【技术实现步骤摘要】
本专利技术涉及关联规则挖掘技术，尤其涉及基于关联规则挖掘的搭配推荐方法及系统。
技术介绍
1、随着电子商务的快速发展，商品搭配推荐已成为提升用户购物体验和平台销售额的重要手段。目前，主流电商平台普遍采用基于关联规则挖掘的方法进行商品搭配推荐，通过分析用户历史交易数据，挖掘商品间的关联关系，从而为用户提供个性化的商品搭配建议。这种方法能够有效捕捉用户的购物习惯和商品间的搭配规律；
2、传统的关联规则挖掘方法主要依赖静态的历史交易数据，未能充分考虑商品价格的动态变化特征，导致推荐结果可能与实时市场状况不匹配；现有方法在进行商品搭配时往往仅关注单一维度的相似性度量，忽视了价格匹配度、类目多样性等多维度评估指标的综合影响；现有推荐系统缺乏对不同场景下用户偏好的动态感知能力，无法根据实时市场环境和用户行为及时调整推荐策略；
3、本专利技术旨在解决上述技术问题，提出一种能够综合考虑商品价格动态变化、多维度评估指标和场景适应性的搭配推荐方法。该方法通过构建动态价格匹配度和多维度评估体系，结合非支配排序遗传算法和深度q网络，实现商品搭配推荐的动态优化和场景自适应，从而提高推荐的精准度和实时性。
技术实现思路
1、本专利技术实施例提供方法及系统，能够解决现有技术中的问题。
2、本专利技术实施例的第一方面，
3、提供基于关联规则挖掘的搭配推荐方法，包括：
4、获取用户的历史交易数据，从所述历史交易数据中提取用户编号、商品编号、商品类目编号、商
5、对所述初始商品候选集中的商品价格进行对数归一化处理，生成价格特征向量；基于所述价格特征向量计算商品之间的价格距离，构建价格相似度矩阵；获取商品类目层级结构，计算商品之间的类目路径距离，生成类目相似度矩阵；将所述价格相似度矩阵与所述类目相似度矩阵进行加权融合，得到商品综合相似度矩阵；基于所述商品综合相似度矩阵，对所述初始商品候选集中的商品进行聚类分组，得到价格区间与类目相似的商品组合集合；计算所述商品组合集合中每个商品组合的支持度与置信度，筛选满足最小支持度阈值与最小置信度阈值的组合作为频繁项集；
6、对所述频繁项集中的商品组合，首先通过提取每个商品近期价格变化序列，计算价格变化趋势的相关系数从而生成动态价格匹配度；基于所述动态价格匹配度对频繁项集进行重排序，生成考虑价格动态变化的商品组合序列；通过构建价格适配度、类目多样性和促销效果的多维度评估指标，并结合非支配排序遗传算法获取帕累托最优解集；利用深度q网络进行参数优化，并基于场景识别实现评估指标权重动态调整；采用差异化滑动窗口更新机制完成商品组合评估并进行商品组合搭配推荐。
7、基于所述标准化评分矩阵，采用余弦相似度计算用户之间的余弦相似度值，生成用户相似度矩阵；根据所述用户相似度矩阵对每个商品的缺失评分进行预测，得到评分预测矩阵包括：
8、获取用户商品评分数据，计算所述用户商品评分数据中每个用户的评分平均值与评分标准差；基于所述评分平均值与所述评分标准差，对所述用户商品评分数据进行标准化处理，得到评分标准化矩阵；根据所述评分标准化矩阵中用户对之间共同评分商品的评分向量，采用余弦相似度公式计算用户对之间的余弦相似度值，所述余弦相似度值通过用户对之间的评分向量内积除以评分向量模长的乘积计算得到，生成用户相似度矩阵；
9、识别所述用户商品评分数据中的缺失评分位置，所述缺失评分位置对应用户未对商品进行评分的位置；对于每个所述缺失评分位置，从所述用户相似度矩阵中提取当前用户与其他用户的评分相似度值；根据所述评分相似度值对其他用户进行降序排序，选取评分相似度最高的k个用户作为近邻用户集合；提取所述近邻用户集合中对当前缺失评分位置对应商品有过评分的用户子集，所述用户子集中每个用户的评分需经过标准化处理；
10、对所述用户子集中的用户，基于其在所述用户相似度矩阵中的余弦相似度值计算评分权重，所述评分权重通过相似度值归一化处理得到；将所述评分权重与所述用户子集中对应的标准化评分进行加权求和，得到当前缺失评分位置的预测评分；将所述预测评分通过当前用户的评分平均值与评分标准差进行反标准化处理，得到原始评分尺度下的预测评分值；
11、对所有缺失评分位置重复上述预测过程，将预测得到的评分值与原始评分数据结合，构建完整的评分预测矩阵；计算所述评分预测矩阵中每个预测评分值的置信度，所述置信度基于参与预测的近邻用户数量、近邻用户评分的离散程度以及近邻用户的相似度均值综合计算得到；根据所述置信度对所述评分预测矩阵中的预测评分值进行过滤，将置信度低于预设阈值的预测评分值标记为无效预测，得到最终的评分预测矩阵。
12、对所述初始商品候选集中的商品价格进行对数归一化处理，生成价格特征向量；基于所述价格特征向量计算商品之间的价格距离，构建价格相似度矩阵；获取商品类目层级结构，计算商品之间的类目路径距离，生成类目相似度矩阵；将所述价格相似度矩阵与所述类目相似度矩阵进行加权融合，得到商品综合相似度矩阵包括：
