专利名称：：快速智能化的商品推荐系统的制作方法
技术领域：
：本发明涉及商品推荐系统，具体涉及快速智能化的商品推荐系统。
背景技术：
：商品包括产品和服务。商品推荐，包括广告和优惠计划，是商家促销的核心手段。传统的商品推荐是非个性化的，不能满足个人的需求。提供个人化的商品推荐是目前全球商务的一个热点，能大大提高商品推荐的效果，例如美国的Amazon,在2003年使用了个人化商品推荐系统后，年度销售量提高了25%。美国的大型超市或在线销售商，如Wal-Mart，Target,CVS，Amazon,均十分重视个人化的商品推荐。国内目前个人化的商品推荐还不普遍。现有的个人化的商品推荐系统，存在以下的缺陷1、忽略了商家的需求，真正智能化的商品推荐系统，不仅要考虑到客户的个人需求，也要考虑到商家的需求，比如某些畅销品，即使不进行广告宣传，也能很快销出；2、不能处理海量数据，大型的商家，有着数万种商品，每天的交易数十万次，积累了海量的交易数据，这些交易数据对提供智能化的商品推荐有很大帮助，但如何处理这样的海量数据流，是一个非常困难的问题，如果不能解决，推荐系统的响应时间会很慢，系统无法实用，或者仅能用于小商家，而不能用在大型百货公司和超市连锁；3、对市场变化的反应慢，许多商品推荐系统更新缓慢，一周或者一个月才更新模型，缺乏快速的更新方法。
发明内容本发明的目的在于提供一种快速智能化的商品推荐系统，该推荐系统能够根据商品提供者自身需要，为客户提供个性化的商品推荐服务，并且能够快速处理海量数据，以便用于大型的商家。本发明的技术解决方案是该推荐系统包括商家需求分析模块和商品推荐模块，商家需求以规则形式表达，客户交易数据库存贮了商家的交易记录，商家需求分析模块根据商家需求和客户交易数据库对商家经营的商品进行评估，产生待推荐商品库，商品推荐模块根据客户交易数据库和待推荐商品库产生满足当前客户个人需求的推荐商品列表为当前客户提供商品服务。其中，为了提高商品推荐系统的服务速度，商品推荐模块采用了两种加速方式(1)采用离线式计算，通常在非营业时间进行；(2)采用分布式计算。本发明的优点在于1、智能化，本系统产生的商品推荐不仅是为用户定制的，也是为商家定制的，这种有针对性地服务可以极大增加商家的销售量和利润；2、快速和高扩展度，本系统采用加速方式的分布式计算或离线式计算，提高商品推荐系统的服务速度，实现实时服务，同时具有很好的可扩展性，能满足大型商家的需求；3、对市场变化反应灵敏，本系统采用在线学习，根据市场变化和当天的营业数据，在交易日的非营业时间对系统进行更新，自适应强。图l是本发明的框图。图2是图1根据交易数据生成的评价表。图3是图1的相似度的分布式汇总学习示意。图中110商家需求，120客户交易数据库，130商家需求分析模块，140待推荐商品库，150商品推荐模块，160当前客户。具体实施例方式如图1所示，该推荐系统包括商家需求分析模块130和商品推荐模块150，商家需求110以规则形式表达，客户交易数据库120存贮了商家的交易记录，商家需求分析模块130根据商家需求110和客户交易数据库120对商家经营的商品进行评估，产生待推荐商品库140，商品推荐模块150根据客户交易数据库120和待推荐商品库140产生满足当前客户个人需求的推荐商品列表为当前客户提供商品服务。本发明所涉及的商品推荐包括广告和商品促销，发送方式可以是纸质、手机或者是电脑。商家需求110用一组规则表达，描述语言是一阶预测逻辑(firstorderpredictivelogic)，或者其它确定式或者概率式规则描述语言，以表达复杂的规则；一个一阶预测逻辑规则的例子商品A是新品，且属于洗化类，则重点推荐；这个规则表达为AG新品ANDAG洗化类一重点推荐A;计算一个商品推荐指数，这个指数的计算公式是/1("=^^(1)在这里Rl(X)是商品X的推荐指数，N。(X)代表支持推荐商品X的规则总数，N(X)是涉及商品X的规则总数，Rl是一个之间的指数，值越大表示商家越需要推荐此商PIPRo客户交易数据库120存储了商家的交易数据，这个数据库是关系型，面向对象的，或者是关系对象型的，这个数据库能够快速的查询到客户、商品、交易时间的记录，通常来说这个数据库存储了海量的交易记录，属于大型数据库。商家需求分析模块130的操作如下1、分析客户交易数据库120，建立一个概率预测模型，这个预测模型是从数据库中学习到的，而不是专家生成的，因为手工分析这样大量的数据所需要的时间是惊人的；这个模型的目标变量R2表达推荐某种商品的概率，R2的值在[O，l]之间，值越大表示商家越需要推荐此商品；商家需求分析模块130统计某种商品在某个时间块的销售情况，如果一个商品越滞销，R2越大；预测模型的预测变量(predictivevariable)包括了市场条件的经济环境、销售季节，以及商家所在的区位、人口状况、交通状况等；预测模型的功能形式可以是决策树类，discriminantanalysis,贝叶斯分类器，神经网络，集总学习，或者这些算法的任意组合；当产生了这样的预测模型之后，对每一种商品可以打分，越大表示商家越需要推荐此商品；42、信息融合，现在有两个信息源，一个是R2，另一个是根据商家需求110规则所产生R1，最终商品X的推荐指数R(X)是R1和R2的贝叶斯平均，R的值在之间，如果R>0.5，我们把X加入到待推荐商品库140中。商品推荐模块150的功能块有两个，一是产生推荐模型，二是用推荐模型为当前客户产生推荐商品，推荐模型是基于协同滤波，是利用客户交易数据库120中的客户行为数据来预测客户的偏好，因为客户交易数据库120是一个海量数据库，采用基于商品的协同滤波有能力快速处理海量数据；基于商品的协同滤波是工作在一张评价表(ratingtable)上，评价表从客户交易数据库120中产生，如图2所示，评价表的行代表用户，列代表商品；根据评价表来计算商品之间的相似度；对商品Xi和Xj，它们之间的相似度S(Xi，Xj)用于刻画客户同时购买两件商品的可能，相似度S用相关系数类，余弦系数类，或者其它变形来表达；S是推荐模型的核心部分，给定了S，当服务于一个当前客户时，推荐系统利用加权平均法对商品i计算推荐度Pu,j，<formula>formulaseeoriginaldocumentpage5</formula>(2)这里yu,j是客户u对商品j的评价，Si,n是商品i和n之间的相似度，N是与商品i相似的商品集合；系统选出Pu,j最高的1-5个商品，推荐给当前客户。在这里描述了S的快速高扩展度的产生方法，S的计算只考虑同时评价了&和Xj的客户，图2中用黑体标出的部分，这些客户组成的集合用U来表示，余弦相似度S计算公式如下<formula>formulaseeoriginaldocumentpage5</formula>(3)这里yu,j是客户u对商品j的评价，注意到余弦相似度S具有两个特点(1)S用充分统计(sufficientstatistics)表达，在公式3中，数据的信息量被表达为三个和式，存储了三个和式的值，就完全确定了S;(2)公式3中每个和式都是对客户可分解的，把客户分成不同的子集，对每个子集进行运算，然后再汇总起来进行计算。针对相似度的这些特点，本发明提出了相似度的分布式汇总学习方法，图3示出了算法的总体设计，算法用于任何满足充分统计和客户分体条件的相似度的快速计算，实现如下a)将客户集U划分为几个子集{Uk}(1《k《K);每个子集Uk的数据由一个计算节点来处理，每个节点进行本地计算，得出Zl=EUEUkyu,iyu,j，Z2=Eueuk7仏^,"3=EueUiYu,jYu,j.b)每个节点将Zl，Z2，Z3都送到中心节点，进行交叉学习，根据公式3获得相似度。分布式汇总学习方法使得本系统有极好的扩展度，计算时间能通过增加节点数来线性的縮短；本发明通过以下方式获得快速处理海量数据的能力，(1)分布式汇总学习方法线性的縮短计算时间；(2)商品推荐仅考虑待推荐商品库中140的商品，大大减少了计算量；(3)相似度的计算是离线的，可以在非营业时间完成。下面描述系统的更新方法系统根据市场条件的变化以及新的客户交易数据进行更新对保证系统的准确度十分重要；当市场条件变化时，系统将更新商家需求110;同时根据新的交易数据，系统更新概率预测模型，这样完成了商家需求分析模块130的更新；商品推荐模块150的更新主要是相似度表的更新，利用相似度的可分解性和充分统计性，新的客户数据用U加w来表示，系统先计算Zl加w=EuEUnewyu,iyu,j，Z^ew=EuEUnewy^yu,"Z3new=EuEUnyu,jyu,j.