基于RFM模型的协同过滤推荐方法.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CN113988969A(43)申请公布日2022.01.28(21)申请号202111196339.X(22)申请日2021.10.14(71)申请人青岛檬豆网络科技有限公司地址266000山东省青岛市市北区敦化路119号1802室(72)发明人刘鹏飞于德尚杨尚伟郑鑫(74)专利代理机构武汉聚信汇智知识产权代理有限公司42258代理人刘丹(51)Int.Cl.G06Q30/06(2012.01)G06Q30/02(2012.01)权利要求书3页说明书8页附图1页(54)发明名称基于RFM模型的协同过滤推荐方法(57)摘要本发明公开一种基于RFM模型的协同过滤推荐方法，所述方法包括：一、对电商平台下的所有商品进行类别划分，划分为N个类别；二、计算出待推荐用户的近度属性向量、频度属性向量以及值度属性向量的值；三、计算待推荐用户在近度、频度、值度三个衡量指标下与其他企业用户的相似度，进而计算综合相似度；然后将待推荐用户与其他企业用户的综合相似度进行排序，得到相似度高的企业列表作为相似用户，进而根据相似用户的产品购买记录，结合待推荐用户的产品购买记录形成的两个产品推荐列表整合后形成的最终的产品推荐列表将其推荐给用户。本方法可以解决推荐产品的问题，实现单一或组合产品的推荐功能，提高企业用户在平台的体验度。CN113988969ACN113988969A权利要求书1/3页1.基于RFM模型的协同过滤推荐方法，其特征在于，所述协同过滤推荐方法包括如下步骤：步骤一：对电商平台下的所有商品进行类别划分，根据电子元器件本身的属性将所有产品划分为N个类别；步骤二：处理待推荐用户的购买记录，主要包括用户id，购买商品的id、商品名称和下单时间，得到基于用户的属性向量；基于RFM模型每个用户可以得到三个属性向量，分别对应着RFM模型中三个衡量指标近度、频度和值度，每个属性向量都是N维，分别代表着购买的N类产品的记录在RFM下的对应值；计算出待推荐用户的近度属性向量、频度属性向量以及值度属性向量的值；步骤三：生成最终的推荐列表：计算待推荐用户在近度、频度、值度三个衡量指标下与其他企业用户的距离，即与其他企业用户的相似度；再根据待推荐用户与企业用户的相似度，将三个衡量指标下得到的相似度综合分析计算，得到综合相似度；然后将待推荐用户与其他企业用户的综合相似度进行排序，得到相似度高的企业列表作为相似用户，进而根据相似用户的产品购买记录，结合待推荐用户的产品购买记录形成的两个产品推荐列表整合后形成的最终的产品推荐列表将其推荐给待推荐用户。2.如权利要求1所述的基于RFM模型的协同过滤推荐方法，其特征在于，所述步骤一中，N的数值，根据平台类别的调整而调整。3.如权利要求1所述的基于RFM模型的协同过滤推荐方法，其特征在于，所述步骤二中，近度属性向量的计算，具体包括：根据RFM模型，距离上一次购买时间越远的用户再次购买的可能性相对于距离上一次购买时间较近的用户较小，其近度属性向量计算如下：其中，now表示当前时间，purchase_timeij为用户购买i类产品中第j件商品的时间，days(now‑purchase_timeij)则为两个时间节点之间相隔的天数，ni为第i类产品中商品的购买数目，ri的值的大小代表了该条记录在最终的属性中所占的重要性，间隔越近该值越大，也就代表着重要性越高，反之越小，而用户属性每一位的最终值由用户购买的对应每一类别商品的近度值的求和得到。4.如权利要求3所述的基于RFM模型的协同过滤推荐方法，其特征在于，所述步骤二中，频度属性向量的计算，具体包括：根据RFM模型，购买频度较高的用户再次购买的可能性相对于购买频度较低的用户更高，因此频度属性向量的值，即购买该品类产品的次数，其频度数向量计算如下：其中，ni为第i类产品中商品的购买数目，pj为第i类产品中的第j件商品，I(p＝pj)表示2CN113988969A权利要求书2/3页若用户购买过pj，其值为1，否则为0。5.如权利要求4所述的基于RFM模型的协同过滤推荐方法，其特征在于，所述步骤二中，值度属性向量的计算，具体包括：根据RFM模型，购买值度越大的用户再次购买的可能性较购买值度小的用户更高，其值度属性向量的计算如下：其中，ni为第i类产品中商品的购买数目，times(p＝pj)表示用户购买pj的次数。6.如权利要求1所述的基于RFM模型的协同过滤推荐方法，其特征在于，所述步骤三中，生成最终的推荐列表，具体包括：(1)计算待推荐用户在RFM模型的三个衡量指标下与其他企业用户的距离，即与其他企业用户的相似度，采用曼哈顿距离计算其距离或相似度，计算公示如下：其中，X，Y表示两个样本的属性向量，N表示类别总数，与值