CN113435936A - 基于大数据的线上线下的消费商品推荐方法及*** - Google Patents

基于大数据的线上线下的消费商品推荐方法及*** Download PDF

Info

Publication number
CN113435936A
CN113435936A CN202110753673.4A CN202110753673A CN113435936A CN 113435936 A CN113435936 A CN 113435936A CN 202110753673 A CN202110753673 A CN 202110753673A CN 113435936 A CN113435936 A CN 113435936A
Authority
CN
China
Prior art keywords
data
commodity
recommendation
offline
online
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
Application number
CN202110753673.4A
Other languages
English (en)
Other versions
CN113435936B (zh
Inventor
朱霖
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.)
Shenzhen Haoman Technology Co ltd
Original Assignee
Shenzhen Haoman Technology 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 Shenzhen Haoman Technology Co ltd filed Critical Shenzhen Haoman Technology Co ltd
Priority to CN202110753673.4A priority Critical patent/CN113435936B/zh
Publication of CN113435936A publication Critical patent/CN113435936A/zh
Application granted granted Critical
Publication of CN113435936B publication Critical patent/CN113435936B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q30/0282—Rating or review of business operators or products
    • 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

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

本申请涉及一种基于大数据的线上线下的消费商品推荐方法及***，包括获取选择了预设的线下消费商品购物推荐选项的触发指令，基于所述触发指令调取预存的Apriori算法获取线上商品购买类型数据和线上商品消费金额数据；根据所述线上商品购买类型数据和所述线上商品消费金额数据生成线下商品购物推荐需求数据，所述线下商品购物推荐需求数据至少包括线下购物推荐商品和推荐商品店铺路径地址；生成线下商品推荐界面。本发明为了提升便利性，生成了所述推荐商品店铺路径地址，使消费主体能够快捷高效地获取相关店铺地址，进而实现提升消费商品的推荐准确率的同时又能够提升购物消费主体的使用体验。

