基于多算法融合的电子商务推荐方法和系统的制作方法
【技术领域】
[0001]本发明涉及电子商务技术领域，特别涉及一种基于多算法融合的电子商务推荐方法和系统。
【背景技术】
[0002]随着互联网的普及和电子商务的发展，电子商务系统在为用户提供越来越多选择的同时，其结构也变得更加复杂，用户经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品，从而降低了推荐系统的稳定性和多样性。
【发明内容】
[0003]针对现有技术的上述缺陷，本发明所要解决的技术问题是如何通过多种推荐算法的融合，提高商品推荐系统的稳定性和多样性。
[0004]为实现上述目的，一方面，本发明提供一种基于多算法融合的电子商务推荐方法，该方法包括步骤:
[0005]步骤S1、采集电子商务网站上用户的历史行为数据；
[0006]步骤S2、根据用户的历史行为数据的购买偏好对用户进行分群，将购买偏好相似的用户划分至同一个用户群内；
[0007]步骤S3、根据商品的属性对商品进行分层，将相同属性的商品对应相同的商品分层目录下；
[0008]步骤S4、根据用户的分群、商品分层目录构造商品推荐规则；
[0009]步骤S5、根据商品推荐规则，将商品推荐给用户。
[0010]优选地，所述构造商品推荐规则包括:
[0011]根据历史行为数据计算商品的相关性；
[0012]根据商品的相关性保留和/或补全相似商品组，构造商品关联表；
[0013]根据所述商品关联表获取关联商品。
[0014]优选地，所述构造商品推荐规则具体包括:
[0015]根据历史行为数据分别对商品三级目录和相似商品组计算关联关系；
[0016]根据商品三级目录和相似商品组计算每个相似商品组之间的相关性得分；
[0017]在每个相似商品组中保留相似性大于设定阈值的相似商品组；
[0018]在相似商品组的关联商品组数量小于设定的最小关联相似商品组阈值时，根据关联的向品二级目录，取关联向品二级目录下销量最闻的向品组对该相似向品组进彳丁补全；
[0019]根据构造的向品关联表，确定每个向品所属相似向品组，取该相似向品组关联的相似商品组，每个商品关联组下根据销量最高的商品作为该商品的关联商品。
[0020]优选地，采集电子商务网站上用户的历史行为数据后还包括:
[0021]通过基于时间序列的算法将采集到的用户的历史行为数据中的异常数据进行过滤。
[0022]优选地，所述异常数据进行过滤包括:
[0023]通过限制用户购买商品的种类数量和每个种类商品购买的商品总数，过滤掉异常购买行为数据；
[0024]根据商品的历史销量纪录的时间序列，检测出商品促销异常数据；
[0025]对所述异常数据进行处理。
[0026]优选地，所述对商品促销异常信息进行检测，并对异常销售数据进行平滑处理具体包括:
[0027]根据商品的历史销量纪录的时间序列，检测出商品促销异常数据；
[0028]对所述异常数据进行平滑处理。
[0029]优选地，所述根据商品推荐规则，将商品推荐给用户具体包括:
[0030]根据用户的分群，获取该分群下的商品关联表，根据用户行为对应的商品，从关联表中依据商品之间的关联分数，选择关联分数高的商品推荐给用户。
[0031]另一方面，本发明还提供一种基于多算法融合的电子商务推荐系统，该系统包括:
[0032]用户行为数据采集模块，用于采集用户的历史行为数据；
[0033]用户分群模块，用于根据用户的历史行为数据的购买偏好对用户进行分群，将购买偏好相似的用户划分至同一个用户群内；
[0034]商品分层模块，用于根据商品的属性对商品进行分层，将相同属性的商品对应相同的商品分层目录下；
[0035]推荐规则构造模块，用于根据分群、商品分层目录构造商品推荐规则；
[0036]用户商品推荐模块，用于根据构造出的商品推荐规则，将商品推荐给用户。
[0037]优选地，该系统还包括:
[0038]用户行为数据处理模块，用于通过基于时间序列的算法将采集到的用户的历史行为数据中的异常数据进行过滤。
[0039]优选地，所述用户行为数据处理模块具体包括:
[0040]第一行为数据处理模块，用于通过限制用户购买商品的种类数量和每个种类商品购买的商品总数，过滤掉异常购买行为数据；
[0041]第二行为数据处理模块，用于对商品促销异常信息进行检测，并对异常销售数据进行平滑处理。
[0042]优选地，所述推荐规则构造模块包括:
[0043]相关性计算模块，用于根据历史行为数据计算商品的相关性；
[0044]关联表构造模块，用于根据商品的相关性保留和/或补全相似商品组，构造商品关耳关表;
[0045]商品获取模块，用于根据所述商品关联表获取关联商品。
[0046]优选地，所述用户商品推荐模块具体用于根据用户的分群，获取该分群下的商品关联表，从商品关联表中依据商品之间的关联分数，选择关联分数高的商品推荐给用户。
[0047]本发明提供的基于多算法融合电子商务推荐方法和系统中，该系统中分别采用了基于概念分层的关联规则，基于概念分层的协同过滤，基于时间序列的异常点过滤，基于聚类的个性化推荐和基于知识的推荐算法。通过多种推荐算法的融合，在保证推荐系统的稳定性的同时提高了推荐系统的多样性，并且有效地解决的推荐系统的冷启动问题。
【附图说明】
[0048]图la是本发明的一个实施例中的基于多算法融合的电子商务推荐方法的流程示意图；
[0049]图lb是本发明的一个优选实施例中的根据用户的历史数据推荐规则的构造流程图；
[0050]图lc是本发明的一个优选实施例中的用户推荐商品的流程示意图；
[0051]图1d是本发明的一个优选实施例中的异常销售行为检测与处理方法的流程示意图；
[0052]图2是本发明的另一个实施例中的基于多算法融合的电子商务推荐系统的结构不意图；
[0053]图3是本发明的一个优选实施例中的商品分层结构示意图。
【具体实施方式】
[0054]为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和【具体实施方式】对本发明作进一步详细描述。
[0055]现有技术中，随着互联网的普及和电子商务的发展，电子商务系统在为用户提供越来越多选择的同时，其结构也变得更加复杂，用户经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品。本发明提供的基于多算法融合的电子商务推荐方法和系统中，通过采用了基于概念分层的关联规则，基于概念分层的协同过滤，基于时间序列的异常点过滤，基于聚类的个性化推荐和基于知识的推荐算法。通过多种推荐算法的融合，提高了推荐系统的稳定性和多样性。
[0056]图1是本发明的一个优选实施例中的基于多算法融合的电子商务推荐方法的流程示意图，如图1所示，该方法包括如下步骤:
[0057]步骤S101、采集电子商务网站上用户的历史行为数据；
[0058]步骤S102、根据用户的历史行为数据的购买偏好对用户进行分群，将购买偏好相似的用户划分至同一个用户群内；
[0059]步骤S103、根据商品的属性对商品进行分层，将相同属性的商品对应相同的商品分层目录下；
[0060]步骤S104、根据用户的分群、商品分层目录构造商品推荐规则；
[0061]步骤S105、根据商品推荐规则，将商品推荐给用户。
[0062]优选地，所述构造商品推荐规则包括:
[0063