CN119090588B 一種基于遺傳模糊聚類的電商個性化推 薦服務方法 （廣州航海學院）

一種基于遺傳模糊聚類的電商個性化推薦本申請涉及一種基于遺傳模糊聚類的電商析不同的用戶群體在色彩豐富度上的差異性和解決用戶在選擇需求商品的過程中體驗感較差2將獲取并加載的各商品對應的商品圖像轉換為RGB顏色空間，提取所述商品圖像的顏基于獲取的各用戶群體的基本信息數(shù)據(jù)以及對應的所述用戶群體的行為數(shù)據(jù)分析得和所述目標用戶的偏好預測值對所述偏好預根據(jù)所述用戶群體的行為數(shù)據(jù)以及所述偏好特征向量，利用模基于優(yōu)化后的模糊聚類算法的分析結果，將用戶群體按照色彩豐富度劃分收集并根據(jù)每個類別的用戶對所述推薦列表的反饋信采用模糊聚類算法對轉換后的所述RGB顏色空間進行處理；通過迭代的方式顏色空間的數(shù)據(jù)點分配到K個聚類中心，并調(diào)整每個所述數(shù)據(jù)點到所述聚類中心的距離為3將所述商品圖像的像素點聚類為若干個代表性顏色，以得到判斷當所述顏色分布中的顏色數(shù)量在第一預設閾值以下的商品的色彩豐富度為單色，當所述顏色分布中的顏色數(shù)量超過所述第一預設閾值并在第二預設閾值以下的商品的色和第三預設閾值均根據(jù)預存的業(yè)務需求和業(yè)務數(shù)在所述目標用戶為新用戶的情況下，根據(jù)所述新用戶的基本信在所述新用戶產(chǎn)生交互行為的情況下，根據(jù)所述新用戶對所述行為數(shù)據(jù)進行數(shù)據(jù)清洗和預處理操作；所述預處理操作包括根據(jù)所述商品ID獲得對應的所述商品的色彩豐富度；通過模糊聚類算法對所述用戶群體中用戶的行為按照時間順序進行排序，采用滑動窗在所述用戶群體中用戶為新用戶的情況下，將新用戶對應的用將用戶群體中用戶的色彩偏好分布表示為長度為N的偏好特征向量，并將轉化為數(shù)值采用模糊C均值算法對用戶的偏好特征向量進行聚類分析，將偏好特征向量相似的用4通過調(diào)整所述模糊C均值算法的參數(shù)，對所述模糊C均值算法進行優(yōu)根據(jù)聚類分析的結果，對不同用戶群體的色彩偏好特征進行將模糊聚類算法的初始參數(shù)編碼為遺傳算法中的基因型；所述模隨機生成一個初始種群，所述種群的個體數(shù)量為預設根據(jù)所述個體的基因型解碼得到聚類算法的參數(shù)，基于訓練樣本采用適應度函數(shù)評估每個所述個體的聚類性能，并引入聚類的誤對所述個體進行選擇操作、交叉操作和變異遺傳操作；對聚類中心進將新生成的后代個體加入所述種群，替換掉部分適應度不足的個將所述最優(yōu)聚類參數(shù)應用于所述用戶群體中用戶的偏好特征向量，運用模糊C均值聚根據(jù)所述最優(yōu)聚類參數(shù)，對所述用戶群體中用戶的基本信息數(shù)據(jù)進行模糊統(tǒng)計每個色彩豐富度偏好類別在不同色彩豐富度上的平5對每個類別的用戶的行為數(shù)據(jù)進行關聯(lián)規(guī)則挖掘和頻繁模式挖掘，得到對應對商品庫中的商品按照色彩豐富度劃分為對應的商品子集，并根據(jù)根據(jù)用戶所述的色彩豐富度偏好類別，設定對應的用戶屬性值；所算法進行相似度計算和排序對所述候選推薦商品進行相似度計算通過色彩豐富度以及其他相似度度量判斷所述商品之間的相似性，采用K_means聚類算法對所述候選推薦商品按照色彩豐富度進行聚類，將色彩豐富度收集用戶對歷史推薦商品的反饋信息；所述反饋信將所述反饋信息與對應用戶的色彩豐富度偏好類別進行偏好畫6根據(jù)