CN105354729A - 一种电子商务***中的商品推荐方法 - Google Patents

Abstract

该发明公开了一种电子商务***中的商品推荐方法，属于商品流行性的预测领域。计算当前所有商品的流行度，获得流行度最大的c件商品；统计所有用户对步骤1获得c件商品的已知选择信息，选择信息包括该用户选择或未选择某一商品；根据获得用户对商品的选择信息，计算出步骤1得到的c件商品两两之间的相似度；针对c件商品中每一件商品，从这c件商品中选出与其最相似的q件商品，其中q＜c；计算步骤1获得的c件商品对各用户的推荐分数，若用户选择过待推荐商品，则推荐分数为0；若用户未选择过推荐商品，则根据该用户对该推荐商品最相似的q件商品的选择情况确定推荐分数；根据推荐分数确定是否对该用户推荐该商品。具有提高商品推荐的准确率及有效新颖性的效果。

Description

一种电子商务***中的商品推荐方法

技术领域

本发明属于商品流行性的预测领域。

背景技术

缩略语和关键术语定义；

目标用户：若推荐的目的是将商品推荐给某一用户，则该用户称为目标用户；

有效推荐：若推荐***将某商品推荐给目标用户，而该用户在之后确实选择了该商品，则该次推荐称为有效推荐。

准确率：推荐***给目标用户所推荐的商品中，有效推荐商品占被推荐商品的比例称为给该用户推荐的准确率。将给所有用户推荐的准确率计算得到平均值称为该推荐***的准确率(下文简称为准确率)。

非热门商品：被用户选择次数不多的商品(根据不同***，阈值设置为不同数值)；

新颖性：推荐非热门商品的能力。该指标不考虑是否为有效推荐，只要推荐的商品在推荐之前被选择的次数越少，则新颖性越高；

有效新颖性：在有效推荐下，该商品在推荐之前被选择的次数越少，则有效新颖性越高。

目前的推荐***大都采用协同推荐算法，该方法通过计算***中用户之间或商品之间的相似度，根据最相似的多个商品或用户的打分，来预测用户对某商品的可能评分。按照用户对不同商品的评分进行降序排序，将排在最前面的几个商品推荐给用户。但是这种推荐算法对商品的流行性敏感性有限，即使某个商品在将来一段时间内被用户喜欢的概率很小，但由于相似度大的原因，该商品也会被推荐给某些用户。这样，推荐***准确率就不会特别高。除此之外，由于推荐了很多用户不需要的商品，所以虽然其新颖度较高，但其有效新颖度较低。

发明内容

本发明针对背景技术的不足，改进设计一种电子商务***中商品的推荐方法，从而达到提高商品推荐的准确率及有效新颖性的目的。

本发明技术方案为一种电子商务***中的商品推荐方法，该方法包括：

步骤1：计算当前所有商品的流行度，获得流行度最大的c件商品；

步骤2：统计所有用户对步骤1获得c件商品的已知选择信息，选择信息包括该用户选择或未选择某一商品；

步骤3：根据获得用户对商品的选择信息，计算出步骤1得到的c件商品两两之间的相似度；

步骤4：针对c件商品中每一件商品，从这c件商品中选出与其最相似的q件商品，其中q＜c；

步骤5：计算步骤1获得的c件商品对各用户的推荐分数，若用户选择过待推荐商品，则推荐分数为0；若用户未选择过推荐商品，则根据该用户对该推荐商品最相似的q件商品的选择情况确定推荐分数；

