一種基于用戶信用評(píng)估的個(gè)性化商品推薦方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于用戶信用評(píng)估的個(gè)性化商品推薦方法，屬于電子商務(wù)領(lǐng)域。
【背景技術(shù)】
[0002] 近年來(lái)，隨時(shí)人們生活模式的變化和生活質(zhì)量的不斷提高，電子商務(wù)活動(dòng)和交易 信息量急劇增長(zhǎng)、商家所提供的商品種類和數(shù)量也與日俱增。面對(duì)電子商務(wù)系統(tǒng)中海量的 商品信息，消費(fèi)者很難快速有效地挑選出他所需要的商品。如何在消費(fèi)者選購(gòu)必需商品后 繼續(xù)為其推薦相關(guān)有它有價(jià)值、且符合其偏好的商品，如何提升消費(fèi)者對(duì)商家的忠誠(chéng)度，如 何滿足用戶更個(gè)性化的需求等問(wèn)題成為電子商務(wù)發(fā)展必須解決的關(guān)鍵問(wèn)題。
[0003] 目前很多電子商務(wù)企業(yè)和許多研宄人員提出了許多的服務(wù)推薦方法，主要包括基 于內(nèi)容的、基于知識(shí)的、基于規(guī)則的、基于效用的、以及基于關(guān)聯(lián)規(guī)則的推薦方法。近年來(lái)， 協(xié)同過(guò)濾方法在商業(yè)應(yīng)用上取得了不錯(cuò)的成績(jī)，例如：Amazon，⑶Now，MovieFinder等都采 用了協(xié)同過(guò)濾的技術(shù)來(lái)提高服務(wù)質(zhì)量，但協(xié)同過(guò)濾的缺點(diǎn)有：（1)用戶對(duì)商品的評(píng)價(jià)非常 稀疏，這樣基于用戶的評(píng)價(jià)所得到的用戶間的相似性可能不準(zhǔn)確（即稀疏性問(wèn)題）；(2)隨 著用戶和商品的增多，系統(tǒng)的性能會(huì)越來(lái)越低（即可擴(kuò)展性問(wèn)題）；（3)如果從來(lái)沒(méi)有用戶 對(duì)某一商品加以評(píng)價(jià)，則這個(gè)商品就不可能被推薦（即最初評(píng)價(jià)問(wèn)題）。因此，現(xiàn)在的電子 商務(wù)推薦都采用多種技術(shù)結(jié)合來(lái)實(shí)現(xiàn)服務(wù)或者商品的推薦。
[0004] 但是，目前多數(shù)推薦方法主要依賴于用戶對(duì)商品的評(píng)論/評(píng)分，或者根據(jù)商品 特征來(lái)預(yù)測(cè)商品的評(píng)分，很多個(gè)性化商品推薦系統(tǒng)或者方法主要只是分析用戶對(duì)商品的 偏好或者分析商品的特征來(lái)找到相似的用戶或者物品，最后計(jì)算推薦并將T0P-N的結(jié) 果展示給消費(fèi)者，比如專利號(hào)ZL201210050057. 3 "一種基于關(guān)鍵字的電子商務(wù)網(wǎng)站商 品推薦方法"，ZL201010538437. 2 "一種在線產(chǎn)品推薦選擇方法、裝置及系統(tǒng)"，以及ZL 201110306941.4 "一種結(jié)合評(píng)分?jǐn)?shù)據(jù)與標(biāo)簽數(shù)據(jù)的個(gè)性化推薦方法"的專利；以及申請(qǐng)?zhí)?201410020517 "一種基于用戶評(píng)論的商品屬性聚類方法"，申請(qǐng)?zhí)?01310332537 "基于本體 分類的商品特征推薦方法"、申請(qǐng)?zhí)?01310586279"一種基于可信度評(píng)價(jià)的產(chǎn)品信息推薦方 法及系統(tǒng)"、申請(qǐng)?zhí)?01410196044 "基于產(chǎn)品相似度的電子商務(wù)推薦系統(tǒng)及其方法"等專利 申請(qǐng)。