[发明专利]基于用户属性和商品类型的商品推荐方法、系统及设备

说明书

本发明提出一种基于用户属性和商品类型的商品推荐方法，本发明方法首先将用户本身的属性信息和用户购买商品的类型信息，形成一个用户属性‑商品类型的二元关系网络，然后针对用户的某一类属性信息，计算商品的关联权重、频次权重、价值权重、触发中心度、网络核心度；然后将加权关联权重、加权频次权重、加权价值权重、加权触发中心度、加权网络核心度进行加权求和，得到分类用户商品的最佳节点度，根据分类用户商品的最佳节点度大小对相应的分类用户进行商品推荐。本发明方法可获取某一特定用户属性下传播最广，影响最大的商品，商品推送更加细化、更精准。

技术领域

本发明涉及数据挖掘领域，尤其涉及一种基于用户属性和商品类型的商品推荐方法、系统及设备。

背景技术

现有技术的商品推荐方法通常采用协同过滤推荐技术或关系网络的点度中心度技术。

协同过滤推荐的缺陷是：(1)其依赖于推荐；即用户只有购买(在实际应用中，购买还可表示点击、喜欢、已选择、已收藏、已加购物车等类似喜好选择情况)了一定数量的商品后，才可以有推荐的目标，属于被动推荐。(2)推荐的商品仅考虑了单次购买(即仅仅基于一次的精准关联行为)，而不考虑二次衍生购买，后续衍生推荐效果差。

关系网络的点度中心度的缺陷是：(1)仅仅考虑了商品的传播性(商品是否与很多其他商品联接)，但未考虑商品的影响力。一是该商品虽然关联了很多商品，但该商品关联同时购买的次数占该商品的总购买次数的比例很低，例如商品A总共购买10次，9次都是单次购买，仅有1次同时购买其他商品；二是该商品虽与很多其他商品联接，但其购买频次低，并非热门商品，其影响力很差，很可能观众根本并不想购买，整体效果就较差。三是该商品虽然关联了很多商品，但商品的总价值比较低，对于平台运营商来说不赚钱；(2)细化度不足：普推推荐不区分用户的性别，收入等用户本身属性特征，普推推荐的效果可能对不同属性的用户影响程度不同，致使推荐效果产生较大的差异。

发明内容

本发明实施例的目的在于提供一种基于用户属性和商品类型的商品推荐方法、系统及设备，旨在解决现有技术商品推荐方法考虑商品因素不全面且未考虑用户本身的属性特征，导致推荐效果差、不精确的问题。

本发明实施例的第一目的在于提供一种基于用户属性和商品类型的商品推荐方法，所述方法包括：

根据用户商品交易数据，创建分类用户商品关联信息表；

统计各用户类别对各商品的总购买频次；统计各用户类别对各商品的关联购买频次；

根据各用户类别对各商品的总购买频次及各商品单价，计算各商品的总价值；

计算各用户类别各商品的关联权重、频次权重、价值权重；

根据用户商品交易数据，统计各用户类别的商品有向同时购买的频次；并创建各用户类别的有向商品购买频次矩阵；

根据所述各用户类别的有向商品购买频次矩阵，创建各用户类别的无向商品购买频次矩阵；

对各用户类别的有向商品购买频次矩阵进行归一化处理，得到对应的有向商品购买加权频次矩阵；

计算各用户类别各商品的触发中心度；

计算各用户类别各商品的网络核心度；

分别将各用户类别各商品的关联权重、频次权重、价值权重、触发中心度、网络核心度进行归一化处理，得到对应的加权关联权重、加权频次权重、加权价值权重、加权触发中心度、加权网络核心度；

将加权关联权重、加权频次权重、加权价值权重、加权触发中心度、加权网络核心度进行加权求和，得到分类用户商品的最佳节点度；

根据分类用户商品的最佳节点度大小对相应的分类用户进行商品推荐。