CN109272373B - 一种基于计算机的品牌推荐方法 - Google Patents

Abstract

本说明书提供一种基于计算机的品牌推荐方法，该推荐方法包括：通过计算设备获取品牌的第一相关信息以及用户的第二相关信息；从商品销售数据中提取每个品牌的第一描述信息和用户群体的第二相关信息，根据每个品牌的第一描述信息和用户群体的第二相关信息更新该品牌的第一相关信息；从消费数据中提取每个用户的第二描述信息和所消费商品的第一相关信息，根据每个用户的第二描述信息和所消费商品对应的第一相关信息更新该用户的第二相关信息；根据更新后的用户的第二相关信息以及第二相关信息与第一相关信息的对应关系，向用户推荐相应的品牌。

Description

一种基于计算机的品牌推荐方法

技术领域

本说明书涉及推荐技术领域，特别涉及一种推荐方法。

背景技术

随着移动设备的普及和互联网技术的发展，越来越多的用户都习惯用非现金的方式在线上、线下消费，涵盖各类场景，包括常见的网络购物，转账汇款，民生服务，个人理财，餐饮娱乐，出游旅行，美容美发等诸多领域。

随着支付场景和商品种类的不断丰富，用户的需求也越来越多样化，如何为用户提供与之消费能力相匹配的商品或者服务以有效的提高用户体验和用户转化率成为亟需解决的问题。

发明内容

有鉴于此，本说明书实施例提供了一种推荐方法，以解决现有技术中存在的技术缺陷。

本说明书实施例提供了一种推荐方法，包括：

通过计算设备获取品牌的第一相关信息以及用户的第二相关信息，其中，所述第一相关信息与所述第二相关信息具有对应关系；

通过计算设备获取设定时间段内每个品牌的商品销售数据，从所述商品销售数据中提取每个品牌的第一描述信息和用户群体的第二相关信息，根据每个品牌的第一描述信息和用户群体的第二相关信息更新该品牌的第一相关信息；

通过计算设备获取设定时间段内每个用户的消费数据，从所述消费数据中提取每个用户的第二描述信息和所消费商品的第一相关信息，根据每个用户的第二描述信息和所消费商品对应的第一相关信息更新该用户的第二相关信息；

根据更新后的用户的第二相关信息以及第二相关信息与第一相关信息的对应关系，向用户推荐相应的品牌。

本说明书实施例充分考虑了品牌档次和用户消费层级的相互影响，根据品牌档次由品牌商品价格档次和客户群体的消费层级决定，用户消费层级由所购商品价格，频率和所购品牌档次决定的情况，通过迭代更新品牌档次和用户消费层级，不需要人工进行商品类目分类，可以有效减少人工工作量，提高了工作效率以及用户的体验。

附图说明

图1是示出了根据本说明书一实施例的计算设备100的结构框图；

图2是示出了本说明书一实施例的推荐方法的流程示意图；

图3是示出了本说明书另一实施例的推荐方法的流程示意图；

图4是示出了本说明书另一实施例的推荐方法的流程示意图；

图5是示出了本说明书一实施例的推荐装置的模块图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本说明书内涵的情况下做类似推广，因此本说明书不受下面公开的具体实施的限制。

图1是示出了根据本说明书一实施例的计算设备100的结构框图。该计算设备100的部件包括但不限于存储器110和处理器120。处理器120与存储器 110通过总线130相连接，数据库150用于保存网上或网下店铺的品牌销售数据和用户消费数据。

计算设备100还包括接入设备140，接入设备140使得计算设备100能够经由一个或多个网络160通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备140可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(NIC))中的一个或多个，诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB) 接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口，等等。

在本说明书的一个实施例中，计算设备100的上述以及图1中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图1所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。

计算设备100可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或PC的静止计算设备。计算设备100还可以是移动式或静止式的服务器。

其中，处理器120可以执行图2所示方法中的步骤。图2是示出了根据本说明书一实施例的推荐方法的示意性流程图，包括步骤202至步骤208。

步骤202：通过计算设备获取品牌的第一相关信息以及用户的第二相关信息，其中，所述第一相关信息与所述第二相关信息具有对应关系。

一种实施方式中，所述第一相关信息是品牌档次，所述第二相关信息是消费层级，其中品牌的品牌档次和用户的消费层级具有对应关系，例如，品牌档次的档次数与用户层级的层级数相同，品牌档次和用户的消费层级一一对应。

步骤204：通过计算设备获取设定时间段内每个品牌的商品销售数据，从所述商品销售数据中提取每个品牌的第一描述信息和用户群体的第二相关信息，根据每个品牌的第一描述信息和用户群体的第二相关信息更新该品牌的第一相关信息。

一种实施方式中，所述第一描述信息是商品销售均价，通过对一段时间内每个品牌的商品销售均价的统计实现对品牌档次的更新。

步骤206：通过计算设备获取设定时间段内每个用户的消费数据，从所述消费数据中提取每个用户的第二描述信息和所消费商品的第一相关信息，根据每个用户的第二描述信息和所消费商品对应的第一相关信息更新该用户的第二相关信息。

一种实施方式中，所述第二描述信息包括所购买商品的商品价格、频次和商品对应的品牌档次，通过对一段时间内每个用户的商品所购买商品的商品价格、频次和商品对应的品牌档次的统计实现对品牌档次的更新。

步骤208：根据更新后的用户的第二相关信息以及第二相关信息与第一相关信息的对应关系，向用户推荐相应的品牌。

以下以所述第一相关信息是品牌档次，所述第二相关信息是消费层级，所述第一描述信息是商品销售均价，所述第二描述信息包括所购买商品的商品价格、频次和商品对应的品牌档次为例进行详细说明。

图3是示出了根据本说明书另一实施例的推荐方法的示意性流程图，包括步骤302至步骤306。

步骤302：获取品牌的品牌档次和用户的消费层级，其中，所述品牌档次和所述消费层级具有对应关系。

在获取品牌的初始品牌档次和用户的初始消费层级时，可以基于品牌的历史销售数据获取品牌的商品销售均价，根据所述品牌的商品销售均价对品牌进行初始分档，得到每个品牌的品牌档次，以及基于用户的历史消费数据获取用户的消费均价，根据所述用户的消费均价对用户进行初始分层，得到每个用户的消费层级，其中，所述品牌档次与所述消费层级具有对应关系。

一种实现方式中，所述品牌是指网上或网下的店铺或业务中的款项接收方，例如，对于网上或网下有多个店铺的消费场景，可以合并分店，将同一总店下的不同分店作为同一个品牌，商品可以是实体物品、虚拟物品或服务等。计算每个品牌所售商品的均价，作为品牌档次的初始打分的依据。推荐还可以扩大至别的场景，例如理财场景，红包场景，转账场景等。例如可以把购买理财产品理解成购买一个商品，基金或者股票代码理解为品牌，每一次购买的单价就是商品的价格。又或者在红包场景中，用户每一次发红包就是一次商品的购买，红包面值就是商品价格，接收方作为商品对应的品牌。

品牌档次与消费层级具有对应关系，可以是一一对应，也可以是一个品牌档次对应多个消费层级，或一个消费层级对应多个品牌档次。一种实现方式中，所述品牌档次的数目与所述消费层级的数目相同。

由于网上或网下的店铺成千上万，如果所有的店铺都作为品牌进行推荐，将降低计算的效率。一种实现方式中，可以预先统计每个品牌下的用户群体人数，将用户群体人数大于第一设定阈值的品牌作为品牌分档的对象，这样可以提高计算的效率，另外，由于所推荐品牌的用户数均超过一定基数，比较受用户的欢迎，从而也提高了用户对所推荐品牌的体验。

一种实现方式中，对品牌的品牌档次的初始划分，可以从品牌的历史销售数据中提取计算每个品牌所售商品的均价，根据每个品牌所售商品的均价对该品牌进行打分，得到该品牌的第一档次得分；进而对每个品牌的第一档次得分进行归一化处理，并根据预先设定将所有品牌进行品牌分档，例如，可以预先设定品牌档次的数量和每个品牌档次对应的分值范围，将归一化后的得分与各品牌档次对应的分值范围相比较，将品牌划分至其第一档次得分所落入的分值范围对应的品牌档次；根据每个品牌的品牌档次得到该品牌在各品牌档次的分布概率和品牌档次概率分布矩阵B_mx，b_ij为第i行第j列的元素，表示品牌i在品牌档次j的概率，1≤i≤m,1≤j≤x，m为品牌的数量，x为品牌档次的数量，i、j、m、x均为自然数。当品牌i在被划分在品牌档次j时，b_ij＝1，其它品牌档次的概率值则为0。

一种实现方式中，根据用户的消费均价对用户进行初始分层得到每个用户的消费层级，可以从用户的历史消费数据中提取计算每个用户的消费均价，根据每个用户的消费均价对该用户进行打分，得到该用户的第一层级得分；对每个用户的第一层级得分进行归一化处理，并根据预先设定将所有用户的消费层级进行分层，例如，可以预先设定消费层级的数量和每个消费层级对应的分值范围，将归一化后的得分与各消费层级对应的分值范围相比较，将用户划分至其第一层级得分所落入的分值范围对应的消费层级；根据每个用户的消费层级得到该用户在各消费层级的分布概率和用户消费层级概率分布矩阵U_nx，u_pq为第p行第q列的元素，表示用户p在消费层级q的概率，1≤p≤n,1≤q≤x， n为用户的数量，x为用户消费层级的数量，p、q、n、x均为自然数。当用户p 在被划分在消费层级q时，u_pq＝1，其它消费层级的概率值则为0。

步骤304：基于设定时间段内每个品牌的商品销售数据获取该品牌的商品销售均价和用户群体的消费层级，根据该品牌的商品销售均价和用户群体的消费层级更新该品牌的品牌档次，以及基于设定时间段内每个用户的消费数据获取该用户的购买商品的商品价格、频次和商品对应的品牌档次，根据该用户的购买商品的商品价格、频次和商品对应的品牌档次更新该用户的消费层级。

一种实现方式中，获取设定时间段内每个品牌的商品销售数据，根据该品牌的商品销售均价和用户群体的消费层级更新该品牌的品牌档次包括：获取设定时间段内每个品牌的商品销售数据，统计该品牌的商品销售均价以及每个消费层级的用户在该品牌的消费次数；根据该品牌的商品销售均价以及每个消费层级的用户在该品牌的消费次数对b_ij进行迭代更新：

其中，μ₁为平滑因子，设定为该品牌下用户平均购买的商品次数；r_ip为用户p在品牌i上的消费次数；α₁为介于0～1之间的常数；对该品牌的品牌档次概率进行归一化，使得

计算该品牌的期望值并作为该品牌的第二档次得分，该品牌的第二档次得分

根据该品牌的第二档次得分对该品牌所属的品牌档次进行重新划分。本实现方式充分考虑了品牌的销售价格和消费群体的消费层级对品牌档次的影响。

一种实现方式中，品牌层级更新的收敛条件是：计算各品牌上次所属的品牌档次和本次迭代中所属的品牌档次相差大于档次设定值(如1)的品牌数量；当相差大于档次设定值的品牌数量小于第二设定阈值时，将各品牌本次迭代中所属的品牌档次作为其新的品牌档次。其中，第二设定阈值可以根据具体的推荐场景需求进行设定。

一种实现方式中，根据设定时间段内每个用户购买商品的商品价格、频次和商品对应的品牌档次更新该用户的消费层级步骤包括：获取设定时间段内每个用户的商品消费数据，统计该用户的商品消费均价以及该用户所购商品的品牌档次、每个品牌档次的消费频次；根据该用户的商品消费均价以及该用户所购商品的品牌档次、每个品牌档次的消费频次对

u_pq进行更新：

其中，μ₂为平滑因子，设定为该用户平均每个品牌的消费次数；r_ip为用户 p在品牌i上的消费次数，α₂为介于0～1之间的常数；对该用户的消费层级概率进行归一化，使得

计算该用户的期望值并作为该用户的第二层级得分，该用户的第二层级得分

根据该用户的第二层级得分对该用户所属的消费层级进行重新划分。本实现方式充分考虑了用户所购商品价格，频率和所购商品的品牌档次对用户消费层级的影响。

一种实现方式中，用户消费层级停止迭代更新的收敛条件是：计算各用户上次所属的消费层级和本次迭代中所属的消费层级相差大于层级设定值(如1) 的用户数量；当相差大于层级设定值的用户数量小于第三设定阈值时，将各用户本次迭代中所属的消费层级作为其新的消费层级。其中，第三设定阈值可以根据具体的推荐场景需求进行设定。

步骤306：根据用户的更新后的消费层级以及消费层级与品牌档次的对应关系，向用户推荐相应品牌档次的品牌。

本说明书实施例根据品牌档次和用户消费层级的相互影响，充分考虑了品牌档次由品牌商品价格档次和客户群体的消费层级决定，用户消费层级由所购商品价格，频率和所购品牌档次决定的情况，通过迭代更新品牌档次和用户消费层级，不需要人工进行商品类目分类，提高了工作效率以及用户的体验。

本说明书实施例中的品牌档次初始化基于品牌所售商品的均价决定，用户的消费层级初始化过程由用户的消费均价，频率决定，不需要聚类，不受随机初始化点簇对聚类效果的影响；同时，在计算消费层级时，不单单只考虑购买的商品档次，还考虑了购买商品的频次，因为一个常买高档商品的用户消费层级明显是高于难得购买一次高档商品的用户消费层级，提高了用户消费层级划分的准确性。

图4是示出了本说明书另一实施例的推荐方法的流程示意图，该实施例包括：

步骤s1：根据设定时间段内店铺的交易记录，合并分店(同一总店下的不同分店算同一个品牌)，计算每个品牌所售商品的均价，作为品牌档次的初始打分；

步骤s2：统计每个品牌下的用户群体人数，获取用户人数大于一定阈值的品牌，记m个品牌，m为自然数；

步骤s3:对品牌档次的打分进行归一化，并根据实际需求把档次划分成X 份，X为自然数；

步骤s4:统计交易记录中用户数量，记为n，以及每位用户在这段时间内购买商品的均价，作为该用户消费层级的初始打分；

步骤s5:对用户消费层级的初始打分进行归一化，把消费层级也划分成X 份；

步骤s6:根据初始化后的品牌档次，可获得品牌档次概率分布矩阵B_mx， b_ij(1≤i≤m,1≤j≤x)表示品牌i在档次j的概率。当品牌i在被划分在档次j 时，bij＝1，其他档次概率值则为0；

步骤s7:根据初始化后的用户消费层级，可获得用户消费层级概率分布矩阵 U_nx，u_pq(1≤p≤n,1≤q≤x)表示用户p在档次q的概率；当用户pi在被划分在消费层级q时，u_pq＝1，其他消费层级的概率值则为0；

步骤s8:根据交易记录表，获取交易关系矩阵R_mn，r_ip(1≤i≤m,1≤p≤n) 表示用户p在品牌i的交易次数；

步骤s9:根据高消费层级的用户偏好高档次的品牌，低消费层级的用户偏好低档次的品牌，高档次品牌的用户群体大部分是高消费层级的用户，低档次品牌的用户群体大部分是低消费层级的用户的现象，迭代更新品牌档次分和用户消费层级分；判断是否满足迭代终止条件，若满足则退出迭代，输出结果；否则，继续迭代更新；

步骤s10:更新品牌i被划分在档次j的概率，由品牌i所售商品价格和用户群体的消费层级两者决定；前者已根据步骤s6计算获得b_ij，后者计算品牌的客户群体中，消费层级为j(即对应的消费层级q)的人数所产生的消费次数占品牌总用户人数所产生的消费次数的占比，即

则b_ij的更新公式为

其中μ₁为平滑因子，可设定为该品牌下用户平均购买的商品次数；

步骤s11:同理，用户p在消费层级q上的概率，由用户购买商品的价格、频率和商品所在品牌的档次决定；前者由步骤s7可获得u_pq，后者计算用户购买过档次为j的品牌次数占总购买过的品牌次数的比例，即

则u_pq更新公式为

其中μ₂为平滑因子，可设定为用户平均每个品牌所购商品次数；

对用户i的消费层级概率进行归一化，使得

步骤s12：计算各个品牌的期望值作为新档次分，例如品牌i的档次打分为

步骤s13：计算每位用户的期望值作为新消费层级分数，例如用户p的消费层级分数为

步骤s14：根据品牌集新打分结果重新进行档次划分，计算上次迭代和本次迭代中档次相差大于1的品牌数量；

步骤s15：根据用户集新打分结果重新进行档次划分，计算上次迭代和本次迭代中档次相差大于1的用户数量；

循环进入步骤s9判断条件:当品牌数量和用户数量小于设定的阈值时，迭代停止，否则根据步骤s10，步骤s11，步骤s12，步骤s13，步骤s14和步骤s15 继续迭代。

本说明书实施例充分考虑了品牌档次和用户消费层级的相互影响，不需要人工进行商品类目分类，根据品牌档次由品牌商品价格档次和客户群体的消费层级决定，用户消费层级由所购商品价格，频率和所购品牌档次决定的情况，通过迭代更新品牌档次和用户消费层级，提高了工作效率以及用户的体验。

与前述推荐方法实施例相对应，本说明书还提供了推荐装置实施例，所述装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，本说明书生成事件检测模型的装置所在设备的一种硬件结构可以包括处理器、网络接口、内存以及非易失性存储器之外，实施例中装置所在的设备通常根据推荐的实际功能，还可以包括其他硬件，对此不再赘述。

参见图5，图5是示出了本说明书一实施例提供的推荐装置的模块图。图5 中的推荐装置500与图2实施例相对应，所述装置500包括获取器510、第一分级器520、第二分级器530和推荐器540，第一分级器520、第二分级器530通过数据接口550获取品牌销售数据和用户消费数据。

获取器510，被配置为通过计算设备获取品牌的第一相关信息以及用户的第二相关信息，其中，所述第一相关信息与所述第二相关信息具有对应关系；

第一更新器520，被配置为通过计算设备获取设定时间段内每个品牌的商品销售数据，从所述商品销售数据中提取每个品牌的第一描述信息和用户群体的第二相关信息，根据每个品牌的第一描述信息和用户群体的第二相关信息更新该品牌的第一相关信息；

第二更新器530，被配置为通过计算设备获取设定时间段内每个用户的消费数据，从所述消费数据中提取每个用户的第二描述信息和所消费商品的第一相关信息，根据每个用户的第二描述信息和所消费商品对应的第一相关信息更新该用户的第二相关信息；

推荐器540，被配置为根据更新后的用户的第二相关信息以及第二相关信息与第一相关信息的对应关系，向用户推荐相应的品牌。

一个可选的实施例中，所述第一相关信息是品牌档次，所述第二相关信息是消费层级，所述第一描述信息是商品销售均价，所述第二描述信息包括所购买商品的商品价格、频次和商品对应的品牌档次。

一个可选的实施例中，所述获取器包括：

档次获取模块，被配置为通过计算设备获取品牌的历史销售数据，从所述历史销售数据中提取品牌的商品销售均价，根据所述品牌的商品销售均价对品牌进行初始分档，得到每个品牌的品牌档次；

层级获取模块，被配置为通过计算设备获取用户的历史消费数据，从所述历史消费数据中提取用户的消费均价，根据所述用户的消费均价对用户进行初始分层，得到每个用户的消费层级。

一个可选的实施例中，所述装置还包括：

品牌筛选器，被配置为统计每个品牌下的用户群体人数，将用户群体人数大于第一设定阈值的品牌作为品牌分档的对象。

一个可选的实施例中，所述档次获取模块包括：

第一品牌打分单元，被配置为从品牌的历史销售数据中提取计算每个品牌所售商品的均价，根据每个品牌所售商品的均价对该品牌进行打分，得到该品牌的第一档次得分；

第一品牌归一化单元，被配置为对每个品牌的第一档次得分进行归一化处理，并根据预先设定的档次与得分的对应关系将所有品牌进行品牌分档，得到每个品牌的品牌档次；

第一品牌档次概率单元，被配置为根据每个品牌的品牌档次得到该品牌在各品牌档次的分布概率和品牌档次概率分布矩阵B_mx，b_ij为第i行第j列的元素，表示品牌i在品牌档次j的概率，1≤i≤m,1≤j≤x，m为品牌的数量，x为品牌档次的数量，i、j、m、x均为自然数。

一个可选的实施例中，所述层级获取模块包括：

第一用户打分单元，被配置为从用户的历史消费数据中提取计算每个用户的消费均价，根据每个用户的消费均价对该用户进行打分，得到该用户的第一层级得分；

第一用户归一化单元，被配置为对每个用户的第一层级得分进行归一化处理，并根据预先设定的层级和得分的对应关系将所有用户的消费层级进行分层，得到每个用户的消费层级；

第一消费层级概率单元，被配置为根据每个用户的消费层级得到该用户在各消费层级的分布概率和用户消费层级概率分布矩阵U_nx，u_pq为第p行第q列的元素，表示用户p在消费层级q的概率，1≤p≤n,1≤q≤x，n为用户的数量，x为用户消费层级的数量，p、q、n、x均为自然数。

一个可选的实施例中，所述第一更新器包括：

第二品牌信息获取单元，被配置为获取设定时间段内每个品牌的商品销售数据，统计该品牌的商品销售均价以及每个消费层级的用户在该品牌的消费次数；

第二品牌档次概率更新单元，被配置为根据该品牌的商品销售均价以及每个消费层级的用户在该品牌的消费次数对b_ij进行迭代更新：

其中，μ₁为平滑因子，设定为该品牌下用户平均购买的商品次数；r_ip为用户p在品牌i上的消费次数；α₁为介于0～1之间的常数；

第二品牌归一化单元，被配置为对该品牌的品牌档次概率进行归一化，使得

第二品牌打分单元，被配置为计算该品牌的期望值并作为该品牌的第二档次得分，该品牌的第二档次得分

第二品牌层级划分单元，被配置为根据该品牌的第二档次得分对该品牌所属的品牌档次进行重新划分。

一个可选的实施例中，所述第一更新器还包括：

第二品牌档次差统计单元，被配置为计算各品牌上次所属的品牌档次和本次迭代中所属的品牌档次相差大于档次设定值的品牌数量；

第二品牌档次更新单元，被配置为当上次所属的品牌档次和本次迭代中所属的品牌档次相差大于档次设定值的品牌数量小于第二设定阈值时，将各品牌本次迭代中所属的品牌档次作为其新的品牌档次。

一个可选的实施例中，所述第二更新器包括：

第二用户信息获取单元，被配置为获取设定时间段内每个用户的商品消费数据，统计该用户的商品消费均价以及该用户所购商品的品牌档次、每个品牌档次的消费频次；

第二消费层级概率更新单元，被配置为根据该用户的商品消费均价以及该用户所购商品的品牌档次、每个品牌档次的消费频次对u_pq进行更新：

其中，μ₂为平滑因子，设定为该用户平均每个品牌的消费次数；r_ip为用户 p在品牌i上的消费次数，α₂为介于0～1之间的常数；

第二用户归一化单元，被配置为对该用户的消费层级概率进行归一化，使得

第二用户打分单元，被配置为计算该用户的期望值并作为该用户的第二层级得分，该用户的第二层级得分

第二用户层级划分单元，被配置为根据该用户的第二层级得分对该用户所属的消费层级进行重新划分。

一个可选的实施例中，所述第二更新器还包括:

第二用户层级差统计单元，被配置为计算各用户上次所属的消费层级和本次迭代中所属的消费层级相差大于层级设定值的用户数量；

第二用户层级更新单元，被配置为当上次所属的消费层级和本次迭代中所属的消费层级相差大于层级设定值的用户数量小于第三设定阈值时，将各用户本次迭代中所属的消费层级作为其新的消费层级。

上述实施例阐明的装置、模块或单元，具体可以由计算机芯片或实体实现，

或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本说明书一实施例还提供一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行所述指令时实现所述的推荐方法的步骤。

本说明书一实施例还提供一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现所述的推荐方法的步骤。

上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的推荐方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述推荐方法的技术方案的描述。

所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本说明书并不受所描述的动作顺序的限制，因为依据本说明书，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本说明书所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本说明书的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。

Claims (10)

1.一种推荐方法，包括：

通过计算设备获取品牌的第一相关信息以及用户的第二相关信息，其中，所述第一相关信息与所述第二相关信息具有对应关系；

通过计算设备获取设定时间段内每个品牌的商品销售数据，从所述商品销售数据中提取每个品牌的第一描述信息和用户群体的第二相关信息，根据每个品牌的第一描述信息和用户群体的第二相关信息更新该品牌的第一相关信息；

通过计算设备获取设定时间段内每个用户的消费数据，从所述消费数据中提取每个用户的第二描述信息和所消费商品的第一相关信息，根据每个用户的第二描述信息和所消费商品对应的第一相关信息更新该用户的第二相关信息；

根据更新后的用户的第二相关信息以及第二相关信息与第一相关信息的对应关系，向用户推荐相应的品牌；

所述第一相关信息是品牌档次，所述第二相关信息是消费层级，所述第一描述信息是商品销售均价，所述第二描述信息包括所购买商品的商品价格、频次和商品对应的品牌档次。

2.根据权利要求1所述的方法，其中所述通过计算设备获取品牌的第一相关信息以及用户的第二相关信息步骤包括：

通过计算设备获取品牌的历史销售数据，从所述历史销售数据中提取品牌的商品销售均价，根据所述品牌的商品销售均价对品牌进行初始分档，得到每个品牌的品牌档次；

通过计算设备获取用户的历史消费数据，从所述历史消费数据中提取用户的消费均价，根据所述用户的消费均价对用户进行初始分层，得到每个用户的消费层级。

3.根据权利要求2所述的方法，其中在所述通过计算设备获取品牌的历史销售数据，从所述历史销售数据中提取品牌的商品销售均价，根据所述品牌的商品销售均价对品牌进行初始分档，得到每个品牌的品牌档次步骤之前还包括：

统计每个品牌下的用户群体人数，将用户群体人数大于第一设定阈值的品牌作为品牌分档的对象。

4.根据权利要求2所述的方法，其中所述通过计算设备获取品牌的历史销售数据，从所述历史销售数据中提取品牌的商品销售均价，根据所述品牌的商品销售均价对品牌进行初始分档，得到每个品牌的品牌档次步骤包括：

从品牌的历史销售数据中提取计算每个品牌所售商品的均价，根据每个品牌所售商品的均价对该品牌进行打分，得到该品牌的第一档次得分；

对每个品牌的第一档次得分进行归一化处理，并根据预先设定的档次和得分的对应关系将所有品牌进行品牌分档，得到每个品牌的品牌档次；

根据每个品牌的品牌档次得到该品牌在各品牌档次的分布概率和品牌档次概率分布矩阵B_mx，b_ij为第i行第j列的元素，表示品牌i在品牌档次j的概率，1≤i≤m,1≤j≤x，m为品牌的数量，x为品牌档次的数量，i、j、m、x均为自然数。

5.根据权利要求2所述的方法，其中所述通过计算设备获取用户的历史消费数据，从所述历史消费数据中提取用户的消费均价，根据所述用户的消费均价对用户进行初始分层，得到每个用户的消费层级步骤包括：

从用户的历史消费数据中提取计算每个用户的消费均价，根据每个用户的消费均价对该用户进行打分，得到该用户的第一层级得分；

对每个用户的第一层级得分进行归一化处理，并根据预先设定层级和得分的对应关系将所有用户的消费层级进行分层，得到每个用户的消费层级；

根据每个用户的消费层级得到该用户在各消费层级的分布概率和用户消费层级概率分布矩阵U_nx，u_pq为第p行第q列的元素，表示用户p在消费层级q的概率，1≤p≤n,1≤q≤x，n为用户的数量，x为用户消费层级的数量，p、q、n、x均为自然数。

6.根据权利要求1所述的方法，其中所述品牌是指网上或网下的店铺或业务中的款项接收方。

7.根据权利要求4所述的方法，其中所述通过计算设备获取设定时间段内每个品牌的商品销售数据，从所述商品销售数据中提取每个品牌的第一描述信息和用户群体的第二相关信息，根据每个品牌的第一描述信息和用户群体的第二相关信息更新该品牌的第一相关信息步骤包括：

获取设定时间段内每个品牌的商品销售数据，统计该品牌的商品销售均价以及每个消费层级的用户在该品牌的消费次数；

根据该品牌的商品销售均价以及每个消费层级的用户在该品牌的消费次数对b_ij进行迭代更新：

其中，μ₁为平滑因子，设定为该品牌下用户平均购买的商品次数；r_ip为用户p在品牌i上的消费次数；α₁为介于0～1之间的常数；k为b_ij进行迭代更新的次数，k为自然数，u_pq为第p行第q列的元素，表示用户p在消费层级q的概率,为用户的数量；

对该品牌的品牌档次概率进行归一化，使得

计算该品牌的期望值并作为该品牌的第二档次得分，该品牌的第二档次得分

根据该品牌的第二档次得分对该品牌所属的品牌档次进行重新划分。

8.根据权利要求7所述的方法，其中在所述根据该品牌的第二档次得分对该品牌所属的品牌档次进行重新划分步骤之后还包括：

计算各品牌上次所属的品牌档次和本次迭代中所属的品牌档次相差大于档次设定值的品牌数量；

当上次所属的品牌档次和本次迭代中所属的品牌档次相差大于档次设定值的品牌数量小于第二设定阈值时，将各品牌本次迭代中所属的品牌档次作为其新的品牌档次。

9.根据权利要求5所述的方法，其中所述根据每个用户的第二描述信息和所消费商品对应的第一相关信息更新该用户的第二相关信息步骤包括：

获取设定时间段内每个用户的商品消费数据，统计该用户的商品消费均价以及该用户所购商品的品牌档次、每个品牌档次的消费频次；

根据该用户的商品消费均价以及该用户所购商品的品牌档次、每个品牌档次的消费频次对u_pq进行更新：

其中，μ₂为平滑因子，设定为该用户平均每个品牌的消费次数；r_ip为用户p在品牌i上的消费次数，α₂为介于0～1之间的常数；k′为u_pq进行迭代更新的次数，k′为自然数,b_ij为第i行第j列的元素，表示品牌i在品牌档次j的概率,m为品牌的数量；

对该用户的消费层级概率进行归一化，使得

计算该用户的期望值并作为该用户的第二层级得分，该用户的第二层级得分

根据该用户的第二层级得分对该用户所属的消费层级进行重新划分。

10.根据权利要求9所述的方法，其中在所述根据该用户的第二层级得分对该用户所属的消费层级进行重新划分步骤之后还包括:

计算各用户上次所属的消费层级和本次迭代中所属的消费层级相差大于层级设定值的用户数量；

当上次所属的消费层级和本次迭代中所属的消费层级相差大于层级设定值的用户数量小于第三设定阈值时，将各用户本次迭代中所属的消费层级作为其新的消费层级。

Images