一种基于多源信息融合的移动电子商务推荐方法和系统与流程

本发明涉及信息融合技术领域，具体而言涉及一种基于多源信息融合的移动电子商务推荐方法和系统。

背景技术：

随着用户消费习惯的变化，移动电子商务已成为一种趋势。然而，连续生成大量数据不仅对于消费者在搜索有意义的产品时不方便，而且还意味着很少购买一些产品。缺乏对用户和资源信息的深入挖掘已成为制约移动商务推荐系统预测分析的主要瓶颈。

为了解决上述问题发明了推荐系统，并被电子商务从业者广泛应用，现已成为信息科学和决策支持系统的重要研究课题。目前，推荐系统的研究一般包括基于内容的过滤(cbf)，协同过滤(cf)和其他数据挖掘技术，如决策树，关联规则和语义方法。

现有的电子商务推荐系统存在着两大问题。首先，电子商务推荐系统不够深入，无法在多源挖掘中挖掘消费者的在线行为。推荐系统只关注产品和消费者在购物平台上的购物行为的信息，因此，推荐的准确性是有限的。其次，现有的移动电子商务推荐系统没有整合用户位置信息，推荐的覆盖性是有限的。

yager、gregor和许多其他学者深入研究了多源信息融合框架，信息分类，自动推理，异构数据处理，云计算和点对点(p2p)信息融合的网络信任模型。大多数信息融合模型都是基于美国国防部建立的jdl模型，它实现了从四个不同处理层面融合多源信息的要求。随着多源信息融合技术研究的发展，它已被用于模式识别，数据挖掘，知识发现等方面。然而，基于移动电子商务推荐系统中的位置的多源信息融合的研究较少。

技术实现要素：

本发明目的在于提供一种基于多源信息融合的移动电子商务推荐方法和系统，首先根据消费平台内外的两种类型信息，获取用户信息和数据；其次通过径向基函数和神经网络算法，计算推荐证据权重；再运用d-s证据理论，采用可行度来修改证据体，进行信息融合；最后综合考虑信息的时效性，稳定性，全面性等众多因素，采用功率谱估计方法处理融合结果，最终得到推荐决策。本发明能够有效增加推荐准确性、间接性和覆盖率，提高推荐服务性能。

为达成上述目的，结合图1，本发明提出一种基于多源信息融合的移动电子商务推荐方法，所述方法包括：

s1：从多个信息源获取用户信息和对应的消费数据，对获取的用户信息和对应的消费数据进行预处理，以获取原始证据体，所述原始证据体被划分成若干类；

s2：基于所述原始证据体，通过径向基函数和神经网络算法，计算原始证据体中每类数据的证据权重，所述证据权重用于区分每类数据的推荐价值；

s3：根据所述证据权重，运用d-s证据理论对原始证据体进行信息融合，以获得新的证据体；

s4：采用功率谱估计方法对所述新的证据体进行处理，以获取推荐决策。

进一步的实施例中，步骤s1中，从多个信息源获取用户信息和对应的消费数据包括：

通过“昵称-手机号码”以提取用户特征数据以及用户的高频关注数据，通过“平台id-手机号码”以从各个购物平台的数据库中挖掘用户的高频搜索数据与历史购买信息。

进一步的实施例中，步骤s1中，对获取的用户信息和对应的消费数据进行预处理包括：

采用微格式对获取的用户信息和对应的消费数据进行表示、存储、集成和管理。

进一步的实施例中，步骤s2中，基于所述原始证据体，通过径向基函数和神经网络算法，计算原始证据体中每类数据的证据权重的方法包括：

采用径向基神经网络以计算原始证据体中每类数据的证据权重；

所述径向基神经网络的隐藏层为径向基高斯层，对应的传递函数为高斯型函数：

所述径向基神经网络的输出层为softmax层，对应的传递函数为：

其中，c为输出分类数目，x为神经元输入，y为神经元输出，σj为方差，j为输入个数。

进一步的实施例中，步骤s3中，根据所述证据权重，运用d-s证据理论对原始证据体进行信息融合，以获得新的证据体的方法包括：

根据d-s证据理论，引入证据可行度μ作为评判标准以修改原始证据体m，根据下述公式计算修改后的原始证据体m的基本概率分配值：

m＝[m(a1)m(a2)…m(an)m(θ)]

