【技术实现步骤摘要】
本专利技术属于商品推荐，具体涉及一种商品推荐方法及系统。
技术介绍
1、现有的商品推荐系统常基于通过征集用户的历史购买记录，挖掘以用户特征为中心的信息使用，向用户推荐的是与其兴趣相似的用户近期浏览的商品，在此过程中，常常对征集数据的脱敏处理是依据设定规则实时实现数据脱敏。
2、然而由于数据脱敏过程中设定的规则并不能完全满足不同的数据应用场景，因此导致一些用户信息被泄露，同时对推荐商品与用户特征匹配度的考虑，对于商品方面的主题特征挖掘较少，导致推荐的准确性不足；未考虑用户购买商品与推荐商品之间的关联关系，从而导致算法推荐往往存在向用户频繁推荐不再需要的商品，甚至总是推荐已经购买的相似的商品，故推荐商品的有效性和丰富度不足。
技术实现思路
1、为解决现有技术中存在的上述问题，本专利技术提供了一种商品推荐方法及系统，通过分别提取用户和商品的特征完成匹配，再基于商品间的关系给出综合推荐评分，从而提高了商品推荐的准确性和丰富性。
2、本专利技术的目的可以通过以下技术方案实现：
3、本公开的第一方面提供了一种商品推荐方法，包括以下步骤：
4、数据采集与预处理：通过获取用户许可向用户征集用户信息数据和商品信息数据，对收集到的数据进行清洗和编码使得数据格式一致，并对数据进行脱敏处理；
5、用户画像构建：通过预处理后的数据特征构建用户特征，将所有的用户特征转换为向量形式，形成用户画像向量，并对用户画像添加标签；
6、获取商品信息
7、构建商品关系时间函数：挖掘商品信息数据与用户行为数据之间的商品关系，基于商品的互补替代关系建立变化趋势的时间函数；
8、生成推荐列表：基于用户画像、商品信息数据和商品关系建立推荐商品的推荐评分函数，根据推荐评分生成商品信息的推荐列表；
9、所述构建商品关系时间函数，包括步骤：
10、采用关联规则挖掘算法从所有商品购买记录中挖掘推荐商品的组合商品，然后基于用户行为数据筛选关联规则建立互补商品集合；
11、采用相似度计算方法，设定阈值计算推荐商品与用户行为数据中购买商品的相似度筛选出替代商品集合；
12、基于建立的互补商品集合和替代商品集合，依据互补替代商品关系的时间变化特征建立基于商品关系的时间函数。
13、进一步地，所述建立互补商品集合，包括步骤：
14、通过关联规则挖掘算法在所有交易记录中找到关于推荐商品的频繁项集；从频繁项集中生成关联规则，并计算规则的支持度和置信度；
15、设置最小支持度阈值和置信度阈值对关联规则进行筛选，然后基于用户行为数据对于关联规则中不包含用户购买商品的规则剔除；
16、以最终筛选得到的关联规则获取包含的商品组合，建立推荐商品的互补商品集合。
17、进一步地，所述数据采集与预处理，包括以下步骤：
18、数据划分：识别采集的数据敏感状态对数据划分为敏感字段和常规字段，对敏感字段进行去标识化，对常规字段采用数据引擎提取特征；
19、去标识化：对用户信息敏感字段进行脱敏处理，包括：
20、删除直接标识信息：将数据中直接识别个体的字段删除，包括姓名、电话以及账号等信息；
21、替换为匿名标识符：为每个用户id分配一个随机生成的匿名标识符，使用哈希算法将敏感字段转换为固定长度的哈希值；
22、地理位置模糊化：将地理位置数据进行模糊处理，将精确的经纬度信息模糊到城市或区域级别；
23、时间模糊化：对于精确的时间数据转换为月份或季度；
24、提取特征：通过定义数据引擎的规则特征，逐条对用户数据进行扫描，并生成相应的数据特征，包括：
25、规则特征构建：通过多个维度构建规则，包括用户基本数据规则、消费数据规则、行为数据规则、社交数据规则和反馈数据规则，对每一类数据规则进行逻辑定义，包括范围定义、条件组合和动态新增；
26、数据特征生成：根据构建的数据规则特征，通过逻辑定义生成每条用户数据的数据特征。
27、进一步地，所述用户信息数据，包括用户基本数据、用户行为数据和用户反馈数据，其中用户基本数据包括用户id、性别、年龄、地理位置和注册时间；用户行为数据包括购买记录、浏览历史和搜索关键词；用户反馈数据包括用户对推荐商品的点击率、购买率和评价反馈。
28、进一步地，所述获取商品信息主题分布，包括以下步骤：
29、构建文档-词矩阵：将商品信息数据预处理后的文本数据转换为文档-词矩阵，设有m个文档和v个词，文档-词矩阵d表示为：
30、；
31、式中，dmv表示文档m 中词v 的出现频率；
32、生成主题分布向量：利用lda模型对文档-词矩阵进行训练，设定主题数n，对于每个文档d，生成一个n维的主题分布向量i，表示为：
33、；
34、式中，表示在给定文档d的条件下，第n个主题rn出现的概率。
35、进一步地，所述基于商品关系的时间函数，表达式为：
36、km,c(δt)=n(δt∣0，σc)；
37、kn,s(δt)=-n(δt∣0，σs1)+n(δt∣us，σs2)；
38、式中，km,c(δt)表示商品 m与互补商品c之间的影响程度，n(δt∣0，σc)表示均值为0、标准差为σc的正态分布，δt表示购买互补商品c最近一次购买记录的时间间隔；kn,s(δt) 表示商品n与替代商品s之间的影响程度，n(δt∣0，σs1)表示均值为0、标准差为σs1的正态分布，表示短期内替代商品对推荐的负面影响；n(δt∣us，σs2)表示均值为us、标准差为σs2的正态分布，表示长期内替代商品对推荐的正面影响；us表示替代关系的均值，σs1和σs2的下标s1与s2用于区分负面影响的标准差和正面影响的标准差。
39、进一步地，所述推荐评分函数f，表达公式如下：
40、；
41、式中，s(a，b)表示用户画像a和b之间的相似度，m(h，i)表示用户行为数据h与主题分布向量i的匹配度，α、β、γ为权重系数，表示商品m与互补商品c之间的影响程度，表示商品n与替代商品c之间的影响程度，表示用户对互补商品集合c中商品m的评分，表示用户对替代商品集合s中商品n的评分。
42、进一步地，所述生成推荐列表，还包括：
43、根据推荐需求设置最低推荐分数，筛选出满足推荐条件的商品信息推送给用户。
44、本公开的第二方面提供了一种商品推荐系统，用于实现如上所述的一种商品推荐方法，包括用户画像模块、商品信息建模模块和商品推荐模块；
45、所述用户画像模块，用于采集用户信息数据并通过提取用户特征构建用户画像，包括以下步骤：<本文档来自技高网...
【技术保护点】
1.一种商品推荐方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种商品推荐方法，其特征在于：所述数据采集与预处理，包括以下步骤：
3.根据权利要求2所述的一种商品推荐方法，其特征在于：所述用户信息数据，包括用户基本数据、用户行为数据和用户反馈数据，其中用户基本数据包括用户ID、性别、年龄、地理位置和注册时间；用户行为数据包括购买记录、浏览历史和搜索关键词；用户反馈数据包括用户对推荐商品的点击率、购买率和评价反馈。
4.根据权利要求1所述的一种商品推荐方法，其特征在于：所述建立互补商品集合，包括步骤：
5.根据权利要求1所述的一种商品推荐方法，其特征在于：所述获取商品信息主题分布，包括以下步骤：
6.根据权利要求1所述的一种商品推荐方法，其特征在于：所述基于商品关系的时间函数，表达式为：
7.根据权利要求1所述的一种商品推荐方法，其特征在于：所述推荐评分函数F，表达公式如下：
8.根据权利要求1所述的一种商品推荐方法，其特征在于：所述生成推荐列表，还包括：
9.一种商品推荐系
10.根据权利要求9所述的一种商品推荐系统，其特征在于：所述商品信息建模模块，用于根据商品信息数据提取主题特征，并计算主题特征的分布状况，包括以下步骤：
...【技术特征摘要】
1.一种商品推荐方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种商品推荐方法，其特征在于：所述数据采集与预处理，包括以下步骤：
3.根据权利要求2所述的一种商品推荐方法，其特征在于：所述用户信息数据，包括用户基本数据、用户行为数据和用户反馈数据，其中用户基本数据包括用户id、性别、年龄、地理位置和注册时间；用户行为数据包括购买记录、浏览历史和搜索关键词；用户反馈数据包括用户对推荐商品的点击率、购买率和评价反馈。
4.根据权利要求1所述的一种商品推荐方法，其特征在于：所述建立互补商品集合，包括步骤：
5.根据权利要求1所述的一种商品推荐方法，其特征在于：所述获取商品信息主题...
【专利技术属性】
技术研发人员：钟攀峰，刘璐，
申请(专利权)人：广东南粤分享汇控股有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。