CN115797020B - 基于图数据库的数据处理的零售推荐方法、***和介质 - Google Patents
基于图数据库的数据处理的零售推荐方法、***和介质 Download PDFInfo
- Publication number
- CN115797020B CN115797020B CN202310066994.6A CN202310066994A CN115797020B CN 115797020 B CN115797020 B CN 115797020B CN 202310066994 A CN202310066994 A CN 202310066994A CN 115797020 B CN115797020 B CN 115797020B
- Authority
- CN
- China
- Prior art keywords
- consumption
- retail
- commodity
- information
- data
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000008520 organization Effects 0.000 claims abstract description 53
- 230000003993 interaction Effects 0.000 claims abstract description 49
- 238000010586 diagram Methods 0.000 claims abstract description 42
- 230000006399 behavior Effects 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 15
- 238000012216 screening Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供了基于图数据库的数据处理的零售推荐方法、***和介质。属于图数据库应用和大数据技术领域。该方法包括:采集商品交互信息和消费特性信息输入零售事件图数据库生成零售关系模型组织树,并生成目标消费群特征画像,再提取消费倾向数据并与图数据库中商品数据信息进行相似度对比获得商品零售意向数据,对消费倾向数据与商品零售意向数据进行处理获得供销契合关联指数,再与预设零售关系拟合阈值进行阈值对比判断零售商品推荐的有效情况;从而运用图数据库获得消费倾向数据,与商品数据信息对比获得的商品零售意向数据进行契合度处理并判断零售商品推荐情况,实现通过图数据库技术和大数据对消费群和零售商品进行推荐和判断技术。
Description
技术领域
本申请涉及图数据库应用和大数据技术领域,具体而言,涉及基于图数据库的数据处理的零售推荐方法、***和介质。
背景技术
目前针对市场庞大消费群体的个性化商品销售需求以及日益倍增的商品种类数量的供求关系,如何能够在巨大消费体量和商品体量中找到符合消费群体需求的零售商品,同时也为海量商品找到对应的需求消费者,是当今消费市场需要解决的重要问题,而目前的手段主要通过各媒介平台以及终端根据消费者检索搜寻需求进行商品推荐,而这种手段缺乏全面性和准确性,且存在商业为主导目的的差异化、非全面性诱导,导致无法实时掌握消费群体实际的需求以及找寻到合适的零售商品的缺陷。
而图数据库技术是从构建大数据架构开始,专业应对社会各类人群的行为数据处理的实时图计算引擎,成功应用于实时运营、社会化聆听、数据管理等场景中,其很好的表达人的行为、属性、社会活动、内容浏览和商品交易等各种抽象关系,且图数据库包括了相关算法框架层,可以直接支持实时聚类、归因分析等展示和演算,可以提供面向业务逻辑的精准服务,适合动态变化的信息的数据处理。
而目前缺乏运用图数据库技术对销售群体的零售商品进行适配和推荐处理的大数据技术。
针对上述问题,目前亟待有效的技术解决方案。
发明内容
本申请实施例的目的在于提供基于图数据库的数据处理的零售推荐方法、***和介质,可以通过运用图数据库获得目标消费群的特征画像并提取消费倾向数据,与商品数据信息对比获得的商品零售意向数据进行契合度处理并进行阈值对比判断零售商品推荐的情况,实现通过图数据库技术和大数据对消费群和零售商品进行推荐和判断的技术。
本申请实施例还提供了基于图数据库的数据处理的零售推荐方法,包括以下步骤:
采集零售平台的商品交互信息以及消费者终端的消费关联特性信息,并将所述商品交互信息和消费特性信息输入预设的零售事件图数据库中,生成消费者族群的零售关系模型组织树;
获取所述零售关系模型组织树中目标消费群的消费特征信息,并生成目标消费群特征画像;
根据所述目标消费群特征画像提取消费倾向数据,并根据所述消费倾向数据与所述零售事件图数据库中的商品数据信息进行相似度对比,获得商品零售意向数据;
通过所述零售事件图数据库获取零售消费行为模型,通过所述零售消费行为模型对所述消费倾向数据与商品零售意向数据进行销售契合度判断,获得供销契合关联指数;
根据所述供销契合关联指数与预设零售关系拟合阈值进行阈值对比,根据阈值对比结果判定商品零售意向结果,若阈值对比结果满足预设要求,则零售商品推荐有效。
可选地,在本申请实施例所述的基于图数据库的数据处理的零售推荐方法中,所述获取零售平台的商品交互信息以及消费者终端的消费关联特性信息,并将所述商品交互信息和消费特性信息输入预设的零售事件图数据库中,生成消费者族群的零售关系模型组织树,包括:
采集预设的零售平台的商品交互信息,包括商品属性信息、商品销量信息、商品归属地信息、商品浏览咨询信息以及商品求购关注信息;
采集预设的消费者终端的消费关联特性信息,包括消费者ID信息、消费习惯信息以及历史消费类型状况信息;
将所述商品交互信息和消费特性信息输入预设的零售事件图数据库中,生成消费者族群的零售关系模型组织树;
所述零售关系模型组织树包括各类消费群的特性信息与商品信息的信息网和关系链。
可选地,在本申请实施例所述的基于图数据库的数据处理的零售推荐方法中,所述获取所述零售关系模型组织树中目标消费群的消费特征信息,并生成目标消费群特征画像,包括:
根据所述零售关系模型组织树获取预设的目标消费群的消费特征信息,包括目标消费群的历史购买种类信息、消费额度账单信息、消费品档次信息以及历史消费频次信息;
根据所述历史购买种类信息、消费额度账单信息、消费品档次信息以及历史消费频次信息生成所述目标消费群的目标消费群特征画像。
可选地,在本申请实施例所述的基于图数据库的数据处理的零售推荐方法中,所述根据所述目标消费群特征画像提取消费倾向数据,并根据所述消费倾向数据与所述零售事件图数据库中的商品数据信息进行相似度对比,获得商品零售意向数据,包括:
根据所述目标消费群的目标消费群特征画像提取消费倾向数据,包括消费类别数据、消费购买力数据、消费品档次价值数据以及消费期分布数据;
通过所述零售事件图数据库提取预存商品信息的商品数据信息,包括商品价格档次信息、商品类别数据信息、商品市场定位信息以及商品历史成交数据信息;
根据所述消费倾向数据与所述商品数据信息进行相似度对比,获得相似度最大的消费意向商品;
提取所述消费意向商品的商品零售意向数据,包括商品类型数据、商品价格销量数据、商品历史售期数据以及历史选购对象数据。
可选地,在本申请实施例所述的基于图数据库的数据处理的零售推荐方法中,所述通过所述零售事件图数据库获取零售消费行为模型,通过所述零售消费行为模型对所述消费倾向数据与商品零售意向数据进行销售契合度判断,获得供销契合关联指数,包括:
通过所述零售事件图数据库获取与目标消费群类别对应的零售消费行为模型;
根据所述目标消费群的消费倾向数据与所述消费意向商品的商品零售意向数据输入所述零售消费行为模型中进行销售契合度计算;
根据销售契合度计算处理获得供销契合关联指数;
所述销售契合度的计算公式为:
;
其中,为供销契合关联指数,为消费类别数据,为消费购买力数据,为消费期分布数据,为消费品档次价值数据,为商品类型数据,为历史选购对象数据,为商品历史售期数据,为商品价格销量数据,为预设特征系数。
可选地,在本申请实施例所述的基于图数据库的数据处理的零售推荐方法中,所述根据所述供销契合关联指数与预设零售关系拟合阈值进行阈值对比,根据阈值对比结果判定商品零售意向结果,若阈值对比结果满足预设要求,则零售商品推荐有效,包括:
通过所述零售事件图数据库获得与所述消费意向商品对应的预设零售关系拟合阈值;
根据所述供销契合关联指数与零售关系拟合阈值进行阈值对比;
若所述供销契合关联指数满足所述零售关系拟合阈值的阈值对比要求,则所述消费意向商品符合所述目标消费群的消费倾向需求,则消费意向零售商品推荐有效。
第二方面,本申请实施例提供了基于图数据库的数据处理的零售推荐***,该***包括:存储器及处理器,所述存储器中包括基于图数据库的数据处理的零售推荐方法的程序,所述基于图数据库的数据处理的零售推荐方法的程序被所述处理器执行时实现以下步骤:
采集零售平台的商品交互信息以及消费者终端的消费关联特性信息,并将所述商品交互信息和消费特性信息输入预设的零售事件图数据库中,生成消费者族群的零售关系模型组织树;
获取所述零售关系模型组织树中目标消费群的消费特征信息,并生成目标消费群特征画像;
根据所述目标消费群特征画像提取消费倾向数据,并根据所述消费倾向数据与所述零售事件图数据库中的商品数据信息进行相似度对比,获得商品零售意向数据;
通过所述零售事件图数据库获取零售消费行为模型,通过所述零售消费行为模型对所述消费倾向数据与商品零售意向数据进行销售契合度判断,获得供销契合关联指数;
根据所述供销契合关联指数与预设零售关系拟合阈值进行阈值对比,根据阈值对比结果判定商品零售意向结果,若阈值对比结果满足预设要求,则零售商品推荐有效。
可选地,在本申请实施例所述的基于图数据库的数据处理的零售推荐***中,所述获取零售平台的商品交互信息以及消费者终端的消费关联特性信息,并将所述商品交互信息和消费特性信息输入预设的零售事件图数据库中,生成消费者族群的零售关系模型组织树,包括:
采集预设的零售平台的商品交互信息,包括商品属性信息、商品销量信息、商品归属地信息、商品浏览咨询信息以及商品求购关注信息;
采集预设的消费者终端的消费关联特性信息,包括消费者ID信息、消费习惯信息以及历史消费类型状况信息;
将所述商品交互信息和消费特性信息输入预设的零售事件图数据库中,生成消费者族群的零售关系模型组织树;
所述零售关系模型组织树包括各类消费群的特性信息与商品信息的信息网和关系链。
可选地,在本申请实施例所述的基于图数据库的数据处理的零售推荐***中,所述获取所述零售关系模型组织树中目标消费群的消费特征信息,并生成目标消费群特征画像,包括:
根据所述零售关系模型组织树获取预设的目标消费群的消费特征信息,包括目标消费群的历史购买种类信息、消费额度账单信息、消费品档次信息以及历史消费频次信息;
根据所述历史购买种类信息、消费额度账单信息、消费品档次信息以及历史消费频次信息生成所述目标消费群的目标消费群特征画像。
第三方面,本申请实施例还提供了可读存储介质,所述可读存储介质中包括基于图数据库的数据处理的零售推荐方法程序,所述基于图数据库的数据处理的零售推荐方法程序被处理器执行时,实现如上述任一项所述的基于图数据库的数据处理的零售推荐方法的步骤。
由上可知,本申请实施例提供的基于图数据库的数据处理的零售推荐方法、***和介质。该方法包括:采集商品交互信息和消费特性信息输入零售事件图数据库生成零售关系模型组织树,并获取目标消费群的消费特征信息生成目标消费群特征画像,再提取消费倾向数据并与零售事件图数据库中的商品数据信息进行相似度对比获得商品零售意向数据,通过零售消费行为模型对消费倾向数据与商品零售意向数据进行销售契合度判断获得供销契合关联指数,再与预设零售关系拟合阈值进行阈值对比判断零售商品推荐的有效情况;从而运用图数据库获得目标消费群的特征画像并提取消费倾向数据,与商品数据信息对比获得的商品零售意向数据进行契合度处理并进行阈值对比判断零售商品推荐的情况,实现通过图数据库技术和大数据对消费群和零售商品进行推荐和判断的技术。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种基于图数据库的数据处理的零售推荐方法的流程图;
图2为本申请实施例提供的一种基于图数据库的数据处理的零售推荐方法的生成消费者族群的零售关系模型组织树的流程图;
图3为本申请实施例提供的一种基于图数据库的数据处理的零售推荐方法的生成目标消费群特征画像的流程图;
图4为本申请实施例提供的基于图数据库的数据处理的零售推荐***的结构示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,图1是本申请一些实施例中的基于图数据库的数据处理的零售推荐方法的流程图。该基于图数据库的数据处理的零售推荐方法用于终端设备中,例如手机、电脑等。该基于图数据库的数据处理的零售推荐方法,包括以下步骤:
S101、采集零售平台的商品交互信息以及消费者终端的消费关联特性信息,并将所述商品交互信息和消费特性信息输入预设的零售事件图数据库中,生成消费者族群的零售关系模型组织树;
S102、获取所述零售关系模型组织树中目标消费群的消费特征信息,并生成目标消费群特征画像;
S103、根据所述目标消费群特征画像提取消费倾向数据,并根据所述消费倾向数据与所述零售事件图数据库中的商品数据信息进行相似度对比,获得商品零售意向数据;
S104、通过所述零售事件图数据库获取零售消费行为模型,通过所述零售消费行为模型对所述消费倾向数据与商品零售意向数据进行销售契合度判断,获得供销契合关联指数;
S105、根据所述供销契合关联指数与预设零售关系拟合阈值进行阈值对比,根据阈值对比结果判定商品零售意向结果,若阈值对比结果满足预设要求,则零售商品推荐有效。
需要说明的是,由于不同消费人群的消费需求不同,商品选择推荐也不同,因此为获得适合消费群体的相适配的零售商品,需明确目标消费群体的消费倾向情况,即消费需求数据化,并选择出符合消费需求的意向推荐商品,并进行适配契合度检验,以获得对目标消费群体适配的推荐零售商品,首先将采集的商品相关信息和反映消费者消费特性的信息输入到预设的零售事件图数据库中,通过图数据库的逻辑关系模型获得消费与商品零售关系的模型组织树,再进一步获取反映目标消费群消费特征的特征画像,通过画像图提取目标消费群的消费倾向数据,再与图数据库中关联分布的商品数据信息进行相似度处理,以获取符合倾向要求的商品零售意向数据,该商品零售意向数据是针对目标消费群进行匹配而得到的符合意向的零售商品的相关数据,再通过图数据库中零售消费行为模型针对消费倾向数据和匹配出的商品零售意向数据进行契合度判断,获得指数,最后根据预设阈值与指数进行阈值对比,判断推荐选择的零售商品的适配有效性,实现通过运用图数据库和大数据处理技术对消费群和商品推荐的匹配和验证。
请参照图2,图2是本申请一些实施例中的基于图数据库的数据处理的零售推荐方法的生成消费者族群的零售关系模型组织树的流程图。根据本发明实施例,所述获取零售平台的商品交互信息以及消费者终端的消费关联特性信息,并将所述商品交互信息和消费特性信息输入预设的零售事件图数据库中,生成消费者族群的零售关系模型组织树,具体为:
S201、采集预设的零售平台的商品交互信息,包括商品属性信息、商品销量信息、商品归属地信息、商品浏览咨询信息以及商品求购关注信息;
S202、采集预设的消费者终端的消费关联特性信息,包括消费者ID信息、消费习惯信息以及历史消费类型状况信息;
S203、将所述商品交互信息和消费特性信息输入预设的零售事件图数据库中,生成消费者族群的零售关系模型组织树;
S204、所述零售关系模型组织树包括各类消费群的特性信息与商品信息的信息网和关系链。
需要说明的是,为获得消费群和商品推荐选择的匹配性判断,首先需获取商品相关信息以及消费群的消费特性信息,通过预设的零售平台采集获得商品交互信息,即通过终端平台、APP等获取各类零售商品的销售、标注、展示信息,包括反映商品的种类、用途、介绍、价格、功能等属性信息,历史销量信息,商品产地、存售地信息,商品浏览、咨询、检索信息,商品被求购标注、被关注、被暂存购物车的求购关注信息,同时通过消费者各类终端采集的消费者与消费关联的特性信息,包括消费者身份、职业、收入、收货地址等ID信息,消费者的消费***台中预设的反映海量消费者群体和各类商品之间供销事件关系的图数据库,通过该图数据库获得消费者群体和海量商品之间的信息桥、信息链、信息网,呈现出消费者和商品之间的关联关系,并获得生成反映各消费者群与零售商品之间的关系模型组织树,该零售关系模型组织树包括各类消费群的特性信息与商品信息的信息网和关系链。
请参照图3,图3是本申请一些实施例中的基于图数据库的数据处理的零售推荐方法的生成目标消费群特征画像的流程图。根据本发明实施例,所述获取所述零售关系模型组织树中目标消费群的消费特征信息,并生成目标消费群特征画像,具体为:
S301、根据所述零售关系模型组织树获取预设的目标消费群的消费特征信息,包括目标消费群的历史购买种类信息、消费额度账单信息、消费品档次信息以及历史消费频次信息;
S302、根据所述历史购买种类信息、消费额度账单信息、消费品档次信息以及历史消费频次信息生成所述目标消费群的目标消费群特征画像。
需要说明的是,通过建立的零售关系模型组织树的信息网链可以获取预设的目标消费群的消费特征信息,即通过模型组织树可以获得需要匹配的目标消费者群体的反映消费特征的相关信息,包括目标消费群的历史购买商品种类、类别信息,消费额度和历史消费账单信息,消费品档次、级别、价值信息,历史消费数量、频次的消费分布和统计量信息,通过目标消费群的相关消费特征信息可以获得生成反映目标消费群的消费共性、特性、属性的特征画像,该特征画像数字化描述了该目标消费群中消费者的消费侧重、习惯、共性数据。
根据本发明实施例,所述根据所述目标消费群特征画像提取消费倾向数据,并根据所述消费倾向数据与所述零售事件图数据库中的商品数据信息进行相似度对比,获得商品零售意向数据,具体为:
根据所述目标消费群的目标消费群特征画像提取消费倾向数据,包括消费类别数据、消费购买力数据、消费品档次价值数据以及消费期分布数据;
通过所述零售事件图数据库提取预存商品信息的商品数据信息,包括商品价格档次信息、商品类别数据信息、商品市场定位信息以及商品历史成交数据信息;
根据所述消费倾向数据与所述商品数据信息进行相似度对比,获得相似度最大的消费意向商品;
提取所述消费意向商品的商品零售意向数据,包括商品类型数据、商品价格销量数据、商品历史售期数据以及历史选购对象数据。
需要说明的是,通过目标消费群特征画像提取目标消费群的消费倾向数据,包括反映消费购买种类类别、购买力、消费购买档次和价值、消费时段、周期的分布情况的相关数据,再通过零售事件图数据库提取出预存的商品信息的商品数据信息,即在该图数据库的信息网链中各类零售商品的相关信息,包括反映商品的价格、档次,商品类型类别,商品营销对象定位,商品历史成交数量、销售地分布、销售时间分布的情况信息,再根据消费倾向数据与商品数据信息进行相似度对比,获得相似度最大的消费意向商品,即通过图数据库中零售商品与目标消费群的消费倾向进行供需关系间的相似度对比,找出能够匹配目标消费群的消费目标和倾向的最相似的意向零售商品,即消费意向商品,再提取消费意向商品的商品零售意向数据,即所选择的消费意向商品的零售意向数据,包括反映商品类型、特征、属性的数据,商品价格、销量数据,商品历史销售时段分布,历史购买商品的消费对象情况的相关数据,其中,相似度对比采用余弦相似度或欧氏距离相似度。
根据本发明实施例,所述通过所述零售事件图数据库获取零售消费行为模型,通过所述零售消费行为模型对所述消费倾向数据与商品零售意向数据进行销售契合度判断,获得供销契合关联指数,具体为:
通过所述零售事件图数据库获取与目标消费群类别对应的零售消费行为模型;
根据所述目标消费群的消费倾向数据与所述消费意向商品的商品零售意向数据输入所述零售消费行为模型中进行销售契合度计算;
根据销售契合度计算处理获得供销契合关联指数;
所述销售契合度的计算公式为:
;
其中,为供销契合关联指数,为消费类别数据,为消费购买力数据,为消费期分布数据,为消费品档次价值数据,为商品类型数据,为历史选购对象数据,为商品历史售期数据,为商品价格销量数据,为预设特征系数(预设特征系数通过零售事件图数据库获得)。
需要说明的是,在获得了消费意向商品的零售意向数据以及目标消费群的消费倾向数据之后,为检验所匹配出的消费意向商品是否满足目标消费群的消费要求和倾向目标,根据目标消费群的消费倾向数据与消费意向商品的商品零售意向数据进行契合度计算,获得供销契合关联指数,该指数反映匹配出的消费意向商品与目标消费群的消费需求的供求契合度,该契合度计算模型通过零售事件图数据库进行获得,通过与目标消费群类别进行对应匹配出零售消费行为模型,再通过该模型计算出供销契合关联指数。
根据本发明实施例,所述根据所述供销契合关联指数与预设零售关系拟合阈值进行阈值对比,根据阈值对比结果判定商品零售意向结果,若阈值对比结果满足预设要求,则零售商品推荐有效,具体为:
通过所述零售事件图数据库获得与所述消费意向商品对应的预设零售关系拟合阈值;
根据所述供销契合关联指数与零售关系拟合阈值进行阈值对比;
若所述供销契合关联指数满足所述零售关系拟合阈值的阈值对比要求,则所述消费意向商品符合所述目标消费群的消费倾向需求,则消费意向零售商品推荐有效。
需要说明的是,在获得对目标消费群的消费倾向与消费意向商品的商品零售意向之间的供销契合度的供销契合关联指数后,为检验推荐的供求关系是否有效,即所推荐的零售商品是否满足目标消费群的消费意向,对供销契合关联指数进行阈值对比验证匹配零售商品的推荐有效性,通过零售事件图数据库获得与消费意向商品对应的预设零售关系拟合阈值,再根据得到的供销契合关联指数与该零售关系拟合阈值进行阈值对比,若供销契合关联指数满足零售关系拟合阈值的阈值对比要求,则消费意向商品符合目标消费群的消费倾向需求,即说明所推荐的消费意向零售商品有效,符合目标消费群的零售商品的供需倾向,否则,则说明所推荐匹配的消费意向零售商品无效,不满足目标消费群的供需要求,其中,本实施例中零售关系拟合阈值的预设阈值对比要求不小于90%。
根据本发明实施例,还包括:
若所述供销契合关联指数不满足所述零售关系拟合阈值的阈值对比要求,则所述消费意向商品不符合所述目标消费群的消费倾向需求;
根据所述消费倾向数据与所述商品零售意向数据进行进行商品匹配偏差度检验,获得零售推荐偏差度指数;
其中,所述零售推荐偏差度指数的计算公式为:
;
其中,为零售推荐偏差度指数,为预设偏检系数(预设偏检系数通过零售事件图数据库获得)。
需要说明的是,为检验所匹配出推荐的消费意向商品与目标消费群的消费供求倾向的偏差性,根据目标消费群的消费倾向数据与消费意向商品的商品零售意向数据进行偏差度计算,获得零售推荐偏差度指数,该指数反映匹配出的消费意向商品与目标消费群的供需之间偏差情况,通过该偏差度指数与预设偏差对照参数进行对比,可检验出所推荐的消费意向商品的选择偏差多少,所述预设偏差对照参数可通过零售事件图数据库根据目标消费群的属性信息进行对应获得。
根据本发明实施例,还包括:
获取所述目标消费群购买历史选购商品对应的商品属性因子和商品价格因子,以及所述历史选购商品对应的购买状况信息因子;
将所述商品属性因子、商品价格因子以及购买状况信息因子进行预处理,得到选购样本集;
将所述选购样本集输入至初始化的商品选购筛选模型中进行训练,获取训练输出结果的准确率;
若准确率大于预设阈值则停止训练,得到所述商品选购筛选模型;
将所述目标消费群的当前购买意向状况信息和多件待选消费商品的商品信息输入所述商品选购筛选模型中进行处理,得到目标筛选商品。
需要说明的是,商品选购筛选模型需要大量的历史数据进行训练,数据量决定模型的准确度,本申请中的商品选购筛选模型可以通过所述目标消费群历史选购商品的商品类型属性、价格以及购买状况信息对应获得商品属性因子、商品价格因子以及购买状况信息因子作为输入进行训练提高模型的准确率,当所述准确率高于预设的准确率阈值时则停止训练以得到所述商品选购筛选模型,其中准确率阈值可以设置为85%,将目标消费群的当前购买意向状况信息和多件待选消费商品的商品信息输入模型中进行处理,获得目标筛选商品。
如图4所示,本发明还公开了基于图数据库的数据处理的零售推荐***4,包括存储器41和处理器42,所述存储器中包括基于图数据库的数据处理的零售推荐方法程序,所述基于图数据库的数据处理的零售推荐方法程序被所述处理器执行时实现如下步骤:
采集零售平台的商品交互信息以及消费者终端的消费关联特性信息,并将所述商品交互信息和消费特性信息输入预设的零售事件图数据库中,生成消费者族群的零售关系模型组织树;
获取所述零售关系模型组织树中目标消费群的消费特征信息,并生成目标消费群特征画像;
根据所述目标消费群特征画像提取消费倾向数据,并根据所述消费倾向数据与所述零售事件图数据库中的商品数据信息进行相似度对比,获得商品零售意向数据;
通过所述零售事件图数据库获取零售消费行为模型,通过所述零售消费行为模型对所述消费倾向数据与商品零售意向数据进行销售契合度判断,获得供销契合关联指数;
根据所述供销契合关联指数与预设零售关系拟合阈值进行阈值对比,根据阈值对比结果判定商品零售意向结果,若阈值对比结果满足预设要求,则零售商品推荐有效。
需要说明的是,由于不同消费人群的消费需求不同,商品选择推荐也不同,因此为获得适合消费群体的相适配的零售商品,需明确目标消费群体的消费倾向情况,即消费需求数据化,并选择出符合消费需求的意向推荐商品,并进行适配契合度检验,以获得对目标消费群体适配的推荐零售商品,首先将采集的商品相关信息和反映消费者消费特性的信息输入到预设的零售事件图数据库中,通过图数据库的逻辑关系模型获得消费与商品零售关系的模型组织树,再进一步获取反映目标消费群消费特征的特征画像,通过画像图提取目标消费群的消费倾向数据,再与图数据库中关联分布的商品数据信息进行相似度处理,以获取符合倾向要求的商品零售意向数据,该商品零售意向数据是针对目标消费群进行匹配而得到的符合意向的零售商品的相关数据,再通过图数据库中零售消费行为模型针对消费倾向数据和匹配出的商品零售意向数据进行契合度判断,获得指数,最后根据预设阈值与指数进行阈值对比,判断推荐选择的零售商品的适配有效性,实现通过运用图数据库和大数据处理技术对消费群和商品推荐的匹配和验证。
根据本发明实施例,所述获取零售平台的商品交互信息以及消费者终端的消费关联特性信息,并将所述商品交互信息和消费特性信息输入预设的零售事件图数据库中,生成消费者族群的零售关系模型组织树,具体为:
采集预设的零售平台的商品交互信息,包括商品属性信息、商品销量信息、商品归属地信息、商品浏览咨询信息以及商品求购关注信息;
采集预设的消费者终端的消费关联特性信息,包括消费者ID信息、消费习惯信息以及历史消费类型状况信息;
将所述商品交互信息和消费特性信息输入预设的零售事件图数据库中,生成消费者族群的零售关系模型组织树;
所述零售关系模型组织树包括各类消费群的特性信息与商品信息的信息网和关系链。
需要说明的是,为获得消费群和商品推荐选择的匹配性判断,首先需获取商品相关信息以及消费群的消费特性信息,通过预设的零售平台采集获得商品交互信息,即通过终端平台、APP等获取各类零售商品的销售、标注、展示信息,包括反映商品的种类、用途、介绍、价格、功能等属性信息,历史销量信息,商品产地、存售地信息,商品浏览、咨询、检索信息,商品被求购标注、被关注、被暂存购物车的求购关注信息,同时通过消费者各类终端采集的消费者与消费关联的特性信息,包括消费者身份、职业、收入、收货地址等ID信息,消费者的消费***台中预设的反映海量消费者群体和各类商品之间供销事件关系的图数据库,通过该图数据库获得消费者群体和海量商品之间的信息桥、信息链、信息网,呈现出消费者和商品之间的关联关系,并获得生成反映各消费者群与零售商品之间的关系模型组织树,该零售关系模型组织树包括各类消费群的特性信息与商品信息的信息网和关系链。
根据本发明实施例,所述获取所述零售关系模型组织树中目标消费群的消费特征信息,并生成目标消费群特征画像,具体为:
根据所述零售关系模型组织树获取预设的目标消费群的消费特征信息,包括目标消费群的历史购买种类信息、消费额度账单信息、消费品档次信息以及历史消费频次信息;
根据所述历史购买种类信息、消费额度账单信息、消费品档次信息以及历史消费频次信息生成所述目标消费群的目标消费群特征画像。
需要说明的是,通过建立的零售关系模型组织树的信息网链可以获取预设的目标消费群的消费特征信息,即通过模型组织树可以获得需要匹配的目标消费者群体的反映消费特征的相关信息,包括目标消费群的历史购买商品种类、类别信息,消费额度和历史消费账单信息,消费品档次、级别、价值信息,历史消费数量、频次的消费分布和统计量信息,通过目标消费群的相关消费特征信息可以获得生成反映目标消费群的消费共性、特性、属性的特征画像,该特征画像数字化描述了该目标消费群中消费者的消费侧重、习惯、共性数据。
根据本发明实施例,所述根据所述目标消费群特征画像提取消费倾向数据,并根据所述消费倾向数据与所述零售事件图数据库中的商品数据信息进行相似度对比,获得商品零售意向数据,具体为:
根据所述目标消费群的目标消费群特征画像提取消费倾向数据,包括消费类别数据、消费购买力数据、消费品档次价值数据以及消费期分布数据;
通过所述零售事件图数据库提取预存商品信息的商品数据信息,包括商品价格档次信息、商品类别数据信息、商品市场定位信息以及商品历史成交数据信息;
根据所述消费倾向数据与所述商品数据信息进行相似度对比,获得相似度最大的消费意向商品;
提取所述消费意向商品的商品零售意向数据,包括商品类型数据、商品价格销量数据、商品历史售期数据以及历史选购对象数据。
需要说明的是,通过目标消费群特征画像提取目标消费群的消费倾向数据,包括反映消费购买种类类别、购买力、消费购买档次和价值、消费时段、周期的分布情况的相关数据,再通过零售事件图数据库提取出预存的商品信息的商品数据信息,即在该图数据库的信息网链中各类零售商品的相关信息,包括反映商品的价格、档次,商品类型类别,商品营销对象定位,商品历史成交数量、销售地分布、销售时间分布的情况信息,再根据消费倾向数据与商品数据信息进行相似度对比,获得相似度最大的消费意向商品,即通过图数据库中零售商品与目标消费群的消费倾向进行供需关系间的相似度对比,找出能够匹配目标消费群的消费目标和倾向的最相似的意向零售商品,即消费意向商品,再提取消费意向商品的商品零售意向数据,即所选择的消费意向商品的零售意向数据,包括反映商品类型、特征、属性的数据,商品价格、销量数据,商品历史销售时段分布,历史购买商品的消费对象情况的相关数据,其中,相似度对比采用余弦相似度或欧氏距离相似度。
根据本发明实施例,所述通过所述零售事件图数据库获取零售消费行为模型,通过所述零售消费行为模型对所述消费倾向数据与商品零售意向数据进行销售契合度判断,获得供销契合关联指数,具体为:
通过所述零售事件图数据库获取与目标消费群类别对应的零售消费行为模型;
根据所述目标消费群的消费倾向数据与所述消费意向商品的商品零售意向数据输入所述零售消费行为模型中进行销售契合度计算;
根据销售契合度计算处理获得供销契合关联指数;
所述销售契合度的计算公式为:
;
其中,为供销契合关联指数,为消费类别数据,为消费购买力数据,为消费期分布数据,为消费品档次价值数据,为商品类型数据,为历史选购对象数据,为商品历史售期数据,为商品价格销量数据,为预设特征系数(预设特征系数通过零售事件图数据库获得)。
需要说明的是,在获得了消费意向商品的零售意向数据以及目标消费群的消费倾向数据之后,为检验所匹配出的消费意向商品是否满足目标消费群的消费要求和倾向目标,根据目标消费群的消费倾向数据与消费意向商品的商品零售意向数据进行契合度计算,获得供销契合关联指数,该指数反映匹配出的消费意向商品与目标消费群的消费需求的供求契合度,该契合度计算模型通过零售事件图数据库进行获得,通过与目标消费群类别进行对应匹配出零售消费行为模型,再通过该模型计算出供销契合关联指数。
根据本发明实施例,所述根据所述供销契合关联指数与预设零售关系拟合阈值进行阈值对比,根据阈值对比结果判定商品零售意向结果,若阈值对比结果满足预设要求,则零售商品推荐有效,具体为:
通过所述零售事件图数据库获得与所述消费意向商品对应的预设零售关系拟合阈值;
根据所述供销契合关联指数与零售关系拟合阈值进行阈值对比;
若所述供销契合关联指数满足所述零售关系拟合阈值的阈值对比要求,则所述消费意向商品符合所述目标消费群的消费倾向需求,则消费意向零售商品推荐有效。
需要说明的是,在获得对目标消费群的消费倾向与消费意向商品的商品零售意向之间的供销契合度的供销契合关联指数后,为检验推荐的供求关系是否有效,即所推荐的零售商品是否满足目标消费群的消费意向,对供销契合关联指数进行阈值对比验证匹配零售商品的推荐有效性,通过零售事件图数据库获得与消费意向商品对应的预设零售关系拟合阈值,再根据得到的供销契合关联指数与该零售关系拟合阈值进行阈值对比,若供销契合关联指数满足零售关系拟合阈值的阈值对比要求,则消费意向商品符合目标消费群的消费倾向需求,即说明所推荐的消费意向零售商品有效,符合目标消费群的零售商品的供需倾向,否则,则说明所推荐匹配的消费意向零售商品无效,不满足目标消费群的供需要求,其中,本实施例中零售关系拟合阈值的预设阈值对比要求不小于90%。
根据本发明实施例,还包括:
若所述供销契合关联指数不满足所述零售关系拟合阈值的阈值对比要求,则所述消费意向商品不符合所述目标消费群的消费倾向需求;
根据所述消费倾向数据与所述商品零售意向数据进行进行商品匹配偏差度检验,获得零售推荐偏差度指数;
其中,所述零售推荐偏差度指数的计算公式为:
;
其中,为零售推荐偏差度指数,为预设偏检系数(预设偏检系数通过零售事件图数据库获得)。
需要说明的是,为检验所匹配出推荐的消费意向商品与目标消费群的消费供求倾向的偏差性,根据目标消费群的消费倾向数据与消费意向商品的商品零售意向数据进行偏差度计算,获得零售推荐偏差度指数,该指数反映匹配出的消费意向商品与目标消费群的供需之间偏差情况,通过该偏差度指数与预设偏差对照参数进行对比,可检验出所推荐的消费意向商品的选择偏差多少,所述预设偏差对照参数可通过零售事件图数据库根据目标消费群的属性信息进行对应获得。
根据本发明实施例,还包括:
获取所述目标消费群购买历史选购商品对应的商品属性因子和商品价格因子,以及所述历史选购商品对应的购买状况信息因子;
将所述商品属性因子、商品价格因子以及购买状况信息因子进行预处理,得到选购样本集;
将所述选购样本集输入至初始化的商品选购筛选模型中进行训练,获取训练输出结果的准确率;
若准确率大于预设阈值则停止训练,得到所述商品选购筛选模型;
将所述目标消费群的当前购买意向状况信息和多件待选消费商品的商品信息输入所述商品选购筛选模型中进行处理,得到目标筛选商品。
需要说明的是,商品选购筛选模型需要大量的历史数据进行训练,数据量决定模型的准确度,本申请中的商品选购筛选模型可以通过所述目标消费群历史选购商品的商品类型属性、价格以及购买状况信息对应获得商品属性因子、商品价格因子以及购买状况信息因子作为输入进行训练提高模型的准确率,当所述准确率高于预设的准确率阈值时则停止训练以得到所述商品选购筛选模型,其中准确率阈值可以设置为85%,将目标消费群的当前购买意向状况信息和多件待选消费商品的商品信息输入模型中进行处理,获得目标筛选商品。
本发明第三方面提供了可读存储介质,所述可读存储介质中包括基于图数据库的数据处理的零售推荐方法程序,所述基于图数据库的数据处理的零售推荐方法程序被处理器执行时,实现如上述任一项所述的基于图数据库的数据处理的零售推荐方法的步骤。
本发明公开的基于图数据库的数据处理的零售推荐方法、***和介质,通过采集商品交互信息和消费特性信息输入零售事件图数据库生成零售关系模型组织树,并获取目标消费群的消费特征信息生成目标消费群特征画像,再提取消费倾向数据并与零售事件图数据库中的商品数据信息进行相似度对比获得商品零售意向数据,通过零售消费行为模型对消费倾向数据与商品零售意向数据进行销售契合度判断获得供销契合关联指数,再与预设零售关系拟合阈值进行阈值对比判断零售商品推荐的有效情况;从而运用图数据库获得目标消费群的特征画像并提取消费倾向数据,与商品数据信息对比获得的商品零售意向数据进行契合度处理并进行阈值对比判断零售商品推荐的情况,实现通过图数据库技术和大数据对消费群和零售商品进行推荐和判断的技术。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备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划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、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。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个可读取存储介质中。基于这样的理解,本发明实施例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)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (9)
1.基于图数据库的数据处理的零售推荐方法,其特征在于,包括以下步骤:
采集零售平台的商品交互信息以及消费者终端的消费关联特性信息,并将所述商品交互信息和消费特性信息输入预设的零售事件图数据库中,生成消费者族群的零售关系模型组织树;
获取所述零售关系模型组织树中目标消费群的消费特征信息,并生成目标消费群特征画像;
根据所述目标消费群特征画像提取消费倾向数据,并根据所述消费倾向数据与所述零售事件图数据库中的商品数据信息进行相似度对比,获得商品零售意向数据;
通过所述零售事件图数据库获取零售消费行为模型,通过所述零售消费行为模型对所述消费倾向数据与商品零售意向数据进行销售契合度判断,获得供销契合关联指数;
根据所述供销契合关联指数与预设零售关系拟合阈值进行阈值对比,根据阈值对比结果判定商品零售意向结果,若阈值对比结果满足预设要求,则零售商品推荐有效;
所述通过所述零售事件图数据库获取零售消费行为模型,通过所述零售消费行为模型对所述消费倾向数据与商品零售意向数据进行销售契合度判断,获得供销契合关联指数,包括:
通过所述零售事件图数据库获取与目标消费群类别对应的零售消费行为模型;
根据所述目标消费群的消费倾向数据与消费意向商品的商品零售意向数据输入所述零售消费行为模型中进行销售契合度计算;
根据销售契合度计算处理获得供销契合关联指数;
所述销售契合度的计算公式为:
;
其中,为供销契合关联指数,为消费类别数据,为消费购买力数据,为消费期分布数据,为消费品档次价值数据,为商品类型数据,为历史选购对象数据,为商品历史售期数据, 为商品价格销量数据,为预设特征系数。
2.根据权利要求1所述的基于图数据库的数据处理的零售推荐方法,其特征在于,所述采集零售平台的商品交互信息以及消费者终端的消费关联特性信息,并将所述商品交互信息和消费特性信息输入预设的零售事件图数据库中,生成消费者族群的零售关系模型组织树,包括:
采集预设的零售平台的商品交互信息,包括商品属性信息、商品销量信息、商品归属地信息、商品浏览咨询信息以及商品求购关注信息;
采集预设的消费者终端的消费关联特性信息,包括消费者ID信息、消费习惯信息以及历史消费类型状况信息;
将所述商品交互信息和消费特性信息输入预设的零售事件图数据库中,生成消费者族群的零售关系模型组织树;
所述零售关系模型组织树包括各类消费群的特性信息与商品信息的信息网和关系链。
3.根据权利要求2所述的基于图数据库的数据处理的零售推荐方法,其特征在于,所述获取所述零售关系模型组织树中目标消费群的消费特征信息,并生成目标消费群特征画像,包括:
根据所述零售关系模型组织树获取预设的目标消费群的消费特征信息,包括目标消费群的历史购买种类信息、消费额度账单信息、消费品档次信息以及历史消费频次信息;
根据所述历史购买种类信息、消费额度账单信息、消费品档次信息以及历史消费频次信息生成所述目标消费群的目标消费群特征画像。
4.根据权利要求3所述的基于图数据库的数据处理的零售推荐方法,其特征在于,所述根据所述目标消费群特征画像提取消费倾向数据,并根据所述消费倾向数据与所述零售事件图数据库中的商品数据信息进行相似度对比,获得商品零售意向数据,包括:
根据所述目标消费群的目标消费群特征画像提取消费倾向数据,包括消费类别数据、消费购买力数据、消费品档次价值数据以及消费期分布数据;
通过所述零售事件图数据库提取预存商品信息的商品数据信息,包括商品价格档次信息、商品类别数据信息、商品市场定位信息以及商品历史成交数据信息;
根据所述消费倾向数据与所述商品数据信息进行相似度对比,获得相似度最大的消费意向商品;
提取所述消费意向商品的商品零售意向数据,包括商品类型数据、商品价格销量数据、商品历史售期数据以及历史选购对象数据。
5.根据权利要求4所述的基于图数据库的数据处理的零售推荐方法,其特征在于,所述根据所述供销契合关联指数与预设零售关系拟合阈值进行阈值对比,根据阈值对比结果判定商品零售意向结果,若阈值对比结果满足预设要求,则零售商品推荐有效,包括:
通过所述零售事件图数据库获得与所述消费意向商品对应的预设零售关系拟合阈值;
根据所述供销契合关联指数与零售关系拟合阈值进行阈值对比;
若所述供销契合关联指数满足所述零售关系拟合阈值的阈值对比要求,则所述消费意向商品符合所述目标消费群的消费倾向需求,则消费意向零售商品推荐有效。
6.基于图数据库的数据处理的零售推荐***,其特征在于,该***包括:存储器及处理器,所述存储器中包括基于图数据库的数据处理的零售推荐方法的程序,所述基于图数据库的数据处理的零售推荐方法的程序被所述处理器执行时实现以下步骤:
采集零售平台的商品交互信息以及消费者终端的消费关联特性信息,并将所述商品交互信息和消费特性信息输入预设的零售事件图数据库中,生成消费者族群的零售关系模型组织树;
获取所述零售关系模型组织树中目标消费群的消费特征信息,并生成目标消费群特征画像;
根据所述目标消费群特征画像提取消费倾向数据,并根据所述消费倾向数据与所述零售事件图数据库中的商品数据信息进行相似度对比,获得商品零售意向数据;
通过所述零售事件图数据库获取零售消费行为模型,通过所述零售消费行为模型对所述消费倾向数据与商品零售意向数据进行销售契合度判断,获得供销契合关联指数;
根据所述供销契合关联指数与预设零售关系拟合阈值进行阈值对比,根据阈值对比结果判定商品零售意向结果,若阈值对比结果满足预设要求,则零售商品推荐有效;
所述通过所述零售事件图数据库获取零售消费行为模型,通过所述零售消费行为模型对所述消费倾向数据与商品零售意向数据进行销售契合度判断,获得供销契合关联指数,包括:
通过所述零售事件图数据库获取与目标消费群类别对应的零售消费行为模型;
根据所述目标消费群的消费倾向数据与消费意向商品的商品零售意向数据输入所述零售消费行为模型中进行销售契合度计算;
根据销售契合度计算处理获得供销契合关联指数;
所述销售契合度的计算公式为:
;
其中,为供销契合关联指数,为消费类别数据,为消费购买力数据,为消费期分布数据,为消费品档次价值数据,为商品类型数据,为历史选购对象数据,为商品历史售期数据, 为商品价格销量数据,为预设特征系数。
7.根据权利要求6所述的基于图数据库的数据处理的零售推荐***,其特征在于,所述采集零售平台的商品交互信息以及消费者终端的消费关联特性信息,并将所述商品交互信息和消费特性信息输入预设的零售事件图数据库中,生成消费者族群的零售关系模型组织树,包括:
采集预设的零售平台的商品交互信息,包括商品属性信息、商品销量信息、商品归属地信息、商品浏览咨询信息以及商品求购关注信息;
采集预设的消费者终端的消费关联特性信息,包括消费者ID信息、消费习惯信息以及历史消费类型状况信息;
将所述商品交互信息和消费特性信息输入预设的零售事件图数据库中,生成消费者族群的零售关系模型组织树;
所述零售关系模型组织树包括各类消费群的特性信息与商品信息的信息网和关系链。
8.根据权利要求7所述的基于图数据库的数据处理的零售推荐***,其特征在于,所述获取所述零售关系模型组织树中目标消费群的消费特征信息,并生成目标消费群特征画像,包括:
根据所述零售关系模型组织树获取预设的目标消费群的消费特征信息,包括目标消费群的历史购买种类信息、消费额度账单信息、消费品档次信息以及历史消费频次信息;
根据所述历史购买种类信息、消费额度账单信息、消费品档次信息以及历史消费频次信息生成所述目标消费群的目标消费群特征画像。
9.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中包括基于图数据库的数据处理的零售推荐方法程序,所述基于图数据库的数据处理的零售推荐方法程序被处理器执行时,实现如权利要求1至5中任一项所述的基于图数据库的数据处理的零售推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310066994.6A CN115797020B (zh) | 2023-02-06 | 2023-02-06 | 基于图数据库的数据处理的零售推荐方法、***和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310066994.6A CN115797020B (zh) | 2023-02-06 | 2023-02-06 | 基于图数据库的数据处理的零售推荐方法、***和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115797020A CN115797020A (zh) | 2023-03-14 |
CN115797020B true CN115797020B (zh) | 2023-05-02 |
Family
ID=85429958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310066994.6A Active CN115797020B (zh) | 2023-02-06 | 2023-02-06 | 基于图数据库的数据处理的零售推荐方法、***和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797020B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402545B (zh) * | 2023-06-05 | 2023-08-15 | 湖南云数信息科技有限公司 | 一种数据分析处理方法及无人零售终端 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321446A (zh) * | 2019-07-08 | 2019-10-11 | 深圳市华云中盛科技有限公司 | 相关数据推荐方法、装置、计算机设备及存储介质 |
CN112258301A (zh) * | 2020-12-08 | 2021-01-22 | 北京天通慧智科技有限公司 | 商品推荐方法、装置、***、可读存储介质及电子设备 |
CN115439197A (zh) * | 2022-11-09 | 2022-12-06 | 广州科拓科技有限公司 | 基于知识图谱深度学习的电子商务推荐方法及*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5800926B2 (ja) * | 2014-01-28 | 2015-10-28 | サイジニア株式会社 | レコメンド装置、レコメンド方法、レコメンド媒体の生産方法、およびプログラム |
US10380123B2 (en) * | 2016-09-11 | 2019-08-13 | Cloudtags, Inc. | Store-specific recommendation engine |
CN111737537B (zh) * | 2020-07-21 | 2020-11-27 | 杭州欧若数网科技有限公司 | 基于图数据库的poi推荐方法、设备及介质 |
CN112015998B (zh) * | 2020-11-02 | 2021-02-09 | 北京值得买科技股份有限公司 | 一种基于用户画像的商品推荐方法 |
CN113254664B (zh) * | 2021-05-14 | 2022-05-24 | 震坤行工业超市(上海)有限公司 | 面向企业的物品推荐方法、装置和存储介质 |
-
2023
- 2023-02-06 CN CN202310066994.6A patent/CN115797020B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321446A (zh) * | 2019-07-08 | 2019-10-11 | 深圳市华云中盛科技有限公司 | 相关数据推荐方法、装置、计算机设备及存储介质 |
CN112258301A (zh) * | 2020-12-08 | 2021-01-22 | 北京天通慧智科技有限公司 | 商品推荐方法、装置、***、可读存储介质及电子设备 |
CN115439197A (zh) * | 2022-11-09 | 2022-12-06 | 广州科拓科技有限公司 | 基于知识图谱深度学习的电子商务推荐方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115797020A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108154401B (zh) | 用户画像刻画方法、装置、介质和计算设备 | |
CN109711955B (zh) | 基于当前订单的差评预警方法、***、黑名单库建立方法 | |
CN103927615B (zh) | 将实体与类别相关联 | |
CN104866484A (zh) | 一种数据处理方法和装置 | |
CN115391669B (zh) | 一种智能推荐方法、装置、电子设备 | |
CN110704730A (zh) | 基于大数据的产品数据推送方法、***及计算机设备 | |
CN108572988A (zh) | 一种房产评估数据生成方法和装置 | |
CN110659961A (zh) | 一种用于识别线下商户的方法和装置 | |
CN115797020B (zh) | 基于图数据库的数据处理的零售推荐方法、***和介质 | |
CN115953021B (zh) | 一种基于机器学习的供应商风险分析方法及装置 | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
CN117350766A (zh) | 一种基于私域电商平台的数据处理方法、***及存储介质 | |
CN114331543A (zh) | 一种大规模人群定向及动态化场景匹配的广告传播方法 | |
CN111091409B (zh) | 客户标签的确定方法、装置和服务器 | |
CN111311381A (zh) | 一种商品推荐方法及*** | |
CN106919609B (zh) | 产品信息推送方法和装置 | |
CN112511632A (zh) | 基于多源数据的对象推送方法、装置、设备及存储介质 | |
CN112949963A (zh) | 员工服务质量的评估方法、装置、存储介质和智能设备 | |
CN112085332A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN115880077A (zh) | 基于客户标签的推荐方法及其装置、电子设备及存储介质 | |
CN116304374A (zh) | 一种基于包装数据的客户匹配方法及*** | |
CN116402569A (zh) | 基于知识图谱的商品推荐方法、装置、***及存储介质 | |
CN115563176A (zh) | 一种电子商务数据处理***及方法 | |
CN114840660A (zh) | 业务推荐模型训练方法、装置、设备及存储介质 | |
CN114463022A (zh) | 一种基于大数据的智能销售管理*** |
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 |