步骤6：根据推荐分数确定是否对该用户推荐该商品。

进一步的，所述步骤1中流行度的计算方法为：

步骤A1：统计每个商品在各时间段内被用户选择的次数；

步骤A2：通过每次选择行为距离预测点的时间远近进行加权得到每一个商品的流行性分数；

步骤A3：按照每个商品的流行性分数排序，流行性分数越大的流行度越大。

进一步的，所述步骤1中流行度的计算方法为：

步骤B1：统计各用户对所有商品的已知选择信息，选择信息包括该用户选择或未选择某一商品；

步骤B2：根据获得用户对商品的选择信息，计算出不同商品之间的相似度；

步骤B3：针对每一件商品，获得与其最相似的q件商品；

步骤B4：计算出每个商品的针对每个用户推荐分数，针对每个用户选择出推荐分数最高的t个商品；

步骤B5：统计步骤B4中选择出商品出现的次数，次数越多表示流行度越大。

进一步的，所述步骤1中流行度的计算方法为：

步骤C1：记录每天各段时间各商品被用户关注的数量，获得各商品被用户关注的时间曲线；

步骤C2：将步骤C1获得的各商品的时间曲线进行第一层小波分解，获得低频曲线和高频曲线；再将高频曲线进行第二层小波分解；按照上述方法对获得高频曲线进行多层小波分解；

步骤C3：根据实际情况选择合适的小波分解层获得的低频曲线作为商品流行度判断曲线；

步骤C4：根据得到的流行度判断曲线获得该商品的流行度。

进一步的，所述步骤1中流行度的计算方法为：将上述三种方法得到的推荐分数加权求和，获得的结果为该商品的流行度。

进一步的，所述步骤2的具体步骤为：

将用户对商品的选择行为生成邻接矩阵A，每一行代表一个用户，每一列代表一个商品；若用户u选择过商品i，那么就在矩阵对应元素a_ui赋值为1，若用户u未选择过商品i，就赋值为0。

进一步的，所述步骤3具体步骤为：

商品i根据其被m个用户选择的情况，得到一个m维的选购向量pⁱ，对每个商品i，都根据相似度公式，计算出该商品与其他任何一个商品j选购向量的相似度，得到一个n×n的对称矩阵S，其s_ij和s_ji值相等，都代表商品i和j的选择向量相似度；其相似度为余弦相似度，计算方法如公式(1)：

$s_{ij}=\frac{\underset{k=1}{\overset{m}{\Σ}}{p}_{ik}\×p_{jk}}{\sqrt{\underset{k=1}{\overset{m}{\Σ}}{p_{ik}}^2}\×\sqrt{\underset{k=1}{\overset{m}{\Σ}}{p_{jk}}^2}}---\left(1\right)$

其中，p^ik表示选购向量pⁱ中的第k个用户；

进一步的，所述步骤5的具体步骤为：

对于用户u选择过的商品i，将r_ui赋值为0；对于用户u没选择过的商品i，其推荐分数r_ui计算公式如公式(2)：

$r_{ui}=\frac{\underset{r=1}{\overset{q}{\Σ}}{s}_{{\mathrm{il}}_{ir}}\×a_{{\mathrm{ul}}_{ir}}}{\underset{r=1}{\overset{q}{\Σ}}{s}_{{\mathrm{il}}_{ir}}}---\left(2\right)$

生成一个m×n的推荐分数矩阵R；其中s_ilir表示商品i与商品l_ir的相似度，a_ulir表示用户u对商品l_ir的选择记录，l_ir表示步骤4选择出的q件商品编号。

本发明一种电子商务***中的商品推荐方法，通过获得商品的流行度，选择流行度靠前的多件商品，计算这些商品的推荐针对各用户的推荐分数，将推荐分数较高的商品推荐给用户，从而具有提高商品推荐的准确率及有效新颖性的效果。

附图说明

图1为本发明一种电子商务***中的商品推荐方法流程图；

具体实施方式

在经过这两个步骤之前，数据首先要进行预处理——将用户和商品处理成简单的0-1关系。当关系是用户对商品的选择关系，则如果用户选择某商品，则该条记录的记录值为1，否则为0。当用户对商品是评价关系，则如果用户对商品评分大于等于总分的60％，则该条记录的记录值为1,否则为0。如果是在线推荐***，那本模块还需要不断的循环上述操作，将新加入的数据也通过该方式进行处理。经过这样的处理，用户的商品选择数据就变成了简单的选择关系，1表示选择了该商品，0表示未选择。

