CN111724183A - 一种商户推荐方法以及商户推荐系统 - Google Patents

一种商户推荐方法以及商户推荐系统 Download PDF

Info

Publication number
CN111724183A
CN111724183A CN201910212266.5A CN201910212266A CN111724183A CN 111724183 A CN111724183 A CN 111724183A CN 201910212266 A CN201910212266 A CN 201910212266A CN 111724183 A CN111724183 A CN 111724183A
Authority
CN
China
Prior art keywords
merchant
cardholder
merchants
time
preliminary
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
CN201910212266.5A
Other languages
English (en)
Inventor
俞跃
邵阔义
夏智
曹辉
王笑
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.)
China Unionpay Co Ltd
Original Assignee
China Unionpay 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 China Unionpay Co Ltd filed Critical China Unionpay Co Ltd
Priority to CN201910212266.5A priority Critical patent/CN111724183A/zh
Publication of CN111724183A publication Critical patent/CN111724183A/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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0261—Targeted advertisements based on user location
    • 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)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及商户推荐方法以及商户推荐系统。本发明的商户推荐方法，其特征在于，包括下述步骤：数据获得步骤，获得持卡人的历史消费行为数据；初步筛选步骤，根据所述持卡人的历史消费行为数据，利用协同过滤算法，按照持卡人的消费习惯的相似度筛选出初步推荐商户；以及深度筛选步骤，从所述初步推荐商户中，增加一个或者多个附加筛选条件进一步筛选出最终推荐商户。根据本发明，通过将基于商户的协同过滤算法的评分结果与用户标签、实时位置及时间信息相结合，能够使得评分结果更稳定、更有效，也能够考虑当前实时所消费商户的行业，不再推荐同类型商户，适合于实时推荐领域。

