快速智能化的商品推薦系統的製作方法

2023-05-11 05:45:31 1

專利名稱：：快速智能化的商品推薦系統的製作方法
技術領域：
：本發明涉及商品推薦系統，具體涉及快速智能化的商品推薦系統。
背景技術：
：商品包括產品和服務。商品推薦，包括廣告和優惠計劃，是商家促銷的核心手段。傳統的商品推薦是非個性化的，不能滿足個人的需求。提供個人化的商品推薦是目前全球商務的一個熱點，能大大提高商品推薦的效果，例如美國的Amazon,在2003年使用了個人化商品推薦系統後，年度銷售量提高了25%。美國的大型超市或在線銷售商，如Wal-Mart，Target,CVS，Amazon,均十分重視個人化的商品推薦。國內目前個人化的商品推薦還不普遍。現有的個人化的商品推薦系統，存在以下的缺陷1、忽略了商家的需求，真正智能化的商品推薦系統，不僅要考慮到客戶的個人需求，也要考慮到商家的需求，比如某些暢銷品，即使不進行廣告宣傳，也能很快銷出；2、不能處理海量數據，大型的商家，有著數萬種商品，每天的交易數十萬次，積累了海量的交易數據，這些交易數據對提供智能化的商品推薦有很大幫助，但如何處理這樣的海量數據流，是一個非常困難的問題，如果不能解決，推薦系統的響應時間會很慢，系統無法實用，或者僅能用於小商家，而不能用在大型百貨公司和超市連鎖；3、對市場變化的反應慢，許多商品推薦系統更新緩慢，一周或者一個月才更新模型，缺乏快速的更新方法。
發明內容本發明的目的在於提供一種快速智能化的商品推薦系統，該推薦系統能夠根據商品提供者自身需要，為客戶提供個性化的商品推薦服務，並且能夠快速處理海量數據，以便用於大型的商家。本發明的技術解決方案是該推薦系統包括商家需求分析模塊和商品推薦模塊，商家需求以規則形式表達，客戶交易資料庫存貯了商家的交易記錄，商家需求分析模塊根據商家需求和客戶交易資料庫對商家經營的商品進行評估，產生待推薦商品庫，商品推薦模塊根據客戶交易資料庫和待推薦商品庫產生滿足當前客戶個人需求的推薦商品列表為當前客戶提供商品服務。其中，為了提高商品推薦系統的服務速度，商品推薦模塊採用了兩種加速方式(1)採用離線式計算，通常在非營業時間進行；(2)採用分布式計算。本發明的優點在於1、智能化，本系統產生的商品推薦不僅是為用戶定製的，也是為商家定製的，這種有針對性地服務可以極大增加商家的銷售量和利潤；2、快速和高擴展度，本系統採用加速方式的分布式計算或離線式計算，提高商品推薦系統的服務速度，實現實時服務，同時具有很好的可擴展性，能滿足大型商家的需求；3、對市場變化反應靈敏，本系統採用在線學習，根據市場變化和當天的營業數據，在交易日的非營業時間對系統進行更新，自適應強。圖l是本發明的框圖。圖2是圖1根據交易數據生成的評價表。圖3是圖1的相似度的分布式匯總學習示意。圖中110商家需求，120客戶交易資料庫，130商家需求分析模塊，140待推薦商品庫，150商品推薦模塊，160當前客戶。具體實施例方式如圖1所示，該推薦系統包括商家需求分析模塊130和商品推薦模塊150，商家需求110以規則形式表達，客戶交易資料庫120存貯了商家的交易記錄，商家需求分析模塊130根據商家需求110和客戶交易資料庫120對商家經營的商品進行評估，產生待推薦商品庫140，商品推薦模塊150根據客戶交易資料庫120和待推薦商品庫140產生滿足當前客戶個人需求的推薦商品列表為當前客戶提供商品服務。本發明所涉及的商品推薦包括廣告和商品促銷，發送方式可以是紙質、手機或者是電腦。商家需求110用一組規則表達，描述語言是一階預測邏輯(firstorderpredictivelogic)，或者其它確定式或者概率式規則描述語言，以表達複雜的規則；一個一階預測邏輯規則的例子商品A是新品，且屬於洗化類，則重點推薦；這個規則表達為AG新品ANDAG洗化類一重點推薦A;計算一個商品推薦指數，這個指數的計算公式是/1("=^^(1)在這裡Rl(X)是商品X的推薦指數，N。(X)代表支持推薦商品X的規則總數，N(X)是涉及商品X的規則總數，Rl是一個之間的指數，值越大表示商家越需要推薦此商PIPRo客戶交易資料庫120存儲了商家的交易數據，這個資料庫是關係型，面向對象的，或者是關係對象型的，這個資料庫能夠快速的查詢到客戶、商品、交易時間的記錄，通常來說這個資料庫存儲了海量的交易記錄，屬於大型資料庫。