[发明专利]一种商品推荐方法、系统、存储介质和终端

说明书

本发明提供了一种商品推荐方法、系统、存储介质和终端，属于个性化推荐系统以及关联规则分析技术领域，基于FP‑Growth的联邦关联分析的商品推荐方法包括用户购买记录数据采集及存储、数据预处理、基于FP‑Growth的数据联邦关联分析和商品个性化推荐。方法融合了FP‑Growth算法以及联邦学习的思路，该方法可以解决区域间数据不平衡的问题，有效整合各个区域的计算资源和学习得到的知识。方案能有效降低对学习参与者的计算资源的要求，同时不要求学习参与者将数据告知集中式学习器，有效提高了关联规则分析的效率与隐私保护。方案提供主动或被动触发的多样性商品推荐方案，能有效提高用户的体验度以及营销系统的盈利收入。

技术领域

本发明属于个性化推荐系统以及关联规则分析技术，具体涉及一种商品推荐方法、系统、存储介质和终端。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术或先有技术。

随着大数据技术的发展，个性化推荐系统的开发和作用越来越重要，尤其在电商平台领域尤为突出。目前，个性化推荐系统的核心技术为关联分析算法，传统的关联分析算法主要有以下缺点：

(1)目前的关联规则分析算法属于单点式分析，无法结合不同区域的数据，进行联合式的知识学习，导致某些缺乏数据的区域所学到的知识过于简单。

(2)目前的集中式关联规则分析算法对计算机资源的要求较高，且无法保护各学习参与者的隐私，要求各参与者必须毫无保留地将其所拥有的数据上传到集中式学习器中进行学习。

发明内容

为了克服现有技术的不足，本发明的目的在于提供一种商品推荐方法、系统、存储介质和终端，其能解决目前的单点式关联规则分析算法无法结合不同区域的数据，同时对计算机资源的要求较高的问题。

设计原理：本发明主要基于智能金融设备收集的用户消费记录，研究如何对用户的消费记录进行关联规则分析，并最终实现商品个性化推荐的功能。再者，对于目前关联规则分析的算法中，FP-Growth(Frequent Pattern Growth，频繁模式增长)算法，因其在整个算法执行过程中只需要遍历数据集2次，就可完成频繁模式的发现，因此其算法效率高。对于大数据集的数据处理，效率是至关重要的，这为其在大数据挖掘中应用提供了可能。因此提出了采用FP-Growth算法的联邦关联分析的推荐方案：首先，对收集到的用户购买记录进行数据预处理(如数据清洗、数据变换等)，以统一数据的格式，降低后续算法的计算成本。接着，实现一种可以对不同区域的用户的购买记录进行联邦关联规则分析的算法，实现商品之间的关系实体的提取，形成关联规则。最后，根据算法所分析出来的关联规则进行个性化推荐，实现商品的实时推荐，提高系统的智能化程度和系统的营收，使得用户有更好的购物体验。

总体方案：为了解决上述问题，本申请的总体设计方案如下。

一种基于FP-Growth的联邦关联分析的商品推荐方法，商品推荐方法包括：

S1、用户购买记录数据采集及存储；

S2、数据预处理；

S3、基于FP-Growth的数据联邦关联分析；

S4、商品个性化推荐。

进一步的，步骤S1中用户购买记录数据采集由智能金融设备收集，并将收集后的数据存储到智能金融设备所属区域的MySQL数据库中。

进一步的，步骤S2的数据预处理包括：S21、数据转换，将原始用户购买记录的商品名数字化，使得用户购买记录规范化形成能被计算机识别的文本数据，提高后续关联分析的效率；S22、数据缺失值处理，依据“最近最频繁”原则对规范化后的文本数据进行缺失值处理。