Nothing Special   »   [go: up one dir, main page]

CN111815351A - 一种基于协同过滤与关联规则的服装推荐方法 - Google Patents

一种基于协同过滤与关联规则的服装推荐方法 Download PDF

Info

Publication number
CN111815351A
CN111815351A CN202010474194.4A CN202010474194A CN111815351A CN 111815351 A CN111815351 A CN 111815351A CN 202010474194 A CN202010474194 A CN 202010474194A CN 111815351 A CN111815351 A CN 111815351A
Authority
CN
China
Prior art keywords
shopping
members
data
time period
records
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010474194.4A
Other languages
English (en)
Other versions
CN111815351B (zh
Inventor
王一君
陈灿
毛嘉宇
吴珊珊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Lanzhong Data Technology Co ltd
Original Assignee
Hangzhou Lanzhong Data Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Lanzhong Data Technology Co ltd filed Critical Hangzhou Lanzhong Data Technology Co ltd
Priority to CN202010474194.4A priority Critical patent/CN111815351B/zh
Publication of CN111815351A publication Critical patent/CN111815351A/zh
Application granted granted Critical
Publication of CN111815351B publication Critical patent/CN111815351B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于协同过滤与关联规则的服装推荐方法。本发明步骤：1.计算根据时间确定训练数据和测试数据，并获取相应的会员标签数据以及产品标签数据；2.基于会员自身的静态属性以及历史购物数据计算两类会员相似性，并通过会员历史购物订单数据和Apriroi算法计算购物记录的关联性，结合会员两类相似性以及关联性结果增加目标会员的历史购物记录；根据新的购物记录中商品标签的购买频率计算目标时间内会员的历史购物偏好；3.基于会员的购物偏好，会员静态属性以及产品静态属性对目标时间内会员的购物记录进行拟合，训练相应的购物概率预测模型，从而给出一份购物概率的推荐排序结果，为会员的精准推荐管理提供科学的参考依据。

