类中心集合C和各个聚类类别的所述用户集合USETHUi，U 2，U3，…， UK}。每次聚类过程可以采用不同数值的K，K的数值可以从11_至Μ _，其中UP Μ _根据 数据的具体情况进行设置)。
[0057] 7)在每次聚类过程模型稳定后，计算该次聚类的损失值L。这里，定义损失值L等 于所有用户实例至对应中心点的距离总和，加上Κ。
[0058] 8)比较不同Κ值对应聚类结果的损失值L，选取损失值L最小的聚类，作为最后的 聚类结果。至此，我们获得用户类别的中心集合C={ Cl，C2，c3，…，ck}，以及各个类别的所述 用户集合USET={U 1，U2，U3，…，UK}。
[0059] 通常来说，用户驻足网站的时间不一。对于网站或者商户而言，每一次向用户询问 商品意见的机会非常宝贵。因此，希望在交互次数尽可能少的条件下，就能够最大程度地分 析得到用户的偏好。这样就要求推荐的商品具有较高的用户人群区分度和代表性。
[0060] 在一个实施例中，通过分析用户浏览历史以及上一步完成的聚类结果，计算商品 的区分度指数In (X)，挑选区分度指数最大的商品推荐给用户。其中，分析各个商品对所述 多个用户类别的区分度以及计算商品的区分度指数In(X)的过程如下： 1)计算在用户聚类中获取的各个聚类人群的信息熵和用户对各个商品不同反馈情况 下的信息熵。这里，信息熵是信息可预测程度的表示。其中，H(Ui)表示人群类别Ui的信息 熵，H(Ui |X=xj)表示用户对商品X的反馈意见为xi情况下人群类别ui的信息熵。H(Ui |X) 为在已知商品X的反馈意见为X的情况下人群类别Ui的信息熵。这三种计算过程的输入 为类别的所述用户的比例、对商品X的反馈结果为xi的用户比例。
[0061] 2)计算商品的区分度指数In (X)。设定In (X)指数表示商品X对判断用户类别所 属的区分度。In (X)的数值等于，H(U)加上H(U|X)加上Pop (X)值。其中，Pop (X)表示商 品X的流行度，可以通过计算该商品的购买次数或者页面浏览次数来获取。In(X)数值越 高，表示商品对判断用户的区分度越强，反之亦然。
[0062] 3)分别为候选商品集合中每个商品，计算In(X)指数，并降序排序，取出指数最 高的商品，作为初次候选推荐商品，并传送给UI页面，进行显示。
[0063] 4) UI界面收集反馈结果，即用户看到推荐商品后做出的反馈(例如点击、无操作 等)。
[0064] 5)在获取该用户对商品的反馈后，在用户行为数据库中，寻找出符合该反馈的浏 览历史数据，作为新的训练数据。
[0065] 6)根据新的训练数据，重新计算其他商品的In⑴指数，计算方法如步骤1)和 2)。按照In(X)降序排序，排除已推荐的商品，取出指数最高的商品，作为候选推荐商品， 传送给UI页面，进行显示。
[0066] 则获利，其中步骤4)至6)可以持续进行。
[0067] 实施例还可以包括用户分析的过程。在多轮推荐和反馈以后，可以定期分析用户 对若干个商品的反馈结果，构建用户偏好。该阶段的具体工作步骤如下： 1)通过比较用户对商品的访问历史，逐一计算在用户行为数据库中候选用户与目标用 户的相似度，具体方法例如，浏览历史的余弦距离、曼哈段距离等。对各个候选用户的相似 度按降序排序，取出相似度最高的K个用户，K为系统设置的参数。
[0068] 2)随后，分析这K个用户，获取目标用户的购物喜好信息。其中，首先，获取这K位 用户的人群类别标签，统计人群类别标签的出现次数和分布状况。其次，获取这K位用户的 商品购买记录或评价记录，统计购买商品的次数和评价分布状况。
[0069] 3)最后，将分析获得的人群类别标签、购买记录、商品评价的统计信息存储至数据 库。
