CN110490685A - 一种基于大数据分析的产品推荐方法 - Google Patents

Abstract

本发明公开一种基于大数据分析的产品推荐方法，包括如下步骤：基于大数据平台，获取用户维度数据，其中，所述用户维度数据包括：用户行为和用户画像；对所述用户维度数据进行数据采集、清洗、标准化处理以及特征组合和提取，获得特征向量；调用多个预设的机器学习推荐模型分别对所述特征向量进行运算，获得各个机器学习推荐模型下相应用户的产品推荐列表，以及产品的购买概率；基于所述购买概率向用户进行产品推荐。旨在通过全方位的精准数据刻画用户的购买意图，推荐用户有购买意愿的商品，提高用户体验，提升下单转化率，增强用户黏性。

Description

一种基于大数据分析的产品推荐方法

技术领域

本发明属于网络推荐技术领域，特别是涉及一种基于大数据分析的产品推荐方法。

背景技术

随着电子商务的蓬勃发展，网络购物已成为了新时代背景下的必需品，电商平台也在发展中产生了海量的用户数据，针对传统的广告营销和引流方式已无法满足电商平台发展的情况下，精准营销成为了解决这一困境的核心点。

由于大数据技术和人工智能技术的发展，为用户分析带来了全新的模式和价值，从随机匹配、关键字匹配等单一模式，逐渐发展成为基于用户画像和机器深度学习的多维度模式，通过产品推荐系统实现精准营销的目标，进一步匹配供需平衡关系，实现消费端到供应端的路径优化。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于大数据分析的产品推荐方法，旨在通过全方位的精准数据刻画用户的购买意图，推荐用户有购买意愿的商品，提高用户体验，提升下单转化率，增强用户黏性。

为实现上述目的及其他相关目的，本发明提供一种基于大数据分析的产品推荐方法，包括如下步骤：

基于大数据平台，获取用户维度数据，其中，所述用户维度数据包括：用户行为和用户画像；

对所述用户维度数据进行数据采集、清洗、标准化处理以及特征组合和提取，获得特征向量；

调用多个预设的机器学习推荐模型分别对所述特征向量进行运算，获得各个机器学习推荐模型下相应用户的产品推荐列表，以及产品的购买概率；

基于所述购买概率向用户进行产品推荐。

一种实现方式中，所述基于大数据平台，获取用户维度数据，其中，所述用户维度数据包括：用户行为和用户画像的步骤，包括：

基于大数据平台，获取客户端上报的用户行为日志，并存储在服务器基础数据库中，其中，所述用户行为日志数据包括用户历史购买记录、历史浏览记录、关注信息、评价信息；

基于所述用户行为日志，获取所述用户维度数据。

一种实现方式中，在所述基于大数据平台，获取客户端上报的用户行为日志，并存储在服务器基础数据库中之后，所述方法还包括：

对所述用户历史购买记录、历史浏览记录、关注信息、评价信息进行数据清洗、标准化处理以及特征组合和提取。

一种实现方式中，所述调用多个预设的机器学习推荐模型分别对所述特征向量进行运算，获得各个机器学习推荐模型下相应用户的产品推荐列表，以及产品的购买概率的步骤，包括：

采用k折交叉验证法对每个机器学习推荐模型进行训练，在训练阶段，每个机器学习推荐模型采用网格搜索法进行参数调优，得到最优参数，并生成各个用户在各个机器学习推荐模型下的产品推荐列表，以及产品的购买概率。

一种实现方式中：采用k折交叉验证法对每个机器学习推荐模型进行训练包括以下步骤：

将各个机器学习推荐模型的训练样本集划分成k个大小相同且内容互斥的子集；

进行k次迭代，每次迭代均采用k-1个子集的并集作为训练集，余下的子集作为测试集，将得到的k组训练集和测试集进行所述机器学习推荐模型的训练。

一种实现方式中，所述基于大数据平台，获取用户维度数据的步骤，包括：

采用滑动窗口法对用户行为日志数据进行采样，获取用户维度数据。

一种实现方式中，所述采用滑动窗口法对用户行为日志数据进行采样，获取用户维度数据的步骤，包括：

采用长短期记忆网络进行训练时，在采样的滑动窗口每滑动一次的数据集的基础上，将该数据集作为相应的机器学习推荐模型的输入，对所述机器学习推荐模型采用反向传播算法的训练算法进行训练。

应用本发明提供的实施例的基于大数据分析的产品推荐方法的布局方法，具有的有益效果：通过全方位的精准数据刻画用户的购买意图，推荐用户有购买意愿的商品，提高用户体验，提升下单转化率，增强用户黏性。

从消费端出发，利用各类线上和线下的行为接触点，通过引流获取潜在顾客至电商平台(线上)和终端实体店(线下)，利用大数据技术，对潜在顾客信息进行挖掘和分析，包括基本信息、产品信息、联系信息、事件信息、关系信息、沟通信息、财务信息、风险信息、资产信息等维度，建立用户画像，进而进行产品推荐。

附图说明

图1显示为本发明的一个实施例的基于大数据分析的产品推荐方法的流程示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

具体地，请参阅图1所示，图1显示为本发明的一种基于大数据分析的产品推荐方法，包括如下步骤：

S101，基于大数据平台，获取用户维度数据，其中，所述用户维度数据包括：用户行为和用户画像。

一种实现方式中，所述基于大数据平台，获取用户维度数据的步骤，包括：采用滑动窗口法对用户行为日志数据进行采样，获取用户维度数据。

可以理解的是，当用户浏览网站或者购物平台的时候，会留下用户的痕迹，例如用户的账号、查看的物品、购买的物品、购买种类和数量，查看物品的种类等等。所以，通过数据抓取可以将用户的上述数据进行抓取，那么针对每一用户来说，可以获得用户的未读数据。

用户行为分析，是指在获得网站或APP等平台访问量基本数据的情况下，对有关数据进行统计、分析，从中发现用户访问网站或APP等平台的规律，并将这些规律与网络营销策略等相结合，从而发现目前网络营销活动中可能存在的问题，并为进一步修正或重新制定网络营销策略提供依据。这是狭义的只指网络上的用户行为分析。

用户画像又称用户角色，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。用户画像最初是在电商领域得到应用的，在大数据时代背景下，用户信息充斥在网络中，将用户的每个具体信息抽象成标签，利用这些标签将用户形象具体化，从而为用户提供有针对性的服务。

S102，对所述用户维度数据进行数据采集、清洗、标准化处理以及特征组合和提取，获得特征向量。

需要说明的是，数据清洗是根据数据过滤的规则进行数据的过滤，标准化处理是进行数据的归一化处理，然后根据特征的类别进行组合后提取，得到每一个特征对应的特征向量。

S103，调用多个预设的机器学习推荐模型分别对所述特征向量进行运算，获得各个机器学习推荐模型下相应用户的产品推荐列表，以及产品的购买概率。

可以理解的是，机器学习模型是经过预先训练好的，将用户的维度数据对应的特征向量输入后就能够进行自动运算，根据用户数据计算用户购买其他商品的概率，以及用户对其他商品感兴趣的列表，也就是推荐列表。

S104，基于所述购买概率向用户进行产品推荐。

可以理解的是，可以设置一概率阈值，进行比较，当计算出来的概率值大于概率阈值时，将这部分的概率阈值对应的商品进行推荐，否则，不予以推荐。这样提高用户对推荐产品的购买几率。

本发明实施例中，基于大数据平台，获取用户维度数据，其中，所述用户维度数据包括：用户行为和用户画像的步骤，包括：基于大数据平台，获取客户端上报的用户行为日志，并存储在服务器基础数据库中，其中，所述用户行为日志数据包括用户历史购买记录、历史浏览记录、关注信息、评价信息；基于所述用户行为日志，获取所述用户维度数据。

可以理解的是，通过调取日志，能够调取到客户端的用户行为日志，用户行为日志中包括用户的足迹，例如用户历史购买记录、历史浏览记录、关注信息、评价信息，将其作为用户维度数据的一部分。

具体的，所述调用多个预设的机器学习推荐模型分别对所述特征向量进行运算，获得各个机器学习推荐模型下相应用户的产品推荐列表，以及产品的购买概率的步骤，包括：采用k折交叉验证法对每个机器学习推荐模型进行训练，在训练阶段，每个机器学习推荐模型采用网格搜索法进行参数调优，得到最优参数，并生成各个用户在各个机器学习推荐模型下的产品推荐列表，以及产品的购买概率。

一种实现方式中：采用k折交叉验证法对每个机器学习推荐模型进行训练包括以下步骤：将各个机器学习推荐模型的训练样本集划分成k个大小相同且内容互斥的子集；进行k次迭代，每次迭代均采用k-1个子集的并集作为训练集，余下的子集作为测试集，将得到的k组训练集和测试集进行所述机器学习推荐模型的训练。

需要说明的是，交叉验证(Cross-validation)主要用于建模应用中，例如PCR、PLS回归建模中。在给定的建模样本中，拿出大部分样本进行建模型，留小部分样本用刚建立的模型进行预报，并求这小部分样本的预报误差，记录它们的平方加和。在使用训练集对参数进行训练的时候，经常会发现人们通常会将一整个训练集分为三个部分(比如mnist手写训练集)。一般分为：训练集(train_set)，评估集(valid_set)，测试集(test_set)这三个部分。这其实是为了保证训练效果而特意设置的。其中测试集很好理解，其实就是完全不参与训练的数据，仅仅用来观测测试效果的数据。而训练集和评估集则牵涉到下面的知识了。

因为在实际的训练中，训练的结果对于训练集的拟合程度通常还是挺好的(初始条件敏感)，但是对于训练集之外的数据的拟合程度通常就不那么令人满意了。因此我们通常并不会把所有的数据集都拿来训练，而是分出一部分来(这一部分不参加训练)对训练集生成的参数进行测试，相对客观的判断这些参数对训练集之外的数据的符合程度。这种思想就称为交叉验证(CrossValidation)。

一种实现方式中，所述采用滑动窗口法对用户行为日志数据进行采样，获取用户维度数据的步骤，包括：采用长短期记忆网络进行训练时，在采样的滑动窗口每滑动一次的数据集的基础上，将该数据集作为相应的机器学习推荐模型的输入，对所述机器学习推荐模型采用反向传播算法的训练算法进行训练。

应用本发明提供的实施例的基于大数据分析的产品推荐方法的布局方法，具有的有益效果：通过全方位的精准数据刻画用户的购买意图，推荐用户有购买意愿的商品，提高用户体验，提升下单转化率，增强用户黏性。

从消费端出发，利用各类线上和线下的行为接触点，通过引流获取潜在顾客至电商平台(线上)和终端实体店(线下)，利用大数据技术，对潜在顾客信息进行挖掘和分析，包括基本信息、产品信息、联系信息、事件信息、关系信息、沟通信息、财务信息、风险信息、资产信息等维度，建立用户画像，进而进行产品推荐。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (7)

1.一种基于大数据分析的产品推荐方法，其特征在于：包括如下步骤：

基于大数据平台，获取用户维度数据，其中，所述用户维度数据包括：用户行为和用户画像；

对所述用户维度数据进行数据采集、清洗、标准化处理以及特征组合和提取，获得特征向量；

调用多个预设的机器学习推荐模型分别对所述特征向量进行运算，获得各个机器学习推荐模型下相应用户的产品推荐列表，以及产品的购买概率；

基于所述购买概率向用户进行产品推荐。

2.根据权利要求1所述的基于大数据分析的产品推荐方法，其特征在于，所述基于大数据平台，获取用户维度数据，其中，所述用户维度数据包括：用户行为和用户画像的步骤，包括：

基于大数据平台，获取客户端上报的用户行为日志，并存储在服务器基础数据库中，其中，所述用户行为日志数据包括用户历史购买记录、历史浏览记录、关注信息、评价信息；

基于所述用户行为日志，获取所述用户维度数据。

3.根据权利要求1所述的基于大数据分析的产品推荐方法，其特征在于，在所述基于大数据平台，获取客户端上报的用户行为日志，并存储在服务器基础数据库中之后，所述方法还包括：

对所述用户历史购买记录、历史浏览记录、关注信息、评价信息进行数据清洗、标准化处理以及特征组合和提取。

4.根据权利要求1所述的基于大数据分析的产品推荐方法，其特征在于，所述调用多个预设的机器学习推荐模型分别对所述特征向量进行运算，获得各个机器学习推荐模型下相应用户的产品推荐列表，以及产品的购买概率的步骤，包括：

采用k折交叉验证法对每个机器学习推荐模型进行训练，在训练阶段，每个机器学习推荐模型采用网格搜索法进行参数调优，得到最优参数，并生成各个用户在各个机器学习推荐模型下的产品推荐列表，以及产品的购买概率。

5.根据权利要求4所述的基于大数据分析的产品推荐方法，其特征在于：采用k折交叉验证法对每个机器学习推荐模型进行训练包括以下步骤：

将各个机器学习推荐模型的训练样本集划分成k个大小相同且内容互斥的子集；

进行k次迭代，每次迭代均采用k-1个子集的并集作为训练集，余下的子集作为测试集，将得到的k组训练集和测试集进行所述机器学习推荐模型的训练。

6.根据权利要求1所述的基于大数据分析的产品推荐方法，其特征在于，所述基于大数据平台，获取用户维度数据的步骤，包括：

采用滑动窗口法对用户行为日志数据进行采样，获取用户维度数据。

7.根据权利要求6所述的基于大数据分析的产品推荐方法，其特征在于，所述采用滑动窗口法对用户行为日志数据进行采样，获取用户维度数据的步骤，包括：

采用长短期记忆网络进行训练时，在采样的滑动窗口每滑动一次的数据集的基础上，将该数据集作为相应的机器学习推荐模型的输入，对所述机器学习推荐模型采用反向传播算法的训练算法进行训练。