CN112036971A - 基于协同过滤的车机购物推送方法、服务端及客户端 - Google Patents

Abstract

一种基于协同过滤的车机购物推送方法、服务端及客户端，包括：接收用户交易信息；根据用户交易信息获取交易特征信息及用户账户信息，根据用户交易信息及用户账户信息获取购买习惯信息；获取交易日志信息，根据购买习惯信息与交易日志信息匹配得到协同特征信息，以协同特征信息对交易日志信息进行过滤得到协同过滤结果；提取协同过滤结果中的用户协同数据，根据用户协同数据获取并发送推荐信息，本发明解决了现有技术中存在的购物功能适用性较低、缺乏灵活性和商品推荐服务缺乏个性化的技术问题。

Description

基于协同过滤的车机购物推送方法、服务端及客户端

技术领域

本发明涉及一种推送方法，特别是涉及一种基于协同过滤的车机购物推送方法、服务端及客户端。

背景技术

随着国民生活水平的日益改善，机动车辆在整个社会迅速普及，我国机动车保有量持续攀升，人驾车出行日益频繁。在车辆的行驶过程中，乘用人员经常在车上使用移动设备进行购物等娱乐活动以打发时间，车载设备购物功能目前适用性较低，且普及率较低，传统的车载设备的网上购物功能单一，无法通过智能手段进行个性化的商品推荐，系统预设的固定广告由于无法适应大众不同的购物需求，且容易降低购物功能的用户体验，需要乘客手动输入和搜索自己喜欢的货品，智能化较低。另外，在乘用人员使用移动设备进行上网聊天购物时，需要使用无线网络，导致车载网络信号与车上正运行的移动设备网络信号互相存在干扰，使得整车行驶以及各类车载设备的正常运行受到不良影响，严重时可导致车辆安全问题。如何提高车载设备购物功能的适用性和智能程度，日益成为车辆技术研发的重要方向。由于现有的车载设备的购物功能较为单一，并且提供的购物服务的个性化水平较低，存在购物功能实现效率低的问题。

综上所述，传统技术的车载设备购物功能较为单一，缺乏根据用户的喜好进行个性化的推荐的高智能化功能。现有技术中的车载设备存在购物功能适用性较低、缺乏灵活性和商品推荐服务缺乏个性化的技术问题。

发明内容

鉴于以上现有技术的缺点，本发明的目的在于提供一种基于协同过滤的车机购物推送方法、服务端及客户端，应用于乘车途中购物信息智能推荐，为解决现有技术中存在的购物功能适用性较低、缺乏灵活性和商品推荐服务缺乏个性化的技术问题，本发明提供基于协同过滤的车机购物推送方法、服务端及客户端，一种基于协同过滤的车机购物推送方法，应用于一服务端，方法包括：接收用户交易信息；根据用户交易信息获取购买习惯信息；获取交易日志信息，根据购买习惯信息与交易日志信息匹配得到协同特征信息，处理协同特征信息以得到协同过滤结果；提取协同过滤结果中的用户协同数据，根据用户协同数据获取并发送推荐信息。

于本发明的一实施方式中，根据用户交易信息获取交易特征信息及用户账户信息，根据用户交易信息及用户账户信息获取购买习惯信息，具体包括：从用户交易信息中提取账户名信息和购物累计信息；获取累计阈值；判断购物累计信息中包含的购物累计值是否大于累计阈值；若是，则判定购物累计信息对应的购物行为为高频行为；若否，则循环执行前述判断步骤；将高频行为存储为作购买习惯信息。

于本发明的一实施方式中，获取交易日志信息，获取交易日志信息，根据购买习惯信息与交易日志信息匹配得到协同特征信息，处理协同特征信息以得到协同过滤结果，具体包括：匹配购买习惯信息与另一客户账户信息对应的交易日志信息，并获取匹配参数信息匹配参数信息匹配参数信息；若是，则提取匹配参数信息对应的购买习惯信息为协同特征信息；若否，则循环执行前述判断步骤；根据协同特征信息对客户账户信息进行协同过滤，得相似用户数据；保存相似用户数据为协同过滤结果。

