CN110751501B - 商品导购方法、装置、设备及存储介质 - Google Patents
商品导购方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110751501B CN110751501B CN201910844417.9A CN201910844417A CN110751501B CN 110751501 B CN110751501 B CN 110751501B CN 201910844417 A CN201910844417 A CN 201910844417A CN 110751501 B CN110751501 B CN 110751501B
- Authority
- CN
- China
- Prior art keywords
- customer
- customer information
- information
- terminal
- transacted
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 87
- 230000006870 function Effects 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000000047 product Substances 0.000 description 103
- 238000007477 logistic regression Methods 0.000 description 29
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000003862 health status Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010063659 Aversion Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 239000004570 mortar (masonry) Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 235000019640 taste Nutrition 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0261—Targeted advertisements based on user location
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术领域，本发明公开了一种商品导购方法、装置、设备及存储介质，该方法包括：当根据顾客终端上报的位置信息确定顾客终端位于目标实体店时，获取顾客终端上报的顾客信息；计算顾客信息与历史交易记录中存储的各个已交易顾客信息的相似度，得到多个相似度计算结果；从多个相似度计算结果中确定最大相似度计算结果，并当最大相似度计算结果小于预设阈值时，将顾客信息输入预置的预测模型，得到针对顾客信息的产品推荐结果；获取顾客终端上报的人脸图像，并将人脸图像以及产品推荐结果发送至目标实体店对应的销售终端。通过本发明，使得销售人员能为顾客提供更精准的导购服务，提高了销售效率以及成功率。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及商品导购方法、装置、设备及存储介质。
背景技术
目前实体店内的销售方式，一般是用户进入实体店，随后销售顾问根据经验判断用户是否是潜在购买用户，若判断为潜在购买客户，则跟进销售导购。这种方式依赖于销售顾问的经验判断，对销售顾问的能力要求较高，且当顾客较多时，由于销售顾问的人数有限，导致潜在消费客户因为没有销售顾问接待而流失，或是销售顾问刚开始不了解客户任何爱好和特征，便需要与顾客进行过多的交谈，引起顾客反感，从而导致销售成功率较低。
发明内容
本发明的主要目的在于提供一种商品导购方法、装置、设备及存储介质，旨在解决现有技术中销售成功率不高的技术问题。
为实现上述目的，本发明提供一种商品导购方法，包括：
获取顾客终端上报的位置信息，根据所述位置信息确定所述顾客终端是否位于目标实体店；
若所述顾客终端位于目标实体店，则获取所述顾客终端上报的顾客信息；
计算所述顾客信息与历史交易记录中存储的各个已交易顾客信息的相似度，得到多个相似度计算结果；
从所述多个相似度计算结果中确定最大相似度计算结果，并判断所述最大相似度计算结果是否小于预设阈值；
若所述最大相似度计算结果小于预设阈值，则将所述顾客信息输入预置的预测模型，得到针对所述顾客信息的产品推荐结果；
获取所述顾客终端上报的人脸图像，并将所述人脸图像以及所述产品推荐结果发送至所述目标实体店对应的销售终端。
此外，为实现上述目的，本发明还提供一种商品导购装置，所述商品导购装置包括：
位置判断模块，用于获取顾客终端上报的位置信息，根据所述位置信息确定所述顾客终端是否位于目标实体店；
顾客信息获取模块，用于若所述顾客终端位于目标实体店，则获取所述顾客终端上报的顾客信息；
计算模块，用于计算所述顾客信息与历史交易记录中存储的各个已交易顾客信息的相似度，得到多个相似度计算结果；
检测模块，用于从所述多个相似度计算结果中确定最大相似度计算结果，并判断所述最大相似度计算结果是否小于预设阈值；
预测模块，用于若所述最大相似度计算结果小于预设阈值，则将所述顾客信息输入预置的预测模型，得到针对所述顾客信息的产品推荐结果；