商家需求分析模塊130的操作如下1、分析客戶交易資料庫120，建立一個概率預測模型，這個預測模型是從資料庫中學習到的，而不是專家生成的，因為手工分析這樣大量的數據所需要的時間是驚人的；這個模型的目標變量R2表達推薦某種商品的概率，R2的值在[O，l]之間，值越大表示商家越需要推薦此商品；商家需求分析模塊130統計某種商品在某個時間塊的銷售情況，如果一個商品越滯銷，R2越大；預測模型的預測變量(predictivevariable)包括了市場條件的經濟環境、銷售季節，以及商家所在的區位、人口狀況、交通狀況等；預測模型的功能形式可以是決策樹類，discriminantanalysis,貝葉斯分類器，神經網絡，集總學習，或者這些算法的任意組合；當產生了這樣的預測模型之後，對每一種商品可以打分，越大表示商家越需要推薦此商品；42、信息融合，現在有兩個信息源，一個是R2，另一個是根據商家需求110規則所產生R1，最終商品X的推薦指數R(X)是R1和R2的貝葉斯平均，R的值在之間，如果R>0.5，我們把X加入到待推薦商品庫140中。商品推薦模塊150的功能塊有兩個，一是產生推薦模型，二是用推薦模型為當前客戶產生推薦商品，推薦模型是基於協同濾波，是利用客戶交易資料庫120中的客戶行為數據來預測客戶的偏好，因為客戶交易資料庫120是一個海量資料庫，採用基於商品的協同濾波有能力快速處理海量數據；基於商品的協同濾波是工作在一張評價表(ratingtable)上，評價表從客戶交易資料庫120中產生，如圖2所示，評價表的行代表用戶，列代表商品；根據評價表來計算商品之間的相似度；對商品Xi和Xj，它們之間的相似度S(Xi，Xj)用於刻畫客戶同時購買兩件商品的可能，相似度S用相關係數類，餘弦係數類，或者其它變形來表達；S是推薦模型的核心部分，給定了S，當服務於一個當前客戶時，推薦系統利用加權平均法對商品i計算推薦度Pu,j，formulaseeoriginaldocumentpage5(2)這裡yu,j是客戶u對商品j的評價，Si,n是商品i和n之間的相似度，N是與商品i相似的商品集合；系統選出Pu,j最高的1-5個商品，推薦給當前客戶。在這裡描述了S的快速高擴展度的產生方法，S的計算只考慮同時評價了&和Xj的客戶，圖2中用黑體標出的部分，這些客戶組成的集合用U來表示，餘弦相似度S計算公式如下formulaseeoriginaldocumentpage5(3)這裡yu,j是客戶u對商品j的評價，注意到餘弦相似度S具有兩個特點(1)S用充分統計(sufficientstatistics)表達，在公式3中，數據的信息量被表達為三個和式，存儲了三個和式的值，就完全確定了S;(2)公式3中每個和式都是對客戶可分解的，把客戶分成不同的子集，對每個子集進行運算，然後再匯總起來進行計算。針對相似度的這些特點，本發明提出了相似度的分布式匯總學習方法，圖3示出了算法的總體設計，算法用於任何滿足充分統計和客戶分體條件的相似度的快速計算，實現如下a)將客戶集U劃分為幾個子集{Uk}(1《k《K);每個子集Uk的數據由一個計算節點來處理，每個節點進行本地計算，得出Zl=EUEUkyu,iyu,j，Z2=Eueuk7仏^,"3=EueUiYu,jYu,j.b)每個節點將Zl，Z2，Z3都送到中心節點，進行交叉學習，根據公式3獲得相似度。分布式匯總學習方法使得本系統有極好的擴展度，計算時間能通過增加節點數來線性的縮短；本發明通過以下方式獲得快速處理海量數據的能力，(1)分布式匯總學習方法線性的縮短計算時間；(2)商品推薦僅考慮待推薦商品庫中140的商品，大大減少了計算量；(3)相似度的計算是離線的，可以在非營業時間完成。下面描述系統的更新方法系統根據市場條件的變化以及新的客戶交易數據進行更新對保證系統的準確度十分重要；當市場條件變化時，系統將更新商家需求110;同時根據新的交易數據，系統更新概率預測模型，這樣完成了商家需求分析模塊130的更新；商品推薦模塊150的更新主要是相似度表的更新，利用相似度的可分解性和充分統計性，新的客戶數據用U加w來表示，系統先計算Zl加w=EuEUnewyu,iyu,j，Z^ew=EuEUnewy^yu,"Z3new=EuEUnyu,jyu,j.