盡管，人們還提出了一些新的方法，它們結(jié)合了用戶的地理位置信息、用戶隨時(shí)間的 興趣變化、用戶的表情分析、用戶的回答方式、用戶的意圖挖掘、用戶的行為趨勢(shì)預(yù)測(cè)、以及 按所購(gòu)買商品的用戶聚類等方法。但是，在這些方法中，依然存在如下兩個(gè)問(wèn)題：第一個(gè)問(wèn) 題是，它們都沒(méi)有考慮如何通過(guò)評(píng)估用戶的信用，并根據(jù)不同用戶的信用相似性來(lái)進(jìn)行商 品推薦。事實(shí)上，用戶交易過(guò)程中產(chǎn)生的交易記錄次數(shù)和交易金額對(duì)于評(píng)估一個(gè)用戶的偏 好具有很好的參考價(jià)值。第二個(gè)問(wèn)題是，它們都沒(méi)有考慮在實(shí)際交易過(guò)程中的這樣一種現(xiàn) 象，即一個(gè)用戶的交易行為中可能蘊(yùn)含了多個(gè)個(gè)體的需求，如：在某個(gè)家庭中，網(wǎng)上購(gòu)物通 常用的是同一個(gè)用戶名（即交易的賬戶名），但是產(chǎn)生的交易行為實(shí)際上涉及到家庭中的 多個(gè)成員。因此，本發(fā)明將針對(duì)這兩個(gè)問(wèn)題，建立一種基于用戶信用評(píng)估的個(gè)性化商品推薦 方法，實(shí)現(xiàn)了更加精準(zhǔn)、更加個(gè)性化的商品推薦服務(wù)。

【發(fā)明內(nèi)容】

[0005] 為了解決上述問(wèn)題，本發(fā)明提供了一種基于用戶信用評(píng)估的個(gè)性化商品推薦方 法。本發(fā)明主要是基于用戶歷史交易行為的信用評(píng)估值來(lái)提高商品推薦的精準(zhǔn)度，同時(shí)考 慮了一個(gè)用戶的交易行為中可能蘊(yùn)含多個(gè)個(gè)體的需求，如：在某個(gè)家庭中，網(wǎng)上購(gòu)物通常用 的是同一個(gè)用戶名，但是產(chǎn)生的交易行為會(huì)涉及到家庭中的多個(gè)成員，所以推薦系統(tǒng)將對(duì) 每個(gè)用戶產(chǎn)生過(guò)交易的商品進(jìn)行聚類分析，精確地區(qū)分每個(gè)用戶中的多個(gè)成員的個(gè)性化需 求，并通過(guò)引入用戶的信用值，改進(jìn)現(xiàn)有基于商品的協(xié)同過(guò)濾算法，實(shí)現(xiàn)更加精準(zhǔn)、個(gè)性化 的商品推薦服務(wù)。
[0006] 本發(fā)明的技術(shù)方案為：
[0007] -種基于用戶信用評(píng)估的個(gè)性化商品推薦方法，其步驟為：
[0008] 1)根據(jù)從電子商務(wù)網(wǎng)站收集到的用戶_商品訂單成交次數(shù)、以及用戶-商品訂單 取消次數(shù)，構(gòu)建用戶-商品交易次數(shù)的矩陣；
[0009] 2)根據(jù)用戶-商品交易次數(shù)的矩陣，以及每個(gè)商品的交易價(jià)格，計(jì)算每個(gè)用戶的 商品訂單成交總金額和商品訂單取消總金額，計(jì)算每個(gè)用戶的初始信用值。
[0010] 3)根據(jù)用戶-商品交易次數(shù)的矩陣，計(jì)算每個(gè)用戶的商品成交總次數(shù)和商品取消 總次數(shù)，計(jì)算每個(gè)用戶的信用指數(shù)；