Description

一种商户推荐方法以及商户推荐系统
技术领域
本发明涉及计算机技术，具体地涉及一种精准度高的商户推荐方法以及商户推荐系统。
背景技术
随机计算机技术以及移动智能终端的不断扩大，也已经出现了利用用户的消费数据进行针对移动终端用户或者银行卡支付用户的商户个性化推荐。已经提出的商户个性化推荐方法中，经常采用的是利用协同算法进行商户推荐。协同算法的核心主要是分析用户兴趣所在，在用户区中找到该用户的相似用户，综合这些相似用户对某一信息的评价，形成该用户对此信息的喜好程度，据此向用户进行推荐。
如专利申请CN107169052A所公开的一种推荐方法以及装置中，用时间因子对协同过滤算法结果进行修正，主要是因为距“上次用户去某类商户的时长”会影响“本次用户去该类商户”的边际效用，时长越短本次效用越低。
在该专利申请中，主要依赖协同过滤算法的结果评分作为推荐结果，没有考虑到用户特征，如人口属性、消费偏好、兴趣爱好。而且，将时间“上次用户去某类商户的时长”作为协同过滤算法的修正因子，不适合用作实时推荐场景。
发明内容
鉴于上述问题，本发明旨在提出一种推荐准确度高并且适合于实时推荐的商户推荐方法以及商户推荐系统。
本发明的商户推荐方法，其特征在于，包括下述步骤：
数据获得步骤，获得持卡人的历史消费行为数据；
初步筛选步骤，根据所述持卡人的历史消费行为数据，利用协同过滤算法，按照持卡人的消费习惯的相似度筛选出初步推荐商户；以及
深度筛选步骤，从所述初步推荐商户中，增加一个或者多个附加筛选条件进一步筛选出最终推荐商户。
可选地，作为所述附加筛选条件，包括以下的一项或者多项：
持卡人标签、当前位置、时间信息以及商户行业类别。
可选地，作为持卡人标签包括以下的一项或者多项：
地域属性标签、交易状态标签、消费偏标签、人口属性标签、个人兴趣标签。
可选地，基于所述持卡人的历史消费行为数据以及/或者所述持卡人的用户信息计算得到持卡人标签。
可选地，所述深度筛选步骤包括：
基于所述持卡人的历史消费行为数据以及/或者所述持卡人的用户信息计算得到持卡人标签；
获取持卡人当前行为发生的实时位置以及获取当前时间；
获取持卡人当前行为发生的商户的行业类别；以及
从所述初步推荐商户中，结合持卡人标签、当前实时位置以及当前时间，推荐与持卡人当前行为发生的商户的行业类别不同的商户。
可选地，所述初步筛选步骤包括：
按照下式计算商户i和j的相似度：
Figure BDA0002000896340000021
其中，|N(i)|表示喜欢商户i的持卡人数，|N(i)∩N(j)|表示是同时喜欢商户i和商户j的持卡人数，商户i是指持卡人u已产生交易行为的商户，商户j是指持卡人未产生交易行为的商户；以及
按照下式计算持卡人u对未产生行为的商户j的初步协同过滤评分Puj，并且基于初步协同过滤评分Puj筛选出初步推荐商户：
Figure BDA0002000896340000031
其中，N(u)是用户喜欢的商户集合，S(j,K)是和商户j最相似的K个商户的集合，wij是商户j和i的相似度，rui是用户u对商户i的兴趣评分，例如以用户u在商户i的交易笔数表示，交易笔数越多表示兴趣越大。
可选地，在所述深度筛选步骤中，按照下式计算最终协同过滤评分P* uj，并基于所述最终协同过滤评分P* uj筛选出最终推荐商户：
Figure BDA0002000896340000032
其中，Puj为初步协同过滤评分，Dist为持卡人与商户当前的实时距离，In为持卡人标签数据，Mp为当商户类型为餐饮商户的情况下当前时间是否处于用餐时间，MCC表示是否与持卡人当前消费的商户的行业类别不同。
本发明的商户推荐系统，其特征在于，具备：