Description

一种基于协同过滤与关联规则的服装推荐方法
技术领域
本发明属于信息技术领域，具体涉及一种基于基于协同过滤与关联规则的服装推荐方法。
背景技术
随着计算机技术的发展，计算机网络和管理系统几乎应用到服装业各个方面，数据挖掘技术也在服装领域发挥巨大的作用。企业在对会员的经营管理活动中，涉及到各个会员自身的偏好管理，由于购物数据稀缺，依靠人工很难对每一个会员的具体情况进行有针对性的管理，在这个基础上，针对会员的推荐就变得尤为困难。
推荐模型和关联规则算法在近期被广泛地应用于服装企业交易数据，当前在服装行业的做法主要由两个方面：一是依据会员动态交互数据(点击，停留，购买等)的线上单品推荐；二是基于所有消费记录下做出的关联性搭配推荐。其中，第一种推荐方案很难满足线下推荐场景，另一方面，随着消费者的偏好越来越多样化，第二种方案也难以对小众偏好的会员给出合适的推荐结果。因此，本发明针对这一情况，提出一种基于协同过滤与关联规则结合的服装推荐算法，实现企业对个体会员的精准推荐和管理。
发明内容
本发明的目的在于补充现有推荐算法在针对线下消费者的推荐效果上的不足，提出一种基于协同过滤与关联规则的服装推荐方法，包括以下步骤：
步骤1：将历史数据按指定时间t0和指定时间长度Δt划分为训练数据train_set和测试数据test_set,其中，train_set为销售时间小于t0的所有销售数据，test_set表示销售时间为t0到t0+Δt内的所有销售数据；获取会员静态属性标签{Vi}i∈I以及产品的商品标签{Lq}q∈Q；
步骤2：将训练数据train_set按照指定时间长度Δt和会员划分，形成销售分布表{Di,k}，其中Di,k表示会员i在[t0-(k+1)Δt，t0-kΔt]时间点段内的销售数据序列，为了方便叙述，后续统一记Δtk＝[t0-(k+1)Δt，t0-kΔt]；
步骤3：基于历史购物记录，计算指定时间段
Figure BDA0002515298580000021
内会员购物记录之间的Jaccard相似度(购物记录相似度)矩阵
Figure BDA0002515298580000022
其中
Figure BDA0002515298580000023
表示会员i与会员j在时间段
Figure BDA0002515298580000024
内的Jaccard相似度；
步骤4：根据销售分布表，对每个给定的会员i和指定的时间段
Figure BDA0002515298580000025
使用会员在
Figure BDA0002515298580000026
前的销售数据
Figure BDA0002515298580000027
计算会员的RFM特征，这与会员静态属性特征Vi拼接后并进行one-hot编码，由此得到会员i在时间段
Figure BDA0002515298580000028
内的特征向量
Figure BDA0002515298580000029
根据上述得到的特征向量
Figure BDA00025152985800000210
计算会员属性之间的余弦相似度矩阵(会员属性相似度)
Figure BDA00025152985800000211
其中
Figure BDA00025152985800000212
表示会员i与会员j在时间段
Figure BDA00025152985800000213
内的余弦相似度，所述的会员自身的静态属性标签包括年龄、职业、身高、体型、偏好、忌讳颜色等，所述的会员RFM特征包括上一次购买间隔时长，月均购物频率，单笔购物记录平均价格，上一次购物的价格等；
步骤5：基于会员在指定的时间段
Figure BDA00025152985800000214
的销售数据
Figure BDA00025152985800000215
得到指定时间段
Figure BDA00025152985800000216
内的订单数据表
Figure BDA00025152985800000217
其中
Figure BDA00025152985800000218
表示指定的时间段
Figure BDA00025152985800000219
内的第m个订单数据{Lq}q∈Q(m)，基于上述订单分布表
Figure BDA00025152985800000220
通过Apriroi算法可计算指定时间段
Figure BDA00025152985800000221
内，商品标签频繁项集的个数n，以及n个频繁项集之间的支持度
