基于加权投票式的电商平台用户推荐方法与流程

1.本发明涉及电商平台领域，特别是涉及基于加权投票式的电商平台用户推荐方法。


背景技术：

2.新兴技术其实已经颠覆了人们的传统生活形式，特别是在购物领域变化特点显著，最早的集市到随后的大型商店、大型超市，更进一步演变成现在巨大规模的电子商务，商品数量也从几百种迅速增加到了万种以上，而现在更多达几亿种，因为传统的购物环境发了巨变，一般的人们不会有足够的精力和时间再在传统购物中货比三家。
3.这几年数据检索这类的资源处理形式已经因为技术革新有了新的模式，可按照客户自己的需求在庞大的数据库中寻求资源，为客户提供一套个性化的信息服务。在实际生活中，现在移动端使用者不断增多，并且人们对于生活质量的要求更高，所以如何按照兴趣爱好为大量的移动端用户提供更精准的推荐服务也成为了研究学者所关注的关键热点。
4.随着电子商务的不断发展，网购用户规模日益增长，越来越多的投入到对电商平台的推荐算法研究。虽然取得了一定的成果，但仍有一些遗留问题亟需解决，如数据稀疏性、冷启动、推荐精度低等。
5.经检索，中国专利申请号为cn104182892a的专利，公开了基于推荐的网络购物系统，为用户给出相应的最有权威的购物推荐。其技术方案为：系统包括网络购物模块、用户分享商品模块、被推荐商品的投票统计模块、以及用户推荐权威计算模块，其中：网络购物模块供用户在网络上购买商品；用户分享商品模块，用户对商品进行推荐，每一商品推荐的信息包括商品名称、推荐度、分享的时间以及商品链接；被推荐商品的投票统计模块，其他用户对某一商品推荐进行投票以表示自身对该商品推荐的认可程度，系统对投票结果进行统计；用户推荐权威计算模块，根据其他用户对某一商品推荐的投票结果统计，计算出该商品推荐的权威度，供其他用户在购买商品之前参考。本项目是根据投票向量决策融合基于商品内容相似度的推荐模型和用户历史搜索行为相似度的推荐模型，充分挖掘了商品之间的关联性和用户历史搜索的关联性，生成个性化推荐商品标签，完成电商平台产品的推荐。
6.与本公司发明对比，平台商品推荐，不同之处在于：
7.1.本发明通过建立用户
‑
商品
‑
标签矩阵，对商品和标签进行量化，通过矩阵数据格式来构建新的用户喜好模型；
8.2.本发明引入词频
‑
逆文档频率(tf
‑
idf)算法计算不同用户的标签权重，根据标签权重建立新的相似度计算方法，充分挖掘用户的搜索历史和商品之间的关联性；
9.3.本发明利用投票权重在决策级融合了基于商品内容相似度的推荐模型和基于用户历史搜索行为相似度的推荐模型，最终得到推荐结果最精确时的最佳取值。
10.本发明根据标签权重建立新的相似度计算方法。对相似度计算公式里的调节因子和用户近邻集合的不同取值进行计算投票，最终得到推荐结果最精确时的最佳取值，实现电商平台的个性化推荐系统算法设计。


技术实现要素：

11.为解决上述问题，本发明提出了基于加权投票式的电商平台用户推荐方法，具体步骤如下，其特征在于：
12.步骤1，将电商平台商品的非结构化信息转化为结构化的数据格式：通过向量模型将文本化的电商平台商品使用向量模型来表示；
13.步骤2，设计基于商品内容相似度的推荐模型，根据向量模型的权重向量对产品相似度进行评分，同时对相似度进行排序，可获得相似度最高的几个产品标签；
14.步骤3，设计基于用户历史搜索行为相似度的推荐模型：根据用户搜索商品的词频权重计算历史搜索行为相似度，同时对历史搜索行为相似度进行排序，获得相似度最高的几个产品标签；
15.步骤4，设计基于加权投票式的电商平台用户推荐模型：将基于商品内容相似度的推荐模型和基于用户历史搜索行为相似度的推荐模型通过投票权重进行决策融合，为商品内容相似度的推荐模型和用户历史搜索行为相似度的推荐模型分配投票权重，并更新每个推荐模型的权重，通过投票权重将两种推荐模型进行融合，投票输出电商平台的推荐商品；
16.步骤5，将用户在电商平台的使用数据储存在数据库中，将基于加权投票式的电商平台用户推荐方法嵌入数据处理模块中，电商平台用户推荐系统实时根据实测数据给用户推荐商品。
17.进一步，步骤1中将电商平台商品的非结构化信息转化为结构化的数据格式的过程可以表示如下：
18.设电商平台中有n种商品，用集合d来表示这n种商品，d＝{d1,d2,d3,
…
,d
n
}，该集合可表示为：
19.d＝s
×
t(1)
20.其中，s＝{w1,w2,
…
,w
n
},w
i
是第i种商品在向量模型中的向量模型权重向量，t是向量模型中的商品文本集合数据表示，t＝{t1,t2,
…
,t
n
}。
21.进一步，步骤2中设计基于商品内容相似度的推荐模型的过程可以表示如下：
22.根据商品的向量模型权重向量计算不同商品间的商品相似度sim1(d
i
,d
j
):
[0023][0024]
式中，w
i
和w
j
分别是商品i和商品j的模型权重向量；根据用户所搜索的商品计算的与不同商品的相似度，对剩余商品进行排序，获得所搜索商品近邻内容相似度高的商品。
[0025]
进一步，步骤3中设计基于用户历史搜索行为相似度的推荐模型的过程可以表示如下：
[0026]
步骤3.1，根据用户在平台中搜索的商品内容，将商品内容的文本在向量模型中转换为权重向量和文本数据,使用词频、逆文档频率和词频
‑
逆文档频率表示搜索的商品内容，计算用户输入数据的词频tf、逆文档频率idf和词频
‑
逆文档频率tf
‑
idf：
[0027]
[0028][0029]
tf
‑
idf＝tf
×
idf
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0030]
式中，t
i
表示用户搜索第i个商品的文本数据样本，l是包含该文本数据的文档数；并计算搜索内容的词频权重w
vi
：
[0031][0032]
步骤3.2，设计基于用户历史搜索行为相似度的推荐模型：
[0033]
根据用户喜欢产品的重要性、词频、逆文档频率和词频
‑
逆文档频率计算历史搜索行为相似度：
[0034][0035]
式中，m(d
j
)是商品dj的重要程度，β是相似度调节因子，w
vj
是第j个商品在用户历史搜索商品中的词频权重，v
dj
是商品d
i
和历史搜索商品的欧氏距离；再根据所搜索的用户历史搜索行为相似度，对剩余商品进行排序，获得所搜索商品近邻内容相似度高的商品。
[0036]
进一步，步骤4中设计基于加权投票式的电商平台用户推荐模型的过程可以表示如下：
[0037]
在用户第一次使用推荐算法的迭代过程中，给商品内容相似度的推荐模型和用户历史搜索行为相似度的推荐模型分别分配相同的权重：
[0038][0039]
将两种相似度推荐模型中产品相似度最高的商品推荐给用户，在用户后续使用该推荐算法迭代的过程中将会不断更新商品内容相似度的推荐模型和用户历史搜索行为相似度的推荐模型的权重，权重的更新是自适应的调整每个推荐模型的投票权重：
[0040][0041][0042][0043][0044]
p
k
'是该推荐模型对推荐商品的推荐标签，p
k
是用户在实际使用过程中点击的商品标签，k是第k个相似度推荐模型，s(p
k
'＝p
k
)代表的是当推荐标签和点击商品标签相同时其值取
‑
1，反之取1，w”k
是商品内容相似度的推荐模型和用户历史搜索行为相似度的推荐模
型更新后的权重；获得投票权重后，对于加权投票式的电商平台用户推荐模型的输出结果out为：
[0045]
out＝max(w"
k
×
y
k
) k＝1，2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0046]
式中，y
k
为第k推荐模型输出的推荐标签。
[0047]
本发明基于加权投票式的电商平台用户推荐方法，有益效果在于：
[0048]
1.本发明通过建立用户
‑
商品
‑
标签矩阵，对商品和标签进行量化，通过矩阵数据格式来构建新的用户喜好模型；
[0049]
2.本发明引入词频
‑
逆文档频率(tf
‑
idf)算法计算不同用户的标签权重，根据标签权重建立新的相似度计算方法，充分挖掘用户的搜索历史和商品之间的关联性；
[0050]
3.本发明利用投票权重在决策级融合了基于商品内容相似度的推荐模型和基于用户历史搜索行为相似度的推荐模型，最终得到推荐结果最精确时的最佳取值。