进一步的，所述步骤1中流行度的计算有多种方案，方案如下：

方案1：使用最近流行度生成流行性列表。

在我们的实际使用中，由于商品的流行性具有连续性。在将来一段时间内流行的商品，大多数也在刚刚过去的一段时间流行。所以，可以取最近一段时间的流行度，来作为将来流行度的参考，生成一个包含n维的流行性向量e，按照流行度降序的顺序把每个商品i填入到流行性向量中，生成流行性列表。

第1步，生成选择序列矩阵。将选择行为发生的时间范围划分为k个区间，再生成一个n×k的邻接矩阵C，n为商品个数。统计每个商品在每个时间区间的被选择次数，将商品i在时间区间j内被选择的次数作为c_ij的值填入矩阵C中。

第2步，计算流行性分数。在矩阵C中，行i中的每一个数值都代表商品i在过去某段时间区间内的被选择次数。用公式3来得到每一个商品i的流行性分数。

$S_i=\underset{j=1}{\overset{k}{\Σ}}{c}_{ij}\×t_j---\left(3\right)$

t_j表示j时间段内的选择次数所乘的系数。其计算方式为公式4：

$t_j=\frac{T_j-T_{j-1}}{T}---\left(4\right)$

T_j表示从整个时间范围的开始时刻到j时间段最后时刻的时间长度，T_j-1表示从整个时间范围的开始时刻到j-1时间段最后时刻的时间长度(T₀为0)，T表示整个时间范围所持续的时间长度。

这样，t_j这个系数，在距离预测越久的选择事件的值就越低。也就是说，距离预测点越远，选择情况越不重要。

第3步，生成流行性列表。统计在计算得到的流行性分数中，每个商品i的出现流行性分数s_i。生成一个包含n维的流行性向量e，按照s_i降序的顺序把每个商品i填入到流行性向量中，生成流行性列表。

方案2：使用推荐算法进行流行性预测生成流行性列表。具体步骤如下：

第1步，生成选择矩阵。将用户对商品的选择行为生成m×n的邻接矩阵A，每一行代表一个用户，共有m个用户，每一列代表一个商品，共有n个商品。若用户u对商品i的记录值为1，那么就在矩阵对应元素a_ui赋值为1，若用户u对商品i的记录值为0，就赋值为0。

第2步，计算商品相似度。商品i根据其被m个用户选择的情况，会生成一个m维的选购向量p_i。对每个商品i，都根据相似度公式，计算出该商品与其他任何一个商品j选购向量的相似度，这样就会形成一个n×n的对称矩阵S，其s_ij和s_ji值相等，都代表商品i和j的选择向量相似度。其相似度为余弦相似度，计算公式如公式1。

$s_{ij}=\frac{\underset{k=1}{\overset{m}{\Σ}}{p}_{ik}\×p_{jk}}{\sqrt{\underset{k=1}{\overset{m}{\Σ}}{p_{ik}}^2}\×\sqrt{\underset{k=1}{\overset{m}{\Σ}}{p_{jk}}^2}}---\left(1\right)$

其中，p^ik表示选购向量pⁱ中的第k个用户；

第3步，生成相似向量。为每个商品i选择最相似的q个商品，即在S的i行，选择数值最大的q个数值，记下它们的列坐标，生成一个q维的相似向量l_i。

第4步，计算推荐分数。生成一个m×n的推荐分数矩阵R，对于用户u选择过的商品i(即a_ui值为1)，将r_ui赋值为0。对于用户u没选择过的商品i(即a_ui值为0)，其推荐分数r_ui计算公式如公式2。

$r_{ui}=\frac{\underset{r=1}{\overset{q}{\Σ}}{s}_{{\mathrm{il}}_{ir}}\×a_{{\mathrm{ul}}_{ir}}}{\underset{r=1}{\overset{q}{\Σ}}{s}_{{\mathrm{il}}_{ir}}}---\left(2\right)$

生成一个m×n的推荐分数矩阵R；其中s_ilir表示商品i与商品l_ir的相似度，a_ulir表示用户u对商品l_ir的选择记录，l_ir表示步骤4选择出的q件商品编号。