Figure BDA00025152985800000222
所述Lq表示订单中产品的商品标签，具体包含大类A，中类A，色系A，版型A，衣长A等；
步骤6：对给定的会员i和指定时间段
Figure BDA00025152985800000223
分别根据相似度矩阵
Figure BDA00025152985800000224
相似度矩阵
Figure BDA00025152985800000225
寻找与i最相似的两个会员(不包括已选择过的会员)的销售数据
Figure BDA00025152985800000226
和
Figure BDA00025152985800000227
再结合商品标签的关联度
Figure BDA00025152985800000228
在
Figure BDA00025152985800000229
和
Figure BDA00025152985800000230
中选择与
Figure BDA00025152985800000231
相关联的销售记录补充到会员i的历史购物记录中；
步骤7：重复步骤6直到会员i在指定时间段
Figure BDA00025152985800000232
内的销售数据等于模型的输入阈值，增加的销售数据记为
Figure BDA00025152985800000233
步骤8：根据每一个会员在指定时间段
Figure BDA0002515298580000031
前的所有真实购物记录
Figure BDA0002515298580000032
与新增购物记录
Figure BDA0002515298580000033
分别计算该会员对上装和下装的长期购物偏好，短期购物偏好以及季度购物偏好。所述长期购物偏好包括去年同季度会员对各商品标签的购买频率，去年相邻两个季度会员对各商品标签的购买频率等；所述短期购物偏好包括
Figure BDA0002515298580000034
前一个月会员对各商品标签的购买频率，前三个月会员对各商品标签的购买频率以及前六个月会员对各商品标签的购买频率等；所述季度购物偏好包括
Figure BDA0002515298580000035
前会员分别对所有春，夏，秋和冬季各商品标签的购买频率；
步骤9：一方面，对于每一个会员i以及给定的时间段
Figure BDA0002515298580000036
从数据库中载入会员i在
Figure BDA0002515298580000037
时刻所到门店的历史库存信息，并借助此库存信息获取会员i在时间段
Figure BDA0002515298580000038
内可以接触到的产品集合Q(i,k0)；另一方面，结合步骤3-8，可以计算会员在
Figure BDA0002515298580000039
时的购物偏好
Figure BDA00025152985800000310
此时，我们用f表示真实的购物概率函数，其中f(Vi,Pi,k,Lq)q∈Q(i,k)表示具有Vi特征和Pi,k偏好的会员对具有Lq属性的产品的购买概率，若会员i在Δtk时刻买了产品q,则f(Vi,Pi,k,Lq)＝1，反之为0。进一步，构建DeepFM算法在分别在训练集train_set中拟合函数f；
步骤10：通过DeepFM算法可以训练得到模型
Figure BDA00025152985800000311
表示模型预测的会员i在Δtk时刻是对产品q的推荐度，在测试集test_set上得到相应的推荐度结果，评估推荐度的准确率，具体仿真环境以及准确率计算公式如下：
测试会员选择：在test_set中出现的所有会员；
测试产品选择：已知test_set表示销售时间为t0到t0+Δt内(称为Δt-1时刻)的所有销售数据，对每个给定的测试会员i，可以根据历史库存数据获取会员i可以接触的产品集Q(i,-1)；
推荐结果：若会员没有在Δt-1内购物，则模型不进行推荐；若会员在Δt-1内有购物记录，则模型选择推荐度最高的两个产品作为推荐产品；
产品售罄率:模型推荐并且会员在Δt-1时刻购买过的产品数/模型推荐产品数。
本发明有益成果：
本发明通过两类相似性的协同过滤方法，综合考虑了会员在自身属性，购买行为以及物品偏好的层次上选择会员有可能购买的产品并补充到会员消费数据中，从而解决会员历史消费数据稀疏，偏好难以判断的问题。同时，本发明还应用了关联规则的方法，去筛选控制填补的消费记录，这使得对每个消费数据稀疏的会员而言，本发明补充的新增消费记录与会员真实购物的产品有一定的关联性，有很大可能是会员会购买，但是在其他品牌已经购买过的产品，这对于准确判断会员的长短期偏好有很大的帮助，通过在稀疏数据上更好的计算会员的长短期偏好，从而提升主流推荐模型的结果。本发明的结果有利于企业对每一个会员进行更加精细化的管理与交互，也能辅助私域流量的运营，从而提升会员活跃度，减少会员流失率。
附图说明
图1是本发明实施例采用该方法的具体流程图。
图2是本发明实施例采用该方法的结果展示。
具体实施方式
下面结合附图、附表详细描述本发明，本发明的目的和效果将变得更加明显。本发明考虑到实际情况，根据会员的历史销售数据，采用两类相似性(购物记录相似性，会员自身属性相似性)的协同过滤方法，结果关联规则的结果完善会员的购物数据，从而更准确的计算会员在每个时刻对产品属性的偏好度，进一步，采用主流的DeepFM推荐模型拟合出会员对产品的相关推荐度，本发明得到的结果有利于实现会员精细化管理的目的。
步骤1：将历史数据按指定时间t0和指定时间长度Δt划分为训练数据train_set和测试数据test_set,其中，train_set为销售时间小于t0的所有销售数据，test_set表示销售时间为t0到t0+Δt内的所有销售数据；获取会员静态属性标签{Vi}i∈I以及产品的商品标签{Lq}q∈Q；
步骤2：将训练数据train_set按照指定时间长度Δt和会员划分，形成销售分布表{Di,k}，其中Di,k表示会员i在[t0-(k+1)Δt，t0-kΔt]时间点段内的销售数据序列，为了方便叙述，后续统一记Δtk＝[t0-(k+1)Δt，t0-kΔt]；
步骤3：基于历史购物记录，计算指定时间段
Figure BDA0002515298580000051
内会员购物记录之间的Jaccard相似度(购物记录相似度)矩阵
Figure BDA0002515298580000052
其中
Figure BDA0002515298580000053
表示会员i与会员j在时间段
Figure BDA0002515298580000054
内的Jaccard相似度；
步骤4：根据销售分布表，对每个给定的会员i和指定的时间段
Figure BDA0002515298580000055
使用会员在
Figure BDA0002515298580000056
前的销售数据
Figure BDA0002515298580000057
计算会员的RFM特征，这与会员静态属性特征Vi拼接后并进行one-hot编码，由此得到会员i在时间段
Figure BDA0002515298580000058
内的特征向量
Figure BDA0002515298580000059
根据上述得到的特征向量
Figure BDA00025152985800000510
计算会员属性之间的余弦相似度矩阵(会员属性相似度)
Figure BDA00025152985800000511
其中
Figure BDA00025152985800000512
表示会员i与会员j在时间段
Figure BDA00025152985800000513
内的余弦相似度，所述的会员自身的静态属性标签包括年龄、职业、身高、体型、偏好、忌讳颜色等，所述的会员RFM特征包括上一次购买间隔时长，月均购物频率，单笔购物记录平均价格，上一次购物的价格等；
步骤5：基于会员在指定的时间段
Figure BDA00025152985800000514
的销售数据
Figure BDA00025152985800000515
得到指定时间段
Figure BDA00025152985800000516
内的订单数据表
Figure BDA00025152985800000517
其中
Figure BDA00025152985800000518
表示指定的时间段
Figure BDA00025152985800000519
内的第m个订单数据{Lq}q∈Q(m)，基于上述订单分布表
Figure BDA00025152985800000520
通过Apriroi算法可计算指定时间段
Figure BDA00025152985800000521
内，商品标签频繁项集的个数n，以及n个频繁项集之间的支持度
Figure BDA00025152985800000522
所述Lq表示订单中产品的商品标签，具体包含大类A，中类A，色系A，版型A，衣长A等；
步骤6：对给定的会员i和指定时间段
Figure BDA00025152985800000523
分别根据相似度矩阵
Figure BDA00025152985800000524
相似度矩阵
Figure BDA00025152985800000525
寻找与i最相似的两个会员(不包括已选择过的会员)的销售数据
Figure BDA00025152985800000526
和
Figure BDA00025152985800000527
再结合商品标签的关联度
Figure BDA00025152985800000528
在
Figure BDA00025152985800000529
和
Figure BDA00025152985800000530
中选择与
Figure BDA00025152985800000531
相关联的销售记录补充到会员i的历史购物记录中；
步骤7：重复步骤6直到会员i在指定时间段
Figure BDA0002515298580000061
内的销售数据等于模型的输入阈值，增加的销售数据记为
Figure BDA0002515298580000062
步骤8：根据每一个会员在指定时间段
Figure BDA0002515298580000063
前的所有真实购物记录
Figure BDA0002515298580000064
与新增购物记录
Figure BDA0002515298580000065
分别计算该会员对上装和下装的长期购物偏好，短期购物偏好以及季度购物偏好。所述长期购物偏好包括去年同季度会员对各商品标签的购买频率，去年相邻两个季度会员对各商品标签的购买频率等；所述短期购物偏好包括
Figure BDA0002515298580000066
前一个月会员对各商品标签的购买频率，前三个月会员对各商品标签的购买频率以及前六个月会员对各商品标签的购买频率等；所述季度购物偏好包括
Figure BDA0002515298580000067
前会员分别对所有春，夏，秋和冬季各商品标签的购买频率；
步骤9：一方面，对于每一个会员i以及给定的时间段
Figure BDA0002515298580000068
从数据库中载入会员i在
Figure BDA0002515298580000069
时刻所到门店的历史库存信息，并借助此库存信息获取会员i在时间段
Figure BDA00025152985800000610
内可以接触到的产品集合Q(i,k0)；另一方面，结合步骤3-8，可以计算会员在
Figure BDA00025152985800000611
时的购物偏好
Figure BDA00025152985800000612
此时，我们用f表示真实的购物概率函数，其中f(Vi,Pi,k,Lq)q∈Q(i,k)表示具有Vi特征和Pi,k偏好的会员对具有Lq属性的产品的购买概率，若会员i在Δtk时刻买了产品q,则f(Vi,Pi,k,Lq)＝1，反之为0。进一步，构建DeepFM算法在分别在训练集train_set中拟合函数f；
步骤10：通过DeepFM算法可以训练得到模型
Figure BDA00025152985800000613
表示模型预测的会员i在Δtk时刻是对产品q的推荐度，在测试集test_set上得到相应的推荐度结果，评估推荐度的准确率，具体仿真环境以及准确率计算公式如下：
测试会员选择：在test_set中出现的所有会员；
测试产品选择：已知test_set表示销售时间为t0到t0+Δt内(称为Δt-1时刻)的所有销售数据，对每个给定的测试会员i，可以根据历史库存数据获取会员i可以接触的产品集Q(i,-1)；
推荐结果：若会员没有在Δt-1内购物，则模型不进行推荐；若会员在Δt-1内有购物记录，则模型选择推荐度最高的两个产品作为推荐产品；
产品售罄率:模型推荐并且会员在Δt-1时刻购买过的产品数/模型推荐产品数；
图2是方案1与方案2的推荐结果的对比，其中方案1采用了本发明中考虑关联性以及会员的两类相似性后再计算会员对产品标签的偏好度的方法，并得到相对应的推荐结果；方案2是采用了基于会员自身静态属性的协同过滤方式调整会员对产品标签的偏好度后，得到的推荐结果；方案3是消费者在线下门店购物的概率。
本发明不仅局限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其它多种具体实施方案实施本发明。因此，凡是采用本发明的设计结构和思路，做一些简单的变化或更改的设计，都落入本发明保护范围。

