商城-商品推荐算法

最新推荐文章于 2025-09-04 10:55:29 发布

原创

最新推荐文章于 2025-09-04 10:55:29 发布 · 669 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#推荐算法 #算法 #机器学习

算法说明

综合用户浏览（权重1）和购买记录（权重2）

进行归一化处理，消除品类数量差异

示例：购买电子产品的权重是浏览书籍的2倍

价格区间计算：

基于用户历史行为计算平均价格和标准差

使用高斯函数计算价格相似度，考虑价格分布的集中趋势

推荐评分：

综合品类匹配度（70%）和价格匹配度（30%）

使用流式处理进行高效计算和排序
优化方向：
冷启动问题：新用户无历史记录时，可结合热门商品推荐

实时更新：使用滑动窗口机制处理用户行为的时效性

深度学习：对于大规模数据可升级为神经网络模型

多维度特征：加入品牌、用户画像等更多特征

在计算商品相似度时，对于每个候选商品：

类别得分：该商品的每个类别的权重之和，根据用户偏好中的类别权重。例如，商品有类别A和B，用户偏好中A的权重是2，B的权重是3，那么得分是2+3=5。或者可能需要归一化处理，比如用户的总权重是某个值，然后计算相似度。

或者，使用余弦相似度，将用户偏好向量和商品向量表示为TF-IDF类型的权重，然后计算点积。

例如，将所有可能的类别收集为一个词汇表，然后用户偏好向量是每个类别的出现次数（或TF-IDF值），商品向量是该商品是否属于每个类别（0或1）。然后计算余弦相似度。

价格相似度可以单独计算，比如使用高斯核函数：exp(- (price_diff)^2 / (2 * sigma^2))，其中sigma是标准差，根据用户购买记录中的价格计算得出。

然后，总相似度是类别相似度乘以0.7 + 价格相似度乘以0.3，或者其他权重组合。

在代码中，可能需要先遍历所有用户的购买和浏览记录，统计类别出现的次数，计算每个类别的权重。购买次数和浏览次数可能需要不同的权重，比如购买一次算2分，浏览一次算1分。

然后，对于每个候选商品，计算其类别得分，即该商品所属类别在用户偏好中的权重之和。然后归一化这个得分，例如除以最大可能的得分，使其在0到1之间。

价格方面，计算该商品的价格与用户平均价格的差异，然后转化为相似度得分。例如，如果用户平均价格是100元，商品价格是120元，差异是20元，价格相似度可以是max(0, 1 - (20 / 100)) = 0.8，如果差异超过100，则得分为0。

或者，价格区间可以设定为用户购买记录中的最低和最高价格，然后如果商品价格在此区间内，得1分，否则按距离扣分。


处理冷启动的常见方法包括：

1. 推荐热门商品：当用户没有历史记录时，推荐销量或浏览量高的商品。

2. 基于人口统计学的推荐：比如根据用户的年龄、性别等信息，但当前User类没有这些属性，可能需要扩展。

3. 随机推荐：但可能不够精准。

4. 混合推荐：结合热门和随机推荐。

由于当前代码中的User类没有其他属性，可能采用推荐热门商品作为冷启动策略。需要修改推荐方法，当检测到用户没有历史记录时，切换到热门商品推荐。

新增功能说明：
冷启动用户判断：

通过isColdStartUser()方法检测用户是否没有浏览和购买记录

自动切换推荐策略

全局特征分析：

getGlobalCategoryPreferences()：分析当前候选商品的品类分布

getGlobalPriceRange()：计算全体候选商品的价格分布

混合推荐策略：

优先推荐高频品类商品（平台热门商品）

结合价格中位数附近商品（大众接受度高的价格区间）

权重调整为品类60% + 价格40%

动态适应机制：

根据当前可推荐商品实时计算特征

自动适应商品上下架变化

public class ProductRecommender {
    // 权重配置
    private static final double CATEGORY_WEIGHT = 0.7;
    private static final double PRICE_WEIGHT = 0.3;
    private static final double PRICE_RANGE_FACTOR = 0.3;

    // 冷启动权重
    private static final double COLD_START_CATEGORY_WEIGHT = 0.6;
    private static final double COLD_START_PRICE_WEIGHT = 0.4;

    // 添加缓存（使用WeakHashMap防止内存泄漏）
    private final Map<UserShopGoods, Map<String, Double>> userCategoryCache = new WeakHashMap<>();
    private final Map<UserShopGoods, double[]> userPriceRangeCache = new WeakHashMap<>();
    private final Map<List<ShopGoodsItem>, Map<String, Double>> globalCategoryCache = new WeakHashMap<>();
    private final Map<List<ShopGoodsItem>, double[]> globalPriceRangeCache = new WeakHashMap<>();

    // 修改后的特征计算方法
    private Map<String, Double> getCategoryPreferences(UserShopGoods user) {
        return userCategoryCache.computeIfAbsent(user, k -> computeCategoryPreferences(user));
    }

    private double[] getPriceRange(UserShopGoods user) {
        return userPriceRangeCache.computeIfAbsent(user, k -> computePriceRange(user));
    }

    private Map<String, Double> getGlobalCategoryPreferences(List<ShopGoodsItem> items) {
        return globalCategoryCache.computeIfAbsent(items, k -> computeGlobalCategoryPreferences(items));
    }

    private double[] getGlobalPriceRange(List<ShopGoodsItem> items) {
        return globalPriceRangeCache.computeIfAbsent(items, k -> computeGlobalPriceRange(items));
    }


    /**
     * 主推荐方法
     * @param user 目标用户
     * @param allItems 所有候选商品
     * @param topN 推荐数量
     * @return 推荐商品列表（按得分降序）
     */

    public List<ShopGoodsItem> recommend(UserShopGoods user, List<ShopGoodsItem> allItems, int topN) {
        // 过滤已购买商品
        Set<ShopGoodsItem> purchasedItems = new HashSet<>(user.getPurchaseHistory());
        List<ShopGoodsItem> candidates = allItems.stream()
                .filter(item