CN112015998B - 一种基于用户画像的商品推荐方法 - Google Patents

Abstract

本发明公开了一种基于用户画像的商品推荐方法，包括：通过大数据采集，获取商品信息和网红信息；通过所述网红信息，对所述商品信息和用户信息进行聚类，通过人工和智能算法结合，生成用户画像和商品特征；所述用户信息为网红喜爱者的信息；对所述用户画像和商品特征进行记录，并且通过持续采集和聚类所述商品信息和用户信息，增加样本，扩大所述用户画像和商品特征的数量；通过权重算法匹配所述用户画像和所述商品特征重合度，建立并保存所述用户画像和所述商品特征的关联关系拓扑；依据所述用户画像，根据所述关联关系拓扑定位到所述商品信息对应的商品；经过人工审核后，推送给网红或者商家进行双向筛选。

Description

一种基于用户画像的商品推荐方法

技术领域

本发明涉及电子商务开发领域，特别涉及一种基于用户画像的商品推荐方法。

背景技术

随着互联网网红文化盛行和直播带货行业的兴起，大量传统商家和自媒体网红进入这个行业。但是不同的网红网红有不同的用户群体，不同的商家商品又有不同的目标客户，每一次商品和网红的匹配并最终上播，都是一次风险巨大的试错行为，网红可能因为不合适的选品而丢失人气，商家也可能因为不合适的合作而产生损失。

为解决网红和商品的匹配难题，本系统会网罗全网各大kol网红，和全网商品信息，对商品和网红的标签建模，依赖网红用户画像的构成，推荐适合网红带货的商品。

数据采集部门会通过直播和短视频平台，抓取网红的个人标签和用户画像信息，同时抓取各大电商平台的商品信息和商品销售信息，并为抓取到的数据生成标签和画像，通过标签和画像的相似度匹配来推荐网红带货的商品。

现有技术通过抓取网红带货的商品销售情况，以商品类目，店铺，品牌和销售量来寻找类似商品。

CN106934689A公开了一种基于即时通讯聊天室的商品推送系统及方法,旨在提供一种及时便捷的为用户推送需要的商品信息的商品推送系统及方法,解决了商品信息交互不及时的问题,其技术方案要点是通过第一客户端、服务器、第二客户端之间的通信方式,可以有效对商品信息进行推送,提高用户和主播之间的信息交互。

CN108876644A实施例提供一种基于社交网络的相似账号计算方法及装置，本发明的实施例通过基于用户的协同过滤的方法，计算社交网络上用户(账号)相似度。该方法以用户的用户数据和用户关注数据作为用户的特征构建/定义用户的用户特征向量和关注特征向量，以两个账号之间用户特征向量的余弦值作为其用户相似性的度量，以两个账号之间关注特征向量的余弦值作为其关注相似性的度量，分别计算用户的用户相似度和关注相似度，再根据该用户相似度和该关注相似度获得用户相似度。该技术方案通过大数据处理方式分析社交网络中的关注数据，充分利用了社交网络中的结构化数据，有助于扩充用户特征。

CN110781376A提供了一种信息推荐方法、装置、设备及存储介质，其中，方法包括：获取终端上预设时间段内的操作数据；对所述操作数据进行语义分析处理，得到与所述操作数据对应的关键信息；对所述关键信息进行分类，得到与所述操作数据对应的标签；根据所述标签确定对应的推荐信息，并将所述推荐信息推荐给所述终端。通过本申请，能够准确刻画用户画像，为用户推荐更有价值的推荐信息。

CN110996110A提供了一种直播过程中的商品调整方法和装置，涉及直播营销技术领域，通过获得第一直播电商平台中第一商品的第一购买情况；根据所述第一购买情况，确定目标用户画像；根据所述目标用户画像，确定第一购买喜好；根据所述第一购买喜好，确定第二商品；判断所述第二商品是否满足第一预设条件；当不满足所述第一预设条件时，将所述第二商品列入第一直播目录中，从而解决了现有技术中直播商品一般都是固定进行推送和选择的，无法根据直播销售的情况，实时调整商品策略，从而影响用户的直播购物体验的技术问题，达到了能够根据直播销售的情况，实时调整商品策略，大大提高了用户的购买欲和直播购物体验的技术效果。

