[发明专利]一种基于客户特征的分组推荐方法及其装置

说明书

本发明公开了一种基于客户特征的分组推荐方法及其装置，包括：获取多个历史客户的特征信息并对其预处理，得到对应于各个历史客户的数据点，组成待分组数据集；计算各个数据点周围的数据点密度，选取数据点密度最大的前N个数据点作为初始密度峰值点；分别对各个初始密度峰值点进行聚类，得到以各个初始簇；将每个初始簇与对应的推荐数据进行链接；接收新客户的特征信息后对其进行预处理，得到对应于新客户的数据点；确定新客户所属的初始簇，并调用其所属的初始簇链接的推荐数据进行显示。本发明能够根据各个数据点的数据点密度自动筛选聚类中心，不依赖于人工选择，工作人员的工作量小，且提高了聚类分组的准确性，推荐效果更好。

技术领域

本发明涉及分组推荐技术领域，特别是涉及一种基于客户特征的分组推荐方法及其装置。

背景技术

在数据推荐技术领域，主要的方法是通过基于密度的聚类算法进行分组，之后依据客户所属的组，来对客户推荐相应的数据，例如银行或者移动的业务推荐、网站的热点推荐等等。

基于密度的聚类方法的主要思想是寻找被低密度(稀疏)区域分割的高密度区域，与传统聚类方法相比，能够很好处理数据集中的噪声，很好地降低噪声对聚类结果的影响，同时很适合处理各种形状的数据集。其中，经典的密度峰值聚类算法(CFSFDP)是基于以下思想：对于一个数据集，聚类中心的特征是密度高于其周围的邻居点，并且距离具有较高密度的点具有相对较大的距离。CFSFDP算法不需要进行复杂的参数设置，可以完成对不同类型数据集的聚类分析，适用于处理具有低维、稀疏等特点的数据集。

目前，CFSFDP的聚类过程是：首先计算出各个数据点的局部密度与高密度距离，并将局部密度为横轴，高密度距离为纵轴，构建决策图，如图1所示，之后根据决策图人工选择局部密度和高密度距离都较高、且明显远离大部分样本的右上角区域的数据点作为聚类中心。最后计算数据集中的其他数据点与每个聚类中心的最小距离，从而将数据点划分到向各个聚类中心。

但是，上述过程中，聚类中心的选择是由人为依据决策图中的数据点的分布进行选择的，这个操作依赖于人工进行的话，不仅使得工作量大，并且选取的密度中心点存在较大的主观性，最终得到的分组准确性较低，推荐效果较差。

因此，如何提供一种推荐效果好的基于客户特征的分组推荐方法及其装置是本领域技术人员目前需要解决的问题。

发明内容

本发明的目的是提供一种基于客户特征的分组推荐方法及其装置，能够根据各个数据点的数据点密度自动筛选聚类中心，而不依赖于人工选择，工作人员的工作量小，且提高了聚类分组的准确性，推荐效果更好。

为解决上述技术问题，本发明提供了一种基于客户特征的分组推荐方法，包括：

获取多个历史客户的特征信息并对其预处理，得到对应于各个历史客户的数据点，组成待分组数据集；

计算各个数据点周围的数据点密度，选取数据点密度最大的前N个数据点作为初始密度峰值点；

分别对各个所述初始密度峰值点进行聚类，得到以各个所述初始密度峰值点为中心的初始簇；

将每个所述初始簇与对应的推荐数据进行链接；

接收新客户的特征信息后对其进行预处理，得到对应于所述新客户的数据点；

确定所述新客户所属的初始簇，并调用其所属的初始簇链接的推荐数据进行显示。

优选地，所述计算各个数据点周围的数据点密度，选取数据点密度最大的前N个数据点作为初始密度峰值点的过程包括：

依据密度峰值聚类算法计算各个数据点的局部密度以及高密度距离；

将每个数据点的局部密度以及高密度距离相乘得到所述数据点的归一化值；