专利名称:一种基于客户行为的商品推荐优化方法
技术领域:
本发明应用于B2C电子商务的商品推荐系统。能基于客户行为得到反馈信息,发现客户的购买兴趣,调整推荐的商品,有针对性的改进商品推荐系统的性能。
背景技术:
随着B2C电子商务的迅猛发展,对商品推荐方法的研究也越发深入,但是从整体上来讲,相关研究还不够成熟,有很大的研究空间。目前主流的商品推荐方法有两种(I)、基于内容的推荐方法;(2)、基于协同过滤的推荐方法。这两种推荐方法都有不足之处,需要改进。 (I)、在基于内容的推荐方法中,根据客户U曾经购买过的商品,向客户u推荐类似商品,推荐结果多样性差。对于没有购买过任何商品的新客户,无法推荐商品,存在冷启动问题。自动化特征提取的方法,很难应用于多媒体商品。(2)、在基于协同过滤的推荐方法中,基于客户购买商品的历史数据,离线计算客户相似度、商品相似度。以客户为行,以商品为列,构成一个矩阵M。如果客户i购买了商品j,那么 M[i,j] = 1,否则 M[i,j] = O。计算方法是通过余弦定理,计算向量之间夹角的余弦。例如商品向量X =〈x1;x2, , xn>,商品向量Y = <y1; J2, , yn>,那么这两个商品向量X、Y之间夹角(设为0 )的余弦计算公式为(COS0的值越小,商品向量X、Y的相似度越大)
权利要求
1.一种基于客户行为的商品推荐优化方法,其特征在于,包括以下步骤 步骤I:客户对所有商品的购买兴趣值,进行初始化;客户对所有商品类别的购买兴趣值,进行初始化; 步骤2 :根据畅销商品,调整注册客户的购买兴趣配置文件包括调整客户对畅销商品的购买兴趣值、调整客户对畅销商品所在类别的购买兴趣值、调整客户对其他商品的购买兴趣值、调整客户对其他类别商品的购买兴趣值; 步骤3 :根据客户对推荐商品点击,调整注册客户的购买兴趣配置文件包括调整客户对该商品的购买兴趣值、调整客户对该商品所在类别的购买兴趣值、调整客户对其他商品的购买兴趣值、调整客户对其他类别商品的购买兴趣值; 步骤4 :根据客户对推荐商品的购买,调整注册客户的购买兴趣配置文件包括调整客户对该商品的购买兴趣值、调整客户对该商品所在类别的购买兴趣值、调整客户对其他商品的购买兴趣值、调整客户对其他类别商品的购买兴趣值; 步骤5 :根据客户低关注推荐商品,调整注册客户的购买兴趣配置文件大幅降低客户对该商品的购买兴趣值、大幅降低客户对该商品所在类别的购买兴趣值; 步骤6 :根据客户对推荐商品的关注度,调整商品的推荐位排名; 步骤7 :根据客户对商品的购买兴趣值,调整注册客户的购买兴趣配置文件,将购买兴趣值排名靠前的商品,放在推荐位上。
2.根据权利要求I所述的方法,其特征在于,所述步骤I的具体方法为 buylnterest (u, s) = clickffeightXclickCount (u, s)+buyWeightXbuyCount (u, s) buylnterestType (u, Type [s]) = type WeightXbuyInterest (u, s) 上述公式中,buylnterest (u, s)表示客户u商品s的购买兴趣,cIickCount (u, s),表示客户u对推荐商品s的点击次数,clickWeight表示客户点击推荐商品的权重,buyCount(u,s),表示客户u对推荐商品s的购买个数,buyffeight表示客户购买推荐商品的权重,typeffeight表示商品类别的权重; buylnterestType (u, Type[s])表示客户u对商品s所在商品类别的购买兴趣。Type[s]表示商品s所在的商品类别,buylnterest (u,s)表示客户u对商品s的购买兴趣,typeWeight表示商品所在类别的权重。各权重参数的设定,通过机器学习获得,并在系统运行过程中,根据商品推荐效果,不断调整; 初始化的时候,buylnterest(U,S[i]) = iniBuylnterest, buylnterestType(u,Type[j]) = inilnterestType。表示客户u对所有商品的购买兴趣值为iniBuylnterest,对所有商品类别的购买兴趣值为inilnterestType。
