一种基于用户行为的个性化商品推荐方法及装置
技术领域
本发明涉及智能冰箱技术领域,更为具体来说,本发明是一种基于用户行为的个性化商品推荐方法及装置。
背景技术
随着冰箱显示屏越来越大,许多厂商开始在冰箱显示屏上向用户推荐商品。传统的推荐方法有些是盲目推荐,推荐效果很差;传统的推荐方法有些是依靠待推荐用户对待推荐产品上大量的行为或者操作而得到相应产品的推荐结果,但是,对于新上线的产品,传统的推荐方法则无法根据用户个人的喜好进行推荐,如果勉强推荐,可能会造成用户的反感,进而导致用户体验非常差。
因此,如何能够针对新上线的产品进行合理推荐、如何提高商品推荐时的用户体验,成为了本领域技术人员亟待解决的技术问题和始终研究的重点。
发明内容
为解决现有技术无法对新上线的产品进行合理推荐、用户体验较差等问题,本发明公开了一种基于用户行为的个性化商品推荐方法及装置,从用户喜好度相似的角度为用户进行合理推荐,提高用户体验。
为实现上述技术目的,本发明公开了一种基于用户行为的个性化商品推荐方法,该推荐方法包括如下步骤,
步骤1,收集用户对商品的行为;
步骤2,根据用户对商品的行为,获取用户对商品的评分;
步骤3,根据用户对商品的评分或用户画像分析,计算待推荐用户与其他用户的喜好近似度,判断出与待推荐用户喜好近似度最大的关联用户;
步骤4,合并待推荐用户喜好的商品和关联用户喜好的商品,将合并后的部分或全部商品推荐给待推荐用户。
本发明创新地利用其他用户喜好为待推荐用户推荐商品,通过喜好近似度的方式判读待推荐用户的喜好,进而将相应的产品推荐给用户,解决了传统方式必须依靠待推荐用户的使用数据才能进行推荐的问题,解决了刚上线的产品无法推荐或盲目推荐的问题。
进一步地,步骤2中,将所述行为拆分为不同的动作,赋予每个动作预设的权重值,用户对一商品的权重和为用户对该商品的评分。
本发明提供了一种合理的用户对商品评分的方法,将用户对商品行为均考虑在内,从而全方位、准确地得出用户对商品的喜好程度,为后期判断喜好度近似的不同用户做了充足的准备。
进一步地,步骤3中,构建用户-商品的矩阵,矩阵元素为用户对商品的评分;基于上述矩阵,利用曼哈顿距离计算的方法计算其他用户与待推荐用户的喜好近似度。
本发明将评分作为用户-商品的矩阵元素,创新地采用曼哈顿公式来判定用户间的距离,进而得出用户间喜好近似度。
进一步地,步骤3中,与待推荐用户间曼哈顿距离越短的用户,与待推荐用户间的喜好近似度越大。
进一步地,步骤3中,通过构建距离关系图的方式判断与待推荐用户喜好近似度最大的关联用户。
进一步地,步骤4中,可将评分较高的产品推荐给待推荐用户,按照评分由高到低的顺序依次将合并后的部分或全部商品推荐给待推荐用户。
进一步地,步骤4中,根据用户对商品的评分或用户画像分析得到待推荐用户喜好的商品和关联用户喜好的商品。
进一步地,步骤1中,所述用户对商品的行为包括购买行为、饮食行为、烹饪行为中至少一种。
进一步地,步骤1,用户在冰箱和/或手机上对商品进行上述行为。
进一步地,步骤2中,用户对商品的评分越高,表明用户对商品的喜好度越大。
进一步地,步骤3中,所述用户画像依据标签系统统计用户数据。
本发明的另一个发明目的在于提供一种基于用户行为的个性化商品推荐装置,该推荐装置包括依次连接的收集模块、获取模块、判断模块及推荐模块,所述获取模块还与推荐模块连接;所述收集模块用于收集用户对商品的行为;所述获取模块根据用户对商品的行为,获取用户对商品的评分;所述判断模块根据用户对商品的评分或用户画像分析,计算待推荐用户与其他用户的喜好近似度,判断出与待推荐用户喜好近似度最大的关联用户;所述推荐模块合并待推荐用户喜好的商品和关联用户喜好的商品,将合并后的部分或全部商品推荐给待推荐用户。
本发明创新地利用其他用户喜好为待推荐用户推荐商品,通过喜好近似度的方式判读待推荐用户的喜好,进而将相应的产品推荐给用户,解决了传统方式必须依靠待推荐用户的使用数据才能进行推荐的问题,解决了刚上线的产品无法推荐或盲目推荐的问题。
进一步地,所述获取模块包括依次连接的拆分单元、赋值单元、第一计算单元,所述拆分单元将所述行为拆分为不同的动作,所述赋值单元赋予每个动作预设的权重值,所述第一计算单元用于计算商品的权重和。
本发明提供了一种合理的用户对商品评分的装置,将用户对商品行为均考虑在内,从而全方位、准确地得出用户对商品的喜好程度,为后期判断喜好度近似的不同用户做了充足的准备。
进一步地,所述判断模块包括相互连接的构建单元和第二计算单元,所述构建单元用于构建用户-商品的矩阵,矩阵元素为用户对商品的评分,所述第二计算单元利用曼哈顿距离计算的方法计算其他用户与待推荐用户的喜好近似度。
本发明将评分作为用户-商品的矩阵元素,创新地采用曼哈顿公式来判定用户间的距离,进而得出用户间喜好近似度。
进一步地,所述推荐模块包括排序单元,将合并后的商品按照评分由高到低的顺序排序。
进一步地,所述收集模块设置于冰箱和/或手机上。
本发明的有益效果为:在产品刚上线具有较少用户行为数据集的情况下,本发明能够较全面地提供个性化的推荐结果;本发明具有推荐效果好、推荐准确度高、用户体验较好等优点。
附图说明
图1为基于用户行为的个性化商品推荐方法流程示意图。
图2为基于用户行为的个性化商品推荐装置组成示意图。
图3为实施例一中基于用户行为的个性化商品推荐流程。
具体实施方式
下面结合说明书附图对本发明基于用户行为的个性化商品推荐方法及装置进行详细的解释和说明。
实施例一:
如图1、3、2所示,一种基于用户行为的个性化商品推荐方法,该推荐方法包括如下步骤,
步骤1,收集用户对商品的行为,具体地,本发明用户对商品的行为可包括购买行为、饮食行为、烹饪行为中至少一种。本发明中,用户可在冰箱和/或手机等设备上对商品进行上述行为,比如,本发明通过收集用户在冰箱大屏和手机应用上的购买行为、饮食行为及烹饪行为。需要说明的是,本发明中涉及的“和/或”应理解为“和”、“或”两种并列的意思,比如,“冰箱和/或手机”表示“冰箱”、“手机”、“冰箱”和“手机”三种意思。
步骤2,根据用户对商品的行为,获取用户对商品的评分,本实施例中,用户对商品的评分越高,表明用户对商品的喜好度越大。本发明中,提供了一种权重计分方式,将用户对商品的行为拆分为不同的动作,赋予每个动作预设的权重值或权重分数,权重值或权重分数的大小表明该动作的重要性,用户对一商品的权重和为用户对该商品的评分;用户每发生一次动作,该动作对应的商品评分都会加上相应的权重值,比如,通过每天增量的方式累加权重、进而计算出用户对商品的喜好度。如果权重值或权重分数越大,则对应动作的重要性越大。需要说明的是,针对不同的情况,本发明的权重值可根据需要而进行动态调整。
步骤3,根据用户对商品的评分,构建用户-商品的矩阵,矩阵元素为用户对商品的评分,本发明通过构建用户-商品的矩阵图,计算出用户间的相似距离,找到兴趣度相似的用户关系图。基于上述矩阵,利用曼哈顿距离计算的方法计算其他用户与待推荐用户的喜好近似度,本实施例中,与待推荐用户间曼哈顿距离越短的用户,与待推荐用户间的喜好近似度越大,选出距离待推荐用户最短的用户作为关联用户,从而判断出与待推荐用户喜好近似度最大的关联用户;而且,使用曼哈顿距离公式计算后,本发明可通过构建距离关系图的方式判断与待推荐用户喜好近似度最大的关联用户。
步骤4,根据用户对商品的评分得到待推荐用户喜好的商品和关联用户喜好的商品,合并待推荐用户喜好的商品和关联用户喜好的商品,将合并后的部分或全部商品推荐给待推荐用户,比如,将合并后评分最高的n个商品推荐给待推荐用户A,其中n不大于合并后的全部商品个数。为实现更有针对性地推荐,按照评分由高到低的顺序依次将合并后的部分或全部商品推荐给待推荐用户。当然,本步骤也可通过用户画像分析得到待推荐用户喜好的商品和关联用户喜好的商品。
如图2、3、1所示,本发明还公开了一种基于用户行为的个性化商品推荐装置,该推荐装置包括依次连接的收集模块、获取模块、判断模块及推荐模块,获取模块还与推荐模块连接。
收集模块用于收集用户对商品的行为。本实施例中,收集模块设置于冰箱和/或手机上,用户对商品的行为包括购买行为、饮食行为、烹饪行为中至少一种。
获取模块根据用户对商品的行为,获取用户对商品的评分。本发明中,获取模块包括依次连接的拆分单元、赋值单元、第一计算单元,拆分单元将行为拆分为不同的动作,赋值单元赋予每个动作预设的权重值,第一计算单元用于计算商品的权重和,用户对一商品的权重和为用户对该商品的评分,用户对商品的评分越高,表明用户对商品的喜好度越大。
判断模块根据用户对商品的评分或用户画像分析,计算待推荐用户与其他用户的喜好近似度,判断出与待推荐用户喜好近似度最大的关联用户。本发明中,判断模块包括相互连接的构建单元和第二计算单元,构建单元用于构建用户-商品的矩阵,矩阵元素为用户对商品的评分,第二计算单元利用曼哈顿距离计算的方法计算其他用户与待推荐用户的喜好近似度。本发明中,与待推荐用户间曼哈顿距离越短的用户,与待推荐用户间的喜好近似度越大。本实施例中,通过构建距离关系图的方式判断与待推荐用户喜好近似度最大的关联用户。
推荐模块合并待推荐用户喜好的商品和关联用户喜好的商品,将合并后的部分或全部商品推荐给待推荐用户。本发明中,推荐模块包括排序单元,将合并后的商品按照评分由高到低的顺序排序。
如图3、1、2所示,本发明可按照如下的方式实施:
(一)对商品的行为分类并权重计算
本实施例中,首先将用户行为分为三个大类:购买行为,饮食行为和烹饪行为。其中,购买行为是指用户在手机应用和冰箱大屏上的购买行为;饮食行为是指用户将食材放入和拿出冰箱,拿出冰箱表示用户将食材吃掉;烹饪行为是指用户通过手机应用或者冰箱大屏查看菜谱的行为,权重是指菜谱主食材所对应商品的权重,例如用户浏览【红烧排骨】菜谱,红烧排骨的主食材商品为【猪排骨】,因此,增加该用户【猪排骨】这个商品的评分。用户行为动作和权重值如上表,但不局限于下表所描述,权重值可动态调整。
根据上表中描述的行为动作和权重,我们就可以计算某用户对应的某商品的得分,计算方法如下:当用户A每发生一次购买、饮食或烹饪行为时,先提取出这个行为动作所对应的食材商品,再根据行为动作的权重值为对应的商品增加或者减少评分。
(二)建立用户-商品的评分矩阵
根据上述表格中描述的行为动作分类和评分计算方法,建立如下表中的【用户与商品评分稀疏矩阵】,矩阵中的评分值是根据不同的行为累计计算的结果,结果值会动态变化。
|
商品1 |
商品2 |
商品3 |
商品4 |
用户A |
0.1 |
0.2 |
0 |
0.05 |
用户B |
0 |
0 |
0.1 |
0.02 |
用户C |
0.02 |
0 |
0.3 |
0 |
用户D |
0.1 |
0.2 |
0.05 |
0.1 |
用户E |
0.3 |
0 |
0.02 |
0.05 |
用户F |
0 |
0 |
0 |
0.1 |
(三)计算出用户相似距离
曼哈顿距离是计算两个n维向量a(x11,x12,…,x1n)与b(x21,x22,…,x2n)在标准坐标系上的绝对轴距总和,也即最短距离;曼哈顿距离公式如下:其中,dij表示两个向量之间的距离,xik标示a(xi1,xi2,…,xin)向量,xjk表示b(xj1,xj2,…,xjn)向量。以用户A为例,计算出用户A分别于用户B,C,D,E,F的距离如下:
用户A与用户B距离:0.43000000000000005;
用户A与用户C距离:0.33;
用户A与用户D距离:0.41;
用户A与用户E距离:0.42000000000000004;
用户A与用户F距离:0.35000000000000003。
(四)计算出用户相似距离
通过上述计算说明,用户A与用户C之间的距离最短,他们的爱好更接近,我们可以将用户A和用户C喜好的商品合并,按照评分大小将商品推荐给用户A,推荐数量由系统设置,如下表加粗标识,推荐3个商品给用户A。
|
商品1 |
商品2 |
商品3 |
商品4 |
用户A |
0.1 |
0.2 |
0 |
0.05 |
用户B |
0 |
0 |
0.1 |
0.02 |
用户C |
0.02 |
0 |
0.3 |
0 |
用户D |
0.1 |
0.2 |
0.05 |
0.1 |
用户E |
0.3 |
0 |
0.02 |
0.05 |
用户F |
0 |
0 |
0 |
0.1 |
实施例二:
本实施例与实施例一基本相同,其区别在于:本实施例基于用户行为的个性化商品推荐方法仅包括如下步骤,
步骤3,根据用户画像分析用户对商品的评价,本实施例中,用户画像依据标签系统统计用户数据,计算待推荐用户与其他用户的喜好近似度,判断出与待推荐用户喜好近似度最大的关联用户;
步骤4,根据用户画像分析得到待推荐用户喜好的商品和关联用户喜好的商品,合并待推荐用户喜好的商品和关联用户喜好的商品,将合并后的部分或全部商品推荐给待推荐用户。当然,本实施例也可通过用户对商品的评分得到待推荐用户喜好的商品和关联用户喜好的商品。
在某些情况下,通过用户对商品评分仅能笼统极端体现出一个用户对某种商品的评价,不能全方位体现出一个用户对商品的定位,因此,本实施例中通过用户画像的分析用户对商品的评价,需要通过获取用户多维度数据构建用户画像,本发明可基于用户画像,依赖一套完善的标签系统,需要用户一个全方位的数据集,是一个长期数据积累与计算的过程,然后基于用户画像给用户推荐商品。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明实质内容上所作的任何修改、等同替换和简单改进等,均应包含在本发明的保护范围之内。