Claims (1)

1.一种基于协同过滤与关联规则的服装推荐方法，其特征在于具体步骤如下：
步骤1：将历史数据按指定时间t0和指定时间长度Δt划分为训练数据train_set和测试数据test_set,其中，train_set为销售时间小于t0的所有销售数据，test_set表示销售时间为t0到t0+Δt内的所有销售数据；获取会员静态属性标签{Vi}i∈I以及产品的商品标签{Lq}q∈Q；
步骤2：将训练数据train_set按照指定时间长度Δt和会员划分，形成销售分布表{Di,k}，其中Di,k表示会员i在[t0-(k+1)Δt，t0-kΔt]时间点段内的销售数据序列，为了方便叙述，后续统一记Δtk＝[t0-(k+1)Δt，t0-kΔt]；
步骤3：基于历史购物记录，计算指定时间段
Figure FDA0002515298570000011
内会员购物记录之间的Jaccard相似度(购物记录相似度)矩阵
Figure FDA0002515298570000012
其中
Figure FDA0002515298570000013
表示会员i与会员j在时间段
Figure FDA0002515298570000014
内的Jaccard相似度；
步骤4：根据销售分布表，对每个给定的会员i和指定的时间段
Figure FDA0002515298570000015
使用会员在
Figure FDA0002515298570000016
前的销售数据
Figure FDA0002515298570000017
计算会员的RFM特征，将RFM特征与会员静态属性特征Vi拼接后并进行one-hot编码，由此得到会员i在时间段
Figure FDA0002515298570000018
内的特征向量
Figure FDA0002515298570000019
根据得到的特征向量
Figure FDA00025152985700000110
计算会员属性之间的余弦相似度矩阵(会员属性相似度)
Figure FDA00025152985700000111
其中
Figure FDA00025152985700000112
表示会员i与会员j在时间段
Figure FDA00025152985700000113
内的余弦相似度，所述的会员自身的静态属性标签包括年龄、职业、身高、体型、偏好、忌讳颜色，所述的会员RFM特征包括上一次购买间隔时长、月均购物频率、单笔购物记录平均价格和上一次购物的价格；
步骤5：基于会员在指定的时间段
Figure FDA00025152985700000114
的销售数据
Figure FDA00025152985700000115
得到指定时间段
Figure FDA00025152985700000116
内的订单数据表
Figure FDA00025152985700000117
其中
Figure FDA00025152985700000118
表示指定的时间段
Figure FDA00025152985700000119
内的第m个订单数据
Figure FDA00025152985700000120
基于上述订单分布表
Figure FDA00025152985700000121
通过Apriroi算法计算指定时间段
Figure FDA00025152985700000122
内，商品标签频繁项集的个数n，以及n个频繁项集之间的支持度
Figure FDA00025152985700000123
所述Lq表示订单中产品的商品标签，具体包含大类A、中类A、色系A、版型A、衣长A；
步骤6：对给定的会员i和指定时间段
Figure FDA0002515298570000021
分别根据Jaccard相似度矩阵
Figure FDA0002515298570000022
余弦相似度矩阵
Figure FDA0002515298570000023
寻找与i最相似的两个会员(不包括已选择过的会员)的销售数据
Figure FDA0002515298570000024
和
Figure FDA0002515298570000025
再结合商品标签的关联度
Figure FDA0002515298570000026
在
Figure FDA0002515298570000027
和
Figure FDA0002515298570000028
中选择与
Figure FDA0002515298570000029
相关联的销售记录补充到会员i的历史购物记录中；
步骤7：重复步骤6直到会员i在指定时间段
Figure FDA00025152985700000210
内的销售数据等于模型的输入阈值，增加的销售数据记为
Figure FDA00025152985700000211
步骤8：根据每一个会员在指定时间段
Figure FDA00025152985700000212
前的所有真实购物记录
Figure FDA00025152985700000213
与新增购物记录
Figure FDA00025152985700000214
分别计算该会员对上装和下装的长期购物偏好，短期购物偏好以及季度购物偏好。所述长期购物偏好包括去年同季度会员对各商品标签的购买频率，去年相邻两个季度会员对各商品标签的购买频率；所述短期购物偏好包括
Figure FDA00025152985700000215
前一个月会员对各商品标签的购买频率，前三个月会员对各商品标签的购买频率以及前六个月会员对各商品标签的购买频率等；所述季度购物偏好包括
Figure FDA00025152985700000216
前会员分别对所有春，夏，秋和冬季各商品标签的购买频率；
步骤9：对于每一个会员i以及给定的时间段
Figure FDA00025152985700000217
从数据库中载入会员i在
Figure FDA00025152985700000218
时刻所到门店的历史库存信息，并借助此库存信息获取会员i在时间段
Figure FDA00025152985700000219
内可以接触到的产品集合Q(i,k0)；结合步骤3-8计算会员在
Figure FDA00025152985700000220
时的购物偏好
Figure FDA00025152985700000221
此时用f表示真实的购物概率函数，其中f(Vi,Pi,k,Lq)q∈Q(i,k)表示具有Vi特征和Pi,k偏好的会员i对具有Lq属性的产品的购买概率，若会员i在Δtk时刻买了产品q,则f(Vi,Pi,k,Lq)＝1，反之为0。进一步采用DeepFM模型在训练集train_set中拟合函数f；
步骤10：通过DeepFM算法训练得到模型
Figure FDA00025152985700000222
表示模型预测的会员i在Δtk时刻是对产品q的推荐度，在测试集test_set上测试得到相应的推荐度结果，评估推荐度的准确率，具体仿真环境以及准确率计算公式如下：
测试会员选择：在test_set中出现的所有会员；
测试产品选择：已知test_set表示销售时间为t0到t0+Δt内的所有销售数据，对每个给定的测试会员i，根据历史库存数据获取会员i可以接触的产品集Q(i,-1)；
推荐结果：若会员没有在t0到t0+Δt时间段内购物，则模型不进行推荐；若会员在t0到t0+Δt时间段内有购物记录，则模型选择推荐度最高的两个产品作为推荐产品；
产品售罄率:模型推荐并且会员在t0到t0+Δt时间段购买过的产品数/模型推荐产品数。
CN202010474194.4A 2020-05-29 2020-05-29 一种基于协同过滤与关联规则的服装推荐方法 Active CN111815351B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010474194.4A CN111815351B (zh) 2020-05-29 2020-05-29 一种基于协同过滤与关联规则的服装推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010474194.4A CN111815351B (zh) 2020-05-29 2020-05-29 一种基于协同过滤与关联规则的服装推荐方法

