一种基于聚类推荐算法的跨境电商产品购买引导系统的制作方法

本发明涉及跨境电商交易领域，具体地说，涉及一种基于聚类推荐算法的跨境电商产品购买引导系统。

背景技术：

1、跨境电子商务是指分属不同关境的交易主体，通过电子商务平台达成交易、进行电子支付结算，并通过跨境电商物流及异地仓储送达商品，从而完成交易的一种国际商业活动。但在目前的跨境电商商品交易过程中，仍存在商品过度推荐和信息分布时效性低等问题，可利用信息溯源数据库结合聚类算法与推荐搜索算法精准商品的推荐信息，提升购买力，实现跨境电商产品购买引导的动态调度。

技术实现思路

1、本发明的目的在于提供一种基于聚类推荐算法的跨境电商产品购买引导系统，以解决上述背景技术中提出的问题。

2、为实现上述目的，提供了一种基于聚类推荐算法的跨境电商产品购买引导系统，包括产品信息溯源数据库模块、产品特征聚类模块和产品推荐搜索模块；具体过程描述如下：

3、s1.将跨境产品成批制地记录原始的产品信息，并且标记相对于跨境电商平台的所属类别；

4、s2.基于产品信息构建系统数据库，服务于跨境电商平台，划分可以描述产品的关键属性参数，以此作为后续聚类和推荐算法中的计算变量，并且设定关键属性参数的索引格式和方法；

5、s3.在跨境电商平台中根据每次用户搜索的不同格式的信息内容，在同类别产品中遍历和选取与该内容相匹配的所有产品信息，利用凝聚层次聚类算法将同类产品中与用户搜索信息特征相关联的数据进行聚类处理，并得到同类产品相似性度量值；

6、s4.根据相似性度量值来衡量同类产品与用户搜索的信息匹配差异，并且基于系统数据库的索引反演产品信息是否存在异常，如果存在异常，则更新系统数据库，迭代聚类算法；

7、s5.在产品聚类识别的基础上，结合跨境电商平台关联服务，结合系统数据库中的产品信息索引方式利用推荐系统算法将符合用户搜索信息相匹配的相关产品按照相似度大小和地理位置配送优先级进行排序展示，提高用户的交易质量。

8、进一步的，所述s1中原始的产品信息，包括：产品生产商和经销商的地理位置与所述产品的固有信息的组合。

9、进一步的，所述s2中系统数据库结合sql结构型与nosql非结构型的特点，主要以mongodb数据库为基础方式。

10、进一步的，所述s3中凝聚层次聚类算法将同类产品中与用户搜索信息特征相关联的数据进行聚类处理，详细过程如下：

11、使用凝聚层次聚类算法中的时间序列聚类技术，其主要目的是将待聚类的时间序列数据对象根据其相似性分类为多个类别，且保证不同分类类别中的对象序列之间的相似性尽可能小，而同种分类类别中的对象序列数据之间应该存在有尽可能高的相似关系。凝聚层次聚类，其主要是从每个数据对象或样本作为个体簇开始，然后在每个动作中合并最为邻近的两个簇，直到当所有的簇个体均合并成一个簇为止，关于凝聚层次聚类的算法流程为：(1)选择合适的相似性距离度量公式；(2)计算初始邻近性距离矩阵；(3)重复；(4)使用选择的簇合并函数，合并最为相近的2个簇；(5)更新邻近性距离矩阵，用于反映新的簇与合并前的簇之间的邻近性；(6)直至仅剩下1个簇；(7)结束；在进行时间序列凝聚层次聚类挖掘之前，必须要结合对象序列数据的特点完成邻近性距离度量函数与簇合并标准函数的选择工作；

12、首先计算初始邻近性距离矩阵，使用选择的簇合并函数，合并最为相近的2个簇并更新邻近性距离矩阵，用于反映新的簇与合并前的簇之间的邻近性，剩下最后1个簇时结束迭代。在进行时间序列凝聚层次聚类挖掘之前，必须要结合对象序列数据的特点完成邻近性距离度量函数与簇合并标准函数的选择工作。本发明使用改进的动态时间弯曲(dynamictimewrapping简称dtw)与其他算法相比对于时间序列类型数据间的相似性描述具有较高的准确性，核心过程如下：