数据获得模块，用于获得并存储持卡人的历史消费行为数据；
初步筛选模块，用于根据所述持卡人的历史消费行为数据，利用协同过滤算法，按照持卡人的消费习惯的相似度筛选出初步推荐商户；以及
深度筛选模块，用于从所述初步推荐商户中通过增加一个或者多个附加筛选条件进一步筛选出最终推荐商户。
可选地，作为所述附加筛选条件，包括以下的一项或者多项：
持卡人标签、当前位置、时间信息以及商户行业类别。
可选地，作为所述持卡人标签包括以下的一项或者多项：
地域属性标签、交易状态标签、消费偏标签、人口属性标签、个人兴趣标签。
可选地，基于所述持卡人的历史消费行为数据以及/或者所述持卡人的用户信息计算得到持卡人标签。
可选地，所述深度筛选模块具备：
持卡人标签子模块，基于所述持卡人的历史消费行为数据以及/或者所述持卡人的用户信息计算得到持卡人标签并且为持卡人打上标签；
位置获取子模块，用于获取持卡人当前行为发生的实时位置；
时间获取子模块，用于获取当前时间；
商户行业获取子模块，用于获取持卡人当前行为发生的商户的行业类别；以及
深度推荐子模块，用于结合持卡人标签、当前实时位置以及当前时间，从所述初步推荐商户中，推荐与持卡人当前行为发生的商户的行业类别不同的商户。
可选地，所述初步筛选模块包括：
相似度计算子模块，用于按照下式计算商户i和j的相似度：
Figure BDA0002000896340000041
其中，|N(i)|表示喜欢商户i的持卡人数，|N(i)∩N(j)|表示是同时喜欢商户i和商户j的持卡人数，商户i是指持卡人已产生行为的商户，商户j是指持卡人未产生行为的商户；以及
初步推荐子模块，用于按照下式计算持卡人u对未产生行为的商户j的初步协同过滤评分Puj，并且基于初步协同过滤评分Puj筛选出初步推荐商户：
Figure BDA0002000896340000042
其中，N(u)是用户喜欢的商户集合，S(j,K)是和商户j最相似的K个商户的集合，wij是商户j和i的相似度，rui是用户u对商户i的兴趣评分，例如以用户u在商户i的交易笔数表示，交易笔数越多表示兴趣越大。
可选地，所述深度推荐子模块按照下式计算最终协同过滤评分P* uj，并基于所述最终协同过滤评分P* uj筛选出最终推荐商户：
Figure BDA0002000896340000051
其中，Puj为初步协同过滤评分，Dist为持卡人与商户当前的实时距离，In为持卡人标签数据，Mp为当商户类型为餐饮商户的情况下当前时间是否处于用餐时间，MCC表示是否与持卡人当前消费的商户的行业类别不同。
本发明的计算机可读介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述的商户推荐方法。
本发明的计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述的商户推荐方法。
如上所述，利用本发明的商户推荐方法以及商户推荐系统，能够将基于商户的协同过滤算法的评分结果与用户标签、实时位置及时间信息相结合，能够使得在考虑当前时间和位置的基础上，考虑到用户的个人兴趣偏好(即利用用户标签)，能够更精准地进行用户推荐。
通过纳入本文的附图以及随后与附图一起用于说明本发明的某些原理的具体实施方式，本发明的方法和装置所具有的其它特征和优点将更为具体地变得清楚或得以阐明。
附图说明
图1是表示本发明的商户推荐方法的概要流程图。
图2中表示了基于商户的协同过滤算法推荐的示意图。
图3是表示表示持卡人标签的是一个示例。
图4表示该持卡人一个月的具体交易行为。
图5表示与该持卡人消费过的商户最相似的商户的列表。
图6表示持卡人C的标签。
