[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

本發明涉及電子商務技術領域，特別涉及一種利用商品屬性和用戶歷史評分數據等信息向目標用戶提供個性化推薦的導購系統。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；數據收集模塊用于收集商品屬性和用戶行為數據；行為量化模塊用于量化用戶的操作行為；商品類別篩選模塊用于對所有商品進行類別的篩選；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；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；生成推薦模塊，用于將推薦的結果呈現給用戶。本發明解決了現有技術中存在的導購系統推薦準確率低的問題。

技術領域

本發明涉及電子商務技術領域，特別涉及一種利用商品屬性和用戶歷史評分數據等信息向目標用戶提供個性化推薦的導購系統。

背景技術

導購網站商品量巨大且商品更新迅速，用戶挑選出喜愛的商品需要耗費很多的時間和精力，利用推薦系統來解決類似問題顯得刻不容緩?，F有的導購推薦系統主要采用平均數、眾數等默認值去填充稀疏的評分矩陣，缺乏對導購網站個性化特點的利用，導致用戶相似度計算質量不高，推薦準確率偏低。另外，現有的導購推薦系統為了加快在線計算速度，大都采用劃分聚類算法對用戶進行聚類，雖然劃分聚類算法時間復雜度較低，但對簇的形狀不敏感且極易陷入局部最優解，進而在鄰居用戶查找過程中引入錯誤的鄰居用戶，導致推薦準確率的下降。

發明內容

為了解決現有技術中存在的導購系統推薦準確率低的問題，本發明提出了一個包含商品類別篩選、矩陣填充、用戶聚類和生成推薦的個性化推薦導購系統。

為實現上述發明目的，本發明提供如下技術方案：

一種基于聚類的個性化導購系統，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。

進一步地，上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。

進一步地，上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。

進一步地，上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：