[發明專利]一種用于網上商場系統的混合推薦方法

有效

• 申請號: 201810622520.4
• 申請日: 2018-06-15
• 公開（公告）號: CN108876537B
• 公開（公告）日: 2021-08-17
• 發明（設計）人: 成英
• 申請（專利權）人: 上海百秋電子商務有限公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06
• 代理公司: 廣州天河萬研知識產權代理事務所(普通合伙) 44418
• 代理人: 劉強;陳軒

1.一種用于網上商場系統的混合推薦方法，其特征在于，包括以下步驟：

用戶輸入購買請求信息，并獲取用戶的歷史購買信息，對所述用戶的歷史購買信息進行篩選，獲取與網上商場及用戶相關的信息，得到用戶—網上商品評分矩陣，從預設的用戶屬性項集合中確定出與所述購買請求信息關聯的目標屬性項，并利用建立的用戶—網上商品評分矩陣，為每個用戶和每個網上商品端構建歷史評分記錄集合，同時構建用戶集合，按照用戶的評分網上商品從大到小對用戶集合中的用戶排序；按用戶在用戶集合中的順序，選取一個評分最高的網上商品作為目標商品；根據用戶—網上商品評分矩陣，計算其余商品與目標商品的相似度；選取與目標商品相似度大于第一設定值的商品構建目標用戶的優先商品集；計算目標商品與各優先商品的歷史共同評分差均值，若兩個用戶歷史本身沒有共同商品，則不做計算；選取共同評分差均值小于第二設定值的商品構造最終的相似商品集，利用目標商品的相似商品集對用戶—網上商品評分矩陣進行填充；對用戶—網上商品評分矩陣中剩下的未填充數據，同樣采用相似度閾值法和共同評分差均值來選取最相似網上商品，并利用相似網上商品來對用戶—網上商品評分矩陣進行再次填充，進行網上商品的初步推薦；將用戶的歷史購買數據分為單維度用戶特征值和多維度用戶特征值，其中，所述單維度用戶特征值為能夠直觀判斷用戶對推薦算法興趣度的用戶信息，所述多維度用戶特征值為多維的、隱形的、不能夠直觀判斷用戶對推薦算法興趣度的用戶信息；采用貝葉斯平均算法對所述單維度用戶特征值進行計算，獲得所述單維度用戶的推薦算法興趣度，其中，采用并行計算方法計算所述單維度用戶的推薦算法興趣度；以及，采用樸素貝葉斯模型對所述多維度用戶特征值進行計算，建立多維度用戶興趣模型，并對所述多維度用戶興趣模型進行訓練，獲得所述多維度用戶的推薦算法興趣度，其中，采用并行計算方法計算所述多維度用戶的推薦算法興趣度；根據所述單維度用戶的推薦算法興趣度和所述多維度用戶的推薦算法興趣度，確定推薦列表，并將所述推薦列表推薦給所述數據庫的用戶；若和網上商品初步推薦結果有一半一樣則按此推薦，若不一樣則選取評分第二高的網上商品作為目標商品，重復以上步驟進行填充，直到超過一半相同則推薦商品類別給用戶；

所述獲取目標屬性項對應的商品屬性信息；基于商品屬性信息在待推薦網上商品中篩選出目標商品進行推薦，包括：判斷所述篩選結果中是否包含與所述預設的用戶屬性項集合中的商品屬性項的標識關聯的關鍵詞；若是，提取出標識與所述解析結果中的關鍵詞匹配的商品屬性項，作為所述目標屬性項；獲取待推薦商品集中的各待推薦商品的摘要信息，所述摘要信息包括標題和內容摘要；基于各所述待推薦商品的摘要信息與解析結果和所述目標屬性項對應的商品屬性信息之間的相似度篩選出所述目標商品；推送所述目標商品；

所述最相似商品的選取過程如下：

計算目標商品與各優先商品的歷史共同評分差均值，計算公式如下：

其中，avg(u,v)為商品u和商品v的歷史共同評分差均值，I_u′_,v為目標商品u和商品v的歷史共同評分商家集合，R_ui、R_vi分別為商品u、商品v對商家i的評分；選取共同評分差均值小于β的優先商品構造最終的最相似商品N(u)。

2.根據權利要求1所述的用于網上商場系統的混合推薦方法，其特征在于，所述構建目標商品的優先商品集過程如下：

按用戶在用戶集合中的順序，選取一個評分最高的商品作為目標商品；利用用戶—網上商品評分矩陣，通過Pearson皮爾遜相關系數公式來計算其余商品與目標商品的相似度；

其中，sim_u,v表示商品u和商品v的相似度，I_u,v為商品u和商品v的共同評分商家集合，R_ui、R_vi分別為商品u、商品v對商家i的評分，分別為商品u、商品v的平均評分；選取與目標商品相似度大于α的商品構建目標商品的優選鄰居商品集p_N(u)。