[0011] 4)根據(jù)2)3)計(jì)算出的每個(gè)用戶的初始信用值和信用指數(shù)，計(jì)算每個(gè)用戶的信用 值，其中還引入了一個(gè)在用戶發(fā)生這些交易時(shí)系統(tǒng)或用戶可能出現(xiàn)操作失誤/出錯(cuò)的概率 值。
[0012] 5)根據(jù)用戶-商品交易次數(shù)的矩陣，對(duì)每個(gè)用戶成交的商品，按照商品適用用戶 的性別、年齡和職業(yè)等特點(diǎn)進(jìn)行分類，產(chǎn)生多個(gè)類別，即確定用戶中實(shí)際蘊(yùn)含的購(gòu)買主體類 別。
[0013] 6)根據(jù)5)的分類結(jié)果，針對(duì)每個(gè)用戶中蘊(yùn)含的每一類購(gòu)買主體，分別采用基于商 品的協(xié)同過(guò)濾算法，同時(shí)引入每個(gè)用戶的信用值，最終形成對(duì)每個(gè)用戶的推薦商品。
[0014] 進(jìn)一步的，在構(gòu)建用戶-商品交易次數(shù)的矩陣M時(shí)，矩陣的行是用戶名，矩陣的列 是商品名，矩陣項(xiàng)11^表示用戶Ui對(duì)商品item/"生交易的次數(shù)，若成交1次，該項(xiàng)值累加 +1，若取消1次，該項(xiàng)值累加-1。
[0015] 進(jìn)一步的，在計(jì)算每個(gè)用戶的初始信用值時(shí)，將商品iten^的交易價(jià)格計(jì)為 p(itemp，則用戶Ui的商品訂單成交總金額是這個(gè)用戶的所有商品成交價(jià)格和成交次數(shù)乘 積的總和，計(jì)為
【主權(quán)項(xiàng)】
1. 一種基于用戶信用評(píng)估的個(gè)性化商品推薦方法，其步驟為： 1) 根據(jù)收集到的用戶-商品訂單成交次數(shù)、用戶-商品訂單取消次數(shù)，構(gòu)建用戶-商品 交易次數(shù)矩陣M; 2) 根據(jù)用戶-商品交易次數(shù)矩陣M以及每個(gè)商品的交易價(jià)格，計(jì)算每個(gè)用戶的商品訂 單成交總金額和商品訂單取消總金額，然后根據(jù)商品訂單成交總金額和商品訂單取消總金 額計(jì)算對(duì)應(yīng)用戶的初始信用值； 3) 根據(jù)用戶-商品交易次數(shù)矩陣M，計(jì)算每個(gè)用戶的商品成交總次數(shù)和商品取消總次 數(shù)，然后根據(jù)商品成交總次數(shù)和商品取消總次數(shù)計(jì)算對(duì)應(yīng)用戶的信用指數(shù)； 4) 根據(jù)2)、3)計(jì)算的初始信用值和信用指數(shù)，計(jì)算每個(gè)用戶的信用值； 5) 根據(jù)用戶-商品交易次數(shù)矩陣M，對(duì)每個(gè)用戶成交的商品進(jìn)行分類，確定每一用戶蘊(yùn) 含的購(gòu)買主體類別； 6) 對(duì)于任一用戶A，確定一信用值區(qū)間，然后選取出位于該信用值區(qū)間的用戶，如果選 取出的用戶B購(gòu)買的商品b的特征屬于該用戶A中的購(gòu)買主體類別對(duì)應(yīng)特征，則將該商品 b推薦給該用戶A。
2. 如權(quán)利要求1所述的方法，其特征在于，用戶的所述初始信用值與該用戶的成交金 額占比成正比；用戶的所述信用指數(shù)與該用戶的成交次數(shù)占比成正比。
3. 如權(quán)利要求1或2所述的方法，其特征在于，所述初始信用值的計(jì)算方法為： 將商品itenij的交易價(jià)格計(jì)為p(itemj)，首先計(jì)算用戶1^的商品訂單成交總金額
