CN106600372A - 一种基于用户行为的商品推荐方法及系统 - Google Patents
一种基于用户行为的商品推荐方法及系统 Download PDFInfo
- Publication number
- CN106600372A CN106600372A CN201611141811.9A CN201611141811A CN106600372A CN 106600372 A CN106600372 A CN 106600372A CN 201611141811 A CN201611141811 A CN 201611141811A CN 106600372 A CN106600372 A CN 106600372A
- Authority
- CN
- China
- Prior art keywords
- behavior
- commodity
- user
- implicit rating
- conversion
- 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
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于用户行为的商品推荐方法及系统,涉及商品推荐技术领域。该方法包括:通过APP或者网页对用户的行为进行搜集;当用户进行商品的购买时,判断商品是耐耗品还是易耗品,若是耐耗品,根据点击行为和搜索行为进行物品的聚类,向用户推荐商品;若是易耗品,判断是否有对商品的打分行为,若有,根据对商品的打分行为向用户推荐商品;若没有,则将点击行为、查看商品属性的行为、购买行为、对商品的评价行为转换为对应的隐性评分数据;将所有隐性评分数据经过层次分析法进行加权处理,得到总的隐性评分;根据总的隐性评分,利用协同过滤算法向用户进行商品的推荐。本发明不但推荐的准确度高且符合实际应用需求,用户体验佳。
Description
技术领域
本发明涉及商品推荐技术领域,具体来讲是一种基于用户行为的商品推荐方法及系统。
背景技术
随着电子商务规模的不断扩大,商品个数和种类快速增长,顾客陷入海量信息中,需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失,很难快速且有效地做出购买决策。为了解决这些问题,个性化推荐系统应运而生。个性化推荐是根据用户的兴趣特点和购买行为,向用户推荐用户感兴趣的信息和商品;是建立在海量数据挖掘基础上的一种高级商务智能平台,以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。
目前,在个性化推荐领域常用基于历史用户购买商品后对商品的评分结果,来对商品进行推荐。然而,实际操作中商品的评分信息并不容易获得且相对与商品的数量来说非常稀疏,因此,单纯的基于用户对商品的评分来进行商品的推荐,推荐的准确度较低且并不符合实际应用需求,进而使得用户体验差。
发明内容
本发明的目的是为了克服上述背景技术的不足,提供一种基于用户行为的商品推荐方法及系统,能针对用户购买的耐耗品和易耗品进行区分推荐;而且在进行商品推荐时仅将用户对商品的评分这种显性评分数据作为首选推荐依据,在不具备首选推荐依据的情况下,还可以将用户点击行为、查看属性行为、购买行为、评价行为这种隐性评分数据作为推荐依据,进行商品的推荐,不但推荐的准确度高且符合实际应用需求,用户体验佳。
为达到以上目的,本发明提供一种基于用户行为的商品推荐方法,包括以下步骤:步骤S1:通过APP或者网页对用户的行为进行搜集,所述用户的行为包括:搜索行为、点击行为、查看商品属性的行为、购买行为、对商品的评价行为以及对商品的打分行为,转入步骤S2;步骤S2:当用户进行商品的购买时,判断当前购买的商品是耐耗品还是易耗品,若是耐耗品,转入步骤S3;若是易耗品,则转入步骤S4;步骤S3:根据搜集到的点击行为和搜索行为,进行物品的聚类,根据聚类结果向用户进行商品的推荐;步骤S4:判断搜集到的用户行为中是否有对该商品的打分行为,若有,则转入步骤S5;若没有,则转入步骤S6;步骤S5:直接根据搜集到的对商品的打分行为,按照打分的高低依次向用户进行商品的推荐;步骤S6:通过转换函数,将搜集到的点击行为、查看商品属性的行为、购买行为、对商品的评价行为依次转换为对应的数值分数,即隐性评分数据,转入步骤S7;步骤S7:将转换所得的所有隐性评分数据经过层次分析法进行加权处理,得到总的隐性评分;根据总的隐性评分,利用协同过滤算法向用户进行商品的推荐。
本发明同时还提供一种基于用户行为的商品推荐系统,包括用户行为搜集模块、购买商品类型判断模块、耐耗品推荐模块、显性评分判断模块、显性评分推荐模块、隐性评分推荐模块;
