CN114648391A - 一种网购信息推荐方法 - Google Patents

一种网购信息推荐方法 Download PDF

Info

Publication number
CN114648391A
CN114648391A CN202210538239.9A CN202210538239A CN114648391A CN 114648391 A CN114648391 A CN 114648391A CN 202210538239 A CN202210538239 A CN 202210538239A CN 114648391 A CN114648391 A CN 114648391A
Authority
CN
China
Prior art keywords
commodity
performance data
data
recommended
user
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210538239.9A
Other languages
English (en)
Other versions
CN114648391B (zh
Inventor
陈妍
周黎耀
文泽雄
罗雪琴
金赞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University of Technology
Original Assignee
Hunan University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN202210538239.9A priority Critical patent/CN114648391B/zh
Publication of CN114648391A publication Critical patent/CN114648391A/zh
Application granted granted Critical
Publication of CN114648391B publication Critical patent/CN114648391B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种网购信息推荐方法，属于网购商品推荐技术领域，方法如下，收集用户的已购买的商品数据并分析，根据用户信息设计推荐目标商品和分析目标商品的影响因素，根据已收集的用户的已购买的商品数据计算商品购买的相关属性和影响权重，然后将所有商品性能数据数量与网络销售的推荐目标商品的性能数据对比得到聚类商品性能数据数量，然后结合价格的影响因素即为准确推荐的商品。通过收集已购买商品的数据中提取相应的影响因素，然后从影响的因素和相关的属性中提取用户的购买的兴趣点，根据处理相关属性与推荐商品进行变化趋势的衡量和商品数据筛选，得到推荐商品的性能属性数据，然后再结合用户实际的消费能力和习惯确定推荐的商品。