推送模块，用于获取所述顾客终端上报的人脸图像，并将所述人脸图像以及所述产品推荐结果发送至所述目标实体店对应的销售终端。
此外，为实现上述目的，本发明还提供一种计算机设备，所述计算机设备包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上所述的商品导购方法。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有新零售模式下的商品导购程序，所述新零售模式下的商品导购程序被处理器执行时实现如上所述的商品导购方法的步骤。
本发明中，当确定顾客位于目标实体店时，根据顾客的信息确定顾客感兴趣的商品，并告知该目标实体店内的销售人员，使得销售人员能为顾客提供更精准的导购服务，提高了销售效率以及成功率。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的计算机设备结构示意图；
图2为本发明商品导购方法一实施例的流程示意图；
图3为本发明商品导购方法一实施例的场景示意图；
图4为图2中确定顾客终端位于目标实体店的细化流程示意图；
图5为图2中将所述人脸图像以及所述产品推荐结果发送至所述目标实体店对应的销售终端的步骤的细化流程示意图；
图6为本发明商品导购装置一实施例的功能模块示意图。
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仅用以解释本发明，并不用于限定本发明。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
如图1所示，图1为本发明实施例方案涉及的硬件运行环境的计算机设备结构示意图。
本发明实施例计算机设备可以是PC，也可以是智能手机、服务器等具有数据处理能力的终端设备。
如图1所示，该计算机设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及网络操作控制应用程序。
在图1所示的计算机设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端（用户端），与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的计算机程序，并执行以下操作：
获取顾客终端上报的位置信息，根据所述位置信息确定所述顾客终端是否位于目标实体店；
若所述顾客终端位于目标实体店，则获取所述顾客终端上报的顾客信息；
计算所述顾客信息与历史交易记录中存储的各个已交易顾客信息的相似度，得到多个相似度计算结果；
从所述多个相似度计算结果中确定最大相似度计算结果，并判断所述最大相似度计算结果是否小于预设阈值；
若所述最大相似度计算结果小于预设阈值，则将所述顾客信息输入预置的预测模型，得到针对所述顾客信息的产品推荐结果；
获取所述顾客终端上报的人脸图像，并将所述人脸图像以及所述产品推荐结果发送至所述目标实体店对应的销售终端。
在一实施例中，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
获取顾客终端上报的位置信息，计算所述位置信息与各个实体店位置信息的距离，得到多个距离计算结果；
确定所述多个距离计算结果中是否存在一个小于或等于预设距离的目标计算结果；
若所述多个距离计算结果中存在一个小于或等于预设距离的目标计算结果，则确定所述顾客终端位于所述目标计算结果对应的目标实体店。
在一实施例中，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
获取历史交易记录中存储的各个已交易顾客信息；
通过余弦相似度公式计算所述顾客信息与所述各个已交易顾客信息的相似度，得到多个相似度计算结果，所述余弦相似度公式如下：
其中，表示顾客信息中包含的信息的类型数量，/>表示已交易顾客信息中包含的信息的类型数量，/>表示顾客信息与已交易顾客信息中相同信息的数量，K为相似度计算结果。
在一实施例中，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
获取历史交易记录，所述历史交易记录包括产品名称及所述产品名称对应的已交易顾客信息；
计算所述已交易顾客信息对应的特征值，并将所述特征值代入预测函数公式，得到多个预测函数；
对所述多个预测函数进行迭代求解，得到所述产品名称对应的预测模型；
所述预测函数公式如下：
，
其中，，/>为已交易顾客信息i的权重值，/>为已交易顾客信息i对应的特征值，/>＝[/>,/>,...,/>]，x＝[/>,,...,/>] ，/>为自然常数。
在一实施例中，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
若所述最大相识度计算结果小于预设阈值，则计算所述顾客信息对应的特征值，将所述特征值分别输入各个产品对应的预测模型，得到若干输出值；
选取大于或等于预设概率值的目标输出值，基于所述目标输出值得到针对所述顾客信息的产品推荐结果。
在一实施例中，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
获取所述目标实体店的产品列表；
检测所述产品推荐结果是否存在于所述产品列表中；
若所述产品推荐结果存在于所述产品列表中，则执行所述获取所述顾客终端上报的人脸图像，并将所述人脸图像以及所述产品推荐结果发送至所述目标实体店对应的销售终端的步骤。
在一实施例中，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
