基于社交电商平台的商品推荐方法、系统、计算机可读介质以及装置与流程

本发明涉及预测推算技术领域，具体涉及一种基于社交电商平台的商品推荐方法、系统、计算机可读介质以及装置。

背景技术：

随着电商网络日益进入人们生活视野中，我们每天接触爆炸式的海量商品数据，用户在获取自己所需要的数据时，花费大量的时间，面对庞大数据资料时，用户自主去筛选掉不感兴趣的数据十分困难，因此很多平台的信息利用率十分低下；

个性化推荐系统由此而生，为提高信息的准确度，系统通过综合利用用户的兴趣偏好、属性，商品的属性、内容、分类等进行推荐，许多的社交电商品台开始使用个性推荐系统以谋求利益最大化；但是在社交电商中，当用户没有任何历史行为时，如何去对该类用户进行推荐即是所谓的冷启动问题，也是如今各大社交电商平台面临的难点。

现有技术中，电商平台解决冷启动问题普遍采用热门推荐和通过用户历史购物行为进行相似商品推荐，但是仅仅依靠此进行推荐，没有利用到社交电商平台的自身优势，因此如何在社交电商平台上精准的建立商品数据集，且让该商品数据集不断逼近用户真正感兴趣的区域，是现有技术有待解决的问题。

技术实现要素：

为克服上述问题，本发明提供一种基于社交电商平台的商品推荐方法、系统、计算机可读介质以及装置。

为了解决上述技术问题，本发明提供一种基于社交电商平台的商品推荐方法，包括以下步骤：步骤s1：基于主用户的社交关系信息，获取与主用户关联的社交关系的用户中历史购买的商品，以构成候选商品数据集；及步骤s2：根据步骤s1所获得的候选商品数据集和电商推荐商品数据集求得并集，使用bandit算法以从并集中推荐商品给主用户；其中，所述社交关系用户包括与主用户有过代理行为或仅进行信息交流的用户。

优选地，所述步骤s1中，基于主用户的社交关系信息，获取与主用户关联的社交关系的用户中历史购买的商品，以构成候选商品数据集，包括以下步骤：步骤s101：获取主用户有过代理行为的用户历史购买商品，构成商品数据集a；步骤s102：如果商品数据集a小于预设阀值，则获取主用户有过信息交流的用户历史购物商品构成商品数据集b，将商品数据集b补充至商品数据集a；步骤s103：如果商品数据集a与商品数据集b的并集还是小于预设阀值，则在商品数据集a和商品数据集b的并集基础上进行扩展，以得到总的候选商品数据集。

优选地，所述步骤s103中，则在商品数据集a及商品数据集b的并集基础上进行扩展，包括：根据主用户和候选商品数据集内的商品的背景属性或者通过背景属性聚类或背景属性关联进行扩展。

优选地，所述步骤s2中，根据步骤s1所获得的候选商品数据集和电商推荐商品数据集求得并集，使用bandit算法以从并集中推荐商品给主用户，包括以下步骤：步骤s201：选一个(0,1)之间任一个数作为epsilon；步骤s202：以epsilon的概率在所述并集中随机推荐给用户商品并获取该商品的回报率；步骤s203：确认回报率大于预设回报率值的商品为回报率高的商品，以1-epsilon的概率从所述并集中选择与上述回报率高的商品相似度大于预设相似度值的商品继续推荐给用户。

优选地，在上述步骤s2之后，还进一步包括以下步骤：步骤s3：对主用户进行每轮以epsilon的概率在所述商品数据集中推荐商品，以1-epsilon的概率来推荐回报率大于预设回报率值的商品的相似商品，直至商品推荐截止。

优选地，所述步骤s3中，直至推荐截止，包括以下步骤：步骤s301:根据主用户对推荐商品的行为进行显性行为打分和隐形行为打分，求得总分数值；步骤s302:设定阀值，将主用户的行为的总分数值和阀值进行对比；步骤s303:上述总分数值和截止阀值的对比结果，判断是否商品推荐截止。