附图说明
[0051]
图1为本发明的流程图；
[0052]
图2为本发明的系统总体架构图。
具体实施方式
[0053]
下面结合附图与具体实施方式对本发明作进一步详细描述：
[0054]
本发明提出了基于加权投票式的电商平台用户推荐方法，图1为本发明的系统结构图，首先本发明将电商平台商品进行量化，获得可表征商品的量化数据，再根据向量模型的权重向量和历史搜索行为相似度来分别计算设计基于商品内容相似度的推荐模型和基于用户历史搜索行为相似度的推荐模型，为了获得更加个性化的推荐商品，本发明根据投票加权对基于商品内容相似度的推荐模型和基于用户历史搜索行为相似度的推荐模型在决策级上进行融合，最后获得基于加权投票式的电商平台用户推荐方法。下面结控制结构图对本发明的步骤作详细介绍。
[0055]
步骤1，将电商平台商品的非结构化信息转化为结构化的数据格式：通过向量模型将文本化的电商平台商品使用向量模型来表示；
[0056]
设电商平台中有n种商品，用集合d来表示这n种商品，d＝{d1,d2,d3,
…
,d
n
}，该集合可表示为：
[0057]
d＝s
×
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0058]
其中，s＝{w1,w2,
…
,w
n
},w
i
是第i种商品在向量模型中的向量模型权重向量，t是向量模型中的商品文本集合数据表示，t＝{t1,t2,
…
,t
n
}；
[0059]
步骤2，设计基于商品内容相似度的推荐模型，根据向量模型的权重向量对产品相似度进行评分，同时对相似度进行排序，可获得相似度最高的几个产品标签；
[0060]
根据商品的向量模型权重向量计算不同商品间的商品相似度sim1(d
i
,d
j
):
[0061][0062]
式中，w
i
和w
j
分别是商品i和商品j的模型权重向量；根据用户所搜索的商品计算的
与不同商品的相似度，对剩余商品进行排序，获得所搜索商品近邻内容相似度高的商品；
[0063]
步骤3，设计基于用户历史搜索行为相似度的推荐模型：根据用户搜索商品的词频权重计算历史搜索行为相似度，同时对历史搜索行为相似度进行排序，获得相似度最高的几个产品标签；
[0064]
步骤3.1，根据用户在平台中搜索的商品内容，将商品内容的文本在向量模型中转换为权重向量和文本数据,使用词频、逆文档频率和词频
‑
逆文档频率表示搜索的商品内容，计算用户输入数据的词频tf、逆文档频率idf和词频
‑
逆文档频率tf
‑
idf：
[0065][0066][0067]
tf
‑
idf＝tf
×
idf
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0068]
式中，t
i
表示用户搜索第i个商品的文本数据样本，l是包含该文本数据的文档数；并计算搜索内容的词频权重w
vi
：
[0069][0070]
步骤3.2，设计基于用户历史搜索行为相似度的推荐模型：
[0071]
根据用户喜欢产品的重要性、词频、逆文档频率和词频
‑
逆文档频率计算历史搜索行为相似度：
[0072][0073]
式中，m(d
j
)是商品dj的重要程度，β是相似度调节因子，w
vj
是第j个商品在用户历史搜索商品中的词频权重，v
dj
是商品d
i
和历史搜索商品的欧氏距离；再根据所搜索的用户历史搜索行为相似度，对剩余商品进行排序，获得所搜索商品近邻内容相似度高的商品；
[0074]
步骤4，设计基于加权投票式的电商平台用户推荐模型：为商品内容相似度的推荐模型和用户历史搜索行为相似度的推荐模型分配投票权重，并更新每个推荐模型的权重，通过投票权重将两种推荐模型进行融合，投票输出电商平台的推荐商品；
[0075]
在用户第一次使用推荐算法的迭代过程中，给商品内容相似度的推荐模型和用户历史搜索行为相似度的推荐模型分别分配相同的权重：
[0076][0077]
将两种相似度推荐模型中产品相似度最高的商品推荐给用户，在用户后续使用该推荐算法迭代的过程中将会不断更新商品内容相似度的推荐模型和用户历史搜索行为相似度的推荐模型的权重，权重的更新是自适应的调整每个推荐模型的投票权重：
[0078]
[0079][0080][0081][0082]
p
k
'是该推荐模型对推荐商品的推荐标签，p
k
是用户在实际使用过程中点击的商品标签，k是第k个相似度推荐模型，s(p
k
'＝p
k
)代表的是当推荐标签和点击商品标签相同时其值取
‑
1，反之取1，w”k
是商品内容相似度的推荐模型和用户历史搜索行为相似度的推荐模型更新后的权重；获得投票权重后，对于加权投票式的电商平台用户推荐模型的输出结果out为：
[0083]
out＝max(w"
k
×
y
k
) k＝1，2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0084]
式中，y
k
为第k推荐模型输出的推荐标签。
[0085]
步骤5，将用户在电商平台的使用数据储存在数据库中，将基于加权投票式的电商平台用户推荐方法嵌入数据处理模块中，电商平台用户推荐系统实时根据实测数据给用户推荐商品，系统总体架构图如图2所示。
[0086]
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。