CN111444439A - 一种线下店铺推荐方法、装置、系统及存储介质 - Google Patents

一种线下店铺推荐方法、装置、系统及存储介质 Download PDF

Info

Publication number
CN111444439A
CN111444439A CN202010214402.7A CN202010214402A CN111444439A CN 111444439 A CN111444439 A CN 111444439A CN 202010214402 A CN202010214402 A CN 202010214402A CN 111444439 A CN111444439 A CN 111444439A
Authority
CN
China
Prior art keywords
consumer
recommendation
shop
store
consumers
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
CN202010214402.7A
Other languages
English (en)
Inventor
罗开平
郭清峰
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202010214402.7A priority Critical patent/CN111444439A/zh
Publication of CN111444439A publication Critical patent/CN111444439A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种线下店铺推荐方法、装置、设备及存储介质，方法包括：获取线下商城消费者的历史消费记录和消费者在商城游走的高噪时空帧频数据；根据历史消费记录，利用协同过滤算法得到第一推荐集合；融合高噪时空帧频数据形成消费者游走轨迹，基于消费者游走轨迹，计算消费者在店铺间的转移概率矩阵；根据转移概率矩阵和消费者当前位置，得到第二推荐集合；将第一推荐集合和第二推荐集合合并，并结合预设距离半径计算得到最终推荐集合。采用上述方法可实现线下店铺的个性化推荐。

Description

一种线下店铺推荐方法、装置、系统及存储介质
技术领域
本发明涉及信息处理技术领域，具体涉及一种线下店铺推荐方法、装置、系统及存储介质。
背景技术
随着生活水平的提高，人们的购买力也逐渐增强。同时伴随着商品个数和种类快速增长，消费者需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。由此个性化推荐应运而生。个性化推荐指根据用户的兴趣特点和购买行为，向用户推荐感兴趣的信息和商品。个性化推荐通过为消费者提供推荐内容，降低消费者的信息过载，提供优质的用户体验。
目前常用的个性化推荐算法包括基于内容的个性化推荐、协同过滤推荐、基于知识的推荐和混合推荐算法。但是目前常用的个性化推荐算法主要基于线上多维度的数据生成推荐内容，难以适用线下商城的应用情景。
发明内容
有鉴于此，本发明的目的在于克服现有技术的不足，提供一种线下店铺推荐方法、装置、系统及存储介质。
为实现以上目的，本发明采用如下技术方案：
一种线下店铺推荐方法，包括：
获取线下商城消费者的历史消费记录和消费者在商城游走的高噪时空帧频数据；
根据所述历史消费记录，利用协同过滤算法得到第一推荐集合；
融合所述高噪时空帧频数据形成消费者游走轨迹；
根据所述消费者游走轨迹，计算消费者在店铺间的转移概率矩阵；
根据所述转移概率矩阵和消费者当前位置得到第二推荐集合；所述消费者当前位置由所述消费者游走轨迹得到；
将所述第一推荐集合和所述第二推荐集合合并，并结合预设距离半径计算得到最终推荐集合。
可选的，所述根据所述历史消费记录，利用协同过滤算法得到第一推荐集合，包括：
根据所述历史消费记录构建消费者店铺评分矩阵；
利用所述消费者店铺评分矩阵得到相似消费者；
根据所述相似消费者确定感兴趣店铺；
将所述感兴趣店铺进行降序排序，得到目标店铺集合；
取所述目标店铺集合中设定排名的感兴趣店铺作为所述第一推荐集合。
可选的，所述根据所述历史消费记录构建消费者店铺评分矩阵，包括：
依据所述历史消费记录获取消费者对应的消费店铺信息；
针对所述消费店铺信息确定对应的店铺类型信息；
根据所述消费店铺信息和所述店铺类型信息构建所述消费者店铺评分矩阵。
可选的，所述根据所述消费者游走轨迹，计算消费者在店铺间的转移概率矩阵包括：
对所述消费者游走轨迹进行聚类，确定消费者对应类别；
根据所述消费者对应类别确定对应类别的店铺间的转移概率矩阵。
可选的，所述对所述消费者游走轨迹进行聚类，确定消费者对应类别包括：
在所述消费者游走轨迹中确定可作为聚类中心的轨迹集合；
在所述轨迹集合中随机选取设定数目条轨迹作为初始聚类中心；
计算所述轨迹集合中的非聚类中心轨迹与所述初始聚类中心的距离；
根据所述距离对所述非聚类中心轨迹进行类别划分；
对各类别进行聚类中心更新，得到消费者对应类别。
一种线下店铺推荐装置，包括：
数据获取模块，用于获取线下商城消费者的历史消费记录和消费者在商城游走的高噪时空帧频数据；
第一推荐集合确定模块，用于根据所述历史消费记录，利用协同过滤算法得到第一推荐集合；
游走轨迹融合模块，用于融合所述高噪时空帧频数据形成消费者游走轨迹；
转移概率矩阵计算模块，用于根据所述消费者游走轨迹，计算消费者在店铺间的转移概率矩阵；
第二推荐集合确定模块，用于根据所述转移概率矩阵和消费者当前位置得到第二推荐集合；所述消费者当前位置由所述消费者游走轨迹得到；
最终推荐集合计算模块，用于将所述第一推荐集合和所述第二推荐集合合并，并结合预设距离半径计算得到最终推荐集合。
可选的，所述第一推荐集合确定模块，包括：
评分矩阵构建单元，用于根据所述历史消费记录构建消费者店铺评分矩阵；
相似消费者确定单元，用于利用所述消费者店铺评分矩阵得到相似消费者；
感兴趣店铺确定单元，用于根据所述相似消费者确定感兴趣店铺；
目标店铺集合确定单元，用于将所述感兴趣店铺进行降序排序，得到目标店铺集合；
确定单元，用于取所述目标店铺集合中设定排名的感兴趣店铺作为所述第一推荐集合。
可选的，所述转移概率矩阵计算模块包括：
聚类单元，用于对所述消费者游走轨迹进行聚类，确定消费者对应类别；
概率矩阵确定单元，用于根据所述消费者对应类别确定对应类别的店铺转移概率矩阵。
一种线下店铺推荐设备，包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行上述所述的线下店铺推荐方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如上述所述的线下店铺推荐方法中各个步骤。
本申请提供的技术方案可以包括以下有益效果：
本申请公开了一种线下店铺推荐方法，包括：获取线下商城消费者的历史消费记录和消费者在商城游走的高噪时空帧频数据；根据历史消费记录，利用协同过滤算法得到第一推荐集合；融合所述高噪时空帧频数据形成消费者游走轨迹；根据消费者游走轨迹，计算消费者在店铺间的转移概率矩阵；根据转移概率矩阵和消费者当前位置得到第二推荐集合；消费者当前位置由消费者游走轨迹得到；将第一推荐集合和第二推荐集合合并，并结合预设距离半径计算得到最终推荐集合。本方法中基于消费者的历史消费记录产生第一推荐集合，基于转移概率矩阵和消费者当前位置得到第二推荐集合，将第一推荐集合中的店铺和第二推荐集合中的店铺直接合并，进而使用店铺之间的距离按照预设距离半径进行过滤，生成所需的最终推荐集合。本方法实现了线下店铺的推荐，从消费者在商城游走的高噪时空帧频数据中挖掘消费者的消费偏好，能够以一种较低的推荐成本实现更为有效的个性化推荐。且在基于用户的协同过滤推荐的基础上，结合店铺之间的转移概率矩阵推荐和推荐店铺的距离半径的方法进行线下店铺推荐，极大地提高了线下店铺的推荐准确率及效率，取得了良好的推荐效果。
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，下面将对实施例或现有技术描述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是本发明一实施例提供的线下店铺推荐方法流程图；
图2是本发明一实施例提供的线下店铺推荐装置模块图；
图3是本发明一实施例提供的线下店铺推荐设备结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
目前常用的个性化推荐算法包括基于内容的个性化推荐、协同过滤推荐、基于知识的推荐和混合推荐算法。
基于内容的个性化推荐算法，即向用户推荐其历史偏好物品，对消费者偏好变动滞后严重。由于是基于物品特征进行推荐，因此基于内容的个性化推荐的算法效果往往取决于对物品特征的提取完备度。该方法的推荐依赖于物品的特征，物品的特征是固有属性，因此不存在新物品冷启动的问题。同时基于内容的个性化推荐算法需要依赖消费者的偏好进行推荐，因此无法向新用户提供合适的推荐。实际应用中，物品的特征往往需要构建一个完备的体系，需要耗费大量的人力物力，且不具备动态性，因此基于内容的个性化推荐算法应用范围较窄。
协同过滤推荐算法不依赖于固有属性特征，而是从用户行为角度挖掘相似性。该方法不依赖于消费者或者物品的特征，而是从消费者对物品的消费矩阵中提取相似性。由于方法简单便捷，因此该方法已经成为最受欢迎、最成功的推荐算法。协同过滤推荐算法主要包括基于内存的协同过滤推荐算法和基于模型的协同过滤推荐算法。基于内存的协同过滤推荐算法又可自分为基于用户的协同过滤推荐算法和基于物品的协同过滤推荐算法。基于用户的协同过滤推荐算法和基于物品的协同过滤推荐算法的区别，在于是计算用户间的相似性还是计算物品间的相似性，两者均依赖于消费者对物品的相似矩阵。基于模型的协同过滤推荐算法也是基于消费者对物品的消费矩阵，区别在于基于模型的协同过滤通过结合机器学习算法实现推荐，如分类算法、聚类算法等。由于协同过滤推荐算法的基础是用户对物品的消费矩阵，对外部信息的依赖较少，不需要额外的输入，因此适用范围广。但是由于依赖于用户对物品的消费矩阵，因此对于新用户和新物品均不能产生好的推荐效果，此外，在大规模用户和物品的场景下，往往出现稀疏矩阵的问题。基于内容的推荐和协同过滤推荐算法均是基于消费者偏好进行的推荐，其基础假设是消费者之前的消费偏好必将延续至未来。但是在实际应用场景下，消费者的偏好是变化的，而基于内容的推荐算法和协同过滤推荐算法的推荐结果，往往大幅滞后于消费者偏好的变化。
基于知识的个性化推荐算法，是从消费者的历史消费记录以及专业的领域知识中对消费者未来的消费进行推理，该方法往往依赖于大量的知识储备，成本较高，使用范围较窄。
上述各种个性化推荐算法各具优势和不足，单一的推荐算法往往难以满足业务需求，因此常常将多种算法混合使用，即混合个性化推荐算法。常用的混合技术包括融合、集成、模型桶等策略。通过不同算法推荐结果的融合以达到更准确的预测目的。但混合个性化推荐算法的效果受限于单一个性化推荐算法的效果，在单一个性化推荐算法效果不佳的前提下，混合个性化推荐算法难以取得良好的推荐效果。为解决上述缺陷，本申请中提供了一种融合推荐方法实现线下店铺的推荐，具体情况如下：
图1是本发明一实施例提供的线下店铺推荐方法流程图。参见图1，一种线下店铺推荐方法，包括：
步骤101：获取线下商城消费者的历史消费记录和消费者在商城游走的高噪时空帧频数据；其中，历史消费记录由技术人员从商城对应店铺获得，高噪时空帧频数据也由技术人员在商城现场采集得到。
步骤102：根据历史消费记录，利用协同过滤算法得到第一推荐集合；
步骤103：融合高噪时空帧频数据形成消费者游走轨迹；
步骤104：根据消费者游走轨迹，计算消费者在店铺间的转移概率矩阵；
步骤105：根据转移概率矩阵和消费者当前位置得到第二推荐集合；消费者当前位置由消费者游走轨迹得到；
步骤106：将第一推荐集合和第二推荐集合合并，并结合预设距离半径计算得到最终推荐集合。基于店铺距离的预估，在进行个性化推荐时可以设定相应的距离阈值，低于该阈值的店铺才进行推荐，较远的店铺不进行推荐。使用店铺之间的平均转移时长作为推荐店铺的预设距离半径。
更详细地，步骤102即根据所述历史消费记录，利用协同过滤算法得到第一推荐集合包括：
根据所述历史消费记录构建消费者店铺评分矩阵；从历史消费记录中可以获知消费者的消费店铺及消费店铺的类型。本申请中在使用店铺向量信息的基础上引入消费者在各类别店铺的消费向量，从店铺和店铺类别两个层次反映消费者的偏好，形成WCH(weighted category hierarchy，加权类别层次结构)，WCH的底层为消费者消费的店铺，第二层为店铺对于店铺类别。具体包括：依据历史消费记录获取消费者对应的消费店铺信息；针对消费店铺信息确定对应的店铺类型信息；根据消费店铺信息和店铺类型信息构建消费者店铺评分矩阵。
利用所述消费者店铺评分矩阵得到相似消费者；消费者偏好的相似性相当于计算两个WCH的相似性。其主要包括两个方面，一是店铺消费的相似性，二是店铺类别消费的相似性。由于店铺数据的细粒度更细，所以店铺层面数据的权重更大，店铺类别的权重值低于店铺。在本申请中，店铺层面的相似性权重取2，店铺类别的相似性权重取1。在计算消费者消费店铺和消费店铺类别相似性时，使用的是两名消费者消费偏好向量的余弦相似度。针对单一消费者计算两两消费者之间的相似性，在推荐的时候，可单独取一名消费者计算其与剩余消费者的相似性。
根据所述相似消费者确定感兴趣店铺；通过相似的消费者计算对店铺的偏好，将所有相似消费者的消费店铺的偏好进行计算，权重为消费者的相似性。
将所述感兴趣店铺进行降序排序，得到目标店铺集合；
取所述目标店铺集合中设定排名的感兴趣店铺作为所述第一推荐集合。选择目标店铺集合中的前几名店铺进行推荐。
店铺转移概率矩阵的原理是基于轨迹数据生成店铺之间的转移矩阵，店铺之间的转移概率越大，说明两店铺的用户群体越相似。基于消费者游走轨迹计算消费者在不同店铺间的转移概率矩阵。更详细地，上述步骤104即根据消费者游走轨迹，计算消费者在店铺间的转移概率矩阵具体包括：
首先计算从某店铺到达其余店铺的客流量，形成一个列表，然后将该列表的值按照行进行归一化，得到转移概率的数值，其最终形式如下：
Figure BDA0002423908080000081
其中，Aij表示由店铺i去到店铺j的概率，故该数值位于[0,1]区间。在该矩阵中，每行的和为1，即
Figure BDA0002423908080000082
对消费者游走轨迹进行聚类，确定消费者对应类别。基于全部的消费者游走轨迹信息得到一个店铺之间的转移概率矩阵，该矩阵包含了所有消费者的信息，在应用至每一名消费者时往往难以得到较为准确的结果，为此需要将店铺之间的转移概率矩阵按照消费者类别进行细化。由于同一名消费者在不同时段的浏览轨迹也可能出现较大的差异，如周末到达商城，则其轨迹则大概率遍布商城的各个楼层，在工作日到达商城，则可能仅在少数的楼层进行消费。因此在划分消费者类别时，需以消费者的轨迹进行聚类，而非消费者自身。
根据消费者对应类别确定对应类别的店铺间的转移概率矩阵。在聚类后的每一个类别内单独建立店铺转移概率矩阵，以此反映此类消费者在店铺之间的转移概率。
其中，消费者游走轨迹实际为消费者在商城内的游走路径，是一店铺集合。消费者游走轨迹聚类是对序列进行聚类。为实现聚类，需要解决两个问题：一是如何排除轨迹长度较短的数据成为聚类中心，由于数据采集技术的问题，导致部分轨迹较短，不能准确代表轨迹数据；二是如何定义轨迹间的距离。
本实施例中选择k-medoids算法作为聚类算法，其中在选取聚类中心时做了部分限定，仅选择部分轨迹较长，起终点都在商城出入口的轨迹作为聚类中心。针对轨迹间距离的具体定义方法如下：
轨迹距离的计算包括两个问题，一是如何定义等长轨迹之间的距离，二是轨迹长度不同的两条轨迹如何计算距离。轨迹距离的具体计算步骤如下：
轨迹中的元素为店铺，假设轨迹α为[店铺A,店铺B,店铺D]，轨迹β为[店铺A,店铺M,店铺F]，本文中轨迹α和轨迹β的距离定义为对应元素的距离之和，即距离(α，β)＝距离(店铺A,店铺A)+距离(店铺B,店铺M)+距离(店铺D,店铺F)。
针对轨迹长度不等的距离计算，则采用滑动的方法进行计算。轨迹γ假设为[店铺K,店铺D]，则将轨迹γ的第一个位置数据分别与α的位置数据对应，计算轨迹距离，当α中的店铺A与γ中的店铺K对齐时，可以计算得到距离1＝距离(店铺A,店铺K)+距离(店铺B,店铺D)，当γ中的店铺K与α中的店铺B对齐时，可以计算得到距离2＝距离(店铺B,店铺K)+距离(店铺D,店铺D)，取两者中的最小值为两个不等长轨迹之间的距离。
店铺之间的距离定义为：由于数据库中记录了消费者进入相应店铺的时间节点，基于店铺转移之间的时间节点之差，可以计算消费者在两个店铺间的转移时间间隔，从而可以使用该时间间隔作为店铺距离的度量。由于在两个店铺之间存在多名消费者转移，所以在本文中选择使用转移时间间隔的中位数作为两个店铺之间距离的度量。同时店铺之间的转移往往具有对称性，从店铺A到店铺B的距离与从店铺B到店铺A的距离相等，故店铺距离预估矩阵为一个对称矩阵。
对消费者游走轨迹进行聚类，确定消费者对应类别的整个流程包括：
第一步：在消费者游走轨迹中确定可作为聚类中心的轨迹集合。根据轨迹的起点和终点是否源自于商城的出入口将轨迹数据集合D划分为Dm和Dp(两者的区别在于Dm中的轨迹可以作为聚类中心，而Dp中的轨迹由于仅被部分观测，不可作为聚类中心)。
第二步：确定初始聚类中心，在Dm中随机选取K条轨迹作为初始聚类中心；
第三步：计算轨迹集合中的非聚类中心轨迹与初始聚类中心的距离；在第n次迭代中，对于D中的任何一条非簇中心轨迹，计算其到各初始聚类中心的距离；
第四步：根据距离对非聚类中心轨迹进行类别划分，将第三步中的该轨迹划归到距离最近的类别内；
第五步：更新聚类中心，在各类别内同时属于Dm的轨迹中选择出到其他轨迹的距离之和最小的轨迹作为该类别的聚类中心；
重复上述第三步和第四步，直到前后两次聚类中心之间的距离变动小于所设定的阈值。
上述实施例详细介绍了线下应用场景的个性化推荐算法，采用融合轨迹信息的个性化推荐，在消费者历史消费记录较少时，仍可以基于店铺的转移概率矩阵实现个性化推荐；同时对线下商城中特有的轨迹数据实现轨迹聚类。
对应于本发明实施例提供的一种线下店铺推荐方法，本发明实施例还提供一种线下店铺推荐装置。请参见下文实施例。
图2是本发明一实施例提供的线下店铺推荐装置模块图。参见图2，一种线下店铺推荐装置，包括：
数据获取模块201，用于获取线下商城消费者的历史消费记录和消费者在商城游走的高噪时空帧频数据；
第一推荐集合确定模块202，用于根据历史消费记录，利用协同过滤算法得到第一推荐集合；
游走轨迹融合模块203，用于融合所述高噪时空帧频数据形成消费者游走轨迹；
转移概率矩阵计算模块204，用于根据消费者游走轨迹，计算消费者在店铺间的转移概率矩阵；
第二推荐集合确定模块205，用于根据转移概率矩阵和消费者当前位置得到第二推荐集合；消费者当前位置由消费者游走轨迹得到；
最终推荐集合计算模块206，用于将第一推荐集合和第二推荐集合合并，并结合预设距离半径计算得到最终推荐集合。
其中，第一推荐集合确定模块202具体包括：
评分矩阵构建单元，用于根据历史消费记录构建消费者店铺评分矩阵；
相似消费者确定单元，用于利用消费者店铺评分矩阵得到相似消费者；
感兴趣店铺确定单元，用于根据相似消费者确定感兴趣店铺；
目标店铺集合确定单元，用于将感兴趣店铺进行降序排序，得到目标店铺集合；
确定单元，用于取目标店铺集合中设定排名的感兴趣店铺作为第一推荐集合。
转移概率矩阵计算模块204具体包括：
聚类单元，用于对消费者游走轨迹进行聚类，确定消费者对应类别；
概率矩阵确定单元，用于根据消费者对应类别确定对应类别的店铺转移概率矩阵。
上述实施例中通过基于用户的协同过滤推荐算法得到第一推荐集合，通过店铺转移概率矩阵和消费者当前位置得到第二推荐集合，将二者合并，并结合预设距离半径得到所需的最终推荐集合。本实施例从消费者在商城游走的高噪时空帧频数据中挖掘消费者的消费偏好，能够以一种较低的推荐成本实现更为有效的个性化推荐。本实施例在基于用户的协同过滤推荐算法的基础上结合店铺转移概率矩阵及距离半径，能够有效提升预测效果。
为了更清楚地介绍实现本发明实施例的硬件系统，对应于本发明实施例提供的一种线下店铺推荐方法，本发明实施例还提供一种线下店铺推荐设备。请参见下文实施例。
图3是本发明一实施例提供的线下店铺推荐设备结构图。参见图3，一种线下店铺推荐设备，包括：
处理器301，以及与处理器301相连接的存储器302；
存储器302用于存储计算机程序，计算机程序至少用于执行上述的线下店铺推荐方法；
处理器301用于调用并执行存储器302中的计算机程序。
与此同时，本实施例中还提供一种存储介质，存储介质存储有计算机程序，计算机程序被处理器执行时，实现如上述的线下店铺推荐方法中各个步骤。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
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一定指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何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种线下店铺推荐方法，其特征在于，包括：
获取线下商城消费者的历史消费记录和消费者在商城游走的高噪时空帧频数据；
根据所述历史消费记录，利用协同过滤算法得到第一推荐集合；
融合所述高噪时空帧频数据形成消费者游走轨迹；
根据所述消费者游走轨迹，计算消费者在店铺间的转移概率矩阵；
根据所述转移概率矩阵和消费者当前位置得到第二推荐集合；所述消费者当前位置由所述消费者游走轨迹得到；
将所述第一推荐集合和所述第二推荐集合合并，并结合预设距离半径计算得到最终推荐集合。
2.根据权利要求1所述的线下店铺推荐方法，其特征在于，所述根据所述历史消费记录，利用协同过滤算法得到第一推荐集合，包括：
根据所述历史消费记录构建消费者店铺评分矩阵；
利用所述消费者店铺评分矩阵得到相似消费者；
根据所述相似消费者确定感兴趣店铺；
将所述感兴趣店铺进行降序排序，得到目标店铺集合；
取所述目标店铺集合中设定排名的感兴趣店铺作为所述第一推荐集合。
3.根据权利要求2所述的线下店铺推荐方法，其特征在于，所述根据所述历史消费记录构建消费者店铺评分矩阵，包括：
依据所述历史消费记录获取消费者对应的消费店铺信息；
针对所述消费店铺信息确定对应的店铺类型信息；
根据所述消费店铺信息和所述店铺类型信息构建所述消费者店铺评分矩阵。
4.根据权利要求1所述的线下店铺推荐方法，其特征在于，所述根据所述消费者游走轨迹，计算消费者在店铺间的转移概率矩阵包括：
对所述消费者游走轨迹进行聚类，确定消费者对应类别；
根据所述消费者对应类别确定对应类别的店铺间的转移概率矩阵。
5.根据权利要求4所述的线下店铺推荐方法，其特征在于，所述对所述消费者游走轨迹进行聚类，确定消费者对应类别包括：
在所述消费者游走轨迹中确定可作为聚类中心的轨迹集合；
在所述轨迹集合中随机选取设定数目条轨迹作为初始聚类中心；
计算所述轨迹集合中的非聚类中心轨迹与所述初始聚类中心的距离；
根据所述距离对所述非聚类中心轨迹进行类别划分；
对各类别进行聚类中心更新，得到消费者对应类别。
6.一种线下店铺推荐装置，其特征在于，包括：
数据获取模块，用于获取线下商城消费者的历史消费记录和消费者在商城游走的高噪时空帧频数据；
第一推荐集合确定模块，用于根据所述历史消费记录，利用协同过滤算法得到第一推荐集合；
游走轨迹融合模块，用于融合所述高噪时空帧频数据形成消费者游走轨迹；
转移概率矩阵计算模块，用于根据所述消费者游走轨迹，计算消费者在店铺间的转移概率矩阵；
第二推荐集合确定模块，用于根据所述转移概率矩阵和消费者当前位置得到第二推荐集合；所述消费者当前位置由所述消费者游走轨迹得到；
最终推荐集合计算模块，用于将所述第一推荐集合和所述第二推荐集合合并，并结合预设距离半径计算得到最终推荐集合。
7.根据权利要求6所述的线下店铺推荐装置，其特征在于，所述第一推荐集合确定模块，包括：
评分矩阵构建单元，用于根据所述历史消费记录构建消费者店铺评分矩阵；
相似消费者确定单元，用于利用所述消费者店铺评分矩阵得到相似消费者；
感兴趣店铺确定单元，用于根据所述相似消费者确定感兴趣店铺；
目标店铺集合确定单元，用于将所述感兴趣店铺进行降序排序，得到目标店铺集合；
确定单元，用于取所述目标店铺集合中设定排名的感兴趣店铺作为所述第一推荐集合。
8.根据权利要求6所述的线下店铺推荐装置，其特征在于，所述转移概率矩阵计算模块包括：
聚类单元，用于对所述消费者游走轨迹进行聚类，确定消费者对应类别；
概率矩阵确定单元，用于根据所述消费者对应类别确定对应类别的店铺间的转移概率矩阵。
9.一种线下店铺推荐设备，其特征在于，包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行权利要求1-5任一项所述的线下店铺推荐方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-5任一项所述的线下店铺推荐方法中各个步骤。
CN202010214402.7A 2020-03-24 2020-03-24 一种线下店铺推荐方法、装置、系统及存储介质 Pending CN111444439A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010214402.7A CN111444439A (zh) 2020-03-24 2020-03-24 一种线下店铺推荐方法、装置、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010214402.7A CN111444439A (zh) 2020-03-24 2020-03-24 一种线下店铺推荐方法、装置、系统及存储介质

