本發(fā)明涉及一種網(wǎng)絡(luò)商品推薦方法，尤其是涉及一種基于關(guān)聯(lián)分析算法的商品推薦方法。

背景技術(shù)：

購物網(wǎng)站使用的商品推薦算法通常包括：

基于用戶的協(xié)同過濾算法，即將每個用戶作為分析的主體，針對每個群體，通過處理群體中每個用戶的商品瀏覽日志，算出該群體的每個用戶與該群體其他用戶之間的關(guān)聯(lián)度，進(jìn)而向該用戶推薦他自己沒有瀏覽或者購買而與群體中關(guān)聯(lián)度高的其他用戶購買或者瀏覽的商品；該算法的缺點(diǎn)是：用戶增加速度快，然而僅采用用戶的歷史偏好數(shù)據(jù)計(jì)算用戶相似度，對于新用戶有“冷啟動”問題。

基于模型的協(xié)同過濾方法，即基于樣本的用戶喜好信息，訓(xùn)練一個推薦模型，然后根據(jù)實(shí)時的用戶喜好的信息進(jìn)行預(yù)測，計(jì)算推薦。該方法需要通過聚類等數(shù)據(jù)處理，建立一個以用戶為行、商品為列的hugematrix(巨型矩陣)，矩陣元素為用戶對商品的評分。該算法的缺點(diǎn)是：創(chuàng)建矩陣所需要的時間隨著用戶和商品數(shù)量的增多而飛速增長，一旦收到新增的用戶對商品的評分，原矩陣就失效，必須更新，靈活性差。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種可根據(jù)歷史數(shù)據(jù)進(jìn)行推薦、靈活性高的基于關(guān)聯(lián)分析算法的商品推薦方法。

本發(fā)明的目的可以通過以下技術(shù)方案來實(shí)現(xiàn)：

一種基于關(guān)聯(lián)分析算法的商品推薦方法，根據(jù)購物網(wǎng)站中的用戶行為日志進(jìn)行商品推薦，其特征在于，該方法包括以下步驟：

s1，獲取歷史用戶行為日志，根據(jù)歷史用戶行為日志中的數(shù)據(jù)對用戶和商品 進(jìn)行模糊聚類分析，生成多個用戶群體和商品類別，以及每個用戶群體對每個商品類別的評價分?jǐn)?shù)；

s2，構(gòu)建推薦矩陣m，所述推薦矩陣m以用戶群體為行標(biāo)，以商品類別為列標(biāo)，矩陣元素mij表示第i個用戶群體對第j個商品類別的評價分?jǐn)?shù)，其中i＝1,2..u，j＝1,2…p，u為用戶群體個數(shù)，p為商品類別個數(shù)；

s3，獲取新增用戶行為日志，利用推薦矩陣m對新增用戶行為日志中的用戶進(jìn)行商品推薦；

s4，判斷新增用戶行為日志的數(shù)據(jù)量是否已達(dá)到設(shè)定值，若是，則返回步驟s1，并將新增用戶行為日志的數(shù)據(jù)量計(jì)數(shù)值，若否，則返回步驟s3。達(dá)到設(shè)定值具體為：新注冊用戶數(shù)目達(dá)到已注冊用戶的1％～10％之間的一個值，或新增商品數(shù)目達(dá)到已存在商品數(shù)目的1％～10％之間的一個值，設(shè)定值可隨時變化，以適應(yīng)不斷變化的市場消費(fèi)走向。

所述的步驟s1中，每個用戶群體具有一個特征，每個用戶至少歸入一個用戶群體，即每個用戶具有至少一個特征。

所述的步驟s1中，用戶群體的特征為年齡段、地區(qū)、購物偏好中的一個。

所述的用戶群體特征中的地區(qū)根據(jù)用戶注冊時填寫的資料或用戶注冊手機(jī)號碼所在地或用戶收貨地址確定。

所述的步驟s1中，用戶行為日志中的數(shù)據(jù)包括用戶信息、商品信息、用戶注冊、登陸及對商品的瀏覽、購買、評價行為。

所述的步驟s3中，直接向用戶推薦與用戶行為中的商品之間關(guān)聯(lián)度最高的商品；或?qū)⒂脩魵w入用戶群體，并向用戶推薦所屬用戶群體給出的評價分?jǐn)?shù)最高的商品類別中的商品，即對于用戶行為日志中不含商品信息的用戶，根據(jù)該用戶所屬的用戶群體對各商品類別的評價分?jǐn)?shù)，選擇最高評價分?jǐn)?shù)所對應(yīng)的商品類別作為推薦的商品類別，并從該商品類別中推薦商品。

所述的步驟s3具體包括以下步驟：

s31，獲取新增用戶行為日志，判斷該用戶是否為新注冊用戶，若是，則進(jìn)入步驟s32，若否，則進(jìn)入步驟s33；

s32，判斷用戶行為中是否含有商品信息，即用戶有瀏覽、購買或評價商品的行為，若是，則向該用戶推薦該商品所屬商品類別中的商品，若否，則根據(jù)用戶注冊時填寫的信息，例如手機(jī)號、用戶所在地等，將用戶歸入至少一個用戶群體，并 進(jìn)入步驟s34；

s33，判斷用戶行為中是否含有商品信息，若是，則向該用戶推薦該商品所屬商品類別中的商品，若否，則進(jìn)入步驟s34；

s34，從推薦矩陣m找出用戶所屬的用戶群體對商品所屬的商品類別的評價分?jǐn)?shù)，選擇最高評價分?jǐn)?shù)所對應(yīng)的商品類別作為推薦的商品類別，并從該商品類別中推薦商品。

所述的步驟s32中，從商品所屬商品類別中選取與所述商品關(guān)聯(lián)度最高的若干商品進(jìn)行推薦。

所述的步驟s33中，從所述商品所屬商品類別中選取歷史銷量最高的若干商品進(jìn)行推薦。

所述的步驟s32和步驟s33中，所述商品若為新增商品，則根據(jù)商品自身特點(diǎn)將其歸入一個商品類別。

所述的步驟s34中，從推薦的商品類別中選取與所述商品關(guān)聯(lián)度最高的若干商品進(jìn)行推薦。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：

(1)先根據(jù)歷史用戶行為日志建立用戶群體及商品類別，建立推薦矩陣，根據(jù)新增用戶行為日志利用現(xiàn)有推薦矩陣進(jìn)行商品推薦，并在新增用戶行為的數(shù)據(jù)量達(dá)到設(shè)定值以后，對推薦矩陣進(jìn)行更新，以適應(yīng)不斷變化的市場走向。

(2)每個用戶群體具有一個特征，每個用戶至少歸入一個用戶群體，即每個用戶具有多個特征，以多方面衡量和估計(jì)用戶的感興趣商品。

(3)用戶群體的特征為年齡段、地區(qū)、購物偏好中的一個，可以反映用戶的基本行為特征，從而提高同一個用戶群體內(nèi)的各用戶之間的關(guān)聯(lián)度。

(4)步驟s3中，對于用戶行為日志中不含商品信息的用戶，根據(jù)該用戶所屬的用戶群體對商品所屬的商品類別的評價分?jǐn)?shù)，選擇最高評價分?jǐn)?shù)所對應(yīng)的商品類別作為推薦的商品類別，并從該商品類別中推薦商品，具有較強(qiáng)的可靠性。

(5)步驟s3中，對于用戶行為日志中含商品信息的用戶，直接向該用戶推薦該商品所屬商品類別中的商品，能準(zhǔn)確抓住用戶近期需求進(jìn)行推薦，具有較強(qiáng)的針對性。

(6)步驟s32中，從商品所屬商品類別中選取與所述商品關(guān)聯(lián)度最高的若干商品進(jìn)行推薦；步驟s33中，從所述商品所屬商品類別中選取歷史銷量最高的若 干商品進(jìn)行推薦；步驟s34中，從推薦的商品類別中選取與所述商品關(guān)聯(lián)度最高的若干商品進(jìn)行推薦；上述推薦方式根據(jù)用戶行為的多樣化，進(jìn)行個性化推薦，符合用戶的個性化需求。

(7)步驟s32和步驟s33中，所述商品若為新增商品，則根據(jù)商品自身特點(diǎn)將其歸入一個商品類別，一般商品增加的速度遠(yuǎn)沒有用戶增加速度快，所以商品之間的關(guān)聯(lián)度計(jì)算頻率和商品的類別分布短期內(nèi)是沒有很大誤差上的變化，可以實(shí)現(xiàn)階段性的“一勞永逸”。

(8)對于新增加的用戶，可直接對其進(jìn)行用戶群體歸類再根據(jù)所屬用戶群體進(jìn)行商品推薦，或者根據(jù)其行為進(jìn)行商品推薦，不需要對其進(jìn)行聚類，計(jì)算量小。

附圖說明

圖1為本發(fā)明方法的流程圖。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施例對本發(fā)明進(jìn)行詳細(xì)說明。本實(shí)施例以本發(fā)明技術(shù)方案為前提進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。

實(shí)施例

如圖1所示，一種基于關(guān)聯(lián)分析算法的商品推薦方法，根據(jù)購物網(wǎng)站中的用戶行為日志進(jìn)行商品推薦，該方法包括以下步驟：

s1，獲取歷史用戶行為日志，根據(jù)歷史用戶行為日志中的數(shù)據(jù)對用戶和商品進(jìn)行模糊聚類分析，生成多個用戶群體和商品類別，以及每個用戶群體對每個商品類別的評價分?jǐn)?shù)；

本步驟中，每個用戶群體具有一個特征，例如年齡段、地區(qū)、購物偏好，地區(qū)根據(jù)用戶注冊時填寫的資料或用戶注冊手機(jī)號碼所在地或用戶收貨地址確定；每個用戶至少歸入一個用戶群體，每個用戶群體與另一個用戶群體內(nèi)的用戶有重疊，即每個用戶同時具有至少一個特征。例如，用戶a為19歲、上海郊區(qū)、對于男士西裝類產(chǎn)品比較感興趣；用戶b為30歲、北京市區(qū)、對于圖書類和生鮮肉類產(chǎn)品感興趣；用戶群體w為年齡段為18歲到22歲之間的人群，用戶群體x為30～35歲之間的人群，用戶群體y為一線城市市區(qū)的人群，用戶群體z為一線城市郊區(qū)的 人群，用戶群體m為對服裝類產(chǎn)品感興趣的人群；則用戶a可歸屬為用戶群體w、z，用戶b可歸屬為用戶群體x、y和m。

本步驟中，用戶行為日志中的數(shù)據(jù)包括用戶信息、商品信息、用戶注冊、登陸及對商品的瀏覽、購買、評價行為。

s2，構(gòu)建推薦矩陣m，所述推薦矩陣m以用戶群體為行標(biāo)，以商品類別為列標(biāo)，矩陣元素mij表示第i個用戶群體對第j個商品類別的評價分?jǐn)?shù)，其中i＝1,2..u，j＝1,2…p，u為用戶群體個數(shù)，p為商品類別個數(shù)；

s3，獲取新增用戶行為日志，利用推薦矩陣m對新增用戶行為日志中的用戶進(jìn)行商品推薦，具體包括以下步驟：

s31，獲取新增用戶行為日志，判斷該用戶是否為新注冊用戶，若是，則進(jìn)入步驟s32，若否，則進(jìn)入步驟s33；

s32，判斷用戶行為中是否含有商品信息，即用戶有瀏覽、購買或評價商品的行為，若是，則向該用戶推薦該商品所屬商品類別中的商品，該商品為與所述商品關(guān)聯(lián)度最高的若干商品；若否，則根據(jù)用戶注冊時填寫的信息，例如手機(jī)號、用戶所在地等，將用戶歸入至少一個用戶群體，并進(jìn)入步驟s34；

s33，判斷用戶行為中是否含有商品信息，若是，則向該用戶推薦該商品所屬商品類別中的商品，該商品為所屬商品類別中歷史銷量最高的若干商品，例如排名前1～10為的商品；若否，則進(jìn)入步驟s34；

s34，從推薦矩陣m找出用戶所屬的用戶群體對商品所屬的商品類別的評價分?jǐn)?shù)，選擇最高評價分?jǐn)?shù)所對應(yīng)的商品類別作為推薦的商品類別，并從該商品類別中推薦商品，推薦的商品為所屬商品類別中與所述商品關(guān)聯(lián)度最高的若干商品，關(guān)聯(lián)度可通過關(guān)聯(lián)度計(jì)算獲得；

s4，判斷新增用戶行為日志的數(shù)據(jù)量是否已達(dá)到設(shè)定值，若是，則返回步驟s1，并將新增用戶行為日志的數(shù)據(jù)量計(jì)數(shù)值，若否，則返回步驟s3。例如：新注冊用戶數(shù)目達(dá)到已注冊用戶的1％～10％之間的一個值，或新增商品數(shù)目達(dá)到已存在商品數(shù)目的1％～10％之間的一個值，則返回步驟s1，設(shè)定值可隨時變化，以適應(yīng)不斷變化的市場消費(fèi)走向。

步驟s32和步驟s33中，所述商品若為新增商品，則根據(jù)商品自身特點(diǎn)將其歸入一個商品類別。