一种网购信息推荐方法

1.本发明涉及网购商品推荐技术领域，尤其涉及一种网购信息推荐方法。


背景技术：

2.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。
3.现在的推荐系统主要是利用用户的历史购买记录和用户的社交网络关系来对用户进行推荐，这些方法只能被动的去预测和推荐用户下一次购买的商品，很少能够去指导或者吸引用户去选择购买一些商品。在现在的推荐方法中，利用了已购买的商品之间的相似性去分析用户的喜好，但是却忽略了已购买的商品内部之间的关系，商品之间不是相互独立的，而是存在依赖关系。比如：我们在选择购买上衣的时候，我们会分析这件上衣是否与已购买中的哪些下装，鞋子，配饰比较协调，然后在选择是否购买。评分高的商品并不是和其他任何商品的组合都是评分高，同理评分中等的商品不是和其他任何商品的组合都是中等，有可能会组合成高评分。这些商品的组合不是简单的线性相加，而是一种非线性的关系，有些商品组合甚至是指数递增的关系。如果考虑购买的东西和已有的商品之间不能够达到最小的匹配度或者是中等匹配，那么购买的这件商品将无法与任何商品搭配协调或者是与任何商品的搭配效果平平，则用户不能最大化对它进行使用，可能这件商品只能够成为“透明的”。
4.此外，虽然有一些推荐是关于搭配，利用一些人为的搭配准则和图片的卷积，并且产生的这种搭配组合是主观意识上搭配协调的商品组合，并不针对某个特定的目标用户。


技术实现要素：

5.本发明的目的在于提供一种网购信息推荐方法，解决背景技术中提到的技术问题。
6.为了实现上述目的，本发明采用的技术方案如下：一种网购信息推荐方法，所述方法包括如下步骤：步骤1：收集用户的已购买的商品数据并分析出影响购买的因素数据；步骤2：根据用户信息设计推荐目标商品，并分析目标商品的影响因素；步骤3：根据已收集的用户的已购买的商品数据计算商品购买的相关属性和影响权重；步骤4：将已购买商品相关属性进行趋势比较得到所有商品性能数据数量，然后将所有商品性能数据数量与网络销售的推荐目标商品的性能数据对比得到聚类商品性能数据数量；步骤5：聚类商品性能数据数量进行求和，然后结合价格的影响因素xk即为准确推荐的商品。
7.进一步地，步骤1的具体过程为：收集用户已购买的商品种类数据集case，表示为，m为商品种类的个数，每个商品种类包含商品的性能数据、商品归属和价格数据，将数据集case划分为价格的影响因素xk和性能数据y
j ，其中k =1，2，...，t，t表示价格影响因素的个数，其中j =1，2，...，n，n表示性能参数的个数，用户关联数据样本si的对应推荐序数数据分别为x
ik
和y
ij
。
8.进一步地，步骤2的具体过程为： 根据用户基本信息、时间信息和用户日常行为信息设计目标推荐商品，然后得到目标推荐商品的性能数据，成为目标性能数据，对应值为y
oj
，从价格的影响因素xk中选取直接影响该目标性能数据的相关属性，设为。
9.进一步地，步骤3的具体过程为：选取用户已购买的商品种类数据集case中的性能数据及相关属性所对应的数据，表示为case
*
，基于熵权法和数据集case
*
计算商品种类数据集case选取的相关属性的权重，区分对性能数据的影响程度，得到相关属性的权重记为。
10.进一步地，步骤4的具体过程为：进行相关属性的相对变化趋势的衡量和商品数据筛选，将商品性能数据视为n维变量集合，不同商品性能数据的差异可视为n维变量运动、变化和发展的结果，根据相关属性，计算衡量用户原来购买商品性能数据和待推荐的目标商品性能数据的相关属性的相对变化趋势，并筛选出与待推荐的商品性能数据的相关属性相对变化趋势程度最相近的商品性能数据，设为s
*
={s
1*
，s
2*
，...，s
p*
}，p为聚类所得的商品性能数据数量。
11.进一步地，步骤5的具体过程为：对聚类结果s
*
={s
1*
，s
2*
，...，s
p*
}加权聚类，然后对聚类结果进行加权求和，得到求和结果即为所需推荐的商品性能数据，然后结合价格的影响因素xk，即可得到推荐的具体商品。
12.进一步地，步骤1中，价格的影响因素xk和性能数据yj作为训练模型的数据输入，使用特征变量训练模型，计算每个特征变量的重要性排序标准，剔除最不重要的k个特征，保留其余特征，并判断剩余特征数量达到确定选购要求，如果达到，从价格的影响因素xk中选取性能数据yj的相关属性，如果没有达到重复计算。
13.进一步地，基于熵权法的相关属性的权重分配过程为：步骤3.1：将case*按下公式组成一个新的矩阵：步骤3.2：采用极差化法将标准化得到新的矩阵，然后对进行归一化处理，极差化法和归一化方法如下式：
；其中，为中的第i行第s列元素；为中的第s列；同理，为中的第i行第s列元素，为归一化的后的值；步骤3.3：则中第s个相关属性的信息熵定义为：步骤3.4：性能数据yj有s个相关属性，则设定影响因素xc对性能数据yj的影响权重为：为：为影响因素xc的信息熵。
14.本发明由于采用了上述技术方案，具有以下有益效果：本发明通过收集已购买商品的数据中提取相应的影响因素，然后从影响的因素和相关的属性中提取用户的购买的兴趣点，然后在根据实际的情况选定推荐的商品类别，然后根据处理相关属性与推荐商品进行变化趋势的衡量和商品数据筛选，得到推荐商品的性能属性数据，然后再结合用户实际的消费能力和习惯确定推荐的商品。
附图说明
15.图1是本发明方法流程图。
具体实施方式
16.为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。
17.如图1所示，一种网购信息推荐方法，所述方法包括如下步骤：步骤1：收集用户的已购买的商品数据并分析出影响购买的因素数据。收集用户已购买的商品种类数据集case，表示为，m为商品种类的个数，每个商品种类包含商品的性能数据、商品归属和价格数据，将数据集case划分为价格的影响因素xk和性能数据y
j ，其中k =1，2，...，t，t表示价格影响因素的个数，其中j =1，2，...，n，n表示性能参数的个数，用户关联数据样本si的对应推荐序数数据分别为x
ik
和y
ij
。收集的数据均是用户网上购买的数据，如果线下售卖的购买数据能够统计，也可以一起记性统计。性能数据数据，即为用户买来的用途，然后再跟实际的引述购买价格，即为用户的而平时消费高低和自身收入等。
18.步骤2：根据用户信息设计推荐目标商品，并分析目标商品的影响因素。根据用户
基本信息、时间信息和用户日常行为信息设计目标推荐商品，然后得到目标推荐商品的性能数据，成为目标性能数据，对应值为y
oj
，从价格的影响因素xk中选取直接影响该目标性能数据的相关属性，设为。价格的影响因素xk和性能数据yj作为训练模型的数据输入，使用特征变量训练模型，计算每个特征变量的重要性排序标准，剔除最不重要的k个特征，保留其余特征，并判断剩余特征数量达到确定选购要求，如果达到，从价格的影响因素xk中选取性能数据yj的相关属性，如果没有达到重复计算。
19.步骤3：根据已收集的用户的已购买的商品数据计算商品购买的相关属性和影响权重。选取用户已购买的商品种类数据集case中的性能数据及相关属性所对应的数据，表示为case
*
，基于熵权法和数据集case
*
计算商品种类数据集case选取的相关属性的权重，区分对性能数据的影响程度，得到相关属性的权重记为。
20.步骤3.1：将case*按下公式组成一个新的矩阵：步骤3.2：采用极差化法将标准化得到新的矩阵，然后对进行归一化处理，极差化法和归一化方法如下式：极差化法和归一化方法如下式：；其中，为中的第i行第s列元素；为中的第s列；同理，为中的第i行第s列元素，为归一化的后的值；步骤3.3：则中第s个相关属性的信息熵定义为：步骤3.4：性能数据yj有s个相关属性，则设定影响因素xc对性能数据yj的影响权重为：为：为影响因素xc的信息熵。
21.步骤4：将已购买商品相关属性进行趋势比较得到所有商品性能数据数量，然后将
所有商品性能数据数量与网络销售的推荐目标商品的性能数据对比得到聚类商品性能数据数量。进行相关属性的相对变化趋势的衡量和商品数据筛选。变化趋势的衡量和商品数据筛选的具体过程为：记推荐商品的目标性能数据的相关属性的数据为，简称为目标数据，根据差异率，从case*中选取一组与其相对接近的数据为对比基准，选择的原则是令基准与o中的对位属性的值相差越小越好。为每个添加一行与相关变量维度相同的标签，用于记录相关属性上对应数据相对基准的变化趋势，然后将case*中除的每商品性数据的相关属性数据与基准每个属性数据对应地进行一一比较，并加标记，若，则为+，反之为-，同样比较，衡量目标数据相关属性相对基准的相对变化趋势，结果记为。将与中的对应元素进行一一对比，判断与中相关属性相对的变化趋势是否相同，若与同为+或同为-，则将改写为1，反之则将改写为0。按每组数据，对所有性能数据的相关属性相对变化趋势的对比结果的标签ti求和，得到sti，其计算如下所示：sti的值为[0，s]中的一个整数，最大值为s，i为正整数。
[0022]
根据计算的sti，按整数数值大小划分sti等级，数值越大等级越高，相同数值sti划分为同一级，按级别降序，筛选取出前k1个等级的sti值其下标i所对应的case*中的性能数据，k1为正整数，，记为s
*
={s
1*
，s
2*
，...，s
p*
}，p为所得的性能数据样本数量。
[0023]
将商品性能数据视为n维变量集合，不同商品性能数据的差异可视为n维变量运动、变化和发展的结果，根据相关属性，计算衡量用户原来购买商品性能数据和待推荐的目标商品性能数据的相关属性的相对变化趋势，并筛选出与待推荐的商品性能数据的相关属性相对变化趋势程度最相近的商品性能数据，设为s
*
={s
1*
，s
2*
，...，s
p*
}，p为聚类所得的商品性能数据数量。
[0024]
步骤5：聚类商品性能数据数量进行求和，然后结合价格的影响因素xk即为准确推荐的商品。对聚类结果s
*
={s
1*
，s
2*
，...，s
p*
}加权聚类，然后对聚类结果进行加权求和，得到求和结果即为所需推荐的商品性能数据，然后结合价格的影响因素xk，即可得到推荐的具体商品。
[0025]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。