[發(fā)明專利]一種電子智造產(chǎn)品營銷推薦方法

在審

• 申請?zhí)枺?/td>: 202210694002.X
• 申請日: 2022-06-20
• 公開（公告）號: CN114997959A
• 公開（公告）日: 2022-09-02
• 發(fā)明（設(shè)計）人: 謝曉蘭;盧杰;黃安;李姍珊;黃飛揚(yáng)
• 申請（專利權(quán)）人: 桂林理工大學(xué)
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06N3/12;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種電子智造產(chǎn)品營銷推薦方法，其特征在于，包括：

步驟S1.客戶數(shù)據(jù)采集：將電子智造業(yè)云平臺記錄的客戶日志數(shù)據(jù)提取出來，該日志數(shù)據(jù)包含行為數(shù)據(jù)和業(yè)務(wù)數(shù)據(jù)；

步驟S2.數(shù)據(jù)預(yù)處理：數(shù)據(jù)預(yù)處理主要負(fù)責(zé)從步驟S1中提取客戶特征和產(chǎn)品特征數(shù)據(jù)并進(jìn)行數(shù)據(jù)清洗操作，獲得特定格式的數(shù)據(jù)集，再根據(jù)數(shù)據(jù)集構(gòu)建客戶產(chǎn)品評分矩陣UIP矩陣，并對其進(jìn)行歸一化處理；

步驟S3.改進(jìn)協(xié)同過濾算法：將遺傳算法與改進(jìn)k-means聚類算法融合，處理數(shù)據(jù)時結(jié)合遺傳算法和密度以及歐式距離對初始聚類中心進(jìn)行優(yōu)化，通過改進(jìn)k-means算法使數(shù)據(jù)快速高效地趨于各自的極值點；

步驟S4.構(gòu)建客戶產(chǎn)品評分模型：綜合利用客戶特征偏好矩陣以及客戶產(chǎn)品評分矩陣提出一種新的混合相似度計算方式；相似客戶具有相似的購買行為，根據(jù)混合相似度計算，引入人類記憶遺忘曲線時間函數(shù)，構(gòu)建客戶產(chǎn)品評分模型；

步驟S5.產(chǎn)品推薦：將求解出的評分較高的產(chǎn)品結(jié)果推送給客戶；

所述步驟S2中數(shù)據(jù)初始化的過程如下：初始數(shù)據(jù)往往是雜亂的，需要進(jìn)行清洗操作，需要一些填充操作，分析并處理從步驟S1中的操作日志，該日志數(shù)據(jù)包含行為數(shù)據(jù)和業(yè)務(wù)數(shù)據(jù)，根據(jù)客戶評論產(chǎn)品數(shù)據(jù)計算客戶的相似度，重點分析客戶產(chǎn)品評分?jǐn)?shù)據(jù)，實現(xiàn)最終推薦的功能；獲取特定格式的數(shù)據(jù)集，在這里包含客戶特征和產(chǎn)品特征；在人們傾向于購買與其所購買產(chǎn)品相關(guān)的產(chǎn)品條件之下，構(gòu)建客戶特征偏好矩陣；由客戶產(chǎn)品評分矩陣UI(n*m)，產(chǎn)品類別特征矩陣IF(m*k)，這兩個矩陣實現(xiàn)聚合，可以獲得一個客戶偏好特征矩陣UIP(n*k)；并對UIP矩陣實行如式(1)所示的歸一化處理，讓數(shù)據(jù)趨于[0-1]之間，大大的降低矩陣的維度；

