[发明专利]一种基于遗传算法的实体商业营销方法

权利要求书

1.一种基于遗传算法的实体商业营销方法，其特征在于，包括如下步骤：

步骤1：采集商家数据和用户数据；

步骤2：根据商家数据，针对商家采用对不同消费类型设定标签，获得商家特征基因，建立商家基因库模型；

步骤3：根据用户数据，获得用户消费权重，建立用户偏好模型；

步骤4：利用k-means算法分别对类型相似的商家数据和用户数据进行初始聚类；

步骤5：在聚合的类中将用户数据和商家基因库的特征基因进行匹配，采用遗传算法计算某一商家对一被推荐用户的推荐率；再计算出匹配成功的商家对此被推荐用户的推荐率，生成推新备选商家数据集，根据各商家在数据集中的排名，对此被推荐用户进行精准推荐；

所述步骤5中，如果被推荐用户为老用户，对于老用户的算法为：

步骤5.1：在商家中随机找m个点作初始群体，再根据遗传算法中基因的变异、交叉、复制算子的计算，不断产生新的基因型，并计算新基因型与此老用户之间的匹配程度M，保留匹配程度高的基因型淘汰掉匹配程度低的；

当某一时刻t，群体状态为τ，老用户与群体的最大匹配度如公式(5)所示：

其中C_i表示第i位用户，x_j表示权重序列的第j个特征，S_h表示第h位商家；群体状态连续三代不再改变时，则遗传算法收敛；

当计算过程中求最优解的基因始终在改变，并没有满足收敛条件时，在遗传算法中的基因最大更新代数为500，超过更新代数时算法，停止计算，确定停止时刻群体状态及最大适应度；

步骤5.2：运用遗传算法寻找老用户的关联用户C_f的适应度函数，适应度函数如公式(6)所示：

其中，C表示用户，表示老用户C_i的权重序列，表示用户关联好友C_f的权重序列，所有权重序列的特征数都为30，i与f都从特征1到30进行求和计算；

步骤5.3：计算最终的商家推荐率:

运用遗传算法找到老用户C_i的关联用户C_f的最优解F，以F为圆心，设定匹配程度阈值，以此阈值为半径范围取值，在该范围中所有关联用户则为老用户C_i的最终关联用户；

实际调查获取到每个用户所有具体消费数据来计算某一个商家S对用户C_i的推荐率，其中表示被推荐用户C_i的消费记录，表示v的消费记录，对用户C_i的推荐率采用消费记录交集推荐的方法来得到最终的推荐率；求某一商家S对C_i被推荐用户的推荐率为公式7所示：

其中Countf＝∑_f∈FPc(S，C_f)，f为在店S消费过的关联好友，F为所有的用户集合，Count(F)为所有的用户的数值，以商家S为主，在F集中找到在店S消费过的人计数count(f)，消费过则计数1，未消费则计数0，以该计数值与count(F)进行比值，最终值则为最后该店对C_i的最终推荐率；

步骤5.4：计算得出匹配成功的商家的商家对用户C_i的推荐率，生成推新备选商家数据集，根据各商家在数据集中的排名进行推荐

所述步骤5中，如果被推荐用户为新用户，对老用户的推荐算法为：

步骤5.1-1：在遗传算法框架中采用用户序列与商家序列直接匹配的方式，得到与该用户相似度最大的商家作为适应度函数，并进行实时推送，相对应的遗传算法的适应度函数为公式(8)所示：

其中中C_i表示第i位用户、x_j表示权重序列的第j个特征，中S_h表示第h位商家；

步骤5.2-2：求用户与商家的相似程度，与获取的商圈消费情况进行分析；具体地，将商家与用户放于n维空间中，采用欧几里得距离公式计算两点的距离，并使用公式(8)将距离变成两点的相似度；

步骤5.3-1：在商家中随机找m个点作初始群体，再根据遗传算法中基因的变异、交叉、复制算子的计算，不断产生新的基因型，并计算新基因型与此老用户之间的匹配程度M，保留匹配程度高的基因型淘汰掉匹配程度低的；

当某一时刻t，群体状态为τ，老用户与群体的最大适应度如公式(5)所示：

其中C_i表示第i位用户，x_j表示权重序列的第j个特征，S_h表示第h位商家；群体状态连续三代不再改变时，则遗传算法收敛；当计算过程中求最优解的基因始终在改变，并没有满足收敛条件时，在遗传算法中的基因最大更新代数为500，超过更新代数时算法，停止计算，确定停止时刻群体状态及最大适应度；

步骤5.4-1：自定义新的算法模式——范围相似度函数Sim，在实际的基因组中找到与o最匹配的解成为算法的实际最优解：

在n维空间中以o点为圆心，设定阈值为半径得到相应的范围，计算范围中所有点与o点的距离且最终推荐率为公式(9)：

其中，S_h表示范围内某商家，W_o为运用遗传算法后得到的相似最优解权重序列，为范围之中商家基因序列；采用余弦相似度计算o点与范围中商家的相似度，找到相似度最大的商家，将其作为最优解推送给相应的用户。