、商品訂單取消總金額
///.-1m.. <-1 " 2j 然后計(jì)算用戶Ui的初始信用值
_，其中CredQ(Ui)e[0，1]， mu表示用戶ui對(duì)商品itemj產(chǎn)生交易的次數(shù)。
4. 如權(quán)利要求3所述的方法，其特征在于，每一用戶ui的所述信用值的計(jì)算方法為：
其中CrecKUi)G[〇，1]，概率值eG[〇，1]表示的是系 統(tǒng)或用戶可能發(fā)生誤操作或意外出錯(cuò)的概率，A(Ui)為用戶Ui的信用指數(shù)。
5. 如權(quán)利要求1或2所述的方法，其特征在于，所述信用指數(shù)的計(jì)算方法為：將商品 itenij的交易價(jià)格計(jì)為p(itemp，首先計(jì)算用戶w的商品成交總次數(shù)fs '取消 訂購(gòu)商品總次數(shù)f。化'Z;然后計(jì)算用戶Ui的信用指數(shù)：
其中A(Ui)G[〇, 1]，!!^表示用戶Ui對(duì)商品item』產(chǎn)生交易的次數(shù)。
6. 如權(quán)利要求1或2所述的方法，其特征在于，所述用戶-商品交易次數(shù)矩陣M的構(gòu) 建方法為：將用戶名作為矩陣的行，商品名作為矩陣的列，用矩陣項(xiàng)表示用戶ui對(duì)商品 item/"生交易的次數(shù)，若成交1次，則該項(xiàng)值累加+1，若取消1次，該項(xiàng)值累加-1。
7. 如權(quán)利要求1或2所述的方法，其特征在于，所述確定每一用戶蘊(yùn)含的購(gòu)買主體類 別的方法為：首先提取用戶Ui已購(gòu)買商品的特征，然后計(jì)算該用戶ui中包含的購(gòu)買主體類 別：[尸={^，b，…，T為總分類集合，m為分類集合大小，ti是第i個(gè)分 類。
8. 如權(quán)利要求7所述的方法，其特征在于，所述特征包括商品適用用戶的性別、年齡和 職業(yè)。
9. 如權(quán)利要求1或2所述的方法，其特征在于，針對(duì)用戶A中的每一購(gòu)買主體類別，分 別采用基于商品的協(xié)同過(guò)濾方法選取出各個(gè)分類的TOP-N位用戶，將這些用戶的成交商品 列表推薦給該用戶A。
【專利摘要】本發(fā)明公開(kāi)了一種基于用戶信用評(píng)估的個(gè)性化商品推薦方法。本方法為：1)根據(jù)收集到的用戶-商品訂單成交次數(shù)、訂單取消次數(shù)，構(gòu)建矩陣M；2)根據(jù)矩陣M計(jì)算每個(gè)用戶的商品訂單成交總金額和訂單取消總金額，得到用戶的初始信用值；3)根據(jù)矩陣M，計(jì)算用戶的商品成交總次數(shù)和取消總次數(shù)，得到用戶的信用指數(shù)；4)根據(jù)初始信用值和信用指數(shù)，計(jì)算用戶的信用值；5)根據(jù)矩陣M，對(duì)每個(gè)用戶成交的商品分類，確定每一用戶蘊(yùn)含的購(gòu)買主體類別；6)對(duì)于任一用戶A，然后選取出位于相同信用值區(qū)間的用戶，如果用戶B購(gòu)買的商品的特征屬于用戶A中的購(gòu)買主體類別對(duì)應(yīng)特征，則將該商品推薦給該用戶A。本發(fā)明實(shí)現(xiàn)了更加精準(zhǔn)、個(gè)性化的商品推薦服務(wù)。
【IPC分類】G06Q30-02
【公開(kāi)號(hào)】CN104809626
【申請(qǐng)?zhí)枴緾N201510117889
【發(fā)明人】徐邑江
【申請(qǐng)人】徐邑江
【公開(kāi)日】2015年7月29日
【申請(qǐng)日】2015年3月17日