其中，x_i,j為矩陣中的位置里的值，x_min為客戶評分最小值，x_max為評分最大值；

所述步驟S3改進(jìn)協(xié)同過濾算法所用到遺傳算法與改進(jìn)k-means聚類算法融合的具體過程如下：

首先，初始化參數(shù)，初始化改進(jìn)協(xié)同過濾算法的相關(guān)參數(shù)，包括種群大小M，交叉概率P_c，變異概率P_m，聚類簇數(shù)K，隸屬度因子m，收斂精度ε，最大迭代次數(shù)S_max；對種群中的所有個體進(jìn)行歸一化；然后，編碼及種群初始化，根據(jù)浮點數(shù)編碼公式對數(shù)據(jù)集進(jìn)行編碼，并隨機(jī)產(chǎn)生一個種群X，X中有n個研究對象作為初始個體，即X＝[x₁,x₂,…,x_n]；再然后計算個體適應(yīng)度函數(shù)，即目標(biāo)函數(shù)；再然后迭代更新整個種群，通過精英策略對當(dāng)前種群執(zhí)行選擇、交叉和變異等操作，產(chǎn)生新一代個體合并父代種群和子代種群，并再次進(jìn)行非支配排序、個體歸一化和關(guān)聯(lián)操作，迭代更新種群，找尋種群中的最優(yōu)解；最后進(jìn)行客戶聚類劃分，迭代循環(huán)往復(fù)，若達(dá)到預(yù)先設(shè)定收斂條件，輸出Pareto最優(yōu)解集，并劃分?jǐn)?shù)據(jù)集，輸出最優(yōu)聚類中心矩陣，再用k-means聚類算法進(jìn)行客戶聚類劃分，使用歐氏距離公式計算目標(biāo)客戶u和K個簇心之間的距離，并把目標(biāo)用戶添加到距離最近的簇中；且將相似度較高的數(shù)據(jù)劃分到一個簇，分簇實現(xiàn)推薦；

上述個體適應(yīng)度，計算公式如式(2)所示：

其中，μ_i,j是第i個樣本對應(yīng)第j類的隸屬度函數(shù)，K表示聚類中心集合，n為數(shù)據(jù)集個數(shù)，m是平滑系數(shù)，k_i(i＝1,2,3,…,k)為每個聚類的中心，X_j(j＝1,2,3,…,n)為種群中的元素；

所述步驟S4構(gòu)建客戶產(chǎn)品評分模型，在目標(biāo)客戶u所在的簇中，再分簇計算客戶相似度，綜合利用客戶特征偏好矩陣以及客戶產(chǎn)品評分矩陣，提出一種新的混合相似度計算方式如式(3)所示；

其中，R_u,i是客戶u對產(chǎn)品特征i的偏好程度；R_v,i是客戶v對產(chǎn)品特征i的偏好程度；表示客戶u對所有產(chǎn)生行為的產(chǎn)品特征的平均值；表示客戶v對所有產(chǎn)生行為的產(chǎn)品特征的平均值；I_u,v表示客戶u和客戶v共同評分的產(chǎn)品構(gòu)成的集合；r_u,i是客戶u對產(chǎn)品i的評分；r_v,i是客戶v對產(chǎn)品i的評分；表示客戶u產(chǎn)生行為產(chǎn)品評分的平均值；表示客戶v產(chǎn)生行為產(chǎn)品評分的平均值；

相似客戶具有相似的購買行為，根據(jù)混合相似度計算，引入人類記憶遺忘曲線時間函數(shù)T(t_u,i,t_s)如式(4)所示，得到改進(jìn)的客戶產(chǎn)品評分模型，即客戶u對產(chǎn)品i的評分計算公式如式(5)所示：

其中，t_u,i表示客戶u對產(chǎn)品i的評分時間；t_s計算是當(dāng)前時間；c表示時間系數(shù)，S(u)表示與客戶u相似度最高的前k個客戶集合；I_u,v表示客戶u和客戶v共同評分的產(chǎn)品構(gòu)成的集合；Sim(u,v)是客戶u和客戶v的相似度，由公式(3)獲得；r_v,i表示客戶v對產(chǎn)品i的評分；表示客戶u對項目的平均評分；表示客戶v對產(chǎn)品的平均評分；

所述步驟S5產(chǎn)品推薦，客戶u對產(chǎn)品i的評分計算公式引入人類記憶遺忘曲線時間函數(shù)，得出改進(jìn)的評分模型，將求解出的評分較高的產(chǎn)品結(jié)果推送給客戶。