[发明专利]一种网购环境下基于偏好度关联的童鞋主动推荐方法

摘要

本发明提供了一种网购环境下基于偏好度关联的童鞋主动推荐方法，该方法分为模型训练和在线实时推荐两个阶段，在模型训练阶段，首先选择若干目前流行的童鞋产品进行童鞋外观要素提取，采用结构熵聚类方法对诸多外观要素进行聚类分析，以获得主流的外观类别群体；然后，采用多类logistic方法建立顾客个体特征与童鞋外观类别的关联模型，通过网络调查样本数据，对关联模型参数进行优化求解。在在线实时推荐阶段，通过获取顾客的个体特征信息，根据上一阶段的关联模型，自动找出与顾客特征最匹配的童鞋外观类别，实现主动推荐功能。本发明可以提高网购环境下主动推荐功能的有效性，为提高顾客关注度提供技术支持。

主权项

一种网购环境下基于偏好度关联的童鞋主动推荐方法，其特征在于，包括以下步骤：(1)收集童鞋样本，确定L个外观构成要素以及各外观构成要素的取值区间；外观构成要素中包含连续属性要素和语义属性要素；(2)采用结构熵聚类方法对各外观构成要素进行聚类分析，得到童鞋产品的M个主流外观类型；具体包括如下步骤：(2.1)将步骤(1)中的童鞋样本作为样本数据聚类样本，将样本数据聚类样本标记为X＝{X₁,X₂,…,X_N}，X_i＝{x_i1,x_i2,…,x_iL}，N为样本容量，L为外观要素个数；初始化聚类个数K＝0，已聚类集合R＝Φ(即空集)，度量阈值B＝0.5；(2.2)根据下式估算属性权重参数ω，$\mathrm{\ω}=\frac{E_{\mathrm{ij}}^{c-\mathrm{mean}}-E_{\mathrm{it}}^{y-\mathrm{mean}}}{(E_{\mathrm{ij}}^{c-\min }-E_{\mathrm{it}}^{y-\min })+(E_{\mathrm{ij}}^{c-\mathrm{mean}}-E_{\mathrm{it}}^{y-\mathrm{mean}})}$其中：a、b分别表示连续属性要素和语义属性要素的个数，a+b＝L；j、t分别表示外观构成要素中连续属性要素和语义属性要素的下标序号；与分别为样本Xi的连续属性要素和语义属性要素的熵值的最小值；即$E_{\mathrm{ij}}^{c-\min }=\underset{1\≤j\≤a}{\min }{E}_{\mathrm{ij}}^c$与$E_{\mathrm{ij}}^{y-\min }=\underset{1\≤j\≤b}{\min }{E}_{\mathrm{ij}}^y;$与分别为样本Xi的连续属性要素和语义属性要素的熵值的平均值，即$E_{\mathrm{ij}}^{c-\mathrm{mean}}=\frac{1}{a}\underset{j=1}{\overset{a}{\mathrm{\Σ}}}{E}_{\mathrm{ij}}^c,E_{\mathrm{it}}^{y-\mathrm{mean}}=\frac{1}{b}\underset{t=1}{\overset{b}{\mathrm{\Σ}}}{E}_{\mathrm{it}}^y;$(2.3)根据下式计算样本的熵E_i；$E_i=\mathrm{\ω}{E}_{\mathrm{ij}}^c+(1-\mathrm{\ω})E_{\mathrm{it}}^y,i=\mathrm{1,2},...,N,j=1,...,a,t=1,...,b;$(2.4)令k＝k+1；(2.5)在X’中找且令v_k＝{X_i|E(X_i)＝E_min}，将其作为第k类聚类中心；(2.6)把满足度量阈值条件D(X_i,v_k)＜B的所有样本归入距离最近的一类中，即将满足条件D(X_i,v_k)＜B的x_i归入V_k类中，V_k＝{X_i|D(X_i,v_k)＜B}；(2.7)令R＝R∪V_k，X’＝X–R；(2.8)判断X’是否为空，若是，则令M＝k，得到主流外观类型V＝{V₁,V₂,…,V_M}，M为外观类型数量；否则，转回步骤(2.4)；(3)基于步骤(2)中确定的童鞋产品的主流外观类型，采集顾客个体特征样本数据集，并将其作为训练样本数据集Z＝{(Y₁,C₁),(Y₂,C₂),…,(Y_N,C_N)}；其中，Y_i＝(y_i1,y_i2,…,y_iQ)为第i个顾客的Q个特征取值；C_i＝{c_i1,c_i2,…,c_iM}为第i个顾客在各主流外观类型上的偏好评分向量；(4)针对训练样本数据集，进行顾客个体特征与童鞋外观类别的多类logistic关联分析，得到各外观构成要素对应于顾客个体特征的映射权重W；具体包括如下步骤：(4.1)令主流外观类型对应于顾客特征的映射权重为为第m类主流外观类型的映射权重(m＝1,2,…,M)，表示当顾客特征集为Z_i＝(z_i1,z_i2,…,z_iQ)时，输出的外观类型为第t类的概率；根据logistic函数特征，构造如下数学优化模型：(4.2)对上式引入拉格朗日乘子，构造(Q+1)*M阶方程组，求解该方程组即可得到主流外观类型的映射权重为第m类主流外观类型的映射权重；(5)利用步骤(4)得到的映射权重W，计算出顾客对各主流外观类型的偏好度，将偏好度大于5的主流外观类型的样品显示出来推荐给顾客；其中，计算顾客对各主流外观类型的偏好度的方法即为计算顾客偏好该主流外观类型的概率Z为待测顾客的个体特征数据集；P(c_t＝1|Z,W)得到的是顾客偏好第t个主流外观类型的概率，并将概率值转化为顾客打分：c_t＝P(c_t＝1|Z,W)·s_max，s_max为外观类别偏好度评分的最大值。