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,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,向客戶推薦醬香型茅臺是無效的。
技術(shù)實現(xiàn)要素:
本發(fā)明的目的在于克服目前不能有效的向消費群體推薦商品的缺陷,提供一種能有效的向消費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)對每類商品進行分組;
(2)計算每個分組中的商品的加權(quán)銷量;
(3)計算每個分組內(nèi)的商品與當前客戶瀏覽的商品的屬性的相似度;
(4)計算每個分組內(nèi)的商品的價格與當前客戶瀏覽商品的價格的接近度;
(5)計算每個分組內(nèi)的每個商品的推薦指數(shù),并將每個分組內(nèi)的所有商品的推薦指數(shù)降序輸出。
進一步的,步驟(2)中加權(quán)銷量的計算公式為:
再進一步的,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。
更進一步的,步驟(3)中相似度的計算公式為:
為了更好地實現(xiàn)本發(fā)明,步驟(4)中接近度的計算公式為:
為了確保效果,步驟(5)中推薦指數(shù)的計算公式為:rii=βi×similarity(gi,c)×weightsalesi;其中,gi指的是商品編號為i的商品,c指的是當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群體推薦合適客戶的商品。
(3)本發(fā)明考慮到大眾消費者的喜好可能發(fā)生變化,太久遠的銷量數(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群體推薦合適客戶的商品。
具體實施方式
下面結(jié)合實施例對本發(fā)明作進一步地詳細說明,但本發(fā)明的實施方式并不限于此。
實施例
本發(fā)明的基于協(xié)同過濾的商品推薦方法,首先對每類商品按屬性和價格區(qū)間進行分組,然后計算每個分組中的商品的加權(quán)銷量,并按加權(quán)銷量進行降序排列。其中,所述的加權(quán)銷量是指加入衰減機制后的銷量數(shù)據(jù),加權(quán)銷量的計算公式為
考慮到大眾消費者的喜好可能發(fā)生變化,因此太久遠的銷量數(shù)據(jù)不能過多地參考。對于每個分組內(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,計算每個分組內(nèi)的商品與當前客戶瀏覽商品的屬性的相似度,其計算公式為:
然后,再計算每個分組內(nèi)的商品的價格pi與當前客戶瀏覽商品的價格p的接近度βi,其計算公式為:
再計算每個分組內(nèi)的每個商品的推薦指數(shù)rii,其計算公式為:rii=βi×similarity(gi,c)×weightsalesi。其中,gi指的是商品編號為i的商品,c指的是當前用戶正在瀏覽的商品。最后將計算得出的每個商品的推薦指數(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群體推薦合適客戶的商品。
如上所述,便可較好的實現(xiàn)本發(fā)明。