本发明涉及一种商品的推荐方法,尤其涉及一种基于协同过滤的商品推荐方法。
背景技术:
目前,网购商品的推荐方法多是基于商品的相似度和购买历史进行推荐,因此目前的商品推荐方法没有考虑到商品的受欢迎程度,即群体的喜好。同时,目前的商品推荐方法还忽略了客户的购买能力,例如客户在浏览酱香型二锅头页面时,向客户推荐酱香型茅台是无效的。
技术实现要素:
本发明的目的在于克服目前不能有效的向消费群体推荐商品的缺陷,提供一种能有效的向消费群体推荐商品的基于协同过滤的商品推荐方法。
本发明的目的通过下述技术方案实现:
一种基于协同过滤的商品推荐方法,包括以下步骤:
(1)对每类商品进行分组;
(2)计算每个分组中的商品的加权销量;
(3)计算每个分组内的商品与当前客户浏览的商品的属性的相似度;
(4)计算每个分组内的商品的价格与当前客户浏览商品的价格的接近度;
(5)计算每个分组内的每个商品的推荐指数,并将每个分组内的所有商品的推荐指数降序输出。
进一步的,步骤(2)中加权销量的计算公式为:
再进一步的,步骤(2)中降序排列分组内的商品的加权销量,只保留加权销量排名前n的商品。
更进一步的,步骤(3)中相似度的计算公式为:
为了更好地实现本发明,步骤(4)中接近度的计算公式为:
为了确保效果,步骤(5)中推荐指数的计算公式为:rii=βi×similarity(gi,c)×weightsalesi;其中,gi指的是商品编号为i的商品,c指的是当前用户正在浏览的商品。
本发明较现有技术相比,具有以下优点及有益效果:
(1)本发明不仅步骤简单、方便操作,而且充分考虑到客户群体的喜好和购买能力,因此能更有效的向消费群体推荐合适客户的商品。
(2)本发明采用衰减后的加权销量来衡量相似消费群体的喜好程度,并以群体的喜好程度作为商品推荐的参考,因此能更有效的向消费群体推荐合适客户的商品。
(3)本发明考虑到大众消费者的喜好可能发生变化,太久远的销量数据不能过多地参考,因此降序排列分组内的商品的加权销量,只保留加权销量排名前n的商品,从而能够更有效的向消费群体推荐合适客户的商品。
具体实施方式
下面结合实施例对本发明作进一步地详细说明,但本发明的实施方式并不限于此。
实施例
本发明的基于协同过滤的商品推荐方法,首先对每类商品按属性和价格区间进行分组,然后计算每个分组中的商品的加权销量,并按加权销量进行降序排列。其中,所述的加权销量是指加入衰减机制后的销量数据,加权销量的计算公式为
考虑到大众消费者的喜好可能发生变化,因此太久远的销量数据不能过多地参考。对于每个分组内的商品,只保留加权销量排名前n的商品,n为≥1的自然数,使用时可以根据需要选择n为不同的自然数,例如可以选择n为20、50、100、200或者其他自然数。
然后,计算每个分组内的商品与当前客户浏览商品的属性的相似度,其计算公式为:
然后,再计算每个分组内的商品的价格pi与当前客户浏览商品的价格p的接近度βi,其计算公式为:
再计算每个分组内的每个商品的推荐指数rii,其计算公式为:rii=βi×similarity(gi,c)×weightsalesi。其中,gi指的是商品编号为i的商品,c指的是当前用户正在浏览的商品。最后将计算得出的每个商品的推荐指数rii降序输出到推荐商品列表,客户即可选择到更适合自己的商品。本发明充分考虑到客户群体的喜好和购买能力,因此能更有效的向消费群体推荐合适客户的商品。
如上所述,便可较好的实现本发明。