[发明专利]一种基于协同过滤与关联规则的服装推荐方法

说明书

本发明公开了一种基于协同过滤与关联规则的服装推荐方法。本发明步骤：1.计算根据时间确定训练数据和测试数据，并获取相应的会员标签数据以及产品标签数据；2.基于会员自身的静态属性以及历史购物数据计算两类会员相似性，并通过会员历史购物订单数据和Apriroi算法计算购物记录的关联性，结合会员两类相似性以及关联性结果增加目标会员的历史购物记录；根据新的购物记录中商品标签的购买频率计算目标时间内会员的历史购物偏好；3.基于会员的购物偏好，会员静态属性以及产品静态属性对目标时间内会员的购物记录进行拟合，训练相应的购物概率预测模型，从而给出一份购物概率的推荐排序结果，为会员的精准推荐管理提供科学的参考依据。

技术领域

本发明属于信息技术领域，具体涉及一种基于基于协同过滤与关联规则的服装推荐方法。

背景技术

随着计算机技术的发展，计算机网络和管理系统几乎应用到服装业各个方面，数据挖掘技术也在服装领域发挥巨大的作用。企业在对会员的经营管理活动中，涉及到各个会员自身的偏好管理，由于购物数据稀缺，依靠人工很难对每一个会员的具体情况进行有针对性的管理，在这个基础上，针对会员的推荐就变得尤为困难。

推荐模型和关联规则算法在近期被广泛地应用于服装企业交易数据，当前在服装行业的做法主要由两个方面：一是依据会员动态交互数据(点击，停留，购买等)的线上单品推荐；二是基于所有消费记录下做出的关联性搭配推荐。其中，第一种推荐方案很难满足线下推荐场景，另一方面，随着消费者的偏好越来越多样化，第二种方案也难以对小众偏好的会员给出合适的推荐结果。因此，本发明针对这一情况，提出一种基于协同过滤与关联规则结合的服装推荐算法，实现企业对个体会员的精准推荐和管理。

发明内容

本发明的目的在于补充现有推荐算法在针对线下消费者的推荐效果上的不足，提出一种基于协同过滤与关联规则的服装推荐方法，包括以下步骤：

步骤1：将历史数据按指定时间t₀和指定时间长度Δt划分为训练数据train_set和测试数据test_set,其中，train_set为销售时间小于t₀的所有销售数据，test_set表示销售时间为t₀到t₀+Δt内的所有销售数据；获取会员静态属性标签{V_i}_i∈I以及产品的商品标签{L_q}_q∈Q；

步骤2：将训练数据train_set按照指定时间长度Δt和会员划分，形成销售分布表{D_i,k}，其中D_i,k表示会员i在[t₀-(k+1)Δt，t₀-kΔt]时间点段内的销售数据序列，为了方便叙述，后续统一记Δt_k＝[t₀-(k+1)Δt，t₀-kΔt]；

步骤3：基于历史购物记录，计算指定时间段内会员购物记录之间的Jaccard相似度(购物记录相似度)矩阵其中表示会员i与会员j在时间段内的Jaccard相似度；

步骤4：根据销售分布表，对每个给定的会员i和指定的时间段使用会员在前的销售数据计算会员的RFM特征，这与会员静态属性特征V_i拼接后并进行one-hot编码，由此得到会员i在时间段内的特征向量根据上述得到的特征向量计算会员属性之间的余弦相似度矩阵(会员属性相似度)其中表示会员i与会员j在时间段内的余弦相似度，所述的会员自身的静态属性标签包括年龄、职业、身高、体型、偏好、忌讳颜色等，所述的会员RFM特征包括上一次购买间隔时长，月均购物频率，单笔购物记录平均价格，上一次购物的价格等；