CN114387064A - 一种基于综合相似度的电商平台潜在客户推荐方法及*** - Google Patents

Abstract

本发明涉及一种基于综合相似度的电商平台潜在客户推荐方法及***。该方法，包括：选定一种motif，找出该motif的全部实例，构造客户的高阶邻接矩阵，而后获取客户序列，得到客户的表示向量，进而计算客户之间的联系紧密度；计算客户所携带的特征之间的相似程度；将联系紧密度和特性相似性进行加权，得到客户的综合相似度，进而得到KNN图；选取还未分配群体的客户中核心性最大的作为核心客户；将选取的核心客户作为初始群体，依次将群体邻居客户中使得群体适应度函数增量最大的客户加入群体；重复核心客户选取和群体扩展直到电商平台客户网络中的所有客户都有所属群体。本发明能有效挖掘出电商平台客户网络中存在的群体，并为群体推荐购买次数最多的商品。

Description

一种基于综合相似度的电商平台潜在客户推荐方法及***

技术领域

本发明涉及一种基于综合相似度的电商平台潜在客户推荐方法及***。

背景技术

社会成员之间由于在工作、学***台的推荐***又是目前提高营销水平的重要技术，通过对客户进行划分，为同属群体的客户之间推荐该群体经常购买的物品能够有效提升推荐的成功率，进而为商品带来更高的销量。但是，由于电商平台客户网络的信息十分复杂，对其直接进行分析有着较大难度。随着研究的深入，许多电商平台潜在客户推荐方法应运而生。这些方法通过将电商客户网络中的客户划分成一个个特征相似的群体，使得网络的结构更加清晰。但现有的方法仍存在几个关键问题：第一是信息利用不充分，有些方法忽略了网络中的高阶结构，有些则是只能使用类别型属性；第二是网络中的拓扑结构和客户属性有时会存在不匹配的现象，这些方法不能自适应地调整网络拓扑结构和客户属性之间的贡献程度。

发明内容

本发明的目的在于克服现有技术中存在的上述缺陷，提供一种基于综合相似度的电商平台潜在客户推荐方法及***，能有效挖掘出电商平台客户网络中存在的群体，并为群体推荐购买次数最多的商品。

为实现上述目的，本发明的技术方案是：一种基于综合相似度的电商平台潜在客户推荐方法，包括如下步骤：

步骤S1、首先选定一种motif，并找出社交网络中该motif的全部实例，构造客户的高阶邻接矩阵；然后，分别在客户的低阶邻接矩阵和高阶邻接矩阵上进行随机游走，获取客户序列；最后，使用Skip-gram模型训练客户序列得到客户的表示向量，根据客户的表示向量计算客户之间的联系紧密度；

步骤S2、计算客户所携带的特征之间的相似程度；

步骤S3、用自适应加权策略将客户的联系紧密度和特性相似性进行加权，得到客户的综合相似度；然后，根据客户的综合相似度为每个客户保留相似度最大的K个客户作为邻居，生成以综合相似度为权值的KNN图；

步骤S4、计算客户的核心性，并选取还未分配群体的客户中核心性最大的作为核心客户；

步骤S5、将步骤S4选取的核心客户作为初始群体，依次将群体邻居客户中使得群体适应度函数增量最大的客户加入群体，重复这个过程直到适应度函数不能继续增大；

步骤S6、重复步骤S5和步骤S6直到电商平台客户网络中的所有客户都有所属群体，找出同一群体里购买次数最多的某类商品，推荐给群体里的其他客户。

本发明还提供了一种基于综合相似度的电商平台潜在客户推荐***，包括：

客户联系紧密度计算模块，首先选定一种motif，并找出社交网络中该motif的全部实例，构造客户的高阶邻接矩阵；然后，分别在客户的低阶邻接矩阵和高阶邻接矩阵上进行随机游走，获取客户序列；最后，使用Skip-gram模型训练客户序列得到客户的表示向量，根据表示向量计算客户之间的联系紧密度；

客户特性相似性计算模块，计算客户所携带的特征之间的相似程度；

客户综合相似度KNN图生成模块，用自适应加权策略将客户的联系紧密度和特性相似性进行加权，得到客户的综合相似度；然后，根据客户的综合相似度为每个客户保留相似度最大的K个客户作为邻居，生成以综合相似度为权值的KNN图；

