CN105225129A - 移动o2o推荐方法及其系统 - Google Patents

Abstract

本发明公开一种移动O2O推荐方法：服务器根据消费者的消费清单自动生成消费矩阵，服务器从消费者的历次消费矩阵中，对于同类消费项目在某个频繁消费时间，将商户的商业信息生成消费者可能需要的推送信息，并在合适的时候将该推送信息发送给消费者；通过GPS定位系统，当消费者携带的移动端频繁消费地点可以感知的范围时，则服务器将该推送信息通过移动端发送给消费者。本发明还公开一种实现上述方法的移动O2O推荐系统。本发明能精准推荐，综合了现有常见的基于内容的推荐系统，并在此基础上增加了位置属性，移动感知属性等，有利于商户实现线上线下资源的综合利用，精确实现O2O应用，大大增强用户粘性。

Description

移动O2O推荐方法及其系统

技术领域

本发明涉及一种基于用户智能终端的位置感知，结合历史交易数据在电子商务系统及线下实体店中实现精准移动O2O推荐。

背景技术

目前主流的推荐系统主要分为以下4类：

(1)基于内容的推荐：即通过用户的搜索关键字、在线标准、消费记录等，从后台数据裤中找到最匹配的信息向用户推荐；虽然推荐的准确度很高，无需学习，但其本质依然是被动推荐，无法发现用户的多样化需要。

(2)协同过滤推荐：先将用户分类，再利用分类中其他成员的消费、评价记录，向用户推荐商品。一般分为两种：

1)基于模型：此方法先在训练集上构建某种模型，如统计模型、贝叶斯模型、决策树、概率相关等，并通过该模型向用户推荐信息。这种方法虽然稳定性好、匹配度较高，但是训练时间长、计算复杂性高。

2)启发式：该方法先建立用户消费项目评分矩阵，根据相似用户具有相似偏好的假设进行推荐，通过相似度的计算，如各种距离的计算：欧氏距离、明可夫斯基距离、曼哈顿距离、皮尔森相关系数、Jaccard相似系数等计算，找到与用户兴趣相似的其他用户，并将其他用户的消费项目向目标用户推荐，从而实现协同推荐。虽然能实现多样化推荐，但是存在冷启动问题，即当用户是刚刚加入的新用户时，因为其没有加入其他组，故无法实现推荐。

(3)基于知识的推荐：利用在特定领域中的某些规则或实例实现推荐，虽然不需要建立用户需求偏好模型，但是领域内合理的推理规则很难制定。

(4)组合推荐：综合以上各种推荐方法，目前基于内容的推荐与协同过滤推荐组合比较普遍。

发明内容

有鉴于此，本发明的目的在于提供一种针对位置有效推荐的移动O2O推荐方法。

本发明的目的在于还提供一种针对位置有效推荐的移动O2O推荐系统。

为了达成上述目的，本发明的解决方案是：

一种移动O2O推荐方法，通过以下步骤实现：

1)服务器根据消费者的任一消费清单，自动生成对应的消费矩阵，即：

$s^i=\left[\begin{array}{ccc}{s}_{1,1}^i& \mathrm{...}& s_{1,n}^i\\ s_{2,1}^i& \mathrm{...}& s_{2,n}^i\\ \mathrm{...}& \mathrm{...}& \mathrm{...}\\ s_{m,1}^i& \mathrm{...}& s_{m,n}^i\end{array}\right]$

式中：第i次消费清单生成的第i次消费矩阵，每一行分别表示各消费项目对应的各种消费信息，消费信息包括：名称、数量、时间和地点；

2)服务器从历次所述消费矩阵中，根据同类消费项目的所述数量和所述时间跨度，预测该消费者从第i次消费到第k次消费的时间间隔d内的同类消费项目的平均消费周期t，即：

$t=\frac{{\mathrm{\Σ}}_{n=k}^i{s}_{j,2}^n}{d},$ 其中 $d=S_{j,3}^i-S_{j,3}^k,$

式中：表示消费者第n次消费，消费第j种消费项目的数量；表示第i次消费的时间，表示第k次消费的时间；

3)根据所述地点统计该消费者在各地点消费的地点频次，设该消费者在设定的时间周期D内，共计在m个所述地方消费，分别为则该消费者在所述地点第i次消费第j种消费项目则地点频次如下：