上述方法中，只能针对网红已经带过货，且有较好成绩的商品去寻找竞品，一方面在单一门类和小众品牌下，竞品可选范围少，另一方面网红想寻求更多跨界尝试无法给出方案，商家也只能一直在同类目的固定范围内筛选合作网红，有局限性。

发明内容

本发明实施例提供了一种基于用户画像的商品推荐方法。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

根据本发明实施例，提供了一种基于用户画像的商品推荐方法，包括，

S1：通过大数据采集，获取商品信息和网红信息；

S2：通过所述网红信息，对所述商品信息和用户信息进行聚类，通过人工和智能算法结合，生成用户画像和商品特征；所述用户信息为网红喜爱者的信息；

S3：对所述用户画像和商品特征进行记录，并且通过持续采集和聚类所述商品信息和用户信息，增加样本，扩大所述用户画像和商品特征的数量；

S4：通过权重算法匹配所述用户画像和所述商品特征重合度，建立并保存所述用户画像和所述商品特征的关联关系拓扑；

S5：依据所述用户画像，根据所述关联关系拓扑定位到所述商品信息对应的商品；

S6：经过人工审核后，推送给网红或者商家进行双向筛选。

优选的，所述获取网红信息的方法是通过直播平台和短视频平台，根据网红的账号以及昵称和平台标识，获取网红信息；应用所述网红信息是通过java的selenium框架、Android的sdk和appium、模拟Chrome浏览器，来模拟app操作或者pc浏览器操作进行数据查看所述用户信息；在数据库中进行检索所述采集到的用户信息，是否已入库，如果是已入库，根据之前记录的用户信息，进行时效性对比，判断是否对已有数据补充和更新，如果是新数据，通过后台智能分析，以及人工干涉方式，生成用户画像和带货记录数据。

优选的，所述获取商品信息的方法为，在电商平台的api开放平台上，java的selenium框架，通过对所述商品链接的模拟访问或请求，获取所述商品信息；使用手机、群控和公共服务器fiddler数据包拦截app端的用户列表、作品列表、直播间的观众列表和直播过程中的正在购买列表，解析所述用户列表、作品列表、直播间的观众列表和直播过程中的正在购买列表为结构化的数据并存储为商品信息；所述商品信息在数据库中进行检索，是否已入库，如果是已入库，根据之前记录的商品信息，进行时效性对比，判断是否对已有数据补充和更新，如果是新数据，通过后台智能分析，以及人工干涉方式，生成商品特征，并绑定所述商品信息。

优选的，所述智能算法，首先确定用户信息与商品销售的相关性，与所述商品销售的相关性的数据包括同用户购买次数、用户的性别、年龄、地域和使用设备；对所述用户购买次数给出权重值，大于100次的权重为5，大于50次的为4，大于20的为3，大于5的为2，小于5的为1，没有购买的为0；所述聚类为标准的K-Means算法，通过指定质点并动态调整K值，且通过开关回归调用的方式生成用户画像。

优选的，所述生成用户画像和商品特征包括，

S21：随机聚类所述商品信息和用户信息，创建销售相关数据词条的模板；

S22：购买频次和用户年龄作为质点，以数量最多的数据集与最低的数据集差为15％为条件选取k值，通过判断最多的数据集和最低的数据集的明细对比，可以得出与销售相关数据的词条，根据要求对结果集进行回归性调用，判断属性值的对比，增加词条；

S23：选择销售相关数据作为指定质点，以S22相同的方法生成具有与所述商品销售相关数据词条的用户画像，作为标准化的词条模板。

优选的，所述k值大于质点数。

优选的，所述用户画像和商品特征的关联关系拓扑应用权重算法进行拓扑，所述权重算法包括，单场次权重的拓扑、多场次权重的拓扑和neo4j拓扑存储；所述单场次权重的拓扑算法为：

