本发明属于互联网应用,涉及一种商品推荐方法。
背景技术:
1、通过商品推荐算法,能够推测出用户可能喜欢的东西,帮助用户更快地找到自己可能喜欢的商品。商品推荐算法主要应用于网络,一个好的推荐系统,能够提高商品的转化率、增加销售收入;还能带给用户惊喜,增加网站的新用户和访问量。
2、商品推荐算法包括基于用户的协同过滤推荐算法。基于用户的协同过滤推荐算法是指找到与待推荐商品的用户u兴趣爱好最为相似的k个用户,根据他们的兴趣爱好将他们喜欢的商品视为用户u可能会感兴趣的商品对用户u进行推荐。
3、但是基于用户的协同过滤算法在寻找与待推荐商品的用户u兴趣爱好最为相似的k个用户时,没有考虑各个相似用户的区别,采用同样方法获取所有相似用户对商品的评分并据此获取待推荐商品的用户对商品的感兴趣程度,推荐结果准确率有待提高。
技术实现思路
1、本发明针对目前基于用户的协同过滤算法没有考虑各个相似用户的区别,采用同样方法获取所有相似用户对商品的评分并据此获取待推荐商品的用户对商品的感兴趣程度,推荐结果准确率有待提高的技术问题,提出一种商品推荐方法。
2、为实现上述技术目的,本发明采用以下技术方案。
3、一种商品推荐算法,包括:
4、根据各个用户感兴趣的商品列表,确定各个用户与待推荐商品的用户 u之间的相似度;
5、根据相似度确定用户 u的相似用户集合;
6、根据用户 u的相似用户集合中各用户 v的特征变量进行用户聚类;
7、根据用户 u的特征变量与其他聚类中心的距离,确定用户集合中用户 v对商品 i打分的权重;
8、根据用户集合中用户 v对商品 i打分的权重以及用户 v对商品 i打的分数确定待推荐商品的用户 u对商品的感兴趣程度,进而为用户 u推荐其最感兴趣的商品。
9、进一步地,所述根据相似度确定待推荐商品的用户 u的相似用户群,包括选定相似度大于预设值的用户,根据相似度从大到小排序,选择最前面的 k个用户组成待推荐商品的用户 u的相似用户集合。
10、进一步地,所述根据用户 u的相似用户集合中各用户 v的特征变量进行用户聚类,包括:
11、选取用户特征,获取相似用户集合中各用户的特征变量值;
12、对相似用户集合中各用户的特征变量值进行向量化表示获得用户特征向量;
13、对用户特征向量进行归一化表示;
14、基于归一化后的用户特征向量采用聚类算法进行聚类,获得聚类结果。
15、再进一步地,所述聚类算法为k-means聚类算法。
16、再进一步地,所述用户特征变量包括地理位置、年龄、性别、婚姻、教育程度、职业以及收入等级。
17、进一步地,所述待推荐商品的用户 u对商品的感兴趣程度的计算公式如下:
18、
19、其中为用户 v与待推荐商品的用户 u之间的相似度,为用户 v对商品 i打分的权重,为用户 v对商品 i打的分数,为待推荐商品的用户 u的相似用户集合,包含了用户 u的 k个相似用户。
20、再进一步地,采用以下公式计算用户 v与待推荐商品的用户 u之间的相似度:
21、
22、其中为用户 v与待推荐商品的用户 u之间的相似度,为用户 u感兴趣的商品, 为用户 v感兴趣的商品。
23、再进一步地,用户 v对商品 i打分的权重的确定方法包括:
24、将除用户 u所属聚类之外的其他聚类的聚类中心与用户 u的特征变量的距离从小到大进行排序,根据排序依次从大到小设定其他聚类中用户对商品 i打分的权重,同一聚类中的用户对商品 i打分的权重相同;
25、与用户 u同属同一类的用户对商品 i打分的权重最大。
26、第二方面,本发明提供了一种商品推荐系统,包括:
27、相似度计算模块,用于根据各个用户感兴趣的商品列表,确定各个用户与待推荐商品的用户 u之间的相似度;
28、相似用户确定模块,用于根据相似度确定用户 u的相似用户集合;
29、用户聚类模块,用于根据用户 u的相似用户集合中各用户 v的特征变量进行用户聚类;
30、权重设定模块,用于根据用户 u的特征变量与其他聚类中心的距离,确定用户集合中用户 v对商品 i打分的权重;
31、商品推荐模块,用于根据用户集合中用户 v对商品 i打分的权重以及用户 v对商品 i打的分数确定待推荐商品的用户 u对商品的感兴趣程度,进而为用户 u推荐其最感兴趣的商品。
32、本发明所取得的有益技术效果:
33、本发明对根据待推荐商品的用户的特征变量与其他聚类中心的距离,确定各个用户对商品 i打分的权重;根据其他聚类中所有用户对商品 i打分的权重以及各用户 v对商品 i打的分数确定待推荐商品的用户 u对商品的感兴趣程度,充分考虑各个相似用户的区别,对其分配了不同的权值,据此获取待推荐商品的用户对商品的感兴趣程度,推荐结果准确率提高。