一种快消品电商网站的商品推荐方法与流程

本发明属于电子商务领域，尤其涉及一种快消品电商网站的商品推荐方法。

背景技术：

电商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。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。

主要的推荐算法有基于内容推荐、协同过滤推荐、基于关联规则推荐、基于效用推荐、基于知识推荐、组合推荐。其中协同过滤推荐技术是推荐系统中应用最早和最为成功的技术之一。它一般采用最近邻技术，利用用户的历史喜好信息计算用户之间的距离，然后利用目标用户的最近邻居用户对商品评价的加权评价值来预测目标用户对特定商品的喜好程度，系统从而根据这一喜好程度来对目标用户进行推荐。

协同过滤是基于这样的假设：为一用户找到他真正感兴趣的内容的方法是首先找到与此用户有相似兴趣的其他用户，然后将他们感兴趣的内容推荐给此用户。其基本思想非常易于理解，在日常生活中，我们往往会利用好朋友的推荐来进行一些选择。协同过滤正是把这一思想运用到电子商务推荐系统中来，基于其他用户对某一内容的评价来向目标用户进行推荐。

基于协同过滤的推荐系统可以说是从用户的角度来进行相应推荐的，而且是自动的，即用户获得的推荐是系统从购买模式或浏览行为等隐式获得的，不需要用户努力地找到适合自己兴趣的推荐信息，如填写一些调查表格等。

传统的协同过滤推荐算法在计算与目标用户兴趣相似的用户集合过程中，需要求出目标用户与所有其他用户之间的相似度，如果平台用户比较庞大的话，这个寻找与目标用户兴趣相似的用户集合过程复杂度是O(n*n*d)，n为用户数目，d为商品的数目。而且因为未考虑到位置服务，不同区域的用户的兴趣差异可能会很大，这将大大增加了协同过滤中的稀疏问题，降低了推荐精度。

本发明提出的快消品电商平台的“周边商家都订了”的推荐栏目，是基于LBS的协同过滤推荐算法，在寻找与目标用户兴趣相似的用户集合过程中，只需要在目标用户周边的用户群体中寻找，所以计算与目标用户兴趣相似的用户集合过程的复杂度大大降低，将有效提高推荐引擎的性能。而且周边的便利店的兴趣爱好相似较高，有效降低用户-项目评分矩阵的稀疏性，一定程度上提高推荐算法的推荐精度。

技术实现要素：

为了克服现有技术中存在的不足，本发明公开了一种快消品电商网站的商品推荐方法。

本发明是通过如下技术方案实现的：

一种快消品电商网站的商品推荐方法，包括以下步骤：

步骤一)将电商网站平台的注册门店提交的位置数据储存在LBS云存储中心；

步骤二)目标消费者标记某门店中的商品后，则以所述门店为目标门店，利用LBS云存储中心储存的位置数据以及电子地图软件检索出目标门店的周边门店集合；

步骤三)利用周边门店集合中各门店的消费者记录信息，计算周边门店集合中各门店的消费者与目标消费者的相似度，再划分出目标消费者的相似消费者集合；

步骤四)提取相似消费者集合中的消费者标记过的所有商品，从中剔除目标消费者已标记过的商品，再计算目标用户对其余商品的兴趣度；将兴趣度最高的一个或多个商品推荐给目标消费者。

进一步的改进，所述步骤一)中，将电商网站的注册门店提交的位置数据储存在LBS云存储中心，具体包括以下步骤：

注册门店将的地址提交到电商网站平台，电商网站平台审核注册门店信的地址，审核不通过，则要求重新填写地址，再次审核；

注册门店的地址审核通过后，电商网站平台调用电子地图软件，根据门店的详细地址得到其经纬度；将门店的地址作为一个位置数据，存储于LBS云存储中心。

进一步的改进，所述步骤三)中利用余弦相似度计算周边门店集合中各门店的消费者v与目标消费者u的相似度，计算公式为：

其中u和v为两个消费者，N(u)为消费者u标记的物品集合，N(v)为消费者v标记的物品集合。

进一步的改进，所述步骤三)中将相似度大于0.1893的消费者划入相似消费者集合。

进一步的改进，所述步骤四)中目标消费者u对一个商品i的兴趣度p(u,i)的计算公式为：

W_uv为周边门店集合中各门店的消费者v与目标消费者u的相似度；S(u,K)为相似消费者集合；r_vi为消费者v对物品i的兴趣，采用单一行为的隐反馈数据，则r_vi＝1。

