CN119090588B 一种基于遗传模糊聚类的电商个性化推 荐服务方法 （广州航海学院）

一种基于遗传模糊聚类的电商个性化推荐本申请涉及一种基于遗传模糊聚类的电商析不同的用户群体在色彩丰富度上的差异性和解决用户在选择需求商品的过程中体验感较差2将获取并加载的各商品对应的商品图像转换为RGB颜色空间，提取所述商品图像的颜基于获取的各用户群体的基本信息数据以及对应的所述用户群体的行为数据分析得和所述目标用户的偏好预测值对所述偏好预根据所述用户群体的行为数据以及所述偏好特征向量，利用模基于优化后的模糊聚类算法的分析结果，将用户群体按照色彩丰富度划分收集并根据每个类别的用户对所述推荐列表的反馈信采用模糊聚类算法对转换后的所述RGB颜色空间进行处理；通过迭代的方式颜色空间的数据点分配到K个聚类中心，并调整每个所述数据点到所述聚类中心的距离为3将所述商品图像的像素点聚类为若干个代表性颜色，以得到判断当所述颜色分布中的颜色数量在第一预设阈值以下的商品的色彩丰富度为单色，当所述颜色分布中的颜色数量超过所述第一预设阈值并在第二预设阈值以下的商品的色和第三预设阈值均根据预存的业务需求和业务数在所述目标用户为新用户的情况下，根据所述新用户的基本信在所述新用户产生交互行为的情况下，根据所述新用户对所述行为数据进行数据清洗和预处理操作；所述预处理操作包括根据所述商品ID获得对应的所述商品的色彩丰富度；通过模糊聚类算法对所述用户群体中用户的行为按照时间顺序进行排序，采用滑动窗在所述用户群体中用户为新用户的情况下，将新用户对应的用将用户群体中用户的色彩偏好分布表示为长度为N的偏好特征向量，并将转化为数值采用模糊C均值算法对用户的偏好特征向量进行聚类分析，将偏好特征向量相似的用4通过调整所述模糊C均值算法的参数，对所述模糊C均值算法进行优根据聚类分析的结果，对不同用户群体的色彩偏好特征进行将模糊聚类算法的初始参数编码为遗传算法中的基因型；所述模随机生成一个初始种群，所述种群的个体数量为预设根据所述个体的基因型解码得到聚类算法的参数，基于训练样本采用适应度函数评估每个所述个体的聚类性能，并引入聚类的误对所述个体进行选择操作、交叉操作和变异遗传操作；对聚类中心进将新生成的后代个体加入所述种群，替换掉部分适应度不足的个将所述最优聚类参数应用于所述用户群体中用户的偏好特征向量，运用模糊C均值聚根据所述最优聚类参数，对所述用户群体中用户的基本信息数据进行模糊统计每个色彩丰富度偏好类别在不同色彩丰富度上的平5对每个类别的用户的行为数据进行关联规则挖掘和频繁模式挖掘，得到对应对商品库中的商品按照色彩丰富度划分为对应的商品子集，并根据根据用户所述的色彩丰富度偏好类别，设定对应的用户属性值；所算法进行相似度计算和排序对所述候选推荐商品进行相似度计算通过色彩丰富度以及其他相似度度量判断所述商品之间的相似性，采用K_means聚类算法对所述候选推荐商品按照色彩丰富度进行聚类，将色彩丰富度收集用户对历史推荐商品的反馈信息；所述反馈信将所述反馈信息与对应用户的色彩丰富度偏好类别进行偏好画6根据所述基于所述热度分布的分析结果，对推荐列表进行动态调整比例并在所述相似度计算的过程中降低对应推7的商品更容易吸引偏好多色商品的用户，但对于偏好单色或低色彩丰富度商品的用户而[0006]将获取并加载的各商品对应的商品图像转换为RGB颜色空间，提取所述商品图像[0007]基于获取的各用户群体的基本信息数据以及对应的用户群体的行为数据分析得化未RGB颜色空间将商品划分为多个色彩丰富度的类别，然后获取每个用户群体的行为数8[0013]图1为一个实施例中一种基于遗传模糊聚类的电商个性化推荐服务方法的流程示9[0025]判断当颜色分布中的颜色数量在第一预设阈值以下的商当颜色分布中的颜色数量超过第一预设阈值并在第二预设阈值以下的商品的色彩丰富度过OpenCV中的cvtColor函数将图像从BGR颜色空间(或其他类型的颜色空间)转换为RGB颜[0030]步骤204，基于获取的各用户群体的基本信息数据以及对应的用户群体的行为数于每个用户群体中的用户，统计其在不同色彩丰富度的商品上的交互行为的次数和时长，[0036]将各偏好度量进行归一化处理，得到不同的用户群体对于色彩丰富度的偏好分则挖掘算法包括Apriori算法或FP[0038]基于不同特征组合与色彩偏好之间的关联规则构建偏好预测模型得到用户群体[0049]可以理解的是，由于关联规则是由偏好用户特征和偏好关系进行关联性分析得征组合最相似的Top_M个用户群体(M取5)，将这些群体对不同色彩丰富度商品的平均偏好糊聚类算法分析不同的用户群体在色彩丰富度上的差异性[0056]根据商品ID获得对应的商品的色彩丰富度；通过K_means模糊聚类算法将商品ID[0059]将用户群体中用户的色彩偏好分布表示为长度为N的偏好特征向量，并将用户特[0060]采用模糊C均值算法对用户的偏好特征向量进行聚类分析，将偏好特征向量相似的偏好分布来估计和填充缺失的偏好数据。将用户的色彩偏好分布表示为一个长度为N的[0067]采用模糊聚类中模糊C均值聚类算法对偏好特征向量进行聚类分析，将相似偏好字段如用户ID(基本信息数据)、商品ID、行为类型、时间戳等，并将数据存储在HBase等口内对不同色彩丰富度商品的交互次数和时长，并使用Min_Max归一化将其转化为偏好得然选择和遗传进化机制，不断迭代优化模糊聚类算法的聚类中心和隶属度函数的步骤包按照色彩丰富度划分为多个类别的用户，得到每个类别的用户的色彩偏好特征的步骤包[0086]将最优聚类参数应用于用户群体中用户的偏好特征向量，运用模糊C均值聚类算户在高色彩丰富度偏好类别中的占比显著高于其他类别(p<0.01)。还利用Apriori算法进度偏好用户更倾向于购买100_200元的[0101]采用K_means聚类算法对候选推荐商品按照色彩丰富度进行聚类，将色彩丰富度到1的区间内，得到色彩丰富度相似度。映射函数可以采用高斯核函数，形如exp(_abs的目的是将属性值相近的商品划分到同一个簇中，形成不同色彩丰富度等级的商品子集。[0111]在一个示例性地实施例中，收集并根据每个类别的用户20％的采样量。在ItemCF的相似度计算中，对用户点击、购买行为的权重分别乘以储器等。作为说明而非局限，RAM可以是多种形式，比如