本發(fā)明涉及一種商品的推薦方法，尤其涉及一種基于協(xié)同過濾的商品推薦方法。

背景技術(shù)：

目前，網(wǎng)購商品的推薦方法多是基于商品的相似度和購買歷史進(jìn)行推薦，因此目前的商品推薦方法沒有考慮到商品的受歡迎程度，即群體的喜好。同時(shí)，目前的商品推薦方法還忽略了客戶的購買能力，例如客戶在瀏覽醬香型二鍋頭頁面時(shí)，向客戶推薦醬香型茅臺(tái)是無效的。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服目前不能有效的向消費(fèi)群體推薦商品的缺陷，提供一種能有效的向消費(fèi)群體推薦商品的基于協(xié)同過濾的商品推薦方法。

本發(fā)明的目的通過下述技術(shù)方案實(shí)現(xiàn)：

一種基于協(xié)同過濾的商品推薦方法，包括以下步驟：

(1)對(duì)每類商品進(jìn)行分組；

(2)計(jì)算每個(gè)分組中的商品的加權(quán)銷量；

(3)計(jì)算每個(gè)分組內(nèi)的商品與當(dāng)前客戶瀏覽的商品的屬性的相似度；

(4)計(jì)算每個(gè)分組內(nèi)的商品的價(jià)格與當(dāng)前客戶瀏覽商品的價(jià)格的接近度；

(5)計(jì)算每個(gè)分組內(nèi)的每個(gè)商品的推薦指數(shù)，并將每個(gè)分組內(nèi)的所有商品的推薦指數(shù)降序輸出。

進(jìn)一步的，步驟(2)中加權(quán)銷量的計(jì)算公式為：其中，t為劃分的周期總數(shù)，i為分組內(nèi)的商品編號(hào)，salesiq為商品編號(hào)為i的商品在周期q的銷量，θq為商品銷量在周期q的衰減系數(shù)。

再進(jìn)一步的，步驟(2)中降序排列分組內(nèi)的商品的加權(quán)銷量，只保留加權(quán)銷量排名前n的商品。

更進(jìn)一步的，步驟(3)中相似度的計(jì)算公式為：m為分組內(nèi)的商品屬性的總數(shù)，k為商品屬性編號(hào)，ak和bk分別代表商品a和b是否具有商品編號(hào)為k的商品屬性，“∧”指的是按位與，“∨”指的是按位或，wk代表商品屬性編號(hào)為k的商品的屬性所占的權(quán)重值。

為了更好地實(shí)現(xiàn)本發(fā)明，步驟(4)中接近度的計(jì)算公式為：其中，e作為數(shù)學(xué)常數(shù)，是自然對(duì)數(shù)函數(shù)的底數(shù)，pi為分組內(nèi)的商品的價(jià)格，p為當(dāng)前客戶瀏覽商品的價(jià)格。

為了確保效果，步驟(5)中推薦指數(shù)的計(jì)算公式為：rii＝βi×similarity(gi,c)×weightsalesi；其中，gi指的是商品編號(hào)為i的商品，c指的是當(dāng)前用戶正在瀏覽的商品。

本發(fā)明較現(xiàn)有技術(shù)相比，具有以下優(yōu)點(diǎn)及有益效果：

(1)本發(fā)明不僅步驟簡單、方便操作，而且充分考慮到客戶群體的喜好和購買能力，因此能更有效的向消費(fèi)群體推薦合適客戶的商品。

(2)本發(fā)明采用衰減后的加權(quán)銷量來衡量相似消費(fèi)群體的喜好程度，并以群體的喜好程度作為商品推薦的參考，因此能更有效的向消費(fèi)群體推薦合適客戶的商品。

(3)本發(fā)明考慮到大眾消費(fèi)者的喜好可能發(fā)生變化，太久遠(yuǎn)的銷量數(shù)據(jù)不能過多地參考，因此降序排列分組內(nèi)的商品的加權(quán)銷量，只保留加權(quán)銷量排名前n的商品，從而能夠更有效的向消費(fèi)群體推薦合適客戶的商品。