核心客户选取模块，计算客户的核心性，并选取还未分配群体的客户中核心性最大的作为核心客户；

客户群体扩展模块，将选取的核心客户作为初始群体，依次将群体邻居客户中使得群体适应度函数增量最大的客户加入群体，重复这个过程直到适应度函数不能继续增大；

商品推荐模块，找出同一群体里购买次数最多的某类商品，推荐给群体里的其他客户。

相较于现有技术，本发明具有以下有益效果：

(1)本发明提出了一种自适应的加权策略，能够根据网络自身的聚类系数自适应地调整网络拓扑结构和客户属性之间的贡献程度，避免了繁琐的参数调整。

(2)本发明提出了客户综合相似度，结合了网络中的各类信息，并设计了客户核心性的计算策略，能够有效地找出网络中的核心客户，提高群体划分的准确性。

附图说明

图1为本发明一实施例的流程图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

如图1所示，本实例提供了一种基于综合相似度的电商平台潜在客户推荐方法，其特征在于，包括如下步骤：

步骤S1、首先选定一种motif，并找出社交网络中该motif的全部实例，构造客户的高阶邻接矩阵；然后，分别在客户的低阶邻接矩阵和高阶邻接矩阵上进行随机游走，获取客户序列；最后，使用Skip-gram模型训练客户序列得到客户的表示向量，根据客户的表示向量计算客户之间的联系紧密度；

步骤S2、计算客户所携带的特征之间的相似程度；

步骤S3、用自适应加权策略将客户的联系紧密度和特性相似性进行加权，得到客户的综合相似度；然后，根据客户的综合相似度为每个客户保留相似度最大的K个客户作为邻居，生成以综合相似度为权值的KNN图；

步骤S4、计算客户的核心性，并选取还未分配群体的客户中核心性最大的作为核心客户；

步骤S5、将步骤S4选取的核心客户作为初始群体，依次将群体邻居客户中使得群体适应度函数增量最大的客户加入群体，重复这个过程直到适应度函数不能继续增大；

步骤S6、重复步骤S5和步骤S6直到电商平台客户网络中的所有客户都有所属群体，找出同一群体里购买次数最多的某类商品，推荐给群体里的其他客户。

在本实例中，所述步骤S1具体实现如下：

步骤S11、选定一种motif，搜索网络中的该motif所有的实例，根据找出的motif实例生成高阶邻接矩阵；其中，计算公式如公式(1)所示：

其中，M表示motif的类型，

表示客户u和客户v在该类型motif实例中出现的次数；

步骤S12、分别在低阶邻接矩阵和高阶邻接矩阵上进行随机游走获得客户序列；每个客户会执行多次游走，每次游走生成长度固定的客户序列；随机游走过程随机并均匀地从网络中选取初始客户v_i，然后将客户的转移概率作为随机选择的概率来选出一个邻居客户v_j加入当前序列；接着，继续选取v_j的邻居客户加入序列，重复该过程直到序列长度达到预设值；对于低阶邻接矩阵，到邻居客户的转移概率均相等；而对于高阶邻接矩阵，到邻居客户的转移概率等于其边权除以该客户与所有邻居的总边权；

步骤S13、将客户的随机游走序列都放入Skip-gram模型中进行训练生成客户的表示向量；使用Skip-gram模型对客户序列进行训练，则对于每个客户对有以下目标函数：

其中

为v_i的中心向量表示，

为v_j的上下文向量表示，

为负样本随机采样的经验分布，σ为sigmoid函数，K为负样本的数量；

步骤S14、为每个客户计算客户之间的联系紧密度，联系紧密度的计算公式如公式(3)所示：

其中，v₁,v₂表示网络中任意两个客户，

表示对应的客户向量，

表示客户向量

之间的余弦相似度。

在本实例中，所述步骤S2具体实现如下：

计算客户的特征相似性，计算方法如公式(4)所示：

其中，S_c(u,v)表示类别型属性的相似度，S_n(u,v)表示数值型属性的相似度，其计算公式分别如下所示：

其中，T_uj表示客户u拥有属性j，η(T_uj，T_vj)计算客户u和客户v之间拥有相同类别型属性的数量，s₁为类别型属性的数量，s₂为数值型属性的数量，σ为超参数。

在本实例中，所述步骤S3具体实现如下：

步骤S31、计算客户之间的综合相似度，计算公式如下所示：

CS(u，v)＝C^ρ*Hos(u，v)+(1-C)^ρ*S(u，v)#(8)

其中，C为网络平均聚类系数，Hos(u,v)为客户u和客户v的联系及密度，S(u,v)为客户u和客户v的特征相似性，ρ为调节贡献程度的超参数；

步骤S32、为每个客户保留K个综合相似度最大的客户作为邻居，生成一个以综合相似度为边权的KNN图。

在本实例中，所述步骤S4具体实现如下：

步骤S41、在加权KNN图上为每个客户计算客户核心性，客户核心性的计算公式如下所示：

其中，N(u)表示客户u的邻居集，Seeds表示已被选中的种子客户集；d(u，v)表示有权Jaccard距离；客户核心性的计算方法同时考虑了客户在网络中的影响力以及客户与已被选中的核心客户之间的距离；