然後將Zlnew，Z^w，Z;3new帶入公式3獲得更新的相似度。上文描述了本發明的實現方法。本發明可用於許多應用。儘管所做的描述是與特定的實現事例關聯的，但核心的發明思想及技術處理方法可適用於其它的應用。在本發明的核心思想及技術處理方法上所做出的修改與變形，均屬於本發明的保護範圍。權利要求快速智能化的商品推薦系統，該推薦系統根據商品提供者自身需要，為客戶提供個性化服務，其特徵在於該推薦系統包括商家需求分析模塊(130)和商品推薦模塊(150)，商家需求(110)以規則形式表達，客戶交易資料庫(120)存貯了商家的交易記錄，商家需求分析模塊(130)根據商家需求(110)和客戶交易資料庫(120)對商家經營的商品進行評估，產生待推薦商品庫(140)，商品推薦模塊(150)根據客戶交易資料庫(120)和待推薦商品庫(140)產生滿足當前客戶個人需求的推薦商品列表為當前客戶提供商品服務。2.根據權利要求1所述的快速智能化的商品推薦系統，其特徵在於該系統產生一個基於商家需求和銷售數據的待推薦商品庫，依據商家需求產生一個推薦指數，依據銷售數據產生另一個推薦指數，最終商品推薦指數是兩個指數的平均。3.根據權利要求1所述的快速智能化的商品推薦系統，其特徵在於商家需求用一組規則表達，描述語言是確定式或者概率式規則描述語言，以表達複雜的規則，根據這些規則計算一個商品推薦指數。4.根據權利要求1所述的快速智能化的商品推薦系統，其特徵在於商家需求分析模塊統計某種商品在某個時間段的銷售情況，建立一個預測模型，預測模型的預測變量包括了市場條件經濟環境、銷售季節，以及商家所在的區位、人口狀況和交通狀況，預測模型的功能形式是任意的單個分類器，或者這些分類器的任意組合，當產生了這樣的預測模型之後，對每一種商品打分，越大表示商家越需要推薦此商品。5.根據權利要求1所述的快速智能化的商品推薦系統，其特徵在於商品推薦模塊快速產生推薦模型，推薦模型是工作在一張評價表上，評價表從客戶交易資料庫中產生，評價表的行代表用戶，列代表商品；根據評價表來計算商品之間的相似度，對商品&和Xj，它們之間的相似度S(Xi，Xj)用於刻畫客戶同時購買兩件商品的可能；S是推薦模型的核心部分，給定了S，當服務於一個當前客戶時，推薦系統利用加權平均法對商品計算推薦度；對於任何滿足充分統計和客戶可分體條件的相似度的快速計算，S的快速高擴展度的產生方式如下a.將客戶集U劃分為幾個子集{Uk}(1《k《K);b.每個子集Uk的數據由一個計算節點來處理，每個節點進行本地計算，用yu,j是客戶u對商品j的評價，基於本地數據{yu,j}(uGUk)，產生一組本地充分統計量；c.各個計算節點將本地充分統計量送到一個中心節點，進行交叉學習，計算匯總的充分統計量，根據匯總的充分統計量，計算相似度。6.根據權利要求5所述的快速智能化的商品推薦系統，其特徵在於該推薦系統包括待推薦商品庫和推薦模型的更新；當市場條件變化時，系統將更新商家需求；同時根據新的交易數據，系統更新概率預測模型；完成了這兩組更新之後，商品的推薦指數發生變化，根據新的推薦指數更新待推薦商品庫；相似度表的更新是基於了相似度的可分解性和充分統計性，對新的交易數據，計算充分統計，將這組充分統計代入到原有的充分統計中，進行更新。全文摘要本發明公開了一種快速智能化的商品推薦系統，該推薦系統根據商品提供者自身需要，為客戶提供個性化服務，該推薦系統包括商家需求分析模塊和商品推薦模塊，商家需求以規則形式表達，客戶交易資料庫存貯了商家的交易記錄，商家需求分析模塊根據商家需求和客戶交易資料庫對商家經營的商品進行評估，產生待推薦商品庫，商品推薦模塊根據客戶交易資料庫和待推薦商品庫產生滿足當前客戶個人需求的推薦商品列表為當前客戶提供商品服務。本系統產生的商品推薦不僅是為用戶定製的，也是為商家定製的，可以極大增加商家的銷售量和利潤，提高商品推薦系統的服務速度，實現實時服務，同時具有很好的可擴展性，能滿足大型商家的需求。文檔編號G06Q30/00GK101783004SQ20101011958公開日2010年7月21日申請日期2010年3月3日優先權日2010年3月3日發明者陳嶸申請人:陳嶸