[发明专利]一种商品推荐方法及装置

说明书

本发明实施例提供了一种商品推荐方法及装置，应用于计算机科学领域。本发明所提供的商品推荐方法避免了对新用户、新事物推荐冷启动和热门商品过度推荐的问题，使商品推荐更合理更准确，提升顾客购买商品便利度，增加超市营收，也为超市货架商品摆放提供有效参考。该包括如下步骤：获取历史购物记录；根据所述历史购物记录，建立商品同购关系网络；在所述商品同购关系网络中，利用随机游走算法，分别计算所述同购关系网络中所有商品对应的随机游走序列；根据所述商品对应的随机游走序列，确定所述目标商品与其他商品之间的关联度；根据所述目标商品与其他商品之间的关联度，确定需要推荐的商品。本发明应用于商品推荐。

技术领域

本发明涉及计算机科学领域，尤其涉及一种新型商品推荐方法及装置。

背景技术

随着互联网的普及和电子商务的日渐成熟，人们越来越多地利用电子商务平台进行商品信息的获取和商品的购买。人们希望在购买商品时，电子商务平台可以向用户推荐各种商品信息，例如向用户推荐用户可能感兴趣的商品等。通过商品推荐，可以缩短用户寻找所需要产品的路径，提升用户体验。

推荐算法是当下较为常用和热门的算法之一。目前主要的推荐算法主要包括基于内容的推荐、协同过滤推荐、基于关联规则推荐。在基于内容的推荐算法中，首先通过用户对对象的评价特征来学习用户的兴趣，然后计算用户兴趣与项目特征属性之间的匹配程度。最终向用户推荐匹配程度高的项目；基于协同过滤的推荐算法，首先采用最近邻算法计算与目标用户喜好最接近的邻居用户，然后根据最近邻用户对商品评价的加权值来预测目标用户对特定商品的喜好程度，最终根据用户的喜好程度进行商品推荐；基于关联规则的推荐以关联规则为基础，把已购商品作为规则头，推荐对象作为规则体，通过计算两种商品的同购概率对目标用户进行推荐。

以上常见的推荐算法都存在一定的局限性：基于内容的推荐算法要求用户的喜好必须能够用内容特征表达，抽取的特征既要保证准确性又要具有一定的实际意义，而且不能显示地得到其它用户的判断情况；基于协同过滤的推荐算法核心是基于历史数据，对新用户和新物品具有“冷启动”的问题，推荐的效果依赖于用户历史偏好的数据的多少和准确性，且在大部分的实现中，用户历史偏好是用稀疏矩阵进行存储的，而稀疏矩阵上的计算有些明显的问题，包括可能少部分人的错误偏好会对推荐的准确度有很大的影响等等；基于关联规则的推荐算法计算量较大，同时也存在冷启动和稀疏性问题，而且容易出现热门项目被过度推荐的问题。综上所述三种算法都不能合理准确的为顾客推荐商品，方便顾客购物，促进超市营收。

发明内容

为克服上述现有技术中的缺陷，本发明所要解决的技术问题为：提供一种商品推荐方法及装置，为电商超市商品推荐或者超市货架货物摆放提供参考，提升顾客购买便利程度，促进超市营收。

为达到上述目的，本发明采用如下技术方案：

第一方面，本申请实施例提供了一种商品推荐方法，包括：获取历史购物记录；根据所述历史购物记录，建立商品同购关系网络；其中，所述商品同购关系网络中包括N个商品，N≥2；根据所述历史购物记录，若确定两种商品被同时购买过，则将所述两种商品进行连接；所述N个商品中包括目标商品；在所述商品同购关系网络中，利用随机游走算法，分别计算所述N个商品对应的随机游走序列；根据所述N个商品对应的随机游走序列，确定所述目标商品与其他商品之间的关联度；根据所述目标商品与其他商品之间的关联度，确定需要推荐的商品。

可选的，该方法还包括：根据所述N个商品对应的随机游走序列，利用Word2vec算法，分别计算所述N个商品的实数向量；根据所述N个商品的实数向量，计算所述目标商品与所述N个商品中其他商品之间的余弦相似度。

可选的，所述需要推荐的商品包括：所述N个商品中与所述目标商品的余弦相似度大于预定阈值的商品。所述预定阈值可以更好的限定与目标商品相似的商品，所述预定阈值设为ε。

可选的，所述余弦相似度计算公式为：