图7中表示了深度筛选步骤推荐的商户的示例。
图8是表示本发明的商户推荐系统的结构框图。
具体实施方式
下面介绍的是本发明的多个实施例中的一些，旨在提供对本发明的基本了解。并不旨在确认本发明的关键或决定性的要素或限定所要保护的范围。
本发明的商户推荐方法以及商户推荐系统主要基于协同过滤算法，利用持卡人的历史消费行为，向持卡人推荐那些和他们之前经常消费的商户相似的商户。
在线上商品的精准推荐领域，协同过滤是一种常用的算法，本发明的商户推荐方法以及商户推荐系统的技术构思是：首先，将线下实体商户类比于线上单个商品，筛选出持卡人可能响应推荐的商户；然后，结合持卡人的个性化标签以及当前持卡人实时的位置、时间、当前实时消费商户行业信息，进一步筛选商户，从而向持卡人推荐最可能响应的商户。
图1是表示本发明的商户推荐方法的流程示意图。
如图1所示，本发明的商户推荐方法包括下述步骤：
数据获得步骤S100，获得持卡人的历史消费行为数据；
初步筛选步骤S200，根据所述持卡人的历史消费行为数据，利用协同过滤算法，按照持卡人的消费习惯的相似度筛选出初步推荐商户；以及
深度筛选步骤S300，从所述初步推荐商户中，增加一个或者多个附加筛选条件进一步筛选出最终推荐商户。
以下，具体说明这些步骤。
(1)数据获得步骤S100例如可以取出持卡人地区的交易数据，并获取该持卡人的规定时间段内的历史消费行为数据。
(2)初步筛选步骤S200在初步筛选步骤S200中通过协同过滤算法筛选初步商户。
图2中表示了基于商户的协同过滤算法推荐的示意图。
基于商户的协同过滤算法其最大的特点是向每个持卡人推荐的商户都是个性化的，该方法有两个核心思想：①给持卡人推荐那些和他们之前经常消费的商户相似的商户；②如图2所示，商户A和商户C具有很大的相似度，是因为经常在商户A消费的持卡人大都也经常在商户C消费。
初步筛选步骤S200的具体内容如下：
商户i和商户j具有很大的相似度是因为喜欢商户i的持卡人大都也喜欢商户j。这里蕴含一个假设，就是每个持卡人的兴趣都局限在某几个方面，因此如果两个商户属于同一个持卡人的兴趣列表，那么这两个商户可能就属于有限的几个领域。而如果两个商户同时出现在很多持卡人的兴趣列表，那么它们可能就属于同一领域，因而具有很大的相似度。
从上述概念出发，定义商户i和j的相似度：
Figure BDA0002000896340000071
其中，|N(i)|是喜欢商户i的持卡人数，|N(i)∩N(j)|是同时喜欢商户i和商户j的持卡人数。分母是惩罚商户i和j的权重，因此惩罚了热门商户和很多商户相似的可能性。
在得到商户相似度之后，在通过以下公式计算持卡人u对未产生交易行为的商户j的感兴趣程度。
Figure BDA0002000896340000072
这里的N(u)是用户喜欢的商户集合，S(j,K)是和商户j最相似的K个商户的集合，wij是商户j和i的相似度，rui是用户u对商户i的兴趣评分，例如兴趣评分可以是以用户u在商户i的交易笔数表示，交易笔数越多表示兴趣越大。
(3)深度筛选步骤S300在初步筛选步骤S200中已经筛选出了部分无论兴趣大小，至少是持卡人可能感兴趣的商户。在初步筛选步骤S200中筛选出的这些商户中，增加一个或者多个附加筛选条件进一步筛选出最终推荐商户。
作为一个示例，将筛选出的商户与持卡人标签及当前位置及时间信息结合。具体包括：
基于所述持卡人的历史消费行为数据以及/或者所述持卡人的用户信息计算得到持卡人标签；
获取持卡人当前行为发生的实时位置以及获取当前时间；获取持卡人当前行为发生的商户的行业类别；以及
从所述初步推荐商户中，结合持卡人标签、当前实时位置以及当前时间，推荐与持卡人当前行为发生的商户的行业类别不同的商户。
这里，作为持卡人标签，例如可以包括人口属性、地域属性、交易状态、消费偏好、个人兴趣等信息。
图3是表示表示持卡人标签的是一个示例。在图3中把所有标签作为基础标签，其中又进一步分类为直接标签、挖掘标签以及其他标签。直接标签是指可以根据数据直接得到的标签，例如地域属性、交易状态、消费偏好等。挖掘标签是指经过数据挖掘得到的标签，例如人口属性。其他标签例如包括个人兴趣。
从所述初步推荐商户中，结合持卡人标签、当前实时位置(例如距离当前实时位置规定距离以内)以及当前时间(例如是否是用餐时间，如11:00-13:00,17:00-19:00)以及商户行业类别进行推荐，以推荐与持卡人当前行为发生的商户不同行业类别的商户。
作为一个示例，按照下式计算最终协同过滤评分P* uj，并基于所述最终协同过滤评分P* uj筛选出最终推荐商户：
Figure BDA0002000896340000081
其中，Puj为初步协同过滤评分，Dist为持卡人与商户当前的实时距离(如果大于规定距离则即为0)，In为持卡人标签数据，Mp为当商户类型为餐饮商户的情况下当前时间是否处于用餐时间，MCC表示是否与持卡人当前消费的商户的行业类别不同。
根据本发明的商户推荐方法，由于将基于商户的协同过滤算法的评分结果与用户标签、实时位置及时间信息相结合，评分结果更稳定、更有效和精准，且考虑当前实时所消费商户的行业，不再推荐同类型商户，适合于实时推荐领域。
而且，对于本发明的商户推荐方法，只需去掉当前时间、实时位置、及当前同类型商户信息，可将该方法变形为适合用于非实时的推荐。
以上对于本发明的商户推荐方法进行说明。接着，对于本发明的商户推荐方法的一个具体实施方式进行说明。
以上海持卡人C为例，说明本发明的商户推荐方法的一个具体实施方式。
(1)数据获得步骤
首先从持卡人C的发卡方或者第三方数据库中将所有上海地区银行卡交易数据取出，查看该持卡人近一月交易行为，具体如图4所示。
图4表示该持卡人一个月的具体交易行为。可以看出持卡人C平时主要在黄浦区活动，可能是他的工作或者生活区域。
(2)初步筛选步骤
根据持卡人C的图4所示的历史消费行为数据，利用协同过滤算法，按照持卡人C的消费习惯的相似度筛选出与该持卡人消费过的商户最相似的商户如下图5所示，并将这些商户作为初步推荐商户。
图5表示与该持卡人消费过的商户最相似的商户的列表。其中，图5中的列表中表示了商户号、商户名和初步协同过滤评分，可以以初步协同过滤评分推荐商户。
(3)深度筛选步骤
首先，基于持卡人C的历史消费行为数据(如图4所示)以及/或者持卡人C的用户信息(例如年龄、性别、婚姻状态、居住地区等)计算得到持卡人标签，为持卡人C打上标签图6所示的标签。图6表示持卡人C的标签。
而且，获取持卡人C当前行为发生的实时位置，并且获取当前时间，而且，也获取持卡人C当前行为发生的商户的行业类别。
然后，结合持卡人C的标签、持卡人C当前实时位置以及当前时间，从上述的初步推荐商户中，推荐与持卡人C当前行为发生的商户的行业类别不同的商户。
图7中表示了深度筛选步骤推荐的商户的示例。如图7所示，当持卡人C在东方航空营业部消费时，因为居有标签“百货达人”，因此向其推送地理位置就在其旁边1KM内的黄浦百货，如果当时是用餐时间则优先向其推送黄埔焖鲜汇餐饮，如果与当前消费商户行业相同则不推荐。
以上对于本发明的商户推荐方法进行了说明。接着，对于本发明的商户推荐系统进行说明。
图8是表示本发明的商户推荐系统的结构框图。
如图8所示，本发明的商户推荐系统具备：
数据获得模块100，用于获得并存储持卡人的历史消费行为数据；
