【摘要】：设顾客i对商品类型j的推荐评价分数记为σmn，则其中，C是M×N顾客偏好矩阵C的行向量，P是N×N商品关联矩阵P的列向量，M表示顾客数量，N表示所有商品类型的数量。显然，推荐评价分数σmn在[0，1]之间，其值越高，类型为j的商品被推荐给顾客的概率越大。因此，利用Web日志就可以找出最近时间内购买的商品，并将它们推荐给目标顾客，为其购买提供决策支持，推荐过程在此结束。图5-6描述了商品信息推荐算法。
在前面两个推荐阶段中，我们已建立了顾客偏好模型和商品关联模型。顾客偏好模型反映了顾客最近对不同类型商品的偏好，而商品关联模型反映了在消费者购买某类商品的同时，其购买其他类型商品的可能性。因此，需要结合顾客最近的偏好，以及不同类型商品之间的关联度，来预测顾客当前的购物倾向和。这里，利用余弦相似性(Cosine)[16]来计算顾客偏好和商品关联之间的相似性，从而产生商品的评价分数。
设顾客i对商品类型j的推荐评价分数记为σmn，则
其中，C(m)是M×N顾客偏好矩阵C的行向量，P(n)是N×N商品关联矩阵P的列向量，M表示顾客数量，N表示所有商品类型的数量。显然，推荐评价分数σmn在[0，1]之间，其值越高，类型为j的商品被推荐给顾客的概率越大。(www.xing528.com)
由于前面的推荐过程只是在商品类型层次上进行的，并没有针对商品个体进行。因此，同种类型的不同商品个体，其推荐评价分数相同。考虑到实际网上购物情况，商品推荐服务除了在商品类型的层次上产生推荐结果之外，还要采取相关策略来对具体单个商品提供推荐。这里，可以认为:对于同种类型的所有商品，如果某些商品是最近时间内所购买的，则可以认为这些商品是最流行的，同时也是最值得购买的商品。因此，利用Web日志就可以找出最近时间内购买的商品，并将它们推荐给目标顾客，为其购买提供决策支持，推荐过程在此结束。图5-6描述了商品信息推荐算法。
图5-6 推荐结果产生算法
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
