CN103325052A - 一种基于多维度用户消费倾向建模的商品推荐方法 - Google Patents

Abstract

本发明公开了一种基于多维度用户消费倾向建模的商品推荐方法，本发明通过分析用户浏览记录、消费记录以及用户行为记录等多维度信息，推测用户的真实消费倾向，对提升个性化商品推荐效果并将之有效转化为实际购买行为具有十分重要的实际应用价值。一是能获取面向电子商务领域的多维度用户消费倾向模型，为后续个性化推荐奠定基础；二是结合用户兴趣分类以及周期性消费维度倾向分析，可向客户提供符合其消费倾向的个性化的商品推荐结果。该方法成果可广泛应用于电子商务推荐应用***中。

Description

一种基于多维度用户消费倾向建模的商品推荐方法

技术领域

本发明涉及电子商务领域，尤其涉及的是一种基于多维度用户消费倾向建模的商品推荐方法。通过分析用户消费倾向进行有针对性的商品推荐，提升推荐准确度及转化率。

背景技术

现有的推荐方式较少考虑用户消费倾向故在推荐时较为盲目，其实客户在消费时其目的相对较为明确的，譬如收入较高客户其关注和实际购买的大多为高端商品，如果对之推荐低端商品往往会形成无效推荐。

因此，现有技术存在缺陷，需要改进。

发明内容

本发明针对电子商务领域特点，提出一种基于多维度用户消费倾向建模的商品推荐方法。一是能获取面向电子商务领域的多维度用户消费倾向模型，为后续个性化推荐奠定基础；二是结合用户兴趣分类以及周期性消费维度倾向分析，可向客户提供符合其消费倾向的个性化的商品推荐结果。该方法成果可广泛应用于电子商务推荐应用***中。

一种基于多维度用户消费倾向建模的商品推荐方法，包括以下步骤：

步骤1：根据用户的浏览和购买记录获取用户感兴趣的分类；

步骤2：在每一个分类下面，建立多维度倾向向量模型，确定评判的维度；

步骤3：根据用户的购买浏览记录，计算用户对商品的各个维度属性分量的倾向度：

对每一个维度，计算用户购买商品关联某个属性分量的百分比p₁，同时计算各个维度中关联向量的商品的离散度D；公式如下：

其中p₁为属于每一个属性分量的商品比例，为均值，m为分量个数；离散度表明用户对该维度向量的倾向程度，值越大，则倾向越明显：

步骤4：对每一个用户感兴趣的分类，对步骤3中获取的各个维度的离散度进行降序排序，同时选取各个维度中最大的一个向量作为用户在该维度的倾向值，最终形成用户的消费倾向模型；

步骤5：周期性消费维度倾向：首先可以根据用户的购买记录确定用户是否有周期性购买的倾向，如果没有则通过其他用户的购买记录进行确认；如果有周期性消费倾向，则计算消费周期，实时更新预计下次消费时间，选择精准的时机为客户推荐；对于非周期性消费的商品，则随机选择推荐关联商品或附件；

步骤6：根据用户消费倾向模型和是否周期性消费选择精准的时机向客户推荐用户倾向度高的商品。

采用上述方案，本发明通过分析用户浏览记录、消费记录以及用户行为记录等多维度信息，推测用户的真实消费倾向，对提升个性化商品推荐效果并将之有效转化为实际购买行为具有十分重要的实际应用价值。

具体实施方式

以下结合具体实施例，对本发明进行详细说明。

1、根据电商***记录的用户的浏览和购买记录获取用户感兴趣的分类

2、在每一个分类下面，建立多维度倾向向量模型，确定评判的维度，如：

1)价格：用户购买的商品价位档次，比如价格维度＝(高，中，低)

2)折扣：用户对打折商品的倾向，比如折扣维度＝(敏感，不敏感)

3)品牌：用户在商品品牌选择上的倾向，比如品牌维度＝(国产，日韩，欧美)

4)卖家：用户在商品卖家选择上的倾向，比如卖家维度＝(平台自营，第三方运营)

5)周期性消费：用户周期性消费倾向，比如周期性消费维度＝(是，否)

6)支付方式：用户对支付方式的倾向，比如支付方式维度＝(货到付款，***支付，在线支付，…)

7)客户评级：用户参照客户评级的倾向，比如客户评级维度＝(没有评级，1星，2星，…)

3、根据用户的购买浏览记录，计算用户对商品的各个维度属性分量的倾向度：

对每一个维度，计算用户购买商品关联某个属性分量的百分比，比如价格维度，可能获取如下值：高端：90％，中端：10％。同时计算各个维度中关联向量的商品的离散度D。公式如下：

其中p₁为属于每一个属性分量的商品比例，

为均值，m为分量个数。离散度表明用户对该维度向量的倾向程度，值越大，则倾向越明显。

4、对每一个用户感兴趣的分类，对步骤3种获取的各个维度的离散度进行降序排序，比如价格维度的分布为：90％，10％，0；品牌维度的分布为：30％，40％，30％。则用户对价格的选择倾向更明显，推荐时优先依据价格倾向推荐。同时选取各个维度中最大的一个向量作为用户在该维度的倾向值，比如价格维度，90％的为高端，10％的为中端，低端的为0，则价格维度用户的倾向为高端产品。最终形成用户的消费倾向模型

5、周期性消费维度倾向：首先可以根据用户的购买记录确定用户是否有周期性购买的倾向，如果没有可以通过其他用户的购买记录进行确认。如果有周期性消费倾向，则计算消费周期，实时更新预计下次消费时间，选择精准的时机为客户推荐。对于非周期性消费的商品，可以随机选择推荐关联商品或附件等。

6、根据用户消费倾向模型和是否周期性消费选择精准的时机向客户推荐用户倾向度高的商品。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (1)

1.一种基于多维度用户消费倾向建模的商品推荐方法，包括以下步骤：

步骤1：根据用户的浏览和购买记录获取用户感兴趣的分类；

步骤2：在每一个分类下面，建立多维度倾向向量模型，确定评判的维度：

步骤3：根据用户的购买浏览记录，计算用户对商品的各个维度属性分量的倾向度：

对每一个维度，计算用户购买商品关联某个属性分量的百分比p₁，同时计算各个维度中关联向量的商品的离散度D；公式如下：

其中p₁为属于每一个属性分量的商品比例，

为均值，m为分量个数；离散度表明用户对该维度向量的倾向程度，值越大，则倾向越明显；

步骤4：对每一个用户感兴趣的分类，对步骤3中获取的各个维度的离散度进行降序排序，同时选取各个维度中最大的一个向量作为用户在该维度的倾向值，最终形成用户的消费倾向模型；

步骤5：周期性消费维度倾向：首先可以根据用户的购买记录确定用户是否有周期性购买的倾向，如果没有则通过其他用户的购买记录进行确认；如果有周期性消费倾向，则计算消费周期，实时更新预计下次消费时间，选择精准的时机为客户推荐；对于非周期性消费的商品，则随机选择推荐关联商品或附件；

步骤6：根据用户消费倾向模型和是否周期性消费选择精准的时机向客户推荐用户倾向度高的商品。