所述基于所述熱度分布的分析結果，對推薦列表進行動態(tài)調(diào)整比例并在所述相似度計算的過程中降低對應推7的商品更容易吸引偏好多色商品的用戶，但對于偏好單色或低色彩豐富度商品的用戶而[0006]將獲取并加載的各商品對應的商品圖像轉換為RGB顏色空間，提取所述商品圖像[0007]基于獲取的各用戶群體的基本信息數(shù)據(jù)以及對應的用戶群體的行為數(shù)據(jù)分析得化未RGB顏色空間將商品劃分為多個色彩豐富度的類別，然后獲取每個用戶群體的行為數(shù)8[0013]圖1為一個實施例中一種基于遺傳模糊聚類的電商個性化推薦服務方法的流程示9[0025]判斷當顏色分布中的顏色數(shù)量在第一預設閾值以下的商當顏色分布中的顏色數(shù)量超過第一預設閾值并在第二預設閾值以下的商品的色彩豐富度過OpenCV中的cvtColor函數(shù)將圖像從BGR顏色空間(或其他類型的顏色空間)轉換為RGB顏[0030]步驟204，基于獲取的各用戶群體的基本信息數(shù)據(jù)以及對應的用戶群體的行為數(shù)于每個用戶群體中的用戶，統(tǒng)計其在不同色彩豐富度的商品上的交互行為的次數(shù)和時長，[0036]將各偏好度量進行歸一化處理，得到不同的用戶群體對于色彩豐富度的偏好分則挖掘算法包括Apriori算法或FP[0038]基于不同特征組合與色彩偏好之間的關聯(lián)規(guī)則構建偏好預測模型得到用戶群體[0049]可以理解的是，由于關聯(lián)規(guī)則是由偏好用戶特征和偏好關系進行關聯(lián)性分析得征組合最相似的Top_M個用戶群體(M取5)，將這些群體對不同色彩豐富度商品的平均偏好糊聚類算法分析不同的用戶群體在色彩豐富度上的差異性[0056]根據(jù)商品ID獲得對應的商品的色彩豐富度；通過K_means模糊聚類算法將商品ID[0059]將用戶群體中用戶的色彩偏好分布表示為長度為N的偏好特征向量，并將用戶特[0060]采用模糊C均值算法對用戶的偏好特征向量進行聚類分析，將偏好特征向量相似的偏好分布來估計和填充缺失的偏好數(shù)據(jù)。將用戶的色彩偏好分布表示為一個長度為N的[0067]采用模糊聚類中模糊C均值聚類算法對偏好特征向量進行聚類分析，將相似偏好字段如用戶ID(基本信息數(shù)據(jù))、商品ID、行為類型、時間戳等，并將數(shù)據(jù)存儲在HBase等口內(nèi)對不同色彩豐富度商品的交互次數(shù)和時長，并使用Min_Max歸一化將其轉化為偏好得然選擇和遺傳進化機制，不斷迭代優(yōu)化模糊聚類算法的聚類中心和隸屬度函數(shù)的步驟包按照色彩豐富度劃分為多個類別的用戶，得到每個類別的用戶的色彩偏好特征的步驟包[0086]將最優(yōu)聚類參數(shù)應用于用戶群體中用戶的偏好特征向量，運用模糊C均值聚類算戶在高色彩豐富度偏好類別中的占比顯著高于其他類別(p<0.01)。還利用Apriori算法進度偏好用戶更傾向于購買100_200元的[0101]采用K_means聚類算法對候選推薦商品按照色彩豐富度進行聚類，將色彩豐富度到1的區(qū)間內(nèi)，得到色彩豐富度相似度。映射函數(shù)可以采用高斯核函數(shù)，形如exp(_abs的目的是將屬性值相近的商品劃分到同一個簇中，形成不同色彩豐富度等級的商品子集。[0111]在一個示例性地實施例中，收集并根據(jù)每個類別的用戶20％的采樣量。在ItemCF的相似度計算中，對用戶點擊、購買行為的權重分別乘以儲器等。作為說明而非局限，RAM可以是多種形式，比如