单场权重系数＝词频总数/总词条数，

当某商品特征词频数大于所述单场权重系数，所述商品特征与商品进行关联并存储；

所述多场次权重的拓扑算法为，

多场权重系数＝用户画像与商品特征关联的结果在场次中出现的次数/总场数，

当某用户画像与商品特征关联的结果在场次中出现的次数大于所述多场权重系数，所述用户画像与商品特征关联；

所述neo4j拓扑存储，neo4j是个节点图数据库，以网红为中心节点，单个关联拓扑以树的方式进行拓扑，数据结果将会是一个包含N层结构的星型节点图,所述N>2。

优选的，对早期网红即低于直播场次10次的网红采用单场次权重的拓扑关系进行处理，高于直播场次10次的网红采用多场次权重的拓扑。

优选的，所述neo4j拓扑存储，以网红为原点，以用户画像为起点，获取三层节点路径范围内的所有商品，以存储的词频数进行倒序排序。

本发明实施例提供的技术方案可以包括以下有益效果：

(1)本发明通过java的selenium框架，Android的sdk手机端调用，appimu的app自动化，以及nosql的数据存储，和利用Neo4j存储拓扑关系，可以实现数据分析的高可用和稳定推荐。

(2)本发明通过esjob进行采集的可配置，可调度，同时实现脚本的可触发可控制，可以在满足实现合作的优先级和频率设置。

(3)本发明通过Neo4j拓扑进行关系映射和管理，可确保数据的演进和调整实时反馈到线上部署。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种基于用户画像的商品推荐方法的流程示意图；

图2是根据一示例性实施例示出的网红数据获取的流程图；

图3是根据一示例性实施例示出的商品数据获取流程图；

图4是根据一示例性实施例示出的生成拓扑流程图；

图5是根据一示例性实施例示出的推荐流程图。

具体实施方式

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，各实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。本文中，诸如第一和第二等之类的关系术语仅仅用于将一个实体或者操作与另一个实体或操作区分开来，而不要求或者暗示这些实体或操作之间存在任何实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的结构、产品等而言，由于其与实施例公开的部分相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。

需要说明的是，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

下面结合附图及实施例对本发明做进一步描述：

如图1所示的一种基于用户画像的商品推荐方法，包括，

S1：通过大数据采集，获取商品信息和网红信息；

S2：通过所述网红信息，对所述商品信息和用户信息进行聚类，通过人工和智能算法结合，生成用户画像和商品特征；所述用户信息为网红喜爱者的信息；

S3：对所述用户画像和商品特征进行记录，并且通过持续采集和聚类所述商品信息和用户信息，增加样本，扩大所述用户画像和商品特征的数量；

S4：通过权重算法匹配所述用户画像和所述商品特征重合度，建立并保存所述用户画像和所述商品特征的关联关系拓扑；

S5：依据所述用户画像，根据所述关联关系拓扑定位到所述商品信息对应的商品；

S6：经过人工审核后，推送给网红或者商家进行双向筛选。

根据上述方案，进一步，如图2所示，所述获取网红信息的方法是通过直播平台和短视频平台，根据网红的账号以及昵称和平台标识，获取网红信息；应用所述网红信息是通过java的selenium框架、Android的sdk和appium、模拟Chrome浏览器，来模拟app操作或者pc浏览器操作进行数据查看所述用户信息；在数据库中进行检索所述采集到的用户信息，是否已入库，如果是已入库，根据之前记录的用户信息，进行时效性对比，判断是否对已有数据补充和更新，如果是新数据，通过后台智能分析，以及人工干涉方式，生成用户画像和带货记录数据。

根据上述方案，进一步，如图3所示，所述获取商品信息的方法为，在电商平台的api开放平台上，java的selenium框架，通过对所述商品链接的模拟访问或请求，获取所述商品信息；使用手机、群控和公共服务器fiddler数据包拦截app端的用户列表、作品列表、直播间的观众列表和直播过程中的正在购买列表，解析所述用户列表、作品列表、直播间的观众列表和直播过程中的正在购买列表为结构化的数据并存储为商品信息；所述商品信息在数据库中进行检索，是否已入库，如果是已入库，根据之前记录的商品信息，进行时效性对比，判断是否对已有数据补充和更新，如果是新数据，通过后台智能分析，以及人工干涉方式，生成商品特征，并绑定所述商品信息。

根据上述方案，进一步，所述智能算法，首先确定用户信息与商品销售的相关性，与所述商品销售的相关性的数据包括同用户购买次数、用户的性别、年龄、地域和使用设备；对所述用户购买次数给出权重值，大于100次的权重为5，大于50次的为4，大于20的为3，大于5的为2，小于5的为1，没有购买的为0；所述聚类为标准的K-Means算法，通过指定质点并动态调整K值，且通过开关回归调用的方式生成用户画像。如：通过指定“是否购买”+“购买次数”+单一的用户属性为质点，进行聚类因为采用非随机质点以及每次聚类都固定可控的K值，聚类的结果只需判断当前执行与上一次执行的结果一致即可，无需进行轮廓系数的判断和平方差的判断，一方面采用指定值的聚类可以方便数据集分析的结果有固定标准，另一方面可以生成标准模板来进行匹配。比如指定是否购买，购买次数，年龄作为质点，如果指定K值为3，那么生成的3个簇中，必然包含“高购买频次和高购买行为的主要年龄集合”；如果数据集的用户数量最高和最低相比低与15％，我们认为聚类的结果没有明显的可参考性，则通过在当前聚类条件下增加簇数来进一步聚类，直到生成结果；所有的流程都应该基于对初始数据随机聚类后用户分析的结果，通过结果生成固定的聚类流程算法进行画像。

根据上述方案，进一步，所述生成用户画像和商品特征包括，

S21：随机聚类所述商品信息和用户信息，创建销售相关数据词条的模板；

S22：购买频次和用户年龄作为质点，以数量最多的数据集与最低的数据集差为15％为条件选取k值，通过判断最多的数据集和最低的数据集的明细对比，可以得出与销售相关数据的词条，根据要求对结果集进行回归性调用，判断属性值的对比，增加词条；

S23：选择销售相关数据作为指定质点，以S22相同的方法生成具有与所述商品销售相关数据词条的用户画像，作为标准化的词条模板。

根据上述方案，进一步，所述商品特征来源与商品原网站的商品信息和标签信息，通过采集和官方接口进行数据获取，商品信息基于主播网红的销售行为进行关联，所以默认区分主播的直播带货某场次商品和主播的短视频带货商品。

根据上述方案，进一步，所述用户画像和商品特征的关联关系拓扑应用权重算法进行拓扑，所述权重算法包括，单场次权重的拓扑、多场次权重的拓扑和neo4j拓扑存储；

如图4所示，所述单场次权重的拓扑算法为，

单场权重系数＝词频总数/总词条数，

当某商品特征词频数大于所述单场权重系数，如：

网红A的词条“女性用户较多”，与谋场直播的两个商品“三只松鼠牛肉干”和“牛肉粉”进行关联，假设三只松鼠包含“零食、牛肉、三只松鼠”三个标签，牛肉粉包含"零食、速食、牛肉"三个标签，那么各标签的词频数为零食2，牛肉2，三只松鼠1，速食1，权重系数为(2+2+1+1)/4,则系数为1.5，则零食和牛肉两个可以作为，网红A的用户画像“女性用户较多”可以通过“零食，牛肉”两个关键词与“三只松鼠、牛肉粉”两个商品进行关联并存储；

所述多场次权重的拓扑算法为，

多场权重系数＝画像特征与特征关联的结果在场次中出现的次数/总场数，

当某画像特征与特征关联的结果在场次中出现的次数大于所述多场权重系数，所述画像特征与特征关联；

所述neo4j拓扑存储，neo4j是个节点图数据库，以网红为中心节点，单个关联拓扑以树的方式进行拓扑，数据结果将会是一个包含N层结构的星型节点图。

根据上述方案，进一步，对早期网红，低于直播场次10次的网红采用单场次权重的拓扑关系进行处理，高于直播场次10次的网红采用多场次权重的拓扑。

根据上述方案，进一步，如图5所示，所述neo4j拓扑存储，以网红为原点，以用户特征为起点，获取三层节点路径范围内的所有商品，以存储的词频数进行倒序排序。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的流程及结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (9)