本发明为了解决上述技术问题，提供又一技术方案如下：一种基于社交电商平台的商品推荐系统，其包括以下模块：获取模块：获取主用户的社交关系信息获取与主用户关联的社交关系的用户中历史购买的商品，以构成候选商品数据集；推荐模块：候选商品数据集和电商推荐商品数据集求得并集，使用bandit算法以从并集中推荐商品给主用户；判断模块：判断推荐商品是否截止。

优选地，进一步可包括：用户终端，用于授权系统访问主用户的社交网络账号；社交网络服务器，用于存储主用户的社交网络账号的信息。

本发明为了解决上述技术问题，提供又一技术方案如下：一种计算机可读介质，存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述项中所述的基于社交电商平台的商品推荐方法。

本发明为了解决上述技术问题，提供又一技术方案如下：一种基于社交电商平台的商品推荐装置，该所述基于电商平台的商品推荐的装置可包括解决基于社交电商平台的商品推荐系统。

与现有技术相比，本发明所提供的一种基于社交电商平台的商品推荐方法、系统、计算机可读介质以及装置。具有如下的有益效果：

1、相比现有的商品推荐系统，其采用热门推荐和依据历史购物进行推荐来解决冷启动问题，本发明将多臂老虎机(multi-armedbandit)问题应用于个性推荐中，且在选用商品数据集时，利用了主用户的社交关系信息，并且将其扩展为候选商品数据集，且同时结合了电商热门平台的商品以供开发用户的新鲜度，相对于现有的热门推荐，在大范围进行商品聚类型的收集的方式，本发明从主用户社交关系的用户历史购买商品中构建商品数据集，因主用户和其他用户在社交电商平台上有过社交行为，因此可充分利用社交电商平台的优势，使得其推荐商品更为接近主用户感兴趣的范围；推荐的商品相比较下针对性相对更强，更容易接近冷启动用户真实的需求。

同时，运用bandit算法：在不断推荐给主用户感兴趣的商品以及相似商品时，一边探索用户新的兴趣，随着推荐轮数的增加，主用户多次表明不感兴趣的商品类型被推荐的概率将越来越低；重复执行多次之后，主用户的潜在特征将得到准确拟合，冷启动问题得到有效解决；

2、考虑到获取过主用户的代理行为关系，以及进行主用户的信息交流商品数据集，均可能无法构建合理的商品数据集，因不同用户存在差异性，某些主用户的代理行为或仅进行信息交流的用户并不广泛，从而采取首先获取用户上下级关系的代购历史购买商品后，如果不够，则继续添加用户社交关系中的历史购物商品，如果商品数据集还是较小，则通过进行扩展；这样的方式导致商品数据集中的商品构成，多以用户上下级关系和社交关系的历史购物商品为主，因此总的商品数据集更为接近主用户的需求。

3、扩展的方式，可以是通过主用户设备信息扩展，可以根据主用户和商品数据集内的商品的背景属性，通过属性聚类进行扩展，以及根据主用户或者商品的背景属性，基于关联规则推荐进行扩展，从而数据商品集的扩展商品也是近似主用户可能感兴趣范围内的商品。

4、利用bandit算法中的epsilon-greedy算法，只是推荐已知用户感兴趣的商品时，主用户容易选择疲劳，因此需要科学地推荐一些新鲜的商品，不断扩大用户兴趣的范围，从而达到推荐信息效率最大化；因此，“利用己知(exploit)”和“探索未知(explore)”结合的bandit算法来推荐用户商品，使得主用户在不断获取感兴趣的商品时，同时兼顾新鲜感；

5、判断主用户哪些动作为感兴趣的行为，通过数值转换的形式，对主用户的显性行为打分和隐形行为打分，从而更加智能化的对推荐商品的多轮循环进行截止。

6、基于该发明解决社交电商的冷启动方法而成的系统，可包括主用户终端和社交网络服务器，从而实现该系统可直接获取到主用户的社交网络账号以及存储主用户的社交网络账号的信息，因此该系统可运用于社交电商平台中，从而使得社交平台可实现对主用户进行商品推荐。

【附图说明】

图1是本发明第一实施例示出了一种基于社交电商平台的商品推荐方法的流程图；

图2是本发明第一实施例示出了图2中步骤s1的具体流程图；

图3是本发明第一实施例示出了图2中步骤s103中实现对商品数据集a和商品数据集b的并集基础上进行“扩展”的具体流程图；

图4是本发明第一实施例示出了图1中步骤s2的具体流程图；

图5是本发明示出了该发明第一实施例的变形流程图；

图6是本发明第一实施例示出了的图5中步骤s3中实现判断“直至商品推荐截止”的流程图；

图7是本发明第二实施例示出了一种解决基于社交电商平台的商品推荐系统的模块示意图。

附图说明：1、用户终端；2、社交网络服务器；3、获取模块；4、判断模块；5、推荐模块。

【具体实施方式】

为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供的一种基于社交电商平台的商品推荐方法，用于智能化的推荐给用户商品。

图1是本发明实施方式的针对用户进行个性化推荐的方法的流程图，在本发明实施方式中，所述方法包括以下步骤：

步骤s1：基于主用户的社交关系信息，获取与主用户关联的社交关系的用户中历史购买的商品，以构成候选商品数据集；及

步骤s2：根据步骤s1所获得的候选商品数据集和电商推荐商品数据集求得并集，使用bandit算法以从并集中推荐商品给主用户；

其中，所述社交关系用户包括与主用户有过代理行为或仅进行信息交流的用户。

其中，“社交关系用户”是指与主用户进行信息交流、分享、评价、讨论、传播等行为的平台上的关系用户，示例性的如：微博、推特(twitter)、博客、人人网、开心网、论坛、社区、微信围之类的信息平台。

其中“代理行为”释意为代理购买，在本发明中不仅以购买服务为主，还可包括打包服务、配送服务、便民服务等，其代表买方和卖方签订的产品或服务的购销合同关。

“商品”表征了一种社会名词，其代表了可以经营可以交易，因此可包括实际的产品、也可是服务劳动。

因此，在步骤s1中，所述的“商品数据集”中可为具体有形性质存在的产品，示例性的如：衣服、酒水、书籍等，也可包括服务属性的产品，示例性的如：旅游链接，维修服务、货运服务、学习培训。

要说明的是：上述步骤s1所述的“基于主用户的社交关系信息，获取与主用户关联的社交关系的用户中历史购买的商品，以构成候选商品数据集”的方式，可在同一平台获取，也可在经过授权的第三方平台下获取；示意性的为：同一购物平台下的用户甲和用户乙，用户乙购买过甲的商品，用户甲作为活跃用户购买了某一商品，那么此时则该商品会进入至乙所要被推荐的商品数据集中，这既是“上下级代购关系”，或者现在很多平台都允许采用第三方的账号，如qq、微信等，此好处也是为了能够从第三方获取到一些基本的用户信息，因此无论在同一平台下是在第三方有过社交关系，都可归类为有“社交关系的代购”。

以上，对本发明提供的方法的整体流程以及部分特征进行了说明，下面结合实施例对本发明的方法的详细流程进行说明。

本发明提供的第一实施例，基于社交电商平台的商品推荐方法为图1所示的方法中的所有处理方式，其中，实施例一仅为针对步骤s1的一种具体实施方式，在步骤s1中，具体包括步骤s101～s103；请参阅图2所示：

步骤s101：获取主用户有过代理行为的用户历史购买商品，构成商品数据集a；

步骤s102：如果商品数据集a小于预设阀值，则获取主用户有过信息交流的用户历史购物商品构成商品数据集b，将商品数据集b补充至商品数据集a；

步骤s103：如果商品数据集a与商品数据集b的并集还是小于预设阀值，则在商品数据集a和商品数据集b的并集基础上进行扩展，以得到总的候选商品数据集。

“扩展”指的是对商品数据集进行补充，避免其可给予主用户的选择范围较少，具体解释如下：

可以理解，“商品数据集”不能满足主用户选择的预设范围时，即所谓商品数据集的数量、品类、区间范围不够，没有达到主用户可以不断筛选的地步，即没有超过预设的阀值，则需要进行扩展填充，具体扩展商品数据集的方式可为：基于关联规则推荐、基于效用推荐或者组合推荐进行扩展。

进一步地，“预设阀值”可为数量、品类、区间范围中的一项至多项的数值或者模型，

本发明提供的第二实施例，为第一实施例所述s103所述“则在商品数据集a和商品数据集b的基础上进行扩展”的其中一种方法，请参阅图4所示：

可以通过以下方式进行填充：

步骤s1031、根据主用户本人，以及其社交关系的代购中的设备信息进行扩展；或

步骤s1032、如果设备数据不被授权读取，无法获取设备信息时，可以根据主用户或者商品的背景属性，通过属性聚类进行扩展；或

步骤s1033、根据主用户或者商品的背景属性，基于关联规则推荐进行扩展。

为方便理解，对如步骤s1031进行补充，示例性的如：当步骤s1所述的商品数据集a与商品数据集b的并集不够时，如主用户手机安装有“汽车之家”这个软件，则补充例如汽车配件、汽车服务的商品进入总的商品数据集；

为方便理解，对如步骤s1032进行补充，示意性的为：如商品数据集中已经有“冰箱”这一商品，那么“冰箱”可通过聚类为“家用电器”类，则将同类商品的“洗衣机”补充进商品数据集；

为方便理解，对如步骤s1033进行补充，示意性的为：如商品数据集中已经有“筷子”这一商品，则将与筷子相关联的“碗”补充进商品数据集。

其中上述步骤s1031至步骤s1033的具体顺序甚至必要性均不予限定，仅表示了一些可选地方案，具体是否必要实施根据特定条件而定。

本发明提供的第三实施例，基于社交电商平台的商品推荐方法为图1所示的方法中的所有处理方式，第三实施例仅为针对步骤s2的一种具体的实施方式，在步骤s2中，具体包括步骤s201～s203；请参阅图2所示：

步骤s201：选一个(0,1)之间任一个数作为epsilon；

步骤s202：以epsilon的概率在所述并集中随机推荐给用户商品并获取该商品的回报率；

步骤s203：确认回报率大于预设回报率值的商品为回报率高的商品，以1-epsilon的概率从所述并集中选择与上述回报率高的商品相似度大于预设相似度值的商品继续推荐给用户。

其中“回报率”的商品可以进一步理解为主用户对感兴趣的商品作出的行为，其中判断主用户“感兴趣”的行为可包括主用户点击、收藏、咨询，以通过主用户的行为推断主用户是否对某一商品感兴趣。

其中“预设回报率值”、“预设相似度值”均为根据具体情况预设的不同阀值，“预设回报率值”为判断商品回报率的阀值，即用户在点击、收藏、咨询行为时的上限值，当用户进行一系列的行为后，设定一个上限值用于判定用户已经“感兴趣”，具体如何对用户行为进行统计可根据狄利克雷算法获得，而“预设相似度值”为判断商品相似度的另一阀值，其主要表示了商品之间的相似程度，示例性的如：手机和手机套相似度可为80％，而手机和电脑为60％，预设相似度值设置在70％，则手机套则为商品相似度大于预设相似度值的商品，具体计算相似度的算法可为协同过滤(collaborativefiltering)算法，而获取相似商品的集合的方法可参考实施例二所述的步骤。

可以理解，如取epsilon为0.1，利用s1中所获取的并集，在每个时间步中，每次以epsilon＝0.1(利用)的概率，去商品数据集和热门商品的并集内选择商品推荐给主用户，确定有哪些商品能获得较回报率高，即主用户对哪些商品感兴趣，可以理解为主用户点击了哪些商品，之后再以q＝1-epsilon＝0.9的概率在商品数据集随机选择和商品相似的商品推荐；示例性的为，假定epsilon＝0.1，则首次在商品数据集和热门商品的并集中以10％的概率选取某一些商品，例如，主用户点击了对应商品“连衣裙”的链接，那么此时，继续从商品数据集和热门商品的并集中以90％的概率找出与“连衣裙”相似的商品，如：长裙、裹裙等推荐给主用户。

之所以候选商品数据集中需要和热门商品集并集，是因为在推荐系统中，如果只是推荐已知主用户感兴趣的商品，主用户容易选择疲劳，因此需要科学地推荐一些新鲜的商品，不断扩大主用户兴趣的范围，从而达到推荐信息效率最大化；因此，“exploit己知(exploit：利用)”和“explore未知(explore：探索)”结合的bandit算法来推荐主用户商品；

本发明提供的第四实施例，针对用户进行基于社交电商平台的商品推荐方法为图1所示的方法中的所有处理方式，其中，基于第三实施例上，仅为步骤s2的一种补充，进一步包括步骤s3；请参阅图6所示：

步骤s3：对主用户进行每轮以epsilon的概率在所述商品数据集中推荐商品，以1-epsilon的概率来推荐回报率大于预设回报率值的商品的相似商品，直至商品推荐截止。

本领域人员应该很容易理解，该算法为bandit算法中的epsilon-greedy算法，这里epsilon的值可以控制对exploit(exploit：利用)和explore(explore：探索)的偏好程度，每次决策以概率epsilon去勘探新的商品，1-epsilon的概率来利用回报率高的商品；可以理解是步骤s202～步骤s203的重复，即用户感兴趣的商品，大概率多推荐，同时不断以小概率去开发新的商品，以这样的方式来实现多轮推荐循环。

本发明提供的第五实施例，针对用户进行基于社交电商平台的商品推荐方法为图1所示的方法中的所有处理方式，其中，第五实施例仅为针对步骤s3中，判断直至推荐截止的一种方法，请参阅图5所示：

步骤s301：根据主用户对推荐商品的行为进行显性行为打分和隐形行为打分，求得总分数值；

步骤s302：设定截止阀值，将主用户的行为的总分数值和截止阀值进行对比；

步骤s303：上述总分数值和截止阀值的对比结果，判断是否商品推荐截止。

可以理解：显性打分和隐形打分即为将主用户的行为转化为数学的形式，就是根据尝试的次数和主用户的反馈为商品打分，当总分数值超过阀值，则认定主用户已经有感兴趣的行为，反之亦然，则继续重复推荐；可选地，隐形打分可利用狄利克雷算法，示例性的如：计算显性打分：设置点击率为布尔型参数，点击则为1，而未点击则为0，同理，收藏、评论、以及咨询、购买，均设置相应的分数值，如收藏行为的分值为i、评论的分值为j，而隐形打分则可根据推算主用户其他的元素、示例性的如；假设一个主用户在一个推荐的某商品的界面，停留了很长的时间，且一直有不断的浏览该界面的动作，如滑动屏幕、多次点击，则判定该主用户对该商品有感兴趣的隐形情绪，因此对其进行评分，或者又比如在商品数据集中的热门商品出现了一件与主用户偏好相悖的商品，但是主用户却对该商品十分满意，在该商品上进行了点击、收藏等行为，则判定该主用户在该商品上存在惊喜度，由此也可进行评分。最终根据显性行为打分和隐形行为的总值，和阀值进行对比即可；

可以理解，该“截止阀值”为用于界定主用户行为的数值，和以上。

请参阅同样7，本发明提供的第六实施例提供了一种解决基于社交电商平台的商品推荐系统，可以应用于服务器、平台、计算机、相机、手机、平板电脑等多种设备中，该技术可采用硬件和软件实现，其中软件部分在实施运用时，需要采用第一实施例至第五实施例中的任一或者组合的方法；其可包括以下模块：

获取模块3：获取主用户的社交关系信息获取与主用户关联的社交关系的用户中历史购买的商品，以构成候选商品数据集；

判断模块4：判断推荐商品是否截止；及

推荐模块5：候选商品数据集和电商推荐商品数据集求得并集，使用bandit算法以从并集中推荐商品给主用户；

可以理解，其中判断模块4实施时，即为上述一种基于社交电商平台的商品推荐方法的步骤s301～s303；

进一步地，一些第六实施例的变形例中，在该解决基于社交电商平台的商品推荐系统中还设有用户终端1以及社交网络服务器2：

用户终端1，用于授权访问主用户的社交网络账号；

社交网络服务器2，社交网络服务器，用于存储主用户的社交网络账号的信息，所述获取模块可获取社交网络服务器中的社交关系信息。

可以理解，在获取模块3想要获取用户存在社交关系信息获取与主用户关联的社交关系的用户中历史购买的商品，很多信息数据是需要跨第三方的平台获取授权的，因此访问用户的社交网络账号和其账号的信息尤为重要；通过用户终端，直接授权平台可以访问主用户的社交网络账号；示例性的如：很多app(app：手机/计算机的应用程序)在登陆时，会询问是否可以访问通讯录或者qq、微信；同时，社交网络服务器2可以存储主用户的社交网络账号的信息，并且给予获取模块3去利用它。

本发明提供的第七实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理设备运行时，控制所述储存介质或者处理器需执行的计算机程序需执行上述任一项基于社交电商平台的商品推荐方法，即如上述第一实施例至第五实施例整体的方法，或者执行其中任一或者组合的步骤。

本发明提供的第八实施例提供了一种基于社交电商平台的商品推荐装置，该装置可包括第七实施例中的计算机可读存储介质或者第六实施例所述的系统。

可以理解，该装置可为无人售货的装置，如无人货柜。

本领域技术人员也应当理解，如果将本发明的方法、系统、可读存储介质、实施例一至七中的全部或部分内容通过组合或者改进，代替本发明的系统中的相应实施例，同样落在本发明的保护范围内。

与现有技术相比，本发明所提供的一种基于社交电商平台的商品推荐方法具有如下的有益效果：

1、相比现有的社交电商平台，其采用热门推荐和依据历史购物进行推荐来解决冷启动问题，本发明将多臂老虎机(multi-armedbandit)问题应用于个性推荐中，且在选用商品数据集时，利用了主用户的社交关系信息，将其扩展为候选商品数据集，且同时结合了电商热门平台的商品以供开发用户的新鲜度，相对于现有的热门推荐，在大范围进行商品聚类型的收集的方式，本发明从主用户社交关系的用户历史购买商品中构建商品数据集，因主用户和其他用户在社交电商平台上有过社交行为，因此可充分利用社交电商平台的优势，使得其推荐商品更为接近主用户感兴趣的范围；推荐的商品相比较下针对性相对更强，更容易接近冷启动用户真实的需求。

同时，运用bandit算法：在不断推荐给主用户感兴趣的商品以及相似商品时，一边探索用户新的兴趣，随着推荐轮数的增加，主用户多次表明不感兴趣的商品类型被推荐的概率将越来越低；重复执行多次之后，主用户的潜在特征将得到准确拟合，冷启动问题得到有效解决；

2、考虑到获取过主用户的代理行为关系，以及进行主用户的信息交流商品数据集，均可能无法构建合理的商品数据集，因不同用户存在差异性，某些主用户的代理行为或仅进行信息交流的用户并不广泛，从而采取首先获取用户上下级关系的代购历史购买商品后，如果不够，则继续添加用户社交关系中的历史购物商品，如果商品数据集还是较小，则通过进行扩展；这样的方式导致商品数据集中的商品构成，多以用户上下级关系和社交关系的历史购物商品为主，因此总的商品数据集更为接近主用户的需求。

3、扩展的方式，可以是通过主用户设备信息扩展，可以根据主用户和商品数据集内的商品的背景属性，通过属性聚类进行扩展，以及根据主用户或者商品的背景属性，基于关联规则推荐进行扩展，从而数据商品集的扩展商品也是近似主用户可能感兴趣范围内的商品。

4、利用bandit算法中的epsilon-greedy算法，只是推荐已知用户感兴趣的商品时，主用户容易选择疲劳，因此需要科学地推荐一些新鲜的商品，不断扩大用户兴趣的范围，从而达到推荐信息效率最大化；因此，“利用己知(exploit)”和“探索未知(explore)”结合的bandit算法来推荐用户商品，使得主用户在不断获取感兴趣的商品时，同时兼顾新鲜感；

5、判断主用户哪些动作为感兴趣的行为，通过数值转换的形式，对主用户的显性行为打分和隐形行为打分，从而更加智能化的对推荐商品的多轮循环进行截止。

6、基于该发明解决社交电商的冷启动方法而成的系统，可包括主用户终端和社交网络服务器，从而实现该系统可直接获取到主用户的社交网络账号以及存储主用户的社交网络账号的信息，因此该系统可运用于社交电商平台中，从而使得社交平台可实现对主用户进行商品推荐。

以上仅为本发明较佳实施例而已，并不用以限制本发明，凡在本发明原则之内所作的任何修改，等同替换和改进等均应包含本发明的保护范围之内。