本發(fā)明涉及一種商品推薦方法，尤其涉及一種動態(tài)自適應的商品推薦方法。
背景技術：
：當前，已經涌現大批電商平臺，商品數量數以億計，要消費者逐個去找到自己想要的東西變成不可能的任務，通常電商平臺都會對商品進行分門別類擺放，或者提供搜索能力，但這讓人找到想要的商品還是很吃力。目前，已經有些電商網站會為顧客提供推薦感興趣的商品，其依據是通過用戶行為，如購買歷史，瀏覽歷史等獲取用戶的偏好，利用協同過濾算法進行商品推薦。但當新用戶填寫注冊信息還未產生歷史數據時，無法推薦任何準確的商品；當用戶開始產生一些用戶行為歷史時，通過協同過濾算法確實可以產生推薦商品，但往往不準確，而且不全面，不能滿足處在某個生長階段的推薦對象要求。技術實現要素：為了解決上述技術所存在的不足之處，本發(fā)明提供了一種動態(tài)自適應的商品推薦方法。為了解決以上技術問題，本發(fā)明采用的技術方案是：一種動態(tài)自適應的商品推薦方法，該方法具體分為以下步驟：(1)根據推薦對象的適用生長階段屬性，建立推薦對象生長階段與商品需求列表一對多的關系模型m1；根據商品的消耗速度，建立商品與推薦周期對應關系模型m2；(2)通過推薦對象的生長階段屬性對模型m1進行查詢，生成通用推薦商品集合s＝{s1,s2...sn},(n>0)；其中，,s為單個商品；(3)利用用戶歷史數據，通過基于物品的協同過濾算法，計算獲得歷史數據推薦商品集合p＝{p1,p2...pm}，(m>＝0)；其中，p為單個商品；(4)對集合s和集合p取并集，得到整合商品集合q’＝s∪p；(5)根據模型m2與購買歷史，對集合q’進行過濾，排除暫時不用購買的商品，得到商品集合q＝{q1,q2...qi},(i>0)；其中，q為單個商品；(6)對q中每一件商品qj近一月的銷量因素、是否屬于特殊品類、是否促銷以及商品好評度計算商品推薦度d(qj)，計算公式為：其中α為每個維度的調整參數，可以根據推薦效果適當調整；銷量權重w1(qj)為商品銷量n(qj)與其所屬品類c(qj)中商品的最高銷量nmax(c(qj))的比例，計算公式為：按照品類計算銷量比例，保證每個品類的商品都有平等的推薦概率。上述特殊品類商品優(yōu)先推薦的方式為，預先定義特殊類別l，特殊類別權重計算公式為：上述促銷商品優(yōu)先推薦的方式為，將促銷商品權重加大，若促銷商品列表為f，則促銷權重為：上述好評商品優(yōu)先推薦的方式為，需加上好評度權重w4(qj)，根據現有電商平臺一般會提供用戶打分機制，若總分為tmax，商品評分為t(qj)，則根據以上公式計算推薦度，并進行排序，將前λ個商品推薦給用戶。上述模型m1將根據購買歷史的統計數據進行更新，具體方式為：假設用戶總量為nuser,商品銷量n(qj)，將符合條件的商品加入對應生長階段的商品需求列表中；其中，μ為閾值參數。本發(fā)明具有以下優(yōu)點：(1)通過推薦對象所處的生長階段，通過開始人為建立的推薦對象生長階段與商品需求關系模型，給出該生長階段推薦的商品集，縮小了候選推薦商品的候選集；(2)通過整合模塊和進行過濾，根據公式計算得到推薦度并進行排序，選擇推薦度靠前的商品進行推薦，保證了商品推薦的全面性、實用性和準確性；(3)根據用戶歷史數據自動更新推薦計劃，保證了推薦商品的實時性。附圖說明下面結合附圖和具體實施方式對本發(fā)明作進一步詳細的說明。圖1為本發(fā)明操作的流程圖。具體實施方式如圖1所示，本發(fā)明方法分為以下步驟：(1)根據推薦對象的適用生長階段屬性，建立推薦對象生長階段與商品需求列表一對多的關系模型m1；根據商品的消耗速度，建立商品與推薦周期對應關系模型m2；(2)通過推薦對象的生長階段屬性對模型m1進行查詢，生成通用推薦商品集合s＝{s1,s2...sn},(n>0)；其中,s為單個商品；(3)利用用戶歷史數據，通過基于物品的協同過濾算法，計算獲得歷史數據推薦商品集合p＝{p1,p2...pm}，(m>＝0)；其中，p為單個商品；(4)對集合s和集合p取并集，得到整合商品集合q’＝s∪p；(5)根據模型m2與購買歷史，對集合q’進行過濾，排除暫時不用購買的商品，得到商品集合q＝{q1,q2...qi},(i>0)；其中，q為單個商品；(6)對q中每一件商品qj近一月的銷量因素、是否屬于特殊品類、是否促銷以及商品好評度計算商品推薦度d(qj)，計算公式為：其中α為每個維度的調整參數，可以根據推薦效果適當調整；銷量權重w1(qj)為商品銷量n(qj)與其所屬品類c(qj)中商品的最高銷量nmax(c(qj))的比例，計算公式為：按照品類計算銷量比例，保證每個品類的商品都有平等的推薦概率，再根據公式計算推薦度，并進行排序，將前λ個商品推薦給用戶。上述特殊品類商品優(yōu)先推薦的方式為，預先定義特殊類別l，特殊類別權重計算公式為：上述促銷商品優(yōu)先推薦的方式為，將促銷商品權重加大，若促銷商品列表為f，則促銷權重為：所述好評商品優(yōu)先推薦的方式為，需加上好評度權重w4(qj)，根據現有電商平臺一般會提供用戶打分機制，若總分為tmax，商品評分為t(qj)，則上述模型m1將根據購買歷史的統計數據進行更新，具體方式為：假設用戶總量為nuser,商品銷量n(qj)，將符合條件的商品加入對應生長階段的商品需求列表中；其中，μ為閾值參數。下面結合實施例對本發(fā)明作進一步說明。其中，表1為生長階段與商品需求列表關系模型、表2是商品與推薦周期的關系模型、表3是部分商品表；因為相近時間出生的嬰幼兒需求類似，并且每個月的需求都會發(fā)生比較大的變化，所以下面推薦對象選擇為嬰幼兒，且以母嬰商城商品推薦舉例，推薦步驟如下：a、建立嬰幼兒成長階段與商品需求的關系模型，如表1所示：表1：生長階段與商品需求列表關系模型weeksexgood_needed1男1,21女1,2…68男1,2,368女1,2,3,4…表2：商品與推薦周期的關系模型goodweekunitduration(day)11100g52110piece3341300…如表2所示，商品與推薦周期對應關系模型中，單位是關鍵信息，而且隨著寶寶的成長，用量也會不一樣，所以也必須加上生長階段；表3：部分商品表idtitleprice1牛欄奶粉1段900g1502花王紙尿片nb1003好孩子扭扭車2004芭比娃娃50…b、根據用戶的寶寶信息，查詢得到寶寶的通用推薦商品集合s＝{s1,s2...sn},(n>0)；c、利用用戶購買、瀏覽等行為歷史數據，通過基于物品的協同過濾算法，可以得到歷史數據推薦商品集合p＝{p1,p2...pm}，(m>＝0)；d、將兩個推薦渠道的數據進行取并集得到整合商品集合，并且根據購買歷史與商品與推薦周期關系模型進行過濾，得到推薦集合q＝{q1,q2...qi},(i>0)，并且根據推薦度公式進行排序，得到最終推薦結果為排名前λ的推薦商品q＝{q1,q2...qj},(j<λ)；e、當用戶發(fā)生購買動作時，系統將該用戶信息、寶寶信息、商品、購買量、購買時間記錄到購買歷史表中；f、因為系統運行開始生長階段與商品需求列表關系模型是人為創(chuàng)建的，不一定符合寶寶的實際情況，所以系統需要自動更新關系模型。本實施例中，對所有商品進行遍歷，假設用戶總量為nuser,商品銷量n(qj)，將符合條件(μ為閾值參數)的商品加入對應生長階段的商品需求列表中，這樣就可以把原先沒考慮加入需求模型中的商品補上，不斷完善需求模型。上述實施方式并非是對本發(fā)明的限制，本發(fā)明也并不僅限于上述舉例，本
技術領域：
的技術人員在本發(fā)明的技術方案范圍內所做出的變化、改型、添加或替換，也均屬于本發(fā)明的保護范圍。當前第1頁12