第5步，进行推荐。生成一个m×t的推荐矩阵B。对于每个用户u，在R中u行中选择分数最高的t个数值，记下它们的列坐标，把这些列坐标分别记录在bu1～but中。

第6步，生成流行性列表。统计在矩阵B中，每个商品i的出现次数di。生成一个包含n维的流行性向量e，按照d_i降序的顺序把每个商品i填入到流行性向量中，生成流行性列表。

方案3：使用时间序列进行流行性预测生成流行性列表。

考虑到用户的兴趣可能发生偏移，所以我们将之前的评价关系生成时序特征，将其应用到小波分解，预测出接下来最流行的一些商品。该方法具体步骤如下：

第1步，根据商品按照每天得到的选择数量，得到商品的时间序列。

第2步，根据商品的时间序列，利用小波分解得到不同层级的小波系数。小波分解把图像分解为两部分：低频曲线和高频曲线。低频曲线是时间序列形成的波形中变化缓慢的部分，是图像的框架和轮廓，占全部信息的大部分；高频曲线是变化迅速的部分，它反映的是图像的细节信息，占全部信息的小部分，以上是第一层分解。在第一层的基础上把高频曲线部分再分解为两部分：低频+高频。第三层是把第二层分解出来的高频曲线分解为低频+高频……依次类推。

第3步，选择合适波形。根据信号波形的不同，选取合适层级的小波系数来进行小波分解，其得到的该层级的低频曲线就是能代表商品流行度走势的波形(如：层级取2，则将第一层分解得到的高频波形再次进行分解，其得到的低频波形即为所需波形)。

第4步，生成流行性列表。根据每个商品i在小波分解得到的波形，得到其将来一段时间的流行度d_i。生成一个包含n维的流行性向量e，按照di降序的顺序把每个商品i填入到流行性向量中，生成流行性列表。

方案4：将上述方案生成的流行性列表通过参数进行混合，生成最终的流行性列表。

由于上述方法都能不同程度的提高***的准确率和有效新颖性。所以将上述三个方案进行混合，得到的最终的流行性列表。其步骤如下：

第1步，利用方案1，方案2和方案3得到每个商品i的流行性分数；

第2步，将方案1、方案2和方案3三种流行性分数进行混合，混合之后的流行性分数计算公式为公式5：

S_pop＝λS_rec+ηS_wav+(1-λ-η)S_pre(5)

S_rec为方案2生成的流行性分数，S_wav为方案3生成的流行性分数，S_pre为方案1生成的流行性分数。λ和η为在0-1之间的可变参数，且λ+η<＝1。当λ为1时，流行性排序就为方案2生成的流行性分数；当η为1时，就变成了方案3生成的流行性分数；当λ和η都为0时，就变成了方案1生成的流行性分数。

第3步，生成流行性列表。根据每个商品i流行度d_i生成一个包含n维的流行性向量e，按照di降序的顺序把每个商品i填入到流行性向量中，生成流行性列表。

上述四种方案都可以得到流行性列表。在得到流行性列表之后，需要执行步骤2进行推荐。步骤2的具体流程为：

步骤2.1：从流行性筛选模块预测的流行性商品向量e中选出最流行的c个商品。将用户对商品的选择行为生成m×n的邻接矩阵A，每一行代表一个用户，共有m个用户，每一列代表一个商品，共有n个商品。若用户u选了商品i，那么就在矩阵对应元素a_ui赋值为1，反之就赋值为0。

将生成的商品选择邻接矩阵A中非流行的商品选购数据全部删除，即：若列i包含在c个商品里，则该列数据保持不变，如果i不包含在c个商品里，则该列数据全部置为0，处理后得到的商品选择邻接矩阵为A’。

步骤2.2：重新计算商品相似度。商品i根据其在A’中被m个用户选择的情况，会生成一个m维的选购向量p_i’。对每个商品i，都根据相似度公式，计算出该商品与其他任何一个商品j选购向量的相似度，这样就会形成一个n×n的对称矩阵S’，其s_ij’和s_ji’值相等，都代表商品i和j的选择向量相似度。其相似度为余弦相似度，计算公式如公式1。

步骤2.3：重新生成相似向量。为每个商品i选择最相似的q个商品，即在S的i行，选择数值最大的q个数值，记下它们的列坐标，生成一个q维的相似向量l_i’。

步骤2.4：重新计算选购分数。生成一个m×n的推荐分数矩阵R’，对于用户u选择过的商品i(即a_ui值为1)，将r_ui’赋值为0。对于用户u没选择过的商品i(即a_ui值为0)，其推荐分数r_ui’计算公式如公式2。

步骤2.5：重新进行推荐。生成一个m×t的推荐矩阵B’。对于每个用户u，在R中u行中选择分数最高的t个数值，记下它们的列坐标，把这些列坐标分别记录在bu₁’～bu_t’中。

这两个步骤能够通过商品的流行度和计算得到的这些商品的推荐分数，针对各用户进行推荐。

除了上述提到的技术方案，包括但不仅包括以下替代方案可完成本发明。

1.在信息处理时，不仅仅使用选择数据，还可以使用点击率、点击次数、浏览次数、停留时间、加入购物车次数、收藏次数等等数据。

2.在流行性筛选和推荐中，使用其它相似度计算公式，如Person相似度等。

3.在流行性筛选和推荐中，使用其它推荐分数计算公式，如减去平均值，加入用户偏见、商品偏见等之后再进行计算。

4.在流行性筛选和推荐中，使用其它的流行性计算公式，如给不同用户赋以不同权重进行流行性计算等。

5.在流行性筛选和推荐中，进行推荐时使用其它的推荐算法，如基于用户的协同过滤算法，基于马尔科夫链的推荐算法，基于物质扩散、热传递等基于二部图思想的推荐算法，基于矩阵分解、SVD等机器学习方法的推荐算法等。

6.在流行性筛选和推荐中，计算推荐分数时，除了单独利用推荐算法还可以混合多种推荐算法，以及多种混合推荐方案(方案2)与非推荐方案的方法。

Claims (8)

1.一种电子商务***中的商品推荐方法，该方法包括：

步骤1：计算当前所有商品的流行度，获得流行度最大的c件商品；

步骤2：统计所有用户对步骤1获得c件商品的已知选择信息，选择信息包括该用户选择或未选择某一商品；

步骤3：根据获得用户对商品的选择信息，计算出步骤1得到的c件商品两两之间的相似度；

步骤4：针对c件商品中每一件商品，从这c件商品中选出与其最相似的q件商品，其中q＜c；

步骤5：计算步骤1获得的c件商品对各用户的推荐分数，若用户选择过待推荐商品，则推荐分数为0；若用户未选择过推荐商品，则根据该用户对该推荐商品最相似的q件商品的选择情况确定推荐分数；

步骤6：根据推荐分数确定是否对该用户推荐该商品。

2.如权利要求1所述的一种电子商务***中的商品推荐方法，其特征在于所述步骤1中流行度的计算方法为：

步骤A1：统计每个商品在各时间段内被用户选择的次数；

步骤A2：采用公式计算每一个商品的流行性分数，其中：S_rec表示第i个商品的流行性分数，c_ij表示商品i在第j段时间内被用户选择的次数，t_j表示j时间段内的选择次数所乘的系数，其计算方式为T_j表示从整个时间范围的开始时刻到j时间段最后时刻的时间长度，T_j-1表示从整个时间范围的开始时刻到j-1时间段最后时刻的时间长度，T表示整个时间范围所持续的时间长度；

步骤A3：按照每个商品的流行性分数排序，流行性分数越大的流行度越大。

3.如权利要求1所述的一种电子商务***中的商品推荐方法，其特征在于所述步骤1中流行度的计算方法为：

步骤B1：统计各用户对所有商品的已知选择信息，选择信息包括该用户选择或未选择某一商品；

步骤B2：根据获得用户对商品的选择信息，计算出不同商品之间的相似度；

步骤B3：针对每一件商品，获得与其最相似的q件商品；

步骤B4：计算出每个商品的针对每个用户推荐分数，针对每个用户选择出推荐分数最高的t个商品；

步骤B5：统计步骤B4中选择出商品出现的次数S_wav，用S_wav表示该商品的流行度，次数越多表示流行度越大。

4.如权利要求1所述的一种电子商务***中的商品推荐方法，其特征在于所述步骤1中流行度的计算方法为：

步骤C1：记录每天各段时间各商品被用户关注的数量，获得各商品被用户关注的时间曲线；

步骤C2：将步骤C1获得的各商品的时间曲线进行第一层小波分解，获得低频曲线和高频曲线；再将高频曲线进行第二层小波分解；按照上述方法对获得高频曲线进行多层小波分解；

步骤C3：根据实际情况选择合适的小波分解层获得的低频曲线作为商品流行度判断曲线；

步骤C4：根据得到的流行度判断曲线获得该商品的流行度S_pre。

5.如权利要求1所述的一种电子商务***中的商品推荐方法，其特征在于所述步骤1中流行度的计算方法为

步骤A1：统计每个商品在各时间段内被用户选择的次数；

步骤A2：采用公式计算每一个商品的流行性分数，其中：S_rec表示第i个商品的流行性分数，c_ij表示商品i在第j段时间内被用户选择的次数，t_j表示j时间段内的选择次数所乘的系数，其计算方式为T_j表示从整个时间范围的开始时刻到j时间段最后时刻的时间长度，T_j-1表示从整个时间范围的开始时刻到j-1时间段最后时刻的时间长度，T表示整个时间范围所持续的时间长度；

步骤A3：按照每个商品的流行性分数排序，得到流行性分数S_rec；

步骤B1：统计各用户对所有商品的已知选择信息，选择信息包括该用户选择或未选择某一商品；

步骤B2：根据获得用户对商品的选择信息，计算出不同商品之间的相似度；

步骤B3：针对每一件商品，获得与其最相似的q件商品；

步骤B4：计算出每个商品的针对每个用户推荐分数，针对每个用户选择出推荐分数最高的t个商品；

步骤B5：统计步骤B4中选择出商品出现的次数S_pre，用S_pre表示该商品的预测流行度；

步骤C1：记录每天各段时间各商品被用户关注的数量，获得各商品被用户关注的时间曲线；

步骤C2：将步骤C1获得的各商品的时间曲线进行第一层小波分解，获得低频曲线和高频曲线；再将高频曲线进行第二层小波分解；按照上述方法对获得高频曲线进行多层小波分解；

步骤C3：根据实际情况选择合适的小波分解层获得的低频曲线作为商品流行度判断曲线；

步骤C4：根据得到的流行度判断曲线获得该商品的流行度S_wav；

将S_rec、S_pre、S_wav加权求和，获得的结果为该商品的流行度。

6.如权利要求1所述的一种电子商务***中的商品推荐方法，其特征在于所述步骤2的具体步骤为：

将用户对商品的选择行为生成邻接矩阵A，每一行代表一个用户，每一列代表一个商品；若用户u选择过商品i，那么就在矩阵对应元素a_ui赋值为1，若用户u未选择过商品i，就赋值为0。

7.如权利要求1所述的一种电子商务***中的商品推荐方法，其特征在于所述步骤3具体步骤为：

商品i根据其被m个用户选择的情况，得到一个m维的选购向量pⁱ，对每个商品i，都根据相似度公式，计算出该商品与其他任何一个商品j选购向量的相似度，得到一个n×n的对称矩阵S，其s_ij和s_ji值相等，都代表商品i和j的选择向量相似度；其相似度为余弦相似度，计算方法如公式1：

其中，p^ik表示选购向量pⁱ中的第k个用户。

8.如权利要求1所述的一种电子商务***中的商品推荐方法，其特征在于所述步骤5的具体步骤为：

对于用户u选择过的商品i，将r_ui赋值为0；对于用户u没选择过的商品i，其推荐分数r_ui计算公式如公式2：

生成一个m×n的推荐分数矩阵R；其中s_ilir表示商品i与商品l_ir的相似度，a_ulir表示用户u对商品l_ir的选择记录，l_ir表示步骤4选择出的q件商品编号。