Description

一种网购信息推荐方法
技术领域
本发明涉及网购商品推荐技术领域，尤其涉及一种网购信息推荐方法。
背景技术
随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。
现在的推荐***主要是利用用户的历史购买记录和用户的社交网络关系来对用户进行推荐，这些方法只能被动的去预测和推荐用户下一次购买的商品，很少能够去指导或者吸引用户去选择购买一些商品。在现在的推荐方法中，利用了已购买的商品之间的相似性去分析用户的喜好，但是却忽略了已购买的商品内部之间的关系，商品之间不是相互独立的，而是存在依赖关系。比如：我们在选择购买上衣的时候，我们会分析这件上衣是否与已购买中的哪些下装，鞋子，配饰比较协调，然后在选择是否购买。评分高的商品并不是和其他任何商品的组合都是评分高，同理评分中等的商品不是和其他任何商品的组合都是中等，有可能会组合成高评分。这些商品的组合不是简单的线性相加，而是一种非线性的关系，有些商品组合甚至是指数递增的关系。如果考虑购买的东西和已有的商品之间不能够达到最小的匹配度或者是中等匹配，那么购买的这件商品将无法与任何商品搭配协调或者是与任何商品的搭配效果平平，则用户不能最大化对它进行使用，可能这件商品只能够成为“透明的”。
此外，虽然有一些推荐是关于搭配，利用一些人为的搭配准则和图片的卷积，并且产生的这种搭配组合是主观意识上搭配协调的商品组合，并不针对某个特定的目标用户。
发明内容
本发明的目的在于提供一种网购信息推荐方法，解决背景技术中提到的技术问题。
为了实现上述目的，本发明采用的技术方案如下：
一种网购信息推荐方法，所述方法包括如下步骤：
步骤1：收集用户的已购买的商品数据并分析出影响购买的因素数据；
步骤2：根据用户信息设计推荐目标商品，并分析目标商品的影响因素；
步骤3：根据已收集的用户的已购买的商品数据计算商品购买的相关属性和影响权重；
步骤4：将已购买商品相关属性进行趋势比较得到所有商品性能数据数量，然后将所有商品性能数据数量与网络销售的推荐目标商品的性能数据对比得到聚类商品性能数据数量；
步骤5：聚类商品性能数据数量进行求和，然后结合价格的影响因素X k 即为准确推荐的商品。
进一步地，步骤1的具体过程为：收集用户已购买的商品种类数据集case，表示为
Figure 563155DEST_PATH_IMAGE001
，m为商品种类的个数，每个商品种类包含商品的性能数据、商品归属和价格数据，将数据集case划分为价格的影响因素X k 和性能数据Y j ，其中k =1，2，...，t，t表示价格影响因素的个数，其中j =1，2，...，n，n表示性能参数的个数，用户关联数据样本S i 的对应推荐序数数据分别为x ik 和y ij 。
进一步地，步骤2的具体过程为： 根据用户基本信息、时间信息和用户日常行为信息设计目标推荐商品，然后得到目标推荐商品的性能数据，成为目标性能数据，对应值为y oj ，从价格的影响因素X k 中选取直接影响该目标性能数据的相关属性，设为
Figure 145446DEST_PATH_IMAGE002
。
进一步地，步骤3的具体过程为：选取用户已购买的商品种类数据集case中的性能数据及相关属性
Figure 539518DEST_PATH_IMAGE003
所对应的数据，表示为case*，基于熵权法和数据集case*计算商品种类数据集case选取的相关属性
Figure 232668DEST_PATH_IMAGE002
的权重，区分
Figure 284979DEST_PATH_IMAGE002
对性能数据的影响程度，得到相关属性的权重记为
Figure 38171DEST_PATH_IMAGE004
。
进一步地，步骤4的具体过程为：进行相关属性
Figure 919540DEST_PATH_IMAGE003
的相对变化趋势的衡量和商品数据筛选，将商品性能数据视为N维变量集合，不同商品性能数据的差异可视为N维变量运动、变化和发展的结果，根据相关属性
Figure 681959DEST_PATH_IMAGE002
，计算衡量用户原来购买商品性能数据和待推荐的目标商品性能数据的相关属性的相对变化趋势，并筛选出与待推荐的商品性能数据的相关属性相对变化趋势程度最相近的商品性能数据，设为S * ={S 1 * ，S 2 * ，...，S p * }，p为聚类所得的商品性能数据数量。
进一步地，步骤5的具体过程为：对聚类结果S * ={S 1 * ，S 2 * ，...，S p * }加权聚类，然后对聚类结果进行加权求和，得到求和结果即为所需推荐的商品性能数据，然后结合价格的影响因素X k ，即可得到推荐的具体商品。