所述用户行为搜集模块用于:通过APP或者网页对用户的行为进行搜集,所述用户的行为包括:搜索行为、点击行为、查看商品属性的行为、购买行为、对商品的评价行为以及对商品的打分行为;
所述购买商品类型判断模块用于:当用户进行商品的购买时,判断当前购买的商品是耐耗品还是易耗品,若是耐耗品,向耐耗品推荐模块发送耐耗品推荐信号;若是易耗品,向显性评分判断模块发送判断信号;
所述耐耗品推荐模块用于:收到耐耗品推荐信号后,根据搜集到的点击行为和搜索行为,进行物品的聚类,根据聚类结果向用户进行商品的推荐;
所述显性评分判断模块用于:收到判断信号后,判断搜集到的用户行为中是否有对该商品的打分行为,若有,则向显性评分推荐模块发送显性评分推荐信号;若没有,则隐性评分推荐模块发送隐性评分推荐信号;
所述显性评分推荐模块用于:收到显性评分推荐信号后,直接根据搜集到的对商品的打分行为,按照打分的高低依次向用户进行商品的推荐;
所述隐性评分推荐模块用于:收到隐性评分推荐信号后,通过转换函数,将搜集到的点击行为、查看商品属性的行为、购买行为、对商品的评价行为依次转换为对应的数值分数,即隐性评分数据;将转换所得的所有隐性评分数据经过层次分析法进行加权处理,得到总的隐性评分;根据总的隐性评分,利用协同过滤算法向用户进行商品的推荐。
本发明的有益效果在于:
(1)本发明中,在向对用户推荐可能喜欢的商品时,我们将商品分为了两类,一类为耐耗品,一类为易耗品。对于耐耗品,由于用户的购买频率低,在对用户进行推荐时,我们只通过对用户的点击行为和搜索行为作为依据进行商品的推荐,主要使用聚类算法,高效、准确。对于易耗品,由于用户的购买次数较频繁,因此,先判断是否有显性评分数据(即是否有对该商品的打分行为);若有,则优先依据显性评分数据进行商品的推荐;若没有,则通过对用户的点击、查看商品属性、购买、对商品的文字评价等行为进行分析,将用户的行为数据通过转换函数转换为隐性评分数据,并根据总的隐性评分,利用协同过滤算法向用户进行商品的推荐。
与现有技术相比,本发明能针对用户购买的耐耗品和易耗品进行区分推荐;而且不单纯依赖显性评分数据,在不具备显性评分数据的情况下,还可以将隐性评分数据作为推荐依据,进行商品的推荐,不但推荐的准确度高且符合实际应用需求,用户体验佳。
(2)本发明中,在用户的购买结束页面,我们将根据所有用户的购买行为进行分析,根据同时购买该商品的用户数据,向该商品购买者推荐其他购买该商品的用户(类似用户)同时购买的,可能该用户也喜欢的商品。这一操作更好的符合实际应用需求,实现了更全面的个性化推荐,进一步提升了用户体验。
附图说明
图1为本发明实施例中基于用户行为的商品推荐方法的流程图;
图2为本发明实施例中基于用户行为的商品推荐系统的结构框图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细描述。
参见图1所示,本发明实施例提供一种基于用户行为的商品推荐方法,包括以下步骤:
步骤S1:通过APP(Application,应用程序)或者网页对用户的行为进行搜集,所述用户的行为包括:搜索行为、点击行为、查看商品属性的行为、购买行为、对商品的评价行为以及对商品的打分行为,转入步骤S2。
步骤S2:当用户进行商品的购买时,判断当前购买的商品是耐耗品还是易耗品,若是耐耗品,转入步骤S3;若是易耗品,则转入步骤S4。
步骤S3:根据搜集到的用户行为中的点击行为和搜索行为,进行物品的聚类;根据聚类结果向用户进行商品的推荐,转入步骤S8。
可以理解的是,对于耐耗品,由于用户的购买频率低,在对用户进行商品推荐时,我们只需将用户的点击行为和搜索行为作为依据进行商品的推荐即可,且主要使用聚类算法。具体来说,本实施例中采用KNN(k-Nearest Neighbor,K最近邻)分类算法进行物品的聚类;其中,K个最相邻的样本的具体个数可根据实际需要进行自行设置。
步骤S4:判断搜集到的用户行为中是否有对该商品的打分行为,即显性评分数据,若有,则转入步骤S5;若没有,则转入步骤S6。
步骤S5:直接根据搜集到的用户行为中的对商品的打分行为,按照打分的高低依次向用户进行商品的推荐,转入步骤S8。
步骤S6:通过转换函数,将用户行为中的点击行为、查看商品属性的行为、购买行为、对商品的评价行为依次转换为对应的数值分数,即隐性评分数据,转入步骤S7。
实际操作时,步骤S6具体包括以下操作:
当转换点击行为时,先根据转换参数a=avgN/atanh(0.5),确定转换参数a,其中,N为正整数表示点击次数,avgN为平均点击次数,atanh为反双曲正切函数;再根据双曲正切函数2*tanh(N/a),得到点击行为转换后对应的数值分数,即点击行为对应的隐性评分数据;