初步筛选模块200，用于根据所述持卡人的历史消费行为数据，利用协同过滤算法，按照持卡人的消费习惯的相似度筛选出初步推荐商户；以及
深度筛选模块300，用于从所述初步推荐商户中通过增加一个或者多个附加筛选条件进一步筛选出最终推荐商户。
作为示例，作为所述附加筛选条件，包括以下的一项或者多项：持卡人标签、当前位置、时间信息以及商户行业类别等。其中，作为所述持卡人标签包括以下的一项或者多项：地域属性标签、交易状态标签、消费偏标签、人口属性标签、个人兴趣标签等。一般情况下，能够基于所述持卡人的历史消费行为数据以及/或者所述持卡人的用户信息计算得到持卡人标签。
其中，深度筛选模块300具备：
持卡人标签子模块310，基于所述持卡人的历史消费行为数据以及/或者所述持卡人的用户信息计算得到持卡人标签并且为持卡人打上标签；
位置获取子模块320，用于获取持卡人当前行为发生的实时位置；
时间获取子模块330，用于获取当前时间；
商户行业获取子模块340，用于获取持卡人当前行为发生的商户的行业类别；以及
深度推荐子模块350，用于结合持卡人标签、当前实时位置以及当前时间，从所述初步推荐商户中，推荐与持卡人当前行为发生的商户的行业类别不同的商户。
其中，初步筛选模块200包括：
相似度计算子模块210，用于按照下式计算商户i和j的相似度：
Figure BDA0002000896340000111
其中，|N(i)|表示喜欢商户i的持卡人数，|N(i)∩N(j)|表示是同时喜欢商户i和商户j的持卡人数，商户i是指持卡人已产生交易行为的商户，商户j是指持卡人未产生交易行为的商户；以及
初步推荐子模块220，用于按照下式计算持卡人u对未产生行为的商户j的初步协同过滤评分Puj，并且基于初步协同过滤评分Puj筛选出初步推荐商户：
Figure BDA0002000896340000112
其中，N(u)是用户喜欢的商户集合，S(j,K)是和商户j最相似的K个商户的集合，wij是商户j和i的相似度，rui是用户u对商户i的兴趣评分，例如兴趣评分可以是以用户u在商户i的交易笔数表示，交易笔数越多表示兴趣越大。
这样，深度推荐子模块350则按照下式计算最终协同过滤评分P* uj，并基于所述最终协同过滤评分P* uj筛选出最终推荐商户：
Figure BDA0002000896340000113
其中，Puj为初步协同过滤评分，Dist为持卡人与商户当前的实时距离，In为持卡人标签数据，Mp为当商户类型为餐饮商户的情况下当前时间是否处于用餐时间，MCC表示是否与持卡人当前消费的商户的行业类别不同。
本发明还提供一种计算机可读介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述的商户推荐方法。
本发明还提供一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时上述的商户推荐方法。
如上所述，利用本发明的商户推荐方法以及商户推荐系统，能够将基于商户的协同过滤算法的评分结果与用户标签、实时位置及时间信息相结合，能够使得在考虑当前时间和位置的基础上，考虑到用户的个人兴趣偏好(即利用用户标签)，能够更精准地进行用户推荐。
以上例子主要说明了本发明的商户推荐方法以及商户推荐系统。尽管只对其中一些本发明的具体实施方式进行了描述，但是本领域普通技术人员应当了解，本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此，所展示的例子与实施方式被视为示意性的而非限制性的，在不脱离如所附各权利要求所定义的本发明精神及范围的情况下，本发明可能涵盖各种的修改与替换。

Claims (16)

1.一种商户推荐方法，其特征在于，包括下述步骤：
数据获得步骤，获得持卡人的历史消费行为数据；
初步筛选步骤，根据所述持卡人的历史消费行为数据，利用协同过滤算法，按照持卡人的消费习惯的相似度筛选出初步推荐商户；以及
深度筛选步骤，从所述初步推荐商户中，增加一个或者多个附加筛选条件进一步筛选出最终推荐商户。
2.如权利要求1所述的商户推荐方法，其特征在于，
作为所述附加筛选条件，包括以下的一项或者多项：
持卡人标签、当前位置、时间信息以及商户行业类别。
3.如权利要求2所述的商户推荐方法，其特征在于，
作为持卡人标签包括以下的一项或者多项：
地域属性标签、交易状态标签、消费偏标签、人口属性标签、个人兴趣标签。
4.如权利要求2所述的商户推荐方法，其特征在于，
基于所述持卡人的历史消费行为数据以及/或者所述持卡人的用户信息计算得到持卡人标签。
5.如权利要求2所述的商户推荐方法，其特征在于，所述深度筛选步骤包括：
基于所述持卡人的历史消费行为数据以及/或者所述持卡人的用户信息计算得到持卡人标签；
获取持卡人当前行为发生的实时位置以及获取当前时间；
获取持卡人当前行为发生的商户的行业类别；以及
从所述初步推荐商户中，结合持卡人标签、当前实时位置以及当前时间，推荐与持卡人当前行为发生的商户的行业类别不同的商户。
6.如权利要求5所述的商户推荐方法，其特征在于，所述初步筛选步骤包括：
按照下式计算商户i和j的相似度：
Figure FDA0002000896330000021
其中，|N(i)|表示喜欢商户i的持卡人数，|N(i)∩N(j)|表示是同时喜欢商户i和商户j的持卡人数，
其中，商户i是指持卡人u已有过交易行为的商户，商户j是指持卡人未有过交易行为的商户；以及
按照下式计算持卡人u对未产生交易行为的商户j的初步协同过滤评分Puj，并且基于初步协同过滤评分Puj筛选出初步推荐商户：
Figure FDA0002000896330000022
其中，N(u)是用户喜欢的商户集合，S(j,K)是和商户j最相似的K个商户的集合，Wij是商户j和i的相似度，rui是用户u对商户i的兴趣评分。
7.如权利要求6所述的商户推荐方法，其特征在于，
在所述深度筛选步骤中，按照下式计算最终协同过滤评分P* uj，并基于所述最终协同过滤评分P* uj筛选出最终推荐商户：
Figure FDA0002000896330000023
其中，Puj为初步协同过滤评分，Dist为持卡人与商户当前的实时距离，In为持卡人标签数据，Mp为当商户类型为餐饮商户的情况下当前时间是否处于用餐时间，MCC表示是否与持卡人当前消费的商户的行业类别不同。
8.一种商户推荐系统，其特征在于，具备：
数据获得模块，用于获得并存储持卡人的历史消费行为数据；
初步筛选模块，用于根据所述持卡人的历史消费行为数据，利用协同过滤算法，按照持卡人的消费习惯的相似度筛选出初步推荐商户；以及
深度筛选模块，用于从所述初步推荐商户中通过增加一个或者多个附加筛选条件进一步筛选出最终推荐商户。
9.如权利要求8所述的商户推荐系统，其特征在于，
作为所述附加筛选条件，包括以下的一项或者多项：
持卡人标签、当前位置、时间信息以及商户行业类别。
10.如权利要求9所述的商户推荐系统，其特征在于，
作为所述持卡人标签包括以下的一项或者多项：
地域属性标签、交易状态标签、消费偏标签、人口属性标签、个人兴趣标签。
11.如权利要求9所述的商户推荐系统，其特征在于，
基于所述持卡人的历史消费行为数据以及/或者所述持卡人的用户信息计算得到持卡人标签。
12.如权利要求8所述的商户推荐系统，其特征在于，所述深度筛选模块具备：
持卡人标签子模块，基于所述持卡人的历史消费行为数据以及/或者所述持卡人的用户信息计算得到持卡人标签并且为持卡人打上标签；
位置获取子模块，用于获取持卡人当前行为发生的实时位置；
时间获取子模块，用于获取当前时间；
商户行业获取子模块，用于获取持卡人当前行为发生的商户的行业类别；以及
深度推荐子模块，用于结合持卡人标签、当前实时位置以及当前时间，从所述初步推荐商户中，推荐与持卡人当前行为发生的商户的行业类别不同的商户。
13.如权利要求12所述的商户推荐系统，其特征在于，所述初步筛选模块包括：
相似度计算子模块，用于按照下式计算商户i和j的相似度：
Figure FDA0002000896330000031
其中，|N(i)|表示喜欢商户i的持卡人数，|N(i)∩N(j)|表示是同时喜欢商户i和商户j的持卡人数，商户i是指持卡人u已产生交易行为的商户，商户j是指持卡人u未产生交易行为的商户；以及
初步推荐子模块，用于按照下式计算持卡人u对未产生交易行为的商户j的初步协同过滤评分Puj，并且基于初步协同过滤评分Puj筛选出初步推荐商户：
Figure FDA0002000896330000041
其中，N(u)是用户喜欢的商户集合，S(j,K)是和商户j最相似的K个商户的集合，Wij是商户j和i的相似度，rui是用户u对商户i的兴趣评分。
14.如权利要求13所述的商户推荐系统，其特征在于，
所述深度推荐子模块按照下式计算最终协同过滤评分P* uj，并基于所述最终协同过滤评分P* uj筛选出最终推荐商户：
Figure FDA0002000896330000042
其中，Puj为初步协同过滤评分，Dist为持卡人与商户当前的实时距离，In为持卡人标签数据，Mp为当商户类型为餐饮商户的情况下当前时间是否处于用餐时间，MCC表示是否与持卡人当前消费的商户的行业类别不同。
15.一种计算机可读介质，其上存储有计算机程序，其特征在于，
该计算机程序被处理器执行时实现权利要求1～8任意一项所述的商户推荐方法。
16.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1～8任意一项所述的商户推荐方法。
CN201910212266.5A 2019-03-20 2019-03-20 一种商户推荐方法以及商户推荐系统 Pending CN111724183A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910212266.5A CN111724183A (zh) 2019-03-20 2019-03-20 一种商户推荐方法以及商户推荐系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910212266.5A CN111724183A (zh) 2019-03-20 2019-03-20 一种商户推荐方法以及商户推荐系统