获取所述目标实体店对应的各个销售终端的状态信息；
基于所述状态信息确定状态为空闲的目标销售终端；
将所述人脸图像以及所述产品推荐结果发送至所述目标销售终端。
参照图2，图2为本发明商品导购方法一实施例的流程示意图。
如图2所示，商品导购方法包括：
步骤S10、获取顾客终端上报的位置信息，根据所述位置信息确定所述顾客终端是否位于目标实体店。
本实施例中，消息推送方法应用于计算机设备，计算机设备具体可以是服务器。服务器上存储了多个实体店的位置信息，例如，实体店1至实体店5的位置信息，分别为W1、W2、W3、W4、W5。分别计算顾客终端上报的位置信息W与W1至W5的距离，得到五个计算结果，分别为L1至L5。然后进一步判断L1至L5中是否存在小于或等于预设距离的结果，其中，预设距离根据实际情况进行设置，例如设置为50米。由于实体店与实体店之间的具体相距较远，因此一般来说L1至L5中只会存在一个结果小于或等于50米。例如，若L3小于或等于50米，则确定顾客终端当前处于实体店3。
步骤S20、若所述顾客终端位于目标实体店，则获取所述顾客终端上报的顾客信息。
本实施例中，顾客在使用顾客终端中安装的客户端时，需要预先注册，在注册过程中，需要填写一些个人信息，例如，性别、年龄、职业、收入状况、健康状况、家庭病史等信息（个人信息的类型可根据实际需要进行扩充或缩减，在此不做限制），然后由顾客终端将个人信息上报至服务器，服务器将个人信息与该顾客终端的终端标识关联存储。当检测到顾客终端位于目标实体店时，即可从存储的数据中获取该顾客终端的终端标识对应的个人信息（即顾客信息）。
步骤S30、计算所述顾客信息与历史交易记录中存储的各个已交易顾客信息的相似度，得到多个相似度计算结果。
一可选实施例中，步骤S30包括：
获取历史交易记录中存储的各个已交易顾客信息；通过余弦相似度公式计算所述顾客信息与所述各个已交易顾客信息的相似度，得到多个相似度计算结果，所述余弦相似度公式如下：
其中，表示顾客信息中包含的信息的类型数量，/>表示已交易顾客信息中包含的信息的类型数量，/>表示顾客信息与已交易顾客信息中相同信息的数量，K为相似度计算结果。
本实施例中，每完成一次销售交易，便将交易详情记录至历史交易记录中。交易详情包括：产品名称、顾客信息。如表1所示，表1为存储历史交易记录的数据表。
表1
通过余弦相似度公式分别计算顾客信息与已交易顾客信息1至已交易顾客信息4的相似度。余弦相似度公式如下：
其中，表示顾客信息中包含的信息的类型数量，若顾客信息包括性别、年龄、职业、收入状况、健康状况、家庭病史，则/>为6；/>表示已交易顾客信息中包含的信息的类型数量，若已交易顾客信息包括性别、年龄、职业、收入状况、健康状况、家庭病史，则/>为6；/>表示顾客信息与已交易顾客信息中相同信息的数量；K表示顾客信息与已交易顾客信息的相似度计算结果。一实施例中，若顾客信息与已交易顾客信息1的年龄、职业、收入状态均相同，则顾客信息与已交易顾客信息1的相似度计算结果K1=0.5。同理，即可计算得到当前的顾客信息与存储的各个已交易顾客信息的相似度，得到多个相似度计算结果。
步骤S40、从所述多个相似度计算结果中确定最大相似度计算结果，并判断所述最大相似度计算结果是否小于预设阈值。
本实施例中，若已交易顾客信息包括已交易顾客信息1至已交易顾客信息4，则计算得到四个相似度计算结果，分别为K1至K4，则从K1至K4中选取最大的一个值，例如最大计算结果为K2，则判断K2是否大于或等于预设阈值。预设阈值的设置根据实际需要进行设置，例如设置为0.8。
本实施例中，若K2大于或等于预设阈值，则说明该顾客与已交易顾客2的个人信息很相似，已交易顾客2购买过的商品很有可能是该顾客感兴趣的商品，因此，可以直接以已交易顾客2购买过的商品作为待推荐商品。例如，已交易顾客2购买过的商品包括：商品1、商品3，则产品推荐结果即为商品1、商品3。
步骤S50、若所述最大相似度计算结果小于预设阈值，则将所述顾客信息输入预置的预测模型，得到针对所述顾客信息的产品推荐结果。
本实施例中，若最大相似度计算结果小于预设阈值，则说明当前的顾客信息与存储的各个已交易顾客信息均不相同，无法根据历史交易记录预测当前顾客信息感兴趣的产品，则将顾客信息输入预测模型，得到针对顾客信息的产品推荐结果。
本实施例中，预测模型可以是多个，例如预测信息为产品1的LR模型、预测信息为产品2的LR模型以及预测信息为产品3的LR模型。则将顾客信息对应的特征值分别输入这三个预测模型，得到三个概率值P1、P2以及P3。从P1、P2以及P3中选取大于预设概率值（例如0.85）的目标输出值。若P2以及P3大于或等于预设概率值，则P2以及P3为目标输出值，则说明产品2以及产品3贴合当前顾客信息所属的顾客的需求，因此，确定的产品推荐结果为产品2以及产品3。
步骤S60、获取所述顾客终端上报的人脸图像，并将所述人脸图像以及所述产品推荐结果发送至所述目标实体店对应的销售终端。
本实施例中，得到产品推荐结果后，进一步获取顾客终端上报的人脸图像，并将人脸图像以及产品推荐结果发生至目标实体店对应的销售终端，以供销售终端的所属销售人员根据人脸图像找到顾客，并根据产品推荐结果为该顾客进行导购。本实施例中，顾客在注册使用顾客终端时，会被要求上传人脸图像，顾客终端接收到人脸图像后，将人脸图像上报到服务器，服务器将人脸图像与顾客终端的终端标识符关联存储。
参照图3，图3为本发明商品导购方法一实施例的场景示意图。如图3所示，服务器分别于顾客终端以及销售终端建立通信连接，服务器根据顾客终端上报的位置信息确定其所在的目标实体店，并根据顾客终端对应的顾客信息确定产品推荐结果，从而将产品推荐结果以及顾客终端上报的人脸图像推送至目标实体店对应的销售终端。
