[发明专利]一种基于机器学习的商品智能搭配推荐方法

权利要求书

1.一种基于机器学习的商品智能搭配推荐方法，其特征在于，包括如下步骤：

步骤1：对于给定的待搭配推荐商品，根据商品分词，借助基于内容的推荐算法计算商品间的相似度，将相似度值Term_similarity(x,y)排名前M的商品作为候选集1；

步骤2：根据用户购买历史，采用基于内容的协同过滤搭配算法，以Jaccard系数为基础进行建模，计算商品对x和y的协同过滤相似度cf_sim(x,y)；

步骤3：利用降低活跃用户在相似性中的贡献度，对购买商品x和商品y的用户的交集做改进来改进Jaccard系数，改进后的协同过滤相似度记为cf_sim1(x,y)；

步骤3.1：为降低活跃用户在相似性中的贡献度，将Intersection(x,y)改进为down_activeuser(x,y)，计算公式如下：

down_activeuser(x,y))∑1/log2(Count(u_i))

其中，Count(u_i)表示同时购买了商品x和商品y的用户在用户购买历史数据集中购买商品总数量；

步骤3.2：计算改进后的协同过滤相似度：

步骤4：对同一用户购买的商品对间隔时间差作出惩罚，对购买商品x和商品y的用户的交集做改进来改进Jaccard系数，改进后的协同过滤相似度记为cf_sim2(x,y)；

步骤4.1：对商品对间隔时间差作出惩罚，将Intersection(x,y)提升为down_timediff(x,y)，计算公式如下：

其中，Time_diff(u_i,x,y)表示同时购买了商品x和商品y的用户u_i购买商品x和商品y的时间间隔，μ为一个系数，在[0,1]之间变化，表明商品之间相似度被商品后买时间间隔影响程度的大小；

步骤4.2：计算改进后的协同过滤相似度：

步骤5：对于指定商品求搭配集，利用步骤2至步骤4计算的协同过滤相似度cf_sim(x,y)，cf_sim1(x,y)和cf_sim2(x,y)，分别过滤掉同类目商品之后筛选出与其相似度排名前M的商品，作为候选集2、候选集3、候选集4；

步骤6：对于给定的待搭配推荐商品，从K-Means聚类结果的聚类簇中选择该商品所在簇的所有商品，剔除掉同类目商品；

步骤7：利用步骤6中的得到的结果进行补充，利用两张图像的像素方差对比求图像相似度diff_sim(x,y)，选取排名前M的商品作为候选集5；

步骤8：对候选集1、候选集2、候选集3、候选集4和候选集5中的相似度进行加权平均，然后选取排名前M的商品推荐给用户。

2.根据权利要求步骤1所述的基于机器学习的商品智能搭配推荐方法，其特征在于：所述步骤1的过程如下：

步骤1.1：根据商品分词计算每个商品分词的tf值和idf值；其中，tf指的是该分词在这个商品分词中出现的频率，tf越高表示分词对这个商品越重要；idf指的是逆向文件频率，由总商品数量除以包含这个分词的商品数量进行数值决定，idf越低说明分词对商品越重要，计算过程如下：

idf(x_k)＝log₂(count/count_k)

其中，x_k是商品x的第k个分词，count_x是商品x的分词个数，count是总商品个数，是商品x的x_k的个数，count_k是包含分词x_k的商品数量；

步骤1.2：计算每个商品分词的重要性，也即Tf-idf值，如下：

g1(x_j)＝tf(x_k)*idf(x_k)

其中，g1是商品的tf-idf值；

步骤1.3：利用余弦相似度计算商品相似性，计算公式如下：

其中，x和y是两件商品，g1(x_j)为商品x的第j个分词的重要性，g1(x_k)为商品y的第k个分词的重要性；

步骤1.4：商品筛选：对于指定商品求搭配集，过滤掉同类目商品之后筛选出与其相相似度排名前M的商品，作为候选集1。