一种基于交易网络的商家推荐方法
专利汇可以提供一种基于交易网络的商家推荐方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于交易网络的商家推荐方法，其步骤为：（1） 整理 交易数据并建立交易网络；（2）根据用户交易历史对用户聚类；（3）对交易网络进行社团划分；（4）应用随机行走方法实现商家推荐。本发明可广泛应用于各类 电子 商务 网站 中的商家（卖家）推荐，为广大买家推荐合适的卖家；充分利用买家和卖家的历史交易数据，发掘买家和卖家的偏好特征，分析买家和卖家交易的相似性，合理应用随机行走方法，有效提高商家推荐的准确性和针对性。所采用的计算方法简单高效，切合 电子商务 网站海量交易数据、同时买家和卖家交易信息稀疏的特性，有较好的扩展性和适用性；有效填补目前电子商务网站商家推荐方面的空白。，下面是一种基于交易网络的商家推荐方法专利的具体信息内容。
1.一种基于交易网络的商家推荐方法，其特征在于包括以下步骤：
1）整理交易数据并建立交易网络，包括为每个用户，即买家和卖家，建立和维护偏好向量；并根据历史交易记录在用户之间建立交易网络；
2）根据用户交易历史对用户聚类；采用期望最大化算法EM，通过用户偏好向量进行用户聚类，形成偏好相似的用户簇；
3）对交易网络进行社团划分；采用K均值算法KM，根据交易网络中各用户节点的连接模式划分社团；
4）应用随机行走方法实现商家推荐，从买家出发，在社团间随机行走，根据用户簇决定停止概率，完成商家推荐。
2.根据权利要求1所述的基于交易网络的商家推荐方法，其特征在于，上述步骤1）中用户的偏好向量用数组表示：令 表示电子商务网站中商品类别的数量；用户 的偏好向量为 ；其中元
素 （ ）的定义如下：
。
3.根据权利要求1所述的基于交易网络的商家推荐方法，其特征在于，上述步骤1）中的交易网络是一个有向图 ，其中 表示电子商务网站中的用户集合；有向边集合 反映用户之间的交易历史，对于任意两个用户 和 （ ），有向边
表示用户 曾经从用户 购买过商品； 是一个映射，其中 为自然
数集，作用是为 中的每一条有向边赋予权重；简化处理：有向边 的权重表示为，代表 向 购买商品的次数，若 ，则 ，另有 。
4.根据权利要求1、2或3所述的基于交易网络的商家推荐方法，其特征在于，上述步骤
2）中的EM算法包含两个阶段：E-Step根据用户簇的当前组成计算每个簇的中心点；M-Step将每个用户重新分配到从属概率最高的用户簇；具体过程为：
2.1）考虑E-Step，计算用户簇 的中心点 ，其中 表示商品类别
的数量，元素 的计算公式如下：
其中 表示用户簇 的规模，即簇中包含的用户数量； 是用户 的偏好向量 中的对应元素，必须属于 ；
2.2）考虑M-Step，用户 属于用户簇 的从属概率由 表示，为计算 ，引入背景向量 ，其中元素 的计算公式如下：
其中 为用户集合；再引入平滑因子 ，可设为0.01，取值范围0.001~0.06，交易数据越稀疏，取值越大；计算用户簇 的特征向量 ，其中元素 的计算公
式如下：
进一步计算系数向量 ，其中元素 的计算公式如下：
基于上述，计算用户 属于用户簇 的从属概率 ，公式如下：
将每个用户 重新分配到从属概率最大的用户簇 中，即：
。
5.根据权利要求4所述的基于交易网络的商家推荐方法，其特征在于，上述步骤2）中采用EM算法完成用户聚类的过程是：首先根据电子商务网站中的用户总数设置用户簇的数量 ，保证用户簇规模的平均范围为500~3000个用户；随机设定 个用户簇，对每一个用户，以均一概率 分配到某一个簇中；然后开始迭代：第一步执行EM算法为每一个用户重新分配用户簇；第二步对过大和过小的用户簇做处理，过程是：
2.3）判定过小的用户簇：设定用户簇规模的最小值 ，一般 ；如果存在用户簇的规模小于 ，则解散 ，其成员以均一概率分配到其他用户簇中；
2.4）判定过大的用户簇：计算所有用户簇规模取对数后的均值，用 表示，再计算用户簇规模取对数后的方差值，用 表示，如果用户簇 满足以下公式：
则 过大，在其中随机设定2个用户簇， 的每个成员以均一概率 分配到一个新簇中；
迭代结束时判断用户簇的组成是否发生变化：如果发生变化，则进入下一次迭代；如果没有发生变化，则迭代结束，输出聚类好的用户簇。
6.根据权利要求1、2或3所述的基于交易网络的商家推荐方法，其特征在于，上述步骤
3）中的KM算法包含两个阶段：K-Step将每个用户重新分配到匹配度最高的社团；M-Step根据社团的当前组成计算每个社团的特征向量；具体过程为：
3.1）考虑M-Step，计算社团 的特征向量 ，其中 为用户总数；元
素 （ ）的计算公式如下：
其中 表示社团 的规模，即社团中包含的用户数量，必须属于 ； 是无向邻接矩阵 中元素， 是一个 对称矩阵，由交易网络 转换而来，矩阵元
素 的定义如下：
显然有 ；用户 的特征向量 为矩阵 中的第行，即有
；
3.2）考虑K-Step，用户 同社团 的匹配度基于用户特征向量 和社团特征向量 之间的欧氏距离 表示，计算公式如下：
将每个用户 重新分配到匹配度最高的社团 中，即：
。
7.根据权利要求6所述的基于交易网络的商家推荐方法，其特征在于，上述步骤3）中采用KM算法完成交易网络中社团划分的过程是：首先根据电子商务网站中的用户总数设置社团的数量 ，保证社团规模的平均值范围为500~3000个用户；然后初始化社团：
对交易网络 中的用户节点按度数，即出度+入度排序，等分为 个区间；从每个区间随机选择10~30个用户节点；每个用户节点单独作为一个社团，社团特征向量等于用户特征向量；每次选择两个特征向量的欧氏距离最近的社团，将这两个社团合并为一个社团，重新计算新社团的特征向量；重复上述操作，直至剩余 个社团；然后迭代执行KM算法，迭代过程的收敛条件是一次迭代后，每个用户同社团的从属关系没有发生改变；最后输出社团划分结果。
8.根据权利要求1、2或3所述的基于交易网络的商家推荐方法，其特征在于，上述步骤
4）中应用随机行走方法实现商家推荐的过程是：首先确定推荐的商家数量 ， =3~20；
然后从目标用户 出发随机行走，选择下一个用户 ；判定随机行走是否终止；如果未能终止，则将 作为当前用户 继续随机行走；如果过程终止，输出 为推荐的商家；上述过程重复 次，最后输出所推荐的一组商家。
9.根据权利要求8所述的基于交易网络的商家推荐方法，其特征在于，
上述步骤4）中的随机行走过程包含两个阶段：其一是按概率选择一个社团 ；其二是按概率从 中选择一个用户；
4.1）令当前用户为 ，计算选择社团 的概率 ，公式如下：
其中 为社团数量， 表示社团 和社团 的连接强度，计算公式如下：
其中 和 分别代表社团 和 的规模， 是无向邻接矩阵 中元素；社团 是用户 所在的社团， 和 分别表示社团 同社团 及 的连接强度；
4.2）选定社团 之后，计算选择另一用户 （ ）的概率 ，公式如下：
其中 和 基于交易网络 中的映射 定义，代表用户之间的交易次
数，但不考虑交易的方向，计算公式如下：
其中 和 代表用户之间的交易次数。
10.根据权利要求9所述的基于交易网络的商家推荐方法，其特征在于，上述步骤4）中计算随机行走的终止概率 分四种情况，其中令所选用户为 ，目标用户为 ：
情况1. 不是卖家，或者 已经同 交易过，不需要再推荐；此时 ；
情况2. 和 属于同一个用户簇，此时 ，即随机行走立即终止；
情况3. 所属用户簇 与 所属用户簇 不相同，此时计算 对 的隶属度 ，公式如下：
其中 为商品类别数量， 为 的偏好向量中的元素； 为组成 中心点的元素；如果 ，则 ；
情况4. 所属用户簇 与 所属用户簇 不相同，且 ，此时考虑与 交易
过的买家集合 ，按以下公式计算 ：
其中 和 分别代表用户 、 同用户 的交易次数。
一种基于交易网络的商家推荐方法
技术领域
背景技术
发明内容
2）根据用户交易历史对用户聚类；采用期望最大化算法EM，通过用户偏好向量进行用户聚类，形成偏好相似的用户簇；
3）对交易网络进行社团划分；采用K均值算法KM，根据交易网络中各（用户）节点的连接模式划分社团；
4）应用随机行走方法实现商家推荐，从买家（目标用户）出发，在社团间随机行走，根据用户簇决定停止概率，完成商家推荐。
。
。
的数量，元素 的计算公式如下：
其中 表示用户簇 的规模，即簇中包含的用户数量； 是用户 的偏好向量 中的对应元素，必须属于 ；
2.2）考虑M-Step，用户 属于用户簇 的从属概率由 表示，为计算 ，引
入背景向量 ，其中元素 的计算公式如下：
其中 为用户集合；再引入平滑因子 ，可设为0.01，取值范围0.001~0.06，交易数据越稀疏，取值越大；计算用户簇 的特征向量 ，其中元素 的计算公
式如下：
进一步计算系数向量 ，其中元素 的计算公式如下：
基于上述，计算用户 属于用户簇 的从属概率 ，公式如下：
将每个用户 重新分配到从属概率最大的用户簇 中，即：
。
2.4）判定过大的用户簇：计算所有用户簇规模取对数后的均值，用 表示，再计算用户簇规模取对数后的方差值，用 表示，如果用户簇 满足以下公式：
则 过大，在其中随机设定2个用户簇， 的每个成员以均一概率 分配到一个新簇中；
迭代结束时判断用户簇的组成是否发生变化：如果发生变化，则进入下一次迭代；如果没有发生变化，则迭代结束，输出聚类好的用户簇。
素 （ ）的计算公式如下：
其中 表示社团 的规模，即社团中包含的用户数量，必须属于 ； 是无向邻接矩阵 中元素， 是一个 对称矩阵，由交易网络 转换而来，矩阵元
素 的定义如下：
显然有 ；用户 的特征向量 为矩阵 中的第行，即有
；
3.2）考虑K-Step，用户 同社团 的匹配度基于用户特征向量 和社团特征向量 之间的欧氏距离 表示，计算公式如下：
将每个用户 重新分配到匹配度最高的社团 中，即：
。
其中 为社团数量， 表示社团 和社团 的连接强度，计算公式如下：
其中 和 分别代表社团 和 的规模， 是无向邻接矩阵 中元素；社团 是
用户 所在的社团， 和 分别表示社团 同社团 及 的连接强度；
4.2）选定社团 之后，计算选择另一用户 （ ）的概率 ，公式如下：
其中 和 基于交易网络 中的映射 定义，代表用户之间的交易次
数，但不考虑交易的方向，计算公式如下：
其中 和 代表用户之间的交易次数。
情况2. 和 属于同一个用户簇，此时 ，即随机行走立即终止；
情况3. 所属用户簇 与 所属用户簇 不相同，此时计算 对 的隶属度 ，
公式如下：
其中 为商品类别数量， 为 的偏好向量中的元素； 为组成 中心点的元素；如果 ，则 ；
情况4. 所属用户簇 与 所属用户簇 不相同，且 ，此时考虑与 交易
过的买家集合 ，按以下公式计算 ：
其中 和 分别代表用户 、 同用户 的交易次数。
图3 是采用期望最大化算法EM进行用户聚类的算法流程图；
图4 是采用K均值算法KM进行交易网络社团划分的算法流程图；
图5 是交易网络示例基于连接模式划分社团后的示意图；
图6 是应用随机行走方法实现商家推荐的工作流程图。
具体实施方式
（1）
交易网络是一个有向图 ，其中 表示电子商务网站中的用户集合；有
向边集合 反映用户之间的交易历史，对于任意两个用户 和 （ ），有
向边 表示用户 曾经从用户 购买过商品； 是一个映射，其中 为
自然数集，作用是为边集 中的每一条有向边赋予权重；有向边 的权重表示为，代表 向 购买商品的次数，即 。不失一般性，若 ，则
，另有 。
站中用户总数为10，簇规模定为1000，则 的值为 。
（2）
其中 表示用户簇 的规模，即簇中包含的用户数量； 是用户 的偏好向量 中的对应元素，必须属于 。
其中 为所有用户组成的集合。再引入平滑因子 ， 可设为0.01，取值范围
0.001~0.06，取决于交易数据的稀疏程度：数据越稀疏，取值越大；意味着数据中的噪声比例越大，更需要背景向量进行平滑处理。
根据特征向量 进一步计算系数向量 ，其中元素 由公式（5）计
算：
（5）
最后根据系数向量 ，结合特征向量 等，计算用户 属于用户簇 的从属概率，如公式（6）所示：
（6）
如图3所示，首先是用户簇初始化，随机设定 个用户簇，对每一个用户，以均一概率（ ）分配到某一个簇中；然后执行EM算法，在每一次迭代中，第一步执行E-Step，根据每个用户簇的当前构成计算其中心点；第二步执行M-Step，将每个用户 重新分配到从属概率最大的用户簇 中，由公式（7）表示：
（7）
M-Step执行完毕后，在下一次迭代开始之前，对过大和过小的用户簇做进一步处理：
对于过小的簇，设定用户簇规模的最小值 ，一般 ，如果存在用户簇 的规模小于 ，则解散 ，其成员以均一概率分配到其他用户簇中。
（8）
拆分过程是随机设定2个用户簇， 中每个成员以均一概率 分配到一个新簇中。
当，一般设置为500~3000。考虑一个拥有10 个用户的电子商务网站，假设社团规模设置为
2000，则 的值为500。
（9）
按公式（9），显然有 。定义用户 的特征向量 为矩阵 中的第 行，即有
。
（10）
其中 表示社团 的规模，即社团中包含的用户数量，必须属于 。
如图4所示，首先是社团初始化：对交易网络 中的节点（用户）按度数（出度+入度）排序，等分为 个区间；从每个区间随机选择10~30个用户（节点，一般选择20个）；每个用户单独作为一个社团，社团特征向量等于用户特征向量；每次选择两个距离（指特征向量的欧氏距离，按公式（11）计算）最近的社团，将这两个社团合并为一个社团，重新计算新社团的特征向量；重复上述操作，直至剩余 个社团。
K-Step执行完毕后，检查每个社团的组成是否发生改变，如果没有则迭代结束，输出社团划分结果；否则继续执行M-Step，根据每个社团的当前构成计算其特征向量；M-Step执行完毕后进入下一次迭代。图5所示是交易网络示例（图2）划分社团后的示意图，其中集合 中各节点的连接模式相似，被划入同一个社团；同理集合 中
各节点的连接模式与前述集合有较大不同，且彼此相似，被划入另一个社团。
其中 和 分别代表社团 和 的规模， 是无向邻接矩阵 中元素，由公式
（9）定义。按公式（13）也可以计算社团 的自连接强度 。
其中 为社团总数， 和 分别表示社团 同社团 及 的连接强度。
其中 和 基于交易网络 中的映射 定义，代表用户之间的交易次
数，但不考虑交易的方向，如公式（16）所示：
（16）
按公式（16），显然有 ，不考虑 和 谁是买家或卖家。
；
情况2. 和 属于同一个用户簇，此时 ，即随机行走立即终止；
情况3. 所属用户簇 与 所属用户簇 不相同，此时计算 对 的隶属度 ，
如公式（17）所示：
（17）
其中 为 的偏好向量中的元素，由公式（1）定义； 为组成 中心点的元素，由公式（2）定义；表示商品类别的数量。如果 ，则 ；
情况4. 所属用户簇 与 所属用户簇 不相同，且 ，此时考虑与 交易
过的买家集合 ，按公式（18）计算 ：
（18）
其中 和 分别代表用户 、 同用户 的交易次数；公式（18）揭示 是否与 的大部分买家偏好相似。如果一次随机行走未能终止，则将所选用户 作为当前用户，继续下一次的随机行走。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于主动采样和高斯混合模型的图像超分辨重建方法 | 2020-05-08 | 533 |
| 一种多步分层的学习者认知水平挖掘方法及系统 | 2020-05-16 | 970 |
| 一种有效的图像镜面反射移除方法 | 2020-05-08 | 691 |
| 基于高斯混合模型的非合作水中目标自动识别方法 | 2020-05-08 | 507 |
| 一种水下航行器的水下信标定位方法 | 2020-05-14 | 843 |
| 基于多能量系统响应矩阵的放射源定位重建方法 | 2020-05-15 | 509 |
| 一种基于卷积神经网络和距离监督的关系抽取方法 | 2020-05-18 | 361 |
| 多通道空间音频格式输入信号的处理 | 2020-05-12 | 879 |
| 基于块混合高斯低秩矩阵分解的毫米波图像异物检测方法 | 2020-05-17 | 342 |
| 一种基于可简化的空间约束混合模型的海面图像语义分割方法 | 2020-05-19 | 372 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
