CN117350823A - 一种电子商城用商品信息推荐方法、***、设备及介质 - Google Patents
一种电子商城用商品信息推荐方法、***、设备及介质 Download PDFInfo
- Publication number
- CN117350823A CN117350823A CN202311640468.2A CN202311640468A CN117350823A CN 117350823 A CN117350823 A CN 117350823A CN 202311640468 A CN202311640468 A CN 202311640468A CN 117350823 A CN117350823 A CN 117350823A
- Authority
- CN
- China
- Prior art keywords
- commodity
- information
- historical
- user
- target user
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于计算机技术领域,其目的在于提供一种电子商城用商品信息推荐方法、***、设备及介质。本发明通过获取,并根据所述最近邻用户集合中所有参考用户的历史购买商品信息及历史商品评分,得到初始商品推荐信息,最终根据所述初始商品推荐信息和所述购买需求信息,得到商品推荐结果,实现了从用户喜好角度进行商品推荐的技术效果,商品推荐结果可反应目标用户的购买喜好,进而利于提升用户下单率及商品购买满意度,利于提升电子商城的运营收益,具备推广应用的价值。
Description
技术领域
本发明属于计算机技术领域,具体涉及一种电子商城用商品信息推荐方法、***、设备及介质。
背景技术
电子商城是以电子商务软件来构建的大型商品电子交易平台,其主要作用是通过电子商城交易平台向客户销售产品,并提供送货上门等服务。目前,随着互联网技术的发展和进步,线上购物逐渐取代线下购物,在各大电子商城进行线上购物成为用户的主流购物方式。
现有技术中,在用户进行商品查询,以进行商品购买期间,电子商城通常通过用户输入的商品需求信息,结合对应类型商品的销量、价格、商户信用评级等信息生成商品推荐结果,以进行商品推荐。但是,在使用现有技术过程中,发明人发现现有技术中至少存在如下问题:
现有的商品推荐结果的生成依据较为单一,主要从产品及商户视角进行商品推荐,无法准确反映用户的喜好,从而导致向用户提供的商品推荐结果不精准。
发明内容
本发明旨在至少在一定程度上解决上述技术问题,本发明提供了一种电子商城用商品信息推荐方法、***、设备及介质。
为了实现上述目的,本发明采用以下技术方案:
第一方面,本发明提供了一种电子商城用商品信息推荐方法,包括:
接收目标用户发送的购买需求信息以及与所述购买需求信息绑定的目标用户身份标识信息;
根据所述目标用户身份标识信息,获取所述目标用户的历史购买商品信息及历史商品评分;
根据所述目标用户的历史购买商品信息及历史商品评分,获取与所述目标用户的历史购买商品信息的重合度大于重合度阈值的参考用户的参考用户身份标识信息;
根据所述参考用户身份标识信息,获取与所述参考用户身份标识信息对应的参考用户的历史购买商品信息及历史商品评分;
根据所述目标用户的历史购买商品信息及历史商品评分,以及所述参考用户的历史购买商品信息及历史商品评分,构建用户评分矩阵;
根据所述用户评分矩阵,得到所述目标用户的最近邻用户集合;
根据所述最近邻用户集合中所有参考用户的历史购买商品信息及历史商品评分,得到初始商品推荐信息;
根据所述初始商品推荐信息和所述购买需求信息,得到商品推荐结果。
本发明可根据目标用户的商品购买需求,实现对目标用户的商品推荐,且商品推荐结果与用户喜好的匹配度更高,利于提升用户下单率。具体地,本发明在实施过程中,在接收目标用户发送的购买需求信息以及与所述购买需求信息绑定的目标用户身份标识信息后,根据所述目标用户身份标识信息,获取所述目标用户的历史购买商品信息及历史商品评分;再根据所述目标用户的历史购买商品信息及历史商品评分,获取与所述目标用户的历史购买商品信息的重合度大于重合度阈值的参考用户的参考用户身份标识信息,并根据所述参考用户身份标识信息,获取与所述参考用户身份标识信息对应的参考用户的历史购买商品信息及历史商品评分,根据所述目标用户的历史购买商品信息及历史商品评分,以及所述参考用户的历史购买商品信息及历史商品评分,构建用户评分矩阵;随后根据所述用户评分矩阵,得到所述目标用户的最近邻用户集合,再根据所述最近邻用户集合中所有参考用户的历史购买商品信息及历史商品评分,得到初始商品推荐信息;最后根据所述初始商品推荐信息和所述购买需求信息,得到商品推荐结果。在此过程中,本发明实现了从用户喜好角度进行商品推荐的技术效果,商品推荐结果可反应目标用户的购买喜好,进而利于提升用户下单率及商品购买满意度,利于提升电子商城的运营收益,具备推广应用的价值。
在一个可能的设计中,所述用户评分矩阵为:
式中,R ij为所述目标用户或参考用户U i对指定历史信息I j的历史商品评分;i=1,2,……,M,M为所述目标用户及参考用户的总用户数;j=1,2,……,N,N为历史购买商品信息的个数。
在一个可能的设计中,所述最近邻用户集合包括用户相似度大于相似度阈值的所有参考用户的参考用户身份标识信息。
在一个可能的设计中,所述用户相似度为:
式中,H ij为所述目标用户U i和参考用户U j共同已评分购买商品的集合;i=1,2,……,M,M为所述目标用户及参考用户的总用户数;j=1,2,……,N,N为历史购买商品信息的个数;R ic为所述目标用户U i对历史购买商品c的商品评分;R jc为参考用户U j对历史购买商品c的商品评分;为所述目标用户U i对所有历史购买商品信息的商品评分加权平均值;/>为参考用户U j对所有历史购买商品信息的商品评分加权平均值。
在一个可能的设计中,所述初始商品推荐信息为所述目标用户对指定初始商品集合中,预测商品评分最大的k个初始商品信息,k个初始商品信息按降序排序;其中,所述目标用户对指定初始商品集合中任一初始商品信息c'的预测商品评分为:
式中,为已评价购买商品的平均商品评分;sim(i,m)为所述目标用户U i和第/>个最近邻用户U m之间的相似度,/>,/>为所述目标用户U i的最近邻用户的总数;为最近邻用户U m对所述目标用户U i未评价初始商品信息c'的商品评分;/>为最近邻用户U m对所有历史购买商品信息的商品评分加权平均值。
在一个可能的设计中,所述商品推荐结果为初始商品推荐信息中与所述购买需求信息的商品类型相同的所有初始商品信息,且所述商品推荐结果中的初始商品信息按初始商品评分降序排序。
在一个可能的设计中,所述方法还包括:
获取指定类别商品在指定时间段内的历史销售数据;
对所述历史销售数据进行预处理,得到预处理后历史销售数据;
将所述预处理后历史销售数据输入预存的销售预测时序模型,以便得到销售预测结果。
第二方面,本发明提供了一种电子商城用商品信息推荐***,用于实现如上述任一项所述的电子商城用商品信息推荐方法;所述电子商城用商品信息推荐***包括:
需求信息接收模块,用于接收目标用户发送的购买需求信息以及与所述购买需求信息绑定的目标用户身份标识信息;
目标用户信息提取模块,与所述需求信息接收模块通信连接,用于根据所述目标用户身份标识信息,获取所述目标用户的历史购买商品信息及历史商品评分;
用户匹配模块,与所述目标用户信息提取模块通信连接,用于根据所述目标用户的历史购买商品信息及历史商品评分,获取与所述目标用户的历史购买商品信息的重合度大于重合度阈值的参考用户的参考用户身份标识信息;用于根据所述参考用户身份标识信息,获取与所述参考用户身份标识信息对应的参考用户的历史购买商品信息及历史商品评分;用于根据所述目标用户的历史购买商品信息及历史商品评分,以及所述参考用户的历史购买商品信息及历史商品评分,构建用户评分矩阵;还用于根据所述用户评分矩阵,得到所述目标用户的最近邻用户集合;
商品推荐模块,与所述用户匹配模块通信连接,用于根据所述最近邻用户集合中所有参考用户的历史购买商品信息及历史商品评分,得到初始商品推荐信息;还用于根据所述初始商品推荐信息和所述购买需求信息,得到商品推荐结果。
第三方面,本发明提供了一种电子设备,包括:
存储器,用于存储计算机程序指令;以及,
处理器,用于执行所述计算机程序指令从而完成如上述任一项所述的电子商城用商品信息推荐方法的操作。
第四方面,本发明提供了一种计算机可读存储介质,用于存储计算机可读取的计算机程序指令,所述计算机程序指令被配置为运行时执行如上述任一项所述的电子商城用商品信息推荐方法的操作。
附图说明
图1是实施例中一种电子商城用商品信息推荐方法的流程图;
图2是实施例中一种电子商城用商品信息推荐***的模块框图;
图3是实施例中一种电子设备的模块框图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍,显而易见地,下面关于附图结构的描述仅仅是本发明的一些实施例,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的附图。在此需要说明的是,对于这些实施例方式的说明用于帮助理解本发明,但并不构成对本发明的限定。
实施例1:
本实施例公开了一种电子商城用商品信息推荐方法,可以但不限于由具有一定计算资源的计算机设备或虚拟机执行,例如由个人计算机、智能手机、个人数字助理或可穿戴设备等电子设备执行,或者由虚拟机执行。
如图1所示,一种电子商城用商品信息推荐方法,可以但不限于包括有如下步骤:
S1.接收目标用户发送的购买需求信息以及与所述购买需求信息绑定的目标用户身份标识信息。
S2.根据所述目标用户身份标识信息,获取所述目标用户的历史购买商品信息及历史商品评分。
S3.根据所述目标用户的历史购买商品信息及历史商品评分,获取与所述目标用户的历史购买商品信息的重合度大于重合度阈值的参考用户的参考用户身份标识信息。
S4.根据所述参考用户身份标识信息,获取与所述参考用户身份标识信息对应的参考用户的历史购买商品信息及历史商品评分。
S5.根据所述目标用户的历史购买商品信息及历史商品评分,以及所述参考用户的历史购买商品信息及历史商品评分,构建用户评分矩阵。
具体地,本实施例中,所述用户评分矩阵为:
式中,R ij为所述目标用户或参考用户U i对指定历史信息I j的历史商品评分;i=1,2,……,M,M为所述目标用户及参考用户的总用户数;j=1,2,……,N,N为历史购买商品信息的个数。
S6.根据所述用户评分矩阵,得到所述目标用户的最近邻用户集合。
具体地,本实施例中,所述最近邻用户集合包括用户相似度大于相似度阈值的所有参考用户的参考用户身份标识信息。
本实施例中,所述用户相似度为:
式中,H ij为所述目标用户U i和参考用户U j共同已评分购买商品的集合;i=1,2,……,M,M为所述目标用户及参考用户的总用户数;j=1,2,……,N,N为历史购买商品信息的个数;R ic为所述目标用户U i对历史购买商品c的商品评分;R jc为参考用户U j对历史购买商品c的商品评分;为所述目标用户U i对所有历史购买商品信息的商品评分加权平均值;/>为参考用户U j对所有历史购买商品信息的商品评分加权平均值。
S7.根据所述最近邻用户集合中所有参考用户的历史购买商品信息及历史商品评分,得到初始商品推荐信息。
具体地,本实施例中,所述初始商品推荐信息为所述目标用户对指定初始商品集合中,预测商品评分最大的k个初始商品信息,k个初始商品信息按降序排序;其中,所述目标用户对指定初始商品集合中任一初始商品信息c'的预测商品评分为:
式中,为已评价购买商品的平均商品评分;sim(i,m)为所述目标用户U i和第/>个最近邻用户U m之间的相似度,/>,/>为所述目标用户U i的最近邻用户的总数;为最近邻用户U m对所述目标用户U i未评价初始商品信息c'的商品评分;/>为最近邻用户U m对所有历史购买商品信息的商品评分加权平均值。
S8.根据所述初始商品推荐信息和所述购买需求信息,得到商品推荐结果。
本实施例中,所述商品推荐结果为初始商品推荐信息中与所述购买需求信息的商品类型相同的所有初始商品信息,且所述商品推荐结果中的初始商品信息按初始商品评分降序排序,由此设置,可保证初始商品评分最高的初始商品信息最先推荐给目标用户,利于提升目标用户的商品下单率。
为进一步提升商品推荐结果的准确度及用户满意度,本实施例中,还可预先构建XGBoost模型(eXtreme Gradient Boosting,梯度提升模型),并在得到商品推荐结果后,将商品推荐结果输入XGBoost模型中,得到最终商品推荐结果,以便于所述目标用户基于最终商品推荐结果购买商品。
本实施例可根据目标用户的商品购买需求,实现对目标用户的商品推荐,且商品推荐结果与用户喜好的匹配度更高,利于提升用户下单率。具体地,本实施例在实施过程中,在接收目标用户发送的购买需求信息以及与所述购买需求信息绑定的目标用户身份标识信息后,根据所述目标用户身份标识信息,获取所述目标用户的历史购买商品信息及历史商品评分;再根据所述目标用户的历史购买商品信息及历史商品评分,获取与所述目标用户的历史购买商品信息的重合度大于重合度阈值的参考用户的参考用户身份标识信息,并根据所述参考用户身份标识信息,获取与所述参考用户身份标识信息对应的参考用户的历史购买商品信息及历史商品评分,根据所述目标用户的历史购买商品信息及历史商品评分,以及所述参考用户的历史购买商品信息及历史商品评分,构建用户评分矩阵;随后根据所述用户评分矩阵,得到所述目标用户的最近邻用户集合,再根据所述最近邻用户集合中所有参考用户的历史购买商品信息及历史商品评分,得到初始商品推荐信息;最后根据所述初始商品推荐信息和所述购买需求信息,得到商品推荐结果。在此过程中,本实施例实现了从用户喜好角度进行商品推荐的技术效果,商品推荐结果可反应目标用户的购买喜好,进而利于提升用户下单率及商品购买满意度,利于提升电子商城的运营收益,具备推广应用的价值。
应当理解的是,本实施例中,在根据所述初始商品推荐信息和所述购买需求信息,得到商品推荐结果时,还可将商品价格和商户评级以一定的权重融入商品推荐结果中,也即商品推荐结果中的推荐商品对应的用户预测商品评分、商品价格和商户评级均为最优,由此可使得商品推荐结果兼顾用户喜好与商品综合评价。
为提升电子商城的运营决策效率,本实施例进一步作出以下改进:
A1.获取指定类别商品在指定时间段内的历史销售数据;需要说明的是,本实施例中,历史销售数据可采用销售额、销售量及销售成本等销售数据,此处不予限制。
A2.对所述历史销售数据进行预处理,得到预处理后历史销售数据;具体地,本实施例中,在对所述历史销售数据进行预处理时,依次进行缺失值处理、数据类型转换及数据时序转换等处理,其中,在进行缺失值处理时,检查历史销售数据中是否存在缺失值,如某月度缺失数据,如存在缺失数据,则使用前一月度的销售数据或相邻月度的销售数据平均值作为当前月度的销售数据,如历史销售数据的单位不同,则对其进行单位等数据类型转换,如历史销售数据的时间序列不同,则可通过对其进行数据时序转换,以确保历史销售数据是按时间顺序排序的。
A3.将所述预处理后历史销售数据输入预存的销售预测时序模型,以便得到销售预测结果。
本实施例中,销售数据预测模型采用ARIMA( Auto Regression IntegreateMoving Average,差分自回归移动平均)模型,需要说明的是,ARIMA模型是时间序列预测中一种常用的统计方法,其可用于描述数据的自相关性,进而实现对工业生产中的销售额、销售量及销售成本等销售数据的预测,为生产计划和供应链管理提供支持。
本实施例中,通过历史销售数据实现对未来销售数据的预测,可利于电子商城进行相关商品上架的决策。
实施例2:
本实施例公开了一种电子商城用商品信息推荐***,用于实现实施例1中电子商城用商品信息推荐方法;如图2所示,所述电子商城用商品信息推荐***包括:
需求信息接收模块,用于接收目标用户发送的购买需求信息以及与所述购买需求信息绑定的目标用户身份标识信息;
目标用户信息提取模块,与所述需求信息接收模块通信连接,用于根据所述目标用户身份标识信息,获取所述目标用户的历史购买商品信息及历史商品评分;
用户匹配模块,与所述目标用户信息提取模块通信连接,用于根据所述目标用户的历史购买商品信息及历史商品评分,获取与所述目标用户的历史购买商品信息的重合度大于重合度阈值的参考用户的参考用户身份标识信息;用于根据所述参考用户身份标识信息,获取与所述参考用户身份标识信息对应的参考用户的历史购买商品信息及历史商品评分;用于根据所述目标用户的历史购买商品信息及历史商品评分,以及所述参考用户的历史购买商品信息及历史商品评分,构建用户评分矩阵;还用于根据所述用户评分矩阵,得到所述目标用户的最近邻用户集合;
商品推荐模块,与所述用户匹配模块通信连接,用于根据所述最近邻用户集合中所有参考用户的历史购买商品信息及历史商品评分,得到初始商品推荐信息;还用于根据所述初始商品推荐信息和所述购买需求信息,得到商品推荐结果。
需要说明的是,本实施例2提供的电子商城用商品信息推荐***的工作过程、工作细节和技术效果,可以参见实施例1,于此不再赘述。
实施例3:
在实施例1或2的基础上,本实施例公开了一种电子设备,该设备可以是智能手机、平板电脑、笔记本电脑或者台式电脑等。电子设备可能被称为用户终端、便携式终端、台式终端等,如图3所示,电子设备包括:
存储器,用于存储计算机程序指令;以及,
处理器,用于执行所述计算机程序指令从而完成如实施例1中任一所述的电子商城用商品信息推荐方法的操作。
具体地,处理器301可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable LogicArray,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(CentralProcessing Unit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器301可以集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。
存储器302可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器301所执行以实现本申请中实施例1提供的电子商城用商品信息推荐方法。
在一些实施例中,终端还可选包括有:通信接口303和至少一个***设备。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与通信接口303相连。具体地,***设备包括:射频电路304、显示屏305和电源306中的至少一种。
通信接口303可被用于将I/O(Input/ Output,输入/输出)相关的至少一个***设备连接到处理器301和存储器302。在一些实施例中,处理器301、存储器302和通信接口303被集成在同一芯片或电路板上;在一些其他实施例中,处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路304用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信。
显示屏305用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。
电源306用于为电子设备中的各个组件进行供电。
实施例4:
在实施例1至3任一项实施例的基础上,本实施例公开了一种计算机可读存储介质,用于存储计算机可读取的计算机程序指令,所述计算机程序指令被配置为运行时执行如实施例1所述的电子商城用商品信息推荐方法的操作。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
最后应说明的是,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电子商城用商品信息推荐方法,其特征在于:包括:
接收目标用户发送的购买需求信息以及与所述购买需求信息绑定的目标用户身份标识信息;
根据所述目标用户身份标识信息,获取所述目标用户的历史购买商品信息及历史商品评分;
根据所述目标用户的历史购买商品信息及历史商品评分,获取与所述目标用户的历史购买商品信息的重合度大于重合度阈值的参考用户的参考用户身份标识信息;
根据所述参考用户身份标识信息,获取与所述参考用户身份标识信息对应的参考用户的历史购买商品信息及历史商品评分;
根据所述目标用户的历史购买商品信息及历史商品评分,以及所述参考用户的历史购买商品信息及历史商品评分,构建用户评分矩阵;
根据所述用户评分矩阵,得到所述目标用户的最近邻用户集合;
根据所述最近邻用户集合中所有参考用户的历史购买商品信息及历史商品评分,得到初始商品推荐信息;
根据所述初始商品推荐信息和所述购买需求信息,得到商品推荐结果。
2.根据权利要求1所述的一种电子商城用商品信息推荐方法,其特征在于:所述用户评分矩阵为:
式中,R ij为所述目标用户或参考用户U i对指定历史信息I j的历史商品评分;i=1,2,……,M,M为所述目标用户及参考用户的总用户数;j=1,2,……,N,N为历史购买商品信息的个数。
3.根据权利要求1所述的一种电子商城用商品信息推荐方法,其特征在于:所述最近邻用户集合包括用户相似度大于相似度阈值的所有参考用户的参考用户身份标识信息。
4.根据权利要求3所述的一种电子商城用商品信息推荐方法,其特征在于:所述用户相似度为:
式中,H ij为所述目标用户U i和参考用户U j共同已评分购买商品的集合;i=1,2,……,M,M为所述目标用户及参考用户的总用户数;j=1,2,……,N,N为历史购买商品信息的个数;R ic为所述目标用户U i对历史购买商品c的商品评分;R jc为参考用户U j对历史购买商品c的商品评分;为所述目标用户U i对所有历史购买商品信息的商品评分加权平均值;/>为参考用户U j对所有历史购买商品信息的商品评分加权平均值。
5.根据权利要求1所述的一种电子商城用商品信息推荐方法,其特征在于:所述初始商品推荐信息为所述目标用户对指定初始商品集合中,预测商品评分最大的k个初始商品信息,k个初始商品信息按降序排序;其中,所述目标用户对指定初始商品集合中任一初始商品信息c'的预测商品评分为:
式中,为已评价购买商品的平均商品评分;sim(i,m)为所述目标用户U i和第/>个最近邻用户U m之间的相似度,/>,/>为所述目标用户U i的最近邻用户的总数;/>为最近邻用户U m对所述目标用户U i未评价初始商品信息c'的商品评分;/>为最近邻用户U m对所有历史购买商品信息的商品评分加权平均值。
6.根据权利要求1所述的一种电子商城用商品信息推荐方法,其特征在于:所述商品推荐结果为初始商品推荐信息中与所述购买需求信息的商品类型相同的所有初始商品信息,且所述商品推荐结果中的初始商品信息按初始商品评分降序排序。
7.根据权利要求1所述的一种电子商城用商品信息推荐方法,其特征在于:所述方法还包括:
获取指定类别商品在指定时间段内的历史销售数据;
对所述历史销售数据进行预处理,得到预处理后历史销售数据;
将所述预处理后历史销售数据输入预存的销售预测时序模型,以便得到销售预测结果。
8.一种电子商城用商品信息推荐***,其特征在于:用于实现如权利要求1至7中任一项所述的电子商城用商品信息推荐方法;所述电子商城用商品信息推荐***包括:
需求信息接收模块,用于接收目标用户发送的购买需求信息以及与所述购买需求信息绑定的目标用户身份标识信息;
目标用户信息提取模块,与所述需求信息接收模块通信连接,用于根据所述目标用户身份标识信息,获取所述目标用户的历史购买商品信息及历史商品评分;
用户匹配模块,与所述目标用户信息提取模块通信连接,用于根据所述目标用户的历史购买商品信息及历史商品评分,获取与所述目标用户的历史购买商品信息的重合度大于重合度阈值的参考用户的参考用户身份标识信息;用于根据所述参考用户身份标识信息,获取与所述参考用户身份标识信息对应的参考用户的历史购买商品信息及历史商品评分;用于根据所述目标用户的历史购买商品信息及历史商品评分,以及所述参考用户的历史购买商品信息及历史商品评分,构建用户评分矩阵;还用于根据所述用户评分矩阵,得到所述目标用户的最近邻用户集合;
商品推荐模块,与所述用户匹配模块通信连接,用于根据所述最近邻用户集合中所有参考用户的历史购买商品信息及历史商品评分,得到初始商品推荐信息;还用于根据所述初始商品推荐信息和所述购买需求信息,得到商品推荐结果。
9.一种电子设备,其特征在于:包括:
存储器,用于存储计算机程序指令;以及,
处理器,用于执行所述计算机程序指令从而完成如权利要求1至7中任一项所述的电子商城用商品信息推荐方法的操作。
10.一种计算机可读存储介质,用于存储计算机可读取的计算机程序指令,其特征在于:所述计算机程序指令被配置为运行时执行如权利要求1至7中任一项所述的电子商城用商品信息推荐方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311640468.2A CN117350823A (zh) | 2023-12-04 | 2023-12-04 | 一种电子商城用商品信息推荐方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311640468.2A CN117350823A (zh) | 2023-12-04 | 2023-12-04 | 一种电子商城用商品信息推荐方法、***、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117350823A true CN117350823A (zh) | 2024-01-05 |
Family
ID=89365244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311640468.2A Pending CN117350823A (zh) | 2023-12-04 | 2023-12-04 | 一种电子商城用商品信息推荐方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117350823A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020073534A1 (zh) * | 2018-10-12 | 2020-04-16 | 平安科技(深圳)有限公司 | 基于重聚类的推送方法、装置、计算机设备及存储介质 |
CN114723528A (zh) * | 2022-04-11 | 2022-07-08 | 青岛文达通科技股份有限公司 | 基于知识图谱的商品个性化推荐方法及*** |
CN116167825A (zh) * | 2023-03-06 | 2023-05-26 | 深圳爱巧网络有限公司 | 基于电子商务的商品推荐方法、装置、设备及存储介质 |
CN116977019A (zh) * | 2023-07-12 | 2023-10-31 | ***股份有限公司 | 一种商户推荐方法、装置、电子设备及存储介质 |
CN117151830A (zh) * | 2023-10-31 | 2023-12-01 | 青岛嘉迅信息技术有限公司 | 一种基于大数据的商品推荐方法及*** |
-
2023
- 2023-12-04 CN CN202311640468.2A patent/CN117350823A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020073534A1 (zh) * | 2018-10-12 | 2020-04-16 | 平安科技(深圳)有限公司 | 基于重聚类的推送方法、装置、计算机设备及存储介质 |
CN114723528A (zh) * | 2022-04-11 | 2022-07-08 | 青岛文达通科技股份有限公司 | 基于知识图谱的商品个性化推荐方法及*** |
CN116167825A (zh) * | 2023-03-06 | 2023-05-26 | 深圳爱巧网络有限公司 | 基于电子商务的商品推荐方法、装置、设备及存储介质 |
CN116977019A (zh) * | 2023-07-12 | 2023-10-31 | ***股份有限公司 | 一种商户推荐方法、装置、电子设备及存储介质 |
CN117151830A (zh) * | 2023-10-31 | 2023-12-01 | 青岛嘉迅信息技术有限公司 | 一种基于大数据的商品推荐方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2016522523A (ja) | 情報を推薦するための方法およびシステム | |
US9299096B2 (en) | Systems, methods, and computer program products for on-line gifting | |
CN105184600A (zh) | 一种基于规则和操作的电商平台价格引擎实现方法 | |
CN109213936B (zh) | 商品搜索方法和装置 | |
CN110852818A (zh) | 商品排序方法、装置和计算机可读存储介质 | |
CN107783861A (zh) | 交易回滚方法、装置、存储介质和计算机设备 | |
Paraschiv et al. | The change in e-commerce in the context of the Coronavirus pandemic | |
CN115545712A (zh) | 一种交易行为的欺诈预测方法、装置、设备和存储介质 | |
CN111429214A (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
CN102819807A (zh) | 排队返利***及排队返利方法 | |
KR102571415B1 (ko) | 온라인 직거래 마케팅시스템의 제어방법 | |
CN106157281A (zh) | 一种图像主体识别方法及装置 | |
CN110348892A (zh) | 基于用户特征的定制信息生成方法、装置及电子设备 | |
CN106022860A (zh) | 一种匹配方法及装置 | |
CN117350823A (zh) | 一种电子商城用商品信息推荐方法、***、设备及介质 | |
KR102354982B1 (ko) | 빅데이터에 기반하여 의류 플랫폼 서비스를 제공하는 방법 및 장치 | |
CN112163851B (zh) | 购物方法、装置及电子设备 | |
KR102270381B1 (ko) | 소비자 데이터 기반의 쇼핑 인터페이스 제공 방법 및 그 장치 | |
CN113379511A (zh) | 用于输出信息的方法和装置 | |
Rouniyar et al. | SSAS: RFID-BASED Smart Shopping Automation System | |
US20220300991A1 (en) | System and method for customizing a digital platform for a target user | |
CN109242644A (zh) | 商品推荐方法、终端及计算机可读存储介质 | |
CN116188113A (zh) | 一种基于购买历史的协同加购方法、***、设备及介质 | |
CN116189685A (zh) | 一种基于语音交互的下单方法、***、电子设备及介质 | |
CN114357308B (zh) | 一种基于推荐的制造企业供需对接方法及装置 |
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 |