其中，

根据基于局部冲突分配策略的合成规则，对修改后的原始证据体m进行融合，以获得新的证据体，采用下述公式计算融合后所得新证据体的基本概率分配值：

当时，其中a,b,c,d表示证据，m表示证据的合成规则，j表示证据体中证据个数，θ表示识别框架，k表示证据之间的冲突程度，m’表示修改后的证据体。

进一步的实施例中，所述证据可行度μ的影响因子包括信息数据的时效性、稳定性和全面性中的一种或者多种。

进一步的实施例中，所述方法还包括：

响应于每两个原始证据合成新的证据，对新的证据进行归一化处理。

进一步的实施例中，步骤s4中，采用功率谱估计方法对所述新的证据体进行处理，以获取推荐决策是指，

根据用户需求和特征信息x(n)的自相关函数所述自相关函数代表任意两个不同用户在不同时刻的用户需求和特征信息xn(n)与xn(n+m)之间的相关程度，由该相关程度计算出功率谱密度pxx(ω)＝∑mφxx(m)e^-zωm，所述功率谱密度与相关程度为一对傅里叶变换。

基于前述方法，本发明还提及一种基于多源信息融合的移动电子商务推荐系统，所述系统包括：

用以从多个信息源获取用户信息和对应的消费数据，对获取的用户信息和对应的消费数据进行预处理，以获取原始证据体的模块，所述原始证据体被划分成若干类；

用以基于所述原始证据体，通过径向基函数和神经网络算法，计算原始证据体中每类数据的证据权重的模块，所述证据权重用于区分每类数据的推荐价值；

用以根据所述证据权重，运用d-s证据理论对原始证据体进行信息融合，以获得新的证据体的模块；

用以采用功率谱估计方法对所述新的证据体进行处理，以获取推荐决策的模块。

以上本发明的技术方案，与现有相比，其显著的有益效果在于：

1)根据消费平台内外的两种类型信息，获取用户信息和数据，确保数据来源多样化。

2)结合径向基神经网络与d-s证据理论，使用位置信息，社交平台评论，产品信息和用户信息，有效增加推荐准确性，弥补了以往推荐方法仅关注产品以及用户在消费平台的购物信息，不结合用户的其他信息的准确性缺陷；

3)采用可行度来修改证据体，进行信息融合，避免d-s理论的鲁棒性和一票否决性；

4)采用可行度来修改证据体、以及根据局部冲突分配合成规则这两个方面的结合，既能提高推荐的准确性，降低推荐系统响应时间，又能增加推荐覆盖率，提高推荐服务性能。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：

图1是本发明的基于多源信息融合的移动电子商务推荐方法的流程图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

结合图1，本发明提出一种基于多源信息融合的移动电子商务推荐方法，所述方法包括：

s1：从多个信息源获取用户信息和对应的消费数据，对获取的用户信息和对应的消费数据进行预处理，以获取原始证据体，所述原始证据体被划分成若干类。

信息源包括云数据，各个购物平台的数据库，用户浏览的网页信息、视频信息，搜索引擎提供的用户数据，用户的聊天记录数据，存储在用户移动终端上的位置信息、语音、图片、视频等。

本发明提出，优选的，从所有可能获取到用户信息的信息源来获取信息，以全面了解消费者的需求，再根据需求推荐产品。尤其是位置信息，消费者的位置与他们的购物行为之间存在密切关系，为了使推荐系统发挥更大的作用，移动电子商务推荐系统可以选择整合用户位置信息，即，将多源信息融合方法引入到位置和历史行为信息的整合中。

获取方法包括以下几种：通过“昵称-手机号码”以提取用户特征数据以及用户的高频关注数据，通过“平台id-手机号码”以从各个购物平台的数据库中挖掘用户的高频搜索数据与历史购买信息等等。

本发明针对移动电子商务中多源信息融合与决策推荐，使用位置信息、社交平台评论、以及产品信息和用户信息，有效增加推荐准确性。该方法弥补了以往推荐方法仅关注产品以及用户在消费平台的购物信息，不结合用户的其他信息的准确性缺陷。

进一步的实施例中，步骤s1中，对获取的用户信息和对应的消费数据进行预处理包括：

采用微格式对获取的用户信息和对应的消费数据进行表示、存储、集成和管理。

通过对获取的用户信息和对应的消费数据进行预处理，以使获取的数据格式统一，便于用户阅读和/或机器处理。

s2：基于所述原始证据体，通过径向基函数和神经网络算法，计算原始证据体中每类数据的证据权重，所述证据权重用于区分每类数据的推荐价值。

具体的，本发明通过采用一种改进的径向基神经网络以计算原始证据体中每类数据的证据权重。

所述径向基神经网络的隐藏层为径向基高斯层，对应的传递函数为高斯型函数：

所述径向基神经网络的输出层为softmax层，对应的传递函数为：

其中，c为输出分类数目，x为神经元输入，y为神经元输出，σj为方差，j为输入个数。

s3：根据所述证据权重，运用d-s证据理论对原始证据体进行信息融合，以获得新的证据体。

为避免d-s理论的鲁棒性和一票否决性，基于d-s证据理论，引入证据可行度μ作为评判标准以修改原始证据体m，根据下述公式计算修改后的原始证据体m的基本概率分配值：

m＝[m(a1)m(a2)…m(an)m(θ)]

其中，

优选的，所述证据可行度μ的影响因子包括信息数据的时效性、稳定性和全面性中的一种或者多种。

对原始证据体m完成修改之后，再根据基于局部冲突分配策略的合成规则，对修改后的原始证据体m进行融合，以获得新的证据体，采用下述公式计算融合后所得新证据体的基本概率分配值：

当时，其中a,b,c,d表示证据，m表示证据的合成规则，j表示证据体中证据个数，θ表示识别框架，k表示证据之间的冲突程度，m’表示修改后的证据体。

通过采用可行度来修改证据体、以及根据局部冲突分配合成规则这两个方面的结合，既能提高推荐的准确性，降低推荐系统响应时间，又能增加推荐覆盖率。

优选的，响应于每两个原始证据合成新的证据，对新的证据进行归一化处理，以便于后续处理。

s4：综合考虑信息的时效性，稳定性，全面性等众多因素，采用功率谱估计方法对所述新的证据体进行处理，以获取推荐决策。

具体的，根据用户需求和特征信息x(n)的自相关函数所述自相关函数代表任意两个不同用户在不同时刻的用户需求和特征信息xn(n)与xn(n+m)之间的相关程度，由该相关程度计算出功率谱密度pxx(ω)＝∑mφxx(m)e^-zωm，所述功率谱密度与相关程度为一对傅里叶变换。

基于前述方法，本发明还提及一种基于多源信息融合的移动电子商务推荐系统，所述系统包括以下几个模块：

1)用以从多个信息源获取用户信息和对应的消费数据，对获取的用户信息和对应的消费数据进行预处理，以获取原始证据体的模块，所述原始证据体被划分成若干类。

2)用以基于所述原始证据体，通过径向基函数和神经网络算法，计算原始证据体中每类数据的证据权重的模块，所述证据权重用于区分每类数据的推荐价值。

3)用以根据所述证据权重，运用d-s证据理论对原始证据体进行信息融合，以获得新的证据体的模块。

4)用以采用功率谱估计方法对所述新的证据体进行处理，以获取推荐决策的模块。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。