${\mathrm{place}}_i=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}1$ 如果: $S_{j,4}^k=S_{j,4}^i$

对所述地点place排序，计算出消费任一消费项目的地点频次排前的若干个地点；

4)通过GPS定位系统，当消费者携带的移动端位于消费矩阵中的消费地点能感知的范围时，则服务器触发商户与消费者需求的匹配算法得出推送信息，并通过移动端向消费者发送所述推送信息。

所述时间包括：天日期、星期日期和时刻；还包括以下步骤：

1)在所述时间周期D内共有m次消费清单，以此计算:(1)消费者在星期一至星期日中，最频繁消费的前若干个星期日期；(2)一天24小时，以2小时为单位，划分成12个时槽，计算消费者在消费频次最高的前若干个时槽，具体计算方法如下：

设消费者在时间周期D内，在星期日期w，24小时制的p个时间段内消费过，星期日期w如下计算：

$w_d=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}1$ 如果: $S_{j,5}^k=S_{j,5}^i$

式中：表示第i次消费，消费第j种消费项目，星期日期以5表示；

对w排序，得出消费第j种消费项目，最频繁的前若干个星期日期；

在所述频次最高的前若干个时槽P，计算方法如下：

$P_d=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}1$ 如果: $S_{j,6}^k\∈\left(T_d,T_d+2\right)$

式中：表示第k次消费，消费第j种消费项目，时刻以6表示，(T_d，T_d+2]表示以时刻T_d开始的第d个时槽；

对时槽P排序，得出最频繁的前若干个时槽P；

2)根据历次消费矩阵中的消费信息，计算出消费者对某一消费项目的下一次消费天日期t_next，即：

$t_{next}=S_{j,3}^i-\frac{s_{j,2}^i}{t}\±\mathrm{\δ}$

式中：δ表示天日期估算的误差补偿，取值为2；

3)在下一次最频繁的所述天日期、星期日期和/或时槽，针对该消费者生成对应的项目的商户推送信息，并将该推送信息发送给该消费者。

所述步骤4中，设定的时间段D为一周或一月。

一种移动O2O推荐系统，实现如权利要求1所述的方法，包括：

1)服务器：包括消费矩阵模块、平均消费周期模块、地点频次模块和推送模块；

消费矩阵模块：根据消费者的任一消费清单，自动生成对应的消费矩阵，即：

$s^i=\left[\begin{array}{ccc}{s}_{1,1}^i& \mathrm{...}& s_{1,n}^i\\ s_{2,1}^i& \mathrm{...}& s_{2,n}^i\\ \mathrm{...}& \mathrm{...}& \mathrm{...}\\ s_{m,1}^i& \mathrm{...}& s_{m,n}^i\end{array}\right]$

式中：第i次消费清单生成的第i次消费矩阵，每一行分别表示各消费项目对应的各种消费信息，消费信息包括：名称、数量、时间和地点；

2)平均消费周期模块：服务器从历次所述消费矩阵中，根据同类消费项目的所述数量和所述时间跨度，预测该消费者从第i次消费到第k次消费的时间间隔d内的同类消费项目的平均消费周期t，即：

$t=\frac{{\mathrm{\Σ}}_{n=k}^i{s}_{j,2}^n}{d},$ 其中 $d=S_{j,3}^i-S_{j,3}^k,$

式中：表示消费者第n次消费，消费第j种消费项目的数量；表示第i次消费的时间，表示第k次消费的时间；

3)地点频次模块：根据所述地点统计该消费者在各地点消费的地点频次，设该消费者在设定的时间周期D内，共计在m个所述地方消费，分别为则该消费者在所述地点第i次消费第j种消费项目则地点频次如下：

${\mathrm{place}}_i=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}1$ 如果： $S_{j,4}^k=S_{j,4}^i$