本实施例中，获取顾客终端上报的位置信息，根据所述位置信息确定所述顾客终端是否位于目标实体店；若所述顾客终端位于目标实体店，则获取所述顾客终端上报的顾客信息；计算所述顾客信息与历史交易记录中存储的各个已交易顾客信息的相似度，得到多个相似度计算结果；从所述多个相似度计算结果中确定最大相似度计算结果，并判断所述最大相似度计算结果是否小于预设阈值；若所述最大相似度计算结果小于预设阈值，则将所述顾客信息输入预置的预测模型，得到针对所述顾客信息的产品推荐结果；获取所述顾客终端上报的人脸图像，并将所述人脸图像以及所述产品推荐结果发送至所述目标实体店对应的销售终端。通过本实施例，根据顾客的信息确定顾客感兴趣的商品，并告知销售人员，使得销售人员能为顾客提供更精准的导购服务，提高了销售效率以及成功率。
参照图4，图4为图2中确定顾客终端位于目标实体店的细化流程示意图。在本发明商品导购方法一实施例中，步骤S10包括：
步骤S101、获取顾客终端上报的位置信息，计算所述位置信息与各个实体店位置信息的距离，得到多个距离计算结果。
地球是一个近乎标准的椭球体，它的赤道半径为6378.140千米，极半径为6356.755千米，平均半径6371.004千米。如果我们假设地球是一个完美的球体，那么它的半径就是地球的平均半径，记为R。如果以0度经线为基准，那么根据地球表面任意两点的经纬度就可以计算出这两点间的地表距离（这里忽略地球表面地形对计算带来的误差，仅仅是理论上的估算值）。设第一点A的经纬度为(LonA, LatA)，第二点B的经纬度为(LonB,LatB)，按照0度经线的基准，东经取经度的正值(Longitude)，西经取经度负值(-Longitude)，北纬取90-纬度值(90- Latitude)，南纬取90+纬度值(90+Latitude)，则经过上述处理过后的两点被计为(MLonA, MLatA)和(MLonB, MLatB)。那么根据三角推导，可以得到计算两点距离的如下公式：
公式1：
C=sin(MLatA)*sin(MLatB)*cos(MLonA-MLonB)+ cos(MLatA)*cos(MLatB)
公式2：
Distance（距离） = R*Arccos(C)*Pi/180
本实施例中，位置信息（顾客终端上报的位置信息以及服务器预存的各个实体店的位置信息）可以是经纬度，根据上述公式1以及公式2，即可得到顾客终端与各个实体店的距离。
步骤S102。确定所述多个距离计算结果中是否存在一个小于或等于预设距离的目标计算结果。
本实施例中，根据步骤S101即可得到多个距离计算结果，然后进一步确定多个距离计算结果中是否存在一个小于或等于预设距离的目标计算结果。其中，预设距离根据实际需要进行设置，例如设置为50米。
步骤S103、若所述多个距离计算结果中存在一个小于或等于预设距离的目标计算结果，则确定所述顾客终端位于所述目标计算结果对应的目标实体店。
本实施例中，若顾客终端与实体店7的距离计算结果小于或等于预设距离，则确定顾客终端位于实体店7。
在一实施例中，本发明商品导购方法一实施例中，在步骤S10之前，还包括：
获取历史交易记录，所述历史交易记录包括产品名称及所述产品名称对应的已交易顾客信息；计算所述已交易顾客信息对应的特征值，并将所述特征值代入预测函数公式，得到多个预测函数；对所述多个预测函数进行迭代求解，得到所述产品名称对应的预测模型；所述预测函数公式如下：
，
其中，，/>为已交易顾客信息i的权重值，/>为已交易顾客信息i对应的特征值，/>＝[/>,/>,...,/>]，x＝[/>,,...,/>] ，/>为自然常数。
本实施例中，若顾客1、顾客2、顾客3……顾客10曾经购买了产品1，则历史交易记录中产品1对应的已交易顾客信息包括顾客1至顾客10的顾客信息；若顾客11、顾客12、顾客13……顾客20曾经购买了产品2，则历史交易记录中产品2对应的已交易顾客信息包括顾客11至顾客20的顾客信息；若顾客21、顾客22、顾客23……顾客30曾经购买了产品3，则历史交易记录中产品3对应的已交易顾客信息包括顾客21至顾客30的顾客信息。其中，顾客信息包括：性别、年龄、收入、个人健康状况（可根据实际需要对信息类型进行扩充或缩减）。根据预设的特征值转换规则计算顾客信息对应的特征值，例如：若性别为男则取1，为女取0，年龄大于等于50取1，小于50取0，收入大于等于20万取1，小于20万取0，有疾病取1，无疾病取0。基于该转换规则，即可得到已交易顾客信息对应的特征值。并将特征值代入公式：
；
其中，，/>为已交易顾客信息i的权重值，/>为已交易顾客信息i对应的特征值，/>＝[/>,/>,...,/>]，x＝[/>,/>,...,/>]，/>为自然常数。
本实施例中，预测模型的实质为特定算法。特定算法可以包括：逻辑回归算法或神经网络算法。下面以逻辑回归算法进行说明，相应的，预测模型为LR（LogisticRegression）模型。逻辑回归是一种分类方法，主要用于解决两分类问题(即输出只有两种，分别代表两个分类)，逻辑回归算法利用Logistic函数(或称为Sigmoid函数)，该函数的曲线形式为S型曲线，函数形式为：
（1）
对于线性边界的情况，边界形式如下：
（2）
利用公式（1）和公式（2）构造预测函数：
（3）
为已交易顾客信息i的权重值，/>为已交易顾客信息i对应的特征值，/>＝[/>,,...,/>]，x＝[/>,/>,...,/>] ，/>为自然常数。