Publications (2)

Publication Number Publication Date
CN111815351A true CN111815351A (zh) 2020-10-23
CN111815351B CN111815351B (zh) 2024-06-21

Family

ID=72848319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010474194.4A Active CN111815351B (zh) 2020-05-29 2020-05-29 一种基于协同过滤与关联规则的服装推荐方法

Country Status (1)

Country Link
CN (1) CN111815351B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598464A (zh) * 2020-12-22 2021-04-02 浙江敦奴联合实业股份有限公司 成衣定制方案推荐方法及装置
CN116664219A (zh) * 2023-04-14 2023-08-29 喀斯玛(北京)科技有限公司 一种基于机器学习的科研电商平台智能推荐系统
CN118350855A (zh) * 2024-06-18 2024-07-16 西安银信博锐信息科技有限公司 基于用户采集信息的用户智能匹配方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009289092A (ja) * 2008-05-30 2009-12-10 Sony Corp 情報処理装置、推薦方法、プログラム及び記録媒体
JP2013025325A (ja) * 2011-07-14 2013-02-04 Kddi Corp レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム
CN103198418A (zh) * 2013-03-15 2013-07-10 北京亿赞普网络技术有限公司 一种应用推荐方法和系统
KR20140056731A (ko) * 2012-10-31 2014-05-12 에스케이플래닛 주식회사 구매추천 시스템 및 방법
US20150379609A1 (en) * 2014-06-30 2015-12-31 Kobo Incorporated Generating recommendations for unfamiliar users by utilizing social side information
KR20160065429A (ko) * 2014-11-30 2016-06-09 주식회사 알티웍스 하이브리드 개인화 상품추천 방법
WO2016101777A1 (zh) * 2014-12-26 2016-06-30 中国银联股份有限公司 用户兴趣数据分析和收集系统及其方法
JP2016192077A (ja) * 2015-03-31 2016-11-10 株式会社日本総合研究所 購買情報処理システム及びプログラム
WO2017124874A1 (zh) * 2016-01-19 2017-07-27 华为技术有限公司 一种网络资源推荐方法及计算机设备
CN108921670A (zh) * 2018-07-04 2018-11-30 重庆大学 一种融合用户潜在兴趣、时空数据和类别流行度的药品交易推荐方法
CN109522474A (zh) * 2018-10-19 2019-03-26 上海交通大学 基于交互序列数据挖掘深度用户相似性的推荐方法
CN111127152A (zh) * 2019-12-23 2020-05-08 深圳市赛维网络科技有限公司 基于用户偏好预测的商品推荐方法、装置、设备及可读介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009289092A (ja) * 2008-05-30 2009-12-10 Sony Corp 情報処理装置、推薦方法、プログラム及び記録媒体
JP2013025325A (ja) * 2011-07-14 2013-02-04 Kddi Corp レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム
KR20140056731A (ko) * 2012-10-31 2014-05-12 에스케이플래닛 주식회사 구매추천 시스템 및 방법
CN103198418A (zh) * 2013-03-15 2013-07-10 北京亿赞普网络技术有限公司 一种应用推荐方法和系统
US20150379609A1 (en) * 2014-06-30 2015-12-31 Kobo Incorporated Generating recommendations for unfamiliar users by utilizing social side information
KR20160065429A (ko) * 2014-11-30 2016-06-09 주식회사 알티웍스 하이브리드 개인화 상품추천 방법
WO2016101777A1 (zh) * 2014-12-26 2016-06-30 中国银联股份有限公司 用户兴趣数据分析和收集系统及其方法
JP2016192077A (ja) * 2015-03-31 2016-11-10 株式会社日本総合研究所 購買情報処理システム及びプログラム
WO2017124874A1 (zh) * 2016-01-19 2017-07-27 华为技术有限公司 一种网络资源推荐方法及计算机设备
CN108921670A (zh) * 2018-07-04 2018-11-30 重庆大学 一种融合用户潜在兴趣、时空数据和类别流行度的药品交易推荐方法
CN109522474A (zh) * 2018-10-19 2019-03-26 上海交通大学 基于交互序列数据挖掘深度用户相似性的推荐方法
CN111127152A (zh) * 2019-12-23 2020-05-08 深圳市赛维网络科技有限公司 基于用户偏好预测的商品推荐方法、装置、设备及可读介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598464A (zh) * 2020-12-22 2021-04-02 浙江敦奴联合实业股份有限公司 成衣定制方案推荐方法及装置
CN116664219A (zh) * 2023-04-14 2023-08-29 喀斯玛(北京)科技有限公司 一种基于机器学习的科研电商平台智能推荐系统
CN118350855A (zh) * 2024-06-18 2024-07-16 西安银信博锐信息科技有限公司 基于用户采集信息的用户智能匹配方法及系统

Also Published As

Publication number Publication date
CN111815351B (zh) 2024-06-21

Similar Documents

Publication Publication Date Title
Dahana et al. Linking lifestyle to customer lifetime value: An exploratory study in an online fashion retail market
Suel et al. Development of joint models for channel, store, and travel mode choice: Grocery shopping in London
Chiang To mine association rules of customer values via a data mining procedure with improved model: An empirical case study
US8341102B2 (en) User state presumption system, user state presumption method, and recording media storing user state presumption program
Scholz et al. Using PageRank for non-personalized default rankings in dynamic markets
CN110969512B (zh) 一种基于用户购买行为的商品推荐方法和装置
Cebollada et al. Online category pricing at a multichannel grocery retailer
CN111815351A (zh) 一种基于协同过滤与关联规则的服装推荐方法
Schultz et al. Implementing the ‘connect the dots’ approach to marketing communication
Khalil et al. Relationship marketing and data quality management
Namin et al. An empirical analysis of demand variations and markdown policies for fashion retailers
Khan et al. IoT‐enabled services in online food retailing
Florea et al. Improving communication and relationship with customers using models to measure their value
Čavoški et al. Agent-based modelling and simulation in the analysis of customer behaviour on B2C e-commerce sites
CN111127074A (zh) 一种数据推荐方法
Machirori et al. An empirical investigation into the extent of customer satisfaction and customer loyalty at big retail stores in King William's Town, South Africa
Olson et al. Market basket analysis
Jin et al. Information acquisition and the return to data
Olson et al. Market basket analysis
Calvo-Porral et al. Second-hand online stores: an examination of consumers’ purchase behaviour
CN110738521B (zh) 一种多电商品牌的客户销售方法和装置
Mighfar et al. The effect of product quality, features, word of mouth and e-Commerce on purchase decisions
Patil Survey of business intelligence system
Keerthana et al. An Effective Approach to Cluster Customers with a Product Recommendation System
Angmalisang et al. GENERATION Z AND THE TRANSFORMATION OF ONLINE PURCHASING: THE ROLE OF E-COMMERCE IN CONSUMER PREFERENCES

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant