一种基于机器学习的商品智能搭配推荐方法.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CN112819570A(43)申请公布日2021.05.18(21)申请号202110082078.2(22)申请日2021.01.21(71)申请人东北大学地址110819辽宁省沈阳市和平区文化路3号巷11号(72)发明人王莲莲任涛王心悦汤怀智(74)专利代理机构沈阳东大知识产权代理有限公司21109代理人李在川(51)Int.Cl.G06Q30/06(2012.01)G06F16/9536(2019.01)G06F40/284(2020.01)权利要求书3页说明书5页附图2页(54)发明名称一种基于机器学习的商品智能搭配推荐方法(57)摘要本发明公开一种基于机器学习的商品智能搭配推荐方法，该方法通过对商品属性信息(包括类目和分词)、用户购买历史和商品图像数据集进行分析和建模，为商品推荐可搭配的商品集。其中，借助基于内容的推荐算法，利用商品分词属性进行商品相似度计算；借助基于商品的协同过滤算法进行相似度计算；针对图像数据，利用聚类算法对图像进行聚类，然后计算图像像素相似度；构造了不同的候选集，再对不同的候选集进行加权平均。本发明将文本数据和图像数据进行综合使用，使最终的搭配推荐结果可以实现高效有效识别。CN112819570ACN112819570A权利要求书1/3页1.一种基于机器学习的商品智能搭配推荐方法，其特征在于，包括如下步骤：步骤1：对于给定的待搭配推荐商品，根据商品分词，借助基于内容的推荐算法计算商品间的相似度，将相似度值Term_similarity(x，y)排名前M的商品作为候选集1；步骤2：根据用户购买历史，采用基于内容的协同过滤搭配算法，以Jaccard系数为基础进行建模，计算商品对x和y的协同过滤相似度cf_sim(x，y)；步骤3：利用降低活跃用户在相似性中的贡献度，对购买商品x和商品y的用户的交集做改进来改进Jaccard系数，改进后的协同过滤相似度记为cf_sim1(x，y)；步骤4：对同一用户购买的商品对间隔时间差作出惩罚，对购买商品x和商品y的用户的交集做改进来改进Jaccard系数，改进后的协同过滤相似度记为cf_sim2(x，y)；步骤5：对于指定商品求搭配集，利用步骤2至步骤4计算的协同过滤相似度cf_sim(x，y)，cf_sim1(x，y)和cf_sim2(x，y)，分别过滤掉同类目商品之后筛选出与其相似度排名前M的商品，作为候选集2、候选集3、候选集4；步骤6：对于给定的待搭配推荐商品，从K‑Means聚类结果的聚类簇中选择该商品所在簇的所有商品，剔除掉同类目商品；步骤7：利用步骤6中的得到的结果进行补充，利用两张图像的像素方差对比求图像相似度diff_sim(x，y)，选取排名前M的商品作为候选集5；步骤8：对候选集1、候选集2、候选集3、候选集4和候选集5中的相似度进行加权平均，然后选取排名前M的商品推荐给用户。2.根据权利要求步骤1所述的基于机器学习的商品智能搭配推荐方法，其特征在于：所述步骤1的过程如下：步骤1.1：根据商品分词计算每个商品分词的tf值和idf值；其中，tf指的是该分词在这个商品分词中出现的频率，tf越高表示分词对这个商品越重要；idf指的是逆向文件频率，由总商品数量除以包含这个分词的商品数量进行数值决定，idf越低说明分词对商品越重要，计算过程如下：idf(xk)＝log2(count/countk)其中，xk是商品x的第k个分词，countx是商品x的分词个数，count是总商品个数，是商品x的xk的个数，countk是包含分词xk的商品数量；步骤1.2：计算每个商品分词的重要性，也即Tf‑idf值，如下：g1(xj)＝tf(xk)*idf(xk)其中，g1是商品的tf‑idf值；步骤1.3：利用余弦相似度计算商品相似性，计算公式如下：其中，x和y是两件商品，g1(xj)为商品x的第j个分词的重要性，g1(xk)为商品y的第k个分词的重要性；步骤1.4：商品筛选：对于指定商品求搭配集，过滤掉同类目商品之后筛选出与其相相似度排名前M的商品，作为候选集1。2CN112819570A权利要求书2/3页3.根据权利要求2所述的基于机器学习的商品智能搭配推荐方法，其特征在于：所述商品分词的重要性保存为字典的形式，在python中将其保存为.npy文件的形式，而非.txt文件或者.csv文件，便于更加高效地调用，如下所示：{商品1：{分词1：tf‑idf1，分词2：tf‑idf2，…}，…}计算相似度时，直接从字典里提取相应数据，借助公式计算即可。4.根据权利要求1所述的基于机器学习的商品智能搭配推荐方法，其特征在于，所述商品之间的协同过滤相似度的计算公式如下：其中，Union(x，y)表示