3.根据权利要求I所述的方法,其特征在于,所述步骤2具体方法为(I)对于近期畅销商品sBest,通过下述公式,调整客户对畅销商品sBest及其所在商品类别的购买兴趣值,公式如下buylnterest (u, sBest) = buylnterest (u, sBest)+popularity (sBest);buylnterestType(u, Type[sBest]) = typeffeightXbuylnterest(u, sBest);buylnterest (u, sBest)表示客户 u 对畅销商品 sBest 的购买兴趣,popularity (uBest)表示商品sBest的畅销程度; buylnterestType (u, Type [sBest])表示客户u对畅销商品sBest所在商品类别的购买兴趣,Type [sBest]表示畅销商品sBest所在的商品类别; (2)调整客户对其他非畅销商品及其所在商品类别的购买兴趣值;公式如下buylnterest(U, sNotBest) = buylnterest(u, sNotBest)-notPopularity其中,buylnterest (u, sNotBest)表示客户u对非畅销产品sNotBest的购买兴趣,notPopularity表示对非畅销商品的购买兴趣减少值,但是buylnterest (u, sNotBest) >=0 ; buylnterestType (u, Type [sNotBest]表示客户u对非畅销商品sNotBest所在商品类别的购买兴趣,Type [sNotBest]表示非畅销商品sNotBest所在的商品类别。
4.根据权利要求I所述的方法,其特征在于,所述步骤3调整各个购买兴趣值具体采用公式如下buylnterest (u, s) = buylnterest (u, s)+clickffeightXclickCount (u, s)buylnterestType (u, Type[s]) = buylnterestType (u, Type[s])+type Weight Xbuylnterest(u, s) 其中,clickWeight表示客户点击推荐商品的权重,clickCount (u, s)表示客户u点击推荐商品s的次数。
5.根据权利要求I所述的方法,其特征在于,所述步骤4调整各个购买兴趣值具体采用的公式如下buylnterest(u, s) = buylnterest(u, s)+buyffeight X buyCount (u, s)buylnterestType(u, Type[s]) = buylnterestType(u, Type[s])+typeWeight Xbuylnterest(u, s) 其中,buyWeight表示客户购买推荐商品的权重,buyCount (u, s)表示客户u购买推荐商品s的个数。
6.根据权利要求I所述的方法,其特征在于,所述步骤5具体采用的公式如下 buylnterest (u, s) = IowFocus (u, s) XbuyInterest (u, s) buylnterestType (u, Type[s]) = buylnterestType (u, Type[s])-typeWeight Xbuylnterest(u, s) 其中,lowFocus (u, s)表示客户u对商品s的低关注度,0 < lowFocus (u, s) < I。
7.根据权利要求I所述的方法,其特征在于,所述步骤6具体采用的公式如下 rank(u, s) = rank(u, s)+focusDiff(u, s) 其中,rank(u, s)表示推荐给客户u的商品s的推荐位排名,focusDiff (u, s)表示客户对推荐商品的关注度与推荐商品的推荐位排名之间的误差。
8.根据权利要求I所述的方法,其特征在于,所述步骤7具体采用的公式如下n rank{u, S) = ^ rank{u, 5[/]) /-I 上述公式中,u表示客户,S表示商品集合,S[i]表示客户感兴趣的第i个商品,n表示客户感兴趣的商品的个数。
9.根据权利要求I所述的方法,其特征在于,还包括步骤8:将客户的购买兴趣,形式化为散点,根据这些散点,拟合成一条反映客户购买兴趣的回归直线Y = aX+b,X表示时间,Y表示商品编号,并根据这条回归直线,预测客户下一步的购买行为。
全文摘要
本发明公开了一种基于客户行为的商品推荐优化方法,包括以下步骤步骤1初始化;步骤2根据畅销商品,调整注册客户的购买兴趣配置文件;步骤3根据客户对推荐商品点击,调整注册客户的购买兴趣配置文件;步骤4根据客户对推荐商品的购买,调整注册客户的购买兴趣配置文件;步骤5根据客户低关注推荐商品,调整注册客户的购买兴趣配置文件;步骤6根据客户对推荐商品的关注度,调整商品的推荐位排名;步骤7根据客户对商品的购买兴趣值,调整注册客户的购买兴趣配置文件,将购买兴趣值排名靠前的商品,放在推荐位上。
文档编号G06Q30/02GK102722842SQ20121019145
公开日2012年10月10日 申请日期2012年6月11日 优先权日2012年6月11日
发明者姚明东 申请人:姚明东