进一步的改进，所述步骤三)中，所述消费者记录信息为最近一个月的消费者记录信息。

与现有技术相比，本发明具有以下优点：

本发明为快消品电商平台提供个性化推荐栏目，在传统的协同过滤推荐算法的基础上引入LBS，使得在寻找与目标门店兴趣度相似的门店集合的性能大大提升。考虑到快消品行业的快速流通，在计算用户-商品的时候，只取最近一个月的订单数据。根据同一地理商圈的门店用户在平台上的最近一个月的订购情况，为目标门店用户推荐附近门店进了，但是自己没有订的商品集合。

附图说明

图1是本发明的系统结构图；

图2是注册门店的数据交互流程；

图3是本发明的推荐的流程图；

图4是本发明的相似度计算原理图。

具体实施方式

实施例1

依据本发明，设计出一种快消品电商平台的“周边商家都订了”的推荐栏目，是基于LBS的协同过滤推荐算法。图1表示了本发明的系统结构图。本实施例基于LBS的个性化推荐系统主要依赖于LBS云存储中心和用户行为数据，推荐出的结果集呈现在电商网站UI界面的“周边商家都订了”的个性化推荐栏目里。本实施例中用到的LBS云存储中心为百度LBS云存储中心，所用到的电子地图软件为百度地图。

LBS云存储中心存储着平台注册门店用户的位置数据。所以在快消品电商平台注册的门店，都要求填写门店的详细地址。门店用户注册的数据交互流程如图2所示：

1.门店用户在快消品电商平台注册时，需填写门店所在的详细地址。

2.快消品电商平台审核注册的门店信息，如果门店地址填写不够详细，则审核不通过，要求重新填写地址。

3.如果门店的信息审核通过，快消品电商平台调用百度地图api,根据门店的详细地址得到其经纬度。

4.将门店作为一个POI(Point Of Information:位置数据)，存储于百度LBS云存储中心。百度LBS.云存储对位置数据(POI)实体字段的定义如下表所示：

在得到平台上所有注册门店用户的位置信息后，就可以为目标门店用户定制个性化推荐栏目“周边商家都订了”。推荐的流程如图所示：

(一)检索目标门店周边门店集合

因为平台在审核门店信息通过后，都会将门店作为一个POI存储于百度LBS云存储中心，所以此步骤就可以调用百度地图api的POI周边搜索功能。

周边检索是指以一点为中心(中心点通过location参数指定)，搜索中心点附近指定距离范围(搜索半径通过radius参数指定)内的POI点。检索时可通过tags参数指定检索的类型；通过sortby参数进行检索结果的排序(支持多字段排序)；filter参数可以完成对指定数据范围的筛选。

如我们要检索某一门店周边3公里的所有门店集合，只要指定location参数为该门店的坐标，radius参数为3000，tags为“便利店”(上面我们创建的POI实体的tags字段指定为“便利店”)，sortby参数指定为“distance:1”，即按照距离由近到远进行排序。

(二)在周边的门店集合中找到与目标消费者兴趣相似的门店消费者集合

寻找与目标门店消费者兴趣相似的门店集合现在只需在目标门店周边的门店集合里寻找。给定消费者u和v，设N(u)为消费者u喜欢(或其他进行标记的方式)的物品集合，N(v)为消费者v喜欢的物品集合，那么可以利用余弦相似度计算u和v之间的相似度。

以图4为例，举例说明计算消费者相似度。在该例中，消费者A对物品{a,b,d}有过行为，消费者B对物品{a,c}有过行为，利用余弦相似度公式计算消费者A和消费者B的兴趣相似度为：

同理我们可以计算出消费者A和消费者C、D的相似度：

(三)物品推荐：

设用集合S(u,K)表示与目标消费者u最相似的K个消费者，将S中消费者喜欢的物品全部提取出来，并去除消费者u已经喜欢的物品。对于每个候选物品i，消费者u对它的兴趣度用如下公式度量：

r_vi代表消费者v对物品i的兴趣度，因为使用的是单一行为的隐反馈数据，所以所有的r_vi＝1。

举个例子，假设我们要给消费者A推荐物品，选取K＝3个相似消费者，相似消费者则是：B、C、D，那么他们喜欢过并且A没有喜欢过的物品有：c、e，那么分别计算p(A,c)和p(A,e)：

最后，该推荐方法应用到快消品电商网站的个性化推荐栏目“周边商家都订了”。算出目标门店消费者在一段时间内没有订购过，但是周边与目标门店兴趣相似的门店集合有订购过的商品列表，分出计算出目标门店对这个商品列表中各个商品的兴趣程度p(u,i)，最后根据p(u,i)的高低选取若干个商品放到推荐栏目。

以上实施例仅用于说明本发明，但不用来限制本发明的范围，凡是依据本发明的技术实质对以下实例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。