13、设存在两条时间序列数据设存在两条时间序列数据q＝{q1，q2，q3，...，qn}与s＝{s1，s2，s3，...，sm}，其长度分别为n与m，则存在两序列构成的大小为n*m的矩阵m；其中矩阵元素(i，j)对应的是序列q与s中的元素qi和si之间的基准距离，即(i，j)映射到dbase(qi，sj)；其中基准距离函数dbase选用均方欧式距离；在此基础上，序列q与s的元素之间距离之和的最小值的使用弯曲路径w＝{w1，w2，w3，...，wk，...，wl}进行表达，其中max(m，n)≤l≤m+n-1；该路径的选择采用动态规划方法从起点(1，1)出发到终点(m，n)的最小化累积距离路径，矩阵元素(i，j)的时间序列凝聚dtw(i，j)公式为：

14、

15、同时考虑为了时刻保证生成的新簇簇内平均误差增量最小，使用改进的ward方法作为簇合并所使用的标准函数；ward离差平方和法是基本凝聚层次聚类方法中的一种，其基本策略为：从每个对象作为一个簇开始，逐步合并距离最近的两个簇，循环直到所有的对象都在一个簇中，或者满足预先设定的终结条件。改进的ward方法在合并时同时合并相邻最近的两个簇，相比于传统算法，极大地增加了算法效率。ward方法将簇间的距离定义为两个簇合并时导致的平方误差和，d(ci，cj)公式如下：

16、

17、其中，g为簇的个数；zik为每个簇中数据的具体值；为第k个簇的平均值；nk为第k个簇中的对象个数。

18、进一步的，所述s3中同类产品相似性度量值的方法如下：

19、使用改进的dempster组合规则进行同类产品的相似性度量，dempster组合规则可以将来自同一识别框架下不同信息源的数据组合起来，假设识别框架为θ＝{θ1，θ2，...，θj，...，θn}；其中，θj为识别框架中的元素，在本发明中为用户搜索信息特征，n为用户搜索信息特征个数；识别框架θ的幂集中包含2n个子集，子集的数量即为该识别框架中能够产生的命题数量；m1、m2是来自于同一识别框架的2组独立的数据体，ai、bj分别为数据体m1、m2的焦元，其中，i，j＝1，2，...，n，利用dempster组合规则进行两数据合成的结果如下：

20、

21、其中，m(a)为a的基本概率赋值(basic probability assignment简称bpa)，m(a)的值反映了对a的信任程度：

22、

23、其中，k为冲突系数，是度量两证据之间关联大小的最初方法。本发明使用改进的dempster组合规则，主要改进了dempster组合规则进行两数据合成时冲突系数的引用，突出了冲突系数的效果，改进后对同类产品的相似性度量更为准确。

24、进一步的，所述s3中用户搜索的不同格式的信息内容包括搜索产品相关的文字，语音，图片和2020欧洲杯投注官网 的一种与多种组合。

25、进一步的，所述s4中基于系统数据库的索引反演产品信息，详细过程如下：

26、根据相似性度量值来衡量同类产品与用户搜索的信息匹配差异，并且基于系统数据库的索引反演产品信息是否存在异常，如果存在异常，则更新系统数据库，迭代聚类算法，使用卡尔曼滤波的算法，基于系统数据库的索引反演产品信息是否存在异常，本发明采用卡尔曼滤波算法，将同类产品与用户搜索的信息差异进行匹配，按序列进行融合估计，消除反演产品信息结果中的不确定性，提高数据的准确性，降低数据的重复性，得到更准确的信息匹配数据，并采用加权自适应估计算法，在总均方误差最小的情况下，自适应寻找对应的最优加权因子，获得最优的反演产品信息数据。

