CN111242732A - 一种基于商品推荐模型的推荐方法 - Google Patents

一种基于商品推荐模型的推荐方法 Download PDF

Info

Publication number
CN111242732A
CN111242732A CN202010021119.2A CN202010021119A CN111242732A CN 111242732 A CN111242732 A CN 111242732A CN 202010021119 A CN202010021119 A CN 202010021119A CN 111242732 A CN111242732 A CN 111242732A
Authority
CN
China
Prior art keywords
order
sample data
recommendation
information
method based
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
Application number
CN202010021119.2A
Other languages
English (en)
Inventor
王连喜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Huibo Technology Co Ltd
Original Assignee
Beijing Huibo Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Huibo Technology Co Ltd filed Critical Beijing Huibo Technology Co Ltd
Priority to CN202010021119.2A priority Critical patent/CN111242732A/zh
Publication of CN111242732A publication Critical patent/CN111242732A/zh
Pending legal-status Critical Current

Links

Images

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

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于商品推荐模型的推荐方法，包括以下步骤：S1：获取订单样本数据，对订单样本数据进行处理以提取特征信息；S2：根据特征信息的字段数进行降维，并可视化图像以确定特征信息适用情况；S3：对获取到的特征信息进行logic回归分析建模，分析得出各特征信息对人群的影响；S4：应用建立的模型实现人群放大和商品推荐。

Description

一种基于商品推荐模型的推荐方法
技术领域
本发明涉及推荐模型技术领域，具体来说，涉及一种基于商品推荐模型的推荐方法。
背景技术
商品精准推荐可以减小用户打扰，促进商家成单，优秀的精准推荐规则对于商家可以产生很大的商业价值。
现有的商品推荐，大部分采用基于协同过滤的机器学习算法，以商品为最小粒度进行计算。但对于商家来说，其需要知道产品与推荐人群产生匹配的原因以便进一步对产品进行升级，此时传统的推荐方法并不能满足商家的需求，且时效性不高，工程量大，而一成不变的商品很难维护住老用户，全新的商品也很难吸引并留住新老用户。
发明内容
针对相关技术中的上述技术问题，本发明提出一种基于商品推荐模型的推荐方法，能够克服现有技术的上述不足。
为实现上述技术目的，本发明的技术方案是这样实现的：
一种基于商品推荐模型的推荐方法，包括以下步骤：
S1：获取订单样本数据，对订单样本数据进行处理以提取特征信息；
S2：根据特征信息的字段数进行降维，并可视化图像以确定特征信息适用情况；
S3：对获取到的特征信息进行logic回归分析建模，分析得出各特征信息对人群的影响；
S4：应用建立的模型实现人群放大和商品推荐。
进一步的，对于步骤S1，订单样本数据来源为各网购平台订单数据以及线下数据。
其中，网购平台包括淘宝、京东、拼多多、网易考拉、苏宁易购、有赞。
进一步的，订单样本数据体量为10g。
进一步的，对于步骤S1，提取订单样本数据特征的方法包括如下步骤：
S11：将订单样本数据进行变换，聚合出目标品类的订单数信息、购买金额信息、购买单价信息；
S12：将S11的订单样本数据中包含的字符型特征进行提取变形为模型可识别信息；
S13：将S11和S12得到的信息以电话号为唯一id，进行标准化处理。
其中，步骤S13中，标准化方法有Min-max标准化、z-score标准化。
进一步的，对于步骤S2，对特征信息的字段数进行降维并可视化的方法包括如下步骤：
S21：若对订单样本数据特征提取后，变量数小于等于3，则对提取的数据进行对应维数的可视化展现，以观察数据分布情况；
S22：若对订单样本数据特征提取后，变量数大于3，则通过PCA分析提取数据的第一主成分、第二主成分、第三主成分进行可视化图形的建立；
S23：若经过可视化标明存在影响因素使得图形具有差异，则进行logic回归分析建模，否则重新提取特征。
进一步的，对于步骤S3，logic回归分析建模的方法包括如下步骤：
S31：使用已知人群建立测试集，将已知条件标为因变量，将标准化后的特征作为协变量；
S32：将S31中的因变量和协变量均代入logic回归算法，计算各特征的系数；
S33：保存模型进入应用阶段。
本发明的有益效果：本发明将价格阶层、功效等多方面特征经过提取后，通过用户购买行为将商品分类，进而达到用户共享、商品营销、商品改进指导的目的；并且通过帮助商家寻找其产品的最适人群，实现精准的广告触达，帮助商家引流的同时提高转化率、降低引流成本，提高商家利润；同时通过模型计算，定量得出了各因素的影响，指导商家对其商品进行功能改进、商品定价修改，以使商品更适合商家期望用户，且商家可依据目标人群进行营销的定向触达，并在触达过程中对触达文案和触达策略进行定制。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例所述的一种基于商品推荐模型的推荐方法的数据模型逻辑图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，根据本发明实施例所述的一种基于商品推荐模型的推荐方法，包括以下步骤：
S1：获取订单样本数据，对订单样本数据进行处理以提取特征信息；
S2：根据特征信息的字段数进行降维，并可视化图像以确定特征信息适用情况；
S3：对获取到的特征信息进行logic回归分析建模，分析得出各特征信息对人群的影响；
S4：应用建立的模型实现人群放大和商品推荐。
在一具体实施例中，对于步骤S1，订单样本数据来源为各网购平台订单数据以及线下数据。
优选的，网购平台包括淘宝、京东、拼多多、网易考拉、苏宁易购、有赞。
在一具体实施例中，订单样本数据体量为10g。
在一具体实施例中，对于步骤S1，提取订单样本数据特征的方法包括如下步骤：
S11：将订单样本数据进行变换，聚合出目标品类的订单数信息、购买金额信息、购买单价信息；
S12：将S11的订单样本数据中包含的字符型特征进行提取变形为模型可识别信息；
S13：将S11和S12得到的信息以电话号为唯一id，进行标准化处理。
优选的，步骤S13中，标准化方法有Min-max标准化、z-score标准化。
在一具体实施例中，对于步骤S2，对特征信息的字段数进行降维并可视化的方法包括如下步骤：
S21：若对订单样本数据特征提取后，变量数小于等于3，则对提取的数据进行对应维数的可视化展现，以观察数据分布情况；
S22：若对订单样本数据特征提取后，变量数大于3，则通过PCA分析提取数据的第一主成分、第二主成分、第三主成分进行可视化图形的建立；
S23：若经过可视化标明存在影响因素使得图形具有差异，则进行logic回归分析建模，否则重新提取特征。
在一具体实施例中，对于步骤S3，logic回归分析建模的方法包括如下步骤：
S31：使用已知人群建立测试集，将已知条件标为因变量，将标准化后的特征作为协变量；
S32：将S31中的因变量和协变量均代入logic回归算法，计算各特征的系数；
S33：保存模型进入应用阶段。
为了方便理解本发明的上述技术方案，以下通过具体使用方式上对本发明的上述技术方案进行详细说明。
在具体使用时，根据本发明所述的一种基于商品推荐模型的推荐方法，第一步是需要在各大网购平台以及一些线下数据获取订单样本数据，对这些订单样本数据进行处理以提取特征信息，在提取特征信息时，首先将订单样本数据进行变换，聚合出目标品类的订单数信息、购买金额信息、购买单价信息，然后将订单样本数据中包含的字符型特征进行提取变形为模型可识别信息，最后将得到的信息以电话号为唯一id，进行标准化处理，得到特征信息；第二步是根据特征信息的字段数进行降维，并可视化图像以确定特征适用情况，此时，若对订单样本数据特征提取后，变量数小于等于3，则对提取的数据进行对应维数的可视化展现，以观察数据分布情况，若对订单样本数据特征提取后，变量数大于3，则通过PCA分析提取数据的第一主成分、第二主成分、第三主成分进行可视化图形的建立，若经过可视化标明存在明显的影响因素使得图形具有差异，则进行logic回归分析建模，否则回到第一步，重新提取特征；第三步是对获取到的特征信息进行logic回归分析建模，进行建模时，首先使用已知人群建立测试集，将已知条件标为因变量，将标准化后的特征作为协变量，再将因变量和协变量分别代入logic回归算法，计算各特征的系数；第三步是根据这些系数分析得出各特征对人群的影响，进一步应用建立的模型实现人群放大和精准推荐。本发明通过模型计算，定量得出了各因素的影响，为商家改进产品提出参考依据，并且商家可依据目标人群进行营销的定向触达，并在触达过程中对触达文案和触达策略进行定制。
综上所述，本发明将价格阶层、功效等多方面特征经过提取后，通过用户购买行为将商品分类，进而达到用户共享、商品营销、商品改进指导的目的；并且通过帮助商家寻找其产品的最适人群，实现精准的广告触达，帮助商家引流的同时提高转化率、降低引流成本，提高商家利润。
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，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于商品推荐模型的推荐方法，其特征在于，包括以下步骤：
S1：获取订单样本数据，对订单样本数据进行处理以提取特征信息；
S2：根据特征信息的字段数进行降维，并可视化图像以确定特征信息适用情况；
S3：对获取到的特征信息进行logic回归分析建模，分析得出各特征信息对人群的影响；
S4：应用建立的模型实现人群放大和商品推荐。
2.根据权利要求1所述的一种基于商品推荐模型的推荐方法，其特征在于，对于步骤S1，订单样本数据来源为各网购平台订单数据以及线下数据。
3.根据权利要求2所述的一种基于商品推荐模型的推荐方法，其特征在于，网购平台包括淘宝、京东、拼多多、网易考拉、苏宁易购、有赞。
4.根据权利要求1所述的一种基于商品推荐模型的推荐方法，其特征在于，订单样本数据体量为10g。
5.根据权利要求1所述的一种基于商品推荐模型的推荐方法，其特征在于，对于步骤S1，提取订单样本数据特征的方法包括如下步骤：
S11：将订单样本数据进行变换，聚合出目标品类的订单数信息、购买金额信息、购买单价信息；
S12：将S11的订单样本数据中包含的字符型特征进行提取变形为模型可识别信息；
S13：将S11和S12得到的信息以电话号为唯一id，进行标准化处理。
6.根据权利要求5所述的一种基于商品推荐模型的推荐方法，其特征在于，步骤S13中，标准化方法有Min-max标准化、z-score标准化。
7.根据权利要求1所述的一种基于商品推荐模型的推荐方法，其特征在于，对于步骤S2，对特征信息的字段数进行降维并可视化的方法包括如下步骤：
S21：若对订单样本数据特征提取后，变量数小于等于3，则对提取的数据进行对应维数的可视化展现，以观察数据分布情况；
S22：若对订单样本数据特征提取后，变量数大于3，则通过PCA分析提取数据的第一主成分、第二主成分、第三主成分进行可视化图形的建立；
S23：若经过可视化标明存在影响因素使得图形具有差异，则进行logic回归分析建模，否则重新提取特征。
8.根据权利要求1所述的一种基于商品推荐模型的推荐方法，其特征在于，对于步骤S3，logic回归分析建模的方法包括如下步骤：
S31：使用已知人群建立测试集，将已知条件标为因变量，将标准化后的特征作为协变量；
S32：将S31中的因变量和协变量均代入logic回归算法，计算各特征的系数；
S33：保存模型进入应用阶段。
CN202010021119.2A 2020-01-09 2020-01-09 一种基于商品推荐模型的推荐方法 Pending CN111242732A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010021119.2A CN111242732A (zh) 2020-01-09 2020-01-09 一种基于商品推荐模型的推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010021119.2A CN111242732A (zh) 2020-01-09 2020-01-09 一种基于商品推荐模型的推荐方法

Publications (1)

Publication Number Publication Date
CN111242732A true CN111242732A (zh) 2020-06-05

Family

ID=70865229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010021119.2A Pending CN111242732A (zh) 2020-01-09 2020-01-09 一种基于商品推荐模型的推荐方法

Country Status (1)

Country Link
CN (1) CN111242732A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112116434A (zh) * 2020-10-06 2020-12-22 广州智物互联科技有限公司 基于大数据与电子商城的商品搜索方法、系统及云服务平台
CN114648391A (zh) * 2022-05-18 2022-06-21 湖南工商大学 一种网购信息推荐方法
CN114661968A (zh) * 2022-05-26 2022-06-24 卡奥斯工业智能研究院(青岛)有限公司 产品数据处理方法、装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108268464A (zh) * 2016-12-30 2018-07-10 广东精点数据科技股份有限公司 一种基于协同过滤与logistic回归的个性化推荐方法及装置
CN108446937A (zh) * 2018-01-18 2018-08-24 大象慧云信息技术有限公司 基于协同过滤算法的发票购销方推荐方法及装置
CN110490685A (zh) * 2019-03-27 2019-11-22 南京国科双创信息技术研究院有限公司 一种基于大数据分析的产品推荐方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108268464A (zh) * 2016-12-30 2018-07-10 广东精点数据科技股份有限公司 一种基于协同过滤与logistic回归的个性化推荐方法及装置
CN108446937A (zh) * 2018-01-18 2018-08-24 大象慧云信息技术有限公司 基于协同过滤算法的发票购销方推荐方法及装置
CN110490685A (zh) * 2019-03-27 2019-11-22 南京国科双创信息技术研究院有限公司 一种基于大数据分析的产品推荐方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112116434A (zh) * 2020-10-06 2020-12-22 广州智物互联科技有限公司 基于大数据与电子商城的商品搜索方法、系统及云服务平台
CN112116434B (zh) * 2020-10-06 2021-11-16 深圳市宝贝团信息技术有限公司 基于大数据与电子商城的商品搜索方法、系统及云服务平台
CN114648391A (zh) * 2022-05-18 2022-06-21 湖南工商大学 一种网购信息推荐方法
CN114648391B (zh) * 2022-05-18 2022-08-12 湖南工商大学 一种网购信息推荐方法
CN114661968A (zh) * 2022-05-26 2022-06-24 卡奥斯工业智能研究院(青岛)有限公司 产品数据处理方法、装置及存储介质
CN114661968B (zh) * 2022-05-26 2022-11-22 卡奥斯工业智能研究院(青岛)有限公司 产品数据处理方法、装置及存储介质
WO2023227012A1 (zh) * 2022-05-26 2023-11-30 卡奥斯工业智能研究院(青岛)有限公司 产品数据处理方法、装置及存储介质

Similar Documents

Publication Publication Date Title
Kee Adoption and diffusion
Bartosik-Purgat et al. Big data analysis as a source of companies’ competitive advantage: A review
CN111242732A (zh) 一种基于商品推荐模型的推荐方法
CN106611344A (zh) 挖掘潜在客户的方法及装置
CN110210913A (zh) 一种基于大数据的商家回头客预测方法
CN112037038B (zh) 银行信贷风险预测方法及装置
CN112001754A (zh) 用户画像生成方法、装置、设备及计算机可读介质
JP2002123738A (ja) 情報処理装置および方法、並びに記録媒体
Song et al. The dynamic effect of customer equity across firm growth: The case of small and medium-sized online retailers
Ren et al. A two-stage model for forecasting consumers’ intention to purchase with e-coupons
Estrella-Ramón et al. A model to improve management of banking customers
Xia et al. The research of online shopping customer churn prediction based on integrated learning
Zhang et al. A Precision Marketing Strategy of e‐Commerce Platform Based on Consumer Behavior Analysis in the Era of Big Data
Syah et al. Performance knowledge acceleration optimization with mars to customer behavior in merchant ecosystem
Slade The role of economic space in decision making
CN110992095B (zh) 一种消费者画像生成方法和装置
CN112330373A (zh) 用户行为分析方法、装置及计算机可读存储介质
Singh Artificial Intelligence in strategic marketing: Value generation and mechanisms of action
Mahammadi Torkamani et al. Designing an Intelligent Pattern of Digital Consumer Behavior Based on Big Data
CN114119107A (zh) 一种钢贸企业交易测评方法、装置、设备及存储介质
Nurhidayat et al. Analysis and Classification of Customer Churn Using Machine Learning Models
Aw Technology acquisition and development in Taiwan
JP2002123739A (ja) 情報処理装置および方法、並びに記録媒体
Kuswibowo et al. PURCHASING DECISION OF IPHONE: THE ROLE OF PRODUCT QUALITY, BRAND IMAGE AND E-WOM
CN110751492A (zh) 一种高价值人群识别方法和装置

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: 20200605