CN117273871B - 一种基于大数据的优质商品推荐***及方法 - Google Patents

Abstract

本发明涉及优质商品推荐管理技术领域，具体地说，涉及一种基于大数据的优质商品推荐***及方法。其包括收集提取单元、分析建模单元、匹配多样单元、持续优化单元，持续优化单元根据收集提取单元中预处理操作后的数据并持续优化用户喜好优质商品数据，将优化的用户喜好优质商品数据传入匹配多样单元中，匹配多样单元对优化的用户喜好优质商品数据再次匹配。本发明通过对优化后的用户喜好优质商品数据进行再次匹配，不仅能够精确地匹配用户喜好的优质商品，还可以进一步细化和调整用户喜好的优质商品，使得推荐的优质商品更加匹配用户的需求，提高了优质商品推荐的准确性和命中率。

Description

一种基于大数据的优质商品推荐***及方法

技术领域

本发明涉及优质商品推荐管理技术领域，具体地说，涉及一种基于大数据的优质商品推荐***及方法。

背景技术

在现实场景中，当打开商城软件时，商城软件会根据用户大量的购买历史和收藏记录数据进行匹配用户喜好的商品，并推荐与用户喜好的商品，且都是向用户推荐热销商品或是折扣商品，当商城软件在处理大量用户行为数据时，并不能够精确地匹配用户喜好的优质商品和判断出用户喜好的优质商品，也不考虑该商品是否是用户所需的优质商品，这样会导致用户体验感降低，同时用户打开商城软件时，商城软件只推荐与用户喜好完全相似的商品，就可能造成信息过滤的偏见，为了避免信息过滤的偏见，于是我们提供了一种基于大数据的优质商品推荐***及方法。

发明内容

本发明的目的在于提供一种基于大数据的优质商品推荐***及方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明目的之一在于，提供了一种基于大数据的优质商品推荐***，包括收集提取单元、分析建模单元、匹配多样单元、持续优化单元；

所述收集提取单元用于对收集的用户行为数据和商品信息进行预处理操作，再对预处理操作后的数据进行用户偏好和商品属性的提取；

所述分析建模单元用于接收收集提取单元中用户偏好和商品属性数据，根据商品属性数据和预处理操作后的数据进行商品质量的分析，再根据分析后的数据分别建立优质商品模型和用户行为模型；

所述匹配多样单元用于接收分析建模单元中优质商品模型和用户行为模型数据，并根据优质商品模型和用户行为模型数据进行用户喜好优质商品的匹配；

所述匹配多样单元包括多样商品模块和商品匹配模块；

所述商品匹配模块用于接收分析建模单元中优质商品模型数据和用户行为模型数据，并根据优质商品模型数据和用户行为模型数据判断用户喜好的优质商品，再根据用户喜好的优质商品数据进行匹配，将用户喜好的优质商品数据传入多样商品模块中；

所述多样商品模块用于接收商品匹配模块中用户喜好的优质商品数据，并利用多样性推荐技术对用户喜好的优质商品数据进行多样性推荐；

多样性推荐技术实现原理：

①、基于用户喜好的优质商品数据推断出每个优质商品推荐项的权重值；

②、根据给定的推荐优质商品列表，计算每个优质商品推荐项的信息熵，熵越大，说明推荐优质商品列表中的优质商品推荐项越多样化；

③、根据需要设置多样性的优质商品阈值，过滤掉熵低于优质商品阈值的优质商品推荐项，以获得更多样化的推荐优质商品列表；

所述持续优化单元用于接收收集提取单元中预处理操作后的数据和匹配多样单元中用户喜好优质商品数据并持续优化用户喜好优质商品数据，并采用优化算法对用户喜好优质商品数据进行持续优化；

所述优化算法公式：

；

其中，表示持续优化的用户喜好商品数据值，/>表示匹配后的用户喜好的优质商品数据值，/>指预处理操作后的数据中的购买历史数值，/>指预处理操作后的数据中的收藏记录数值，/>指商品价格；

所述匹配多样单元接收分析建模单元中优质商品模型和用户行为模型数据，并根据优质商品模型和用户行为模型数据进行用户喜好优质商品的匹配，将用户喜好优质商品数据传入持续优化单元，持续优化单元根据收集提取单元中预处理操作后的数据和用户喜好优质商品数据并进行持续优化，将优化的用户喜好优质商品数据传入匹配多样单元中，匹配多样单元对优化的用户喜好优质商品数据再次匹配。

作为本技术方案的进一步改进，所述收集提取单元包括数据收集模块、数据预处理模块和特征提取模块；

所述数据预处理模块用于接收数据收集模块中收集的用户偏好和商品属性数据，并对数据收集模块的数据进行预处理操作，将预处理操作后的数据传入特征提取模块中；

所述特征提取模块用于接收预处理操作后的数据并进行提取相关数据，相关数据包括商品相关数据和用户行为相关数据，将提取的数据传入分析建模单元中。

作为本技术方案的进一步改进，所述分析建模单元包括数据分析模块、模型模块；

所述数据分析模块用于接收特征提取模块中提取的数据，接收数据预处理模块中预处理操作后的数据，并利用线性算法根据预处理操作后的数据和商品属性数据分析商品是否是优质商品，根据用户偏好数据分析用户的偏好行为，再将分析的优质商品数据和用户偏好行为数据传入模型模块中；

所述模型模块用于接收数据分析模块中分析的优质商品数据和用户偏好行为数据，并根据分析的优质商品数据建立优质商品模型，同时再根据用户偏好行为数据建立用户行为模型，将优质商品模型数据和用户行为模型数据传入匹配多样单元中。

作为本技术方案的进一步改进，所述分析建模单元还包括建模展示模块；

所述建模展示模块用于接收多样商品模块中多样性推荐的优质商品数据并建立模板，将建立的模板数据进行展示。

作为本技术方案的进一步改进，所述持续优化单元用于接收数据预处理模块中预处理操作后的数据，接收商品匹配模块中用户喜好的优质商品数据，并根据预处理操作后的数据和用户喜好的优质商品数据整合数据集，再根据数据集数据持续优化用户喜好的优质商品数据。

作为本技术方案的进一步改进，所述商品匹配模块接收模型模块中优质商品模型数据和用户行为模型数据，并根据优质商品模型数据和用户行为模型数据进行匹配用户喜好的优质商品，将用户喜好的优质商品数据传入持续优化单元中，持续优化单元根据预处理操作后的数据持续优化用户喜好的优质商品数据，并采用了优化算法，同时将优化的用户喜好的优质商品数据传入商品匹配模块中，商品匹配模块对优化的用户喜好的优质商品数据进行再次匹配。

本发明目的之二在于，提供了一种用于操作包括上述任意一项所述的基于大数据的优质商品推荐***的方法，包括如下方法步骤：

S1、收集提取单元收集用户偏好和商品属性数据并进行预处理操作，再对预处理操作后的数据进行提取相关数据。

S2、分析建模单元接收用户偏好和商品属性数据，并根据商品属性数据和预处理操作后的数据进行商品质量的分析，同时再根据用户偏好数据进行用户行为的分析，再根据商品质量、用户行为数据分别建立优质商品模型和用户行为模型；

S3、匹配多样单元接收优质商品模型数据和用户行为模型数据并进行匹配用户喜好的优质商品，将用户喜好的优质商品数据传入持续优化单元中，持续优化单元根据预处理操作后的数据并持续优化用户喜好的优质商品数据，将优化的用户喜好的优质商品数据传入匹配多样单元中，匹配多样单元对优化的用户喜好优质商品数据再次匹配，根据再次匹配的优质商品数据进行多样化推荐。

与现有技术相比，本发明的有益效果：

1、该基于大数据的优质商品推荐***及方法中，持续优化单元根据预处理操作后的数据持续优化用户喜好的优质商品数据，通过持续优化用户喜好的优质商品数据，不仅减少匹配优质商品数据中的误差，还可以准确地了解用户的喜好优质商品，进而提供更加个性化的优质商品推荐，同时将优化的用户喜好优质商品数据传入商品匹配模块中并进行再次匹配，通过对优化后的用户喜好优质商品数据进行再次匹配，不仅能够精确地匹配用户喜好的优质商品，还可以进一步细化和调整用户喜好的优质商品，使得推荐的优质商品更加匹配用户的需求，提高了优质商品推荐的准确性和命中率。

2、该基于大数据的优质商品推荐***及方法中，多样商品模块接收商品匹配模块中用户喜好优质商品数据并对用户喜好商品进行多样性推荐，通过多样性推荐优质商品，可以避免信息过滤的偏见，这样有助于用户发现多种优质商品，有多种优质商品选择的可能性，尽可能减少潜在的信息过滤效应。

附图说明

图1为本发明的整体框图；

图2为本发明的收集提取单元框图；

图3为本发明的分析建模单元框图；

图4为本发明的匹配多样单元框图。

图中各个标号意义为：

1、收集提取单元；11、数据收集模块；12、数据预处理模块；13、特征提取模块；

2、分析建模单元；21、数据分析模块；22、模型模块；23、建模展示模块；

3、匹配多样单元；31、多样商品模块；32、商品匹配模块；4、持续优化单元。

具体实施方式

考虑到商城软件在处理大量用户行为数据时，并不能够精确地匹配用户喜好的优质商品和判断出用户喜好的优质商品，也不考虑该商品是否是用户所需的优质商品，这样会导致用户体验感降低，同时用户打开商城软件时，商城软件只推荐与用户喜好完全相似的商品，就可能造成信息过滤的偏见，为了避免信息过滤的偏见，于是我们提供了一种基于大数据的优质商品推荐***及方法。

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

请参阅图1-图4所示，本实施例目的之一在于，提供了一种基于大数据的优质商品推荐***，包括收集提取单元1、分析建模单元2、匹配多样单元3、持续优化单元4；

收集提取单元1用于对收集的用户行为数据和商品信息进行预处理操作，再对预处理操作后的数据进行用户偏好和商品属性的提取，分析建模单元2用于接收收集提取单元1中用户偏好和商品属性数据，根据商品属性数据和预处理操作后的数据进行商品质量的分析，再根据分析后的数据分别建立优质商品模型和用户行为模型，匹配多样单元3用于接收分析建模单元2中优质商品模型和用户行为模型数据，并根据优质商品模型和用户行为模型数据进行用户喜好优质商品的匹配，持续优化单元4用于接收收集提取单元1中预处理操作后的数据和匹配多样单元3中用户喜好优质商品数据并持续优化用户喜好优质商品数据；

匹配多样单元3接收分析建模单元2中优质商品模型和用户行为模型数据，并根据优质商品模型和用户行为模型数据进行用户喜好优质商品的匹配，将用户喜好优质商品数据传入持续优化单元4，持续优化单元4根据收集提取单元1中预处理操作后的数据和用户喜好优质商品数据并进行持续优化，将优化的用户喜好优质商品数据传入匹配多样单元3中，匹配多样单元3对优化的用户喜好优质商品数据再次匹配，再次匹配可以帮助该***发现用户在之前未曾考虑过的商品领域的潜在兴趣，并对已经优化过的用户喜好优质商品数据进行再次匹配，可以触达到用户的新需求和兴趣，带来更多新颖的优质商品和个性化的推荐体验。

收集提取单元1包括数据收集模块11、数据预处理模块12和特征提取模块13；

数据收集模块11用于收集用户偏好和商品属性数据，用户偏好数据包括购买历史、收藏记录、评分和评论等行为数据，商品属性数据包括材料、工艺、价格、标签、品牌、口碑，这些数据可以从用户注册和登录信息、服务器日志、与合作伙伴中获取，同时将收集的用户偏好和商品属性数据传入数据预处理模块12中，数据预处理模块12用于接收数据收集模块11中收集的用户偏好和商品属性数据并进行预处理操作，预处理操作包括去除重复数据、处理缺失值、数据标准化，同时将预处理操作后的数据传入特征提取模块13中；

去除重复数据的操作方法：将收集的数据进行排序，然后逐个比较相邻数据，如果发现相邻相同数据，则判定为重复数据，并进行删除，这种方法适用于有序数据，可以方便快速地识别和删除重复元素；

处理缺失值的操作方法：将直接删除包含缺失值的数据，这种方法适用于缺失值较少或对分析结果影响较小的情况，并且在数据量较少时可能会影响分析结果的准确性；

数据标准化的操作方法：将收集的数据进行线性变换，使得最小值对应目标区间的下界，最大值对应上界，而中间值的映射保持线性关系。

特征提取模块13用于接收预处理操作后的数据并进行提取用户的购买历史、收藏记录和商品的价格、标签数据，还可以提取用户的评论和商品的材料，为后续分析的优质商品和用户行为提供了参考依据，同时将提取的用户的购买历史、收藏记录和商品的价格、标签数据传入分析建模单元2中。

分析建模单元2包括数据分析模块21、模型模块22；

数据分析模块21用于接收特征提取模块13中提取的用户的购买历史、收藏记录和商品的价格、标签数据，接收数据预处理模块12中预处理操作后的数据，并利用线性算法根据预处理操作后的数据（这里的预处理操作后的数据指的是预处理操作后的用户反馈信息）和商品的价格、标签数据分析商品是否是优质商品，同时根据用户的购买历史、收藏记录数据分析用户的偏好行为，当然还可以在分析优质商品的过程中加入优惠因素，以及平时的平均消费水平，这样使用户可以看到既优质又实惠的商品，再将分析的优质商品数据和用户偏好行为数据传入模型模块22中；

线性算法公式：

；

其中，表示计算出的优质商品，/>，/>，/>，...,/>表示用户行为一直变化的数据值，/>，/>，...,/>表示优质商品变化的数据值，/>指的是用户的反馈值，通过计算出优质商品具有更高的品质和可靠性，它们使用高品质的材料和工艺制造，这意味着它们更持久耐用、性能更好、更可靠，用户可以放心使用，并且不易出现故障或损坏；

分析商品是否是优质商品的具体步骤：

①、分析用户对该商品的评价和反馈，特别是关于产品质量、耐久性、性能等方面的意见；

②、分析该商品所使用的材料和制造工艺、该商品的品牌声誉和口碑；

③、根据同类别的商品进行比较分析，了解该商品在功能、设计、性能等方面与竞争产品相比的优势，再查看该商品是否通过相关的测试和认证（如国际标准化组织的认证、安全认证）；

④、关注专业评测和媒体评价，了解该商品在专业领域和行业内的认可度和表现，还可以考察该商品的售后服务质量（包括退换货政策、维修保修）；

是否是优质商品的情况：

情况一：当分析出该商品为优质商品时，将优质商品数据传入模型模块22中；

情况二：当分析出该商品为劣质商品时，并利用数据收集模块11重新收集商品数据。

模型模块22用于接收数据分析模块21中分析的优质商品数据和用户偏好行为数据，并根据分析的优质商品数据建立优质商品模型，同时再根据用户偏好行为数据建立用户行为模型，将优质商品模型数据和用户行为模型数据传入匹配多样单元3中；

优质商品模型的实现步骤：

①、获取优质商品数据进行初始化聚类值；

②、再将末聚类优质商品值分配到离其最近的聚类中心优质商品值所代表的集合中；

③、通过当前通过聚类分配结果对每个集合的中心值重复聚类，并实现优质商品模型的建立；

用户行为模型的实现步骤：

①、获取用户偏好行为数据进行初始化聚类值；

②、再将末聚类用户偏好行为数据值分配到离其最近的聚类中心用户偏好行为数据值所代表的集合中；

③、通过当前通过聚类分配结果对每个集合的中心值重复聚类，并实现用户行为模型的建立。

匹配多样单元3包括多样商品模块31和商品匹配模块32，分析建模单元2还包括建模展示模块23；

商品匹配模块32用于接收模型模块22中优质商品模型数据和用户行为模型数据，并根据优质商品模型数据和用户行为模型数据判断用户喜好的优质商品，当判断出用户喜好的优质商品时，再根据用户喜好的优质商品数据进行匹配出该优质商品，通过匹配用户喜好的优质商品数据，可以提供个性化的推荐服务，根据用户的兴趣和偏好，推荐相匹配的商品，提高了用户满意度和购买率，同时将用户喜好的优质商品数据传入多样商品模块31中；

判断用户喜好的优质商品具体步骤：

①、判断用户的购买历史、收藏记录、评分和评论等行为数据；

②、根据用户的个人信息和偏好特征（如性别、年龄、兴趣爱好），与优质商品的属性和特征进行比较判断；

③、通过判断用户历史行为数据和与其他用户的相似性来预测用户对某个优质商品的喜好程度。

多样商品模块31用于接收商品匹配模块32中用户喜好的优质商品数据，并利用多样性推荐技术对用户喜好的优质商品数据进行多样性推荐，通过多样性推荐可以接触到他们平时未必会考虑或了解的商品，这有助于用户扩展他们的优质商品兴趣领域，发现新的优质商品和品牌，从而拓宽消费视野，同时将多样性推荐的优质商品数据传入建模展示模块23中；

多样性推荐技术实现原理：

①、基于用户喜好的优质商品数据推断出每个优质商品推荐项的权重值；

②、根据给定的推荐优质商品列表，计算每个优质商品推荐项的信息熵，熵越大，说明推荐优质商品列表中的优质商品推荐项越多样化；

③、根据需要设置多样性的优质商品阈值，过滤掉熵低于优质商品阈值的优质商品推荐项，以获得更多样化的推荐优质商品列表。

建模展示模块23用于接收多样商品模块31中多样性推荐的优质商品数据并建立模板，建立的模板数据包括用户喜好的优质商品、优质商品的属性，将建立的模板数据进行展示，模板数据通过事先设计和准备好的格式化展示，能够更有效地传递信息，模板可以确保信息的清晰准确性，使用户更容易理解和消化所呈现的内容。

持续优化单元4用于接收数据预处理模块12中预处理操作后的数据，接收商品匹配模块32中用户喜好的优质商品数据，并根据预处理操作后的数据（这里的预处理操作后的数据指的是预处理操作后的用户反馈信息）和用户喜好的优质商品数据整合数据集，再根据数据集数据持续优化用户喜好的优质商品数据，通过优化用户喜好的优质商品数据，可以提高优质商品的销售率，同时优质商品个性化的推荐能够更好地理解用户的需求和偏好，提供符合其兴趣的商品，从而促进购买行为的发生，不仅可以增加订单价值，还能提高销售率。

商品匹配模块32接收模型模块22中优质商品模型数据和用户行为模型数据，并根据优质商品模型数据和用户行为模型数据进行匹配用户喜好的优质商品，将用户喜好的优质商品数据传入持续优化单元4中，持续优化单元4根据预处理操作后的数据持续优化用户喜好的优质商品数据，并采用了优化算法，同时将优化的用户喜好的优质商品数据传入商品匹配模块32中，商品匹配模块32对优化的用户喜好的优质商品数据进行再次匹配，通过再次匹配优化的用户喜好的优质商品数据可以提升用户的满意度和忠诚度，优质商品个性化的推荐能够更好地满足用户的需求和偏好，不仅让用户感到被理解和关注，还可以使用户对推荐结果的满意度和购买意愿将得到增强，从而提高了用户的忠诚度和长期价值。

优化算法公式：

；

其中，表示持续优化的用户喜好商品数据值，/>表示匹配后的用户喜好的优质商品数据值，/>指预处理操作后的数据中的购买历史数值，/>指预处理操作后的数据中的收藏记录数值，/>指商品价格，通过优化用户喜好的优质商品数据可以增强用户的参与度，可以了解用户对不同优质商品的喜好程度，并根据这些数据进行持续优化，这可以激发用户的参与意愿，提高用户对该***的参与度和积极的互动性。

使用流程：

商品匹配模块32接收模型模块22中优质商品模型数据和用户行为模型数据，并根据优质商品模型数据和用户行为模型数据进行匹配用户喜好的优质商品，将用户喜好的优质商品数据传入持续优化单元4中，持续优化单元4根据预处理操作后的数据持续优化用户喜好的优质商品数据，同时将优化的用户喜好的优质商品数据传入商品匹配模块32中并对优化的用户喜好的优质商品数据进行再次匹配，将再次匹配的优质商品数据传入多样商品模块31中并进行多样性推荐。

本发明目的之二在于，提供了一种用于操作上述基于大数据的优质商品推荐***的方法，包括如下方法步骤：

S1、收集提取单元1收集用户偏好和商品属性数据并进行预处理操作再对预处理操作后的数据进行提取相关数据。

S2、分析建模单元2接收用户偏好和商品属性数据，并根据商品属性数据和预处理操作后的数据进行商品质量的分析，同时再根据用户偏好数据进行用户行为的分析，再根据商品质量、用户行为数据分别建立优质商品模型和用户行为模型；

S3、匹配多样单元3接收优质商品模型数据和用户行为模型数据并进行匹配用户喜好的优质商品，将用户喜好的优质商品数据传入持续优化单元4中，持续优化单元4根据预处理操作后的数据并持续优化用户喜好的优质商品数据，将优化的用户喜好的优质商品数据传入匹配多样单元3中，匹配多样单元3对优化的用户喜好优质商品数据再次匹配，根据再次匹配的优质商品数据进行多样化推荐。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种基于大数据的优质商品推荐***，其特征在于：包括收集提取单元（1）、分析建模单元（2）、匹配多样单元（3）、持续优化单元（4）；

所述收集提取单元（1）用于对收集的用户行为数据和商品信息进行预处理操作，再对预处理操作后的数据进行用户偏好和商品属性的提取；

所述分析建模单元（2）用于接收收集提取单元（1）中用户偏好和商品属性数据，根据商品属性数据和预处理操作后的数据进行商品质量的分析，再根据分析后的数据分别建立优质商品模型和用户行为模型；

所述匹配多样单元（3）用于接收分析建模单元（2）中优质商品模型和用户行为模型数据，并根据优质商品模型和用户行为模型数据进行用户喜好优质商品的匹配；

所述匹配多样单元（3）包括多样商品模块（31）和商品匹配模块（32）；

所述商品匹配模块（32）用于接收分析建模单元（2）中优质商品模型数据和用户行为模型数据，并根据优质商品模型数据和用户行为模型数据判断用户喜好的优质商品，再根据用户喜好的优质商品数据进行匹配，将用户喜好的优质商品数据传入多样商品模块（31）中；

所述多样商品模块（31）用于接收商品匹配模块（32）中用户喜好的优质商品数据，并利用多样性推荐技术对用户喜好的优质商品数据进行多样性推荐；

多样性推荐技术实现原理：

①、基于用户喜好的优质商品数据推断出每个优质商品推荐项的权重值；

②、根据给定的推荐优质商品列表，计算每个优质商品推荐项的信息熵，熵越大，说明推荐优质商品列表中的优质商品推荐项越多样化；

③、根据需要设置多样性的优质商品阈值，过滤掉熵低于优质商品阈值的优质商品推荐项，以获得更多样化的推荐优质商品列表；

所述持续优化单元（4）用于接收收集提取单元（1）中预处理操作后的数据和匹配多样单元（3）中用户喜好优质商品数据并持续优化用户喜好优质商品数据，并采用优化算法对用户喜好优质商品数据进行持续优化；

所述优化算法公式：

；

其中，表示持续优化的用户喜好商品数据值，/>表示匹配后的用户喜好的优质商品数据值，/>指预处理操作后的数据中的购买历史数值，/>指预处理操作后的数据中的收藏记录数值，/>指商品价格；

所述匹配多样单元（3）接收分析建模单元（2）中优质商品模型和用户行为模型数据，并根据优质商品模型和用户行为模型数据进行用户喜好优质商品的匹配，将用户喜好优质商品数据传入持续优化单元（4），持续优化单元（4）根据收集提取单元（1）中预处理操作后的数据和用户喜好优质商品数据并进行持续优化，将优化的用户喜好优质商品数据传入匹配多样单元（3）中，匹配多样单元（3）对优化的用户喜好优质商品数据再次匹配。

2.根据权利要求1所述的基于大数据的优质商品推荐***，其特征在于：所述收集提取单元（1）包括数据收集模块（11）、数据预处理模块（12）和特征提取模块（13）；

所述数据预处理模块（12）用于接收数据收集模块（11）中收集的用户偏好和商品属性数据，并对数据收集模块（11）的数据进行预处理操作，将预处理操作后的数据传入特征提取模块（13）中；

所述特征提取模块（13）用于接收预处理操作后的数据并进行提取相关数据，相关数据包括商品相关数据和用户行为相关数据，将提取的数据传入分析建模单元（2）中。

3.根据权利要求2所述的基于大数据的优质商品推荐***，其特征在于：所述分析建模单元（2）包括数据分析模块（21）、模型模块（22）；

所述数据分析模块（21）用于接收特征提取模块（13）中提取的数据，接收数据预处理模块（12）中预处理操作后的数据，并利用线性算法根据预处理操作后的数据和商品属性数据分析商品是否是优质商品，根据用户偏好数据分析用户的偏好行为，再将分析的优质商品数据和用户偏好行为数据传入模型模块（22）中；

所述模型模块（22）用于接收数据分析模块（21）中分析的优质商品数据和用户偏好行为数据，并根据分析的优质商品数据建立优质商品模型，同时再根据用户偏好行为数据建立用户行为模型，将优质商品模型数据和用户行为模型数据传入匹配多样单元（3）中。

4.根据权利要求3所述的基于大数据的优质商品推荐***，其特征在于：所述分析建模单元（2）还包括建模展示模块（23）；

所述建模展示模块（23）用于接收多样商品模块（31）中多样性推荐的优质商品数据并建立模板，将建立的模板数据进行展示。

5.根据权利要求4所述的基于大数据的优质商品推荐***，其特征在于：所述持续优化单元（4）用于接收数据预处理模块（12）中预处理操作后的数据，接收商品匹配模块（32）中用户喜好的优质商品数据，并根据预处理操作后的数据和用户喜好的优质商品数据整合数据集，再根据数据集数据持续优化用户喜好的优质商品数据。

6.根据权利要求5所述的基于大数据的优质商品推荐***，其特征在于：所述商品匹配模块（32）接收模型模块（22）中优质商品模型数据和用户行为模型数据，并根据优质商品模型数据和用户行为模型数据进行匹配用户喜好的优质商品，将用户喜好的优质商品数据传入持续优化单元（4）中，持续优化单元（4）根据预处理操作后的数据持续优化用户喜好的优质商品数据，并采用了优化算法，同时将优化的用户喜好的优质商品数据传入商品匹配模块（32）中，商品匹配模块（32）对优化的用户喜好的优质商品数据进行再次匹配。

7.一种用于操作包括权利要求1-6中任意一项所述的基于大数据的优质商品推荐***的方法，其特征在于：包括如下方法步骤：

S1、收集提取单元（1）收集用户偏好和商品属性数据并进行预处理操作，再对预处理操作后的数据进行提取相关数据；

S2、分析建模单元（2）接收用户偏好和商品属性数据，并根据商品属性数据和预处理操作后的数据进行商品质量的分析，同时再根据用户偏好数据进行用户行为的分析，再根据商品质量、用户行为数据分别建立优质商品模型和用户行为模型；

S3、匹配多样单元（3）接收优质商品模型数据和用户行为模型数据并进行匹配用户喜好的优质商品，将用户喜好的优质商品数据传入持续优化单元（4）中，持续优化单元（4）根据预处理操作后的数据并持续优化用户喜好的优质商品数据，将优化的用户喜好的优质商品数据传入匹配多样单元（3）中，匹配多样单元（3）对优化的用户喜好优质商品数据再次匹配，根据再次匹配的优质商品数据进行多样化推荐。