Publications (1)

Publication Number Publication Date
CN111444439A true CN111444439A (zh) 2020-07-24

Family

ID=71650740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010214402.7A Pending CN111444439A (zh) 2020-03-24 2020-03-24 一种线下店铺推荐方法、装置、系统及存储介质

Country Status (1)

Country Link
CN (1) CN111444439A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108022150A (zh) * 2017-11-29 2018-05-11 金色家园网络科技有限公司 基于o2o数据的推荐方法和系统
CN108960912A (zh) * 2018-06-27 2018-12-07 北京京东金融科技控股有限公司 用于确定目标位置的方法和装置
CN109117981A (zh) * 2018-07-02 2019-01-01 扬州大学 基于抽样的有向图的单源链接预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108022150A (zh) * 2017-11-29 2018-05-11 金色家园网络科技有限公司 基于o2o数据的推荐方法和系统
CN108960912A (zh) * 2018-06-27 2018-12-07 北京京东金融科技控股有限公司 用于确定目标位置的方法和装置
CN109117981A (zh) * 2018-07-02 2019-01-01 扬州大学 基于抽样的有向图的单源链接预测方法

Similar Documents

Publication Publication Date Title
Guan et al. Matrix factorization with rating completion: An enhanced SVD model for collaborative filtering recommender systems
Phorasim et al. Movies recommendation system using collaborative filtering and k-means
Li et al. Using multidimensional clustering based collaborative filtering approach improving recommendation diversity
Bok et al. Social group recommendation based on dynamic profiles and collaborative filtering
CN104866530A (zh) 一种基于滑标评分的推荐系统及方法
CN107545471A (zh) 一种基于高斯混合的大数据智能推荐方法
Kashef Enhancing the role of large-scale recommendation systems in the IoT context
CN105718566A (zh) 一种智能音乐推荐系统
CN110532429A (zh) 一种基于聚类和关联规则的线上用户群体分类方法及装置
Chaturvedi et al. Recommender system for news articles using supervised learning
Cao et al. Integrating OWA and data mining for analyzing customers churn in E-commerce
CN108694234A (zh) 一种基于改进协同过滤算法的服务推荐模型
Jaafar et al. Home appliances recommendation system based on weather information using combined modified k-means and elbow algorithms
CN110020918B (zh) 一种推荐信息生成方法和系统
Kannikaklang et al. A hybrid recommender system for improving rating prediction of movie recommendation
Jia et al. Dynamic group recommendation algorithm based on member activity level
Mohamed et al. Sparsity and cold start recommendation system challenges solved by hybrid feedback
CN111444439A (zh) 一种线下店铺推荐方法、装置、系统及存储介质
Wu et al. Product adoption rate prediction in a competitive market
Xin et al. An approach to the mobile social services recommendation algorithm based on association rules mining
Singh et al. Optimizing approach of recommendation system using web usage mining and social media for E-commerce
Trihatmaja et al. Improving the performance of collaborative filtering using outlier labeling, clustering, and association rule mining
Shireesha et al. Movie recommended system by using collaborative filtering
Zhang et al. A users clustering algorithm for group recommendation
Zhang Design and Implementation of Sports Industry Information Service Management System Based on Data Mining

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: 20200724