步骤S42、选取核心性最大的客户作为核心客户。

在本实例中，所述步骤S5具体实现如下：

步骤S51、将核心客户作为初始群体；

步骤S52、计算群体的邻居客户对群体的适应度函数增值，其计算公式如下：

其中F_c为社区c的适应度函数，F_c∪{v}为客户v加入后社区c的适应度函数，F_c具体公式如下所示：

其中，

和

分别表示群体c内部客户的综合相似度总和与外部客户的综合相似度总和；

步骤S53、选取适应度函数增值最大的邻居客户加入群体。

在本实例中，所述步骤S6具体实现如下：

步骤S61、统计同一群体里的客户对同一类商品的购买次数；

步骤S62、为同一群体的客户推荐购买次数最多的商品。

本实例还提供了一种基于综合相似度的电商平台潜在客户推荐***，包括：

客户联系紧密度计算模块，首先选定一种motif，并找出社交网络中该motif的全部实例，构造客户的高阶邻接矩阵；然后，分别在客户的低阶邻接矩阵和高阶邻接矩阵上进行随机游走，获取客户序列；最后，使用Skip-gram模型训练客户序列得到客户的表示向量，根据表示向量计算客户之间的联系紧密度；

客户特性相似性计算模块，计算客户所携带的特征之间的相似程度；

客户综合相似度KNN图生成模块，用自适应加权策略将客户的联系紧密度和特性相似性进行加权，得到客户的综合相似度；然后，根据客户的综合相似度为每个客户保留相似度最大的K个客户作为邻居，生成以综合相似度为权值的KNN图；

核心客户选取模块，计算客户的核心性，并选取还未分配群体的客户中核心性最大的作为核心客户；

客户群体扩展模块，将选取的核心客户作为初始群体，依次将群体邻居客户中使得群体适应度函数增量最大的客户加入群体，重复这个过程直到适应度函数不能继续增大；

商品推荐模块，找出同一群体里购买次数最多的某类商品，推荐给群体里的其他客户。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (8)

1.一种基于综合相似度的电商平台潜在客户推荐方法，其特征在于，包括如下步骤：

步骤S1、首先选定一种motif，并找出社交网络中该motif的全部实例，构造客户的高阶邻接矩阵；然后，分别在客户的低阶邻接矩阵和高阶邻接矩阵上进行随机游走，获取客户序列；最后，使用Skip-gram模型训练客户序列得到客户的表示向量，根据客户的表示向量计算客户之间的联系紧密度；

步骤S2、计算客户所携带的特征之间的相似程度；

步骤S3、用自适应加权策略将客户的联系紧密度和特性相似性进行加权，得到客户的综合相似度；然后，根据客户的综合相似度为每个客户保留相似度最大的K个客户作为邻居，生成以综合相似度为权值的KNN图；

步骤S4、计算客户的核心性，并选取还未分配群体的客户中核心性最大的作为核心客户；

步骤S5、将步骤S4选取的核心客户作为初始群体，依次将群体邻居客户中使得群体适应度函数增量最大的客户加入群体，重复这个过程直到适应度函数不能继续增大；

步骤S6、重复步骤S5和步骤S6直到电商平台客户网络中的所有客户都有所属群体，找出同一群体里购买次数最多的某类商品，推荐给群体里的其他客户。

2.根据权利要求1所述的一种基于综合相似度的电商平台潜在客户推荐方法，其特征在于，所述步骤S1具体实现如下：

步骤S11、选定一种motif，搜索网络中的该motif所有的实例，根据找出的motif实例生成高阶邻接矩阵；其中，计算公式如公式(1)所示：

其中，M表示motif的类型，

表示客户u和客户v在该类型motif实例中出现的次数；

步骤S12、分别在低阶邻接矩阵和高阶邻接矩阵上进行随机游走获得客户序列；每个客户会执行多次游走，每次游走生成长度固定的客户序列；随机游走过程随机并均匀地从网络中选取初始客户v_i，然后将客户的转移概率作为随机选择的概率来选出一个邻居客户v_j加入当前序列；接着，继续选取v_j的邻居客户加入序列，重复该过程直到序列长度达到预设值；对于低阶邻接矩阵，到邻居客户的转移概率均相等；而对于高阶邻接矩阵，到邻居客户的转移概率等于其边权除以该客户与所有邻居的总边权；

步骤S13、将客户的随机游走序列都放入Skip-gram模型中进行训练生成客户的表示向量；使用Skip-gram模型对客户序列进行训练，则对于每个客户对有以下目标函数：

其中

为v_i的中心向量表示，

为v_j的上下文向量表示，

为负样本随机采样的经验分布，σ为sigmoid函数，K为负样本的数量；

步骤S14、为每个客户计算客户之间的联系紧密度，联系紧密度的计算公式如公式(3)所示：

其中，v₁,v₂表示网络中任意两个客户，

表示对应的客户向量，

表示客户向量

之间的余弦相似度。

3.根据权利要求2所述的一种基于综合相似度的电商平台潜在客户推荐方法，其特征在于，所述步骤S2具体实现如下：

计算客户的特征相似性，计算方法如公式(4)所示：

其中，S_c(u,v)表示类别型属性的相似度，S_n(u,v)表示数值型属性的相似度，其计算公式分别如下所示：

其中，T_uj表示客户u拥有属性j，η(T_uj，T_vj)计算客户u和客户v之间拥有相同类别型属性的数量，s₁为类别型属性的数量，s₂为数值型属性的数量，σ为超参数。

4.根据权利要求3所述的一种基于综合相似度的电商平台潜在客户推荐方法，其特征在于，所述步骤S3具体实现如下：

步骤S31、计算客户之间的综合相似度，计算公式如下所示：

CS(u，v)＝C^ρ*Hos(u，v)+(1-C)^ρ*S(u，v)#(8)

其中，C为网络平均聚类系数，Hos(u,v)为客户u和客户v的联系及密度，S(u,v)为客户u和客户v的特征相似性，ρ为调节贡献程度的超参数；

步骤S32、为每个客户保留K个综合相似度最大的客户作为邻居，生成一个以综合相似度为边权的KNN图。

5.根据权利要求4所述的一种基于综合相似度的电商平台潜在客户推荐方法，其特征在于，所述步骤S4具体实现如下：

步骤S41、在加权KNN图上为每个客户计算客户核心性，客户核心性的计算公式如下所示：

其中，N(u)表示客户u的邻居集，Seeds表示已被选中的种子客户集；d(u，v)表示有权Jaccard距离；客户核心性的计算方法同时考虑了客户在网络中的影响力以及客户与已被选中的核心客户之间的距离；

步骤S42、选取核心性最大的客户作为核心客户。

6.根据权利要求5所述的一种基于综合相似度的电商平台潜在客户推荐方法，其特征在于，所述步骤S5具体实现如下：

步骤S51、将核心客户作为初始群体；

步骤S52、计算群体的邻居客户对群体的适应度函数增值，其计算公式如下：

其中F_c为社区c的适应度函数，F_c∪{v}为客户v加入后社区c的适应度函数，F_c具体公式如下所示：

其中，

和

分别表示群体c内部客户的综合相似度总和与外部客户的综合相似度总和；

步骤S53、选取适应度函数增值最大的邻居客户加入群体。

7.根据权利要求1所述的一种基于综合相似度的电商平台潜在客户推荐方法，其特征在于，所述步骤S6具体实现如下：

步骤S61、统计同一群体里的客户对同一类商品的购买次数；

步骤S62、为同一群体的客户推荐购买次数最多的商品。

8.一种基于综合相似度的电商平台潜在客户推荐***，其特征在于，包括：

客户联系紧密度计算模块，首先选定一种motif，并找出社交网络中该motif的全部实例，构造客户的高阶邻接矩阵；然后，分别在客户的低阶邻接矩阵和高阶邻接矩阵上进行随机游走，获取客户序列；最后，使用Skip-gram模型训练客户序列得到客户的表示向量，根据表示向量计算客户之间的联系紧密度；

客户特性相似性计算模块，计算客户所携带的特征之间的相似程度；

客户综合相似度KNN图生成模块，用自适应加权策略将客户的联系紧密度和特性相似性进行加权，得到客户的综合相似度；然后，根据客户的综合相似度为每个客户保留相似度最大的K个客户作为邻居，生成以综合相似度为权值的KNN图；

核心客户选取模块，计算客户的核心性，并选取还未分配群体的客户中核心性最大的作为核心客户；

客户群体扩展模块，将选取的核心客户作为初始群体，依次将群体邻居客户中使得群体适应度函数增量最大的客户加入群体，重复这个过程直到适应度函数不能继续增大；

商品推荐模块，找出同一群体里购买次数最多的某类商品，推荐给群体里的其他客户。

Images