CN112100483B - 一种融合用户兴趣权重的关联规则推荐方法 - Google Patents

Abstract

本发明公开了一种融合用户兴趣权重的关联规则推荐方法，具体按照以下步骤实施：步骤1、构建用户与定制项目的评分矩阵；步骤2、计算用户对定制内容的兴趣权重；步骤3、根据用户定制内容兴趣权重构建UIFP‑tree；步骤4、对UIFP‑tree进行频繁模式挖掘，获得频繁项组合，将该频繁项组合推荐给用户。本发明的通过融合用户兴趣权重，获得的定制内容规则更多的保留了用户的偏好，过滤了大量无意义的规则，提升了数据挖掘的效率，并且使得最终获得的强关联规则具有实际的应用价值。

Description

一种融合用户兴趣权重的关联规则推荐方法

技术领域

本发明属于定制内容关联规则推荐技术领域，涉及一种融合用户兴趣权重的关联规则推荐方法。

背景技术

近年来，关联规则挖掘算法被广泛应用到了推荐领域中，通过分析数据，找到数据之间的关联，利用关联规则来实现推荐。服装定制内容推荐是以服装款式为基础，根据某种服装款式的相关订单信息，挖掘出具有特定规则的定制内容组合推荐给用户。传统的FP-growth关联规则算法仅使用最小支持度作为事务数据库中项集的过滤筛选标准，在推荐过程中，支持度和置信度是传统关联规则算法中经常应用到的两个阈值，但有时高支持度和高置信度的强关联规则却并没有实际的应用价值，特别地在电商领域，根据用户主观评分得出的偏好规则才更有价值，而使用传统的FP-growth关联规则算法容易将这种偏好过滤掉。

发明内容

本发明的目的是提供一种融合用户兴趣权重的关联规则推荐方法，解决了现有技术中存在的关联规则推荐效率低，推荐结果不准确的问题。

本发明所采用的技术方案是，一种融合用户兴趣权重的关联规则推荐方法，具体按照以下步骤实施：

步骤1、构建用户与定制项目的评分矩阵；

步骤2、计算用户对定制内容的兴趣权重；

步骤3、根据用户定制内容兴趣权重构建UIFP-tree；

步骤4、对UIFP-tree进行频繁模式挖掘，获得频繁项组合，将该频繁项组合推荐给用户。

本发明的特点还在于：

步骤1具体按照以下步骤实施：

步骤1.1、设定制项目有K项，定制内容表示为content，则定制组合表示为item＝{content₁,content₂,......,content_k}；

步骤1.2、设有n条用户定制组合和m个用户，用户定制组合表示为I＝{item₁,item₂,......,item_n}，用户表示为U＝{user₁,user₂,......,user_m}；

步骤1.3、依据用户对定制项目的历史评分，构建用户和定制项目的评分矩阵。

步骤1.3具体为，将常用的5星制用户评分进行预处理，将0-3分全部设置为0，代表不喜欢当前定制组合，4-5分全部设置为1，代表喜欢当前定制组合，用户和定制项目的评分矩阵表示为：

其中，R_i,j(1≤i≤m,1≤j≤n)表示用户user_i给定制组合item_j的评分。

步骤2具体为，设定制内容content包含n种选择，content＝{option₁,option₂,......,option_n}，若user_i给定制内容组合item_j的评分为1，则item_j中的每一个定制内容评分对应的option都为1，定制内容兴趣权重为：

其中，表示定制内容的评分值为1的用户数，|U|表示用户总数。

步骤3具体按照以下步骤实施：

步骤3.1、扫描事务数据库D，求出D中满足最小支持度计数min_sup的频繁项集合F；

步骤3.2、求出集合F中所有满足其用户定制内容兴趣度权重W_i大于等于min_u_option的集合W；

步骤3.3、对集合W按照支持度进行降序排序，结果记为表L，创建UIFP-tree根结点，记为root，其值为NULL；

步骤3.4、在根结点下***节点得到UIFP-tree。

步骤3.4具体按照以下步骤实施：

步骤3.4.1、将每个事务中满足min_u_option的频繁项按L中的顺序进行排序，排序后的表记为[p|P]，其中p是第一个元素，而P是剩余元素的表；

步骤3.4.2、调用Insert_tree([p|P]，T)。

步骤4具体按照以下步骤实施：

步骤4.1、获得条件模式基，从UIFP-tree的叶子节点开始，自底向上获得对每一个结点的前缀路径，并将支持度计数替换为当前结点支持度计数；

步骤4.2、利用条件模式基，构建条件FP树，递归调用树结构，删除小于最小支持度的节点，若最终呈现单一路径的树结构，则直接列举所有组合，即为频繁项组合；若最终呈现非单一路径的树结构，则继续调用树结构，直到形成单一路径的树结构；

步骤4.3、重复步骤4.1和步骤4.2，直到树中只包含一个元素，即最终推荐给用户的频繁项组合。

本发明的有益效果是：与传统的FP-growth算法相比，本发明通过融合用户兴趣权重，获得的服装定制内容规则更多的保留了用户的偏好，过滤了大量无意义的规则，提升了数据挖掘的效率，并且使得最终获得的强关联规则有实际的应用价值

附图说明

图1是本发明一种融合用户兴趣权重的关联规则推荐方法中经过最小支持度和用户兴趣度权重过滤的频繁模式树图；

图2是本发明采用的UIFP-growth算法与现有的FP-growth算法在不同最小支持度下算法运行时间对比实验结果图；

图3是本发明采用的UIFP-growth算法与现有的FP-growth算法在不同最小支持度下挖掘结果数量对比图；

图4是本发明采用的UIFP-growth算法与现有的FP-growth算法在不同事务数量下运行时间对比图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种融合用户兴趣权重的关联规则推荐方法，具体按照以下步骤实施：

步骤1、构建用户与定制项目的评分矩阵；具体按照以下步骤实施：

步骤1.1、某服装款式所有可定制的内容有k项，定制内容包括：面料、颜色、花型等内容，定制内容表示为content，则定制组合表示为item＝{content₁,content₂,......,content_k}；

步骤1.2、假设某服装款式有n条用户定制组合和m个用户，用户定制组合表示为I＝{item₁,item₂,......,item_n}，用户表示为U＝{user₁,user₂,......,user_m}；

步骤1.3、依据用户对定制项目的历史评分，构建用户和定制项目的评分矩阵；将常用的5星制用户评分进行预处理，将0-3分全部设置为0，代表不喜欢当前定制组合，4-5分全部设置为1，代表喜欢当前定制组合，用户和定制项目的评分矩阵表示为：

其中，R_i,j(1≤i≤m,1≤j≤n)表示用户user_i给定制组合item_j的评分；

步骤2、计算用户对定制内容的兴趣权重；设定制内容content包含n种选择，content＝{option₁,option₂,......,option_n}，若user_i给定制内容组合item_j的评分为1，则item_j中的每一个定制内容评分对应的option都为1，用户-定制内容兴趣评分如表1所示；

表1用户-定制内容兴趣评分

定制内容选项权重的设置是为了找出能够更好地描述用户兴趣的项，定制内容兴趣权重为：

其中，表示定制内容的评分值为1的用户数，|U|表示用户总数；W越高，表示用户对此内容越感兴趣，W越低，说明用户对此内容越没有兴趣，特别的当/>时，说明所有的用户都选择了此项内容，即此内容对所有用户的兴趣度都没有差异性；

步骤3、根据用户定制内容兴趣权重构建UIFP-tree；具体按照以下步骤实施：

步骤3.1、扫描事务数据库D，求出D中满足最小支持度计数min_sup的频繁项集合F；

步骤3.2、求出集合F中所有满足其用户定制内容兴趣度权重W_i大于等于min_u_option的集合W；

步骤3.3、对集合W按照支持度进行降序排序，结果记为表L，创建UIFP-tree根结点，记为root，其值为NULL；

步骤3.4、在根结点下***节点得到UIFP-tree；具体按照以下步骤实施：

步骤3.4.1、将每个事务中满足min_u_option的频繁项按L中的顺序进行排序，排序后的表记为[p|P]，其中p是第一个元素，而P是剩余元素的表；

步骤3.4.2、调用Insert_tree([p|P]，T)；

其中，Insert_tree的具体步骤为：

1).如果T有子女N使得N.项名＝p.项名，则N的计数增加1；

2).否则创建一个新结点N，将其计数设置为1，并链接到其父结点T；

3).通过结点链结构将N的结点链链接到具有相同项名的结点上；

4).如果P非空，则递归地调用Insert_tree([q|Q]，N)，其中q为P中的一个元素，Q是剩余元素的表；

步骤4、对UIFP-tree进行频繁模式挖掘，获得频繁项组合，将该频繁项组合推荐给用户；具体按照以下步骤实施：

步骤4.1、获得条件模式基，从UIFP-tree的叶子节点开始，自底向上获得对每一个结点的前缀路径，并将支持度计数替换为当前结点支持度计数；

步骤4.2、利用条件模式基，构建条件FP树，递归调用树结构，删除小于最小支持度的节点，若最终呈现单一路径的树结构，则直接列举所有组合，即为频繁项组合；若最终呈现非单一路径的树结构，则继续调用树结构，直到形成单一路径的树结构；

步骤4.3、重复步骤4.1和步骤4.2，直到树中只包含一个元素，即最终推荐给用户的频繁项组合。

实施例

以西服定制为例，对本发明在服装定制内容推荐中的应用进行详细分析，根据对某一款式西服定制内容的研究，定制内容名称及参数如表2所示：

表2西服定制内容

根据对某一款式西服定制内容的研究，抽取部分实验数据进行具体分析，数据集如表3所示：

表3数据集

假设最小支持度计数为min_sup＝3，min_u_option＝1/3，将数据集中的数据参数化后，并对数据库进行一次扫描，得到结果如表4所示：

表4事务数据库D及过滤排序后的项

对该事务数据库D进行频繁项的挖掘的过程如下：

(1).导出频繁项集；

第1次扫描数据库，导出频繁1-项集合F＝[L1:5,N1:5,E1:3,F1:3,D1:3]；

(2).求出满足最小定制内容兴趣度权重的所有项集；

针对集合F求出其中所有定制内容兴趣权重大于min_u_option的项集，并根据支持度进行降序排序，得到排序后的集合L。则F中各项的兴趣度权重为F＝[L1:3/7,N1:4/7,E1:3/7,F1:3/7,D1:2/7]，由于D1的兴趣度权重低于阈值min_u_option，因此将D1剪掉，则L＝[L1:5,N1:5,E1:3,F1:3],各事务中满足最小兴趣度权重的频繁项集合如表5所示：

表5满足最小兴趣度权重的频繁项集合

(1)UIFP-tree的构建；

创建树的根结点，记为root，值为“NULL”，再次扫描事务数据库D，对每一条事务都创建一个分支，对于事务数据库中的第一个事务“T1:L1,N1,E1,F1”，可创建树的第一个分枝<(L1:1),(N1:1),(E1:1),(F1:1)>，针对第二个事务，因为与第一个事务完全相同，所以每个节点计数加1，对于第三个事务，由于其频繁项表<L1>与已有的分枝路径<L1,N1,E1,F1>共享前缀路径<L1>，所以前缀路径中的结点<L1>计数加1，如果存在新节点，仅创建新的结点链接在后面，依此类推，得到频繁模式树如图2所示，(2)UIFP-growth挖掘；

根据FP-growth算法，对图2所示的UIFP-tree进行以下挖掘：首先根据自下而上的顺序对项头表进行搜索，找到项头表中的最后一项F1，根据F1的结点链找到项F1所在的两个分枝：<L1:3,N1:2,E1:2,F1:2>和<L1:3,E1:1,F1:1>，因此可以看出F1的前缀路径为<L1、E1、N1:2>和<L1、E1:1>，这两条路径构成了F1的条件模式基，对于这样一个子数据库，建立条件频繁模式树，F1的条件频繁模式树只包含结点<L1、E1>，不包含结点<N1>，因为结点N1的支持度计数小于最小支持度计数3,因此结点N1被过滤掉，最终生成的频繁项集为{(F1:3),(L1,F1:3),(E1,F1:3),(L1,E1,F1:3)}，依此类推，对频繁模式树的挖掘结果如表6所示。

表6 UIFP-growth挖掘结果

本发明实验数据来自nogara服装定制商城后台数据库，从中导出某一种西装款式下的所有用户定制组合，共有2000条定制信息作为测试数据集；实验的硬件环境为：Windows10、内存8G、CPUi7-8550，软件环境为：Python版本3.6.3、PyCharm集成环境；为验证UIFP-growth算法的有效性，本发明从以下三个方面与FP-growth算法进行对比：

1)不同最小支持度下算法运行时间对比实验结果如图2所示；

根据图2可以看出，在不同的最小支持度下，UIFP-growth算法要比FP-growth算法的运行时间更短，挖掘效率更高，随着最小支持度的增加，FP-growth算法的运行时间逐渐减少，UIFP-growth算法的运行时间随着最小支持度和给定的用户定制内容兴趣权重阈值min_u_option的增加而逐渐减小，当最小支持度和min_u_option大于0.3时，算法的运行时间没有明显变化，因此，当最小支持度和min_u_option为0.3时，挖掘结果效率更高，且结果更有意义；

2)不同最小支持度下挖掘结果数量对比实验如图3所示；

由图3可以看出UIFP-growth算法在同一最小支持度下挖掘结果数量小于FP-growth算法，随着最小支持度的增大，利用FP-growth算法挖掘结果的数量逐渐减少，UIFP-growth随着给定的最小支持度和用户定制内容兴趣权重min_u_option的增大，挖掘结果也逐渐减少，并且在不同的最小支持度下挖掘结果均少于FP-growth算法，这是由于在挖掘的过程中UIFP-growth算法在最小支持度的基上进行了兴趣度权重的过滤，减少了某些没有意义的规则，使挖掘结果更有意义；

3)在最小支持度和定制内容兴趣权重均为0.3的情况下，UIFP-growth算法和FP-growth算法在不同事务数量下运行时间对比如图4所示；

由图4可以看出在相同的事务数量中进行挖掘时UIFP-growth算法的运行时间均低于FP-growth算法，随着数据库事务数量的增长，FP-growth算法和UIFP-growth算法的的运行时间均呈上升趋势，但UIFP-growth算法的增长速度更加缓慢，因此，UIFP-growth算法相比于FP-growth算法挖掘时间更短，性能更好。

Claims (3)

1.一种融合用户兴趣权重的关联规则推荐方法，其特征在于，具体按照以下步骤实施：

步骤1、构建用户与定制项目的评分矩阵；具体按照以下步骤实施：

步骤1.1、设定制项目有K项，定制内容表示为content，则定制组合表示为item＝{content₁,content₂,......,content_k}；

步骤1.2、设有n条用户定制组合和m个用户，用户定制组合表示为I＝{item₁,item₂,......,item_n}，用户表示为U＝{user₁,user₂,......,user_m}；

步骤1.3、依据用户对定制项目的历史评分，构建用户和定制项目的评分矩阵；具体为，将常用的5星制用户评分进行预处理，将0-3分全部设置为0，代表不喜欢当前定制组合，4-5分全部设置为1，代表喜欢当前定制组合，用户和定制项目的评分矩阵表示为：

其中，R_i,j,1≤i≤m,1≤j≤n，表示用户user_i给定制组合item_j的评分；

步骤2、计算用户对定制内容的兴趣权重；具体为，设定制内容content包含n种选择，content＝{option₁,option₂,......,option_n}，若user_i给定制内容组合item_j的评分为1，则item_j中的每一个定制内容评分对应的option都为1，定制内容兴趣权重为：

其中，表示定制内容的评分值为1的用户数，U表示用户总数；

步骤3、根据用户定制内容兴趣权重构建UIFP-tree；具体按照以下步骤实施：

步骤3.1、扫描事务数据库D，求出D中满足最小支持度计数min_sup的频繁项集合F；

步骤3.2、求出集合F中所有满足其用户定制内容兴趣度权重W_i大于等于阈值min_u_option的集合W；

步骤3.3、对集合W按照支持度进行降序排序，结果记为表L，创建FP-tree根结点，记为root，其值为NULL；

步骤3.4、在根结点下***节点得到UIFP-tree；

步骤4、对UIFP-tree进行频繁模式挖掘，获得频繁项组合，将该频繁项组合推荐给用户。

2.根据权利要求1所述的一种融合用户兴趣权重的关联规则推荐方法，其特征在于，所述步骤3.4具体按照以下步骤实施：

步骤3.4.1、将每个事务中满足min_u_option的频繁项按L中的顺序进行排序，排序后的表记为[p|P]，其中p是第一个元素，而P是剩余元素的表；

步骤3.4.2、调用Insert_tree([p|P]，T)。

3.根据权利要求1所述的一种融合用户兴趣权重的关联规则推荐方法，其特征在于，所述步骤4具体按照以下步骤实施：

步骤4.1、获得条件模式基，从UIFP-tree的叶子节点开始，自底向上获得对每一个结点的前缀路径，并将支持度计数替换为当前结点支持度计数；

步骤4.2、利用条件模式基，构建条件FP树，递归调用树结构，删除小于最小支持度的节点，若最终呈现单一路径的树结构，则直接列举所有组合，即为频繁项组合；若最终呈现非单一路径的树结构，则继续调用树结构，直到形成单一路径的树结构；

步骤4.3、重复步骤4.1和步骤4.2，直到树中只包含一个元素，即最终推荐给用户的频繁项组合。