进一步地，步骤1中，价格的影响因素X k 和性能数据Y j 作为训练模型的数据输入，使用特征变量训练模型，计算每个特征变量的重要性排序标准，剔除最不重要的K个特征，保留其余特征，并判断剩余特征数量达到确定选购要求，如果达到，从价格的影响因素X k 中选取性能数据Y j 的相关属性
Figure 332384DEST_PATH_IMAGE002
，如果没有达到重复计算。
进一步地，基于熵权法的相关属性的权重分配过程为：
步骤3.1：将case*按下公式组成一个新的矩阵
Figure 990898DEST_PATH_IMAGE005
：
Figure 359562DEST_PATH_IMAGE006
步骤3.2：采用极差化法将
Figure 394515DEST_PATH_IMAGE005
标准化得到新的矩阵
Figure 663560DEST_PATH_IMAGE007
，然后对进行
Figure 492975DEST_PATH_IMAGE007
归一化处理，极差化法和归一化方法如下式：
Figure 348936DEST_PATH_IMAGE008
Figure 187579DEST_PATH_IMAGE009
；
其中，
Figure 547016DEST_PATH_IMAGE010
为
Figure 812912DEST_PATH_IMAGE011
中的第i行第s列元素；
Figure 625011DEST_PATH_IMAGE012
为
Figure 267344DEST_PATH_IMAGE011
中的第s列；同理，
Figure 245403DEST_PATH_IMAGE013
为
Figure 682200DEST_PATH_IMAGE007
中的第i行第s列元素，
Figure 247174DEST_PATH_IMAGE014
为
Figure 693198DEST_PATH_IMAGE015
归一化的后的值；
步骤3.3：则
Figure 761649DEST_PATH_IMAGE003
中第s个相关属性的信息熵定义为：
Figure 369347DEST_PATH_IMAGE016
步骤3.4：性能数据Y j 有s个相关属性，则设定影响因素X c 对性能数据Y j 的影响权重为：
Figure 421617DEST_PATH_IMAGE017
Figure 140174DEST_PATH_IMAGE018
为影响因素X c 的信息熵。
本发明由于采用了上述技术方案，具有以下有益效果：
本发明通过收集已购买商品的数据中提取相应的影响因素，然后从影响的因素和相关的属性中提取用户的购买的兴趣点，然后在根据实际的情况选定推荐的商品类别，然后根据处理相关属性与推荐商品进行变化趋势的衡量和商品数据筛选，得到推荐商品的性能属性数据，然后再结合用户实际的消费能力和习惯确定推荐的商品。
附图说明
图1是本发明方法流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。
如图1所示，一种网购信息推荐方法，所述方法包括如下步骤：
步骤1：收集用户的已购买的商品数据并分析出影响购买的因素数据。收集用户已购买的商品种类数据集case，表示为
Figure 92825DEST_PATH_IMAGE001
，m为商品种类的个数，每个商品种类包含商品的性能数据、商品归属和价格数据，将数据集case划分为价格的影响因素X k 和性能数据Y j ，其中k =1，2，...，t，t表示价格影响因素的个数，其中j =1，2，...，n，n表示性能参数的个数，用户关联数据样本S i 的对应推荐序数数据分别为x ik 和y ij 。收集的数据均是用户网上购买的数据，如果线下售卖的购买数据能够统计，也可以一起记性统计。性能数据数据，即为用户买来的用途，然后再跟实际的引述购买价格，即为用户的而平时消费高低和自身收入等。
步骤2：根据用户信息设计推荐目标商品，并分析目标商品的影响因素。根据用户基本信息、时间信息和用户日常行为信息设计目标推荐商品，然后得到目标推荐商品的性能数据，成为目标性能数据，对应值为y oj ，从价格的影响因素X k 中选取直接影响该目标性能数据的相关属性，设为
Figure 871425DEST_PATH_IMAGE002
。价格的影响因素X k 和性能数据Y j 作为训练模型的数据输入，使用特征变量训练模型，计算每个特征变量的重要性排序标准，剔除最不重要的K个特征，保留其余特征，并判断剩余特征数量达到确定选购要求，如果达到，从价格的影响因素X k 中选取性能数据Y j 的相关属性
