CN104463637A - 一种基于电商平台的商品推荐方法、装置及服务器 - Google Patents

Abstract

本发明是关于一种基于电商平台的商品推荐方法、装置及服务器，用以提高个性化推荐商品的准确度。所述方法包括：粘性用户群的筛选步骤；用户兴趣度的获取步骤；目标用户最近邻居集合的生成步骤；商品推荐列表的生成步骤。本发明技术方案可以使得到的粘性用户群更加准确高效；由于得到的评分矩阵中仅记录了粘性用户群中的每一个用户的兴趣度，因此评估矩阵得到了填充，提高了评分矩阵的稠密度：通过评分矩阵计算粘性用户群中的目标用户与其他用户之间的最近邻居集合，使目标用户的相似邻居查找更加准确，进而提高了为目标用户推荐商品的精确度。

Description

一种基于电商平台的商品推荐方法、装置及服务器

技术领域

本发明涉及互联网络技术领域，尤其涉及一种基于电商平台的商品推荐方法、装置及服务器。

背景技术

随着互联网技术的迅猛发展，电子商务因其方便快捷的优点而得到了人们的广泛关注。但随着商品资源数量的增长，顾客在网络购物方面很难方便快捷的在较短的时间内找到满意商品。为帮助广大顾客迅速找到其所需要的商品，同时给电商平台带来更高的利润，个性化服务逐渐成为行业发展面临的一个关键问题，作为当前解决信息超载问题最有效工具之一的数据挖掘技术应运而生，而个性化推荐技术正是此技术中一个重要的体现。这种致力于帮助电商网站为顾客购物提供完全个性化服务的智能平台在为顾客带来方便快捷的同时，也为电商平台带来了巨大的利益，但随着商品信息的细化及客户对推荐内容要求的提高，现有技术中的常用推荐技术的不足愈发明显，如推荐精度不高、效率过低、新商品或购买率较低的商品不能及时推荐给顾客等。如何满足顾客的需求，向他们推荐符合其购物***台自身，还是顾客，乃至社会，都具有很高的经济价值和实际意义。

发明内容

为克服相关技术中存在的问题，本发明实施例提供一种基于电商平台的商品推荐方法、装置及服务器，用以提高为目标用户推荐商品的准确度。

提供一种基于电商平台的商品推荐方法，应用在服务器上，所述服务器用于统计电商平台上的用户购物历史记录，所述服务器通过所述电商平台为用户提供商品，包括：

粘性用户群的筛选步骤：统计设定时间段内所述服务器上所有用户的最近一次消费时间与当前时间之间的时间长度、所述每一用户的消费频率与消费金额，根据所述时间长度、所述消费频率与所述消费金额对所有用户进行筛选处理，得到所述粘性用户群；

用户兴趣度的获取步骤：遍历所述粘性用户群中的每一个用户对所述电商平台上的每一商品的购买次数与所述电商平台上的每一商品的总购买数量，根据所述购买次数与所述总购买数量获取所述目标用户的对所述电商平台上的商品的兴趣度，根据所述兴趣度得到所述电商平台上的每一商品的评分矩阵；

目标用户最近邻居集合的生成步骤：遍历所述粘性用户群，根据所述评分矩阵计算所述粘性用户群中的目标用户与所述粘性用户群中的其他用户之间的最近邻居集合；

商品推荐列表的生成步骤：根据所述最近邻居集合获取所述目标用户对未评分商品的预测分值，将前设定个数的预测分值的商品生成所述目标用户的商品推荐列表。

提供一种基于电商平台的商品推荐装置，应用在服务器上，所述服务器用于统计电商平台上的用户购物历史记录，所述服务器通过所述电商平台为用户提供商品，其特征在于，所述装置包括：

筛选模块，用于执行粘性用户群的筛选步骤：统计设定时间段内所述服务器上所有用户的最近一次消费时间与当前时间之间的时间长度、所述每一用户的消费频率与消费金额，根据所述时间长度、所述消费频率与所述消费金额对所有用户进行筛选处理，得到所述粘性用户群；

获取模块，用于执行用户兴趣度的获取步骤：遍历所述粘性用户群中的每一个用户对所述电商平台上的每一商品的购买次数与所述电商平台上的每一商品的总购买数量，根据所述购买次数与所述总购买数量获取粘性用户群中的每一个用户对所述电商平台上的商品的兴趣度，根据所述兴趣度得到所述电商平台上的每一商品的评分矩阵；

