CN105894332A - 基于用户行为分析的商品推荐方法、装置及*** - Google Patents

Abstract

本发明公开了一种基于用户行为分析的商品推荐方法，包括：获取云服务器对电商网站后台数据进行统计分析后所得到的用户行为数据；根据获取到的所述用户行为数据及预设的商品推荐算法，计算得到所述电商网站中适合推荐给用户的商品集合；对所述商品集合中各商品进行排序，得到排序结果；根据所述排序结果及预设显示规则，在当前用户访问页面上显示所述商品集合中的对应商品。本发明还公开了一种基于用户行为分析的商品推荐装置及***。本发明通过对用户行为的分析，从而根据用户的兴趣偏好而有针对性的生成符合用户兴趣偏好的商品并进行推荐，从而提高用户购买满意度及电商网站的商品订购率。

Description

基于用户行为分析的商品推荐方法、装置及***

技术领域

本发明涉及通信技术领域，尤其涉及基于用户行为分析的商品推荐方法、装置及***。

背景技术

近年来，随着电子商务业务的快速发展，网络购物已成为一种购物趋势，大多数电商网站通常采用降低商品价格的竞争方式以吸引更多的用户来购买商品，但此类方式对于电商网站来说并不可持续，同时，用户在购买商品时所关注的也并不仅仅是低价格，因此，如何在提高用户商品订购率的同时，也提升用户购买体验已显得尤为重要和紧迫。

发明内容

本发明的主要目的在于提供一种基于用户行为分析的商品推荐方法、装置及***，旨在解决如何在提高用户商品订购率的同时，也提升用户购买体验的技术问题。

为实现上述目的，本发明提供一种基于用户行为分析的商品推荐方法，所述基于用户行为分析的商品推荐方法包括：

获取云服务器对电商网站后台数据进行统计分析后所得到的用户行为数据；

根据获取到的所述用户行为数据及预设的商品推荐算法，计算得到所述电商网站中适合推荐给用户的商品集合；

对所述商品集合中各商品进行排序，得到排序结果；

根据所述排序结果及预设显示规则，在当前用户访问页面上显示所述商品集合中的对应商品。

优选地，云服务器对电商网站后台数据进行统计分析，得到用户行为数据包括：

所述云服务器从所述电商网站后台数据中获取用户当前浏览商品的相关信息，所述相关信息至少包括所述浏览商品的基本信息、停留时间、历史购买记录、回访次数、回访间隔时长；

根据预设的统计分析算法，对所述相关信息进行统计分析，得到用户行为数据，所述用户行为数据至少包括用户偏好特征。

优选地，所述商品推荐算法包括：基于用户的协同过滤算法和/或基于商品的协同过滤算法。

优选地，所述预设显示规则至少包括所述商品集合中各商品的显示格式、在当前用户访问页面上的显示位置及显示方式。

进一步地，为实现上述目的，本发明还提供一种基于用户行为分析的商品推荐装置，所述商品推荐装置包括：

获取模块，用于获取云服务器对电商网站后台数据进行统计分析后所得到的用户行为数据；

计算模块，用于根据获取到的所述用户行为数据及预设的商品推荐算法，计算得到所述电商网站中适合推荐给用户的商品集合；

排序模块，用于对所述商品集合中各商品进行排序，得到排序结果；

显示模块，用于根据所述排序结果及预设显示规则，在当前用户访问页面上显示所述商品集合中的对应商品。

优选地，所述商品推荐算法包括：基于用户的协同过滤算法和/或基于商品的协同过滤算法。

优选地，所述预设显示规则至少包括所述商品集合中各商品的显示格式、在当前用户访问页面上的显示位置及显示方式。

进一步地，为实现上述目的，本发明还提供一种基于用户行为分析的商品推荐***，所述商品推荐***包括云服务器以及上述任一项所述的商品推荐装置。

优选地，所述云服务器包括：

获取单元，用于从所述电商网站后台数据中获取用户当前浏览商品的相关信息，所述相关信息至少包括所述浏览商品的基本信息、停留时间、历史购买记录、回访次数、回访间隔时长；

统计分析单元，用于根据预设的统计分析算法，对所述相关信息进行统计分析，得到用户行为数据，所述用户行为数据至少包括用户偏好特征。

本发明通过对采用大数据及云计算技术，对用户行为进行统计分析，从而能够根据用户的兴趣偏好而有针对性的生成符合用户兴趣偏好的商品集合并进行推荐，从而提高用户对电商网站的满意度及商品订购率。

附图说明

图1为本发明基于用户行为分析的商品推荐方法一实施例的流程示意图；

图2为本发明基于用户行为分析的商品推荐装置一实施例的功能模块示意图；

图3为本发明基于用户行为分析的商品推荐***一实施例的功能模块示意图；

图4为图3中云服务器的细化功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明基于用户行为分析的商品推荐方法一实施例的流程示意图。本实施例中，所述基于用户行为分析的商品推荐方法包括：

步骤S10，获取云服务器对电商网站后台数据进行统计分析后所得到的用户行为数据；

本实施例中的用户行为通常就是指用户在电商网站上发生的所有行为，如搜索、浏览、打分、点评、购买与退货等。与实体店所收集的用户行为相比，电子商务的突出特点就是可以收集到大量客户在购买商品前的行为信息，因而能够提前根据收集的信息进行分析，进而向用户推荐购买意向度较高的商品。

本实施例中，云服务器具体从电商网站获取后台数据进行统计分析后，得到对应的用户行为数据，比如用户浏览的商品基本信息、用户浏览时的停留时间、该浏览商品的历史购买记录等都可以作为用户的行为数据，通过对获取到的用户的行为数据进行云计算加工处理，比如进行统计、分类、归纳、挖掘等处理，从而获取潜在的价值信息和用户需求，然后再根据加工处理后的数据进行后续处理，比如分析用户的行为习惯或者感兴趣的商品等。本实施例中，云服务器主要提取电商网站后台数据以分析用户对于商品的偏好，比如偏好价格实惠的同类型产品、偏好有折扣的商品等。

步骤S20，根据获取到的所述用户行为数据及预设的商品推荐算法，计算得到所述电商网站中适合推荐给用户的商品集合；

现有商品推荐算法包括(1)、基于内容的推荐算法，根据用户过去的浏览记录来向用户推荐用户没有接触过的推荐项；(2)、协同过滤算法，在海量数据中挖掘出小部分与你品味类似的用户，通过协同过滤将这些用户所喜欢的节目推荐给你。本实施例中优选所述商品推荐算法包括：基于用户的协同过滤算法和/或基于商品的协同过滤算法。

基于用户的协同算法，通过分析用户之间共同浏览某些商品而产生的用户对某种商品共同喜好的集合，是根据用户之间浏览行为数据进行协同计算出某个用户可能感兴趣的商品集合。比如，A用户与B用户都喜欢浏览电子产品，若A用户喜欢浏览手机与电脑，则认为B用户也对手机与电脑感兴趣。

而基于商品的协同算法指得是***分析某个用户的行为数据，根据商品之间的相似度，计算出该用户可能感兴趣的商品集合。比如，A用户喜欢浏览空调，若空调与风扇的相似度较高，则认为A用户也对风扇感兴趣。

本实施例中，根据获取到的云服务器统计分析得到的用户行为数据及预设的商品推荐算法，从而通过推荐算法计算得到适合推荐给用户的商品集合。例如，若通过云服务器分析得到用户对A、B、C三种商品比较感兴趣，则通过推荐算法认为用户对D、E、F等商品也感兴趣，因此适合推荐给用户。

步骤S30，对所述商品集合中各商品进行排序，得到排序结果；

步骤S40，根据所述排序结果及预设显示规则，在当前用户访问页面上显示所述商品集合中的对应商品。

本实施例中，由于需要推荐的商品较多，因此，为便于用户浏览，同时也便于对接电商平台的销售策略，因此，需要对电商网站中适合推荐给用户的商品集合中的各商品进行排序，例如用户对相机比较感兴趣，则电商网站需要将推荐给用户的多个相机商品进行排序，比如按照商品的浏览频率、历史购买数量、价格、折扣商品等要求进行排序，从而提升用户订购率。本实施例中对于排序标准的设置不限，具体根据实际需要进行设置。

此外，本实施例中，优选显示规则至少包括商品集合中各商品的显示格式、在当前用户访问页面上的显示位置及显示方式。比如采用醒目的颜色在特点网页位置显示某推荐商品；比如显示购买商品的基本信息以及用户喜欢度等。通过显示方式的设置，进一步提升用户购买商品的满意度以及对推荐商品的订购率。

此外，可选的，当检测到用户浏览了多款同类型商品而没有做出购买行为时，在一定时间周期内，将分析得到的适合推荐给用户其他款式的同类型商品的促销信息通过电子邮件主动发送给用户，从而提高用户订购率。

本实施例中，通过对采用大数据及云计算技术，对用户行为进行统计分析，从而能够根据用户的兴趣偏好而有针对性的生成符合用户兴趣偏好的商品集合并进行推荐，从而提高用户对电商网站的满意度及商品订购率。

进一步可选的，在本发明基于用户行为分析的商品推荐方法一实施例中，云服务器对电商网站后台数据进行统计分析，得到用户行为数据包括：

步骤一：云服务器从电商网站后台数据中获取用户当前浏览商品的相关信息，所述相关信息至少包括所述浏览商品的基本信息、停留时间、历史购买记录、回访次数、回访间隔时长；

步骤二、根据预设的统计分析算法，对所述相关信息进行统计分析，得到用户行为数据，所述用户行为数据至少包括用户偏好特征。

本实施例中，对于相关信息的设置优选包括浏览商品的基本信息、停留时间、历史购买记录、回访次数、回访间隔时长。通过对上述信息的统计分析，即可得到比较准确的用户行为数据，也即可用于描述用户的购买偏好。

例如，用户A连续浏览了5款电视机，其中4款来自国内品牌S，1款来自国外品牌T；4款为LED技术，1款为LCD技术；5款的价格分别为4599元、5199元、5499元、5999元、7999元；停留时间分别为5分钟、10分钟、30分钟、5分钟，则通过统计分析后，可以从某种程度上得出用户A对品牌认可度及倾向性，如偏向国产品牌、中等价位的LED电视。而用户B连续浏览了6款电视机，其中2款是国外品牌T，2款是另一国外品牌V，2款是国产品牌S；4款为LED技术，2款为LCD技术；6款的价格分别为5999元、7999元、8300元、9200元、9999元、11050元；停留时间分别为5分钟、15分钟、20分钟、5分钟、40分钟、5分钟等，则通过统计分析后，可以从某种程度上得出用户B对品牌认可度及倾向性，如偏向进口品牌、高价位的LED电视等。

参照图2，图2为本发明基于用户行为分析的商品推荐装置一实施例的功能模块示意图。本实施例中，所述商品推荐装置包括：

获取模块10，用于获取云服务器对电商网站后台数据进行统计分析后所得到的用户行为数据；

本实施例中，云服务器具体从电商网站获取后台数据进行统计分析后，得到对应的用户行为数据，比如用户浏览的商品基本信息、用户浏览时的停留时间、该浏览商品的历史购买记录等都可以作为用户的行为数据，通过对获取到的用户的行为数据进行云计算加工处理，比如进行统计、分类、归纳、挖掘等处理，从而获取潜在的价值信息和用户需求，然后再根据加工处理后的数据进行后续处理，比如分析用户的行为习惯或者感兴趣的商品等。本实施例中，云服务器主要提取电商网站后台数据以分析用户对于商品的偏好，比如偏好价格实惠的同类型产品、偏好有折扣的商品等。

本实施例中，获取模块10则直接获取云服务器对电商网站后台数据进行统计分析后所得到的用户行为数据。

计算模块20，用于根据获取到的所述用户行为数据及预设的商品推荐算法，计算得到所述电商网站中适合推荐给用户的商品集合；

现有商品推荐算法包括(1)、基于内容的推荐算法，根据用户过去的浏览记录来向用户推荐用户没有接触过的推荐项；(2)、协同过滤算法，在海量数据中挖掘出小部分与你品味类似的用户，通过协同过滤将这些用户所喜欢的节目推荐给你。本实施例中计算模块20优选采用的商品推荐算法包括：基于用户的协同过滤算法和/或基于商品的协同过滤算法。

基于用户的协同算法，计算模块20通过分析用户之间共同浏览某些商品而产生的用户对某种商品共同喜好的集合，是根据用户之间浏览行为数据进行协同计算出某个用户可能感兴趣的商品集合。比如，A用户与B用户都喜欢浏览电子产品，若A用户喜欢浏览手机与电脑，则认为B用户也对手机与电脑感兴趣。

而基于商品的协同算法指得是***分析某个用户的行为数据，计算模块20根据商品之间的相似度，计算出该用户可能感兴趣的商品集合。比如，A用户喜欢浏览空调，若空调与风扇的相似度较高，则认为A用户也对风扇感兴趣。

本实施例中，根据获取到的云服务器统计分析得到的用户行为数据及预设的商品推荐算法，从而通过推荐算法计算得到适合推荐给用户的商品集合。例如，若通过云服务器分析得到用户对A、B、C三种商品比较感兴趣，则通过推荐算法认为用户对D、E、F等商品也感兴趣，因此适合推荐给用户。

排序模块30，用于对所述商品集合中各商品进行排序，得到排序结果；

显示模块40，用于根据所述排序结果及预设显示规则，在当前用户访问页面上显示所述商品集合中的对应商品。

本实施例中，由于需要推荐的商品较多，因此，为便于用户浏览，同时也便于对接电商平台的销售策略，因此，排序模块30对电商网站中适合推荐给用户的商品集合中的各商品进行排序，例如用户对相机比较感兴趣，则电商网站需要将推荐给用户的多个相机商品进行排序，比如按照商品的浏览频率、历史购买数量、价格、折扣商品等要求进行排序，从而提升用户订购率。本实施例中对于排序标准的设置不限，具体根据实际需要进行设置。

此外，本实施例中，显示模块40优选采用的显示规则至少包括商品集合中各商品的显示格式、在当前用户访问页面上的显示位置及显示方式。比如采用醒目的颜色在特点网页位置显示某推荐商品；比如显示购买商品的基本信息以及用户喜欢度等。通过显示方式的设置，进一步提升用户购买商品的满意度以及对推荐商品的订购率。

本实施例中，通过对采用大数据及云计算技术，对用户行为进行统计分析，从而能够根据用户的兴趣偏好而有针对性的生成符合用户兴趣偏好的商品集合并进行推荐，从而提高用户对电商网站的满意度及商品订购率。

参照图3，图3为本发明基于用户行为分析的商品推荐***一实施例的功能模块示意图。本实施例中，所述商品推荐***包括云服务器210以及上述任一项实施例中所述的商品推荐装置220。

本实施例中，由于电商网站所产生的各种数据非常巨大，因而，为提升对后台数据的处理能力，优选采用云服务器210，通过采用大数据及云计算技术，对用户行为进行统计分析，从而商品推荐装置220能够根据用户的兴趣偏好而有针对性的生成符合用户兴趣偏好的商品集合并进行推荐，从而提高用户对电商网站的满意度及商品订购率。

参照图4，图4为图3中云服务器的细化功能模块示意图。基于上述实施例，本实施例中，所述云服务器210包括：

获取单元2101，用于从所述电商网站后台数据中获取用户当前浏览商品的相关信息，所述相关信息至少包括所述浏览商品的基本信息、停留时间、历史购买记录、回访次数、回访间隔时长；

统计分析单元2102，用于根据预设的统计分析算法，对所述相关信息进行统计分析，得到用户行为数据，所述用户行为数据至少包括用户偏好特征。

本实施例中，对于相关信息的设置优选包括浏览商品的基本信息、停留时间、历史购买记录、回访次数、回访间隔时长。通过对上述信息的统计分析，即可得到比较准确的用户行为数据，也即可用于描述用户的购买偏好。

例如，用户A连续浏览了5款电视机，其中4款来自国内品牌S，1款来自国外品牌T；4款为LED技术，1款为LCD技术；5款的价格分别为4599元、5199元、5499元、5999元、7999元；停留时间分别为5分钟、10分钟、30分钟、5分钟，则从某种程度上可反映出用户A对品牌认可度及倾向性，如偏向国产品牌、中等价位的LED电视。而用户B连续浏览了6款电视机，其中2款是国外品牌T，2款是另一国外品牌V，2款是国产品牌S；4款为LED技术，2款为LCD技术；6款的价格分别为5999元、7999元、8300元、9200元、9999元、11050元；停留时间分别为5分钟、15分钟、20分钟、5分钟、40分钟、5分钟等，则类似地，上述数据信息从某种程度上反映了用户B对品牌认可度及倾向性，如偏向进口品牌、高价位的LED电视等。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种基于用户行为分析的商品推荐方法，其特征在于，所述基于用户行为分析的商品推荐方法包括：

获取云服务器对电商网站后台数据进行统计分析后所得到的用户行为数据；

根据获取到的所述用户行为数据及预设的商品推荐算法，计算得到所述电商网站中适合推荐给用户的商品集合；

对所述商品集合中各商品进行排序，得到排序结果；

根据所述排序结果及预设显示规则，在当前用户访问页面上显示所述商品集合中的对应商品。

2.如权利要求1所述的基于用户行为分析的商品推荐方法，其特征在于，云服务器对电商网站后台数据进行统计分析，得到用户行为数据包括：

所述云服务器从所述电商网站后台数据中获取用户当前浏览商品的相关信息，所述相关信息至少包括所述浏览商品的基本信息、停留时间、历史购买记录、回访次数、回访间隔时长；

根据预设的统计分析算法，对所述相关信息进行统计分析，得到用户行为数据，所述用户行为数据至少包括用户偏好特征。

3.如权利要求1或2所述的基于用户行为分析的商品推荐方法，其特征在于，所述商品推荐算法包括：基于用户的协同过滤算法和/或基于商品的协同过滤算法。

4.如权利要求3所述的基于用户行为分析的商品推荐方法，其特征在于，所述预设显示规则至少包括所述商品集合中各商品的显示格式、在当前用户访问页面上的显示位置及显示方式。

5.一种基于用户行为分析的商品推荐装置，其特征在于，所述商品推荐装置包括：

获取模块，用于获取云服务器对电商网站后台数据进行统计分析后所得到的用户行为数据；

计算模块，用于根据获取到的所述用户行为数据及预设的商品推荐算法，计算得到所述电商网站中适合推荐给用户的商品集合；

排序模块，用于对所述商品集合中各商品进行排序，得到排序结果；

显示模块，用于根据所述排序结果及预设显示规则，在当前用户访问页面上显示所述商品集合中的对应商品。

6.如权利要求5所述的基于用户行为分析的商品推荐装置，其特征在于，所述商品推荐算法包括：基于用户的协同过滤算法和/或基于商品的协同过滤算法。

7.如权利要求5或6所述的基于用户行为分析的商品推荐装置，其特征在于，所述预设显示规则至少包括所述商品集合中各商品的显示格式、在当前用户访问页面上的显示位置及显示方式。

8.一种基于用户行为分析的商品推荐***，其特征在于，所述商品推荐***包括云服务器以及权利要求5-7中任一项所述的商品推荐装置。

9.如权利要求8所述的基于用户行为分析的商品推荐***，其特征在于，所述云服务器包括：

获取单元，用于从所述电商网站后台数据中获取用户当前浏览商品的相关信息，所述相关信息至少包括所述浏览商品的基本信息、停留时间、历史购买记录、回访次数、回访间隔时长；

统计分析单元，用于根据预设的统计分析算法，对所述相关信息进行统计分析，得到用户行为数据，所述用户行为数据至少包括用户偏好特征。