本实施例中，预测模型包括：预测信息为产品1的LR模型，预测信息为产品2的LR模型，预测信息为产品3的LR模型。
得到预测信息为产品1的LR模型的方式为：将顾客1的顾客信息对应的特征值作为样本数据1代入上述公式（3），得到预测函数1；同理将顾客2的顾客信息对应的特征值作为样本数据2代入上述公式（3），得到预测函数2，将顾客3至顾客10的顾客信息对应的特征值作为样本数据3至样本数据10分别代入上述公式（3），得到预测函数3至10，且预测函数1至预测函数10均是由购买过产品1的顾客的信息得到的，所以预测函数1至预测函数10的输出值均相等，从而构建多个求解函数，即预测函数1=预测函数2，预测函数1=预测函数3，预测函数1=预测函数4……，然后对前述求解函数进行迭代求解，计算得到＝[/>,/>,...,]，将计算得到的/>代入上述预测函数，即可得到预测信息为产品1的LR模型，该LR模型的输出值为0~1，输出值越大，说明输入的顾客信息对应的顾客愿意购买产品1的概率越大。
同理，得到预测信息为产品2的LR模型的方式为：将顾客11的顾客信息对应的特征值作为样本数据11代入上述公式（3），将顾客12的顾客信息对应的特征值作为样本数据12代入上述公式（3），将顾客13至顾客20的顾客信息对应的特征值作为样本数据13至样本数据20分别代入上述公式（3），从而得到10个预测函数，然后根据10个预测函数构建多个求解函数，然后对前述多个求解函数进行迭代求解，计算得到＝[/>,/>,...,/>]，将计算得到的/>代入上述预测函数，即可得到预测信息为产品2的LR模型，该LR模型的输出值为0~1，输出值越大，说明输入的顾客信息对应的顾客愿意购买产品2的概率越大。
根据上述训练过程，即可得到预测信息为产品3的LR模型、预测信息为产品4的LR模型……预测信息为产品n的LR模型。
需要说明的是，将已交易顾客信息（性别、年龄、收入、个人健康状况）量化(转换)为数值的过程，可以根据实际需要，采用合理的规则，将已交易顾客信息（性别、年龄、收入、个人健康状况）转换为合适的数值。此外，得到LR模型后，在使用LR模型时，当前的顾客信息对应的特征值输入到LR模型，LR模型的输出是一个概率值，该概率值的取值范围为0～1，概率值越大，说明该LR模型对应的产品更贴合顾客信息所属的顾客的需求。
进一步地，在本实施例的基础上，步骤S50包括：
若所述最大相识度计算结果小于预设阈值，则计算所述顾客信息对应的特征值，将所述特征值分别输入各个产品对应的预测模型，得到若干输出值；选取大于或等于预设概率值的目标输出值，基于所述目标输出值得到针对所述顾客信息的产品推荐结果。
本实施例中，如上所述，训练得到了多个训练模型，例如预测信息为产品1的LR模型、预测信息为产品2的LR模型以及预测信息为产品3的LR模型。则将顾客信息对应的特征值分别输入这三个预测模型，得到三个概率值P1、P2以及P3。从P1、P2以及P3中选取大于预设概率值（例如0.85）的目标输出值。若P2以及P3大于或等于预设概率值，则P2以及P3为目标输出值，则说明产品2以及产品3贴合当前顾客信息所属的顾客的需求，因此，确定的产品推荐结果为产品2以及产品3。
进一步地，本发明商品导购方法一实施例中，在步骤S60之前，还包括：
获取所述目标实体店的产品列表；检测所述产品推荐结果是否存在于所述产品列表中；若所述产品推荐结果存在于所述产品列表中，则执行所述获取所述顾客终端上报的人脸图像，并将所述人脸图像以及所述产品推荐结果发送至所述目标实体店对应的销售终端的步骤。
本实施例中，在基于步骤S50得到了产品推荐结果，例如产品推荐结果为产品2以及产品3，需要确定目标实体店内是否有产品2以及产品3正在售卖，即检测产品推荐结果是否存在于该目标实体店的产品列表中，只有当产品推荐结果存在于产品列表中时，才执行步骤S60，避免了销售资源的浪费。
本实施例中，若产品推荐结果（例如产品2以及产品3）不存在于产品列表中，则可以将缺货提醒发送至该顾客终端，以提醒顾客在目的实体店中产品2以及产品3处于缺货状态。
参照图5，图5为图2中将所述人脸图像以及所述产品推荐结果发送至所述目标实体店对应的销售终端的步骤的细化流程示意图。
本实施例中，将所述人脸图像以及所述产品推荐结果发送至所述目标实体店对应的销售终端的步骤包括：
步骤S601，获取所述目标实体店对应的各个销售终端的状态信息。
本实施例中，每个销售人员配置一台销售终端，当销售人员在工作时，将销售终端的状态调整为忙碌，销售人员空闲时，将销售终端的状态调整为空闲，销售终端的状态上报给服务器。
步骤S602，基于所述状态信息确定状态为空闲的目标销售终端。
本实施例中，根据各个销售终端上报的状态信息，即可从所有销售终端中确定状态为空闲的目标销售终端。
步骤S603，将所述人脸图像以及所述产品推荐结果发送至所述目标销售终端。
本实施例中，在发送人脸图像以及产品推荐结果时，首先确定处于空闲状态的目标销售终端，将人脸图像以及产品推荐结果发送至处于空闲状态的目标销售终端，使得目标销售终端的所属销售人员能即刻为顾客服务，实现了销售资源的合理管理。
参照图6，图6为本发明商品导购装置一实施例的功能模块示意图。
本实施例中，商品导购装置包括：
位置判断模块10，用于获取顾客终端上报的位置信息，根据所述位置信息确定所述顾客终端是否位于目标实体店；
顾客信息获取模块20，用于若所述顾客终端位于目标实体店，则获取所述顾客终端上报的顾客信息；
计算模块30，用于计算所述顾客信息与历史交易记录中存储的各个已交易顾客信息的相似度，得到多个相似度计算结果；
检测模块40，用于从所述多个相似度计算结果中确定最大相似度计算结果，并判断所述最大相似度计算结果是否小于预设阈值；
预测模块50，用于若所述最大相似度计算结果小于预设阈值，则将所述顾客信息输入预置的预测模型，得到针对所述顾客信息的产品推荐结果；
推送模块60，用于获取所述顾客终端上报的人脸图像，并将所述人脸图像以及所述产品推荐结果发送至所述目标实体店对应的销售终端。
本发明商品导购装置的具体实施例与上述商品导购方法的各个实施例基本相同，在此不做赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有新零售模式下的商品导购程序，所述新零售模式下的商品导购程序被处理器执行时实现如上商品导购方法各个实施例的步骤。
本发明计算机可读存储介质的具体实施例与上述商品导购方法的各个实施例基本相同，在此不做赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
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 (8)
1.一种商品导购方法，其特征在于，包括：
获取顾客终端上报的位置信息，根据所述位置信息确定所述顾客终端是否位于目标实体店；
若所述顾客终端位于目标实体店，则获取所述顾客终端上报的顾客信息；
计算所述顾客信息与历史交易记录中存储的各个已交易顾客信息的相似度，得到多个相似度计算结果；
从所述多个相似度计算结果中确定最大相似度计算结果，并判断所述最大相似度计算结果是否小于预设阈值；
若所述最大相似度计算结果小于预设阈值，则将所述顾客信息输入预置的预测模型，得到针对所述顾客信息的产品推荐结果；
获取所述顾客终端上报的人脸图像，并将所述人脸图像以及所述产品推荐结果发送至所述目标实体店对应的销售终端，其中，
在所述获取顾客终端上报的位置信息，根据所述位置信息确定所述顾客终端是否位于目标实体店的步骤之前，还包括：
获取历史交易记录，所述历史交易记录包括产品名称及所述产品名称对应的已交易顾客信息；
计算所述已交易顾客信息对应的特征值，并将所述特征值代入预测函数公式，得到多个预测函数；
对所述多个预测函数进行迭代求解，得到所述产品名称对应的预测模型；
所述预测函数公式如下：
，
其中，，/>为已交易顾客信息i的权重值，/>为已交易顾客信息i对应的特征值，/>＝[/>,/>,...,/>]，x＝[/>,/>,...,/>]，/>为自然常数；
其中，所述若所述最大相似度计算结果小于预设阈值，则将所述顾客信息输入预置的预测模型，得到针对所述顾客信息的产品推荐结果的步骤包括：
若所述最大相似度计算结果小于预设阈值，则计算所述顾客信息对应的特征值，将所述特征值分别输入各个产品对应的预测模型，得到若干输出值；
选取大于或等于预设概率值的目标输出值，基于所述目标输出值得到针对所述顾客信息的产品推荐结果。
2.如权利要求1所述的商品导购方法，其特征在于，所述获取顾客终端上报的位置信息，根据所述位置信息确定所述顾客终端是否位于目标实体店的步骤包括：
获取顾客终端上报的位置信息，计算所述位置信息与各个实体店位置信息的距离，得到多个距离计算结果；
确定所述多个距离计算结果中是否存在一个小于或等于预设距离的目标计算结果；
若所述多个距离计算结果中存在一个小于或等于预设距离的目标计算结果，则确定所述顾客终端位于所述目标计算结果对应的目标实体店。
3.如权利要求1所述的商品导购方法，其特征在于，所述计算所述顾客信息与历史交易记录中存储的各个已交易顾客信息的相似度，得到多个相似度计算结果的步骤包括：
获取历史交易记录中存储的各个已交易顾客信息；
通过余弦相似度公式计算所述顾客信息与所述各个已交易顾客信息的相似度，得到多个相似度计算结果，所述余弦相似度公式如下：
其中，表示顾客信息中包含的信息的类型数量，/>表示已交易顾客信息中包含的信息的类型数量，/>表示顾客信息与已交易顾客信息中相同信息的数量，K为相似度计算结果。
4.如权利要求1所述的商品导购方法，其特征在于，在所述获取所述顾客终端上报的人脸图像，并将所述人脸图像以及所述产品推荐结果发送至所述目标实体店对应的销售终端的步骤之前，还包括：
获取所述目标实体店的产品列表；
检测所述产品推荐结果是否存在于所述产品列表中；
若所述产品推荐结果存在于所述产品列表中，则执行所述获取所述顾客终端上报的人脸图像，并将所述人脸图像以及所述产品推荐结果发送至所述目标实体店对应的销售终端的步骤。
5.如权利要求1至4中任一项所述的商品导购方法，其特征在于，所述将所述人脸图像以及所述产品推荐结果发送至所述目标实体店对应的销售终端的步骤包括：
获取所述目标实体店对应的各个销售终端的状态信息；
基于所述状态信息确定状态为空闲的目标销售终端；
将所述人脸图像以及所述产品推荐结果发送至所述目标销售终端。
6.一种商品导购装置，其特征在于，所述商品导购装置包括：
位置判断模块，用于获取顾客终端上报的位置信息，根据所述位置信息确定所述顾客终端是否位于目标实体店；
顾客信息获取模块，用于若所述顾客终端位于目标实体店，则获取所述顾客终端上报的顾客信息；
计算模块，用于计算所述顾客信息与历史交易记录中存储的各个已交易顾客信息的相似度，得到多个相似度计算结果；
检测模块，用于从所述多个相似度计算结果中确定最大相似度计算结果，并判断所述最大相似度计算结果是否小于预设阈值；
预测模块，用于若所述最大相似度计算结果小于预设阈值，则将所述顾客信息输入预置的预测模型，得到针对所述顾客信息的产品推荐结果；
推送模块，用于获取所述顾客终端上报的人脸图像，并将所述人脸图像以及所述产品推荐结果发送至所述目标实体店对应的销售终端，
其中，所述位置判断模块在所述获取顾客终端上报的位置信息，根据所述位置信息确定所述顾客终端是否位于目标实体店的步骤之前，还用于：
获取历史交易记录，所述历史交易记录包括产品名称及所述产品名称对应的已交易顾客信息；
计算所述已交易顾客信息对应的特征值，并将所述特征值代入预测函数公式，得到多个预测函数；
对所述多个预测函数进行迭代求解，得到所述产品名称对应的预测模型；
所述预测函数公式如下：
，
其中，，/>为已交易顾客信息i的权重值，/>为已交易顾客信息i对应的特征值，/>＝[/>,/>,...,/>]，x＝[/>,/>,...,/>]，/>为自然常数；
其中，所述预测模块在所述若所述最大相似度计算结果小于预设阈值，则将所述顾客信息输入预置的预测模型，得到针对所述顾客信息的产品推荐结果中，还用于：
若所述最大相似度计算结果小于预设阈值，则计算所述顾客信息对应的特征值，将所述特征值分别输入各个产品对应的预测模型，得到若干输出值；
选取大于或等于预设概率值的目标输出值，基于所述目标输出值得到针对所述顾客信息的产品推荐结果。
7.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至5中任一项所述的商品导购方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有商品导购程序，所述商品导购程序被处理器执行时实现如权利要求1至5中任一项所述的商品导购方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910844417.9A CN110751501B (zh) | 2019-09-06 | 2019-09-06 | 商品导购方法、装置、设备及存储介质 |
| PCT/CN2019/117714 WO2021042541A1 (zh) | 2019-09-06 | 2019-11-12 | 新零售模式下的商品导购方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910844417.9A CN110751501B (zh) | 2019-09-06 | 2019-09-06 | 商品导购方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110751501A CN110751501A (zh) | 2020-02-04 |
| CN110751501B true CN110751501B (zh) | 2023-08-22 |
Family
ID=69276244
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910844417.9A Active CN110751501B (zh) | 2019-09-06 | 2019-09-06 | 商品导购方法、装置、设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110751501B (zh) |
| WO (1) | WO2021042541A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113411381B (zh) * | 2021-06-02 | 2022-10-25 | 支付宝(杭州)信息技术有限公司 | 向物联网设备推送信息的方法和*** |
| CN113420677B (zh) * | 2021-06-25 | 2024-06-11 | 联仁健康医疗大数据科技股份有限公司 | 确定合理图像的方法、装置、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103903161A (zh) * | 2013-12-02 | 2014-07-02 | 奇易科技有限公司 | 一种存在检测、参与、处理支付及客户奖赏的方法及*** |
| CN104933595A (zh) * | 2015-05-22 | 2015-09-23 | 齐鲁工业大学 | 一种基于马尔科夫预测模型的协同过滤推荐方法 |
| CN109284413A (zh) * | 2018-09-07 | 2019-01-29 | 平安科技（深圳）有限公司 | 基于人脸识别的商品推荐方法、装置、设备及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102156942A (zh) * | 2011-04-08 | 2011-08-17 | 东华大学 | 一种基于无线射频技术的商品推荐方法 |
| US20140214614A1 (en) * | 2013-01-30 | 2014-07-31 | Sap Ag | Consultative online sale of business applications |
| CN107507017A (zh) * | 2017-07-07 | 2017-12-22 | 阿里巴巴集团控股有限公司 | 一种线下导购方法和装置 |
| CN109034973B (zh) * | 2018-07-25 | 2021-03-30 | 北京京东尚科信息技术有限公司 | 商品推荐方法、装置、***及计算机可读存储介质 |
| CN110163666A (zh) * | 2019-05-06 | 2019-08-23 | 北京三快在线科技有限公司 | 一种商品推荐的方法及装置 |
-
2019
- 2019-09-06 CN CN201910844417.9A patent/CN110751501B/zh active Active
- 2019-11-12 WO PCT/CN2019/117714 patent/WO2021042541A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103903161A (zh) * | 2013-12-02 | 2014-07-02 | 奇易科技有限公司 | 一种存在检测、参与、处理支付及客户奖赏的方法及*** |
| CN104933595A (zh) * | 2015-05-22 | 2015-09-23 | 齐鲁工业大学 | 一种基于马尔科夫预测模型的协同过滤推荐方法 |
| CN109284413A (zh) * | 2018-09-07 | 2019-01-29 | 平安科技（深圳）有限公司 | 基于人脸识别的商品推荐方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021042541A1 (zh) | 2021-03-11 |
| CN110751501A (zh) | 2020-02-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210073283A1 (en) | Machine learning and prediction using graph communities | |
| US11232378B2 (en) | Machine learning artificial intelligence system for predicting popular hours | |
| US11710071B2 (en) | Data analysis and rendering | |
| US20180108048A1 (en) | Method, apparatus and system for recommending contents | |
| US8996033B1 (en) | Systems and methods for statistically associating mobile devices to households | |
| CN108399564B (zh) | 信用评分方法及装置 | |
| CN108876465B (zh) | 一种对商户进行经营模式分群的方法、装置和服务器 | |
| US20210035196A1 (en) | Method and system for identifying, tracking, and predicting the location of moving merchants | |
| US10963897B2 (en) | System and method for dealer evaluation and dealer network optimization using spatial and geographic analysis in a network of distributed computer systems | |
| US10402840B2 (en) | Systems and methods for setting product prices | |
| CN110751501B (zh) | 商品导购方法、装置、设备及存储介质 | |
| Gupta et al. | Debiasing in-sample policy performance for small-data, large-scale optimization | |
| Shitharth et al. | Development of edge computing and classification using the internet of things with incremental learning for object detection | |
| JP5398361B2 (ja) | データ分析システム | |
| CN111144673A (zh) | 组织人员结构评估方法、装置、设备及计算机可读介质 | |
| CN116467525A (zh) | 业务产品的推荐方法、装置、设备和存储介质 | |
| CN110796379A (zh) | 业务渠道的风险评估方法、装置、设备及存储介质 | |
| CN112051843B (zh) | 基于订单预估的路径规划方法、装置、机器人和存储介质 | |
| JP6970527B2 (ja) | コンテンツ選択方法及びコンテンツ選択プログラム | |
| JP2004258762A (ja) | 行動モデル作成方法及び作成装置 | |
| US11892339B2 (en) | Food inventory method and system | |
| CN116308465B (zh) | 一种基于移动支付的大数据分析*** | |
| US11838170B1 (en) | Messaging segmentation based on data flow informatics | |
| CN113095870B (zh) | 一种预测方法、装置、计算机设备以及存储介质 | |
| CN117808560A (zh) | 一种物品推荐的方法和装置 |
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 |