计算模块，用于执行目标用户最近邻居集合的生成步骤：遍历所述粘性用户群，根据所述评分矩阵计算所述粘性用户群中的目标用户与所述粘性用户群中的其他用户之间的最近邻居集合；

生成模块，用于执行商品推荐列表的生成步骤：根据所述最近邻居集合获取所述目标用户对未评分商品的预测分值，将前设定个数的预测分值的商品生成所述目标用户的商品推荐列表。

提供一种服务器，所述服务器用于统计电商平台上的用户购物历史记录，所述服务器通过所述电商平台为用户提供商品，包括：

处理器；用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为：

粘性用户群的筛选步骤：统计设定时间段内所述服务器上所有用户的最近一次消费时间与当前时间之间的时间长度、所述每一用户的消费频率与消费金额，根据所述时间长度、所述消费频率与所述消费金额对所有用户进行筛选处理，得到所述粘性用户群；

用户兴趣度的获取步骤：遍历所述粘性用户群中的每一个用户对所述电商平台上的每一商品的购买次数与所述电商平台上的每一商品的总购买数量，根据所述购买次数与所述总购买数量获取所述目标用户的对所述电商平台上的商品的兴趣度，根据所述兴趣度得到所述电商平台上的每一商品的评分矩阵；

目标用户最近邻居集合的生成步骤：遍历所述粘性用户群，根据所述评分矩阵计算所述粘性用户群中的目标用户与所述粘性用户群中的其他用户之间的最近邻居集合；

商品推荐列表的生成步骤：根据所述最近邻居集合获取所述目标用户对未评分商品的预测分值，将前设定个数的预测分值的商品生成所述目标用户的商品推荐列表。

本发明的实施例提供的技术方案可以包括以下有益效果：通过时间长度、所述每一用户的消费频率与消费金额对电商平台上的用户群进行筛选，使得到的粘性用户群更加准确高效；由于得到的评分矩阵中仅记录了粘性用户群中的每一个用户的兴趣度，因此评估矩阵得到了填充，提高了评分矩阵的稠密度；通过评分矩阵计算粘性用户群中的目标用户与其他用户之间的最近邻居集合，使目标用户的相似邻居查找更加准确，进而提高了为目标用户推荐商品的精确度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的基于电商平台的商品推荐方法的流程图。

图2是根据一示例性实施例示出的本发明实施例的服务器的结构框图。

图3是根据一示例性实施例示出的基于电商平台的商品推荐装置的框图。

图4示出了根据本发明的原始的历史记录处理过程的示意图。

图5示出了在数据集A上的MAE结果对比图。

图6示出了在数据集B上的MAE结果对比图。

图7示出了筛选用户群对推荐质量的影响对比图。

图8示出了评分矩阵填充处理后对推荐质量的影响对比图。

图9示出了本发明实施例的相似度计算公式对推荐质量的影响对比图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例一示出的基于协同过滤的商品推荐方法的流程图，应用在服务器上，其中，服务器用于统计电商平台上的用户购物历史记录，并通过电商平台为用户提供商品，如图1所示，调整智能家居设备运行状态的方法包括以下步骤101-步骤104：

在步骤101中，粘性用户群的筛选步骤：统计设定时间段内服务器上所有用户的最近一次消费时间与当前时间之间的时间长度、每一用户的消费频率与消费金额，根据时间长度、消费频率与消费金额对所有用户进行筛选处理，得到粘性用户群；

在步骤102中，用户兴趣度的获取步骤：遍历粘性用户群中的每一个用户对电商平台上的每一商品的购买次数与电商平台上的每一商品的总购买数量，根据购买次数与总购买数量获取粘性用户群中的每一个用户对电商平台上的商品的兴趣度，根据兴趣度得到电商平台上的每一商品的评分矩阵；

在步骤103中，目标用户最近邻居集合的生成步骤：遍历粘性用户群，根据评分矩阵计算粘性用户群中的目标用户与粘性用户群中的其他用户之间的最近邻居集合；

在步骤104中，商品推荐列表的生成步骤：根据最近邻居集合获取目标用户对未评分商品的预测分值，将前设定个数的预测分值的商品生成目标用户的商品推荐列表。

本实施例中，通过时间长度、每一用户的消费频率与消费金额对电商平台上的用户群进行筛选，使得到的粘性用户群更加准确高效；由于得到的评分矩阵中仅记录了粘性用户群中的每一个用户的兴趣度，因此评估矩阵得到了填充，提高了评分矩阵的稠密度；通过评分矩阵计算粘性用户群中的目标用户与其他用户之间的最近邻居集合，使目标用户的相似邻居查找更加准确，进而提高了为目标用户推荐商品的精确度。

在上述步骤101中，通过便利电商平台上的所有用户的历史消费记录，得到用户的最近一次消费与当前时间之间的时间长度(Recency，R)、消费频率(Frequency，F)、消费金额(Monetary，M)三个参数。其中，时间长度可以用来衡量用户最近的一次消费行为产生时间距现在的时间长度大小，该参数标识的是一个时间范围，与当前推荐需要向目标用户推荐商品的时间有关，由于用户的历史消费记录中的任一一条消费行为记录的消费时间是确定的，故该时间长度会随着时间的推移逐渐变大。消费频率指用户在近一段时间内的消费次数，对于经常发生消费行为的用户，通常是对电商平台提供的商品和服务满意度最高的用户，电商平台完全有理由相信此类用户的忠诚度及粘性比较高，因此增加用户对电商平台的消费次数意味着从竞争对手处获取市场占有率并赚取销售额，增加商品销量并提高企业收益。消费金额是对电商平台效益最直接的衡量指标，用户的消费金额越高，电商平台从其消费行为中的获益就越高，那么电商平台就越有理由相信该用户对自身做出了越大的贡献，该用户本身对电商平台也越忠诚。

在上述步骤102中，现有技术中的协同过滤算法的一大不足即评分矩阵的稀疏性问题，此不足严重影响着整个算法的推荐质量，因此在实际运用中有必要对评分矩阵进行必要的改进，即要做到不主动向用户索取信息，减轻用户负担的同时，达到提高***推荐效果的目的。从另一方面说，每个用户在选购商品过程中实际表现出了其对该商品的喜好倾向，其本身的购买行为标志着他对该商品的喜好程度。故借用此思想我们可利用用户日常在商家中的消费行为来衡量其对各商品的喜好情况，进而预测他们可能在评分矩阵中的评分，并将预测评分填充到评分矩阵对应的商品商品上，进而稠密化评分矩阵，降低其稀疏度，完成评估矩阵的改进操作。

预测用户对未评分商品的评分，关键在于利用用户消费行为探索其对对应商品的喜好情况。为了准确规范的衡量用户对商品的喜好程度，同时便于理解，在此处引入用户兴趣度的概念。在阐述其定义及计算公式前，必须首先提出一种假设：每位用户对商家商品的喜欢程度，即兴趣度，是可从该用户在一段时间内的历史消费记录反应出来的。依据生活常识，若某用户在某时间段内购买某商品数量较多或购买的较频繁，那么商家完全有理由相信该用户在此时间段更偏向于喜爱此商品，即该顾客对此商品的兴趣度较高。

依据商家掌握的用户消费行为，通过简单的数据提取即可获得一段时间范围内，每个用户对各项商品的购买次数及购买数量。如式(1)、式(2)，可分别构造两个m×n阶矩阵A(m，n)和B(m，n)，矩阵A(m，n)表示用户-商品购买次数矩阵，即m个用户对n项商品的购买次数；矩阵B(m，n)表示用户-商品购买数量矩阵，即m个用户对n项商品的购买数量，其中，行数m为电商平台中的总用户数，列数n为电商平台中总商品数，矩阵中的元素A_i，j、B_i，j分别表示用户i对商品j的累计购买次数及总购买数量。

若对电商平台中的商品采用五级制评分标准，以C_i，j表示用户i在此段时间内对商品j的兴趣度，则C_i，j可定义为：

       式(3)

其中，S_i，j表示该设定时间段内用户i对商品j的单次平均购买数量；T_i，j表示***内所有用户在该设定时间段内的单次平均购买数量，即商品j在所有用户下的总购买数量与总购买次数的比值；flag表示当前用户i对商品j的累计购买次数是否大于该商品的平均购买次数。S_i，j和T_i，j的计算公式分别如下：

$S_{i,j}=\frac{B_{\mathrm{ij}}}{A_{\mathrm{ij}}}$             式(4)

$T_{i,j}=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{B}_{\mathrm{ij}}}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{A}_{\mathrm{ij}}}$                式(5)

$\mathrm{flag}=\left\{\begin{array}{cc}1& \mathrm{if}(A_{\mathrm{IJ}}>\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{A}_{\mathrm{ij}}}{K})\\ 0& \mathrm{otherwise}\end{array}\right.$                 式(6)

其中，K表示所有用户中购买过商品j的用户总数。

在上述步骤103中，在进行目标用户与其他用户间的相似度计算，进而查找目标用户的最近邻居集合时，通过目标用户对感兴趣商品的喜好程度的相似性，即计算出来的相似度为目标用户喜好商品间的相似度而非电商平台所提供的全部商品间的相似度，从而使得向目标用户推荐商品更贴近目标用户实际的购买需求。

由于现有技术中的协同过滤算法仅仅是在用户共同评分商品上考虑用户间对商品评分的相似性，通过共同评分商品的匹配程度来衡量用户间的相似度，但却忽视了在实际评分矩阵中，由于矩阵本身评分项较少而导致稀疏度过高的情况下，用户间共同评分项数量大小的差异同样会对相似性的计算造成较大的偏差。

表1 共同喜好评分商品数量对相似度计算的影响

	A	B	C	D
					U1	5	3	4	3
U2	0	0	4	5
					U3	5	3	4	X

如表1所示的用评分矩阵中，现要计算用户U₃对商品商品D的预测评分值X，根据Pearson相似度计算公式可计算出用户U₃与用户U₁、U₂的相似度值均为1，但可明显看出用户U₃与U₁、U₂的相似情况并不一样，即传统公式计算得出的相似度值并不准确。通过分析不难发现用户U₃与用户U₁是在计算了3个商品评分后得出的相似度值，而用户U₃与用户仅计U₂算了1个商品的评分情况，由此可以看出显然用户U₃与用户U₁的相似性更强。

通过上例可发现若在一个较小的商品集合中，即使两个用户间评分相似程度很高，那也不能确定他们的相似度很高。也就是说，现有的相似度计算公式仅根据用户间的共同评分项来计算相似性，但未考虑共同评分项集合大小对相似性计算结果造成的影响。在此情况下可考虑分析用户间的共同喜好商品的评分项与总评分项之间的大小权重关系，将此比例作为权重因子添加到现有的相似度公式中，对本发明实施例中的相似度公式如式(7)：

$\mathrm{sim}(a,b)=\left|\frac{I_a^{*}\∩I_b^{*}}{I_a^{*}\∪I_b^{*}}\right|\×\frac{\underset{i\∈I_{\mathrm{ab}}^{*}}{\mathrm{\Σ}}(R_{a,i}-\stackrel{\‾}{R_a})\×(R_{b,i}-\stackrel{\‾}{R_b})}{\sqrt{\underset{i\∈I_{\mathrm{ab}}^{*}}{\mathrm{\Σ}}{(R_{a,i}-\stackrel{\‾}{R_a})}^2\×\sqrt{{(R_{b,i}-\stackrel{\‾}{R_b})}^2}}}$         式(7)

式(7)中用户a、b对商品i的评分利用R_a，i和R_b，i表示，用户a、b对商品的平均评分用和表示，用户a与b在共同喜好的评分商品集合用表示，用户a、b评价过的且为喜好的商品集合用和表示，而I表示整个商品集合。本发明实施例中的相似度计算公式充分地考虑了电商平台向用户推荐喜好商品这一事实及共同喜好商品评分集合大小对相似度结果的影响，因此使得向用户推荐的商品更具针对性，准确度更高，实现了向用户进行个性化推荐商品。

进一步地，式(7)中权重因子计算方法是两个用户间共同喜好评分商品的集合与总共同评分集合求比值，并且本发明实施例只关注用户评分中的4分、5分项，而不关注有哪些商品对就1分、2分或是3分，从而使得评分矩阵中仅填充4分、5分评分值，解决了评分矩阵稀松的问题。此外，在计算用户间的相似度前，先对评分矩阵进行4分和5分值填充处理的优点在于本发明实施例不会因为评分矩阵中已评分商品过于稀少而影响最终权重因子计算的准确性。

对应于上述的基于电商平台的商品推荐方法，本申请还提出了图2所示的根据本申请的一示例性实施例的服务器的示意结构图。请参考图2，在硬件层面，该服务器包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成基于物流数据识别网上交易的装置。当然，除了软件实现方式之外，本申请并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

图3是根据一示例性实施例示出的基于电商平台的商品推荐装置的框图，装置可应用在服务器上，所述服务器用于统计电商平台上的用户购物历史记录，所述服务器通过所述电商平台为用户提供商品，其特征在于，所述装置包括：

筛选模块31，用于执行粘性用户群的筛选步骤：统计设定时间段内所述服务器上所有用户的最近一次消费时间与当前时间之间的时间长度、所述每一用户的消费频率与消费金额，根据所述时间长度、所述消费频率与所述消费金额对所有用户进行筛选处理，得到所述粘性用户群；

获取模块32，用于执行用户兴趣度的获取步骤：遍历所述粘性用户群中的每一个用户对所述电商平台上的每一商品的购买次数与所述电商平台上的每一商品的总购买数量，根据所述购买次数与所述总购买数量获取粘性用户群中的每一个用户对所述电商平台上的商品的兴趣度，根据所述兴趣度得到所述电商平台上的每一商品的评分矩阵；

计算模块33，用于执行目标用户最近邻居集合的生成步骤：遍历所述粘性用户群，根据所述评分矩阵计算所述粘性用户群中的目标用户与所述粘性用户群中的其他用户之间的最近邻居集合；

生成模块34，用于执行商品推荐列表的生成步骤：根据所述最近邻居集合获取所述目标用户对未评分商品的预测分值，将前设定个数的预测分值的商品生成所述目标用户的商品推荐列表。

进一步地，所述筛选模块包括：

遍历单元，用于遍历所述电商平台上的所有用户的历史消费记录；

计算单元，用于根据所述历史消费记录计算所有用户中的每一个用户在设定时间段内的最近一次消费时间与当前时间之间的时间长度、所述每一用户的消费频率与消费金额；

第一过滤单元，用于将所述时间长度大于第一预设值的用户过滤掉，得过滤后的第一集合；

第二过滤单元，用于将所述消费频率小于第二预设值的用户过滤掉，得过滤后的第二集合；

第三过滤单元，用于将所述消费金额小于第三预设值的用户过滤掉，得过滤后的第三集合；

筛选单元，用于根据所述第一预设值、所述第二预设值、所述第三预设值从所述第一集合、所述第二集合、所述第三集合的交集或并集作为最终的粘性用户群。

进一步地，所述获取模块包括：

第一统计单元，用于统计所述粘性用户群中的每一用户对所述电商平台上的每一商品的购买次数，得到用户-商品购买次数矩阵；

第二统计单元，用于统计所述粘性用户群中的每一用户对所述电商平台上的各商品的总购买数量，得到用户-商品购买数量矩阵；

第一获取单元，用于根据所述用户-商品购买次数矩阵、所述用户-商品购买数量矩阵获取所述设定时间段内的所述目标用户对所述商品的单次购买数量，所述粘性用户群中的所有用户在所述设定时间段内单次平均购买数量；

第二获取单元，用于通过所述单次购买数量、所述单次平均购买数量获取每一用户对所述电商平台提供的商品的兴趣度；

评分矩阵生成单元，用于将所述兴趣度填充到初始评分矩阵中，生成填充后的所述电商平台上的每一商品的评分矩阵。

进一步地，所述计算模块包括：

相似度矩阵生成单元，用于根据所述评分矩阵计算所述粘性用户群中的所有用户之间的相似度，生成用户相似度矩阵；

第三获取单元，用于获取目标用户与所述粘性用户群中的其他用户间的相似度值，按递减排序；

第四获取单元，用于获取相似度值排序前设定个数的用户作为所述目标用户的最近邻居集合。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

为验证本发明实施例的可行性及推荐效率，本发明实施例使用了如下的开发环境和开发工具进行了实验：

(1)硬件配置

CPU：Intel Core i5-2520M 2.5GHZ；内存：4GB；硬盘：250G。

(2)软件配置

操作***：Win7；编程语言：C#；开发平台：Visual Studio 2010；数据库：SQL Server 2008。

图4示出了根据本发明的原始的历史记录处理过程的示意图，图5示出了在数据集A上的MAE结果对比图，图6示出了在数据集B上的MAE结果对比图。图7示出了筛选用户群对推荐质量的影响对比图，图8示出了评分矩阵填充处理后对推荐质量的影响对比图，图9示出了本发明实施例的相似度计算公式对推荐质量的影响对比图；下面结合图4-图9对本发明实施例的有益技术效果进行说明。

采用均方绝对误差(MAE)作为本发明实施例推荐商品的度量标准，以数据堂(www.datatang.com)提供的某科研小组收集的用户消费行为记录及商品商品评分数据为主实验数据集B，以MovieLens(数据堂网站上的一类商品)数据集为辅助实验数据集A，设计了多组对比实验并进行了实验结果分析。

实验中采用五重交叉验证技术，共在一个数据集上进行五次实验，最后取它们的实验结果平均值作为最终的算法验证结果。首先将原数据集合平均分为如图4中的A、B、C、D、E五分，再按4：1的比例分出五种可能情况，将原始数据集中的四份，即80％的样本量作为训练集，用于产生推荐，另外的一分，即20％的样本量作为测试集，用于验证推荐算法质量。按此方法分割数据时，数据集A的训练集和测试集分别为80000条和20000条数据，而数据集B的训练集和测试集分别为9600条和2400条数据。五重交叉验证技术的优点在于一分数据集可进行五轮实验且在实验过程的数据应用中互不重复及覆盖，即将原数据信息进行了充分的利用。

通过图5、图6中三种相似度计算方法结果比对可得出如下结论：首先，就单条曲线来说，它的变化趋势是随着最近邻居数的增加，三条曲线均呈下降趋势，整个曲线前半部分下降速度较快幅度较大，后半部分下降速度较慢并逐渐趋于平缓，当最近邻个数大于100时，曲线基本趋于稳定，MAE值基本不受邻居数变化的影响；其次，就三条曲线相互比对来说，本发明实施例中的公式对应的曲线整体处于两种现有计算公式对应曲线的下方，说明使用它计算得到的MAE值更小，证明了本发明实施例中的公式在预测效果上比两种现有的计算公式效果更好，即本发明实施例的公式是可行有效的。第三，通过以上两张图曲线比对可看出，两种现有公式中Pearson相似度计算公式较优一些，故在接下来的实验中会采用Pearson公式与本发明实施例中的公式的应用效果进行比较，以增强本发明实施例的可信度、说服力及严谨性

如图7所示，利用数据集B，实验中采用Pearson公式与改进公式的应用效果进行比较设计了三组实验，来说明当第一预设值、第二预设值、第三预设值三个参数较适中时(R＝95天、F＝5次、M＝300元)，非粘性用户得到了有效过滤，应用相对粘性顾客进行相似度计算并在此集合中产生最近邻居，商品预测结果会准确得多，进而有效的降低了MAE值。实际设置时尽量将R值设置的比AVG(R)大些，将F值与M值设置的比AVG(F)、AVG(M)小些，同时筛选后的用户集合人数尽量控制在原集合人数的一半以上，此时会取得相对较好的实验效果。

以实验一中的RFM模型筛选后的较优用户群为基础，分别在原评分矩阵及填充后评分矩阵上运行传统协同过滤算法，比较MAE值的大小。

从上图8看出，对稀疏的评分矩阵进行填充处理后，所得的MAE值相比未填充处理时所得到的MAE值要低，尤其是在最近邻居个数相对较少时MAE值下降幅度较大，说明当最近邻居较少时填充操作可明显提高推荐质量。之后随着最近邻居数的增加，MAE值仍然逐渐变小，但变化速率开始减慢，最终曲线趋于平缓，填充矩阵后的MAE值曲线基本处于原矩阵的MAE曲线下方。故可以说明应用用户消费行为及兴趣度概念对评分矩阵进行填充处理的方法是可行有效的。

在RFM模型筛选后的较优用户群及填充后评分矩阵上运行传统协同过滤算法和加入了相似度改进公式的改进算法，比较MEA值的大小。

从上图9实验结果可看出，引入权重因子后在两个用户间的共同喜好商品上计算相似度，求得的MAE值要比应用传统Pearson公式时的MAE值要低，虽然随着最近邻居数的增加，MAE值减小的速率逐渐变慢，推荐质量的改善程度有所下降，曲线逐渐趋于平缓，但其依然优于应用传统公式时的推荐效果，前者对应的曲线各部分明显处于后者下方，证明了改进公式的积极意义。

综上，本发明实施例以提高推荐准确度为目标，提出了一种基于协同过滤的商品推荐方法，本发明实施例与现有技术相比，具有如下有益技术效果：第一，本发明实施例通过原用户群进行了多条件筛选，使推荐数据源更加准确高效；第二，本发明实施例利用顾客历史消费记录对原评估矩阵进行填充处理，提高了评分矩阵的稠密度；第三，本发明实施例可以使目标用户的相似邻居查找更加准确。

本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (9)

1.一种基于电商平台的商品推荐方法，应用在服务器上，所述服务器用于统计电商平台上的用户购物历史记录，所述服务器通过所述电商平台为用户提供商品，其特征在于，所述方法包括：

粘性用户群的筛选步骤：统计设定时间段内所述服务器上所有用户的最近一次消费时间与当前时间之间的时间长度、所述每一用户的消费频率与消费金额，根据所述时间长度、所述消费频率与所述消费金额对所有用户进行筛选处理，得到所述粘性用户群；

用户兴趣度的获取步骤：遍历所述粘性用户群中的每一个用户对所述电商平台上的每一商品的购买次数与所述电商平台上的每一商品的总购买数量，根据所述购买次数与所述总购买数量获取粘性用户群中的每一个用户对所述电商平台上的商品的兴趣度，根据所述兴趣度得到所述电商平台上的每一商品的评分矩阵；

目标用户最近邻居集合的生成步骤：遍历所述粘性用户群，根据所述评分矩阵计算所述粘性用户群中的目标用户与所述粘性用户群中的其他用户之间的最近邻居集合；

商品推荐列表的生成步骤：根据所述最近邻居集合获取所述目标用户对未评分商品的预测分值，将前设定个数的预测分值的商品生成所述目标用户的商品推荐列表。

2.根据权利要求1所述的方法，其特征在于，所述粘性用户群的筛选步骤包括：

遍历所述电商平台上的所有用户的历史消费记录；

根据所述历史消费记录计算所有用户中的每一个用户在设定时间段内的最近一次消费时间与当前时间之间的时间长度、所述每一用户的消费频率与消费金额；

将所述时间长度大于第一预设值的用户过滤掉，得过滤后的第一集合；

将所述消费频率小于第二预设值的用户过滤掉，得过滤后的第二集合；

将所述消费金额小于第三预设值的用户过滤掉，得过滤后的第三集合；

根据所述第一预设值、所述第二预设值、所述第三预设值从所述第一集合、所述第二集合、所述第三集合的交集或并集作为最终的粘性用户群。

3.根据权利要求1所述的方法，其特征在于，所述用户兴趣度的获取步骤包括：

统计所述粘性用户群中的每一用户对所述电商平台上的每一商品的购买次数，得到用户-商品购买次数矩阵；

统计所述粘性用户群中的每一用户对所述电商平台上的各商品的总购买数量，得到用户-商品购买数量矩阵；

根据所述用户-商品购买次数矩阵、所述用户-商品购买数量矩阵获取所述设定时间段内的所述目标用户对所述商品的单次购买数量，所述粘性用户群中的所有用户在所述设定时间段内单次平均购买数量；

通过所述单次购买数量、所述单次平均购买数量获取每一用户对所述电商平台提供的商品的兴趣度；

将所述兴趣度填充到初始评分矩阵中，生成填充后的所述电商平台上的每一商品的评分矩阵。

4.根据权利要求1-3任一所述的方法，其特征在于，所述目标用户最近邻居集合步骤包括：

根据所述评分矩阵计算所述粘性用户群中的所有用户之间的相似度，生成用户相似度矩阵；

获取目标用户与所述粘性用户群中的其他用户间的相似度值，按递减排序；

获取相似度值排序前设定个数的用户作为所述目标用户的最近邻居集合。

5.一种基于电商平台的商品推荐装置，应用在服务器上，所述服务器用于统计电商平台上的用户购物历史记录，所述服务器通过所述电商平台为用户提供商品，其特征在于，所述装置包括：

筛选模块，用于执行粘性用户群的筛选步骤：统计设定时间段内所述服务器上所有用户的最近一次消费时间与当前时间之间的时间长度、所述每一用户的消费频率与消费金额，根据所述时间长度、所述消费频率与所述消费金额对所有用户进行筛选处理，得到所述粘性用户群；

获取模块，用于执行用户兴趣度的获取步骤：遍历所述粘性用户群中的每一个用户对所述电商平台上的每一商品的购买次数与所述电商平台上的每一商品的总购买数量，根据所述购买次数与所述总购买数量获取粘性用户群中的每一个用户对所述电商平台上的商品的兴趣度，根据所述兴趣度得到所述电商平台上的每一商品的评分矩阵；

计算模块，用于执行目标用户最近邻居集合的生成步骤：遍历所述粘性用户群，根据所述评分矩阵计算所述粘性用户群中的目标用户与所述粘性用户群中的其他用户之间的最近邻居集合；

生成模块，用于执行商品推荐列表的生成步骤：根据所述最近邻居集合获取所述目标用户对未评分商品的预测分值，将前设定个数的预测分值的商品生成所述目标用户的商品推荐列表。

6.根据权利要求5所述的装置，其特征在于，所述筛选模块包括：

遍历单元，用于遍历所述电商平台上的所有用户的历史消费记录；

计算单元，用于根据所述历史消费记录计算所有用户中的每一个用户在设定时间段内的最近一次消费时间与当前时间之间的时间长度、所述每一用户的消费频率与消费金额；

第一过滤单元，用于将所述时间长度大于第一预设值的用户过滤掉，得过滤后的第一集合；

第二过滤单元，用于将所述消费频率小于第二预设值的用户过滤掉，得过滤后的第二集合；

第三过滤单元，用于将所述消费金额小于第三预设值的用户过滤掉，得过滤后的第三集合；

筛选单元，用于根据所述第一预设值、所述第二预设值、所述第三预设值从所述第一集合、所述第二集合、所述第三集合的交集或并集作为最终的粘性用户群。

7.根据权利要求5所述的装置，其特征在于，所述获取模块包括：

第一统计单元，用于统计所述粘性用户群中的每一用户对所述电商平台上的每一商品的购买次数，得到用户-商品购买次数矩阵；

第二统计单元，用于统计所述粘性用户群中的每一用户对所述电商平台上的各商品的总购买数量，得到用户-商品购买数量矩阵；

第一获取单元，用于根据所述用户-商品购买次数矩阵、所述用户-商品购买数量矩阵获取所述设定时间段内的所述目标用户对所述商品的单次购买数量，所述粘性用户群中的所有用户在所述设定时间段内单次平均购买数量；

第二获取单元，用于通过所述单次购买数量、所述单次平均购买数量获取每一用户对所述电商平台提供的商品的兴趣度；

评分矩阵生成单元，用于将所述兴趣度填充到初始评分矩阵中，生成填充后的所述电商平台上的每一商品的评分矩阵。

8.根据权利要求5-7任一所述的装置，其特征在于，所述计算模块包括：

相似度矩阵生成单元，用于根据所述评分矩阵计算所述粘性用户群中的所有用户之间的相似度，生成用户相似度矩阵；

第三获取单元，用于获取目标用户与所述粘性用户群中的其他用户间的相似度值，按递减排序；

第四获取单元，用于获取相似度值排序前设定个数的用户作为所述目标用户的最近邻居集合。

9.一种服务器，其特征在于，所述服务器用于统计电商平台上的用户购物历史记录，所述服务器通过所述电商平台为用户提供商品，所述服务器包括：

处理器；用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为：

粘性用户群的筛选步骤：统计设定时间段内所述服务器上所有用户的最近一次消费时间与当前时间之间的时间长度、所述每一用户的消费频率与消费金额，根据所述时间长度、所述消费频率与所述消费金额对所有用户进行筛选处理，得到所述粘性用户群；

用户兴趣度的获取步骤：遍历所述粘性用户群中的每一个用户对所述电商平台上的每一商品的购买次数与所述电商平台上的每一商品的总购买数量，根据所述购买次数与所述总购买数量获取粘性用户群中的每一个用户对所述电商平台上的商品的兴趣度，根据所述兴趣度得到所述电商平台上的每一商品的评分矩阵；

目标用户最近邻居集合的生成步骤：遍历所述粘性用户群，根据所述评分矩阵计算所述粘性用户群中的目标用户与所述粘性用户群中的其他用户之间的最近邻居集合；

商品推荐列表的生成步骤：根据所述最近邻居集合获取所述目标用户对未评分商品的预测分值，将前设定个数的预测分值的商品生成所述目标用户的商品推荐列表。