然后将Zlnew，Z^w，Z;3new带入公式3获得更新的相似度。上文描述了本发明的实现方法。本发明可用于许多应用。尽管所做的描述是与特定的实现事例关联的，但核心的发明思想及技术处理方法可适用于其它的应用。在本发明的核心思想及技术处理方法上所做出的修改与变形，均属于本发明的保护范围。权利要求快速智能化的商品推荐系统，该推荐系统根据商品提供者自身需要，为客户提供个性化服务，其特征在于该推荐系统包括商家需求分析模块(130)和商品推荐模块(150)，商家需求(110)以规则形式表达，客户交易数据库(120)存贮了商家的交易记录，商家需求分析模块(130)根据商家需求(110)和客户交易数据库(120)对商家经营的商品进行评估，产生待推荐商品库(140)，商品推荐模块(150)根据客户交易数据库(120)和待推荐商品库(140)产生满足当前客户个人需求的推荐商品列表为当前客户提供商品服务。2.根据权利要求1所述的快速智能化的商品推荐系统，其特征在于该系统产生一个基于商家需求和销售数据的待推荐商品库，依据商家需求产生一个推荐指数，依据销售数据产生另一个推荐指数，最终商品推荐指数是两个指数的平均。3.根据权利要求1所述的快速智能化的商品推荐系统，其特征在于商家需求用一组规则表达，描述语言是确定式或者概率式规则描述语言，以表达复杂的规则，根据这些规则计算一个商品推荐指数。4.根据权利要求1所述的快速智能化的商品推荐系统，其特征在于商家需求分析模块统计某种商品在某个时间段的销售情况，建立一个预测模型，预测模型的预测变量包括了市场条件经济环境、销售季节，以及商家所在的区位、人口状况和交通状况，预测模型的功能形式是任意的单个分类器，或者这些分类器的任意组合，当产生了这样的预测模型之后，对每一种商品打分，越大表示商家越需要推荐此商品。5.根据权利要求1所述的快速智能化的商品推荐系统，其特征在于商品推荐模块快速产生推荐模型，推荐模型是工作在一张评价表上，评价表从客户交易数据库中产生，评价表的行代表用户，列代表商品；根据评价表来计算商品之间的相似度，对商品&和Xj，它们之间的相似度S(Xi，Xj)用于刻画客户同时购买两件商品的可能；S是推荐模型的核心部分，给定了S，当服务于一个当前客户时，推荐系统利用加权平均法对商品计算推荐度；对于任何满足充分统计和客户可分体条件的相似度的快速计算，S的快速高扩展度的产生方式如下a.将客户集U划分为几个子集{Uk}(1《k《K);b.每个子集Uk的数据由一个计算节点来处理，每个节点进行本地计算，用yu,j是客户u对商品j的评价，基于本地数据{yu,j}(uGUk)，产生一组本地充分统计量；c.各个计算节点将本地充分统计量送到一个中心节点，进行交叉学习，计算汇总的充分统计量，根据汇总的充分统计量，计算相似度。6.根据权利要求5所述的快速智能化的商品推荐系统，其特征在于该推荐系统包括待推荐商品库和推荐模型的更新；当市场条件变化时，系统将更新商家需求；同时根据新的交易数据，系统更新概率预测模型；完成了这两组更新之后，商品的推荐指数发生变化，根据新的推荐指数更新待推荐商品库；相似度表的更新是基于了相似度的可分解性和充分统计性，对新的交易数据，计算充分统计，将这组充分统计代入到原有的充分统计中，进行更新。全文摘要本发明公开了一种快速智能化的商品推荐系统，该推荐系统根据商品提供者自身需要，为客户提供个性化服务，该推荐系统包括商家需求分析模块和商品推荐模块，商家需求以规则形式表达，客户交易数据库存贮了商家的交易记录，商家需求分析模块根据商家需求和客户交易数据库对商家经营的商品进行评估，产生待推荐商品库，商品推荐模块根据客户交易数据库和待推荐商品库产生满足当前客户个人需求的推荐商品列表为当前客户提供商品服务。本系统产生的商品推荐不仅是为用户定制的，也是为商家定制的，可以极大增加商家的销售量和利润，提高商品推荐系统的服务速度，实现实时服务，同时具有很好的可扩展性，能满足大型商家的需求。文档编号G06Q30/00GK101783004SQ20101011958公开日2010年7月21日申请日期2010年3月3日优先权日2010年3月3日发明者陈嵘申请人:陈嵘