Figure 410991DEST_PATH_IMAGE002
，如果没有达到重复计算。
步骤3：根据已收集的用户的已购买的商品数据计算商品购买的相关属性和影响权重。选取用户已购买的商品种类数据集case中的性能数据及相关属性
Figure 933239DEST_PATH_IMAGE003
所对应的数据，表示为case*，基于熵权法和数据集case*计算商品种类数据集case选取的相关属性
Figure 241860DEST_PATH_IMAGE002
的权重，区分
Figure 988099DEST_PATH_IMAGE002
对性能数据的影响程度，得到相关属性的权重记为
Figure 749382DEST_PATH_IMAGE004
。
步骤3.1：将case*按下公式组成一个新的矩阵
Figure 75321DEST_PATH_IMAGE005
：
Figure 238449DEST_PATH_IMAGE006
步骤3.2：采用极差化法将
Figure 857387DEST_PATH_IMAGE005
标准化得到新的矩阵
Figure 371545DEST_PATH_IMAGE007
，然后对进行
Figure 970017DEST_PATH_IMAGE007
归一化处理，极差化法和归一化方法如下式：
Figure 987651DEST_PATH_IMAGE008
Figure 810114DEST_PATH_IMAGE009
；
其中，
Figure 280409DEST_PATH_IMAGE010
为
Figure 213730DEST_PATH_IMAGE011
中的第i行第s列元素；
Figure 820292DEST_PATH_IMAGE012
为
Figure 46612DEST_PATH_IMAGE011
中的第s列；同理，
Figure 269783DEST_PATH_IMAGE013
为
Figure 475636DEST_PATH_IMAGE007
中的第i行第s列元素，
Figure 467863DEST_PATH_IMAGE014
为
Figure 366549DEST_PATH_IMAGE015
归一化的后的值；
步骤3.3：则
Figure 811437DEST_PATH_IMAGE003
中第s个相关属性的信息熵定义为：
Figure 617719DEST_PATH_IMAGE016
步骤3.4：性能数据Y j 有s个相关属性，则设定影响因素X c 对性能数据Y j 的影响权重为：
Figure 933294DEST_PATH_IMAGE017
Figure 534039DEST_PATH_IMAGE018
为影响因素X c 的信息熵。
步骤4：将已购买商品相关属性进行趋势比较得到所有商品性能数据数量，然后将所有商品性能数据数量与网络销售的推荐目标商品的性能数据对比得到聚类商品性能数据数量。进行相关属性
Figure 433600DEST_PATH_IMAGE003
的相对变化趋势的衡量和商品数据筛选。变化趋势的衡量和商品数据筛选的具体过程为：记推荐商品的目标性能数据的相关属性
Figure 777993DEST_PATH_IMAGE003
的数据为
Figure 948075DEST_PATH_IMAGE019
，简称为目标数据，根据差异率，从case*中选取一组与其相对接近的数据为对比基准，选择的原则是令基准
Figure 719722DEST_PATH_IMAGE020
与O中的对位属性的值相差越小越好。为每个
Figure 404781DEST_PATH_IMAGE021
添加一行与相关变量
Figure 756128DEST_PATH_IMAGE022
维度相同的标签
Figure 577453DEST_PATH_IMAGE023
，用于记录相关属性上对应数据
Figure 988843DEST_PATH_IMAGE024
相对基准的变化趋势，然后将case*中除的每商品性数据的相关属性数据
Figure 394154DEST_PATH_IMAGE024
与基准
Figure 283613DEST_PATH_IMAGE025
每个属性数据对应地进行一一比较，并加标记，若
Figure 225024DEST_PATH_IMAGE026
，则
Figure 541736DEST_PATH_IMAGE027
为+，反之为-，同样比较，衡量目标数据相关属性
Figure 935808DEST_PATH_IMAGE019
相对基准
Figure 628958DEST_PATH_IMAGE025
的相对变化趋势，结果记为
Figure 424875DEST_PATH_IMAGE028
。将
Figure 178068DEST_PATH_IMAGE029
与
Figure 557971DEST_PATH_IMAGE030
中的对应元素进行一一对比，判断
Figure 523653DEST_PATH_IMAGE029
与
Figure 174077DEST_PATH_IMAGE030
中相关属性相对
Figure 98171DEST_PATH_IMAGE019
的变化趋势是否相同，若
Figure 466836DEST_PATH_IMAGE027
与
Figure 501788DEST_PATH_IMAGE031
同为+或同为-，则将
Figure 6718DEST_PATH_IMAGE027
改写为1，反之则将
Figure 101713DEST_PATH_IMAGE027
改写为0。按每组数据，对所有性能数据的相关属性相对变化趋势的对比结果的标签T i 求和，得到ST i ，其计算如下所示：
Figure 456209DEST_PATH_IMAGE032
ST i 的值为[0，s]中的一个整数，最大值为s，i为正整数。
根据计算的ST i ，按整数数值大小划分ST i 等级，数值越大等级越高，相同数值ST i 划分为同一级，按级别降序，筛选取出前K 1个等级的ST i 值其下标i所对应的case*中的性能数据，K 1为正整数，
Figure 826010DEST_PATH_IMAGE033
，记为S * ={S 1 * ，S 2 * ，...，S p * }，p为所得的性能数据样本数量。
将商品性能数据视为N维变量集合，不同商品性能数据的差异可视为N维变量运动、变化和发展的结果，根据相关属性
Figure 451027DEST_PATH_IMAGE002
，计算衡量用户原来购买商品性能数据和待推荐的目标商品性能数据的相关属性的相对变化趋势，并筛选出与待推荐的商品性能数据的相关属性相对变化趋势程度最相近的商品性能数据，设为S * ={S 1 * ，S 2 * ，...，S p * }，p为聚类所得的商品性能数据数量。
步骤5：聚类商品性能数据数量进行求和，然后结合价格的影响因素X k 即为准确推荐的商品。对聚类结果S * ={S 1 * ，S 2 * ，...，S p * }加权聚类，然后对聚类结果进行加权求和，得到求和结果即为所需推荐的商品性能数据，然后结合价格的影响因素X k ，即可得到推荐的具体商品。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种网购信息推荐方法，其特征在于，所述方法包括如下步骤：
步骤1：收集用户的已购买的商品数据并分析出影响购买的因素数据；
步骤2：根据用户信息设计推荐目标商品，并分析目标商品的影响因素；
步骤3：根据已收集的用户的已购买的商品数据计算商品购买的相关属性和影响权重；
步骤4：将已购买商品相关属性进行趋势比较得到所有商品性能数据数量，然后将所有商品性能数据数量与网络销售的推荐目标商品的性能数据对比得到聚类商品性能数据数量；
步骤5：聚类商品性能数据数量进行求和，然后结合价格的影响因素X k 即为准确推荐的商品。
2.根据权利要求1所述的一种网购信息推荐方法，其特征在于：步骤1的具体过程为：收集用户已购买的商品种类数据集case，表示为
Figure 793194DEST_PATH_IMAGE001
，m为商品种类的个数，每个商品种类包含商品的性能数据、商品归属和价格数据，将数据集case划分为价格的影响因素X k 和性能数据Y j ，其中k =1，2，...，t，t表示价格影响因素的个数，其中j =1，2，...， n，n表示性能参数的个数，用户关联数据样本S i 的对应推荐序数数据分别为x ik 和y ij 。
3.根据权利要求1所述的一种网购信息推荐方法，其特征在于：步骤2的具体过程为：根据用户基本信息、时间信息和用户日常行为信息设计目标推荐商品，然后得到目标推荐商品的性能数据，成为目标性能数据，对应值为y oj ，从价格的影响因素X k 中选取直接影响该目标性能数据的相关属性，设为
Figure 241493DEST_PATH_IMAGE002
。
4.根据权利要求1所述的一种网购信息推荐方法，其特征在于：步骤3的具体过程为：选取用户已购买的商品种类数据集case中的性能数据及相关属性
Figure 926290DEST_PATH_IMAGE003
所对应的数据，表示为case*，基于熵权法和数据集case*计算商品种类数据集case选取的相关属性