具體實(shí)施方式

下面結(jié)合實(shí)施例對(duì)本發(fā)明作進(jìn)一步地詳細(xì)說明，但本發(fā)明的實(shí)施方式并不限于此。

實(shí)施例

本發(fā)明的基于協(xié)同過濾的商品推薦方法，首先對(duì)每類商品按屬性和價(jià)格區(qū)間進(jìn)行分組，然后計(jì)算每個(gè)分組中的商品的加權(quán)銷量，并按加權(quán)銷量進(jìn)行降序排列。其中，所述的加權(quán)銷量是指加入衰減機(jī)制后的銷量數(shù)據(jù)，加權(quán)銷量的計(jì)算公式為其中，t為劃分的周期總數(shù)，i為分組內(nèi)的商品編號(hào)，salesiq為商品編號(hào)為i的商品在周期q的銷量，該周期q可以是一周、兩周，也可以是一個(gè)月、兩個(gè)月或者其他時(shí)間周期。θq為商品銷量在周期q的衰減系數(shù)，該衰減系數(shù)θq可以根據(jù)需要進(jìn)行配置；例如，可以將距今一個(gè)月的θq取值為1，將距今兩個(gè)月的θq取值為0.85，以此類推逐漸衰減。

考慮到大眾消費(fèi)者的喜好可能發(fā)生變化，因此太久遠(yuǎn)的銷量數(shù)據(jù)不能過多地參考。對(duì)于每個(gè)分組內(nèi)的商品，只保留加權(quán)銷量排名前n的商品，n為≥1的自然數(shù)，使用時(shí)可以根據(jù)需要選擇n為不同的自然數(shù)，例如可以選擇n為20、50、100、200或者其他自然數(shù)。

然后，計(jì)算每個(gè)分組內(nèi)的商品與當(dāng)前客戶瀏覽商品的屬性的相似度，其計(jì)算公式為：上述公式中，m為分組內(nèi)的商品屬性的總數(shù)，k為商品屬性編號(hào)，屬性編號(hào)指的是給商品屬性所編的號(hào)。例如，分組內(nèi)的商品屬性總數(shù)為20，即m為20；濃香型編號(hào)為1，此時(shí)k為1；玻璃瓶裝編號(hào)為2······，其中的濃香型和玻璃瓶裝即為商品的屬性，1和2即為給商品屬性為濃香型和玻璃瓶裝所編的號(hào)。ak和bk分別代表商品a和b是否具有商品編號(hào)為k的商品屬性，0代表不具有商品編號(hào)為k的商品屬性，1代表具有商品編號(hào)為k的商品屬性?！啊摹敝傅氖前次慌c，代表的是交集，即兩類商品都具有的屬性；“∨”指的是按位或，代表的是并集，即兩類商品中其中任何一類商品具有的屬性。wk代表商品屬性編號(hào)為k的商品的屬性所占的權(quán)重值，wk的取值范圍為0<wk<1，使用時(shí)可自行設(shè)定該權(quán)重值。例如，商品的口味屬性的商品屬性編號(hào)為1，其所占的權(quán)重值w1為0.3，商品的包裝屬性的商品屬性編號(hào)為2，其所占的權(quán)重值w2為0.08······。使用時(shí)可將用戶更為看重的商品屬性所占的權(quán)重值設(shè)定得更高，而將用戶不太看重的商品屬性所占的權(quán)重值設(shè)定得更低。

然后，再計(jì)算每個(gè)分組內(nèi)的商品的價(jià)格pi與當(dāng)前客戶瀏覽商品的價(jià)格p的接近度βi，其計(jì)算公式為：其中，e作為數(shù)學(xué)常數(shù)，是自然對(duì)數(shù)函數(shù)的底數(shù)，其值約為2.71828。接近度βi的值介于0.0到1.0之間，當(dāng)pi等于p時(shí)，βi的值為1.0。

再計(jì)算每個(gè)分組內(nèi)的每個(gè)商品的推薦指數(shù)rii，其計(jì)算公式為：rii＝βi×similarity(gi,c)×weightsalesi。其中，gi指的是商品編號(hào)為i的商品，c指的是當(dāng)前用戶正在瀏覽的商品。最后將計(jì)算得出的每個(gè)商品的推薦指數(shù)rii降序輸出到推薦商品列表，客戶即可選擇到更適合自己的商品。本發(fā)明充分考慮到客戶群體的喜好和購買能力，因此能更有效的向消費(fèi)群體推薦合適客戶的商品。

如上所述，便可較好的實(shí)現(xiàn)本發(fā)明。