当转换查看商品属性的行为时,先根据转换参数b=avgT/atanh(0.5),确定转换参数b,其中,T为正整数表示用户查看商品属性停留的时长,avgT为用户的平均停留时长;再根据双曲正切函数2*tanh(T/b),得到查看商品属性的行为转换后对应的数值分数,即查看商品属性的行为对应的隐性评分数据;
当转换购买行为时,先根据转换参数c1=log(99)/(maxM-avgM)以及转换参数c2=avgM*c1,确定转换参数c1和c2,其中,M为正整数表示用户购买次数,avgM为为正整数表示用户平均购买次数,maxM为用户的最大购买次数;再根据2*(exp(c2-c1*M))/(1+exp(c2-c1*M)),得到购买行为转换后对应的数值分数,即购买行为对应的隐性评分数据;
当转换对商品的评价行为时,采取-2到2的5分制评分制,直接按照将好评转换为1、中评转换为0、差评转换为-1的规则,得到对商品的评价行为转换后对应的数值分数,即对商品的评价行为对应的隐性评分数据。
另外,可以理解的是,若用户没有任何操作行为,进行转换时评分按照缺失处理;若用户有操作行为,但是用户行为不完整,缺失的行为记为0处理;若用户行为完全,则按照上述规则处理。
步骤S7:将步骤S6中转换所得的所有隐性评分数据经过层次分析法进行加权处理,得到总的隐性评分;根据总的隐性评分,利用协同过滤算法向用户进行商品的推荐,转入步骤S8。
本实施例中,步骤S7中进行加权处理时,点击行为的隐性评分数据对应的权重为0.0352;查看商品属性行为的隐性评分数据对应的权重为0.0891;购买行为的隐性评分数据对应的权重为0.3757;对商品的评价行为的隐性评分数据对应的权重为0.5。
步骤S8:当用户结束此次商品的购买时,使用Apriori算法(一种挖掘关联规则的频繁项集算法)及FP-growth算法(一种关联分析算法),向用户推荐购买该商品的其他用户还同时购买了哪些其他商品。
参见图2所示,本发明实施例还提供一种基于用户行为的商品推荐系统。该系统包括用户行为搜集模块、购买商品类型判断模块、耐耗品推荐模块、显性评分判断模块、显性评分推荐模块、隐性评分推荐模块。
其中,用户行为搜集模块用于:通过APP或者网页对用户的行为进行搜集,所述用户的行为包括:搜索行为、点击行为、查看商品属性的行为、购买行为、对商品的评价行为以及对商品的打分行为;
购买商品类型判断模块用于:当用户进行商品的购买时,判断当前购买的商品是耐耗品还是易耗品,若是耐耗品,向耐耗品推荐模块发送耐耗品推荐信号;若是易耗品,则向显性评分判断模块发送判断信号;
耐耗品推荐模块用于:收到耐耗品推荐信号后,根据搜集到的点击行为和搜索行为,采用KNN分类算法进行物品的聚类,根据聚类结果向用户进行商品的推荐;
显性评分判断模块用于:收到判断信号后,判断搜集到的用户行为中是否有对该商品的打分行为,若有,则向显性评分推荐模块发送显性评分推荐信号;若没有,则隐性评分推荐模块发送隐性评分推荐信号;
显性评分推荐模块用于:收到显性评分推荐信号后,根据搜集到的对商品的打分行为,按照打分的高低依次向用户进行商品的推荐;
隐性评分推荐模块用于:收到隐性评分推荐信号后,通过转换函数,将搜集到的点击行为、查看商品属性的行为、购买行为、对商品的评价行为依次转换为对应的数值分数,即隐性评分数据;将转换所得的所有隐性评分数据经过层次分析法进行加权处理,得到总的隐性评分;根据总的隐性评分,利用协同过滤算法向用户进行商品的推荐。
进一步地,所述隐性评分推荐模块进行隐性评分数据转换时,其具体转换过程如下:当转换点击行为时,先根据转换参数a=avgN/atanh(0.5),确定转换参数a,其中,N为正整数表示点击次数,avgN为平均点击次数,atanh为反双曲正切函数;再根据双曲正切函数2*tanh(N/a),得到点击行为转换后对应的数值分数,即点击行为对应的隐性评分数据;当转换查看商品属性的行为时,先根据转换参数b=avgT/atanh(0.5),确定转换参数b,其中,T为正整数表示用户查看商品属性停留的时长,avgT为用户的平均停留时长;再根据双曲正切函数2*tanh(T/b),得到查看商品属性的行为转换后对应的数值分数,即查看商品属性的行为对应的隐性评分数据;当转换购买行为时,先根据转换参数c1=log(99)/(maxM-avgM)以及转换参数c2=avgM*c1,确定转换参数c1和c2,其中,M为正整数表示用户购买次数,avgM为为正整数表示用户平均购买次数,maxM为用户的最大购买次数;再根据2*(exp(c2-c1*M))/(1+exp(c2-c1*M)),得到购买行为转换后对应的数值分数,即购买行为对应的隐性评分数据;当转换对商品的评价行为时,采取-2到2的5分制评分制,直接按照将好评转换为1、中评转换为0、差评转换为-1的规则,得到对商品的评价行为转换后对应的数值分数,即对商品的评价行为对应的隐性评分数据。
更进一步地,所述隐性评分推荐模块进行加权处理时,点击行为的隐性评分数据对应的权重为0.0352;查看商品属性行为的隐性评分数据对应的权重为0.0891;购买行为的隐性评分数据对应的权重为0.3757;对商品的评价行为的隐性评分数据对应的权重为0.5。
另外,为了更好的符合实际应用需求,进行更全面的个性化推荐,提高用户体验,该系统还包括相似用户推荐模块。所述相似用户推荐模块用于:当用户结束此次商品的购买时,使用Apriori算法及FP-growth算法,向用户推荐购买该商品的其他用户还同时购买了哪些其他商品。
需要说明的是:上述实施例提供的系统在进行操作时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将系统的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
本发明不局限于上述实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围之内。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种基于用户行为的商品推荐方法,其特征在于,该方法包括以下步骤:
步骤S1:通过APP或者网页对用户的行为进行搜集,所述用户的行为包括:搜索行为、点击行为、查看商品属性的行为、购买行为、对商品的评价行为以及对商品的打分行为,转入步骤S2;
步骤S2:当用户进行商品的购买时,判断当前购买的商品是耐耗品还是易耗品,若是耐耗品,转入步骤S3;若是易耗品,则转入步骤S4;
步骤S3:根据搜集到的点击行为和搜索行为,进行物品的聚类,根据聚类结果向用户进行商品的推荐;
步骤S4:判断搜集到的用户行为中是否有对该商品的打分行为,若有,则转入步骤S5;若没有,则转入步骤S6;
步骤S5:直接根据搜集到的对商品的打分行为,按照打分的高低依次向用户进行商品的推荐;
步骤S6:通过转换函数,将搜集到的点击行为、查看商品属性的行为、购买行为、对商品的评价行为依次转换为对应的数值分数,即隐性评分数据,转入步骤S7;
步骤S7:将转换所得的所有隐性评分数据经过层次分析法进行加权处理,得到总的隐性评分;根据总的隐性评分,利用协同过滤算法向用户进行商品的推荐。
2.如权利要求1所述的基于用户行为的商品推荐方法,其特征在于:步骤S3中,进行物品的聚类时,采用KNN分类算法进行物品的聚类。
3.如权利要求1所述的基于用户行为的商品推荐方法,其特征在于,步骤S6具体包括以下操作:
当转换点击行为时,先根据转换参数a=avgN/atanh(0.5),确定转换参数a,其中,N为正整数表示点击次数,avgN为平均点击次数,atanh为反双曲正切函数;再根据双曲正切函数2*tanh(N/a),得到点击行为转换后对应的数值分数,即点击行为对应的隐性评分数据;
当转换查看商品属性的行为时,先根据转换参数b=avgT/atanh(0.5),确定转换参数b,其中,T为正整数表示用户查看商品属性停留的时长,avgT为用户的平均停留时长;再根据双曲正切函数2*tanh(T/b),得到查看商品属性的行为转换后对应的数值分数,即查看商品属性的行为对应的隐性评分数据;
当转换购买行为时,先根据转换参数c1=log(99)/(maxM-avgM)以及转换参数c2=avgM*c1,确定转换参数c1和c2,其中,M为正整数表示用户购买次数,avgM为为正整数表示用户平均购买次数,maxM为用户的最大购买次数;再根据2*(exp(c2-c1*M))/(1+exp(c2-c1*M)),得到购买行为转换后对应的数值分数,即购买行为对应的隐性评分数据;
当转换对商品的评价行为时,采取-2到2的5分制评分制,直接按照将好评转换为1、中评转换为0、差评转换为-1的规则,得到对商品的评价行为转换后对应的数值分数,即对商品的评价行为对应的隐性评分数据。
4.如权利要求1所述的基于用户行为的商品推荐方法,其特征在于:步骤S7中进行加权处理时,点击行为的隐性评分数据对应的权重为0.0352;查看商品属性行为的隐性评分数据对应的权重为0.0891;购买行为的隐性评分数据对应的权重为0.3757;对商品的评价行为的隐性评分数据对应的权重为0.5。
5.如权利要求1至4中任一项所述的基于用户行为的商品推荐方法,其特征在于:步骤S3、S5和S7之后还均包括以下操作:当用户结束此次商品的购买时,使用Apriori算法及FP-growth算法,向用户推荐购买该商品的其他用户还同时购买了哪些其他商品。
6.一种基于用户行为的商品推荐系统,其特征在于:该系统包括用户行为搜集模块、购买商品类型判断模块、耐耗品推荐模块、显性评分判断模块、显性评分推荐模块、隐性评分推荐模块;
所述用户行为搜集模块用于:通过APP或者网页对用户的行为进行搜集,所述用户的行为包括:搜索行为、点击行为、查看商品属性的行为、购买行为、对商品的评价行为以及对商品的打分行为;
所述购买商品类型判断模块用于:当用户进行商品的购买时,判断当前购买的商品是耐耗品还是易耗品,若是耐耗品,向耐耗品推荐模块发送耐耗品推荐信号;若是易耗品,向显性评分判断模块发送判断信号;
所述耐耗品推荐模块用于:收到耐耗品推荐信号后,根据搜集到的点击行为和搜索行为,进行物品的聚类,根据聚类结果向用户进行商品的推荐;
所述显性评分判断模块用于:收到判断信号后,判断搜集到的用户行为中是否有对该商品的打分行为,若有,则向显性评分推荐模块发送显性评分推荐信号;若没有,则隐性评分推荐模块发送隐性评分推荐信号;
所述显性评分推荐模块用于:收到显性评分推荐信号后,直接根据搜集到的对商品的打分行为,按照打分的高低依次向用户进行商品的推荐;
所述隐性评分推荐模块用于:收到隐性评分推荐信号后,通过转换函数,将搜集到的点击行为、查看商品属性的行为、购买行为、对商品的评价行为依次转换为对应的数值分数,即隐性评分数据;将转换所得的所有隐性评分数据经过层次分析法进行加权处理,得到总的隐性评分;根据总的隐性评分,利用协同过滤算法向用户进行商品的推荐。
7.如权利要求6所述的基于用户行为的商品推荐系统,其特征在于:所述耐耗品推荐模块采用KNN分类算法进行物品的聚类。
8.如权利要求6所述的基于用户行为的商品推荐系统,其特征在于:所述隐性评分推荐模块进行隐性评分数据转换时,其具体转换过程如下:
当转换点击行为时,先根据转换参数a=avgN/atanh(0.5),确定转换参数a,其中,N为正整数表示点击次数,avgN为平均点击次数,atanh为反双曲正切函数;再根据双曲正切函数2*tanh(N/a),得到点击行为转换后对应的数值分数,即点击行为对应的隐性评分数据;
当转换查看商品属性的行为时,先根据转换参数b=avgT/atanh(0.5),确定转换参数b,其中,T为正整数表示用户查看商品属性停留的时长,avgT为用户的平均停留时长;再根据双曲正切函数2*tanh(T/b),得到查看商品属性的行为转换后对应的数值分数,即查看商品属性的行为对应的隐性评分数据;
当转换购买行为时,先根据转换参数c1=log(99)/(maxM-avgM)以及转换参数c2=avgM*c1,确定转换参数c1和c2,其中,M为正整数表示用户购买次数avgM为为正整数表示用户平均购买次数,maxM为用户的最大购买次数;再根据2*(exp(c2-c1*M))/(1+exp(c2-c1*M)),得到购买行为转换后对应的数值分数,即购买行为对应的隐性评分数据;
当转换对商品的评价行为时,采取-2到2的5分制评分制,直接按照将好评转换为1、中评转换为0、差评转换为-1的规则,得到对商品的评价行为转换后对应的数值分数,即对商品的评价行为对应的隐性评分数据。
9.如权利要求6所述的基于用户行为的商品推荐系统,其特征在于:所述隐性评分推荐模块进行加权处理时,点击行为的隐性评分数据对应的权重为0.0352;查看商品属性行为的隐性评分数据对应的权重为0.0891;购买行为的隐性评分数据对应的权重为0.3757;对商品的评价行为的隐性评分数据对应的权重为0.5。
10.如权利要求6至9中任一项所述的基于用户行为的商品推荐系统,其特征在于:该系统还包括相似用户推荐模块,所述相似用户推荐模块用于:当用户结束此次商品的购买时,使用Apriori算法及FP-growth算法,向用户推荐购买该商品的其他用户还同时购买了哪些其他商品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611141811.9A CN106600372A (zh) | 2016-12-12 | 2016-12-12 | 一种基于用户行为的商品推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611141811.9A CN106600372A (zh) | 2016-12-12 | 2016-12-12 | 一种基于用户行为的商品推荐方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106600372A true CN106600372A (zh) | 2017-04-26 |
Family
ID=58597764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611141811.9A Pending CN106600372A (zh) | 2016-12-12 | 2016-12-12 | 一种基于用户行为的商品推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600372A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169842A (zh) * | 2017-05-31 | 2017-09-15 | 合肥亿迈杰软件有限公司 | 一种基于商品数据的电子商务数据筛选系统 |
CN107230136A (zh) * | 2017-05-31 | 2017-10-03 | 合肥亿迈杰软件有限公司 | 一种基于大数据的购物排序推送方法 |
CN107391680A (zh) * | 2017-07-24 | 2017-11-24 | 北京京东尚科信息技术有限公司 | 内容推荐方法、装置和设备 |
CN107665448A (zh) * | 2017-09-29 | 2018-02-06 | 北京京东尚科信息技术有限公司 | 用于确定消费贡献价值的方法、装置以及存储介质 |
CN107767227A (zh) * | 2017-10-31 | 2018-03-06 | 深圳春沐源控股有限公司 | 网上商城的商品推荐方法、商品推荐系统 |
CN107948263A (zh) * | 2017-11-15 | 2018-04-20 | 福建中金在线信息科技有限公司 | 一种理财产品的信息推送方法及其相关设备 |
WO2019090619A1 (zh) * | 2017-11-09 | 2019-05-16 | 深圳传音通讯有限公司 | 一种基于智能终端的商品推荐方法及商品推荐系统 |
CN109784671A (zh) * | 2018-12-24 | 2019-05-21 | 远光软件股份有限公司 | 一种基于用户行为分析的用户体验质量评估方法及系统 |
CN109961345A (zh) * | 2017-12-22 | 2019-07-02 | 财团法人工业技术研究院 | 交互式商品推荐方法以及非瞬时计算机可读介质 |
CN110084705A (zh) * | 2019-03-19 | 2019-08-02 | 阿里巴巴集团控股有限公司 | 一种项目推荐方法及装置、一种电子设备及存储介质 |
CN110110205A (zh) * | 2018-01-16 | 2019-08-09 | 北京京东金融科技控股有限公司 | 推荐信息生成方法与装置 |
CN110633418A (zh) * | 2019-09-20 | 2019-12-31 | 曹严清 | 商品推荐方法及装置 |
CN110895778A (zh) * | 2018-09-12 | 2020-03-20 | 北京科杰信息技术有限公司 | 一种电商用户画像中的分类兴趣评分的方法 |
CN111027023A (zh) * | 2019-12-11 | 2020-04-17 | 重庆锐云科技有限公司 | 一种基于频繁分析的房产在线开盘检测方法及系统 |
CN111340601A (zh) * | 2020-03-30 | 2020-06-26 | 贝壳技术有限公司 | 商品信息的推荐方法和装置、电子设备和存储介质 |
CN112132648A (zh) * | 2020-08-28 | 2020-12-25 | 杭州震旦科技有限公司 | 一种商品排序方法、系统和装置 |
US10922737B2 (en) | 2017-12-22 | 2021-02-16 | Industrial Technology Research Institute | Interactive product recommendation method and non-transitory computer-readable medium |
CN113744019A (zh) * | 2021-01-12 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种商品推荐方法、装置、设备及存储介质 |
US11204972B2 (en) | 2018-06-25 | 2021-12-21 | Ebay Inc. | Comprehensive search engine scoring and modeling of user relevance |
CN116701772A (zh) * | 2023-08-03 | 2023-09-05 | 广东美的暖通设备有限公司 | 数据推荐方法和装置、计算机可读存储介质、电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722842A (zh) * | 2012-06-11 | 2012-10-10 | 姚明东 | 一种基于客户行为的商品推荐优化方法 |
CN102760163A (zh) * | 2012-06-12 | 2012-10-31 | 奇智软件(北京)有限公司 | 一种特征信息的个性化推荐方法及装置 |
CN103617540A (zh) * | 2013-10-17 | 2014-03-05 | 浙江大学 | 一种追踪用户兴趣变化的电子商务推荐方法 |
CN103646053A (zh) * | 2013-11-29 | 2014-03-19 | 北京奇虎科技有限公司 | 一种网站提供对象的推荐方法和装置 |
CN105653683A (zh) * | 2015-12-30 | 2016-06-08 | 东软集团股份有限公司 | 一种个性化推荐方法及装置 |
-
2016
- 2016-12-12 CN CN201611141811.9A patent/CN106600372A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722842A (zh) * | 2012-06-11 | 2012-10-10 | 姚明东 | 一种基于客户行为的商品推荐优化方法 |
CN102760163A (zh) * | 2012-06-12 | 2012-10-31 | 奇智软件(北京)有限公司 | 一种特征信息的个性化推荐方法及装置 |
CN103617540A (zh) * | 2013-10-17 | 2014-03-05 | 浙江大学 | 一种追踪用户兴趣变化的电子商务推荐方法 |
CN103646053A (zh) * | 2013-11-29 | 2014-03-19 | 北京奇虎科技有限公司 | 一种网站提供对象的推荐方法和装置 |
CN105653683A (zh) * | 2015-12-30 | 2016-06-08 | 东软集团股份有限公司 | 一种个性化推荐方法及装置 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169842A (zh) * | 2017-05-31 | 2017-09-15 | 合肥亿迈杰软件有限公司 | 一种基于商品数据的电子商务数据筛选系统 |
CN107230136A (zh) * | 2017-05-31 | 2017-10-03 | 合肥亿迈杰软件有限公司 | 一种基于大数据的购物排序推送方法 |
CN107391680A (zh) * | 2017-07-24 | 2017-11-24 | 北京京东尚科信息技术有限公司 | 内容推荐方法、装置和设备 |
CN107665448A (zh) * | 2017-09-29 | 2018-02-06 | 北京京东尚科信息技术有限公司 | 用于确定消费贡献价值的方法、装置以及存储介质 |
CN107767227A (zh) * | 2017-10-31 | 2018-03-06 | 深圳春沐源控股有限公司 | 网上商城的商品推荐方法、商品推荐系统 |
WO2019090619A1 (zh) * | 2017-11-09 | 2019-05-16 | 深圳传音通讯有限公司 | 一种基于智能终端的商品推荐方法及商品推荐系统 |
CN107948263A (zh) * | 2017-11-15 | 2018-04-20 | 福建中金在线信息科技有限公司 | 一种理财产品的信息推送方法及其相关设备 |
US10922737B2 (en) | 2017-12-22 | 2021-02-16 | Industrial Technology Research Institute | Interactive product recommendation method and non-transitory computer-readable medium |
CN109961345A (zh) * | 2017-12-22 | 2019-07-02 | 财团法人工业技术研究院 | 交互式商品推荐方法以及非瞬时计算机可读介质 |
CN110110205A (zh) * | 2018-01-16 | 2019-08-09 | 北京京东金融科技控股有限公司 | 推荐信息生成方法与装置 |
US11204972B2 (en) | 2018-06-25 | 2021-12-21 | Ebay Inc. | Comprehensive search engine scoring and modeling of user relevance |
CN110895778A (zh) * | 2018-09-12 | 2020-03-20 | 北京科杰信息技术有限公司 | 一种电商用户画像中的分类兴趣评分的方法 |
CN109784671A (zh) * | 2018-12-24 | 2019-05-21 | 远光软件股份有限公司 | 一种基于用户行为分析的用户体验质量评估方法及系统 |
CN110084705A (zh) * | 2019-03-19 | 2019-08-02 | 阿里巴巴集团控股有限公司 | 一种项目推荐方法及装置、一种电子设备及存储介质 |
CN110633418A (zh) * | 2019-09-20 | 2019-12-31 | 曹严清 | 商品推荐方法及装置 |
CN111027023A (zh) * | 2019-12-11 | 2020-04-17 | 重庆锐云科技有限公司 | 一种基于频繁分析的房产在线开盘检测方法及系统 |
CN111340601A (zh) * | 2020-03-30 | 2020-06-26 | 贝壳技术有限公司 | 商品信息的推荐方法和装置、电子设备和存储介质 |
CN111340601B (zh) * | 2020-03-30 | 2023-10-03 | 贝壳技术有限公司 | 商品信息的推荐方法和装置、电子设备和存储介质 |
CN112132648A (zh) * | 2020-08-28 | 2020-12-25 | 杭州震旦科技有限公司 | 一种商品排序方法、系统和装置 |
CN113744019A (zh) * | 2021-01-12 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种商品推荐方法、装置、设备及存储介质 |
CN116701772A (zh) * | 2023-08-03 | 2023-09-05 | 广东美的暖通设备有限公司 | 数据推荐方法和装置、计算机可读存储介质、电子设备 |
CN116701772B (zh) * | 2023-08-03 | 2024-03-19 | 广东美的暖通设备有限公司 | 数据推荐方法和装置、计算机可读存储介质、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600372A (zh) | 一种基于用户行为的商品推荐方法及系统 | |
CN102841946B (zh) | 商品数据检索排序及商品推荐方法和系统 | |
CN103886068B (zh) | 用于互联网用户行为分析的数据处理方法和装置 | |
CN109559208A (zh) | 一种信息推荐方法、服务器及计算机可读介质 | |
CN103729359B (zh) | 一种推荐搜索词的方法及系统 | |
CN109190043A (zh) | 推荐方法及装置,存储介质,电子设备及推荐系统 | |
CN101661487B (zh) | 对信息项进行搜索的方法和系统 | |
CN107909433A (zh) | 一种基于大数据移动电子商务的商品推荐方法 | |
CN104281956A (zh) | 基于时间信息的适应用户兴趣变化的动态推荐方法 | |
CN106471491A (zh) | 一种时变的协同过滤推荐方法 | |
CN101853463A (zh) | 基于客户特征的协同过滤推荐方法和系统 | |
CN102254028A (zh) | 一种集成属性和结构相似性的个性化商品推荐方法和系统 | |
CN103425677B (zh) | 关键词分类模型确定方法、关键词分类方法及装置 | |
CN106708821A (zh) | 基于用户个性化购物行为进行商品推荐的方法 | |
CN105976229A (zh) | 一种基于用户和项目混合的协同过滤算法 | |
CN102629257A (zh) | 一种基于关键字的电子商务网站商品推荐方法 | |
CN103106600A (zh) | 商品信息推送系统和商品信息推送方法 | |
CN103136683A (zh) | 计算产品参考价格的方法、装置及产品搜索方法、系统 | |
CN102609422A (zh) | 类目错放识别方法和装置 | |
CN103514255A (zh) | 一种基于项目层次类别的协同过滤推荐方法 | |
CN104462611A (zh) | 信息排序模型的建模方法、排序方法及建模装置、排序装置 | |
CN103593417A (zh) | 基于关联规则预测的协同过滤推荐方法 | |
CN104899246A (zh) | 基于模糊机制用户评分邻域信息的协同过滤推荐方法 | |
CN104166732B (zh) | 一种基于全局评分信息的项目协同过滤推荐方法 | |
CN103309894B (zh) | 基于用户属性的搜索实现方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |