CN110489642A - 基于行为特征分析的商品推荐方法、***、设备及介质 - Google Patents
基于行为特征分析的商品推荐方法、***、设备及介质 Download PDFInfo
- Publication number
- CN110489642A CN110489642A CN201910677595.7A CN201910677595A CN110489642A CN 110489642 A CN110489642 A CN 110489642A CN 201910677595 A CN201910677595 A CN 201910677595A CN 110489642 A CN110489642 A CN 110489642A
- Authority
- CN
- China
- Prior art keywords
- commodity
- count
- feature
- user
- shopping behaviors
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开公开了基于行为特征分析的商品推荐方法、***、设备及介质,获取待推荐用户的商品浏览特征和购物行为特征;将获取的商品浏览特征和购物行为特征,均输入到预先训练好的第一分类器中,输出待推荐用户的购物决策风格标签;将待推荐用户的商品浏览特征、购物行为特征和购物决策风格标签,均输入到预先训练好的第二分类器中,输出待推荐用户的商品推荐类别。
Description
技术领域
本公开涉及商品推荐技术领域,特别是涉及基于行为特征分析的商品推荐方法、***、设备及介质。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术,并不必然构成现有技术。
在实现本公开的过程中,发明人发现现有技术中存在以下技术问题:
消费者购物决策风格是一种心智导向,它表征了消费者做出决策的方式,具有认知和情感特征。它在很长时间内相对稳定,决定着消费者的行为,因此可以作为市场细分的依据。但是,目前对消费者购物决策风格的确定大多通过调查问卷的方式进行,并且人力发放、收集调查问卷,费时费力。目前,电子商务兴起,电商平台的后台可以方便地记录、统计、分析消费者的行为数据,例如,浏览商品、收藏商品、购买商品、浏览速度、购买频率,等等。充足的消费者行为数据,使得通过数据挖掘技术确定消费者购物决策风格成为可能。
因此,如何利用电商平台数据,综合消费者所购买的商品行为以及消费者购物决策风格来为不同的消费者推荐符合消费者个性化需求的商品,是本领域技术人员目前急需解决的技术问题。
发明内容
为了解决现有技术的不足,本公开提供了基于行为特征分析的商品推荐方法、***、设备及介质;
第一方面,本公开提供了基于行为特征分析的商品推荐方法;
基于行为特征分析的商品推荐方法,包括:
获取待推荐用户的商品浏览特征和购物行为特征;
将获取的商品浏览特征和购物行为特征,均输入到预先训练好的第一分类器中,输出待推荐用户的购物决策风格标签;
将待推荐用户的商品浏览特征、购物行为特征和购物决策风格标签,均输入到预先训练好的第二分类器中,输出待推荐用户的商品推荐类别。
第二方面,本公开还提供了基于行为特征分析的商品推荐***;
基于行为特征分析的商品推荐***,包括:
获取模块,用于获取待推荐用户的商品浏览特征和购物行为特征;
第一分类模块,用于将获取的商品浏览特征和购物行为特征,均输入到预先训练好的第一分类器中,输出待推荐用户的购物决策风格标签;
第二分类模块,用于将待推荐用户的商品浏览特征、购物行为特征和购物决策风格标签,均输入到预先训练好的第二分类器中,输出待推荐用户的商品推荐类别。
第三方面,本公开还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述方法的步骤。
第四方面,本公开还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述方法的步骤。
与现有技术相比,本公开的有益效果是:
(1)本发明直接利用电商***后台数据,不需要通过问卷等形式获取,节省人力和物力。
(2)本发明综合了消费者所购买的商品信息的分析以及消费者购物决策风格进行分析,使得消费者类别划分根据符合直观理解。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为第一个实施例的方法流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一,如图1所示,本实施例提供了基于行为特征分析的商品推荐方法;
基于行为特征分析的商品推荐方法,包括:
获取待推荐用户的商品浏览特征和购物行为特征;
将获取的商品浏览特征和购物行为特征,均输入到预先训练好的第一分类器中,输出待推荐用户的购物决策风格标签;
将待推荐用户的商品浏览特征、购物行为特征和购物决策风格标签,均输入到预先训练好的第二分类器中,输出待推荐用户的商品推荐类别。
作为一个或多个实施例,所述商品浏览特征,包括以下特征的一种或多种:
