基于商品网络连接图的商品簇划分方法
【技术领域】
[0001] 本发明属于信息技术领域，具体涉及一种基于商品网络连接图的商品簇划分方法 的设计。
【背景技术】
[0002] 随着信息技术的迅猛发展，网络开始不断向复杂化和多样化方向发展。复杂网络 (ComplexNetwork)是具有自组织、自相似、吸引子、小世界、无标度中部分或全部性质的网 络。复杂网络呈现高度复杂性，其复杂性主要表现在结构复杂性、网络进化的复杂性、连接 权重和方向的复杂性、节点多样性以及多重复杂性融合。复杂网络具有小世界、集聚程度、 幂律的度分布等特征。
[0003] 大数据的图分析方法以图分析和图挖掘为主要研究手段，以目标产生的大数据中 数据单元的关联特征为主要研究对象，应用基于大数据的复杂网络理论计算应用行为的图 结构特征参数、图量值加权测量参数等测度，同时采用节点与边的筛选算法提取网络应用 行为核心业务特征，分析其固有模式和本质属性，推断产生大数据的目标的具体内容。大数 据的图分析主要应用的技术有网络拓扑分析、图匹配与搜索、图路径和流分析、网络链路预 测、网络群体的组织关系识别以及关键拓扑元素分析等技术。
[0004] 共引网络分析是大数据的图分析的一个应用方面，它利用各种数学、统计学以及 逻辑方法，对分析对象的引用或被引用的现象进行分析研究，以便揭示其数量特征和内在 规律，达到评价、预测科学发展趋势的目的。社团结构是许多实际网络都存在一个共同特 征，整个网络由若干个社团构成，节点之间的联系决定了节点是否在同一个社团内，每个社 团内部节点之间的连接非常紧密，而各个社团之间的连接相对来说比较稀疏。无论一个社 团是以什么性质组成的一个类或模块，同一个社团内部的节点肯定有某些相似的特征或性 质。大量的社会网络都存在社团，揭示网络中的社团结构，对于了解网络结构与分析网络特 性具有极为重要的意义。社团结构分析在生物学、物理学、计算机图形学和社会学中都有广 泛的应用，研究复杂网络的社团结构对于控制疾病传播、网络病毒的传播等具有重大意义。
[0005] 为了提供更高质量的个性化服务，需要构建细致、准确的用户模型，这就不仅需要 了解用户对什么感兴趣，而且还需要了解用户对内容的感兴趣程度。一种获得用户兴趣度 的方法是让用户自己标注感兴趣的程度。要求用户自己标注兴趣度的方法固然能够获得较 为准确的用户模型；另外一种获得用户兴趣度的方法是根据用户的浏览行为来估计用户的 兴趣度，通过浏览行为估计用户兴趣度的方法无需用户主动参与，有助于提高个性化服务 系统的亲和力。
[0006] 推荐系统中聚类的基础是兴趣度，用户聚类分析可以将具有相似兴趣爱好的用户 分配到相同的簇中，聚类产生之后，根据簇中其他用户对商品的评价来预测目标用户对商 品的评价，从而实现对目标用户的推荐。当用户聚类中的用户具有相同的访问习惯和购物 兴趣时，可依此对他们提供相同的个性化服务。
[0007]目前与基于商品网络连接图的商品簇划分研究的相关技术主要分为个性化推荐 系统和IBM的SystemG。
[0008] 个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和 商品。和搜索引擎相比推荐系统通过研究用户的兴趣偏好，进行个性化计算，由系统发现用 户的兴趣点，从而引导用户发现自己的信息需求。一个好的推荐系统不仅能为用户提供个 性化的服务，还能和用户之间建立密切关系，让用户对推荐产生依赖。随着电子商务规模的 不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。 这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。 为了解决这些问题，个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基 础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策 支持和信息服务。
[0009] SystemG是由IBM公司研发的针对大数据设计的集图计算工具、云计算为一体的 综合性图系统。"G"代表图，无论是大型图还是小型图、静态图还是动态图、拓扑图还是语义 图、属性图还是贝叶斯网络，它包括：图数据集、图可视化、图分析库、GraphMiddleware、网 络科学分析工具（感知网络、感知分析、时空分析、行为学分析）。SystemG可以应用于多 种情况，例如社交网络分析、网络异常检测、智慧商务、智慧星球、云计算、通信等。
[0010] 商品推荐一直以来都是商家关注的话题，随着电子商务商家对商家，商家对客户， 客户对客户等商业模式的不断完善，合理进行商品推荐可以帮助商家寻找到最优化的销售 方式，使消费者更容易被推荐的商品所吸引，从而显著增加商品的销售量，获取更大的利 润。然而现有的推荐方式仅仅关注于同类商品，根据用户对商品的浏览情况推荐相同品牌 的类似商品，或是不同品牌的同类产品，并不能很好的符合用户的购买需求，需要一种新的 推荐方式解决这一问题。
【发明内容】
[0011] 本发明的目的是为了解决现有技术中商品推荐方式仅仅关注于同类商品，根据用 户对商品的浏览情况推荐相同品牌的类似商品，或是不同品牌的同类产品，并不能很好的 符合用户的购买需求的问题，提出了一种基于商品网络连接图的商品簇划分方法。
[0012] 本发明的技术方案为：一种基于商品网络连接图的商品簇划分方法，包括以下步 骤：
[0013] S1、构建用户-商品连接关系图；
[0014] S2、构建商品-商品连接关系图；
[0015] S3、根据基于最大模块度的商品簇划分方法对商品簇进行划分。
[0016] 进一步地，步骤S1包括以下分步骤：
[0017] S11、根据电商保留的用户订单信息，采集时间段T内用户与其购买商品之间的连 接关系，生成用户-商品连接关系向量f=(用户名，商品名，购买时间，购买次数）；
[0018] S12、根据用户-商品连接关系向量f构建时间段T内的〈用户，商品〉加权邻接 矩阵D，D中元素牝表示用户i购买商品j的次数；
[0019] S13、根据〈用户，商品〉加权邻接矩阵D构建用户-商品连接关系图。
[0020] 进一步地，步骤S13具体为：
[0021] 将交易中的用户作为用户-商品连接关系图中的源节点vueV。，用户所购买的商 品作为用户-商品连接关系图中的目的节点VnievM，若用户vul购买了商品v，则将其连成 一条边eulnjeEuM，用户VU1购买商品Vnj的次数为该边的权值wU1njeW。M，构建用户-商 品连接关系图hM= <Vu，VM，匕M，％ M>。
[0022] 进一步地，步骤S2具体为：
[0023] 根据用户-商品连接关系图中用户节点VueVjp不同商品节点VnieVM之间的 连接关系，若两个商品节点vmi和Vm_j与同一用户节点vuk相连，则在二者之间添加一条边 mj 日Ε μ M;
[0024] 以共同购买商品i和商品j的用户数量表示该边的权值WnuWMΜ，构建基于关 联用户数量的商品-商品连接关系图GMΜ= <VM，EMM，WMΜ> ;
[0025] 或者以用户k共同购买商品i和商品j的购买量表示该边的权值VΜΜ， 构建基于关联用户商品购买量的商品-商品连接关系图G'MM=<VM，EMM，W' ΜΜ>。
[0026] 进一步地，步骤S3包括以下分步骤：
[0027]S31、定义商品-商品连接关系图中商品簇的模块度％ "为：
[0028]
[0029] 其中，Μ为图中的所有边数量；&1]为商品-商品连接关系图邻接矩阵中的元素，即 若商品i和商品j之间有连接边，则a^= 1，否则a^ = 0 ;kni和knj分别表示商品i和商品 j节点的度数心和C,分别表示商品i和商品j所属的商品簇；δ(CC,)为商品簇的冲激 函数，若商品i和商品j属于同一个商品簇，则δ(Q,CJ= 1，否则δ(Q,CJ= 0 ;
[0030]S32、假设商品-商品连接关系图中每个节点是一个独立的商品簇，模块度％ = 〇,商品节点mi的度为U，构建初始模块度增量矩阵：
[0031]
[0032]S33、从初始模块度增量矩阵中选择最大的^，删除其中的第i行和第i列的 元素，更新第j行和第j列的元素，得到新的模块度增量矩阵为：
[0033]
1234 其中第j行和第j列的元素，即商品簇j的度更新为：k'fkΜ」 2 更新后商品簇的模块度为：Q'" Q' 3 S34、判断模块度增量矩阵ΔζΓ 中的最大元素是否为负，若是则结束商品簇 的划分，否则返回步骤S33。 4 本发明的有益效果是：本发明通过基于网络连接图的商品簇划分方式，可以将商 品划分到不同的商品簇中，对处在同一商品簇中的商品，商家可以将其制作成商品套餐，或 者在某一商品介绍页面推荐商品簇中的其它商品，极大的提升了用户对相关商品的购买 量，从而保证商家获得更高额的利润。
【附图说明】
[0038] 图1为本发明提供的基于商品网络连接图的商品簇划分方法流程图。
[0039] 图2为本发明步骤S1的分步骤流程图。
[0040] 图3为本发明实施例中用户一天购买数据生成的用户-商品连接关系图。
[0041] 图4为本发明实施例中根据用户-商品连接关系图生成的商品-商品连接关系 图。
[0042] 图5为本发明步骤S3的分步骤流程图。
【具体实施方式】
[0043