基于关键商品识别的在线商品推荐方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114202395A(43)申请公布日2022.03.18(21)申请号202210069273.6(22)申请日2022.01.21(71)申请人福州大学地址350108福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学(72)发明人郭昆戴锦坤吉鹏云(74)专利代理机构福州元创专利商标代理有限公司35100代理人张灯灿蔡学俊(51)Int.Cl.G06Q30/06(2012.01)G06F16/9535(2019.01)权利要求书3页说明书7页附图1页(54)发明名称基于关键商品识别的在线商品推荐方法及系统(57)摘要本发明涉及一种基于关键商品识别的在线商品推荐方法及系统，该方法包括以下步骤：挖掘商品所属子图；计算商品聚集度；计算每个商品的核心度，将核心度最高的两个商品作为关键商品；计算核心节点的邻居节点与核心节点的相似度，将相似度最高的两个节点加入群体形成群体的核心区域；从核心区域出发，依次将群体邻居商品中使得群体适应度函数增量最大的商品加入群体，形成初步的群体结构；将群体邻居商品中对群体隶属度高于设定阈值的商品加入群体，以此来优化群体结构，得到最终的商品群体；将得到的商品群体中用户还未购买过的商品推荐给用户。该方法及系统有利于精准、高效地向用户推荐商品。CN114202395ACN114202395A权利要求书1/3页1.一种基于关键商品识别的在线商品推荐方法，其特征在于，包括以下步骤：步骤S1：将商品按照购买关系构成一个网络，如果两种商品曾同时被一个用户购买，那么这两种商品之间存在连边；从用户已经购买过的商品开始，利用广度优先搜索来挖掘包含给定商品的子图；步骤S2：从两个方面来度量商品的聚集度，即商品所属群集的聚集程度；首先计算子图中每个节点的三角形motif度，用于衡量该商品与其相邻商品连接的紧密程度，其次计算边聚类系数的平均值以度量邻居商品相互之间联系的紧密程度；步骤S3：为子图中的节点分配不同的初始核心度，然后通过PageRank算法迭代计算每个商品的核心度，最终将核心度最高的两个商品作为关键商品；步骤S4：计算核心节点的邻居节点与核心节点的相似度，将相似度最高的两个节点加入群体形成群体的核心区域；步骤S5：从核心区域出发，依次将群体邻居商品中使得群体适应度函数增量最大的商品加入群体，重复这个过程直到适应度函数不再继续增大；形成初步的群体结构；步骤S6：将群体邻居商品中对群体隶属度高于设定阈值的商品加入群体，以此来优化群体结构，得到最终的商品群体；步骤S7：将最终得到的商品群体中用户还未购买过的商品推荐给用户。2.根据权利要求1所述的基于关键商品识别的在线商品推荐方法，其特征在于，所述步骤S2包括以下步骤：步骤S21：对于子图中的每个商品，计算商品的三角形motif度，其计算公式如公式(1)所示：MD(i)＝|{M∈G}|i∈M|(1)其中，G代表商品网络，M代表商品组成的三角形结构，商品i的三角形Motif度MD(i)表示以商品i为其中一个端点的M的数量；步骤S22：对于给定商品的邻居之间所组成的边，计算每条边的边聚类系数，其计算公式如公式(2)所示：其中，C(ij)代表边(i,j)的边聚类系数，zij代表实际包含边(i,j)的三角形的数量，sij代表可能包含边(i,j)的三角形数量，ki和kj分别代表表征商品i和j的节点的度数；步骤S23：计算子图中每个商品的聚集度，其计算公式如公式(3)所示：其中，MD(i)是三角形Motif度，公式后半部分中，分子表示的是商品i的相邻商品之间连边的边聚类系数之和，|e|代表商品i的相邻商品之间连边的总数。3.根据权利要求2所述的基于关键商品识别的在线商品推荐方法，其特征在于，所述步骤S3包括以下步骤：步骤S31：设子图中有n个节点代表n个商品，将子图中商品的聚集度做归一化处理，将归一化后的聚集度设置为每个商品初始的核心度；然后迭代计算每个商品的核心度，其计2CN114202395A权利要求书2/3页算公式如公式(4)所示：其中，CD(i)代表商品的核心度，ωij代表连接商品i和商品j的边(i,j)的权值，n代表网络中商品的总数，β为阻尼系数；步骤S32：取核心度最高的两个商品作为群体的候选关键商品。4.根据权利要求3所述的基于关键商品识别的在线商品推荐方法，其特征在于，所述步骤S4包括以下步骤：步骤S41：依次计算关键商品的邻接商品与关键商品的Jaccard相似度；步骤S42：取与关键商品相似度最高的两个商品加入群体，形成群体的核心区域。5.根据权利要求4所述的基于关键商品识别的在线商品推荐方法，其特征在于，所述步骤S5包括以下步骤：步骤S51：依次计算群体的邻接商品对群体适应度Fc的贡献值，