[0070] 上述信息可以作为协同过滤等推荐算法的输入数据，帮助推荐系统实施推荐服 务。
[0071] 本发明的优势在于： 1、本发明能够在简单的交互反馈后，引导商品推荐，并构建对用户偏好的基本了解，为 下一步实施个性化的推荐服务提供数据支持。
[0072] 2、相比于填写注册信息等信息收集方式，用户交互反馈方式避免用户隐私泄露的 顾虑，整个过程简便，用户体验佳。
[0073] 3、本发明采用机器学习和数据挖掘技术，挑选的商品具有高用户区分度，并且能 够训练数据增加扩展的情况下，细化用户需求，提高推荐商品的准确性。
[0074] 通过以上实施方式的描述，本领域中的普通技术人员能够理解，在不偏离本发明 的精神和范围的情况下，还可以对本发明的【具体实施方式】作各种变更和替换。这些变更和 替换都落在本发明权利要求书所限定的范围内。
【主权项】
1. 一种向目标用户推荐商品的方法，其特征在于，包括： 将第一批用户的浏览日志作为训练数据，分析第一批用户的浏览日志，并对第一批用 户进行聚类，得到多个用户类别， 计算商品对于第一批用户的区分度， 将区分度高的商品推荐给目标用户。2. 如权利要求1所述的方法，其特征在于，所述方法还包括： 从目标用户获取反馈，并且根据该反馈向目标用户推荐商品，其中， 将与该反馈一致的第一批用户中的第二批用户的浏览日志作为训练数据，分析第二批 用户的浏览日志，并对第二批用户进行聚类，得到多个用户类别， 计算商品对于第二批用户的区分度，并将区分度高的商品推荐给目标用户。3. 如权利要求1所述的方法，其特征在于，所述方法还包括： 从目标用户获取反馈，并且根据该反馈查找与目标用户相似度高的用户，以及 根据所述与目标用户相似度高的用户的用户类别判断目标用户的用户类别， 根据确定的目标用户的用户类别来向目标用户推荐商品。4. 如权利要求1所述的方法，其特征在于， 计算商品对于第一批用户的区分度基于用户类别的可预测性、根据第一批用户的反馈 计算的用户类别的可预测性、商品的流行度。5. -种向目标用户推荐商品的系统，包括： 第一装置，将第一批用户的浏览日志作为训练数据，分析第一批用户的浏览日志，并对 第一批用户进行聚类，得到多个用户类别， 第二装置，计算商品对于第一批用户的区分度， 第三装置，将区分度高的商品推荐给目标用户。6. 如权利要求5所述的系统，其特征在于，该系统还包括： 第四装置，从目标用户获取反馈，并且根据该反馈向目标用户推荐商品，其中，将与该 反馈一致的第一批用户中的第二批用户的浏览日志作为训练数据，分析第二批用户的浏览 日志，并对第二批用户进行聚类，得到多个用户类别， 第五装置，计算商品对于第二批用户的区分度，并将区分度高的商品推荐给目标用户。7. 如权利要求5所述的系统，其特征在于，该系统还包括： 第六装置，从目标用户获取反馈，并且根据该反馈查找与目标用户相似度高的用户，以 及 第七装置，根据所述与目标用户相似度高的用户的用户类别判断目标用户的用户类 别， 第八装置，根据确定的目标用户的用户类别来向目标用户推荐商品。8. 如权利要求5所述的系统，其特征在于， 计算商品对于第一批用户的区分度基于用户类别的可预测性、根据第一批用户的反馈 计算的用户类别的可预测性、商品的流行度。
【专利摘要】本发明公开向目标用户推荐商品的方法，包括：将第一批用户的浏览日志作为训练数据，分析第一批用户的浏览日志，并对第一批用户进行聚类，得到多个用户类别，计算商品对于第一批用户的区分度，将区分度高的商品推荐给目标用户。
【IPC分类】G06F17/30, G06Q30/02
【公开号】CN105590234
【申请号】CN201410838872
【发明人】冯亮, 尹亚伟
【申请人】中国银联股份有限公司
【公开日】2016年5月18日
【申请日】2014年12月30日