[发明专利]一种基于交易网络的商家推荐方法

说明书

 

技术领域

本发明涉及电子商务领域中的商家推荐，特别涉及存在大量历史交易数据的情况下，充分发掘买家和卖家的交易偏好，构成用户簇；同时引入社会网络因素，为买家或卖家划分社团；通过随机行走完成商家推荐。

背景技术

推荐系统已应用到信息检索、新闻传媒、电子商务、社会网络服务等诸多领域。在电子商务领域，良好的推荐系统能够有效提升用户体验（包括买家和卖家），增加用户黏着度，促进更多交易行为的发生。目前众多的电子商务网站，如淘宝、大众点评、亚马逊、亿贝、京东等都建立了各自的推荐系统，在商品层面进行有效的统计、建模、挖掘和推荐工作，取得了良好成果。目前的推荐技术大致可分为三大类：基于内容的推荐、协同过滤、以及混合推荐。基于内容的推荐为用户（买家）推荐与其之前的选择相类似的物品（商品）；协同过滤为用户推荐与其偏好最相近的用户所选择过的物品；混合方式采用多种推荐方法的组合为用户推荐物品，一种策略是结合基于内容和协同过滤为用户提供推荐，另一种目前比较流行的策略是在协同过滤中引入社会网络技术为用户推荐物品。

目前电子商务网站在交易过程中主要承担平台和中介的角色，每一次交易实际发生在买家和卖家之间。现有的推荐系统在为买家发掘商品、促进买家体验和交易量方面已取得良好成果；但对卖家的关注度仍然不够，实际是较少考虑到社会网络因素的影响。已有市场调查报告显示超过65%的买家更倾向于同信任的卖家进行交易，并建立所谓“老客”、“回头客”等相对稳固的信任交易关系；考虑到在线商品交易中更高的劣质商品风险和质保代价，合理的商家推荐是当前电子商务领域需要立即考虑的问题。现有的推荐方法和技术尚未考虑商家推荐的问题，有效的商家推荐方法将填补这一空白。

发明内容

本发明主要目的是针对传统推荐系统没有考虑商家推荐的问题，提出一种基于交易网络的商家推荐方法，通过在买家和卖家之间建立偏好相似的用户簇，根据交易网络的连接模式划分社团，通过随机行走完成商家推荐。

为实现本发明所述目的，本发明采用如下的步骤：

1）整理交易数据并建立交易网络，包含两个工作：其一为每个用户（包括买家和卖家）建立和维护偏好向量；其二根据历史交易记录在用户之间建立交易网络；

2）根据用户交易历史对用户聚类；采用期望最大化算法EM，通过用户偏好向量进行用户聚类，形成偏好相似的用户簇；

3）对交易网络进行社团划分；采用K均值算法KM，根据交易网络中各（用户）节点的连接模式划分社团；

4）应用随机行走方法实现商家推荐，从买家（目标用户）出发，在社团间随机行走，根据用户簇决定停止概率，完成商家推荐。

上述步骤1）中用户的偏好向量用数组表示：令                                                表示电子商务网站中商品类别的数量；用户的偏好向量为；其中元素（）的定义如下：

。

上述步骤1）中的交易网络是一个有向图，其中表示电子商务网站中的用户集合；有向边集合反映用户之间的交易历史，对于任意两个用户和（），有向边表示用户曾经从用户购买过商品；是一个映射，其中为自然数集，作用是为中的每一条有向边赋予权重；简化处理：有向边的权重表示为，代表向购买商品的次数，若，则，另有。

上述步骤2）中的EM算法包含两个阶段：E-Step（Expectation）根据用户簇的当前组成计算每个簇的中心点；M-Step（Maximization）将每个用户重新分配到从属概率最高的用户簇；

2.1）考虑E-Step，计算用户簇的中心点，其中表示商品类别的数量，元素的计算公式如下：

其中表示用户簇的规模，即簇中包含的用户数量；是用户的偏好向量中的对应元素，必须属于；

2.2）考虑M-Step，用户属于用户簇的从属概率由表示，为计算，引入背景向量，其中元素的计算公式如下：

其中为用户集合；再引入平滑因子，可设为0.01，取值范围0.001~0.06，交易数据越稀疏，取值越大；计算用户簇的特征向量，其中元素的计算公式如下：

进一步计算系数向量，其中元素的计算公式如下：

基于上述，计算用户属于用户簇的从属概率，公式如下：

将每个用户重新分配到从属概率最大的用户簇中，即：

。