对所述地点place排序，计算出消费任一消费项目的地点频次排前的若干个地点；

4)移动端：通过GPS定位系统，当消费者携带移动端位于消费矩阵中的消费地点能感知的范围时，则服务器的推送模块根据商户与消费者需求的匹配性，得出推送信息，并通过移动端向消费者发送所述推送信息。

移动O2O推荐方系统还包括：星期日期模块、时槽模块和消费天日期模块；

(1)星期日期模块：在所述时间周期D内共有m次消费清单，以此计算消费者在星期一至星期日中，最频繁消费的前若干个星期日期；(2)时槽模块：一天24小时，以2小时为单位，划分成12个时槽，计算消费者在消费频次最高的前若干个时槽，具体计算方法如下：

设消费者在时间周期D内，在星期日期w，24小时制的p个时间段内消费过，星期日期w如下计算：

$w_d=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}1$ 如果： $S_{j,5}^k=S_{j,5}^i$

式中：表示第i次消费，消费第j种消费项目，星期日期以5表示；

对w排序，得出消费第j种消费项目，最频繁的前若干个星期日期；

在所述频次最高的前若干个时槽P，计算方法如下：

$P_d=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}1$ 如果： $S_{j,6}^k\∈\left(T_d,T_d+2\right)$

式中：表示第k次消费，消费第j种消费项目，时刻以6表示，（T_d，T_d+2]表示以时刻T_d开始的第d个时槽；

对时槽P排序，得出最频繁的前若干个时槽P；

(3)消费天日期模块：根据历次消费矩阵中的消费信息，计算出消费者对某一消费项目的下一次消费天日期t_next，即：

$t_{next}=S_{j,3}^i-\frac{s_{j,2}^i}{t}\±\mathrm{\δ}$

式中：δ表示天日期估算的误差补偿，取值为2或1；

所述服务器在下一次最频繁的所述天日期、星期日期和/或时槽，针对该消费者生成对应的项目的商户推送信息，并将该推送信息发送给该消费者。

采用上述方案后，本发明的移动O2O推荐方法具有以下有益效果：其精准推荐，综合了现有常见的基于内容的推荐系统，并在此基础上增加了位置属性，有利于商户实现线上线下资源的综合利用，精确实现O2O应用，大大增强用户粘性。

附图说明

图1为本发明的流程图。

具体实施方式

为了进一步解释本发明的技术方案，下面通过具体实施例来对本发明进行详细阐述。

如图1所示，本发明的移动O2O推荐方法，主要通过服务器和移动端对应实现以下步骤。服务器包括消费矩阵模块、平均消费周期模块、地点频次模块和推送模块。

1)消费矩阵模块根据消费者的任一消费清单，自动生成对应的消费矩阵，即：

$s^i=\left[\begin{array}{ccc}{s}_{1,1}^i& \mathrm{...}& s_{1,n}^i\\ s_{2,1}^i& \mathrm{...}& s_{2,n}^i\\ \mathrm{...}& \mathrm{...}& \mathrm{...}\\ s_{m,1}^i& \mathrm{...}& s_{m,n}^i\end{array}\right]$

式中：第i次消费清单生成的第i次消费矩阵，每一行分别表示各消费项目对应的各种消费信息，消费信息包括：名称、数量、时间和地点。消费项目包括商品和/或服务。另外，每次的消费清单还可指一次消费行为，一次消费行为可以是指每消费一种名称的消费的行为，例如购买衣服为一次消费，购买鞋子为另一次消费。一次消费行为还可以是指在同一实体店的消费为一次消费行为，例如在一个实体店内既购买衣服又购买鞋子属于一次消费行为，在另一个实体店内购买衣服和鞋子属于第二次消费行为。

2)平均消费周期模块从历次所述消费矩阵中，根据同类消费项目的所述数量和所述时间跨度，预测该消费者从第i次消费到第k次消费的时间间隔d内的同类消费项目的平均消费周期t。同类消费项目可以是指购买相同或者不同的鞋的消费行为属于鞋类消费项目，这些鞋可以是在同一家实体店、同一品牌的不同实体店、或者不同品牌的不同实体店购买的。以此类推，购买多种衣服的消费行为属于服装类消费项目，作美容、美发、美甲等消费行为属于美容类消费项目，…………。

$t=\frac{{\mathrm{\Σ}}_{n=k}^i{s}_{j,2}^n}{d},$ 其中 $d=S_{j,3}^i-S_{j,3}^k,$

式中：表示消费者第n次消费，消费第j种消费项目的数量，以“2”表示数量，并非指数量为2个，而是本公式是数量这一消费信息用“2”表示；表示第i次消费第j种消费项目的时间，即时间这一消费信息用3表示；表示第k次消费第j种消费项目的时间。

3)地点频次模块根据所述地点统计该消费者在各地点消费的地点频次，设该消费者在设定的时间周期D内，共计在m个所述地方消费，分别为则该消费者在所述地点第i次消费第j种消费项目则地点频次如下：

${\mathrm{place}}_i=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}1$ 如果： $S_{j,4}^k=S_{j,4}^i$

对所述地点place排序，计算出消费任一消费项目的地点频次排前的若干个地点，例如排名第1、2、3、4……的若干个地点。

4)移动端通过GPS定位系统进行定位，当消费者携带的移动端位于消费矩阵中的消费地点能感知的范围时，则服务器的推送模块将各商户的各类商品、服务的商业信息与该消费者的对应消费信息进行匹配，得出推送信息，并通过移动端向消费者发送所述推送信息。例如，该消费者通常消费某品牌衣服，某商户的该品牌衣服的打折、优惠、特价、新品上市等商业信息相应地生成推送信息，并向移动到某商户附近的该消费者发送该推送信息。

较佳地，时间包括：天日期、星期日期和时刻，天日期是指某年某月某日，星期日期是指星期一、星期二、星期三……星期日，时刻是指小时、分、秒。服务器还包括：星期日期模块、时槽模块和消费天日期模块，各模块分别对应实现以下步骤。

1)星期日期模块：在所述时间周期D内共有m次消费清单，如一周或者一个月为单位，或者是前面计算的时间间隔d，以此计算:(1)消费者在星期一至星期日中，最频繁消费的前若干个星期日期；(2)一天24小时，以2小时为单位，划分成12个时槽，计算消费者在消费频次最高的前若干个时槽，具体计算方法如下：

设消费者在时间周期D内，在星期日期w，24小时制的p个时间段内消费过，星期日期w如下计算：

$w_d=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}1$ 如果： $S_{j,5}^k=S_{j,5}^i$

式中：表示第i次消费，消费第j种消费项目，星期日期以5表示，这里的5不是指星期五，而是代指“星期日期”这一参数。

对星期日期w排序，得出消费第j种消费项目，最频繁的前若干个星期日期。例如排名第1的星期日期、排名第2的星期日期、排名第3的星期日期、排名第4的星期日期……。

在所述频次最高前若干个星期日期内，其消费最频繁的前若干个时槽P，计算方法如下：

$P_d=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}1$ 如果： $S_{j,6}^k\∈\left(T_d,T_d+2\right)$

式中：表示第k次消费，消费第j种消费项目，时刻以6表示，并非指6点，而是以6表示“时刻”这一消费信息，（T_d，T_d+2]表示以时刻T_d开始的第d个时槽。

对时槽P排序，得出最频繁的前若干个时槽P。

2)根据历次消费矩阵中的消费信息，计算出消费者对某一消费项目的下一次消费天日期t_next，即：

$t_{next}=S_{j,3}^i-\frac{s_{j,2}^i}{t}\±\mathrm{\δ}$

式中：δ表示天日期估算的误差补偿，取值为2或1。

3)在下一次最频繁的所述天日期、星期日期和/或时槽，针对该消费者生成对应的项目的商户推送信息，并将该推送信息发送给该消费者。

本发明的服务器可针对消费者消费商品、服务生成消费矩阵，并预测消费者对某件商品的下一次消费日期，消费地点、消费时间。当消费者在某个频繁日期的频繁时间进入频繁消费地点后，马上向其定向推送专门的商品广告，实现精准营销。

实施例一

本系统主要步骤如下：

1)通过电子商务平台，每一个消费者的每一次消费清单，一般是周期性商品，都保存为一个消费矩阵，下面的消费矩阵表示第i次消费清单构建的消费矩阵：

$s^i=\left[\begin{array}{ccc}{s}_{1,1}^i& \mathrm{...}& s_{1,n}^i\\ s_{2,1}^i& \mathrm{...}& s_{2,n}^i\\ \mathrm{...}& \mathrm{...}& \mathrm{...}\\ s_{m,1}^i& \mathrm{...}& s_{m,n}^i\end{array}\right]$

每一行代表一个商品的各种属性记录，记录了该商品的各种消费信息。每一行从第一列、第二列、第三列分别代表商品名称、数量、消费日期如年月日、消费地点、消费星期日期如星期一或星期日、消费时刻如时、分、秒，等等消费信息。

消费信息并不以一定的顺序排列为限。这里虽然以按名称、数量、日期和地点按第1属性、第2属性、第3属性、第4属性进行排序，但并不以此为限，限定各属性的顺序。

消费天日期如年月日、消费星期日期如星期一或星期日、消费时刻如时分秒，这3种统称为消费时间，简称为时间。例如上面的消费矩阵表示第i次的消费行为：第一行数集表示第1类商品的消费商品的名称、数量、消费日期、消费地点、消费星期日期、消费时刻等等消费信息。

2)从消费者的历次消费矩阵中，对于同类型的商品，计算出消费数量和时间跨度t，预测消费者在某个周期d内的商品消费周期；即计算：

其中d表示第k次消费到第i次消费的时间间隔

式中：表示消费者第n次消费中，消费了第j种商品的数量；表示第i次消费的时间，表示第k次消费的时间。

3)根据消费地点，统计消费者的消费地点偏好，预测其下次消费地点：

${\mathrm{place}}_i=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}1$ 如果： $S_{j,4}^k=S_{j,4}^i$

对这place进行排序，可计算出消费任一商品j的地点最频繁的前3-5个地点，这3-5个地点称为频繁消费地点。

这样可以对消费者的消费地点进行排序。

4)通过消费日期、时间数据，挖掘出消费者的最频繁消费时间段及消费日期，以一周计算。

5)当最后一次消费结束后，计算出消费者的对某一商品的下一次消费日期，即：

$t_{next}=S_{j,3}^i-\frac{s_{j,2}^i}{t}\±\mathrm{\δ}$

其中δ是日期估算的误差补偿，可取2。

6)在t_next日期时刻，或w_d时间的P_d时槽，即某个频繁日期时刻，生成消费者可能需要的信息并在合适的时候将该信息推送给消费者，商户甚至可以对商品进行专门设计，推出专属于某一个消费者的促销优惠信息。

7)通过GPS定位系统，当消费者所处位置距离实体店可以感知的范围时，如500-1000米之间，则触发商户与消费者需求的匹配算法，可以设计专门针对该消费者的营销优惠策略，并快速向消费者推送。

8)消费者根据6、7步收到的信息，在约定的时间或者刻意计划的时间，或“路过”实体店时或者不刻意计划的时间，“顺便”进实体店完成“捎带”交易，并享受相关的优惠待遇。

9)消费记录存入数据库，循环计算，更新消费模式。

实施例二

(1)消费者数据收集：对消费者数据进行线上、线下的联运收集，每一次线上、线下的交易数据都保存为一个消费矩阵，如某商品属性缺失的话，则对应的消费矩阵中的元素置为0或空。

(2)对消费矩阵进行处理：主要是挖掘出消费者对某件商品的消费周期、消费者的频繁消费地点、消费者的频繁消费时间等信息。

(3)根据GPS等信息，定位消费者的位置，并与商户的实体店铺位置进行距离计算。当消费者实时位置进入到系统设置的阈值时，阈值还需考虑以下因素：消费者步行的话，一般为500-1000米，800米左右比较合适。消费者开车的话5000米以内比较合适，还需要考虑停车、交通拥堵等情况。

(4)根据消费者对某件商品的预测消费日期，在该日期前后，结合消费者的消费时间，以一周为周期，设计专门针对该消费者的商品优惠方案。

(5)将以上(3)(4)部中的营销信息，向消费者进行定向推送。

(6)消费者得到信息后，进店完成交易。

上述实施例和附图并非限定本发明的商品形态和式样，任何所属技术领域的普通技术人员对其所做的适当变化或修饰，皆应视为不脱离本发明的专利范畴。

Claims (5)

1.一种移动O2O推荐方法，其特征在于，通过以下步骤实现：

1)服务器根据消费者的任一消费清单，自动生成对应的消费矩阵，即：

$s^i=\left[\begin{array}{ccc}{s}_{1,1}^i& ...& s_{1,n}^i\\ s_{2,1}^i& ...& s_{2,n}^i\\ ...& ...& ...\\ s_{m,1}^i& ...& s_{m,n}^i\end{array}\right]$

式中：第i次消费清单生成的第i次消费矩阵，每一行分别表示各消费项目对应的各种消费信息，消费信息包括：名称、数量、时间和地点；

2)服务器从历次所述消费矩阵中，根据同类消费项目的所述数量和所述时间跨度，预测该消费者从第i次消费到第k次消费的时间间隔d内的同类消费项目的平均消费周期t，即：

$t=\frac{{\mathrm{\Σ}}_{n=k}^i{s}_{j,2}^n}{d},$ 其中 $d=S_{j,3}^i-S_{j,3}^k,$

式中：表示消费者第n次消费，消费第j种消费项目的数量；表示第i次消费的时间，表示第k次消费的时间；

3)根据所述地点统计该消费者在各地点消费的地点频次，设该消费者在设定的时间周期D内，共计在m个所述地方消费，分别为则该消费者在所述地点第i次消费第j种消费项目则地点频次如下：

${\mathrm{place}}_i=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}1$ 如果： $S_{j,4}^k=S_{j,4}^i$

对所述地点place排序，计算出消费任一消费项目的地点频次排前的若干个地点；

4)通过GPS定位系统，当消费者携带的移动端位于消费矩阵中的消费地点能感知的范围时，则服务器触发商户与消费者需求的匹配算法得出推送信息，并通过移动端向消费者发送所述推送信息。

2.如权利要求1所述的移动O2O推荐方法，其特征在于：所述时间包括：天日期、星期日期和时刻；还包括以下步骤：

1)在所述时间周期D内共有m次消费清单，以此计算:(1)消费者在星期一至星期日中，最频繁消费的前若干个星期日期；(2)一天24小时，以2小时为单位，划分成12个时槽，计算消费者在消费频次最高的前若干个时槽，具体计算方法如下：

设消费者在时间周期D内，在星期日期w，24小时制的p个时间段内消费过，星期日期w如下计算：

$w_d=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}1$ 如果： $S_{j,5}^k=S_{j,5}^i$

式中：表示第i次消费，消费第j种消费项目，星期日期以5表示；

对w排序，得出消费第j种消费项目，最频繁的前若干个星期日期；

在所述频次最高的前若干个时槽P，计算方法如下：

$P_d=\underset{k=1}{\overset{m}{\Σ}}1$ 如果： $S_{j,6}^k\∈(T_d,T_d+2]$

式中：表示第k次消费，消费第j种消费项目，时刻以6表示，(T_d，T_d+2]表示以时刻T_d开始的第d个时槽；

对时槽P排序，得出最频繁的前若干个时槽P；

2)根据历次消费矩阵中的消费信息，计算出消费者对某一消费项目的下一次消费天日期t_next，即：

$t_{next}=S_{j,3}^i-\frac{s_{j,2}^i}{t}\±\mathrm{\δ}$

式中：δ表示天日期估算的误差补偿，取值为2；

3)在下一次最频繁的所述天日期、星期日期和/或时槽，针对该消费者生成对应的项目的商户推送信息，并将该推送信息发送给该消费者。

3.如权利要求1所述的移动O2O推荐方法，其特征在于：所述步骤4中，设定的时间段D为一周或一月。

4.一种移动O2O推荐系统，其特征在于：实现如权利要求1所述的方法，包括：

1)服务器：包括消费矩阵模块、平均消费周期模块、地点频次模块和推送模块；

消费矩阵模块：根据消费者的任一消费清单，自动生成对应的消费矩阵，即：

$s^i=\left[\begin{array}{ccc}{s}_{1,1}^i& ...& s_{1,n}^i\\ s_{2,1}^i& ...& s_{2,n}^i\\ ...& ...& ...\\ s_{m,1}^i& ...& s_{m,n}^i\end{array}\right]$

式中：第i次消费清单生成的第i次消费矩阵，每一行分别表示各消费项目对应的各种消费信息，消费信息包括：名称、数量、时间和地点；

2)平均消费周期模块：服务器从历次所述消费矩阵中，根据同类消费项目的所述数量和所述时间跨度，预测该消费者从第i次消费到第k次消费的时间间隔d内的同类消费项目的平均消费周期t，即：

$t=\frac{{\mathrm{\Σ}}_{n=k}^i{s}_{j,2}^n}{d},$ 其中 $d=S_{j,3}^i-S_{j,3}^k,$

式中：表示消费者第n次消费，消费第j种消费项目的数量；表示第i次消费的时间，表示第k次消费的时间；

3)地点频次模块：根据所述地点统计该消费者在各地点消费的地点频次，设该消费者在设定的时间周期D内，共计在m个所述地方消费，分别为则该消费者在所述地点第i次消费第j种消费项目则地点频次如下：

${\mathrm{place}}_i=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}1$ 如果： $S_{j,4}^k=S_{j,4}^i$

对所述地点place排序，计算出消费任一消费项目的地点频次排前的若干个地点；

4)移动端：通过GPS定位系统，当消费者携带移动端位于消费矩阵中的消费地点能感知的范围时，则服务器的推送模块根据商户与消费者需求的匹配性，得出推送信息，并通过移动端向消费者发送所述推送信息。

5.如权利要求4所述的移动O2O推荐系统，其特征在于：还包括：星期日期模块、时槽模块和消费天日期模块；

(1)星期日期模块：在所述时间周期D内共有m次消费清单，以此计算消费者在星期一至星期日中，最频繁消费的前若干个星期日期；(2)时槽模块：一天24小时，以2小时为单位，划分成12个时槽，计算消费者在消费频次最高的前若干个时槽，具体计算方法如下：

设消费者在时间周期D内，在星期日期w，24小时制的p个时间段内消费过，星期日期w如下计算：

$w_d=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}1$ 如果： $S_{j,5}^k=S_{j,5}^i$

式中：表示第i次消费，消费第j种消费项目，星期日期以5表示；

对w排序，得出消费第j种消费项目，最频繁的前若干个星期日期；

在所述频次最高的前若干个时槽P，计算方法如下：

$P_d=\underset{k=1}{\overset{m}{\Σ}}1$ 如果： $S_{j,6}^k\∈(T_d,T_d+2\]$

式中：表示第k次消费，消费第j种消费项目，时刻以6表示，(T_d，T_d+2]表示以时刻T_d开始的第d个时槽；

对时槽P排序，得出最频繁的前若干个时槽P；

(3)消费天日期模块：根据历次消费矩阵中的消费信息，计算出消费者对某一消费项目的下一次消费天日期t_next，即：

$t_{next}=S_{j,3}^i-\frac{s_{j,2}^i}{t}\±\mathrm{\δ}$

式中：δ表示天日期估算的误差补偿，取值为2或1；

所述服务器在下一次最频繁的所述天日期、星期日期和/或时槽，针对该消费者生成对应的项目的商户推送信息，并将该推送信息发送给该消费者。