每件已购买商品月平均被单个用户浏览次数、每件已购买商品月平均被单个用户收藏次数、每件已购买商品月平均被单个用户加入到购物车的次数和对商品的评分;
作为一个或多个实施例,所述对商品的评分,包括:
Feasurecategory={Cpv_count,Cfav_count,Ccart_count};
其中,Feasurecategory使用三个维度的数据表示商品浏览特征,其中Cpv_count表示每件已购买商品月平均被单个用户浏览次数;Cfav_count表示每件已购买商品月平均被单个用户收藏次数;Ccart_count表示每件已购买商品月平均被单个用户加入到购物车的次数;
定义每类商品特性的最小值pointmin为:
pointmin={min(Cpv_count),min(Cfav_count),min(Ccart_count)};
确定商品评分方案,定义最小值pointmin与该商品Feasurecategory的距离d:
d=DIS(Feasurecategory,poingmin);
其中,DIS(.)表示两个向量之间的欧式距离,DIS(Feasurecategory,pointmin)表示Feasurecategory向量和pointmin向量之间的欧氏距离。
对所有商品,均计算该商品的Feasurecategory与pointmin之间的距离d,得到一个关于d的集合,对集合进行归一化,归一化得到的结果就是所有种类的商品的评分的集合,表示为normD:
normD={normD1,normD2,……normDn};
其中,normDn表示第n个商品的评分,在d上加一个前缀norm,代表着归一化后的结果。
作为一个或多个实施例,所述购物行为特征,包括以下特征的一种或多种:
每件商品的月平均购买次数和每件商品从加入购物车到结账所用时长;
作为一个或多个实施例,所述购物决策风格标签,包括以下特征的一种或多种:
谨慎型购物决策风格和直接型购物决策风格标签。
作为一个或多个实施例,所述用户的购物决策风格区分方式:
分别计算消费者购买的n件商品的评分scoreList:
scoreList={behaviorScore1,behaviorScore2……behaviorScoren};
其中,behaviorScoren表示用户购买的第n个商品的购物行为的评分;
如果sum(scoreList)∈[-∞,-0.05],则将消费者归类为直接型购物决策风格标签;
如果sum(scoreList)∈[-0.05,+∞],则将消费者归类为谨慎型购物决策风格标签。
作为一个或多个实施例,所述用户的购物决策风格的区分方式为:
S11:消费者对于某类商品的购物决策风格具有如下特征:
Featuredecision={pv_count,fav_count,cart_count,categoryScore}
pv_count表示消费者在购买该商品决策时的浏览同类商品次数,fav_count表示收藏同类商品次数,cart_count表示加购同类商品次数,categoryScore表示该类商品的评分;
S12:定义数据中的中心点、最大点和最小点为P、Pmax和Pmin:
P={mean(pv_count),mean(fav_count),mean(cart_count),mean(categoryScore)};
Pmax={max(pv_count),max(fav_count),max(cart_count),max(categoryScore)};
Pmin={min(pv_count),min(fav_count),min(cart_count),min(categoryScore)};
S13:对商品评分进行聚类,将P和Pmax的中间点CP1以及P和Pmin的中间点CP2作为k-means算法的初始点,使用k-means算法对所有商品进行聚类,指定两个初始点能够降低k-means算法随机选择初始点对于聚类结果的影响,其中CP1,CP2的计算如下:
CP1=(Pmax-P)/2
CP2=(P-Pmin)/2
S14:计算出聚类结果中两个簇的中心点,将CP0={0,0,0,0}作为原点,分别计算两个簇的中心点与CP0的欧式距离,距离大者所对应的簇标记为谨慎购物行为,距离小者对应的簇标记为直接购物行为;
S15:对于谨慎购物行为类clusterA,其第i个点clusterAi与Pmax的的距离dAi为:
dAi=DIS(clusterAi,Pmax);
对dA进行升序排列,则排序靠前的设定比例的数据归类为谨慎购物行为,其他数据归类为未分类数据;
S16:同理得到直接购物行为类clusterBi,第i个点clusterBi与Pmin的的距离dBi为:
dBi=DIS(clusterBi,Pmin);
对dB进行升序排列,则排序靠前的设定比例的数据为直接购物行为,其他数据归类为未分类数据;
S17:使用谨慎购物行为和直接购物行为分类数据训练朴素贝叶斯分类器,并将未分类数据集划分为直接购物行为和谨慎购物行为。
作为一个或多个实施例,预先训练好的第一分类器的训练步骤包括:
设置第一分类器为朴素贝叶斯分类器;
构建第一训练集;所述第一训练集,包括:商品浏览特征、购物行为特征和已知用户的购物决策风格;