Description

基于大数据的线上线下的消费商品推荐方法及***
技术领域
本申请涉及消费商品推荐技术领域，特别是涉及一种基于大数据的线上线下的消费商品推荐方法及***。
背景技术
大数据，以容量大、类型多、存取速度快、应用价值高为主要特征的数据集合，最早应用于IT行业，目前正快速发展为对数量巨大、来源分散、格式多样的数据进行采集、存储和关联分析，从中发现新知识、创造新价值、提升新能力的新一代信息技术和服务业态。大数据必须采用分布式架构，对海量数据进行分布式数据挖掘，因此必须依托云计算的分布式处理、分布式数据库和云存储、虚拟化技术。
随着大数据技术的发展，其已逐渐运用到消费品推荐上，如申请号为CN201910727785.5的专利文件中，公开的一种基于大数据的智能推荐***，包括大数据云端存储***、用户上传***和用户推荐***；所述大数据云端存储***，用于根据用户点赞数量自动保存获赞量较多的推荐数据，以及自动删除获赞量较少的推荐数据；所述用户上传***，用于各类网络用户根据所要上传的材料进行压缩对云端***进行上传工作；所述用户推荐***，用于通过对云端上传的推荐数据进行智能解压，对被推荐用户进行智能推荐。
虽然上述技术方案通过对上传的推送数据进行统一压缩处理，可以有效的减少推送数据的内存占用，并且根据用户的点赞数量来确认是否对点赞数量少的推送数据进行删除，可以很好的对***存储器进行空间释放，提高用户对推荐数据的检索效率，但是其在很多技术相同，均不能实现高效准确地推荐，如不能实现对线上线下消费品的准确推荐。
显然，目前基于大数据的推荐方法存在效率低下的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高消费商品推荐准确率的基于大数据的线上线下的消费商品推荐方法及***。
本发明技术方案如下：
一种基于大数据的线上线下的消费商品推荐方法，所述方法包括：
获取选择了预设的线下消费商品购物推荐选项的触发指令，基于所述触发指令调取预存的Apriori算法获取当前消费主体在特定时间段内在线上的消费商品购物过程数据，其中，所述消费商品购物过程数据至少包括线上商品购买类型数据和线上商品消费金额数据；
根据所述线上商品购买类型数据和所述线上商品消费金额数据生成线下商品购物推荐需求数据，所述线下商品购物推荐需求数据至少包括线下购物推荐商品和推荐商品店铺路径地址；
根据所述线下购物推荐商品和所述推荐商品店铺路径地址生成线下商品推荐界面，所述线下商品推荐界面用于动态展示所述线下购物推荐商品和所述推荐商品店铺路径地址。
具体地，根据所述线上商品购买类型数据和所述线上商品消费金额数据生成线下商品购物推荐需求数据，所述线下商品购物推荐需求数据至少包括线下购物推荐商品和推荐商品店铺路径地址；具体包括：
根据所述线上商品购买类型数据，获取当前时间的当季火热商品数据，接着基于所述线上商品购买类型数据和所述当季火热商品数据生成同类型线下商品店铺数据；
根据所述线上商品消费金额数据，获取以所述线上商品消费金额数据为中心浮动特定金额后形成的消费金额范围数据，接着根据所述消费金额范围数据生成同类型消费金额线下商品店铺数据；
在获取所述同类型线下商品店铺数据和所述同类型消费金额线下商品店铺数据后，即时生成线下店铺数据合并指令；
根据所述线下店铺数据合并指令对所述同类型线下商品店铺数据和所述同类型消费金额线下商品店铺数据作数据合并，并生成第一类型店铺数据和第二类型店铺数据；
将所述第一类型店铺数据和所述第二类型店铺数据依序排列，并生成同类型线下商品店铺数据。
具体地，根据所述线上商品消费金额数据，获取以所述线上商品消费金额数据为中心浮动特定金额后形成的消费金额范围数据，接着根据所述消费金额范围数据生成同类型消费金额线下商品店铺数据；具体包括：
根据所述线上商品消费金额数据，获取当前消费主体在特定时间段内消费金额的增长比率值，并将所述增长比率值记为浮动金额参考比例值；
根据所述浮动金额参考比例值和生成所述线上商品消费金额数据的增长浮动金额；
根据所述增长浮动金额和所述线上商品消费金额数据中的平均消费金额值生成消费金额范围数据；
根据所述消费金额范围数据生成同类型消费金额线下商品店铺数据。
具体地，根据所述线下购物推荐商品和所述推荐商品店铺路径地址生成线下商品推荐界面，所述线下商品推荐界面用于动态展示所述线下购物推荐商品和所述推荐商品店铺路径地址，之后还包括：
获取当前消费主体在按照所述推荐商品店铺路径地址购买所述线下购物推荐商品后的不满意信息数据集，其中，所述不满意信息数据集包括购买失败商品数据、购买失败推荐店铺、购买不满意环节数据和购买路径不满意数据；
根据所述购买失败商品数据及购买失败推荐店铺生成当前商品不满意数据集，并将所述当前商品不满意数据集设定为第一再推荐参考信息；
根据所述购买失败推荐店铺和购买不满意环节数据生成当前商品环节不满意数据集，并将所述当前商品环节不满意数据集设定为第二再推荐参考信息；
根据所述购买失败推荐店铺和所述购买路径不满意数据生成当前商品路径不满意数据集，并将所述当前商品路径不满意数据集设定为第三再推荐参考信息；
基于所述第一再推荐参考信息、所述第二再推荐参考信息和所述第三再推荐参考信息导入至预设的原始消费商品推荐模型，并生成升级版消费商品推荐模型；
将所述当前消费主体的当前主体基本数据信息导入至所述升级版消费商品推荐模型，生成自主设计用户主体数据。
具体地，基于所述第一再推荐参考信息、所述第二再推荐参考信息和所述第三再推荐参考信息导入至预设的原始消费商品推荐模型，并生成升级版消费商品推荐模型；具体包括：
按照预设的熵运算根据所述第一再推荐参考信息生成第一实际信息熵，同时按照预设的熵运算根据所述第二再推荐参考信息生成第二实际信息熵，以及按照预设的熵运算根据所述第三再推荐参考信息生成第三实际信息熵；
将所述第一实际信息熵、所述第二实际信息熵和所述第三实际信息熵按照熵值的大小进行分类，并生成优先训练顺序排列表；
根据所述优先训练顺序排列表依次将所述第一实际信息熵、所述第二实际信息熵和所述第三实际信息熵导入至预设的原始消费商品推荐模型进行训练，并生成升级版消费商品推荐模型。
综上所述，本发明依次通过获取选择了预设的线下消费商品购物推荐选项的触发指令，基于所述触发指令调取预存的Apriori算法获取当前消费主体在特定时间段内在线上的消费商品购物过程数据，其中，所述消费商品购物过程数据至少包括线上商品购买类型数据和线上商品消费金额数据；其中，所述Apriori算法是一种挖掘关联规则的频繁项集算法，其通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集，也即，通过基于Apriori算法采集当前消费主体在特定时间段内在线上的消费商品购物的购物数据，并挖掘频繁项集，进而实现所述消费商品购物过程数据，实现高效准确地线上购买商品数据的获取，接着，根据所述线上商品购买类型数据和所述线上商品消费金额数据生成线下商品购物推荐需求数据，所述线下商品购物推荐需求数据至少包括线下购物推荐商品和推荐商品店铺路径地址；然后，根据所述线下购物推荐商品和所述推荐商品店铺路径地址生成线下商品推荐界面，所述线下商品推荐界面用于动态展示所述线下购物推荐商品和所述推荐商品店铺路径地址，也即通过线上购买习惯，使得购买主体在需要线下购买商品时，一方面能够通过符合消费主体在线上购买习惯的线下商品购物推荐需求数据，同时，为了提升便利性，生成了所述推荐商品店铺路径地址，使消费主体能够快捷高效地获取相关店铺地址，进而实现提升消费商品的推荐准确率的同时又能够提升购物消费主体的使用体验。
具体而言，一种基于大数据的线上线下的消费商品推荐***，所述***包括：
线下消费模块，用于获取选择了预设的线下消费商品购物推荐选项的触发指令，基于所述触发指令调取预存的Apriori算法获取当前消费主体在特定时间段内在线上的消费商品购物过程数据，其中，所述消费商品购物过程数据至少包括线上商品购买类型数据和线上商品消费金额数据；
商品购买模块，用于根据所述线上商品购买类型数据和所述线上商品消费金额数据生成线下商品购物推荐需求数据，所述线下商品购物推荐需求数据至少包括线下购物推荐商品和推荐商品店铺路径地址；
购物推荐模块，用于根据所述线下购物推荐商品和所述推荐商品店铺路径地址生成线下商品推荐界面，所述线下商品推荐界面用于动态展示所述线下购物推荐商品和所述推荐商品店铺路径地址。
具体而言，所述***还包括：
模块，用于根据所述线上商品购买类型数据，获取当前时间的当季火热商品数据，接着基于所述线上商品购买类型数据和所述当季火热商品数据生成同类型线下商品店铺数据；
消费金额模块，用于根据所述线上商品消费金额数据，获取以所述线上商品消费金额数据为中心浮动特定金额后形成的消费金额范围数据，接着根据所述消费金额范围数据生成同类型消费金额线下商品店铺数据；
店铺数据模块，用于在获取所述同类型线下商品店铺数据和所述同类型消费金额线下商品店铺数据后，即时生成线下店铺数据合并指令；
数据合并模块，用于根据所述线下店铺数据合并指令对所述同类型线下商品店铺数据和所述同类型消费金额线下商品店铺数据作数据合并，并生成第一类型店铺数据和第二类型店铺数据；
线下类型模块，用于将所述第一类型店铺数据和所述第二类型店铺数据依序排列，并生成同类型线下商品店铺数据。
具体而言，所述***还包括：
金额数据模块，用于根据所述线上商品消费金额数据，获取当前消费主体在特定时间段内消费金额的增长比率值，并将所述增长比率值记为浮动金额参考比例值；
浮动金额模块，用于根据所述浮动金额参考比例值和生成所述线上商品消费金额数据的增长浮动金额；
范围数据模块，用于根据所述增长浮动金额和所述线上商品消费金额数据中的平均消费金额值生成消费金额范围数据；
同类生成模块，用于根据所述消费金额范围数据生成同类型消费金额线下商品店铺数据；
消费主体模块，用于获取当前消费主体在按照所述推荐商品店铺路径地址购买所述线下购物推荐商品后的不满意信息数据集，其中，所述不满意信息数据集包括购买失败商品数据、购买失败推荐店铺、购买不满意环节数据和购买路径不满意数据；
失败商品模块，用于根据所述购买失败商品数据及购买失败推荐店铺生成当前商品不满意数据集，并将所述当前商品不满意数据集设定为第一再推荐参考信息；
失败购买模块，用于根据所述购买失败推荐店铺和购买不满意环节数据生成当前商品环节不满意数据集，并将所述当前商品环节不满意数据集设定为第二再推荐参考信息；
数据集合模块，用于根据所述购买失败推荐店铺和所述购买路径不满意数据生成当前商品路径不满意数据集，并将所述当前商品路径不满意数据集设定为第三再推荐参考信息；
推荐参考模块，用于基于所述第一再推荐参考信息、所述第二再推荐参考信息和所述第三再推荐参考信息导入至预设的原始消费商品推荐模型，并生成升级版消费商品推荐模型；
用户主体模块，用于将所述当前消费主体的当前主体基本数据信息导入至所述升级版消费商品推荐模型，生成自主设计用户主体数据；
熵运算模块，用于按照预设的熵运算根据所述第一再推荐参考信息生成第一实际信息熵，同时按照预设的熵运算根据所述第二再推荐参考信息生成第二实际信息熵，以及按照预设的熵运算根据所述第三再推荐参考信息生成第三实际信息熵；
信息熵模块，用于将所述第一实际信息熵、所述第二实际信息熵和所述第三实际信息熵按照熵值的大小进行分类，并生成优先训练顺序排列表；
优先训练模块，用于根据所述优先训练顺序排列表依次将所述第一实际信息熵、所述第二实际信息熵和所述第三实际信息熵导入至预设的原始消费商品推荐模型进行训练，并生成升级版消费商品推荐模型。
具体而言，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述基于大数据的线上线下的消费商品推荐方法所述的步骤。
具体而言，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于大数据的线上线下的消费商品推荐方法所述的步骤。
本发明实现技术效果如下：
上述基于大数据的线上线下的消费商品推荐方法及***，依次通过获取选择了预设的线下消费商品购物推荐选项的触发指令，基于所述触发指令调取预存的Apriori算法获取当前消费主体在特定时间段内在线上的消费商品购物过程数据，其中，所述消费商品购物过程数据至少包括线上商品购买类型数据和线上商品消费金额数据；其中，所述Apriori算法是一种挖掘关联规则的频繁项集算法，其通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集，也即，通过基于Apriori算法采集当前消费主体在特定时间段内在线上的消费商品购物的购物数据，并挖掘频繁项集，进而实现所述消费商品购物过程数据，实现高效准确地线上购买商品数据的获取，接着，根据所述线上商品购买类型数据和所述线上商品消费金额数据生成线下商品购物推荐需求数据，所述线下商品购物推荐需求数据至少包括线下购物推荐商品和推荐商品店铺路径地址；然后，根据所述线下购物推荐商品和所述推荐商品店铺路径地址生成线下商品推荐界面，所述线下商品推荐界面用于动态展示所述线下购物推荐商品和所述推荐商品店铺路径地址，也即通过线上购买习惯，使得购买主体在需要线下购买商品时，一方面能够通过符合消费主体在线上购买习惯的线下商品购物推荐需求数据，同时，为了提升便利性，生成了所述推荐商品店铺路径地址，使消费主体能够快捷高效地获取相关店铺地址，进而实现提升消费商品的推荐准确率的同时又能够提升购物消费主体的使用体验。
附图说明
图1为一个实施例中基于大数据的线上线下的消费商品推荐方法的流程示意图；
图2为一个实施例中基于大数据的线上线下的消费商品推荐***的结构框图；
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，提供一种基于大数据的线上线下的消费商品推荐方法的应用场景，在此应用场景下，当前消费主体在需要线下购物时，通过触发一终端，该终端获取选择了预设的线下消费商品购物推荐选项的触发指令，并将所述触发指令发送至服务器，服务器基于所述触发指令调取预存的Apriori算法获取当前消费主体在特定时间段内在线上的消费商品购物过程数据，其中，所述消费商品购物过程数据至少包括线上商品购买类型数据和线上商品消费金额数据；接着，服务器根据所述线上商品购买类型数据和所述线上商品消费金额数据生成线下商品购物推荐需求数据，所述线下商品购物推荐需求数据至少包括线下购物推荐商品和推荐商品店铺路径地址；然后，终端根据所述线下购物推荐商品和所述推荐商品店铺路径地址生成线下商品推荐界面，所述线下商品推荐界面用于动态展示所述线下购物推荐商品和所述推荐商品店铺路径地址。
进一步地，本实施例中，终端，是与计算机***相连的一种输入输出设备，通常离计算机较远。根据功能不同，可分若干类，其具有某些处理功能的终端称为灵巧终端或智能终端，这类终端有它自己的微处理器和控制电路，而没有此功能的叫做哑终端，它没有微处理器。其中，本申请中终端还包括支持与计算机会话或处理的终端，即交互终端或联机终端。
在一个实施例中，如图1所示，提供了一种基于大数据的线上线下的消费商品推荐方法，所述方法包括：
步骤S100：获取选择了预设的线下消费商品购物推荐选项的触发指令，基于所述触发指令调取预存的Apriori算法获取当前消费主体在特定时间段内在线上的消费商品购物过程数据，其中，所述消费商品购物过程数据至少包括线上商品购买类型数据和线上商品消费金额数据；
具体地，本步骤中，获取了所述触发指令，即意味着用户选择了线下消费商品购物推荐选项，线下消费商品购物推荐选项为预先设置，所述线下消费商品购物推荐选项预先建立有启动连接关联关系，通过所述启动连接关联关系，实现获取所述触发指令后，立即调取预存的Apriori算法获取当前消费主体在特定时间段内在线上的消费商品购物过程数据。
具体地，其中，所述Apriori算法是一种挖掘关联规则的频繁项集算法，其通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集，也即，通过基于Apriori算法采集当前消费主体在特定时间段内在线上的消费商品购物的购物数据，并挖掘频繁项集，进而实现所述消费商品购物过程数据，实现高效准确地线上购买商品数据的获取。
进一步地，所述特定时间段内为预先设置，如设置为三个月、半年或者一年。也即，所述消费商品购物过程数据为较长时间内的所有数据集合，这样，使数据更全面，更符合当前消费主体的购买习惯。
其中，所述线上商品购买类型数据为购买的商品类型所形成的数据，如衣物类商品、生活用品类商品以及办公用品类商品所形成的数据的集合。
所述线上商品消费金额数据为当前消费主体在购买各类型商品时所花费的金额的数据，其一定程度上表征了所述当前消费主体的购买能力。
步骤S200：根据所述线上商品购买类型数据和所述线上商品消费金额数据生成线下商品购物推荐需求数据，所述线下商品购物推荐需求数据至少包括线下购物推荐商品和推荐商品店铺路径地址；
具体地，本步骤中，通过基于所述线上商品购买类型数据和所述线上商品消费金额数据，生成了所述线下商品购物推荐需求数据，也即所述线下商品购物推荐需求数据为根据所述线上商品购买类型数据和所述线上商品消费金额数据来实现，保证了推荐的线下购物推荐商品和所述推荐商品店铺路径地址符合当前消费主体购买的商品购买习惯和商品购买力，同时，通过生成所述推荐商品店铺路径地址，使当前消费主体能够及时获取能够购买到的相关商品的地址，方便前往，极大提升使用体验。
步骤S300：根据所述线下购物推荐商品和所述推荐商品店铺路径地址生成线下商品推荐界面，所述线下商品推荐界面用于动态展示所述线下购物推荐商品和所述推荐商品店铺路径地址。
具体地，本步骤中，为了提升用户体验，给所述当前消费主体提供便利，因此，通过根据所述线下购物推荐商品和所述推荐商品店铺路径地址生成线下商品推荐界面，也即通过所述线下商品推荐界面用于动态展示所述线下购物推荐商品和所述推荐商品店铺路径地址，使当前消费主体能够根据实际需求动态看到所述线下购物推荐商品和所述推荐商品店铺路径地址，提升线下购物便利性，提升线下购物的效率。
在一个实施例中，步骤S200：根据所述线上商品购买类型数据和所述线上商品消费金额数据生成线下商品购物推荐需求数据，所述线下商品购物推荐需求数据至少包括线下购物推荐商品和推荐商品店铺路径地址；具体包括：
步骤S210：根据所述线上商品购买类型数据，获取当前时间的当季火热商品数据，接着基于所述线上商品购买类型数据和所述当季火热商品数据生成同类型线下商品店铺数据；
具体地，本步骤中，在获取所述线上商品购买类型数据后，基于大数据技术获取当前时间的购买量最多的商品类型，并生成当季火热商品数据，同时，提取所述线上商品购买类型数据和所述当季火热商品数据中各商品相似度达到90％以上的商品，将这些商品对应的商品数据生成同类型线下商品店铺数据。
步骤S220：根据所述线上商品消费金额数据，获取以所述线上商品消费金额数据为中心浮动特定金额后形成的消费金额范围数据，接着根据所述消费金额范围数据生成同类型消费金额线下商品店铺数据；
具体地，本步骤中，通过基于所述线上商品消费金额数据，获取所述消费金额范围数据，实现了根据用户的购买力习惯，生成了一个购买力范围数据，保证数据的灵活性，提升推荐的准确性。
因此，使根据所述消费金额范围数据生成同类型消费金额线下商品店铺数据，更符合当前消费主体的购买力，进而能够推荐更符合当前消费主体的购买力的线下商品店铺。
步骤S230：在获取所述同类型线下商品店铺数据和所述同类型消费金额线下商品店铺数据后，即时生成线下店铺数据合并指令；
步骤S240：根据所述线下店铺数据合并指令对所述同类型线下商品店铺数据和所述同类型消费金额线下商品店铺数据作数据合并，并生成第一类型店铺数据和第二类型店铺数据；
具体地，本步骤中，通过生成线下店铺数据合并指令，使根据所述线下店铺数据合并指令对所述同类型线下商品店铺数据和所述同类型消费金额线下商品店铺数据作数据合并，也即，通过数据处理，来实现对所述同类型线下商品店铺数据中和所述同类型消费金额线下商品店铺数据相同的店铺进行筛选。
进一步地，所述第一类型店铺数据为所述同类型线下商品店铺数据和所述同类型消费金额线下商品店铺数据中的相同的店铺对应的数据。
对于所述第二类型店铺数据，则为所述同类型线下商品店铺数据和所述同类型消费金额线下商品店铺数据中比较符合当前消费主体的消费习惯的前几名店铺，具体为前几名根据实际需求设置，不做具体限定。
步骤S250：将所述第一类型店铺数据和所述第二类型店铺数据依序排列，并生成同类型线下商品店铺数据。
具体地，本步骤中，通过依序排列，实现数据的高效有序展示，进而实现生成所述同类型线下商品店铺数据。
在一个实施例中，步骤S220：根据所述线上商品消费金额数据，获取以所述线上商品消费金额数据为中心浮动特定金额后形成的消费金额范围数据，接着根据所述消费金额范围数据生成同类型消费金额线下商品店铺数据；具体包括：
步骤S221：根据所述线上商品消费金额数据，获取当前消费主体在特定时间段内消费金额的增长比率值，并将所述增长比率值记为浮动金额参考比例值；
步骤S222：根据所述浮动金额参考比例值和生成所述线上商品消费金额数据的增长浮动金额；
步骤S223：根据所述增长浮动金额和所述线上商品消费金额数据中的平均消费金额值生成消费金额范围数据；
步骤S224：根据所述消费金额范围数据生成同类型消费金额线下商品店铺数据。
具体地，本步骤中，根据所述线上商品消费金额数据，获取当前消费主体在特定时间段内消费金额的增长比率值，以所述特定时间段为6个月为例，逐步计算相邻两个月之间的单月增长比率，再求各个单月增长比率的平均值，并记为所述增长比率值。接着，将所述增长比率值记为浮动金额参考比例值。
然后，以浮动金额参考比例值为13％，那么根据所述浮动金额参考比例值和生成所述线上商品消费金额数据的增长浮动金额，具体计算为，先根据所述线上商品消费金额数据，计算得到特定时间段内的平均月消费金额，举例为10000，那么将平均月消费金额与所述浮动金额参考比例值相乘，则增长浮动金额为1300。进一步地，根据所述增长浮动金额和所述线上商品消费金额数据中的平均消费金额值生成消费金额范围数据，也即所述消费金额范围数据为10000-13000。
更进一步地，根据所述消费金额范围数据生成同类型消费金额线下商品店铺数据，也即根据购买力为10000-13000的等级来推荐相对应的商铺。
在一个实施例中，步骤S300：根据所述线下购物推荐商品和所述推荐商品店铺路径地址生成线下商品推荐界面，所述线下商品推荐界面用于动态展示所述线下购物推荐商品和所述推荐商品店铺路径地址，之后还包括：
步骤S410：获取当前消费主体在按照所述推荐商品店铺路径地址购买所述线下购物推荐商品后的不满意信息数据集，其中，所述不满意信息数据集包括购买失败商品数据、购买失败推荐店铺、购买不满意环节数据和购买路径不满意数据；
步骤S420：根据所述购买失败商品数据及购买失败推荐店铺生成当前商品不满意数据集，并将所述当前商品不满意数据集设定为第一再推荐参考信息；
步骤S430：根据所述购买失败推荐店铺和购买不满意环节数据生成当前商品环节不满意数据集，并将所述当前商品环节不满意数据集设定为第二再推荐参考信息；
步骤S440：根据所述购买失败推荐店铺和所述购买路径不满意数据生成当前商品路径不满意数据集，并将所述当前商品路径不满意数据集设定为第三再推荐参考信息；
步骤S450：基于所述第一再推荐参考信息、所述第二再推荐参考信息和所述第三再推荐参考信息导入至预设的原始消费商品推荐模型，并生成升级版消费商品推荐模型；
步骤S460：将所述当前消费主体的当前主体基本数据信息导入至所述升级版消费商品推荐模型，生成自主设计用户主体数据。
具体地，本步骤中，所述购买失败商品数据为推荐了的商品，但是当前消费主体并未购买的商品的数据集合。所述购买失败推荐店铺为推荐了的店铺，但是当前消费主体并未消费的店铺的数据集合。购买不满意环节数据为当前消费主体反馈的在购买商品过程中，店铺所做出的让当前消费主体不满意的环节，如在试衣环节中服务态度不好。所述购买路径不满意数据为当前消费者认为按照推荐路径不够便捷导致的不满意的信息的集合。
因此，分别通过根据所述购买失败商品数据及购买失败推荐店铺生成当前商品不满意数据集，根据所述购买失败推荐店铺和购买不满意环节数据生成当前商品环节不满意数据集，根据所述购买失败推荐店铺和所述购买路径不满意数据生成当前商品路径不满意数据集，也即分别获取了所述第一再推荐参考信息、所述第二再推荐参考信息和所述第三再推荐参考信息。
进一步地，通过将所述第一再推荐参考信息、所述第二再推荐参考信息和所述第三再推荐参考信息导入至预设的原始消费商品推荐模型，并生成升级版消费商品推荐模型，实现根据实际反馈数据信息对所述原始消费商品推荐模型进行训练，提升原始消费商品推荐模型的智能化程度，所述原始消费商品推荐模型为预先设置。
此外，将所述当前消费主体的当前主体基本数据信息导入至所述升级版消费商品推荐模型，生成自主设计用户主体数据，实现每个用户主体分别对应一个数据，提升用户的隐私性。
在一个实施例中，步骤S450：基于所述第一再推荐参考信息、所述第二再推荐参考信息和所述第三再推荐参考信息导入至预设的原始消费商品推荐模型，并生成升级版消费商品推荐模型；具体包括：
步骤S451：按照预设的熵运算根据所述第一再推荐参考信息生成第一实际信息熵，同时按照预设的熵运算根据所述第二再推荐参考信息生成第二实际信息熵，以及按照预设的熵运算根据所述第三再推荐参考信息生成第三实际信息熵；
步骤S452：将所述第一实际信息熵、所述第二实际信息熵和所述第三实际信息熵按照熵值的大小进行分类，并生成优先训练顺序排列表；
步骤S453：根据所述优先训练顺序排列表依次将所述第一实际信息熵、所述第二实际信息熵和所述第三实际信息熵导入至预设的原始消费商品推荐模型进行训练，并生成升级版消费商品推荐模型。
具体地，本步骤中，将所述第一实际信息熵、所述第二实际信息熵和所述第三实际信息熵按照熵值的大小进行分类，并生成优先训练顺序排列表，再根据所述优先训练顺序排列表依次将所述第一实际信息熵、所述第二实际信息熵和所述第三实际信息熵导入至预设的原始消费商品推荐模型进行训练，实现训练的有序性。
综上所述，本发明依次通过获取选择了预设的线下消费商品购物推荐选项的触发指令，基于所述触发指令调取预存的Apriori算法获取当前消费主体在特定时间段内在线上的消费商品购物过程数据，其中，所述消费商品购物过程数据至少包括线上商品购买类型数据和线上商品消费金额数据；其中，所述Apriori算法是一种挖掘关联规则的频繁项集算法，其通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集，也即，通过基于Apriori算法采集当前消费主体在特定时间段内在线上的消费商品购物的购物数据，并挖掘频繁项集，进而实现所述消费商品购物过程数据，实现高效准确地线上购买商品数据的获取，接着，根据所述线上商品购买类型数据和所述线上商品消费金额数据生成线下商品购物推荐需求数据，所述线下商品购物推荐需求数据至少包括线下购物推荐商品和推荐商品店铺路径地址；然后，根据所述线下购物推荐商品和所述推荐商品店铺路径地址生成线下商品推荐界面，所述线下商品推荐界面用于动态展示所述线下购物推荐商品和所述推荐商品店铺路径地址，也即通过线上购买习惯，使得购买主体在需要线下购买商品时，一方面能够通过符合消费主体在线上购买习惯的线下商品购物推荐需求数据，同时，为了提升便利性，生成了所述推荐商品店铺路径地址，使消费主体能够快捷高效地获取相关店铺地址，进而实现提升消费商品的推荐准确率的同时又能够提升购物消费主体的使用体验。
在一个实施例中，如图2所示，一种基于大数据的线上线下的消费商品推荐***，所述***包括：
线下消费模块，用于获取选择了预设的线下消费商品购物推荐选项的触发指令，基于所述触发指令调取预存的Apriori算法获取当前消费主体在特定时间段内在线上的消费商品购物过程数据，其中，所述消费商品购物过程数据至少包括线上商品购买类型数据和线上商品消费金额数据；
商品购买模块，用于根据所述线上商品购买类型数据和所述线上商品消费金额数据生成线下商品购物推荐需求数据，所述线下商品购物推荐需求数据至少包括线下购物推荐商品和推荐商品店铺路径地址；
购物推荐模块，用于根据所述线下购物推荐商品和所述推荐商品店铺路径地址生成线下商品推荐界面，所述线下商品推荐界面用于动态展示所述线下购物推荐商品和所述推荐商品店铺路径地址。
具体而言，所述***还包括：
模块，用于根据所述线上商品购买类型数据，获取当前时间的当季火热商品数据，接着基于所述线上商品购买类型数据和所述当季火热商品数据生成同类型线下商品店铺数据；
消费金额模块，用于根据所述线上商品消费金额数据，获取以所述线上商品消费金额数据为中心浮动特定金额后形成的消费金额范围数据，接着根据所述消费金额范围数据生成同类型消费金额线下商品店铺数据；
店铺数据模块，用于在获取所述同类型线下商品店铺数据和所述同类型消费金额线下商品店铺数据后，即时生成线下店铺数据合并指令；
数据合并模块，用于根据所述线下店铺数据合并指令对所述同类型线下商品店铺数据和所述同类型消费金额线下商品店铺数据作数据合并，并生成第一类型店铺数据和第二类型店铺数据；
线下类型模块，用于将所述第一类型店铺数据和所述第二类型店铺数据依序排列，并生成同类型线下商品店铺数据。
在一个实施例中，所述***还包括：
金额数据模块，用于根据所述线上商品消费金额数据，获取当前消费主体在特定时间段内消费金额的增长比率值，并将所述增长比率值记为浮动金额参考比例值；
浮动金额模块，用于根据所述浮动金额参考比例值和生成所述线上商品消费金额数据的增长浮动金额；
范围数据模块，用于根据所述增长浮动金额和所述线上商品消费金额数据中的平均消费金额值生成消费金额范围数据；
同类生成模块，用于根据所述消费金额范围数据生成同类型消费金额线下商品店铺数据；
消费主体模块，用于获取当前消费主体在按照所述推荐商品店铺路径地址购买所述线下购物推荐商品后的不满意信息数据集，其中，所述不满意信息数据集包括购买失败商品数据、购买失败推荐店铺、购买不满意环节数据和购买路径不满意数据；
失败商品模块，用于根据所述购买失败商品数据及购买失败推荐店铺生成当前商品不满意数据集，并将所述当前商品不满意数据集设定为第一再推荐参考信息；
失败购买模块，用于根据所述购买失败推荐店铺和购买不满意环节数据生成当前商品环节不满意数据集，并将所述当前商品环节不满意数据集设定为第二再推荐参考信息；
数据集合模块，用于根据所述购买失败推荐店铺和所述购买路径不满意数据生成当前商品路径不满意数据集，并将所述当前商品路径不满意数据集设定为第三再推荐参考信息；
推荐参考模块，用于基于所述第一再推荐参考信息、所述第二再推荐参考信息和所述第三再推荐参考信息导入至预设的原始消费商品推荐模型，并生成升级版消费商品推荐模型；
用户主体模块，用于将所述当前消费主体的当前主体基本数据信息导入至所述升级版消费商品推荐模型，生成自主设计用户主体数据；
熵运算模块，用于按照预设的熵运算根据所述第一再推荐参考信息生成第一实际信息熵，同时按照预设的熵运算根据所述第二再推荐参考信息生成第二实际信息熵，以及按照预设的熵运算根据所述第三再推荐参考信息生成第三实际信息熵；
信息熵模块，用于将所述第一实际信息熵、所述第二实际信息熵和所述第三实际信息熵按照熵值的大小进行分类，并生成优先训练顺序排列表；
优先训练模块，用于根据所述优先训练顺序排列表依次将所述第一实际信息熵、所述第二实际信息熵和所述第三实际信息熵导入至预设的原始消费商品推荐模型进行训练，并生成升级版消费商品推荐模型。
在一个实施例中，如图3所示，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述基于大数据的线上线下的消费商品推荐方法所述的步骤。
在一个实施例中，所述处理器用于执行以下步骤：
获取选择了预设的线下消费商品购物推荐选项的触发指令，基于所述触发指令调取预存的Apriori算法获取当前消费主体在特定时间段内在线上的消费商品购物过程数据，其中，所述消费商品购物过程数据至少包括线上商品购买类型数据和线上商品消费金额数据；根据所述线上商品购买类型数据和所述线上商品消费金额数据生成线下商品购物推荐需求数据，所述线下商品购物推荐需求数据至少包括线下购物推荐商品和推荐商品店铺路径地址；根据所述线下购物推荐商品和所述推荐商品店铺路径地址生成线下商品推荐界面，所述线下商品推荐界面用于动态展示所述线下购物推荐商品和所述推荐商品店铺路径地址。根据所述线上商品购买类型数据，获取当前时间的当季火热商品数据，接着基于所述线上商品购买类型数据和所述当季火热商品数据生成同类型线下商品店铺数据；根据所述线上商品消费金额数据，获取以所述线上商品消费金额数据为中心浮动特定金额后形成的消费金额范围数据，接着根据所述消费金额范围数据生成同类型消费金额线下商品店铺数据；在获取所述同类型线下商品店铺数据和所述同类型消费金额线下商品店铺数据后，即时生成线下店铺数据合并指令；根据所述线下店铺数据合并指令对所述同类型线下商品店铺数据和所述同类型消费金额线下商品店铺数据作数据合并，并生成第一类型店铺数据和第二类型店铺数据；将所述第一类型店铺数据和所述第二类型店铺数据依序排列，并生成同类型线下商品店铺数据。根据所述线上商品消费金额数据，获取当前消费主体在特定时间段内消费金额的增长比率值，并将所述增长比率值记为浮动金额参考比例值；根据所述浮动金额参考比例值和生成所述线上商品消费金额数据的增长浮动金额；根据所述增长浮动金额和所述线上商品消费金额数据中的平均消费金额值生成消费金额范围数据；根据所述消费金额范围数据生成同类型消费金额线下商品店铺数据。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于大数据的线上线下的消费商品推荐方法所述的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于大数据的线上线下的消费商品推荐方法，其特征在于，所述方法包括：
获取选择了预设的线下消费商品购物推荐选项的触发指令，基于所述触发指令调取预存的Apriori算法获取当前消费主体在特定时间段内在线上的消费商品购物过程数据，其中，所述消费商品购物过程数据至少包括线上商品购买类型数据和线上商品消费金额数据；根据所述线上商品购买类型数据和所述线上商品消费金额数据生成线下商品购物推荐需求数据，所述线下商品购物推荐需求数据至少包括线下购物推荐商品和推荐商品店铺路径地址；根据所述线下购物推荐商品和所述推荐商品店铺路径地址生成线下商品推荐界面，所述线下商品推荐界面用于动态展示所述线下购物推荐商品和所述推荐商品店铺路径地址。
2.根据权利要求1所述的基于大数据的线上线下的消费商品推荐方法，其特征在于，根据所述线上商品购买类型数据和所述线上商品消费金额数据生成线下商品购物推荐需求数据，所述线下商品购物推荐需求数据至少包括线下购物推荐商品和推荐商品店铺路径地址；具体包括：
根据所述线上商品购买类型数据，获取当前时间的当季火热商品数据，接着基于所述线上商品购买类型数据和所述当季火热商品数据生成同类型线下商品店铺数据；根据所述线上商品消费金额数据，获取以所述线上商品消费金额数据为中心浮动特定金额后形成的消费金额范围数据，接着根据所述消费金额范围数据生成同类型消费金额线下商品店铺数据；在获取所述同类型线下商品店铺数据和所述同类型消费金额线下商品店铺数据后，即时生成线下店铺数据合并指令；根据所述线下店铺数据合并指令对所述同类型线下商品店铺数据和所述同类型消费金额线下商品店铺数据作数据合并，并生成第一类型店铺数据和第二类型店铺数据；将所述第一类型店铺数据和所述第二类型店铺数据依序排列，并生成同类型线下商品店铺数据。
3.根据权利要求2所述的基于大数据的线上线下的消费商品推荐方法，其特征在于，根据所述线上商品消费金额数据，获取以所述线上商品消费金额数据为中心浮动特定金额后形成的消费金额范围数据，接着根据所述消费金额范围数据生成同类型消费金额线下商品店铺数据；具体包括：
根据所述线上商品消费金额数据，获取当前消费主体在特定时间段内消费金额的增长比率值，并将所述增长比率值记为浮动金额参考比例值；根据所述浮动金额参考比例值和生成所述线上商品消费金额数据的增长浮动金额；根据所述增长浮动金额和所述线上商品消费金额数据中的平均消费金额值生成消费金额范围数据；根据所述消费金额范围数据生成同类型消费金额线下商品店铺数据。
4.根据权利要求1-3任一项所述的基于大数据的线上线下的消费商品推荐方法，其特征在于，根据所述线下购物推荐商品和所述推荐商品店铺路径地址生成线下商品推荐界面，所述线下商品推荐界面用于动态展示所述线下购物推荐商品和所述推荐商品店铺路径地址，之后还包括：
获取当前消费主体在按照所述推荐商品店铺路径地址购买所述线下购物推荐商品后的不满意信息数据集，其中，所述不满意信息数据集包括购买失败商品数据、购买失败推荐店铺、购买不满意环节数据和购买路径不满意数据；根据所述购买失败商品数据及购买失败推荐店铺生成当前商品不满意数据集，并将所述当前商品不满意数据集设定为第一再推荐参考信息；根据所述购买失败推荐店铺和购买不满意环节数据生成当前商品环节不满意数据集，并将所述当前商品环节不满意数据集设定为第二再推荐参考信息；根据所述购买失败推荐店铺和所述购买路径不满意数据生成当前商品路径不满意数据集，并将所述当前商品路径不满意数据集设定为第三再推荐参考信息；基于所述第一再推荐参考信息、所述第二再推荐参考信息和所述第三再推荐参考信息导入至预设的原始消费商品推荐模型，并生成升级版消费商品推荐模型；将所述当前消费主体的当前主体基本数据信息导入至所述升级版消费商品推荐模型，生成自主设计用户主体数据。
5.根据权利要求4所述的基于大数据的线上线下的消费商品推荐方法，其特征在于，基于所述第一再推荐参考信息、所述第二再推荐参考信息和所述第三再推荐参考信息导入至预设的原始消费商品推荐模型，并生成升级版消费商品推荐模型；具体包括：
按照预设的熵运算根据所述第一再推荐参考信息生成第一实际信息熵，同时按照预设的熵运算根据所述第二再推荐参考信息生成第二实际信息熵，以及按照预设的熵运算根据所述第三再推荐参考信息生成第三实际信息熵；将所述第一实际信息熵、所述第二实际信息熵和所述第三实际信息熵按照熵值的大小进行分类，并生成优先训练顺序排列表；根据所述优先训练顺序排列表依次将所述第一实际信息熵、所述第二实际信息熵和所述第三实际信息熵导入至预设的原始消费商品推荐模型进行训练，并生成升级版消费商品推荐模型。
6.一种基于大数据的线上线下的消费商品推荐***，其特征在于，所述***包括：
线下消费模块，用于获取选择了预设的线下消费商品购物推荐选项的触发指令，基于所述触发指令调取预存的Apriori算法获取当前消费主体在特定时间段内在线上的消费商品购物过程数据，其中，所述消费商品购物过程数据至少包括线上商品购买类型数据和线上商品消费金额数据；
商品购买模块，用于根据所述线上商品购买类型数据和所述线上商品消费金额数据生成线下商品购物推荐需求数据，所述线下商品购物推荐需求数据至少包括线下购物推荐商品和推荐商品店铺路径地址；
购物推荐模块，用于根据所述线下购物推荐商品和所述推荐商品店铺路径地址生成线下商品推荐界面，所述线下商品推荐界面用于动态展示所述线下购物推荐商品和所述推荐商品店铺路径地址。
7.根据权利要求6所述的基于大数据的线上线下的消费商品推荐***，其特征在于，所述***还包括：
模块，用于根据所述线上商品购买类型数据，获取当前时间的当季火热商品数据，接着基于所述线上商品购买类型数据和所述当季火热商品数据生成同类型线下商品店铺数据；
消费金额模块，用于根据所述线上商品消费金额数据，获取以所述线上商品消费金额数据为中心浮动特定金额后形成的消费金额范围数据，接着根据所述消费金额范围数据生成同类型消费金额线下商品店铺数据；
店铺数据模块，用于在获取所述同类型线下商品店铺数据和所述同类型消费金额线下商品店铺数据后，即时生成线下店铺数据合并指令；
数据合并模块，用于根据所述线下店铺数据合并指令对所述同类型线下商品店铺数据和所述同类型消费金额线下商品店铺数据作数据合并，并生成第一类型店铺数据和第二类型店铺数据；
线下类型模块，用于将所述第一类型店铺数据和所述第二类型店铺数据依序排列，并生成同类型线下商品店铺数据。
8.根据权利要求6所述的基于大数据的线上线下的消费商品推荐***，其特征在于，所述***还包括：
金额数据模块，用于根据所述线上商品消费金额数据，获取当前消费主体在特定时间段内消费金额的增长比率值，并将所述增长比率值记为浮动金额参考比例值；
浮动金额模块，用于根据所述浮动金额参考比例值和生成所述线上商品消费金额数据的增长浮动金额；
范围数据模块，用于根据所述增长浮动金额和所述线上商品消费金额数据中的平均消费金额值生成消费金额范围数据；
同类生成模块，用于根据所述消费金额范围数据生成同类型消费金额线下商品店铺数据；
消费主体模块，用于获取当前消费主体在按照所述推荐商品店铺路径地址购买所述线下购物推荐商品后的不满意信息数据集，其中，所述不满意信息数据集包括购买失败商品数据、购买失败推荐店铺、购买不满意环节数据和购买路径不满意数据；
失败商品模块，用于根据所述购买失败商品数据及购买失败推荐店铺生成当前商品不满意数据集，并将所述当前商品不满意数据集设定为第一再推荐参考信息；
失败购买模块，用于根据所述购买失败推荐店铺和购买不满意环节数据生成当前商品环节不满意数据集，并将所述当前商品环节不满意数据集设定为第二再推荐参考信息；
数据集合模块，用于根据所述购买失败推荐店铺和所述购买路径不满意数据生成当前商品路径不满意数据集，并将所述当前商品路径不满意数据集设定为第三再推荐参考信息；
推荐参考模块，用于基于所述第一再推荐参考信息、所述第二再推荐参考信息和所述第三再推荐参考信息导入至预设的原始消费商品推荐模型，并生成升级版消费商品推荐模型；
用户主体模块，用于将所述当前消费主体的当前主体基本数据信息导入至所述升级版消费商品推荐模型，生成自主设计用户主体数据；
熵运算模块，用于按照预设的熵运算根据所述第一再推荐参考信息生成第一实际信息熵，同时按照预设的熵运算根据所述第二再推荐参考信息生成第二实际信息熵，以及按照预设的熵运算根据所述第三再推荐参考信息生成第三实际信息熵；
信息熵模块，用于将所述第一实际信息熵、所述第二实际信息熵和所述第三实际信息熵按照熵值的大小进行分类，并生成优先训练顺序排列表；
优先训练模块，用于根据所述优先训练顺序排列表依次将所述第一实际信息熵、所述第二实际信息熵和所述第三实际信息熵导入至预设的原始消费商品推荐模型进行训练，并生成升级版消费商品推荐模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202110753673.4A 2021-07-02 2021-07-02 基于大数据的线上线下的消费商品推荐方法及*** Active CN113435936B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110753673.4A CN113435936B (zh) 2021-07-02 2021-07-02 基于大数据的线上线下的消费商品推荐方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110753673.4A CN113435936B (zh) 2021-07-02 2021-07-02 基于大数据的线上线下的消费商品推荐方法及***

Publications (2)

Publication Number Publication Date
CN113435936A true CN113435936A (zh) 2021-09-24
CN113435936B CN113435936B (zh) 2022-09-06

Family

ID=77758880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110753673.4A Active CN113435936B (zh) 2021-07-02 2021-07-02 基于大数据的线上线下的消费商品推荐方法及***

Country Status (1)

Country Link
CN (1) CN113435936B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117710034A (zh) * 2023-12-12 2024-03-15 贵州果卡科技有限公司 线上水果商城的广告推送方法及***
CN117745338A (zh) * 2024-02-20 2024-03-22 山东浪潮数字商业科技有限公司 基于曲波变换的酒类消费预测方法、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107767154A (zh) * 2016-08-18 2018-03-06 中国电信股份有限公司 信息推送方法、平台和***
CN107862585A (zh) * 2017-12-04 2018-03-30 谷德嘉 线上线下购物方法及购物***
CN108876526A (zh) * 2018-06-06 2018-11-23 北京京东尚科信息技术有限公司 商品推荐方法、装置和计算机可读存储介质
CN109214893A (zh) * 2018-08-31 2019-01-15 深圳春沐源控股有限公司 商品推荐方法、推荐***及计算机装置
CN109636454A (zh) * 2018-12-05 2019-04-16 广州市弹弹旦电子商务有限公司 一种基于区域用户习惯大数据的商品推送方法
CN112200636A (zh) * 2020-10-24 2021-01-08 朱丽勤 一种基于大数据的智能购物推荐方法
KR102234751B1 (ko) * 2020-08-18 2021-03-31 최우석 고객의 화장품 구매 내역을 인공지능으로 분석하여 맞춤형으로 추천하는 고객 맞춤형 화장품 추천 시스템

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107767154A (zh) * 2016-08-18 2018-03-06 中国电信股份有限公司 信息推送方法、平台和***
CN107862585A (zh) * 2017-12-04 2018-03-30 谷德嘉 线上线下购物方法及购物***
CN108876526A (zh) * 2018-06-06 2018-11-23 北京京东尚科信息技术有限公司 商品推荐方法、装置和计算机可读存储介质
CN109214893A (zh) * 2018-08-31 2019-01-15 深圳春沐源控股有限公司 商品推荐方法、推荐***及计算机装置
CN109636454A (zh) * 2018-12-05 2019-04-16 广州市弹弹旦电子商务有限公司 一种基于区域用户习惯大数据的商品推送方法
KR102234751B1 (ko) * 2020-08-18 2021-03-31 최우석 고객의 화장품 구매 내역을 인공지능으로 분석하여 맞춤형으로 추천하는 고객 맞춤형 화장품 추천 시스템
CN112200636A (zh) * 2020-10-24 2021-01-08 朱丽勤 一种基于大数据的智能购物推荐方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117710034A (zh) * 2023-12-12 2024-03-15 贵州果卡科技有限公司 线上水果商城的广告推送方法及***
CN117745338A (zh) * 2024-02-20 2024-03-22 山东浪潮数字商业科技有限公司 基于曲波变换的酒类消费预测方法、电子设备及存储介质
CN117745338B (zh) * 2024-02-20 2024-05-03 山东浪潮数字商业科技有限公司 基于曲波变换的酒类消费预测方法、电子设备及存储介质

Also Published As

Publication number Publication date
CN113435936B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN113435936B (zh) 基于大数据的线上线下的消费商品推荐方法及***
CN111080398B (zh) 商品推荐方法、装置、计算机设备和存储介质
CN108205768B (zh) 数据库建立方法和数据推荐方法及装置、设备和存储介质
CN111080413A (zh) 电商平台商品的推荐方法、装置、服务器和存储介质
AU2017268629A1 (en) Collaborative filtering method, apparatus, server and storage medium in combination with time factor
CN109300003A (zh) 企业推荐方法、装置、计算机设备和存储介质
CN111127152A (zh) 基于用户偏好预测的商品推荐方法、装置、设备及可读介质
WO2020077876A1 (zh) 企业供销关系图谱生成方法、装置和计算机设备
CN115689451A (zh) 一种线下零售门店补货量确定方法、装置、终端及介质
CN109254980A (zh) 客户分数排序的方法、装置、计算机设备和存储介质
KR20180113111A (ko) 키워드 검색량 기반 예측 정보 생성 장치 및 방법
CN110880127A (zh) 消费水平的预测方法、装置、电子设备及存储介质
CN113689259A (zh) 基于用户行为的商品个性化推荐方法及***
CN111160566A (zh) 样本生成方法、装置、计算机可读存储介质和计算机设备
CN110858377B (zh) 信息处理方法、页面显示方法、***及设备
CN111523914A (zh) 用户满意度的评测方法、装置、***和数据显示平台
CN114579843A (zh) 一种个性化搜索的方法、装置、计算机设备和存储介质
CN110889748B (zh) 店商平台产品推荐方法、装置、计算机设备以及存储介质
CN112001768A (zh) 基于机器人流程自动化的电商平台开店方法和装置
CN111582901A (zh) 一种展示链接效果的量化方法、装置、***及存储介质
CN117194764A (zh) 一种基于多平台融合商城的商品展示方法、设备及介质
CN115760275A (zh) 一种电商平台的产品销售智能推荐方法和***
CN114565422A (zh) 仓库销量预测方法、装置、存储介质及设备
CN114820113A (zh) 基于区块链的电商平台推荐调整方法及***
CN112488771B (zh) 自动设置商品价格的方法、装置、设备和存储介质

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