27、卡尔曼滤波器可分为时间更新方程和测量更新方程，下式为卡尔曼时间更新方程。

28、

29、

30、时间更新方程中，表示k-1时刻后验状态估计值即最优估计，为k时刻的先验状态估计值即预测方程结。pk-1表示k-1时刻的后验估计协方差，表示k时刻的先验估计协方差。下式为状态更新方程。

31、

32、

33、

34、状态更新方程中，k为滤波增益矩阵即卡尔曼增益，为观测值和预测观测的残差，和卡尔曼增益k一起修正先验预测，更新状态估计，利用先验估计误差的协方差矩阵更新pk，以备下次自回归运算使用。

35、进一步的，所述s5中推荐系统算法，详细过程如下：

36、采用基于用户的协同过滤算法实现商品购买推荐。协同过滤算法需要有用户与商品之间的相关数据支持，例如收藏、浏览、评分、评论等信息。在本系统的推荐中，将所有用户id设为行，将所有商品设为列，保存为二维矩阵，二维矩阵存储每一位用户和每一个物品之间的关系，分数越高，代表该用户对该物品的喜好程度越高。采集并处理好用户数据后，用户信息和商品信息存入mysql中，形成评分矩阵。首先通过用户对不同商品的评分，用一个指标衡量各个用户之间的相似度，本系统选用皮尔逊相关系数衡量用户之间的相似度。皮尔逊相关系数(pearson product-moment correlation coefficient，缩写ppmcc或pccs)用于度量两个变量x和y之间的相关程度(线性相关)，其值介于-1与1之间。皮尔逊相关系数计算公式为：

37、

38、其中，r表示x与y之间的相关系数；x和y表示两个用户；i表示不同的商品；n表示商品总数；

39、本发明使用redis存储系统，redis是一个高性能的key-value数据库。redis的数据模型是由一个健、值映射组成。redis的数据存储于内存中，可以做到高速读写。本发明在实时个性化推荐功能中，会从redis中读取flink计算的结果，如果用户从mysql中读取计算的结果，数据将经过硬盘的读写，而使用redis，计算结果将从缓存中读取，从而减少用户的等待时间，提高用户的使用体验。在本发明中，为已登录用户推荐的商品列表存于redis中，当用户登录时会将美食推荐的信息存入redis，与前端模板引擎合成页面后放回给用户。

40、本发明有益效果：本发明阐述了一种基于聚类推荐算法的跨境电商产品购买引导系统，包括产品信息溯源数据库模块、产品特征聚类模块和产品推荐搜索模块，将跨境产品成批制地记录原始的产品信息，包括产品生产商和经销商的地理位置与所述产品的固有信息的组合等，并且标记相对于跨境电商平台的所属类别，基于产品信息构建系统数据库，结合sql结构型与nosql非结构型的特点，主要以mongodb数据库为基础方式，服务于跨境电商平台，描述产品的关键属性参数，并且设定关键属性参数的索引格式和方法，在跨境电商平台中根据每次用户搜索的不同格式的信息内容，在同类别产品中遍历和选取与该内容相匹配的所有产品信息，利用凝聚层次聚类算法将同类产品中与用户搜索信息特征相关联的数据进行聚类处理，并得到同类产品相似性度量值，根据相似性度量值来衡量同类产品与用户搜索的信息匹配差异，使用卡尔曼滤波的算法进行基于系统数据库的索引，反演产品信息是否存在异常，在产品聚类识别的基础上，结合跨境电商平台关联服务，结合系统数据库中的产品信息索引方式利用推荐系统算法将符合用户搜索信息相匹配的相关产品按照相似度大小和地理位置配送优先级进行排序展示，采用基于用户的协同过滤算法实现商品购买推荐，采集并处理好用户数据后，将用户信息和商品信息存入mysql中形成评分矩阵，使用redis存储系统读取计算结果，提高用户的交易质量。本发明实现跨境电商产品购买引导的动态调度。其应用层面广，经济成本低，可以推广至国际社会应用，带来良好的社会和经济效益，可以拓宽企业进入国际市场的路径，大大促进了多边资源的优化配置与企业间的互利共赢，使消费者更容易地获取其他国家的信息并买到物美价廉的商品。