Publications (1)

Publication Number Publication Date
CN111724183A true CN111724183A (zh) 2020-09-29

Family

ID=72562498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910212266.5A Pending CN111724183A (zh) 2019-03-20 2019-03-20 一种商户推荐方法以及商户推荐系统

Country Status (1)

Country Link
CN (1) CN111724183A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581230A (zh) * 2020-12-24 2021-03-30 安徽航天信息科技有限公司 一种商品推荐方法及装置
CN112632390A (zh) * 2020-12-29 2021-04-09 北京鸿享技术服务有限公司 基于标签的信息推荐方法、装置、设备及存储介质
CN112685651A (zh) * 2021-01-29 2021-04-20 湖南安蓉科技有限公司 基于多目标属性的最近邻搜索的服务推荐方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105302880A (zh) * 2015-10-14 2016-02-03 合一网络技术(北京)有限公司 内容关联推荐方法及装置
CN106254525A (zh) * 2016-09-12 2016-12-21 中国银联股份有限公司 一种信息推送方法和系统
CN106408377A (zh) * 2016-08-31 2017-02-15 广东华邦云计算股份有限公司 购物推荐方法及系统
CN107025578A (zh) * 2017-04-13 2017-08-08 上海艾德韦宣股份有限公司 一种大数据智能营销系统及营销方法
CN107507016A (zh) * 2017-06-29 2017-12-22 北京三快在线科技有限公司 一种消息推送方法和系统
CN107562818A (zh) * 2017-08-16 2018-01-09 中国工商银行股份有限公司 信息推荐系统及方法
CN108154425A (zh) * 2018-01-19 2018-06-12 广州天源信息科技股份有限公司 一种结合社会网络和位置的线下商户推荐方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105302880A (zh) * 2015-10-14 2016-02-03 合一网络技术(北京)有限公司 内容关联推荐方法及装置
CN106408377A (zh) * 2016-08-31 2017-02-15 广东华邦云计算股份有限公司 购物推荐方法及系统
CN106254525A (zh) * 2016-09-12 2016-12-21 中国银联股份有限公司 一种信息推送方法和系统
CN107025578A (zh) * 2017-04-13 2017-08-08 上海艾德韦宣股份有限公司 一种大数据智能营销系统及营销方法
CN107507016A (zh) * 2017-06-29 2017-12-22 北京三快在线科技有限公司 一种消息推送方法和系统
CN107562818A (zh) * 2017-08-16 2018-01-09 中国工商银行股份有限公司 信息推荐系统及方法
CN108154425A (zh) * 2018-01-19 2018-06-12 广州天源信息科技股份有限公司 一种结合社会网络和位置的线下商户推荐方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581230A (zh) * 2020-12-24 2021-03-30 安徽航天信息科技有限公司 一种商品推荐方法及装置
CN112632390A (zh) * 2020-12-29 2021-04-09 北京鸿享技术服务有限公司 基于标签的信息推荐方法、装置、设备及存储介质
CN112685651A (zh) * 2021-01-29 2021-04-20 湖南安蓉科技有限公司 基于多目标属性的最近邻搜索的服务推荐方法
CN112685651B (zh) * 2021-01-29 2021-10-19 湖南安蓉科技有限公司 基于多目标属性的最近邻搜索的服务推荐方法

Similar Documents

Publication Publication Date Title
Jooa et al. Implementation of a recommendation system using association rules and collaborative filtering
WO2020001106A1 (zh) 分类模型的训练方法、店铺分类的方法及装置
US8341101B1 (en) Determining relationships between data items and individuals, and dynamically calculating a metric score based on groups of characteristics
CN109542916A (zh) 平台商品入驻方法、装置、计算机设备及存储介质
Tinggi et al. Customers? Confidence and trust towards privacy policy: a conceptual research of hotel revenue management
TWI709927B (zh) 目標用戶群體的確定方法及裝置
CN110313009A (zh) 学习实体的信任模型和风险容忍度来计算风险得分
CN109711955B (zh) 基于当前订单的差评预警方法、系统、黑名单库建立方法
CN108416614A (zh) 虚拟物品的发送方法、装置、电子设备及存储介质
CN111724183A (zh) 一种商户推荐方法以及商户推荐系统
CN109816134B (zh) 收货地址预测方法、装置以及存储介质
US20210035196A1 (en) Method and system for identifying, tracking, and predicting the location of moving merchants
CN108628866A (zh) 数据融合的方法和装置
CN112800210B (zh) 基于海量公交数据的人群画像算法
CN115186099A (zh) 一种基于多维度构建知识图谱的对公营销方法和系统
CN111465953B (zh) 基于交易分类账的账户间社会关系导出装置及方法
CN112633889A (zh) 一种企业基因测序系统及方法
CN109345201A (zh) 人力资源管理方法、装置、电子设备及存储介质
CN104751234B (zh) 一种用户资产的预测方法及装置
US20150324822A1 (en) Predicting transient population based on payment card usage
US20220312150A1 (en) Estimation system, estimation method, and information storage medium
Stormer Improving e-commerce recommender systems by the identification of seasonal products
CN108153785A (zh) 生成展示信息的方法和装置
KR102417698B1 (ko) 금융상품 정보 수집 플랫폼 시스템, 금융상품 정보 수집 방법 및 이를 위한 컴퓨터 프로그램
US20150161743A1 (en) System and method for automatically classifying transaction information

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