Figure 852658DEST_PATH_IMAGE002
的权重，区分
Figure 339134DEST_PATH_IMAGE002
对性能数据的影响程度，得到相关属性的权重记为
Figure 692755DEST_PATH_IMAGE004
。
5.根据权利要求1所述的一种网购信息推荐方法，其特征在于：步骤4的具体过程为：进行相关属性
Figure 366313DEST_PATH_IMAGE003
的相对变化趋势的衡量和商品数据筛选，将商品性能数据视为N维变量集合，不同商品性能数据的差异可视为N维变量运动、变化和发展的结果，根据相关属性
Figure 96371DEST_PATH_IMAGE002
，计算衡量用户原来购买商品性能数据和待推荐的目标商品性能数据的相关属性的相对变化趋势，并筛选出与待推荐的商品性能数据的相关属性相对变化趋势程度最相近的商品性能数据，设为S * ={S 1 * ，S 2 * ，...，S p * }，p为聚类所得的商品性能数据数量。
6.根据权利要求1所述的一种网购信息推荐方法，其特征在于：步骤5的具体过程为：对聚类结果S * ={S 1 * ，S 2 * ，...，S p * }加权聚类，然后对聚类结果进行加权求和，得到求和结果即为所需推荐的商品性能数据，然后结合价格的影响因素X k ，即可得到推荐的具体商品。
7.根据权利要求3所述的一种网购信息推荐方法，其特征在于：步骤1中，价格的影响因素X k 和性能数据Y j 作为训练模型的数据输入，使用特征变量训练模型，计算每个特征变量的重要性排序标准，剔除最不重要的K个特征，保留其余特征，并判断剩余特征数量达到确定选购要求，如果达到，从价格的影响因素X k 中选取性能数据Y j 的相关属性
Figure 171775DEST_PATH_IMAGE002
，如果没有达到重复计算。
8.根据权利要求4所述的一种网购信息推荐方法，其特征在于：基于熵权法的相关属性的权重分配过程为：
步骤3.1：将case*按下公式组成一个新的矩阵
Figure 696297DEST_PATH_IMAGE005
：
Figure 355686DEST_PATH_IMAGE006
步骤3.2：采用极差化法将
Figure 623856DEST_PATH_IMAGE005
标准化得到新的矩阵
Figure 553766DEST_PATH_IMAGE007
，然后对进行
Figure 514769DEST_PATH_IMAGE007
归一化处理，极差化法和归一化方法如下式：
Figure 162919DEST_PATH_IMAGE008
Figure 172463DEST_PATH_IMAGE009
；
其中，
Figure 347093DEST_PATH_IMAGE010
为
Figure 88784DEST_PATH_IMAGE011
中的第i行第s列元素；
Figure 614443DEST_PATH_IMAGE012
为
Figure 598317DEST_PATH_IMAGE011
中的第s列；同理，
Figure 627453DEST_PATH_IMAGE013
为
Figure 805625DEST_PATH_IMAGE007
中的第i行第s列元素，
Figure 287422DEST_PATH_IMAGE014
为
Figure 576452DEST_PATH_IMAGE015
归一化的后的值；
步骤3.3：则
Figure 663356DEST_PATH_IMAGE016
中第s个相关属性的信息熵定义为：
Figure 137063DEST_PATH_IMAGE017
步骤3.4：性能数据Y j 有s个相关属性，则设定影响因素X c 对性能数据Y j 的影响权重为：
Figure 981522DEST_PATH_IMAGE018
Figure 933298DEST_PATH_IMAGE019
为影响因素X c 的信息熵。
CN202210538239.9A 2022-05-18 2022-05-18 一种网购信息推荐方法 Active CN114648391B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210538239.9A CN114648391B (zh) 2022-05-18 2022-05-18 一种网购信息推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210538239.9A CN114648391B (zh) 2022-05-18 2022-05-18 一种网购信息推荐方法

Publications (2)

Publication Number Publication Date
CN114648391A true CN114648391A (zh) 2022-06-21
CN114648391B CN114648391B (zh) 2022-08-12

Family

ID=81996802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210538239.9A Active CN114648391B (zh) 2022-05-18 2022-05-18 一种网购信息推荐方法

Country Status (1)

Country Link
CN (1) CN114648391B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412948A (zh) * 2013-08-27 2013-11-27 北京交通大学 基于聚类的协同过滤的商品推荐方法及***
CN106897911A (zh) * 2017-01-10 2017-06-27 南京邮电大学 一种基于用户和物品的自适应个性化推荐方法
US20180053142A1 (en) * 2016-08-19 2018-02-22 Stitch Fix, Inc. Systems and methods for improving recommendation systems
CN109064285A (zh) * 2018-08-02 2018-12-21 西北大学 一种获得商品推荐序列及商品推荐方法
CN110827129A (zh) * 2019-11-27 2020-02-21 中国联合网络通信集团有限公司 一种商品推荐方法及装置
CN111242732A (zh) * 2020-01-09 2020-06-05 北京慧博科技有限公司 一种基于商品推荐模型的推荐方法
CN111815415A (zh) * 2020-07-14 2020-10-23 北京邮电大学 一种商品推荐方法、***及设备
CN111861679A (zh) * 2020-08-04 2020-10-30 深圳市创智园知识产权运营有限公司 一种基于人工智能的商品推荐方法
CN112085549A (zh) * 2019-06-14 2020-12-15 上海逸宅网络科技有限公司 一种基于数据处理技术的电商平台用商品推荐方法
CN112131480A (zh) * 2020-09-30 2020-12-25 中国海洋大学 基于多层异质属性网络表征学习的个性化商品推荐方法及***
CN112667899A (zh) * 2020-12-30 2021-04-16 杭州智聪网络科技有限公司 基于用户兴趣迁移的冷启动推荐方法、装置及存储设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412948A (zh) * 2013-08-27 2013-11-27 北京交通大学 基于聚类的协同过滤的商品推荐方法及***
US20180053142A1 (en) * 2016-08-19 2018-02-22 Stitch Fix, Inc. Systems and methods for improving recommendation systems
CN106897911A (zh) * 2017-01-10 2017-06-27 南京邮电大学 一种基于用户和物品的自适应个性化推荐方法
CN109064285A (zh) * 2018-08-02 2018-12-21 西北大学 一种获得商品推荐序列及商品推荐方法
CN112085549A (zh) * 2019-06-14 2020-12-15 上海逸宅网络科技有限公司 一种基于数据处理技术的电商平台用商品推荐方法
CN110827129A (zh) * 2019-11-27 2020-02-21 中国联合网络通信集团有限公司 一种商品推荐方法及装置
CN111242732A (zh) * 2020-01-09 2020-06-05 北京慧博科技有限公司 一种基于商品推荐模型的推荐方法
CN111815415A (zh) * 2020-07-14 2020-10-23 北京邮电大学 一种商品推荐方法、***及设备
CN111861679A (zh) * 2020-08-04 2020-10-30 深圳市创智园知识产权运营有限公司 一种基于人工智能的商品推荐方法
CN112131480A (zh) * 2020-09-30 2020-12-25 中国海洋大学 基于多层异质属性网络表征学习的个性化商品推荐方法及***
CN112667899A (zh) * 2020-12-30 2021-04-16 杭州智聪网络科技有限公司 基于用户兴趣迁移的冷启动推荐方法、装置及存储设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
R LIAN: "The construction of personalized web page recommendation system in e-commerce", 《RESTRICTIONS APPLY》 *
仲秋雁等: "考虑用户兴趣和能力的众包任务推荐方法", 《***工程理论与实践》 *
王冬梅: "面向延时敏感投资者的KIA产品众筹周期与价格决策", 《***工程学报》 *
石力: "社区电商用户复购行为预测及推荐算法研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Also Published As

Publication number Publication date
CN114648391B (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN106485562B (zh) 一种基于用户历史行为的商品信息推荐方法及***
Dogan et al. Customer segmentation by using RFM model and clustering methods: a case study in retail industry
Greenstein-Messica et al. Personal price aware multi-seller recommender system: Evidence from eBay
CN110148023A (zh) 基于逻辑回归的电力积分商品推荐方法及***
CN112667899A (zh) 基于用户兴趣迁移的冷启动推荐方法、装置及存储设备
CN107886241B (zh) 资源分析方法、装置、介质和电子设备
CN116431931B (zh) 实时增量数据统计分析方法
CN111724235A (zh) 一种基于用户新奇度的在线商品推荐方法
CN116452261B (zh) 一种基于跨境电商服务平台的广告投放数据处理方法
CN113065062A (zh) 一种基于用户阅读时间行为的新闻推荐方法及***
CN112100512A (zh) 一种基于用户聚类和项目关联分析的协同过滤推荐方法
CN107292713A (zh) 一种基于规则与层级融合的个性推荐方法
CN115496566B (zh) 基于大数据的地区特产推荐方法及***
CN115578163A (zh) 一种组合商品信息的个性化推送方法及***
Kim et al. A new recommender system to combine content-based and collaborative filtering systems
Baier et al. Profit uplift modeling for direct marketing campaigns: approaches and applications for online shops
Gholamian et al. Improving electronic customers' profile in recommender systems using data mining techniques
Chou et al. The RFM Model Analysis for VIP Customer: A case study of golf clothing brand
Zhao et al. Bank customer churn prediction based on support vector machine: Taking a commercial bank's VIP customer churn as the example
CN114648391B (zh) 一种网购信息推荐方法
AlRossais et al. Improving cold-start recommendations using item-based stereotypes
Pinto et al. Hybrid recommendation system based on collaborative filtering and fuzzy numbers
Tang et al. Service recommendation based on dynamic user portrait: an integrated approach
Glukhov et al. Interpretable Embeddings for Geographic Transactional Activity Analysis
CN118134586A (zh) 一种考虑居民用户定制化服务精准匹配的推荐策略

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant