[發明專利]一種基于聚類的個性化導購系統

在審

• 申請號: 202010426595.2
• 申請日: 2020-05-19
• 公開（公告）號: CN111612583A
• 公開（公告）日: 2020-09-01
• 發明（設計）人: 馬漢達;戴季國
• 申請（專利權）人: 江蘇大學
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06K9/62;G06F16/9535
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于聚類的個性化導購系統，其特征在于，所述導購系統包括數據收集模塊、行為量化模塊、商品類別篩選模塊、矩陣填充模塊、用戶聚類模塊和生成推薦模塊；所述數據收集模塊用于收集商品屬性和用戶行為數據；所述行為量化模塊用于量化用戶的操作行為；所述商品類別篩選模塊用于對所有商品進行類別的篩選；所述矩陣填充模塊利用樸素貝葉斯算法進行矩陣填充，初步預測出未操作商品的評分；所述用戶聚類模塊利用基于密度劃分準則的二分K均值算法，為用戶進行聚類；所述生成推薦模塊，用于將推薦的結果呈現給用戶。

2.如權利要求1所述的基于聚類的個性化導購系統，其特征在于，所述數據收集模塊中商品屬性包括商品名稱、分類、品牌、價格、產地，用戶行為數據包括點贊、購買和收藏，所述用戶行為數據通過web日志挖掘、Javascript頁面標記進行收集。

3.如權利要求1所述的基于聚類的個性化導購系統，其特征在于，所述行為量化模塊通過數據收集模塊得到用戶行為數據，love、purchase、collect分別表示點贊、購買、收藏；并將這些數據量化為用戶評分，用戶評分等級定義為scoreSet＝{score_i,j}，score_i,j＝1，2，3，4，5；

利用公式1計算用戶對商品的喜好程度：

score_i,j＝a×love_i,j+b×purchase_i,j+c×collect_i,j (1)

其中，i和j分別代表用戶的ID和商品的ID，love_i,j，purchase_i,j，collect_i,j的取值為0或1，a，b，c是一組常數，分別代表用戶各種行為的權重，購買的權重大于收藏，收藏的權重大于點贊；

利用公式2計算用戶評分值：

表示新的用戶評分值；表示歷史評分值的最大值；表示更新之后的評分尺度的最大值；round函數表示就近取整，將評分數據映射到1～5分之內。

4.如權利要求1所述的基于聚類的個性化導購系統，其特征在于，所述矩陣填充模塊利用樸素貝葉斯算法進行矩陣填充的方法，用商品屬性作為樸素貝葉斯的特征，將多級評分預測轉化成多元分類，具體方法如下：

假設現有m個類別，分別為C₁、C₂、...、C_m，另有多個對象，每個對象有n項特征，分別為F₁，F₂，...，F_n，樸素貝葉斯分類算法需要計算出目標對象屬于各個分類的概率，將目標對象歸入概率最大的分類當中，具體計算方法如公式3所示：

由于P(F₁F₂...F_n)對于所有的類別取值都是相同的，因此公式3右半部分可以直接簡化成：

P(F₁F₂...F_n|C)P(C)

樸素貝葉斯分類基于這樣一個假設，即假設所有特征都彼此獨立，所以上述式子可以進一步轉化成：

P(F₁|C)P(F₂|C)...P(F_n|C)P(C)

P(C)和每一個P(F_n|C)都可以從訓練數據集中統計獲取，通過上述式子算出各個類別C的對應概率，將目標對象歸入概率最大的分類中；

將數據收集模塊收集的商品屬性作為貝葉斯分類中的特征，用戶評分等級取1到5，將5個級別的評分作為5個分類，將多級評分預測轉化成5元分類模型，通過5元分類模型，分別計算出用戶給商品打出不同分數的概率，概率最大的類對應的分數，就是預測出的評分，利用貝葉斯分類算法得到初步的預測評分之后，將該評分填入稀疏的評分矩陣。