将商品浏览特征、购物行为特征和已知用户的购物决策风格,均输入到朴素贝叶斯分类器中,对朴素贝叶斯分类器进行训练,当损失函数达到最小值时,停止训练,得到训练好的第一分类器。
作为一个或多个实施例,预先训练好的第二分类器的训练步骤包括:
设置第二分类器为支持向量机分类器;
构建第二训练集;所述第二训练集,包括:商品浏览特征、购物行为特征、用户的购物决策风格标签和已知用户购买次数最多的商品类型;
将商品浏览特征、购物行为特征、用户的购物决策风格标签和已知用户购买次数最多的商品类型,均输入到支持向量机分类器中,对支持向量机分类器进行训练,当损失函数达到最小值时,停止训练,得到训练好的第二分类器。
本发明中主要利用电商***后台数据,综合消费者所购买的商品信息的分析以及消费者购物决策风格标签的分析,提出了基于行为特征分析的商品推荐方法。
一是利用电商数据,结合消费者所购买的商品的不同,同时根据用户购物决策时发生的行为,综合度量消费者购物决策时的购物决策风格标签,通过聚类将消费者的购物决策风格划分为两类,考虑到聚类是一种无监督方法,其结果往往不太完美,这一点尤其体现在两个类别交界处的数据,鉴于此,将两类别交界处的数据划分为未分类数据。
二是使用分类数据训练朴素贝叶斯,并对未分类数据进行类别划分。
三是综合每个消费者的所有购物决策风格,将消费者决策风格分为:直接型购物决策风格和谨慎型购物决策风格。
作为一个或多个实施例,计算出购物决策风格的评分:
假设谨慎购物行为的评分在[0,1]区间内,而直接购物行为的评分在[-1,0]区间内;
分步骤1:对于谨慎购物行为类,定义Pmax为参照,分别计算谨慎购物行为类中每个的点所对应的向量与Pmax的距离,第i个点记为cPointi,则cPointi与Pmax的距离记为cDi:
cDi=DIS(cPointi,Pmax)
分步骤2:所有的点与Pmax的距离的集合记为cDSet,其倒数记为cDSetR:
cDSetR={1/cD1,1/cD2……1/cDn}
分步骤3:对cDSetR进行归一化,则归一化后的cDSetR即代表所有消费者行为的评分的集合。
对于修正后的直接购物行为类的处理与对谨慎购物行为类的处理相似,不过与对谨慎购物行为类的处理不同的是,直接购物行为类的参照为Pmin,并且需要将最终得分通过取相反数的方式映射到[-1,0]区间内。
综上所述,通过本发明实施例,我们提出了一种基于自监督的数据挖掘方法,利用电商数据得出消费者购物决策的风格的方法。通过比较实际证明他可以产生更好的调度结果。
本发明利用电商数据,结合消费者所购买的商品的不同,同时根据用户购物决策时发生的行为,综合度量消费者购物决策时的购物决策风格标签,通过聚类将消费者的购物决策风格划分为两类,考虑到聚类是一种无监督方法,其结果往往不太完美,这一点尤其体现在两个类别交界处的数据,鉴于此,将两类别交界处的数据划分为未分类数据。然后使用分类数据训练朴素贝叶斯,并对为分类数据进行类别划分,然后综合每个消费者的所有购物决策风格,将消费者购物决策风格分为:直接型购物决策风格和谨慎型购物决策风格。本发明利用电商平台数据,综合消费者所购买的商品信息分析以及消费者购物决策风格标签的行为来确定消费者行为特征。
消费者的购物行为特征受到所购买商品和消费者购物决策风格标签两方面的影响。首先,不同种类的商品对消费者购物决策存在影响。例如,对于价格较高的家电类商品,大多数消费者倾向于对该类商品多次浏览、并且收藏对比,追求最高的性价比。而对于价格较低的快销类商品,更多的消费者则喜欢对该类商品直接进行购买。其次,消费者的购物决策风格与其在最终确定购买前的浏览、对比、收藏等行为存在较大的关联关系。一般来说,谨慎型购物决策风格消费者在购买商品前喜欢仔细对比不同商家的商品,并且将自己喜欢的商品收藏起来,非常重视商品的性价比。而直接型购物决策风格消费者看到自己喜欢的、新奇的商品,则更倾向于直接购买。
实施例二,本实施例还提供了基于行为特征分析的商品推荐***;
基于行为特征分析的商品推荐***,包括:
获取模块,用于获取待推荐用户的商品浏览特征和购物行为特征;
第一分类模块,用于将获取的商品浏览特征和购物行为特征,均输入到预先训练好的第一分类器中,输出待推荐用户的购物决策风格标签;
第二分类模块,用于将待推荐用户的商品浏览特征、购物行为特征和购物决策风格标签,均输入到预先训练好的第二分类器中,输出待推荐用户的商品推荐类别。
实施例三,本实施例还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成方法中的各个操作,为了简洁,在此不再赘述。
所述电子设备可以是移动终端以及非移动终端,非移动终端包括台式计算机,移动终端包括智能手机(Smart Phone,如Android手机、IOS手机等)、智能眼镜、智能手表、智能手环、平板电脑、笔记本电脑、个人数字助理等可以进行无线通信的移动互联网设备。
应理解,在本公开中,该处理器可以是中央处理单元CPU,该处理器还算可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能的划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另外一点,所显示或讨论的相互之间的耦合或者直接耦合或者通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.基于行为特征分析的商品推荐方法,其特征是,包括:
获取待推荐用户的商品浏览特征和购物行为特征;
将获取的商品浏览特征和购物行为特征,均输入到预先训练好的第一分类器中,输出待推荐用户的购物决策风格标签;
将待推荐用户的商品浏览特征、购物行为特征和购物决策风格标签,均输入到预先训练好的第二分类器中,输出待推荐用户的商品推荐类别。
2.如权利要求1所述的方法,其特征是,所述商品浏览特征,包括以下特征的一种或多种:
每件已购买商品月平均被单个用户浏览次数、每件已购买商品月平均被单个用户收藏次数、每件已购买商品月平均被单个用户加入到购物车的次数和对商品的评分。
3.如权利要求1所述的方法,其特征是,所述对商品的评分,包括:
Feasurecategory={Cpv_count,Cfav_count,Ccart_count};
其中,Feasurecategory使用三个维度的数据表示商品浏览特征,其中Cpv_count表示每件已购买商品月平均被单个用户浏览次数;Cfav_count表示每件已购买商品月平均被单个用户收藏次数;Ccart_count表示每件已购买商品月平均被单个用户加入到购物车的次数;
定义每类商品特性的最小值pointmin为:
pointmin={min(Cpv_count),min(Cfav_count),min(Ccart_count)};
确定商品评分方案,定义最小值pointmin与该商品Feasurecategory的距离d:
d=DIS(Feasurecategory,poingmin);
其中,DIS(.)表示两个向量之间的欧式距离,DIS(Feasurecategory,pointmin)表示Feasurecategory向量和pointmin向量之间的欧氏距离;
对所有商品,均计算该商品的Feasurecategory与pointmin之间的距离d,得到一个关于d的集合,对集合进行归一化,归一化得到的结果就是所有种类的商品的评分的集合,表示为normD:
normD={normD1,normD2,……normDn};
其中,normDn表示第n个商品的评分,在d上加一个前缀norm,代表着归一化后的结果。
4.如权利要求1所述的方法,其特征是,所述购物行为特征,包括以下特征的一种或多种:
每件商品的月平均购买次数和每件商品从加入购物车到结账所用时长。
5.如权利要求1所述的方法,其特征是,所述购物决策风格标签,包括以下特征的一种或多种:
谨慎型购物决策风格和直接型购物决策风格标签;
所述用户的购物决策风格区分方式:
分别计算消费者购买的n件商品的评分scoreList:
scoreList={behaviorScore1,behaviorScore2……behaviorScoren};
其中,behaviorScoren表示用户购买的第n个商品的决策风格的评分;
如果sum(scoreList)∈[-∞,-0.05],则将消费者归类为直接型购物决策风格标签;
如果sum(scoreList)∈[-0.05,+∞],则将消费者归类为谨慎型购物决策风格标签。
6.如权利要求1所述的方法,其特征是,所述用户的购物决策风格的区分方式为:
S11:消费者对于某类商品的购物决策风格具有如下特征:
Featuredecision={pv_count,fav_count,cart_count,categoryScore}
pv_count表示消费者在购买该商品决策时的浏览同类商品次数,fav_count表示收藏同类商品次数,cart_count表示加购同类商品次数,categoryScore表示该类商品的评分;
S12:定义数据中的中心点、最大点和最小点为P、Pmax和Pmin:
P={mean(pv_count),mean(fav_count),mean(cart_count),mean(categoryScore)};
Pmax={max(pv_count),max(fav_count),max(cart_count),max(categoryScore)};
Pmin={min(pv_count),min(fav_count),min(cart_count),min(categoryScore)};
S13:对商品评分进行聚类,将P和Pmax的中间点CP1以及P和Pmin的中间点CP2作为k-means算法的初始点,使用k-means算法对所有商品进行聚类,指定两个初始点能够降低k-means算法随机选择初始点对于聚类结果的影响,其中CP1,CP2的计算如下:
CP1=(Pmax-P)/2
CP2=(P-Pmin)/2
S14:计算出聚类结果中两个簇的中心点,将CP0={0,0,0,0}作为原点,分别计算两个簇的中心点与CP0的欧式距离,距离大者所对应的簇标记为谨慎购物行为,距离小者对应的簇标记为直接购物行为;
S15:对于谨慎购物行为类clusterA,其第i个点clusterAi与Pmax的的距离dAi为:
dAi=DIS(clusterAi,Pmax);
对dA进行升序排列,则排序靠前的设定比例的数据归类为谨慎购物行为,其他数据归类为未分类数据;
S16:同理得到直接购物行为类clusterBi,第i个点clusterBi与Pmin的的距离dBi为:
dBi=DIS(clusterBi,Pmin);
对dB进行升序排列,则排序靠前的设定比例的数据为直接购物行为,其他数据归类为未分类数据;
S17:使用谨慎购物行为和直接购物行为分类数据训练朴素贝叶斯分类器,并将未分类数据集划分为直接购物行为和谨慎购物行为。
7.如权利要求1所述的方法,其特征是,预先训练好的第一分类器的训练步骤包括:
设置第一分类器为朴素贝叶斯分类器;
构建第一训练集;所述第一训练集,包括:商品浏览特征、购物行为特征和已知用户的购物决策风格;
将商品浏览特征、购物行为特征和已知用户的购物决策风格,均输入到朴素贝叶斯分类器中,对朴素贝叶斯分类器进行训练,当损失函数达到最小值时,停止训练,得到训练好的第一分类器;
或者,
预先训练好的第二分类器的训练步骤包括:
设置第二分类器为支持向量机分类器;
构建第二训练集;所述第二训练集,包括:商品浏览特征、购物行为特征、用户的购物决策风格标签和已知用户购买次数最多的商品类型;
将商品浏览特征、购物行为特征、用户的购物决策风格标签和已知用户购买次数最多的商品类型,均输入到支持向量机分类器中,对支持向量机分类器进行训练,当损失函数达到最小值时,停止训练,得到训练好的第二分类器。
8.基于行为特征分析的商品推荐***,其特征是,包括:
获取模块,用于获取待推荐用户的商品浏览特征和购物行为特征;
第一分类模块,用于将获取的商品浏览特征和购物行为特征,均输入到预先训练好的第一分类器中,输出待推荐用户的购物决策风格标签;
第二分类模块,用于将待推荐用户的商品浏览特征、购物行为特征和购物决策风格标签,均输入到预先训练好的第二分类器中,输出待推荐用户的商品推荐类别。
9.一种电子设备,其特征是,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项方法所述的步骤。
10.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910677595.7A CN110489642B (zh) | 2019-07-25 | 2019-07-25 | 基于行为特征分析的商品推荐方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910677595.7A CN110489642B (zh) | 2019-07-25 | 2019-07-25 | 基于行为特征分析的商品推荐方法、***、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110489642A true CN110489642A (zh) | 2019-11-22 |
CN110489642B CN110489642B (zh) | 2020-05-22 |
Family
ID=68548347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910677595.7A Active CN110489642B (zh) | 2019-07-25 | 2019-07-25 | 基于行为特征分析的商品推荐方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110489642B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445304A (zh) * | 2020-02-26 | 2020-07-24 | 平安科技(深圳)有限公司 | 信息推荐方法、装置、计算机设备及存储介质 |
CN111598256A (zh) * | 2020-05-18 | 2020-08-28 | 北京互金新融科技有限公司 | 目标客户的默搭购买行为的处理方法和装置 |
CN111626821A (zh) * | 2020-05-26 | 2020-09-04 | 山东大学 | 基于集成特征选择实现客户分类的产品推荐方法及*** |
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 |
CN112734470A (zh) * | 2021-01-05 | 2021-04-30 | 中国工商银行股份有限公司 | 基于客户偏好的电子劵推送方法及装置 |
CN113327145A (zh) * | 2020-02-28 | 2021-08-31 | 北京沃东天骏信息技术有限公司 | 一种物品推荐方法和装置 |
CN113643108A (zh) * | 2021-10-15 | 2021-11-12 | 深圳我主良缘科技集团有限公司 | 一种基于特征识别和分析的社交交友推荐方法 |
CN115099909A (zh) * | 2022-08-23 | 2022-09-23 | 深圳洽客科技有限公司 | 基于电商意图数据库挖掘的信息处理方法及*** |
CN115187344A (zh) * | 2022-09-13 | 2022-10-14 | 南通久拓智能装备有限公司 | 基于大数据的用户偏好分析识别方法 |
CN115496566A (zh) * | 2022-11-16 | 2022-12-20 | 九州好礼(山东)电商科技有限公司 | 基于大数据的地区特产推荐方法及*** |
CN117035948A (zh) * | 2023-10-10 | 2023-11-10 | 山东唐和智能科技有限公司 | 基于大数据的任务智能处理方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080077574A1 (en) * | 2006-09-22 | 2008-03-27 | John Nicholas Gross | Topic Based Recommender System & Methods |
CN106779929A (zh) * | 2016-12-05 | 2017-05-31 | 北京知道创宇信息技术有限公司 | 一种产品推荐方法、装置和计算设备 |
CN107679898A (zh) * | 2017-09-26 | 2018-02-09 | 浪潮软件股份有限公司 | 一种商品推荐方法和装置 |
CN109087178A (zh) * | 2018-08-28 | 2018-12-25 | 清华大学 | 商品推荐方法和装置 |
CN109190044A (zh) * | 2018-09-10 | 2019-01-11 | 北京百度网讯科技有限公司 | 个性化推荐方法、装置、服务器和介质 |
CN109783730A (zh) * | 2019-01-03 | 2019-05-21 | 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 |
-
2019
- 2019-07-25 CN CN201910677595.7A patent/CN110489642B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080077574A1 (en) * | 2006-09-22 | 2008-03-27 | John Nicholas Gross | Topic Based Recommender System & Methods |
CN106779929A (zh) * | 2016-12-05 | 2017-05-31 | 北京知道创宇信息技术有限公司 | 一种产品推荐方法、装置和计算设备 |
CN107679898A (zh) * | 2017-09-26 | 2018-02-09 | 浪潮软件股份有限公司 | 一种商品推荐方法和装置 |
CN109087178A (zh) * | 2018-08-28 | 2018-12-25 | 清华大学 | 商品推荐方法和装置 |
CN109190044A (zh) * | 2018-09-10 | 2019-01-11 | 北京百度网讯科技有限公司 | 个性化推荐方法、装置、服务器和介质 |
CN109783730A (zh) * | 2019-01-03 | 2019-05-21 | 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 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445304A (zh) * | 2020-02-26 | 2020-07-24 | 平安科技(深圳)有限公司 | 信息推荐方法、装置、计算机设备及存储介质 |
CN113327145A (zh) * | 2020-02-28 | 2021-08-31 | 北京沃东天骏信息技术有限公司 | 一种物品推荐方法和装置 |
CN111598256B (zh) * | 2020-05-18 | 2023-08-08 | 北京互金新融科技有限公司 | 目标客户的默搭购买行为的处理方法和装置 |
CN111598256A (zh) * | 2020-05-18 | 2020-08-28 | 北京互金新融科技有限公司 | 目标客户的默搭购买行为的处理方法和装置 |
CN111626821A (zh) * | 2020-05-26 | 2020-09-04 | 山东大学 | 基于集成特征选择实现客户分类的产品推荐方法及*** |
CN111626821B (zh) * | 2020-05-26 | 2024-03-12 | 山东大学 | 基于集成特征选择实现客户分类的产品推荐方法及*** |
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 |
CN112734470A (zh) * | 2021-01-05 | 2021-04-30 | 中国工商银行股份有限公司 | 基于客户偏好的电子劵推送方法及装置 |
CN113643108B (zh) * | 2021-10-15 | 2022-02-08 | 深圳我主良缘科技集团有限公司 | 一种基于特征识别和分析的社交交友推荐方法 |
CN113643108A (zh) * | 2021-10-15 | 2021-11-12 | 深圳我主良缘科技集团有限公司 | 一种基于特征识别和分析的社交交友推荐方法 |
CN115099909A (zh) * | 2022-08-23 | 2022-09-23 | 深圳洽客科技有限公司 | 基于电商意图数据库挖掘的信息处理方法及*** |
CN115187344A (zh) * | 2022-09-13 | 2022-10-14 | 南通久拓智能装备有限公司 | 基于大数据的用户偏好分析识别方法 |
CN115187344B (zh) * | 2022-09-13 | 2022-12-09 | 南通久拓智能装备有限公司 | 基于大数据的用户偏好分析识别方法 |
CN115496566A (zh) * | 2022-11-16 | 2022-12-20 | 九州好礼(山东)电商科技有限公司 | 基于大数据的地区特产推荐方法及*** |
CN117035948A (zh) * | 2023-10-10 | 2023-11-10 | 山东唐和智能科技有限公司 | 基于大数据的任务智能处理方法及*** |
CN117035948B (zh) * | 2023-10-10 | 2024-01-09 | 山东唐和智能科技有限公司 | 基于大数据的任务智能处理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110489642B (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110489642A (zh) | 基于行为特征分析的商品推荐方法、***、设备及介质 | |
US11010345B1 (en) | User behavior segmentation using latent topic detection | |
Aydin Keskin et al. | Multiple criteria ABC analysis with FCM clustering | |
US8407104B2 (en) | Catalog based price search | |
CN103136683B (zh) | 计算产品参考价格的方法、装置及产品搜索方法、*** | |
CN106708821A (zh) | 基于用户个性化购物行为进行商品推荐的方法 | |
CN107220852A (zh) | 用于确定目标推荐用户的方法、装置和服务器 | |
US20090198602A1 (en) | Ranking commercial offers based on user financial data | |
WO2016150354A1 (zh) | 一种对电子商务平台的用户进行分类的方法及*** | |
CN105893526A (zh) | 多源数据融合***和方法 | |
US20080091508A1 (en) | Multidimensional personal behavioral tomography | |
CN109409928A (zh) | 一种素材推荐方法、装置、存储介质、终端 | |
CN108921602B (zh) | 一种基于集成神经网络的用户购买行为预测方法 | |
CN106649517A (zh) | 数据挖掘方法、装置及*** | |
CN105630836A (zh) | 搜索结果的排序方法和装置 | |
CN112488863A (zh) | 一种在用户冷启动场景下的险种推荐方法及相关设备 | |
CN108090107A (zh) | 业务对象推荐方法、装置、电子设备和存储介质 | |
CN105335518A (zh) | 生成用户偏好信息的方法及装置 | |
CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
WO2017151793A1 (en) | Business to consumer enterprise software system | |
CN110443686A (zh) | 基于垃圾识别的商品推荐***及方法 | |
KR102490798B1 (ko) | 인플루언서 마케팅 서비스 방법 | |
Bhade et al. | A systematic approach to customer segmentation and buyer targeting for profit maximization | |
Chen et al. | Model-free assortment pricing with transaction data | |
CN105359172A (zh) | 计算企业存在拖欠的概率 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |