CN108564414A - 基于线下行为的商品推荐方法和*** - Google Patents

基于线下行为的商品推荐方法和*** Download PDF

Info

Publication number
CN108564414A
CN108564414A CN201810367763.8A CN201810367763A CN108564414A CN 108564414 A CN108564414 A CN 108564414A CN 201810367763 A CN201810367763 A CN 201810367763A CN 108564414 A CN108564414 A CN 108564414A
Authority
CN
China
Prior art keywords
customer
information
model
behavior
interactive information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810367763.8A
Other languages
English (en)
Inventor
叶生晅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Creative Technology (hangzhou) Co Ltd
Original Assignee
Creative Technology (hangzhou) Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Creative Technology (hangzhou) Co Ltd filed Critical Creative Technology (hangzhou) Co Ltd
Priority to CN201810367763.8A priority Critical patent/CN108564414A/zh
Publication of CN108564414A publication Critical patent/CN108564414A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于线下行为的商品推荐方法和***，其中，方法包括：对获取的顾客的行为交互信息进行筛选得到浏览交互信息；根据获取的顾客特征信息、行为交互信息及商品特征信息利用机器学习建立商品推荐模型；在建立商品推荐模型时，将浏览交互信息作为负样本；获取顾客的当前顾客特征信息和当前行为交互信息，根据当前顾客特征信息和当前行为交互信息通过商品推荐模型确定对应的推荐商品信息；同时，将推荐商品信息实时推荐给对应的顾客。本发明不仅考虑行为交互信息，且将行为交互信息中的浏览交互信息划分为负样本，有效提高商品推荐模型预测的准确性；使得推荐商品信息满足顾客的需求，而且提高顾客对推荐商品的购买转化率的效果。

Description

基于线下行为的商品推荐方法和***
技术领域
本发明涉及信息推荐技术领域，尤其涉及一种基于线下行为的商品推荐方法和***。
背景技术
随着信息技术的发展，计算机和互联网被广泛应用于各行各业，并给人们的交流、出行方式及至工业生产方式等都带来了很大的变化。作为信息化时代的产物，近年来，电子商务迅速崛起，并以其低成本、高效率、全球化和交互性等特点对传统实体零售业产生很大的冲击。
在实体店中，现有的推荐方法是根据商店销售的需求直接通过广告牌或者设置播放设备以广告的方式为客户推荐商品。这种方法只是粗放型的商品推荐形式，推荐效果差；且没有考虑到线下顾客行为特征，导致无法准确预测线下顾客可能喜欢的商品，推荐的商品无法满足顾客的需求，购买转化率较低。
发明内容
本发明的目的是提供一种基于线下行为的商品推荐方法和***，使得利用商品推荐模型确定的推荐商品信息满足顾客的需求，具有准确性和实时性，而且提高顾客对推荐商品的购买转化率的效果。
本发明提供了一种基于线下行为的商品推荐方法，包括以下步骤；
获取顾客的顾客特征信息和行为交互信息及商品的商品特征信息，对所述行为交互信息进行筛选，得到浏览交互信息；
根据所述顾客特征信息、行为交互信息及商品特征信息利用机器学习建立商品推荐模型；在建立商品推荐模型时，将所述浏览交互信息作为负样本；
获取顾客的当前顾客特征信息和当前行为交互信息，根据所述当前顾客特征信息和当前行为交互信息通过所述商品推荐模型确定对应的推荐商品信息；同时，将所述推荐商品信息实时推荐给对应的顾客。
作为一种可实施方式，所述根据所述顾客特征信息、行为交互信息及商品特征信息利用机器学习建立商品推荐模型；在建立商品推荐模型时，将所述浏览交互信息作为负样本，包括以下步骤；
将所述顾客特征信息输入深度神经网络中进行训练，得到顾客特征模型；
将所述行为交互信息输入深度神经网络中进行训练，并将所述浏览交互信息作为负样本，得到购买行为模型；
将所述商品特征信息输入深度神经网络中进行训练，得到商品特征模型；
利用对抗神经网络，将所述顾客特征模型、购买行为模型以及商品特征模型中的任意两个模型对第三个模型进行优化训练，直至完成对所述顾客特征模型、购买行为模型以及商品特征模型的全部优化，得到商品推荐模型。
作为一种可实施方式，通过至少以下方式之一，获取顾客的顾客特征信息和行为交互信息；
通过对顾客进行人脸认证的方式；或，通过对顾客进行二维码识别的方式；或，通过与顾客进行语音交互的方式；或，通过对顾客的行为进行拍摄识别的方式；或，通过对用于监测商品的传感器进行数据获取分析的方式。
作为一种可实施方式，通过至少以下方式之一，获取顾客的商品特征信息；
通过对商品的库存量单位进行查询的方式；或，通过对商品进行拍摄识别的方式；或，通过对商品的买卖记录进行查询的方式。
作为一种可实施方式，本发明提供的基于线下行为的商品推荐方法，还包括以下步骤；
在建立商品推荐模型之后，将实时获取顾客的当前顾客特征信息和当前行为交互信息以当前时间戳进行存储，利用机器学习根据存储后的当前顾客特征信息和当前行为交互信息对所述商品推荐模型进行二次优化。
相应的，本发明还提供一种基于线下行为的商品推荐***，包括获取模块、模型建立模块以及推荐模块；
所述获取模块，用于获取顾客的顾客特征信息和行为交互信息及商品的商品特征信息，对所述行为交互信息进行筛选，得到浏览交互信息；
所述模型建立模块，根据所述顾客特征信息、行为交互信息及商品特征信息利用机器学习建立商品推荐模型；在建立商品推荐模型时，将所述浏览交互信息作为负样本；
所述推荐模块，用于获取顾客的当前顾客特征信息和当前行为交互信息，根据所述当前顾客特征信息和当前行为交互信息通过所述商品推荐模型确定对应的推荐商品信息；同时，将所述推荐商品信息实时推荐给对应的顾客。
作为一种可实施方式，所述模型建立模块包括第一训练单元、第二训练单元、第三训练单元以及优化单元；
所述第一训练单元，用于将所述顾客特征信息输入深度神经网络中进行训练，得到顾客特征模型；
所述第二训练单元，用于将所述行为交互信息输入深度神经网络中进行训练，并将所述浏览交互信息作为负样本，得到购买行为模型；
所述第三训练单元，用于将所述商品特征信息输入深度神经网络中进行训练，得到商品特征模型；
所述优化单元，用于利用对抗神经网络，将所述顾客特征模型、购买行为模型以及商品特征模型中的任意两个模型对第三个模型进行优化训练，直至完成对所述顾客特征模型、购买行为模型以及商品特征模型的全部优化，得到商品推荐模型。
作为一种可实施方式，所述获取模块至少包括以下之一；
人脸认证单元，用于通过对顾客进行人脸认证的方式；或，二维码识别单元，用于通过对顾客进行二维码识别的方式；或，语音交互单元，用于通过与顾客进行语音交互的方式；或，第一拍摄识别单元，用于通过对顾客的行为进行拍摄识别的方式；或，数据获取分析单元，用于通过对用于监测商品的传感器进行数据获取分析的方式。
作为一种可实施方式，所述获取模块还至少包括以下之一；
第一查询单元，用于通过对商品的库存量单位进行查询的方式；或，第二拍摄识别单元，用于通过对商品进行拍摄识别的方式；或，第二查询单元，用于通过对商品的买卖记录进行查询的方式。
作为一种可实施方式，本发明提供的基于线下行为的商品推荐***，还包括二次优化模块；
所述二次优化模块，用于在建立商品推荐模型之后，将实时获取顾客的当前顾客特征信息和当前行为交互信息以当前时间戳进行存储，利用机器学习根据存储后的当前顾客特征信息和当前行为交互信息对所述商品推荐模型进行二次优化。
与现有技术相比，本技术方案具有以下优点：
本发明提供的基于线下行为的商品推荐方法和***，通过将获取的顾客的顾客特征信息和行为交互信息及商品的商品特征信息作为训练样本，利用机器学习建立商品推荐模型；在建立商品推荐模型时，将从行为交互信息中筛选出的浏览交互信息作为负样本；在建立商品推荐模型时，不仅考虑行为交互信息，且将浏览交互信息划分为负样本，有效提高商品推荐模型预测的准确性。而且是根据当前顾客特征信息和当前行为交互信息通过商品推荐模型确定对应的推荐商品信息；将推荐商品信息实时推荐给对应的顾客；使得推荐商品信息满足顾客的需求，具有准确性和实时性，而且提高顾客对推荐商品的购买转化率的效果。
附图说明
图1为本发明实施例一提供的基于线下行为的商品推荐方法的流程示意图；
图2为本发明实施例三提供的基于线下行为的商品推荐***的结构示意图；
图3为图2中模型建立模块的结构示意图。
图中：100、获取模块；200、模型建立模块；210、第一训练单元；220、第二训练单元；230、第三训练单元；240、优化单元；300、推荐模块；400、二次优化模块。
具体实施方式
以下结合附图，对本发明上述的和另外的技术特征和优点进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的部分实施例，而不是全部实施例。
请参阅图1，本发明实施例一提供的基于线下行为的商品推荐方法，包括以下步骤；
S100、获取顾客的顾客特征信息和行为交互信息及商品的商品特征信息，对行为交互信息进行筛选，得到浏览交互信息；
S200、根据顾客特征信息、行为交互信息及商品特征信息利用机器学习建立商品推荐模型；在建立商品推荐模型时，将浏览交互信息作为负样本；
S300、获取顾客的当前顾客特征信息和当前行为交互信息，根据当前顾客特征信息和当前行为交互信息通过商品推荐模型确定对应的推荐商品信息；同时，将推荐商品信息实时推荐给对应的顾客。
需要说明的是，顾客的顾客特征信息包括不限于脸部特征信息、身份、地址、年龄、性别以及穿着信息等。顾客特征信息可以准确对每个顾客进行分类存储，有效减低误认几率。比如，将不同的多个顾客误认为一个顾客，或将同一个顾客因为采用不用的名字等原因误认为多个顾客。其可以是将多个顾客特征信息进行比对分析，并对每种顾客特征信息设置相应的权重，从而实现顾客的分类。于其他实施例中，对顾客的分类可以是通过分类器实现，对此并不进行限制。
而顾客的行为交互信息指的是顾客与商品之间行为交互产生的。其可以是一些顾客的行为信息，也可以是由顾客的行为导致商品发生变化的相关信息。比如，由顾客浏览产生的一些动作行为，包括触摸、拿起、放下、交易信息、脸部表情以及语音等，这些行为是与顾客购买商品相关的，拿起、放下会改变商品的位置；脸部表情和语音可以提取出对商品的购买兴趣。也就是说行为交互信息包括不限于顾客的肢体动作信息、脸部表情信息以及语音信息等和商品的位置信息、颜色信息、重量信息、材质信息以及规格信息等。以兴趣度为标准对行为交互信息进行筛选，得到浏览交互信息，即以满足兴趣度为标准。于本实施例中，兴趣度可以是以触摸商品为界限，也就是说只要是顾客触摸过，但是没有拿起商品或购买商品；将这类行为交互信息作为浏览交互信息。于其他实施例中，兴趣度也可以是设定阈值来确定，比如，设定拿起商品不超过1分钟。这类行为交互信息也是浏览交互信息。而将浏览交互信息作为负样本，使得训练的数据结构更加符合客户购物需求，有效提高商品推荐模型预测的准确性。
在获取顾客的顾客特征信息和行为交互信息时，可以通过多种方式获取，例如，通过对顾客进行人脸认证的方式；或，通过对顾客进行二维码识别的方式；或，通过与顾客进行语音交互的方式；或，通过对顾客的行为进行拍摄识别的方式；或，通过对用于监测商品的传感器进行数据获取分析的方式。即可采用人脸认证或二维码识别的方式，获取顾客的性别、年龄、身份以及地址等信息；也可通过与顾客的语音交互的方式，获取顾客的性别、年龄、身份、地址、喜好及需求等信息。并通过拍摄识别或数据获取分析的方式，识别顾客的行为交互信息，如顾客的肢体动作信息、脸部表情信息以及语音信息等和商品的位置信息、颜色信息、重量信息、材质信息以及规格信息等信息。
顾客特征信息和行为交互信息的获取可以是以一个商店为一个单元来实现，在客户进入商店时，就会对客户进行推荐。于其他实施例中，还可以一个货架为一个单元来实现，不仅在客户进入商店时进行推荐，也会在每个货架前，依据当前顾客特征信息和当前行为交互信息通过商品推荐模型确定对应的推荐商品信息，依据推荐商品信息进行推荐。比如，在货架上需要放置摄像头和传感器模块来实时获取顾客特征信息和行为交互信息。通过人脸识别辅助二维码识别可以识别单个顾客，通过查询交易信息也可以得到顾客的历史购买数据和顾客特征。通过货架和货品的绑定，得到商品的商品特征信息，如颜色、材质、大小等。这三类信息可以通过无线或者有线网络，传输并存储到一个数据库中。同时，顾客购买信息，特别是交易数据，通过时间序列或者每个顾客识别号实时整合到同一个数据库。使得推荐的商品更加符合客户需求，而且提高顾客对推荐商品的购买转化率的效果。在将推荐商品信息实时推荐给对应的顾客时，可以直接将推荐商品信息发送至顾客手机端。而推荐商品信息包括不限于商品产地、材质、价格、设计说明以及模特展示图片等信息，使得顾客更加了解商品，增加购物兴趣。
本发明提供的基于线下行为的商品推荐方法，通过将获取的顾客的顾客特征信息和行为交互信息及商品的商品特征信息作为训练样本，利用机器学习建立商品推荐模型；在建立商品推荐模型时，将从行为交互信息中筛选出的浏览交互信息作为负样本；在建立商品推荐模型时，不仅考虑行为交互信息，且将浏览交互信息划分为负样本，有效提高商品推荐模型预测的准确性。而且是根据当前顾客特征信息和当前行为交互信息通过商品推荐模型确定对应的推荐商品信息；将推荐商品信息实时推荐给对应的顾客；使得推荐商品信息满足顾客的需求，具有准确性和实时性，而且提高顾客对推荐商品的购买转化率的效果。
进一步的，步骤S200包括以下步骤；
S210、将顾客特征信息输入深度神经网络中进行训练，得到顾客特征模型；
S220将行为交互信息输入深度神经网络中进行训练，并将浏览交互信息作为负样本，得到购买行为模型；
S230将商品特征信息输入深度神经网络中进行训练，得到商品特征模型；
S240利用对抗神经网络，将顾客特征模型、购买行为模型以及商品特征模型中的任意两个模型对第三个模型进行优化训练，直至完成对顾客特征模型、购买行为模型以及商品特征模型的全部优化，得到商品推荐模型。
深度神经网络(Deep Neural Networks，以下简称DNN)是深度学习的基础。将顾客特征模型、购买行为模型以及商品特征模型中的任意两个模型对第三个模型进行优化训练。其分别为根据顾客特征模型和购买行为模型对商品特征模型进行优化训练，根据购买行为模型和商品特征模型对顾客特征模型进行优化训练以及根据顾客特征模型和商品特征模型对购买行为模型进行优化训练，这三则的优化训练可以同时进行，也可以分布进行。本发明利用DNN算法成功的将识别率提高了一个显著的档次。本发明特别是分别根据顾客特征信息、行为交互信息及商品特征信息先各自训练得到对应的模型，再以联合训练的方法确定最终的商品推荐模型，可以大幅度提高推荐商品的准确性。
在步骤S210前，还包括对顾客特征信息、行为交互信息及商品特征信息进行预处理，得到对应的权值。在建立模型时，将预处理得到的对应的权值作为有监督学习的初值。比如，先对顾客特征信息预处理，得到顾客特征权值。再利用深度神经网络，将顾客特征权值作为初始值对顾客特征信息进行训练，得到顾客特征模型。其他模型的建立就不一一列举。
为了提高商品特征信息获取的可靠性和多样性。在获取商品的商品特征信息时，可以通过多种方式获取，例如，通过对商品的库存量单位进行查询的方式；或，通过对商品进行拍摄识别的方式；或，通过对商品的买卖记录进行查询的方式。即可采用对商品的库存量单位进行查询的方式，获取商品的库存量单位。即品牌、型号、配置、等级、花色、包装容量、单位、生产日期、保质期、用途、价格、产地等信息；也可通过拍摄识别的方式，获取商品的品牌、型号、类型、价格、产地等信息；也可以通过买卖记录进行查询的方式，获取商品的交易信息。
进一步的，本实施例二提供的基于线下行为的商品推荐方法，还包括以下步骤；
与实施例一相比，其区别在于，在建立商品推荐模型之后，将实时获取顾客的当前顾客特征信息和当前行为交互信息以当前时间戳进行存储，利用机器学习根据存储后的当前顾客特征信息和当前行为交互信息对商品推荐模型进行二次优化。通过二次优化使得商品推荐模型能够实时根据提供的训练数据进行升级，提高当前预测的准确性。并且根据存储的历史数据，可以对顾客的消费习惯进行分析，进一步提高预测的准确性。
基于同一发明构思，本发明实施例还提供一种基于线下行为的商品推荐***，该***的实施可参照上述方法的过程实现，重复之处不再冗述。
如图2所示，是本发明实施例三提供的基于线下行为的商品推荐***的结构示意图，包括获取模块100、模型建立模块200以及推荐模块300；获取模块100用于获取顾客的顾客特征信息和行为交互信息及商品的商品特征信息，对行为交互信息进行筛选，得到浏览交互信息；模型建立模块200根据顾客特征信息、行为交互信息及商品特征信息利用机器学习建立商品推荐模型；在建立商品推荐模型时，将浏览交互信息作为负样本；推荐模块300用于获取顾客的当前顾客特征信息和当前行为交互信息，根据当前顾客特征信息和当前行为交互信息通过商品推荐模型确定对应的推荐商品信息；同时，将推荐商品信息实时推荐给对应的顾客。
本发明提供的基于线下行为的商品推荐***，在建立商品推荐模型时，不仅考虑行为交互信息，且将行为交互信息中的浏览交互信息划分为负样本，有效提高商品推荐模型预测的准确性；使得利用商品推荐模型确定的推荐商品信息满足顾客的需求，具有准确性和实时性，而且提高顾客对推荐商品的购买转化率的效果。
如图3所示，为模型建立模块200的结构示意图；包括第一训练单元210、第二训练单元220、第三训练单元230以及优化单元240；第一训练单元210用于将顾客特征信息输入深度神经网络中进行训练，得到顾客特征模型；第二训练单元220用于将行为交互信息输入深度神经网络中进行训练，并将浏览交互信息作为负样本，得到购买行为模型；第三训练单元230用于将商品特征信息输入深度神经网络中进行训练，得到商品特征模型；优化单元240用于利用对抗神经网络，将顾客特征模型、购买行为模型以及商品特征模型中的任意两个模型对第三个模型进行优化训练，直至完成对顾客特征模型、购买行为模型以及商品特征模型的全部优化，得到商品推荐模型。
模型建立模块200还包括预处理单元，预处理单元用于对顾客特征信息、行为交互信息及商品特征信息进行预处理，得到对应的权值。
进一步的，获取模块100至少包括以下之一；人脸认证单元用于通过对顾客进行人脸认证的方式；或，二维码识别单元用于通过对顾客进行二维码识别的方式；或，语音交互单元用于通过与顾客进行语音交互的方式；或，第一拍摄识别单元用于通过对顾客的行为进行拍摄识别的方式；或，数据获取分析单元用于通过对用于监测商品的传感器进行数据获取分析的方式。
为了提高商品特征信息获取的可靠性和多样性。获取模块100还至少包括以下之一；第一查询单元用于通过对商品的库存量单位进行查询的方式；或，第二拍摄识别单元用于通过对商品进行拍摄识别的方式；或，第二查询单元用于通过对商品的买卖记录进行查询的方式。
进一步的，本发明实施例四提供基于线下行为的商品推荐***。
与实施例三相比，其区别在于，还包括二次优化模块400；二次优化模块400用于在建立商品推荐模型之后，将实时获取顾客的当前顾客特征信息和当前行为交互信息以当前时间戳进行存储，利用机器学习根据存储后的当前顾客特征信息和当前行为交互信息对商品推荐模型进行二次优化。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (10)

1.一种基于线下行为的商品推荐方法，其特征在于，包括以下步骤；
获取顾客的顾客特征信息和行为交互信息及商品的商品特征信息，对所述行为交互信息进行筛选，得到浏览交互信息；
根据所述顾客特征信息、行为交互信息及商品特征信息利用机器学习建立商品推荐模型；在建立商品推荐模型时，将所述浏览交互信息作为负样本；
获取顾客的当前顾客特征信息和当前行为交互信息，根据所述当前顾客特征信息和当前行为交互信息通过所述商品推荐模型确定对应的推荐商品信息；同时，将所述推荐商品信息实时推荐给对应的顾客。
2.如权利要求1所述的基于线下行为的商品推荐方法，其特征在于，所述根据所述顾客特征信息、行为交互信息及商品特征信息利用机器学习建立商品推荐模型；在建立商品推荐模型时，将所述浏览交互信息作为负样本，包括以下步骤；
将所述顾客特征信息输入深度神经网络中进行训练，得到顾客特征模型；
将所述行为交互信息输入深度神经网络中进行训练，并将所述浏览交互信息作为负样本，得到购买行为模型；
将所述商品特征信息输入深度神经网络中进行训练，得到商品特征模型；
利用对抗神经网络，将所述顾客特征模型、购买行为模型以及商品特征模型中的任意两个模型对第三个模型进行优化训练，直至完成对所述顾客特征模型、购买行为模型以及商品特征模型的全部优化，得到商品推荐模型。
3.如权利要求1所述的基于线下行为的商品推荐方法，其特征在于，通过至少以下方式之一，获取顾客的顾客特征信息和行为交互信息；
通过对顾客进行人脸认证的方式；或，
通过对顾客进行二维码识别的方式；或，
通过与顾客进行语音交互的方式；或，
通过对顾客的行为进行拍摄识别的方式；或，
通过对用于监测商品的传感器进行数据获取分析的方式。
4.如权利要求1所述的基于线下行为的商品推荐方法，其特征在于，通过至少以下方式之一，获取顾客的商品特征信息；
通过对商品的库存量单位进行查询的方式；或，
通过对商品进行拍摄识别的方式；或，
通过对商品的买卖记录进行查询的方式。
5.如权利要求1-4任意一项所述的基于线下行为的商品推荐方法，其特征在于，还包括以下步骤；
在建立商品推荐模型之后，将实时获取顾客的当前顾客特征信息和当前行为交互信息以当前时间戳进行存储，利用机器学习根据存储后的当前顾客特征信息和当前行为交互信息对所述商品推荐模型进行二次优化。
6.一种基于线下行为的商品推荐***，其特征在于，包括获取模块、模型建立模块以及推荐模块；
所述获取模块，用于获取顾客的顾客特征信息和行为交互信息及商品的商品特征信息，对所述行为交互信息进行筛选，得到浏览交互信息；
所述模型建立模块，根据所述顾客特征信息、行为交互信息及商品特征信息利用机器学习建立商品推荐模型；在建立商品推荐模型时，将所述浏览交互信息作为负样本；
所述推荐模块，用于获取顾客的当前顾客特征信息和当前行为交互信息，根据所述当前顾客特征信息和当前行为交互信息通过所述商品推荐模型确定对应的推荐商品信息；同时，将所述推荐商品信息实时推荐给对应的顾客。
7.如权利要求6所述的基于线下行为的商品推荐***，其特征在于，所述模型建立模块包括第一训练单元、第二训练单元、第三训练单元以及优化单元；
所述第一训练单元，用于将所述顾客特征信息输入深度神经网络中进行训练，得到顾客特征模型；
所述第二训练单元，用于将所述行为交互信息输入深度神经网络中进行训练，并将所述浏览交互信息作为负样本，得到购买行为模型；
所述第三训练单元，用于将所述商品特征信息输入深度神经网络中进行训练，得到商品特征模型；
所述优化单元，用于利用对抗神经网络，将所述顾客特征模型、购买行为模型以及商品特征模型中的任意两个模型对第三个模型进行优化训练，直至完成对所述顾客特征模型、购买行为模型以及商品特征模型的全部优化，得到商品推荐模型。
8.如权利要求6所述的基于线下行为的商品推荐***，其特征在于，所述获取模块至少包括以下之一；
人脸认证单元，用于通过对顾客进行人脸认证的方式；或，
二维码识别单元，用于通过对顾客进行二维码识别的方式；或，
语音交互单元，用于通过与顾客进行语音交互的方式；或，
第一拍摄识别单元，用于通过对顾客的行为进行拍摄识别的方式；或，
数据获取分析单元，用于通过对用于监测商品的传感器进行数据获取分析的方式。
9.如权利要求6所述的基于线下行为的商品推荐***，其特征在于，所述获取模块还至少包括以下之一；
第一查询单元，用于通过对商品的库存量单位进行查询的方式；或，
第二拍摄识别单元，用于通过对商品进行拍摄识别的方式；或，
第二查询单元，用于通过对商品的买卖记录进行查询的方式。
10.如权利要求6-9任意一项所述的基于线下行为的商品推荐***，其特征在于，还包括二次优化模块；
所述二次优化模块，用于在建立商品推荐模型之后，将实时获取顾客的当前顾客特征信息和当前行为交互信息以当前时间戳进行存储，利用机器学习根据存储后的当前顾客特征信息和当前行为交互信息对所述商品推荐模型进行二次优化。
CN201810367763.8A 2018-04-23 2018-04-23 基于线下行为的商品推荐方法和*** Pending CN108564414A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810367763.8A CN108564414A (zh) 2018-04-23 2018-04-23 基于线下行为的商品推荐方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810367763.8A CN108564414A (zh) 2018-04-23 2018-04-23 基于线下行为的商品推荐方法和***

Publications (1)

Publication Number Publication Date
CN108564414A true CN108564414A (zh) 2018-09-21

Family

ID=63536036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810367763.8A Pending CN108564414A (zh) 2018-04-23 2018-04-23 基于线下行为的商品推荐方法和***

Country Status (1)

Country Link
CN (1) CN108564414A (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523360A (zh) * 2018-11-15 2019-03-26 深圳和而泰数据资源与云技术有限公司 一种信息推荐方法及***
CN109544252A (zh) * 2018-12-06 2019-03-29 北京京东尚科信息技术有限公司 播放方法、***以及相关设备
CN109767261A (zh) * 2018-12-18 2019-05-17 深圳壹账通智能科技有限公司 产品推荐方法、装置、计算机设备和存储介质
CN109816441A (zh) * 2018-12-29 2019-05-28 江苏云天励飞技术有限公司 策略推送方法、***及相关装置
CN109886322A (zh) * 2019-01-31 2019-06-14 北京木业邦科技有限公司 一种林业客户自动分类方法、***及计算机可读介质
CN110070148A (zh) * 2019-03-15 2019-07-30 北京木业邦科技有限公司 一种林业产品特征分析方法、装置及计算机可读介质
CN110348405A (zh) * 2019-07-16 2019-10-18 图普科技（广州）有限公司 线下交互数据获取方法、装置及电子设备
CN110415048A (zh) * 2019-08-06 2019-11-05 即悟(上海)智能科技有限公司 一种广告推荐方法、设备、***、计算机设备及存储介质
CN110472993A (zh) * 2019-07-04 2019-11-19 人加智能机器人技术（北京）有限公司 信息推荐***和方法
CN110827129A (zh) * 2019-11-27 2020-02-21 中国联合网络通信集团有限公司 一种商品推荐方法及装置
CN111027351A (zh) * 2018-10-10 2020-04-17 深圳云天励飞技术有限公司 一种线下商品推荐方法、装置和电子设备
CN111179019A (zh) * 2019-12-02 2020-05-19 泰康保险集团股份有限公司 客户数据处理方法及相关设备
CN111222931A (zh) * 2018-11-23 2020-06-02 阿里巴巴集团控股有限公司 一种产品推荐方法及***
CN111325151A (zh) * 2020-02-20 2020-06-23 京东数字科技控股有限公司 展示优先级的获取方法、装置、终端及计算机可读介质
CN111353815A (zh) * 2020-02-24 2020-06-30 苏宁云计算有限公司 一种***预测方法和***
CN111553745A (zh) * 2020-05-08 2020-08-18 深圳前海微众银行股份有限公司 基于联邦的模型更新方法、装置、设备及计算机存储介质
CN111681085A (zh) * 2020-06-10 2020-09-18 创新奇智(成都)科技有限公司 商品推送方法、装置、服务器及可读存储介质
CN111984837A (zh) * 2019-05-23 2020-11-24 浙江口碑网络技术有限公司 商品数据的处理方法、装置及设备
CN112308669A (zh) * 2020-10-29 2021-02-02 深圳大学 一种商品推荐方法、装置、存储介质及终端设备
CN112927055A (zh) * 2021-04-01 2021-06-08 山西慧虎健康科技有限公司 一种精准推荐相关商品的智能零售服务方法及***
CN113191803A (zh) * 2021-04-28 2021-07-30 精点视界(深圳)科技有限公司 一种基于大数据的人脸识别广告服务***及方法
CN113435983A (zh) * 2021-07-21 2021-09-24 陕西科技大学 一种基于机器视觉与改进神经网络的个性化商品推荐方法
CN117952654A (zh) * 2024-02-06 2024-04-30 江苏通卡数字科技有限公司 一种商业大数据分析***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127525A (zh) * 2016-06-27 2016-11-16 浙江大学 一种基于分类算法的电视购物商品推荐方法
CN106327250A (zh) * 2016-08-19 2017-01-11 杭州思创汇联科技有限公司 门店交互式导购***及方法
CN106779921A (zh) * 2016-11-30 2017-05-31 广州市万表科技股份有限公司 推荐方法及装置
CN107145518A (zh) * 2017-04-10 2017-09-08 同济大学 一种社交网络下基于深度学习的个性化推荐***
CN107392644A (zh) * 2017-06-19 2017-11-24 华南理工大学 一种商品购买预测建模方法
CN107424012A (zh) * 2017-07-31 2017-12-01 京东方科技集团股份有限公司 一种智能导购方法、智能导购设备
CN107491433A (zh) * 2017-07-24 2017-12-19 成都知数科技有限公司 基于深度学习的电商异常金融商品识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127525A (zh) * 2016-06-27 2016-11-16 浙江大学 一种基于分类算法的电视购物商品推荐方法
CN106327250A (zh) * 2016-08-19 2017-01-11 杭州思创汇联科技有限公司 门店交互式导购***及方法
CN106779921A (zh) * 2016-11-30 2017-05-31 广州市万表科技股份有限公司 推荐方法及装置
CN107145518A (zh) * 2017-04-10 2017-09-08 同济大学 一种社交网络下基于深度学习的个性化推荐***
CN107392644A (zh) * 2017-06-19 2017-11-24 华南理工大学 一种商品购买预测建模方法
CN107491433A (zh) * 2017-07-24 2017-12-19 成都知数科技有限公司 基于深度学习的电商异常金融商品识别方法
CN107424012A (zh) * 2017-07-31 2017-12-01 京东方科技集团股份有限公司 一种智能导购方法、智能导购设备

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027351B (zh) * 2018-10-10 2023-10-13 深圳云天励飞技术有限公司 一种线下商品推荐方法、装置和电子设备
CN111027351A (zh) * 2018-10-10 2020-04-17 深圳云天励飞技术有限公司 一种线下商品推荐方法、装置和电子设备
CN109523360A (zh) * 2018-11-15 2019-03-26 深圳和而泰数据资源与云技术有限公司 一种信息推荐方法及***
CN111222931A (zh) * 2018-11-23 2020-06-02 阿里巴巴集团控股有限公司 一种产品推荐方法及***
CN111222931B (zh) * 2018-11-23 2023-05-05 阿里巴巴集团控股有限公司 一种产品推荐方法及***
CN109544252A (zh) * 2018-12-06 2019-03-29 北京京东尚科信息技术有限公司 播放方法、***以及相关设备
CN109767261A (zh) * 2018-12-18 2019-05-17 深圳壹账通智能科技有限公司 产品推荐方法、装置、计算机设备和存储介质
CN109816441B (zh) * 2018-12-29 2021-05-11 江苏云天励飞技术有限公司 策略推送方法、***及相关装置
CN109816441A (zh) * 2018-12-29 2019-05-28 江苏云天励飞技术有限公司 策略推送方法、***及相关装置
CN109886322A (zh) * 2019-01-31 2019-06-14 北京木业邦科技有限公司 一种林业客户自动分类方法、***及计算机可读介质
CN109886322B (zh) * 2019-01-31 2021-09-21 北京木业邦科技有限公司 一种林业客户自动分类方法、***及计算机可读介质
CN110070148A (zh) * 2019-03-15 2019-07-30 北京木业邦科技有限公司 一种林业产品特征分析方法、装置及计算机可读介质
CN111984837A (zh) * 2019-05-23 2020-11-24 浙江口碑网络技术有限公司 商品数据的处理方法、装置及设备
CN111984837B (zh) * 2019-05-23 2021-04-23 浙江口碑网络技术有限公司 商品数据的处理方法、装置及设备
CN110472993A (zh) * 2019-07-04 2019-11-19 人加智能机器人技术（北京）有限公司 信息推荐***和方法
CN110348405A (zh) * 2019-07-16 2019-10-18 图普科技（广州）有限公司 线下交互数据获取方法、装置及电子设备
CN110415048A (zh) * 2019-08-06 2019-11-05 即悟(上海)智能科技有限公司 一种广告推荐方法、设备、***、计算机设备及存储介质
CN110827129A (zh) * 2019-11-27 2020-02-21 中国联合网络通信集团有限公司 一种商品推荐方法及装置
CN110827129B (zh) * 2019-11-27 2022-11-11 中国联合网络通信集团有限公司 一种商品推荐方法及装置
CN111179019A (zh) * 2019-12-02 2020-05-19 泰康保险集团股份有限公司 客户数据处理方法及相关设备
CN111325151A (zh) * 2020-02-20 2020-06-23 京东数字科技控股有限公司 展示优先级的获取方法、装置、终端及计算机可读介质
CN111353815A (zh) * 2020-02-24 2020-06-30 苏宁云计算有限公司 一种***预测方法和***
CN111353815B (zh) * 2020-02-24 2024-03-01 苏宁云计算有限公司 一种***预测方法和***
CN111553745A (zh) * 2020-05-08 2020-08-18 深圳前海微众银行股份有限公司 基于联邦的模型更新方法、装置、设备及计算机存储介质
CN111681085A (zh) * 2020-06-10 2020-09-18 创新奇智(成都)科技有限公司 商品推送方法、装置、服务器及可读存储介质
CN112308669A (zh) * 2020-10-29 2021-02-02 深圳大学 一种商品推荐方法、装置、存储介质及终端设备
CN112308669B (zh) * 2020-10-29 2023-10-31 深圳大学 一种商品推荐方法、装置、存储介质及终端设备
CN112927055A (zh) * 2021-04-01 2021-06-08 山西慧虎健康科技有限公司 一种精准推荐相关商品的智能零售服务方法及***
CN113191803A (zh) * 2021-04-28 2021-07-30 精点视界(深圳)科技有限公司 一种基于大数据的人脸识别广告服务***及方法
CN113435983A (zh) * 2021-07-21 2021-09-24 陕西科技大学 一种基于机器视觉与改进神经网络的个性化商品推荐方法
CN117952654A (zh) * 2024-02-06 2024-04-30 江苏通卡数字科技有限公司 一种商业大数据分析***

Similar Documents

Publication Publication Date Title
CN108564414A (zh) 基于线下行为的商品推荐方法和***
CN110009174B (zh) 风险识别模型训练方法、装置及服务器
Choi et al. Item-level RFID for enhancement of customer shopping experience in apparel retail
Abbasimehr et al. A new framework for predicting customer behavior in terms of RFM by considering the temporal aspect based on time series techniques
US20190370837A1 (en) Autonomous Article Evaluating, Disposing and Repricing
CN109582876A (zh) 旅游行业用户画像构造方法、装置和计算机设备
Kudyba et al. Introduction to the big data era
CN113946754A (zh) 基于用户画像的权益推荐方法、装置、设备及存储介质
US12014382B2 (en) Systems and methods for trend detection
CN114266443A (zh) 数据评估方法和装置、电子设备、存储介质
Rao et al. BMSP-ML: big mart sales prediction using different machine learning techniques
KR102223656B1 (ko) 재고 폰케이스 판매 시스템
CN115222433A (zh) 一种信息推荐方法、装置及存储介质
CN115826833B (zh) 一种基于互联网的积木拼装***的实现方法
CN116957691A (zh) 针对电商商家商品的跨平台智能广告投放方法及***
Cao et al. Big data in marketing & retailing
Kiran et al. Analysis on the prediction of sales using various machine learning testing algorithms
KR20210112258A (ko) 오프라인 구매를 위한 개인화된 추천 서비스 제공 방법 및 장치
CN114399352A (zh) 一种信息推荐方法、装置、电子设备及存储介质
CN114155057A (zh) 一种用于电子商务平台的商品推荐***
KR102206041B1 (ko) 온라인 쇼핑몰 임대 및 유무형 가치 거래를 위한 쇼핑몰 관리 서비스 제공 시스템
US20030046204A1 (en) Method and system for assessing and improving individual customer profitability for a profit-making organization
KR20220014543A (ko) 이용자와 판매자의 자발적 참여로 선순환 연결되는 온라인 플랫폼의 방법과 시스템
CN110751492A (zh) 一种高价值人群识别方法和装置
Fan et al. An agent model for incremental rough set-based rule induction: a big data analysis in sales promotion

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180921