[发明专利]一种动态自适应的商品推荐方法

说明书

技术领域

本发明涉及一种商品推荐方法，尤其涉及一种动态自适应的商品推荐方法。

背景技术

当前，已经涌现大批电商平台，商品数量数以亿计，要消费者逐个去找到自己想要的东西变成不可能的任务，通常电商平台都会对商品进行分门别类摆放，或者提供搜索能力，但这让人找到想要的商品还是很吃力。目前，已经有些电商网站会为顾客提供推荐感兴趣的商品，其依据是通过用户行为，如购买历史，浏览历史等获取用户的偏好，利用协同过滤算法进行商品推荐。但当新用户填写注册信息还未产生历史数据时，无法推荐任何准确的商品；当用户开始产生一些用户行为历史时，通过协同过滤算法确实可以产生推荐商品，但往往不准确，而且不全面，不能满足处在某个生长阶段的推荐对象要求。

发明内容

为了解决上述技术所存在的不足之处，本发明提供了一种动态自适应的商品推荐方法。

为了解决以上技术问题，本发明采用的技术方案是：一种动态自适应的商品推荐方法，该方法具体分为以下步骤：

(1)根据推荐对象的适用生长阶段属性，建立推荐对象生长阶段与商品需求列表一对多的关系模型M₁；根据商品的消耗速度，建立商品与推荐周期对应关系模型M₂；

(2)通过推荐对象的生长阶段属性对模型M₁进行查询，生成通用推荐商品集合S＝{s₁,s₂...s_n},(n>0)；其中，,s为单个商品；

(3)利用用户历史数据，通过基于物品的协同过滤算法，计算获得历史数据推荐商品集合P＝{p₁,p₂...p_m}，(m>＝0)；其中，p为单个商品；

(4)对集合S和集合P取并集，得到整合商品集合Q’＝S∪P；

(5)根据模型M₂与购买历史，对集合Q’进行过滤，排除暂时不用购买的商品，得到商品集合Q＝{q₁,q₂...q_i},(i>0)；其中，q为单个商品；

(6)对Q中每一件商品q_j近一月的销量因素、是否属于特殊品类、是否促销以及商品好评度计算商品推荐度D(q_j)，计算公式为：

其中α为每个维度的调整参数，可以根据推荐效果适当调整；

销量权重W₁(q_j)为商品销量N(q_j)与其所属品类C(q_j)中商品的最高销量N_max(C(q_j))的比例，计算公式为：

按照品类计算销量比例，保证每个品类的商品都有平等的推荐概率。

上述特殊品类商品优先推荐的方式为，预先定义特殊类别L，特殊类别权

重计算公式为：

上述促销商品优先推荐的方式为，将促销商品权重加大，若促销商品列表为F，则促销权重为：

上述好评商品优先推荐的方式为，需加上好评度权重W₄(q_j)，根据现有电商平台一般会提供用户打分机制，若总分为T_max，商品评分为T(q_j)，则

根据以上公式计算推荐度，并进行排序，将前λ个商品推荐给用户。

上述模型M₁将根据购买历史的统计数据进行更新，具体方式为：假设用户总量为N_user,商品销量N(q_j)，将符合条件的商品加入对应生长阶段的商品需求列表中；其中，μ为阈值参数。

本发明具有以下优点：

(1)通过推荐对象所处的生长阶段，通过开始人为建立的推荐对象生长阶段与商品需求关系模型，给出该生长阶段推荐的商品集，缩小了候选推荐商品的候选集；(2)通过整合模块和进行过滤，根据公式计算得到推荐度并进行排序，选择推荐度靠前的商品进行推荐，保证了商品推荐的全面性、实用性和准确性；(3)根据用户历史数据自动更新推荐计划，保证了推荐商品的实时性。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明操作的流程图。

具体实施方式