一种网上商城商品的推荐方法及其系统技术方案

本发明专利技术公开了一种网上商城商品的推荐方法及其系统，所述网上商城商品的推荐系统包括数据处理模块、特征提取模块、权重分配模块、拓展模块和推荐模块，首先将获取的任意用户的购买记录及对应的评论进行预处理和清洗，然后对预处理后的所述购买记录进行商品归纳和特征提取，得到多个第一特征和多个第二特征；接着根据评论等级和商品属性对提取出的第一特征和第二特征进行权重分配和乘积运算，得到特征向量，其次根据每一个所述商品特征和所述商品属性进行拓展，同时计算每一级拓展路径相似度；最后将所述特征向量和相似度值进行内积运算，将得到的相关性概率按照降序排列，得到对应的推荐列表，能够准确的向用户推荐商品。能够准确的向用户推荐商品。能够准确的向用户推荐商品。

【技术实现步骤摘要】
一种网上商城商品的推荐方法及其系统


[0001]本专利技术涉及网上商城
，尤其涉及一种网上商城商品的推荐方法及其系统。

技术介绍

[0002]现有的商城商品推荐不够精细，主要是基于点击次数进行商品推荐，用户对某一商品点击查看次数多，在用户再次打开网页时，该商品的显示顺序就靠前，但此种推荐方法分析考量的维度少，不能真正反映用户真正实际想要的商品，不够系统，实际推荐的商品可能不是用户真正想要的。

技术实现思路

[0003]本专利技术的目的在于提供一种网上商城商品的推荐方法及其系统，能够准确的向用户推荐商品。
[0004]为实现上述目的，第一方面，本专利技术提供了一种网上商城商品的推荐方法，包括以下步骤：
[0005]获取任意用户的购买记录及对应评论，并对获取所有数据进行预处理；
[0006]对预处理后的所述购买记录进行商品归纳和特征提取；
[0007]根据评论等级和商品属性对提取出的商品特征进行权重分配，得到特征向量；
[0008]根据每一个所述商品特征和所述商品属性进行拓展，同时计算每一级拓展路径相似度；
[0009]将所述特征向量和相似度值进行内积运算，将得到的相关性概率按照降序排列，得到对应的推荐列表。
[0010]其中，对预处理后的所述购买记录进行商品归纳和特征提取，包括：
[0011]对预处理后的所述购买记录进行商品归纳，按照属性由大至小的归纳方法，对划分出的不同层次范围内的商品进行数量统计，并对不同属性范围内的商品进行特征提取，得到多个第一特征。
[0012]其中，对预处理后的所述购买记录进行商品归纳和特征提取，还包括：
[0013]结合对应类型下的商品数量，将大于设定阈值的商品进行挑选，并对相同属性范围内的不同类型下的商品进行特征提取，得到多个第二特征。
[0014]其中，根据评论等级和商品属性对提取出的商品特征进行权重分配，得到特征向量，包括：
[0015]根据提取出的多个所述第一特征对应的商品总量的比重和评论等级，计算出对应的第一权重，并根据提取出的多个所述第二特征对应的商品数量比重，计算出对应的第二权重。
[0016]其中，根据评论等级和商品属性对提取出的商品特征进行权重分配，得到特征向量，还包括：
[0017]将所述第一权重与对应的所述第二权重进行乘积运算，同时将得到的特征向量按照降序进行排列。
[0018]其中，根据每一个所述商品特征和所述商品属性进行拓展，同时计算每一级拓展路径相似度，包括：
[0019]根据每一个提取出的所述第一特征和商品属性，根据用户偏好对商品进行多级拓展，并且相邻两级拓展路径的所述第二权重依次降低。
[0020]第二方面，本专利技术提供了一种网上商城商品的推荐系统，所述网上商城商品的推荐系统包括数据处理模块、特征提取模块、权重分配模块、拓展模块和推荐模块，所述数据处理模块、所述特征提取模块、所述权重分配模块、所述拓展模块和所述推荐模块依次连接；
[0021]所述数据处理模块，用于获取任意用户的购买记录及对应评论，并对获取所有数据进行预处理；
[0022]所述特征提取模块，用于对预处理后的所述购买记录进行商品归纳和特征提取，得到多个第一特征和多个第二特征；
[0023]所述权重分配模块，用于根据提取出的多个所述第一特征对应的商品总量的比重和评论等级，计算出对应的第一权重，并根据提取出的多个所述第二特征对应的商品数量比重，计算出对应的第二权重；
[0024]所述拓展模块，用于根据每一个所述商品特征和所述商品属性进行拓展，同时计算每一级拓展路径相似度；
[0025]所述推荐模块，用于将所述特征向量和相似度值进行内积运算，将得到的相关性概率按照降序排列，得到对应的推荐列表。
[0026]本专利技术的一种网上商城商品的推荐方法及其系统，所述网上商城商品的推荐系统包括数据处理模块、特征提取模块、权重分配模块、拓展模块和推荐模块，首先将获取的任意用户的购买记录及对应的评论进行预处理和清洗，然后对预处理后的所述购买记录进行商品归纳和特征提取，得到多个第一特征和多个第二特征；接着根据评论等级和商品属性对提取出的第一特征和第二特征进行权重分配和乘积运算，得到特征向量，其次根据每一个所述商品特征和所述商品属性进行拓展，同时计算每一级拓展路径相似度；最后将所述特征向量和相似度值进行内积运算，将得到的相关性概率按照降序排列，得到对应的推荐列表，能够准确的向用户推荐商品。
附图说明
[0027]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0028]图1是本专利技术第一实施例提供的一种网上商城商品的推荐方法的步骤示意图。
[0029]图2是本专利技术第二实施例提供的一种网上商城商品的推荐方法的步骤示意图。
[0030]图3是本专利技术提供的一种网上商城商品的推荐系统的结构示意图。
[0031]1-数据处理模块、2-特征提取模块、3-权重分配模块、4-拓展模块、5-推荐模块。
具体实施方式
[0032]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0033]在本专利技术的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，在本专利技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0034]请参阅图1，本专利技术第一实施例提供一种网上商城商品的推荐方法，包括以下步骤：
[0035]S101、获取任意用户的购买记录及对应评论，并对获取所有数据进行预处理。
[0036]具体的，在众多网上商城上获取设定时间内的任意用户购买商品的评分信息和购买记录即商品序列，所述属性数据包括：商品价格、商品产地、商品类型、生产日期等。由于获取的原始数据存在缺失、杂乱等问题无法直接用于后续的计算，需要对没有价值的数据进行清洗，例如，用户对商品的评分，去除那些用户已购买但是未评分的商品，还有客户已购买但是有退货的商品；若只是单一的获取第一次的评论信息，会导致评分单一，因此还应结合用户对某一个商品的追加评论，提取追评中的关键词，对追评内容进行等级划分，若获取的评分信息存在追评，则以所述追评等级进行表示，能够有效确保获取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网上商城商品的推荐方法，其特征在于，包括以下步骤：获取任意用户的购买记录及对应评论，并对获取所有数据进行预处理；对预处理后的所述购买记录进行商品归纳和特征提取；根据评论等级和商品属性对提取出的商品特征进行权重分配，得到特征向量；根据每一个所述商品特征和所述商品属性进行拓展，同时计算每一级拓展路径相似度；将所述特征向量和相似度值进行内积运算，将得到的相关性概率按照降序排列，得到对应的推荐列表。2.如权利要求1所述的网上商城商品的推荐方法，其特征在于，对预处理后的所述购买记录进行商品归纳和特征提取，包括：对预处理后的所述购买记录进行商品归纳，按照属性由大至小的归纳方法，对划分出的不同层次范围内的商品进行数量统计，并对不同属性范围内的商品进行特征提取，得到多个第一特征。3.如权利要求2所述的网上商城商品的推荐方法，其特征在于，对预处理后的所述购买记录进行商品归纳和特征提取，还包括：结合对应类型下的商品数量，将大于设定阈值的商品进行挑选，并对相同属性范围内的不同类型下的商品进行特征提取，得到多个第二特征。4.如权利要求3所述的网上商城商品的推荐方法，其特征在于，根据评论等级和商品属性对提取出的商品特征进行权重分配，得到特征向量，包括：根据提取出的多个所述第一特征对应的商品总量的比重和评论等级，计算出对应的第一权重，并根据提取出的多个所述第二特征对应的商品数量比重，计算出对应的第二权重。5.如权利要求4所述的网上商城商品的推荐方法，...

【专利技术属性】
技术研发人员：林素辉，庄林灿，
申请(专利权)人：福建菩泰网络科技有限公司，
类型：发明
国别省市：