[发明专利]基于逻辑回归的电力积分商品推荐方法及系统

权利要求书

1.基于逻辑回归的电力积分商品推荐方法，其特征是，包括：

对用户进行聚类，获得不同的用户群体；

针对每一类用户获取有积分且曾用积分兑换过商品的正样本用户的最相关特征数据，还获取有积分且未用积分兑换过商品的负样本用户的最相关特征数据；

采用逻辑回归算法，以正样本用户的最相关特征数据、负样本用户的最相关特征数据、以及积分兑换与否标签作为训练集数据，建立潜在客户预测模型；

基于潜在客户预测模型，根据待预测用户的历史积分兑换记录，预测用户进行积分兑换的概率；

对于概率大于设定阈值的用户，视为潜在的积分兑换用户，采用协同过滤算法为潜在的积分兑换用户推荐商品。

2.如权利要求1所述的方法，其特征是，所述对用户进行聚类，获得不同的用户群体，是指：

基于积分兑换用户的评价指标，对用户采用聚类方式进行分类；

对每一类用户的历史积分兑换记录，采用基于互信息的特征选择方法进行最相关特征选择。

3.如权利要求2所述的方法，其特征是，所述基于积分兑换用户的评价指标，对用户采用聚类方式进行分类；具体步骤包括：

积分兑换用户的评价指标，包括：积分兑换用户的年积分兑换量和月积分兑换量；

采集积分兑换用户的年积分兑换量和月积分兑换量；

采用模糊C均值算法对年积分兑换用户进行聚类，得到r个簇；

采用模糊C均值算法对月积分兑换用户进行聚类，得到s个簇；

将用户分为r×s个类。

4.如权利要求1所述的方法，其特征是，所述历史积分兑换记录，包括：用户积分累积余额、用户积分兑换信息、用户积分兑换时间、用户积分兑换次数、用户积分兑换频率或最后一次积分兑换行为发生时间到当前时间的时间间隔。

5.如权利要求1所述的方法，其特征是，采用基于互信息的特征选择方法进行最相关特征选择，是选取互信息最大的前k个特征作为该类用户最相关特征。

6.如权利要求1所述的方法，其特征是，采用协同过滤算法为潜在积分兑换用户推荐商品，具体步骤包括：

采集潜在用户的历史商品浏览行为数据，提取历史浏览商品属性、历史购买商品属性和历史购买商品的价格；

计算商城已有商品与用户历史浏览商品的属性的第一相似度；将第一相似度大于设定阈值的商城已有商品存储到第一商品推荐集合中；

计算第一商品推荐集合中的商品与用户历史购买商品的属性的第二相似度；将第二相似度大于设定阈值的第一商品推荐集合中的商品存储到第二商品推荐集合中；

计算第二商品推荐集合中的商品与用户历史购买商品的价格的差值；将差值小于设定阈值的第二商品推荐集合中的商品存储到第三商品推荐集合中；

计算第三商品推荐集合中的商品被用户浏览的时间点与当前时间点的时间差，基于时间差计算用户对第三商品推荐集合中每个商品的偏好程度，时间差越小表示偏好程度越大；

将第三商品推荐集合中的商品，按照偏好程度降序输出。

7.如权利要求6所述的方法，其特征是，历史商品浏览行为数据，包括：用户的基础信息、用户所浏览过的商品的属性、用户所咨询过的商品的属性、用户所收藏过的商品的属性、用户浏览商品的次数和用户购买过的商品价格。