[发明专利]一种快消品电商网站的商品推荐方法

说明书

技术领域

本发明属于电子商务领域，尤其涉及一种快消品电商网站的商品推荐方法。

背景技术

电商个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。

主要的推荐算法有基于内容推荐、协同过滤推荐、基于关联规则推荐、基于效用推荐、基于知识推荐、组合推荐。其中协同过滤推荐技术是推荐系统中应用最早和最为成功的技术之一。它一般采用最近邻技术，利用用户的历史喜好信息计算用户之间的距离，然后利用目标用户的最近邻居用户对商品评价的加权评价值来预测目标用户对特定商品的喜好程度，系统从而根据这一喜好程度来对目标用户进行推荐。

协同过滤是基于这样的假设：为一用户找到他真正感兴趣的内容的方法是首先找到与此用户有相似兴趣的其他用户，然后将他们感兴趣的内容推荐给此用户。其基本思想非常易于理解，在日常生活中，我们往往会利用好朋友的推荐来进行一些选择。协同过滤正是把这一思想运用到电子商务推荐系统中来，基于其他用户对某一内容的评价来向目标用户进行推荐。

基于协同过滤的推荐系统可以说是从用户的角度来进行相应推荐的，而且是自动的，即用户获得的推荐是系统从购买模式或浏览行为等隐式获得的，不需要用户努力地找到适合自己兴趣的推荐信息，如填写一些调查表格等。

传统的协同过滤推荐算法在计算与目标用户兴趣相似的用户集合过程中，需要求出目标用户与所有其他用户之间的相似度，如果平台用户比较庞大的话，这个寻找与目标用户兴趣相似的用户集合过程复杂度是O(n*n*d)，n为用户数目，d为商品的数目。而且因为未考虑到位置服务，不同区域的用户的兴趣差异可能会很大，这将大大增加了协同过滤中的稀疏问题，降低了推荐精度。

本发明提出的快消品电商平台的“周边商家都订了”的推荐栏目，是基于LBS的协同过滤推荐算法，在寻找与目标用户兴趣相似的用户集合过程中，只需要在目标用户周边的用户群体中寻找，所以计算与目标用户兴趣相似的用户集合过程的复杂度大大降低，将有效提高推荐引擎的性能。而且周边的便利店的兴趣爱好相似较高，有效降低用户-项目评分矩阵的稀疏性，一定程度上提高推荐算法的推荐精度。

发明内容

为了克服现有技术中存在的不足，本发明公开了一种快消品电商网站的商品推荐方法。

本发明是通过如下技术方案实现的：

一种快消品电商网站的商品推荐方法，包括以下步骤：

步骤一)将电商网站平台的注册门店提交的位置数据储存在LBS云存储中心；

步骤二)目标消费者标记某门店中的商品后，则以所述门店为目标门店，利用LBS云存储中心储存的位置数据以及电子地图软件检索出目标门店的周边门店集合；

步骤三)利用周边门店集合中各门店的消费者记录信息，计算周边门店集合中各门店的消费者与目标消费者的相似度，再划分出目标消费者的相似消费者集合；

步骤四)提取相似消费者集合中的消费者标记过的所有商品，从中剔除目标消费者已标记过的商品，再计算目标用户对其余商品的兴趣度；将兴趣度最高的一个或多个商品推荐给目标消费者。

进一步的改进，所述步骤一)中，将电商网站的注册门店提交的位置数据储存在LBS云存储中心，具体包括以下步骤：

注册门店将的地址提交到电商网站平台，电商网站平台审核注册门店信的地址，审核不通过，则要求重新填写地址，再次审核；

注册门店的地址审核通过后，电商网站平台调用电子地图软件，根据门店的详细地址得到其经纬度；将门店的地址作为一个位置数据，存储于LBS云存储中心。

进一步的改进，所述步骤三)中利用余弦相似度计算周边门店集合中各门店的消费者v与目标消费者u的相似度，计算公式为：

其中u和v为两个消费者，N(u)为消费者u标记的物品集合，N(v)为消费者v标记的物品集合。

进一步的改进，所述步骤三)中将相似度大于0.1893的消费者划入相似消费者集合。

进一步的改进，所述步骤四)中目标消费者u对一个商品i的兴趣度p(u,i)的计算公式为：