[發明專利]基于日志挖掘的商品推薦方法、裝置、服務器及存儲介質

有效

• 申請號: 201811247722.1
• 申請日: 2018-10-24
• 公開（公告）號: CN109300014B
• 公開（公告）日: 2020-09-08
• 發明（設計）人: 孫翀;呂琴艷;帖軍;王江晴;艾勇;吳立鋒
• 申請（專利權）人: 中南民族大學
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06F16/2458
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 胡海國

1.一種基于日志挖掘的商品推薦方法，其特征在于，所述方法包括以下步驟：

從各用戶的購買日志中提取各用戶的購買記錄，并根據各用戶的購買記錄建立事務數據庫；

根據預設最小支持度通過Apriori算法對所述事務數據庫進行逐條掃描，獲得各頻繁項集，并根據各頻繁項集構成頻繁項集矩陣；

根據所述頻繁項集矩陣計算所述頻繁項集中各商品之間的相似度；

根據所述頻繁項集矩陣以及各用戶對商品的評分計算Pearson相關系數的絕對值；

根據所述頻繁項集中各商品之間的相似度以及Pearson相關系數的絕對值確定綜合相似度矩陣；獲取目標用戶的未評分商品，并將所述未評分商品作為待測商品；

基于所述綜合相似度矩陣對所述待測商品進行預測評分；

根據預測評分結果確定待推送商品，并將待推送商品推送至所述目標用戶的用戶設備；

其中，根據所述頻繁項集矩陣通過下式計算所述頻繁項集中各商品之間的相似度，

其中，k為頻繁項集的數量，F_h,i為商品i在所述頻繁項集矩陣中的取值，F_h,j為商品j在所述頻繁項集矩陣中的取值；

其中，根據所述頻繁項集中各商品之間的相似度以及Pearson相關系數的絕對值通過下式確定綜合相似度矩陣，

其中，S_i,j為綜合相似度矩陣中商品i和商品j之間的綜合相似度，為權重，S1_i,j為所述頻繁項集中商品i和商品j之間的相似度，S2_i,j為商品i和商品j之間的Pearson相關系數的絕對值。

2.如權利要求1所述的方法，其特征在于，根據所述頻繁項集矩陣以及各用戶對商品的評分通過下式計算Pearson相關系數的絕對值，

其中，U_i,j為商品i和商品j共同評分過的用戶集合，X_u,i為用戶u對商品i的評分，X_u,j為用戶u對商品j的評分,為用戶對商品i的平均評分，為用戶對商品j的平均評分。

3.如權利要求1～2中任一項所述的方法，其特征在于，所述基于所述綜合相似度矩陣對所述待測商品進行預測評分，具體包括：

從所述綜合相似度矩陣中的所有商品與待測商品的相似性值；

選擇相似性值最高的K個商品作為所述待測商品的最近鄰居集合；

根據所述最近鄰居集合對所述待測商品進行預測評分。

4.如權利要求3所述的方法，其特征在于，根據所述最近鄰居集合通過下式對所述待測商品進行預測評分，

其中，為用戶u對商品I_a的預測評分結果，為待測商品I_a和商品q之間的綜合相似度，X_u,q為用戶u對項目q的評分，為用戶對商品I_a的平均評分，為用戶對商品q的平均評分，N_a為所述最近鄰居集合。

5.一種服務器，其特征在于，所述服務器包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的基于日志挖掘的商品推薦程序，所述基于日志挖掘的商品推薦程序配置為實現如權利要求1至4中任一項所述的基于日志挖掘的商品推薦方法的步驟。

6.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有基于日志挖掘的商品推薦程序，所述基于日志挖掘的商品推薦程序被處理器執行時實現如權利要求1至4中任一項所述的基于日志挖掘的商品推薦方法的步驟。

7.一種基于日志挖掘的商品推薦裝置，其特征在于，所述裝置包括：

數據庫建立模塊，用于從各用戶的購買日志中提取各用戶的購買記錄，并根據各用戶的購買記錄建立事務數據庫；

數據庫掃描模塊，用于根據預設最小支持度通過Apriori算法對所述事務數據庫進行逐條掃描，獲得各頻繁項集，并根據各頻繁項集構成頻繁項集矩陣；

矩陣確定模塊，用于根據所述頻繁項集矩陣計算所述頻繁項集中各商品之間的相似度；根據所述頻繁項集矩陣以及各用戶對商品的評分計算Pearson相關系數的絕對值；根據所述頻繁項集中各商品之間的相似度以及Pearson相關系數的絕對值確定綜合相似度矩陣；

商品獲取模塊，用于獲取目標用戶的未評分商品，并將所述未評分商品作為待測商品；

預測評分模塊，用于基于所述綜合相似度矩陣對所述待測商品進行預測評分；

商品推送模塊，用于根據預測評分結果確定待推送商品，并將待推送商品推送至所述目標用戶的用戶設備；

其中，根據所述頻繁項集矩陣通過下式計算所述頻繁項集中各商品之間的相似度，

其中，k為頻繁項集的數量，F_h,i為商品i在所述頻繁項集矩陣中的取值，F_h,j為商品j在所述頻繁項集矩陣中的取值；

其中，根據所述頻繁項集中各商品之間的相似度以及Pearson相關系數的絕對值通過下式確定綜合相似度矩陣，

其中，S_i,j為綜合相似度矩陣中商品i和商品j之間的綜合相似度，為權重，S1_i,j為所述頻繁項集中商品i和商品j之間的相似度，S2_i,j為商品i和商品j之間的Pearson相關系數的絕對值。