模糊神经网络中的连接权值ωij，隶属函数的中心点cij和宽度向量bij进行调优。
38、进一步地，在步骤s5中，在获得已经经过粒子群算法优化过的模糊神经网络后，通过将归一化后的用户数据作为输入，基于模糊神经网络的输出，生成户外装备的推荐度列表，其中：
39、归一化具体方式为
40、
41、其中，q为用户数据集的总数量，xi为第i位户外爱好者的用户数据。
42、相比于现有技术，本专利技术的有益效果在于：
43、1.本专利技术综合的利用了用户的浏览历史、搜索记录、购买记录、评分、天气数据和所属兴趣群体等多个数据源，使系统能够更全面地了解用户的行为和特征。
44、2.不同商品的推荐度存在非线性关系，而用户的购买行为具有模糊性。使用模糊神经网络来处理这一问题，可以更好地满足用户实际需求。
45、3.通过定期更新数据和模型，本专利技术能够适应户外爱好者行为的变化和新装备的推出，保持系统的动态性和实时性。
46本文档来自技高网...
【技术保护点】
1.一种多源数据融合的优化模糊神经网络户外装备推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多源数据融合的优化模糊神经网络户外装备推荐方法，其特征在于，在步骤S1中，用户行为特征包括对不同种类户外装备的浏览时间、搜索次数、购买次数和对该产品的评分，收集的每一位用户的行为特征数据即为(α1,α2,...,αn)，其中，α1～αω,αω+1～α2ω,…,α3ω+1～α4ω为该用户对ω种不同的户外装备的商品界面的浏览时间、搜索次数、购买次数和对该产品的评分，同时获得该用户对ω种不同的户外装备的推荐度(λ1,λ2,...,λω)。
3.根据权利要求2所述的多源数据融合的优化模糊神经网络户外装备推荐方法，其特征在于，在步骤S2中，采用k-means聚类算法获取用户的所属兴趣种类，输入用户的行为特征数据(α1,α2,...,αn)，输出该用户所属的兴趣种类t，具体流程步骤为：
4.根据权利要求3所述的多源数据融合的优化模糊神经网络户外装备推荐方法，其特征在于，步骤S3具体流程为：
5.根据权利要求4所述的多源数据融合的优化模糊神
6.根据权利要求5所述的多源数据融合的优化模糊神经网络户外装备推荐方法，其特征在于，步骤S5中，模糊神经网络具体为FNN模糊神经网络，具体包括：
7.根据权利要求6所述的多源数据融合的优化模糊神经网络户外装备推荐方法，其特征在于，在步骤S5中，在获得已经经过粒子群算法优化过的模糊神经网络后，通过将归一化后的用户数据作为输入，基于模糊神经网络的输出，生成户外装备的推荐度列表，其中：
...【技术特征摘要】
1.一种多源数据融合的优化模糊神经网络户外装备推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多源数据融合的优化模糊神经网络户外装备推荐方法，其特征在于，在步骤s1中，用户行为特征包括对不同种类户外装备的浏览时间、搜索次数、购买次数和对该产品的评分，收集的每一位用户的行为特征数据即为(α1,α2,...,αn)，其中，α1～αω,αω+1～α2ω,…,α3ω+1～α4ω为该用户对ω种不同的户外装备的商品界面的浏览时间、搜索次数、购买次数和对该产品的评分，同时获得该用户对ω种不同的户外装备的推荐度(λ1,λ2,...,λω)。
3.根据权利要求2所述的多源数据融合的优化模糊神经网络户外装备推荐方法，其特征在于，在步骤s2中，采用k-means聚类算法获取用户的所属兴趣种类，输入用户的行...
【专利技术属性】
技术研发人员：蒲馨，危疆树，付睿杰，李于望，石美玲，索涛，
申请(专利权)人：四川农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。