13、提取所述初始商品候选集中每个商品的价格数据，对所述价格数据进行对数变换得到初始对数值；计算所述初始对数值的均值与标准差，基于所述均值与标准差对所述初始对数值进行归一化处理，得到每个商品对应的价格特征向量；基于所述价格特征向量计算商品类目内的价格分布特征，所述价格分布特征包括类目内价格变异系数与类目价格区间；
14、基于所述价格特征向量构建商品价格距离矩阵，所述价格距离矩阵的每个元素通过计算两个商品价格特征向量各分量差值的平方和再开方得到；对所述价格距离矩阵应用高斯核函数进行非线性映射，所述高斯核函数的带宽参数通过交叉验证方法优化确定，生成价格相似度矩阵；
15、获取所述初始商品候选集中每个商品的类目标签，构建类目层级树结构；计算所述类目层级树结构的最大深度，并为每个深度层级分配权重系数，所述权重系数随着层级深度增加呈指数衰减；提取商品对之间的类目路径，计算最近公共祖先节点的深度；基于所述最大深度、所述权重系数与所述最近公共祖先节点的深度计算商品对之间的加权类目路径距离，生成类目相似度矩阵；
16、基于所述价格分布特征计算类目内价格变异系数，所述价格变异系数通过类目内商品价格的标准差除以平均值得到；计算商品对之间价格区间的重叠程度，生成价格区间重叠率；结合所述价格变异系数与所述价格区间重叠率计算特征融合权重；将所述价格相似度矩阵与所述类目相似度矩阵按照所述特征融合权重进行加权组合，得到商品综合本文档来自技高网...
【技术保护点】
1.基于关联规则挖掘的搭配推荐方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于所述标准化评分矩阵，采用余弦相似度计算用户之间的余弦相似度值，生成用户相似度矩阵；根据所述用户相似度矩阵对每个商品的缺失评分进行预测，得到评分预测矩阵包括：
3.根据权利要求1所述的方法，其特征在于，对所述初始商品候选集中的商品价格进行对数归一化处理，生成价格特征向量；基于所述价格特征向量计算商品之间的价格距离，构建价格相似度矩阵；获取商品类目层级结构，计算商品之间的类目路径距离，生成类目相似度矩阵；将所述价格相似度矩阵与所述类目相似度矩阵进行加权融合，得到商品综合相似度矩阵包括：
4.根据权利要求1所述的方法，其特征在于，基于所述商品综合相似度矩阵，对所述初始商品候选集中的商品进行聚类分组，得到价格区间与类目相似的商品组合集合；计算所述商品组合集合中每个商品组合的支持度与置信度，筛选满足最小支持度阈值与最小置信度阈值的组合作为频繁项集包括：
5.根据权利要求1所述的方法，其特征在于，对所述频繁项集中的商品组合，提取每个商品近期价格
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
7.根据权利要求1所述的方法，其特征在于，通过构建价格适配度、类目多样性和促销效果的多维度评估指标，并结合非支配排序遗传算法获取帕累托最优解集；利用深度Q网络进行参数优化，并基于场景识别实现评估指标权重动态调整；采用差异化滑动窗口更新机制完成商品组合评估并进行商品组合搭配推荐包括：
8.基于关联规则挖掘的搭配推荐系统，用于实现前述权利要求1-7中任一项所述的方法，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
...【技术特征摘要】
1.基于关联规则挖掘的搭配推荐方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于所述标准化评分矩阵，采用余弦相似度计算用户之间的余弦相似度值，生成用户相似度矩阵；根据所述用户相似度矩阵对每个商品的缺失评分进行预测，得到评分预测矩阵包括：
3.根据权利要求1所述的方法，其特征在于，对所述初始商品候选集中的商品价格进行对数归一化处理，生成价格特征向量；基于所述价格特征向量计算商品之间的价格距离，构建价格相似度矩阵；获取商品类目层级结构，计算商品之间的类目路径距离，生成类目相似度矩阵；将所述价格相似度矩阵与所述类目相似度矩阵进行加权融合，得到商品综合相似度矩阵包括：
4.根据权利要求1所述的方法，其特征在于，基于所述商品综合相似度矩阵，对所述初始商品候选集中的商品进行聚类分组，得到价格区间与类目相似的商品组合集合；计算所述商品组合集合中每个商品组合的支持度与置信度，筛选满足最小支持度阈值与最小置信度阈值的组合作为频繁项集包括：
5.根据...
【专利技术属性】
技术研发人员：刘勇，
申请(专利权)人：深圳市秦丝科技有限公司，
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。