1.一种基于用户画像的商品推荐方法，其特征在于，包括，

S1：通过大数据采集，获取商品信息和网红信息；

S2：通过所述网红信息，对所述商品信息和用户信息进行聚类，通过人工和智能算法结合，生成用户画像和商品特征；所述用户信息为网红喜爱者的信息；

S3：对所述用户画像和商品特征进行记录，并且通过持续采集和聚类所述商品信息和用户信息，增加样本，扩大所述用户画像和商品特征的数量；

S4：通过权重算法匹配所述用户画像和所述商品特征重合度，建立并保存所述用户画像和所述商品特征的关联关系拓扑；

S5：依据所述用户画像，根据所述关联关系拓扑定位到所述商品信息对应的商品；

S6：经过人工审核后，推送给网红或者商家进行双向筛选。

2.根据权利要求1所述的基于用户画像的商品推荐方法，其特征在于，所述获取网红信息的方法是通过直播平台和短视频平台，根据网红的账号以及昵称和平台标识，获取网红信息；应用所述网红信息是通过java的selenium框架、Android的sdk和appium、模拟Chrome浏览器，来模拟app操作或者pc浏览器操作进行数据查看所述用户信息；在数据库中进行检索所述采集到的用户信息，是否已入库，如果是已入库，根据之前记录的用户信息，进行时效性对比，判断是否对已有数据补充和更新，如果是新数据，通过后台智能分析，以及人工干涉方式，生成用户画像和带货记录数据。

3.根据权利要求2所述的基于用户画像的商品推荐方法，其特征在于，所述获取商品信息的方法为，在电商平台的api开放平台上，java的selenium框架，通过对所述商品链接的模拟访问或请求，获取所述商品信息；使用手机、群控和公共服务器fiddler数据包拦截app端的用户列表、作品列表、直播间的观众列表和直播过程中的正在购买列表，解析所述用户列表、作品列表、直播间的观众列表和直播过程中的正在购买列表为结构化的数据并存储为商品信息；所述商品信息在数据库中进行检索，是否已入库，如果是已入库，根据之前记录的商品信息，进行时效性对比，判断是否对已有数据补充和更新，如果是新数据，通过后台智能分析，以及人工干涉方式，生成商品特征，并绑定所述商品信息。

4.根据权利要求1所述的基于用户画像的商品推荐方法，其特征在于，所述智能算法，首先确定用户信息与商品销售的相关性，与所述商品销售的相关性的数据包括同用户购买次数、用户的性别、年龄、地域和使用设备；对所述用户购买次数给出权重值，大于100次的权重为5，大于50次的为4，大于20的为3，大于5的为2，小于5的为1，没有购买的为0；所述聚类为标准的K-Means算法，通过指定质点并动态调整K值，且通过开关回归调用的方式生成用户画像。

5.根据权利要求1所述的基于用户画像的商品推荐方法，其特征在于，所述生成用户画像和商品特征包括，

S21：随机聚类所述商品信息和用户信息，创建销售相关数据词条的模板；

S22：购买频次和用户年龄作为质点，以数量最多的数据集与最低的数据集差为15％为条件选取k值，通过判断最多的数据集和最低的数据集的明细对比，可以得出与销售相关数据的词条，根据要求对结果集进行回归性调用，判断属性值的对比，增加词条；

S23：选择销售相关数据作为指定质点，以S22相同的方法生成具有与所述指定质点的销售相关数据词条，作为标准化的词条模板。

6.根据权利要求5所述的基于用户画像的商品推荐方法，其特征在于，所述k值大于质点数。

7.根据权利要求1所述的基于用户画像的商品推荐方法，其特征在于，所述用户画像和商品特征的关联关系拓扑应用权重算法进行拓扑，所述权重算法包括，单场次权重的拓扑、多场次权重的拓扑和neo4j拓扑存储；所述单场次权重的拓扑算法为：

单场权重系数＝词频总数/总词条数，

当某商品特征词频数大于所述单场权重系数，所述商品特征与商品进行关联并存储；所述多场次权重的拓扑算法为，

多场权重系数＝用户画像与商品特征关联的结果在场次中出现的次数/总场数，当某用户画像与商品特征关联的结果在场次中出现的次数大于所述多场权重系数，所述用户画像与商品特征关联；

所述neo4j拓扑存储，neo4j是个节点图数据库，以网红为中心节点，单个关联拓扑以树的方式进行拓扑，数据结果将会是一个包含N层结构的星型节点图,所述N>2。

8.根据权利要求7所述的基于用户画像的商品推荐方法，其特征在于，对早期网红即低于直播场次10次的网红采用单场次权重的拓扑关系进行处理，高于直播场次10次的网红采用多场次权重的拓扑。

9.根据权利要求7所述的基于用户画像的商品推荐方法，其特征在于，所述neo4j拓扑存储，以网红为原点，以用户画像为起点，获取三层节点路径范围内的所有商品，以存储的词频数进行倒序排序。

Images