CN108876562A - 农资电商平台的商品推荐方法及装置 - Google Patents
农资电商平台的商品推荐方法及装置 Download PDFInfo
- Publication number
- CN108876562A CN108876562A CN201810869565.1A CN201810869565A CN108876562A CN 108876562 A CN108876562 A CN 108876562A CN 201810869565 A CN201810869565 A CN 201810869565A CN 108876562 A CN108876562 A CN 108876562A
- Authority
- CN
- China
- Prior art keywords
- label
- commodity
- information
- user
- correlation tag
- 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
- 238000012271 agricultural production Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000000047 product Substances 0.000 claims abstract description 31
- 238000012216 screening Methods 0.000 claims abstract description 27
- 230000007246 mechanism Effects 0.000 claims abstract description 14
- 239000013065 commercial product Substances 0.000 claims abstract description 13
- 230000003542 behavioural effect Effects 0.000 claims description 29
- 238000001914 filtration Methods 0.000 claims description 7
- 238000009313 farming Methods 0.000 description 17
- 238000011161 development Methods 0.000 description 15
- 235000017060 Arachis glabrata Nutrition 0.000 description 14
- 244000105624 Arachis hypogaea Species 0.000 description 14
- 235000010777 Arachis hypogaea Nutrition 0.000 description 14
- 235000018262 Arachis monticola Nutrition 0.000 description 14
- 235000020232 peanut Nutrition 0.000 description 14
- 239000002689 soil Substances 0.000 description 14
- 238000009331 sowing Methods 0.000 description 14
- 240000008042 Zea mays Species 0.000 description 12
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 12
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 12
- 235000005822 corn Nutrition 0.000 description 12
- 241000196324 Embryophyta Species 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000003337 fertilizer Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000002362 mulch Substances 0.000 description 1
- 239000002686 phosphate fertilizer Substances 0.000 description 1
- 239000002985 plastic film Substances 0.000 description 1
- 229920006255 plastic film Polymers 0.000 description 1
- 229940072033 potash Drugs 0.000 description 1
- 235000015320 potassium carbonate Nutrition 0.000 description 1
- BWHMMNNQKKPAPP-UHFFFAOYSA-L potassium carbonate Substances [K+].[K+].[O-]C([O-])=O BWHMMNNQKKPAPP-UHFFFAOYSA-L 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000003971 tillage Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Marketing (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种农资电商平台的商品推荐方法及装置。通过建立用户地域、时节和农资商品的关联关系,建立用户地域在特定时节对应种植的农产品和相应种植阶段需要哪些用途的农资商品,自动推荐给用户,更为适用于农资电商平台特点的。所述方法步骤包括根据用户的地域信息和访问时间,获取具有对应的时节区间和地域区间的至少一个第一关联标签组;根据所述第一关联标签组中的用途标签、类别标签和农作物标签,获取对应的至少一个第一信息标签组;根据所述第一信息标签组从商品库中筛选出对应的商品信息列表;根据预设的商品排序机制将所述商品信息列表进行排序,获得商品推荐排序,反馈用户。所述装置包括第一获取模块、第二获取模块、筛选模块、排序模块用于实现上述方法。
Description
技术领域
本发明涉及软件技术领域,尤其涉及商品推荐的方法及装置。
背景技术
电子商务的快速发展使得电商平台越来越多,商品种类越来越丰富,农业作为我国第一大产业,农资电商平台的快速发展是备受期待的。农资电商作为电商的重要组成部分,既有其他电商平台的共性,又有自身的特性。为平台用户提供便捷的商品浏览、购买支付,是广大电商的共同目标。但是,随着电子商务的规模不断扩大,商品种类和数量的迅速增涨,农资电商也和众多其他电商平台一样,不可避免的会出现用户反馈“信心过载”的问题。如何在平台海量的商品数据中,精确、快速的找到用户需要和可能需要的商品并推送给用户,这是一个非常重要的课题。
当下众多农资电商平台多还是采用协同过滤或混合过滤的方法,根据用户浏览和购买记录等历史数据分析用户消费偏好和商品信息相似性,从而找出并推荐相似和相关的平台商品。
收集整理平台用户的消费和浏览历史数据,分析用户的消费习惯和偏好,通过协同过滤的方法得出要推荐的商品集合。如大量用户购买了商品A,就会购买相关的商品B和商品C,那某用户如果购买了商品A,平台就会向其推荐商品B和商品C,并且基于商品的共性推荐其他类B和类C的商品集。
这种方法在很多电商平台应用非常广泛,但却忽略了农资电商平台的特殊性。农资电商相对其他大型综合电商而言,商品类别较少,但同类商品中又会精细区分开,同类商品的用途也不完全相同;而且地域和气候的不同,用户的需求和消费行为、偏好习惯等都会有很大不同。
发明内容
本发明是为了克服现有技术中的农资电商平台的商品推荐技术中的上述不足之处,提供通过建立用户地域、时节和农资商品的关联关系,建立用户地域在特定时节对应种植的农产品和相应种植阶段需要哪些用途的农资商品,自动推荐给用户,更为适用于农资电商平台特点的一种农资电商平台的商品推荐方法及装置。
为实现上述目的,本发明采用以下技术方案:
本发明的一种农资电商平台的商品推荐方法,所述方法包括如下步骤:
根据用户的地域信息和访问时间,获取具有对应的时节区间和地域区间的至少一个第一关联标签组,所述关联标签组包括时节区间、地域区间、用途标签、类别标签、农作物标签;
根据所述第一关联标签组中的用途标签、类别标签和农作物标签,获取对应的至少一个第一信息标签组,所述信息标签组包括商品名称、类别标签、用途标签和农作物标签;
根据所述第一信息标签组从商品库中筛选出对应的商品信息列表;
根据预设的商品排序机制将所述商品信息列表进行排序,获得商品推荐排序,反馈用户。
通过用户的地域信息和访问时间,筛选并获取对应的第一关联标签组,因为所述的关联标签组包括时节区间、地域区间、用途标签、类别标签、农作物标签。因此可以通过关联标签组,从用户的地域信息和访问时间,关联在该地域、访问时间相关的时节,需要针对哪些农作物、种植阶段的操作用途和商品类别的信息。再根据所述第一关联标签组筛选获取第一信息标签组,通过上述关联标签组中的标签信息,获取到对应商品的信息标签组,再通过信息标签组从商品库中筛选出对应的商品信息列表,在基于所述商品信息列表结合平台热推和新品等信息进行个性化商品培训,反馈最终的商品推荐排序。
其中,商品信息标签组是根据商品的自有信息录入的,而关联标签组是根据经验统计以及历史用户行为统计构建的。将其区分是因为考虑到同一地域区间和时节区间内会关联到多种农作物,且农作物处于种植阶段不同需要的商品细分非常多,这样的方案能够有效对商品标签进行分类,通过两层筛选的机制能够更为准确的推送商品,并且也利于数据维护。
作为优选,所述根据所述地域信息和访问时间,获取具有对应的时节区间和地域区间的至少一个第一关联标签组的步骤,进一步包括:
获取在用户访问时间之后预设范围时长内的预测时节区间;
根据所述预测时节区间筛选多个第二关联标签组,所述第二关联标签组中的时节区间与所述预测时节区间相互包含或完全重合或部分重合;
根据用户的地域信息从所述多个第二关联标签中筛选多个第一关联标签组,用户的地域信息位于所述第一关联标签组中的地域区间内。
因为用户购买农资商品时通常会有一定的前瞻性,因此仅仅基于当前用户访问时间筛选关联标签组会存在较大误差,因此根据用户访问时间之后一段预设范围时长的预测时节区间进行筛选,能够有效解决这一问题。
作为优选,所述信息标签组是预设的并与商品名称对应,所述信息标签组还包括型号标签和厂商标签。
作为优选,所述方法还包括:
根据所有历史用户操作商品的历史行为数据、地域信息、行为时间信息、操作商品的商品信息以及商品信息对应的商品名称、类别标签、用途标签和农作物标签,构建关联标签组。
作为优选,所述根据所有历史用户操作商品的历史行为数据、地域信息、行为时间信息、操作商品的商品信息以及商品信息对应的商品名称、类别标签、用途标签和农作物标签,构建关联标签组的步骤,进一步包括:
获取所有历史用户操作商品的历史行为数据,所述历史行为数据包括历史用户的地域信息、行为时间信息、操作对应的商品信息;
根据历史用户的地域信息和行为时间信息对所述历史行为数据进行划分,对应同一地域区间和时节区间的历史行为数据划分为多个行为数据组;
根据行为数据组中操作对应的商品信息的对应的类别标签、用途标签和农作物标签,将行为数据组的地域区间、时节区间和所述的用途标签、类别标签、农作物标签关联构成关联标签组。
通过上述步骤能够通过历史用户行为数据,将相近地域区间和时节区间的历史行为数据进行划分,在将操作对应商品的类别标签、用途标签和农作物标签与地域区间和时节区间关联构成关联标签组,即统计获得各地域区间在某个时节区间内预测需要针对哪些农作物,涉及哪个种植阶段和操作用途,涉及何种商品的类别的关联关系。并且随着历史用户的历史行为数据的积累,所述关联关系的准确性也会逐渐提高。
本发明的一种农资电商平台的商品推荐装置,其特征是,所述装置包括:
第一获取模块,用于根据用户的地域信息和访问时间,获取具有对应的时节区间和地域区间的至少一个第一关联标签组;
第二获取模块,用于根据所述第一关联标签组中的用途标签、类别标签和农作物标签,获取对应的至少一个第一信息标签组;
筛选模块,用于根据所述第一信息标签组从商品库中筛选出对应的商品信息列表;
排序模块,用于根据预设的商品排序机制将所述商品信息列表进行排序,获得商品推荐排序,反馈用户。
作为优选,所述第一获取模块,包括:
获取单元,用于获取在用户访问时间之后预设范围时长内的预测时节区间;
时节筛选单元,用于根据所述预测时节区间筛选多个第二关联标签组,所述第二关联标签组中的时节区间与所述预测时节区间相互包含或完全重合或部分重合;
地域筛选单元,用于根据用户的地域信息从所述多个第二关联标签中筛选多个第一关联标签组,用户的地域信息位于所述第一关联标签组中的地域区间内。
作为优选,所述信息标签组是预设的并与商品名称对应,所述信息标签组还包括型号标签和厂商标签。
作为优选,所述装置还包括:
标签组构建模块,用于根据所有历史用户操作商品的历史行为数据、地域信息、行为时间信息、操作商品的商品信息以及商品信息对应的商品名称、类别标签、用途标签和农作物标签,构建关联标签组。
作为优选,所述标签组构建模块包括:
历史行为获取单元,用于获取所有历史用户操作商品的历史行为数据,所述历史行为数据包括历史用户的地域信息、行为时间信息、操作对应的商品信息;
划分单元,用于根据历史用户的地域信息和行为时间信息对所述历史行为数据进行划分,对应同一地域区间和时节区间的历史行为数据划分为多个行为数据组;
关联单元,用于根据行为数据组中操作对应的商品信息的对应的类别标签、用途标签和农作物标签,将行为数据组的地域区间、时节区间和所述的用途标签、类别标签、农作物标签关联构成关联标签组。
本发明的技术方案中的一种农资电商平台的商品推荐装置,用于实现上述的一种农资电商平台的商品推荐方法。通过用户的地域信息和访问时间,筛选并获取对应的第一关联标签组,因为所述的关联标签组包括时节区间、地域区间、用途标签、类别标签、农作物标签。因此可以通过关联标签组,从用户的地域信息和访问时间,关联在该地域、访问时间相关的时节,需要针对哪些农作物、种植阶段的操作用途和商品类别的信息。再根据所述第一关联标签组筛选获取第一信息标签组,通过上述关联标签组中的标签信息,获取到对应商品的信息标签组,再通过信息标签组从商品库中筛选出对应的商品信息列表,在基于所述商品信息列表结合平台热推和新品等信息进行个性化商品培训,反馈最终的商品推荐排序。
其中,商品信息标签组是根据商品的自有信息录入的,而关联标签组是根据经验统计以及历史用户行为统计构建的。将其区分是因为考虑到同一地域区间和时节区间内会关联到多种农作物,且农作物处于种植阶段不同需要的商品细分非常多,这样的方案能够有效对商品标签进行分类,通过两层筛选的机制能够更为准确的推送商品,并且也利于数据维护。
附图说明
图1为实施例一的一种农资电商平台的商品推荐方法的流程图。
图2为实施例二的另一种农资电商平台的商品推荐方法的流程图。
图3为实施例三的又一种农资电商平台的商品推荐方法的第一流程图。
图4为实施例三的又一种农资电商平台的商品推荐方法的第二流程图。
图5为实施例三的又一种农资电商平台的商品推荐方法的第三流程图。
图6为实施例四的一种农资电商平台的商品推荐装置的原理框图。
图7为实施例五的另一种农资电商平台的商品推荐装置的原理框图。
图8为实施例六的又一种农资电商平台的商品推荐装置的原理框图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步描述。
实施例一:
如图1所示,本发明实施例提供一种农资电商平台的商品推荐方法,所述方法包括以下步骤:
S101根据用户的地域信息和访问时间,获取具有对应的时节区间和地域区间的至少一个第一关联标签组。
具体的,所述关联标签组包括时节区间、地域区间、用途标签、类别标签、农作物标签。关联标签组同时存在多组。所述地域区间是根据全国的地理情况、种植习惯或者特色种植区域的进行预先划分设置的。时节区间则是根据传统节气、农作物种植习惯,将一年划分为几个区间。多个关联标签组可能具有相同的地域区间,而时节区间不同。同理也会存在地域区间、时节区间相同,而用途标签、类别标签、农作物标签不同的关联标签组。只要其中一项标签不同即为不同的关联标签组。
例如:淮北平原农业区沙壤土地,水浇便利,气候适宜,主要种植作物有花生、玉米和小麦等,每年4月份天气转暖,为花生的种植季节,播种、铺膜、施肥是这一时期农户的主要行为,优质的种子、简易的播种耕具、薄膜和各类肥料(磷肥钾肥尿素等)便是刚需了。
在这个示例中,会相应的存在下列关联标签组:
关联标签组A:地域区间(淮北平原农业区)、时节区间(4至5月)、用途标签(播种)、类别标签(种子)、农作物标签(花生)。
关联标签组B:地域区间(淮北平原农业区)、时节区间(4至5月)、用途标签(播种)、类别标签(种子)、农作物标签(玉米)。
关联标签组C:地域区间(淮北平原农业区)、时节区间(4至5月)、用途标签(播种)、类别标签(薄膜)、农作物标签(玉米),等等。
S102根据所述第一关联标签组中的用途标签、类别标签和农作物标签,获取对应的至少一个第一信息标签组。
所述信息标签组包括商品名称、类别标签、用途标签和农作物标签。信息标签组包含的是商品的自有信息,每一个商品都有一一对应的信息标签组,是可以预先录入的。
例如:
信息标签组A:商品名称(A牌1型花生种子)、类别标签(种子)、用途标签(播种)、农作物标签(花生);
信息标签组B:商品名称(B牌2型薄膜)、类别标签(薄膜)、用途标签(播种)、农作物标签(玉米),等等。
并且,也可以根据实际情况在信息标签组中添加包括型号标签和厂商标签。
这样根据第一关联标签组例如:
根据关联标签组A:地域区间(淮北平原农业区)、时节区间(4至5月)、用途标签(播种)、类别标签(种子)、农作物标签(花生)中的用途标签、类别标签和农作物标签,可以获取到第一信息标签组A:商品名称(A牌1型花生种子)、类别标签(种子)、用途标签(播种)、农作物标签(花生)。
根据关联标签组B:地域区间(淮北平原农业区)、时节区间(4至5月)、用途标签(播种)、类别标签(种子)、农作物标签(玉米)中的用途标签、类别标签和农作物标签,可以获取到第一信息标签组B:商品名称(B牌2型薄膜)、类别标签(薄膜)、用途标签(播种)、农作物标签(玉米)。
S103根据所述第一信息标签组从商品库中筛选出对应的商品信息列表。
即是通过第一信息标签组中的商品名称从商品库中筛选出对应的商品信息列表。所述商品信息列表是一系列符合筛选条件的商品,例如A牌1型花生种子、B牌2型薄膜等。
S104根据预设的商品排序机制将所述商品信息列表进行排序,获得商品推荐排序,反馈用户。
在S103步骤中获取的商品信息列表中包含各种类别或者厂商的商品,然后将这些商品通过预设的商品排序机制进行排序,所述的商品排序机制是电商平台常用的结合平台热推和新品等信息的推荐机制。
实施例二:
本实施例是对实施例一的进一步优化,提供的另一种农资电商平台的商品推荐方法,在本实施例中的优化具体如下:
如图2所示,步骤S101根据用户的地域信息和访问时间,获取具有对应的时节区间和地域区间的至少一个第一关联标签组的步骤,具体包括:
S201获取在用户访问时间之后预设范围时长内的预测时节区间。
例如用户访问时间为2月,则预测时节区间为2月至5月。
S202根据所述预测时节区间筛选多个第二关联标签组,所述第二关联标签组中的时节区间与所述预测时节区间相互包含或完全重合或部分重合。
例如预测时节区间为2月至5月,则第二关联标签组中时节区间为2月至3月或者4月至5月都是符合筛选条件的,如:
关联标签组A:地域区间(淮北平原农业区)、时节区间(4至5月)、用途标签(播种)、类别标签(种子)、农作物标签(花生)。
关联标签组B:地域区间(淮北平原农业区)、时节区间(4至5月)、用途标签(播种)、类别标签(种子)、农作物标签(玉米)。
关联标签组C:地域区间(淮北平原农业区)、时节区间(4至5月)、用途标签(播种)、类别标签(薄膜)、农作物标签(玉米),等等。
S203根据用户的地域信息从所述多个第二关联标签中筛选多个第一关联标签组,用户的地域信息位于所述第一关联标签组中的地域区间内。
因为用户购买农资商品时通常会有一定的前瞻性,因此仅仅基于当前用户访问时间筛选关联标签组会存在较大误差,因此根据用户访问时间之后一段预设范围时长的预测时节区间进行筛选,能够有效解决这一问题。先通过预测时节区间筛选第二关联标签组,再通过地域信息进一步筛选出第一关联标签组,从而确保第一关联标签组中的时节区间和地域区间对应用户的采购需求。
实施例三:
如图3所示,本实施例是对实施例一的进一步优化,提供的另一种农资电商平台的商品推荐方法,所述方法具体包括如下步骤:
S301根据所有历史用户操作商品的历史行为数据、地域信息、行为时间信息、操作商品的商品信息以及商品信息对应的商品名称、类别标签、用途标签和农作物标签,构建关联标签组。
S302根据用户的地域信息和访问时间,获取具有对应的时节区间和地域区间的至少一个第一关联标签组。
S303根据所述第一关联标签组中的用途标签、类别标签和农作物标签,获取对应的至少一个第一信息标签组。
S304根据所述第一信息标签组从商品库中筛选出对应的商品信息列表。
S305根据预设的商品排序机制将所述商品信息列表进行排序,获得商品推荐排序,反馈用户。
如图4所示,所述的步骤301具体包括:
S401获取所有历史用户操作商品的历史行为数据,所述历史行为数据包括历史用户的地域信息、行为时间信息、操作对应的商品信息。
所述的历史用户操作包括历史用户的浏览、购买、评论和关注等记录的历史数据。因此所述操作对应的商品信息是包括历史用户在执行上述操作时涉及商品的商品信息,例如浏览了A牌1型花生种子、购买了B牌2型玉米种子,这些行为数据都会记录在历史行为数据,商品信息包括类别标签、用途标签和农作物标签。并且所述的行为时间信息是要考虑到用户操作的前瞻性,需要在用户实际操作的时间基础上向后推定一点的延迟时间。
S402根据历史用户的地域信息和行为时间信息对所述历史行为数据进行划分,对应同一地域区间和时节区间的历史行为数据划分为多个行为数据组。
由于本步骤需要统计所有用户的所有历史行为数据,数据庞大,而地域信息和时节信息则是构建关联标签组的关键信息。因此将所述历史行为数据基于地域区间和时节区间划分为多个行为数据组。位于同一地域区间和时节区间的历史行为数据存在于同一个行为数据组中。例如将同为来自淮北平原农业区、时节区间为4月至5月的历史用户的历史行为数据,划分为一个行为数据组。其中的行为数据中还包括有用户操作(浏览、购买、评论和关注)等针对的商品信息。
S403根据行为数据组中操作对应的商品信息的对应的类别标签、用途标签和农作物标签,将行为数据组的地域区间、时节区间和所述的用途标签、类别标签、农作物标签关联构成关联标签组。
由于历史用户操作的商品势必有很多种,因此会将用途标签、类别标签、农作物标签相同的商品和地域区间、时节区间构建为同一个关联标签组。
例如:地域区间为淮北平原农业区、时节区间为4月至5月;A牌1型花生种子、购买了B牌2型玉米种子,评价了C牌3型花生种子,关注了D牌4型玉米种子,则可构建如下关联标签组:
关联标签组A:地域区间(淮北平原农业区)、时节区间(4至5月)、用途标签(播种)、类别标签(种子)、农作物标签(花生)。
关联标签组B:地域区间(淮北平原农业区)、时节区间(4至5月)、用途标签(播种)、类别标签(种子)、农作物标签(玉米)。
通过上述步骤能够通过历史用户行为数据,将相近地域区间和时节区间的历史行为数据进行划分,在将操作对应商品的类别标签、用途标签和农作物标签与地域区间和时节区间关联构成关联标签组,即统计获得各地域区间在某个时节区间内预测需要针对哪些农作物,涉及哪个种植阶段和操作用途,涉及何种商品的类别的关联关系。并且随着历史用户的历史行为数据的积累,所述关联关系的准确性也会逐渐提高。
如图5所示,所述的步骤S302包括:
S201获取在用户访问时间之后预设范围时长内的预测时节区间。
例如用户访问时间为2月,则预测时节区间为2月至5月。
S202根据所述预测时节区间筛选多个第二关联标签组,所述第二关联标签组中的时节区间与所述预测时节区间相互包含或完全重合或部分重合。
S203根据用户的地域信息从所述多个第二关联标签中筛选多个第一关联标签组,用户的地域信息位于所述第一关联标签组中的地域区间内。
实施例四
如图6所示,本实施例提供了一种农资电商平台的商品推荐装置,可以基于所述装置可以实现实施例一中所提供的农资电商平台的商品推荐方法。
第一获取模块501,用于根据用户的地域信息和访问时间,获取具有对应的时节区间和地域区间的至少一个第一关联标签组。
第二获取模块502,用于根据所述第一关联标签组中的用途标签、类别标签和农作物标签,获取对应的至少一个第一信息标签组。所述信息标签组是预设的并与商品名称对应,所述信息标签组还包括型号标签和厂商标签。
筛选模块503,用于根据所述第一信息标签组从商品库中筛选出对应的商品信息列表。
排序模块504,用于根据预设的商品排序机制将所述商品信息列表进行排序,获得商品推荐排序,反馈用户。
通过用户的地域信息和访问时间,筛选并获取对应的第一关联标签组,因为所述的关联标签组包括时节区间、地域区间、用途标签、类别标签、农作物标签。因此可以通过关联标签组,从用户的地域信息和访问时间,关联在该地域、访问时间相关的时节,需要针对哪些农作物、种植阶段的操作用途和商品类别的信息。再根据所述第一关联标签组筛选获取第一信息标签组,通过上述关联标签组中的标签信息,获取到对应商品的信息标签组,再通过信息标签组从商品库中筛选出对应的商品信息列表,在基于所述商品信息列表结合平台热推和新品等信息进行个性化商品培训,反馈最终的商品推荐排序。
实施例五
如图7所示,本实施例是在实施例四的基础的进一步优化,提供了另一种农资电商平台的商品推荐装置,可以基于所述装置可以实现实施例二中所提供的农资电商平台的商品推荐方法。
本实施例中的优化内容具体如下:
第一获取模块501,进一步包括:
获取单元601,用于获取在用户访问时间之后预设范围时长内的预测时节区间。
时节筛选单元602,用于根据所述预测时节区间筛选多个第二关联标签组,所述第二关联标签组中的时节区间与所述预测时节区间相互包含或完全重合或部分重合。
地域筛选单元603,用于根据用户的地域信息从所述多个第二关联标签中筛选多个第一关联标签组,用户的地域信息位于所述第一关联标签组中的地域区间内。
因为用户购买农资商品时通常会有一定的前瞻性,因此仅仅基于当前用户访问时间筛选关联标签组会存在较大误差,因此根据用户访问时间之后一段预设范围时长的预测时节区间进行筛选,能够有效解决这一问题。先通过预测时节区间筛选第二关联标签组,再通过地域信息进一步筛选出第一关联标签组,从而确保第一关联标签组中的时节区间和地域区间对应用户的采购需求。
实施例六
如图8所示,本实施例是对实施例四的进一步优化,提供的另一种农资电商平台的商品推荐装置,所述装置具体包括:
标签组构建模块505,用于根据所有历史用户操作商品的历史行为数据、地域信息、行为时间信息、操作商品的商品信息以及商品信息对应的商品名称、类别标签、用途标签和农作物标签,构建关联标签组。
第一获取模块501,用于根据用户的地域信息和访问时间,获取具有对应的时节区间和地域区间的至少一个第一关联标签组。
第二获取模块502,用于根据所述第一关联标签组中的用途标签、类别标签和农作物标签,获取对应的至少一个第一信息标签组。
筛选模块503,用于根据所述第一信息标签组从商品库中筛选出对应的商品信息列表。
排序模块504,用于根据预设的商品排序机制将所述商品信息列表进行排序,获得商品推荐排序,反馈用户。
所述的标签组构建模块505,具体包括:
历史行为获取单元701,用于获取所有历史用户操作商品的历史行为数据,所述历史行为数据包括历史用户的地域信息、行为时间信息、操作对应的商品信息。
划分单元702,用于根据历史用户的地域信息和行为时间信息对所述历史行为数据进行划分,对应同一地域区间和时节区间的历史行为数据划分为多个行为数据组。
关联单元703,用于根据行为数据组中操作对应的商品信息的对应的类别标签、用途标签和农作物标签,将行为数据组的地域区间、时节区间和所述的用途标签、类别标签、农作物标签关联构成关联标签组。
第一获取模块501,进一步包括:
获取单元601,用于获取在用户访问时间之后预设范围时长内的预测时节区间。
时节筛选单元602,用于根据所述预测时节区间筛选多个第二关联标签组,所述第二关联标签组中的时节区间与所述预测时节区间相互包含或完全重合或部分重合。
地域筛选单元603,用于根据用户的地域信息从所述多个第二关联标签中筛选多个第一关联标签组,用户的地域信息位于所述第一关联标签组中的地域区间内。
通过上述步骤能够通过历史用户行为数据,将相近地域区间和时节区间的历史行为数据进行划分,在将操作对应商品的类别标签、用途标签和农作物标签与地域区间和时节区间关联构成关联标签组,即统计获得各地域区间在某个时节区间内预测需要针对哪些农作物,涉及哪个种植阶段和操作用途,涉及何种商品的类别的关联关系。并且随着历史用户的历史行为数据的积累,所述关联关系的准确性也会逐渐提高。
Claims (10)
1.一种农资电商平台的商品推荐方法,其特征是,所述方法包括如下步骤:
根据用户的地域信息和访问时间,获取具有对应的时节区间和地域区间的至少一个第一关联标签组,所述关联标签组包括时节区间、地域区间、用途标签、类别标签、农作物标签;
根据所述第一关联标签组中的用途标签、类别标签和农作物标签,获取对应的至少一个第一信息标签组,所述信息标签组包括商品名称、类别标签、用途标签和农作物标签;
根据所述第一信息标签组从商品库中筛选出对应的商品信息列表;
根据预设的商品排序机制将所述商品信息列表进行排序,获得商品推荐排序,反馈用户。
2.根据权利要求1所述的农资电商平台的商品推荐方法,其特征是,所述根据所述地域信息和访问时间,获取具有对应的时节区间和地域区间的至少一个第一关联标签组的步骤,进一步包括:
获取在用户访问时间之后预设范围时长内的预测时节区间;
根据所述预测时节区间筛选多个第二关联标签组,所述第二关联标签组中的时节区间与所述预测时节区间相互包含或完全重合或部分重合;
根据用户的地域信息从所述多个第二关联标签中筛选多个第一关联标签组,用户的地域信息位于所述第一关联标签组中的地域区间内。
3.根据权利要求1所述的农资电商平台的商品推荐方法,其特征是,所述信息标签组是预设的并与商品名称对应,所述信息标签组还包括型号标签和厂商标签。
4.根据权利要求1所述的农资电商平台的商品推荐方法,其特征是,所述方法还包括:
根据所有历史用户操作商品的历史行为数据、地域信息、行为时间信息、操作商品的商品信息以及商品信息对应的商品名称、类别标签、用途标签和农作物标签,构建关联标签组。
5.根据权利要求4所述的农资电商平台的商品推荐方法,其特征是,所述根据所有历史用户操作商品的历史行为数据、地域信息、行为时间信息、操作商品的商品信息以及商品信息对应的商品名称、类别标签、用途标签和农作物标签,构建关联标签组的步骤,进一步包括:
获取所有历史用户操作商品的历史行为数据,所述历史行为数据包括历史用户的地域信息、行为时间信息、操作对应的商品信息;
根据历史用户的地域信息和行为时间信息对所述历史行为数据进行划分,对应同一地域区间和时节区间的历史行为数据划分为多个行为数据组;
根据行为数据组中操作对应的商品信息的对应的类别标签、用途标签和农作物标签,将行为数据组的地域区间、时节区间和所述的用途标签、类别标签、农作物标签关联构成关联标签组。
6.一种农资电商平台的商品推荐装置,其特征是,所述装置包括:
第一获取模块,用于根据用户的地域信息和访问时间,获取具有对应的时节区间和地域区间的至少一个第一关联标签组;
第二获取模块,用于根据所述第一关联标签组中的用途标签、类别标签和农作物标签,获取对应的至少一个第一信息标签组;
筛选模块,用于根据所述第一信息标签组从商品库中筛选出对应的商品信息列表;
排序模块,用于根据预设的商品排序机制将所述商品信息列表进行排序,获得商品推荐排序,反馈用户。
7.根据权利要求6所述的农资电商平台的商品推荐装置,其特征是,所述第一获取模块,包括:
获取单元,用于获取在用户访问时间之后预设范围时长内的预测时节区间;
时节筛选单元,用于根据所述预测时节区间筛选多个第二关联标签组,所述第二关联标签组中的时节区间与所述预测时节区间相互包含或完全重合或部分重合;
地域筛选单元,用于根据用户的地域信息从所述多个第二关联标签中筛选多个第一关联标签组,用户的地域信息位于所述第一关联标签组中的地域区间内。
8.根据权利要求6所述的农资电商平台的商品推荐装置,其特征是,所述信息标签组是预设的并与商品名称对应,所述信息标签组还包括型号标签和厂商标签。
9.根据权利要求6所述的农资电商平台的商品推荐装置,其特征是,所述装置还包括:
标签组构建模块,用于根据所有历史用户操作商品的历史行为数据、地域信息、行为时间信息、操作商品的商品信息以及商品信息对应的商品名称、类别标签、用途标签和农作物标签,构建关联标签组。
10.根据权利要求9所述的农资电商平台的商品推荐装置,其特征是,所述标签组构建模块包括:
历史行为获取单元,用于获取所有历史用户操作商品的历史行为数据,所述历史行为数据包括历史用户的地域信息、行为时间信息、操作对应的商品信息;
划分单元,用于根据历史用户的地域信息和行为时间信息对所述历史行为数据进行划分,对应同一地域区间和时节区间的历史行为数据划分为多个行为数据组;
关联单元,用于根据行为数据组中操作对应的商品信息的对应的类别标签、用途标签和农作物标签,将行为数据组的地域区间、时节区间和所述的用途标签、类别标签、农作物标签关联构成关联标签组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810869565.1A CN108876562A (zh) | 2018-08-02 | 2018-08-02 | 农资电商平台的商品推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810869565.1A CN108876562A (zh) | 2018-08-02 | 2018-08-02 | 农资电商平台的商品推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108876562A true CN108876562A (zh) | 2018-11-23 |
Family
ID=64307041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810869565.1A Pending CN108876562A (zh) | 2018-08-02 | 2018-08-02 | 农资电商平台的商品推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876562A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325584A (zh) * | 2020-03-31 | 2020-06-23 | 广东奥园奥买家电子商务有限公司 | 一种电商商品关联销售方法和装置以及设备 |
CN111461783A (zh) * | 2020-03-31 | 2020-07-28 | 广东奥园奥买家电子商务有限公司 | 一种电商商品排序显示方法和装置以及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914560A (zh) * | 2014-04-16 | 2014-07-09 | 中国科学院合肥物质科学研究院 | 一种用于农资电子商务的基于Q学习的多agent主动推荐方法 |
CN105512919A (zh) * | 2016-02-23 | 2016-04-20 | 无锡中科富农物联科技有限公司 | 基于时间与区域粒度的农资协同过滤算法 |
CN105956699A (zh) * | 2016-04-29 | 2016-09-21 | 连云港天马网络发展有限公司 | 基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法 |
CN107133838A (zh) * | 2017-03-22 | 2017-09-05 | 无锡中科富农物联科技有限公司 | 一种基于知识的农资商品推荐方法 |
-
2018
- 2018-08-02 CN CN201810869565.1A patent/CN108876562A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914560A (zh) * | 2014-04-16 | 2014-07-09 | 中国科学院合肥物质科学研究院 | 一种用于农资电子商务的基于Q学习的多agent主动推荐方法 |
CN105512919A (zh) * | 2016-02-23 | 2016-04-20 | 无锡中科富农物联科技有限公司 | 基于时间与区域粒度的农资协同过滤算法 |
CN105956699A (zh) * | 2016-04-29 | 2016-09-21 | 连云港天马网络发展有限公司 | 基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法 |
CN107133838A (zh) * | 2017-03-22 | 2017-09-05 | 无锡中科富农物联科技有限公司 | 一种基于知识的农资商品推荐方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325584A (zh) * | 2020-03-31 | 2020-06-23 | 广东奥园奥买家电子商务有限公司 | 一种电商商品关联销售方法和装置以及设备 |
CN111461783A (zh) * | 2020-03-31 | 2020-07-28 | 广东奥园奥买家电子商务有限公司 | 一种电商商品排序显示方法和装置以及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Snapp et al. | Maize yield and profitability tradeoffs with social, human and environmental performance: Is sustainable intensification feasible? | |
Verburg et al. | Spatial explorations of land use change and grain production in China | |
Pizzuti et al. | Food Track & Trace ontology for helping the food traceability control | |
US20090216661A1 (en) | Systems and methods for online garden design | |
Moreno et al. | Overview and constraints of the coconut supply chain in the Philippines | |
CN103208048B (zh) | 一种用于农业信息服务平台的系统架构 | |
US6401041B1 (en) | Automated graphical representation of agricutural information | |
Borodin et al. | A quality risk management problem: case of annual crop harvest scheduling | |
CN108876562A (zh) | 农资电商平台的商品推荐方法及装置 | |
Weissteiner et al. | Regional yield forecasts of malting barley (hordeum vulgare L.) by NOAA‐AVHRR remote sensing data and ancillary data | |
Peter et al. | A multiscalar approach to mapping marginal agricultural land: smallholder agriculture in Malawi | |
Singh et al. | Profitability, resource use efficiency and technical efficiency of organic crops in Himachal Pradesh, India | |
Mudombi | Adoption of agricultural innovations: the case of improved sweet potato in Wedza community of Zimbabwe | |
den Biggelaar et al. | Crop yield losses to soil erosion at regional and global scales: Evidence from plot-level and GIS data | |
CN115357153A (zh) | 植物信息的展示方法、装置及计算机可读存储介质 | |
CN113947269A (zh) | 一种基于作物生态种植数据库的种植管理方法及装置 | |
Rihn et al. | Greater appeal of native plants for environmentally conscious consumers | |
Janeska Stamenkovska et al. | Optimization of production on vegetable farm in the Republic of Macedonia | |
CN106355509A (zh) | 农业智能管理系统 | |
Nitin et al. | Use of mobile apps and software systems for retrieving and disseminating information on pest and disease management | |
Caswell et al. | Adoption of pest management strategies under varying environmental conditions | |
Álvarez-Sánchez PhD et al. | Typology of pea-producing farms (Pisum sativum L.) in the southern subregion of Nariño, Colombia | |
Schumacher | Economic analysis of production and pest management decisions confronting greenhouse growers | |
Gerhart | Scaling Up Production of Local Salad Mix for Retail Grocery Markets: A Feasibility Study in Southeast Michigan | |
Adhikari et al. | Economics of Production and Marketing for French Bean in Kalikot District (Tilagupha Municipality), Nepal |
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 |
Application publication date: 20181123 |
|
RJ01 | Rejection of invention patent application after publication |