于本发明的一实施方式中，提取协同过滤结果中的用户协同数据，根据用户协同数据获取并发送推荐信息，具体包括：提取协同过滤结果中的用户类聚信息；提取交易日志信息中的账户名信息；以用户类聚信息分类账户名信息为用户协同数据；根据用户协同数据中的类别获取推荐信息，发送推荐信息至客户端。

于本发明的一实施方式中，一种基于协同过滤的车机购物推送服务端，包括：接收模块、购买习惯模块、过滤模块和推荐模块；接收模块，用于接收用户交易信息；购买习惯模块，用于根据用户交易信息获取购买习惯信息，购买习惯模块与接收模块连接；过滤模块，用于获取交易日志信息，根据购买习惯信息与交易日志信息匹配得到协同特征信息，处理协同特征信息以得到协同过滤结果，过滤模块与购买习惯模块连接；推荐模块，用于提取协同过滤结果中的用户协同数据，根据用户协同数据获取并发送推荐信息，推荐模块与过滤模块连接。

于本发明的一实施方式中，购买习惯模块，包括：购物数据模块、累计阈值模块、累计判断模块、习惯判定模块、循环获取模块和习惯记录模块；购物数据模块，用于从用户交易信息中提取账户名信息和购物累计信息；累计阈值模块，用于获取累计阈值；累计判断模块，用于判断购物累计信息中包含的购物累计值是否大于累计阈值，累计判断模块与购物数据模块连接，累计判断模块与累计阈值模块连接；习惯判定模块，用于在购物累计信息中包含的购物累计值大于累计阈值时，判定购物累计信息对应的购物行为为高频行为，习惯判定模块与累计判断模块连接；循环获取模块，用于在购物累计信息中包含的购物累计值不大于累计阈值时，循环执行前述判断步骤，循环获取模块与累计判断模块连接；习惯记录模块，用于将高频行为存储为购买习惯信息，习惯记录模块与习惯判断模块连接。

于本发明的一实施方式中，过滤模块，包括：匹配模块、匹配阈值模块、特征判断模块、循环匹配模块、相似模块和过滤保存模块；匹配模块，用于匹配购买习惯信息与另一客户账户信息对应的交易日志信息，并获取匹配参数信息匹配参数信息；匹配阈值模块，用于判断匹配参数信息是否大于预设匹配阈值，匹配阈值模块与匹配模块连接；特征判断模块，用于在匹配参数信息大于预设匹配阈值时，提取匹配参数信息对应的购买习惯信息为协同特征信息，特征判断模块与匹配阈值模块连接；循环匹配模块，用于在匹配参数信息不大于预设匹配阈值时，循环执行前述判断步骤，循环匹配模块与匹配阈值模块连接；相似模块，用于根据协同特征信息对客户账户信息进行协同过滤，得相似用户数据，相似模块与特征判断模块连接；过滤保存模块，用于保存相似用户数据为协同过滤结果，过滤保存模块与相似模块连接。

于本发明的一实施方式中，推荐模块，包括：类聚提取模块、账户名模块、协同类聚模块和推荐发送模块；类聚提取模块，用于提取协同过滤结果中的用户类聚信息；账户名模块，用于提取交易日志信息中的账户名信息；协同类聚模块，用于以用户类聚信息分类账户名信息为用户协同数据，协同类聚模块与类聚提取模块连接，协同提取模块与账户名模块连接；推荐发送模块，用于根据用户协同数据中的类别获取推荐信息，发送推荐信息至客户端，推荐发送模块与协同类聚模块连接。

于本发明的一实施方式中，一种基于协同过滤的车机购物推送客户端应用方法，应用于一客户端，方法，包括：登录客户端；发送用户交易信息；接收推荐信息；提取推荐信息中的店铺列表信息，据以打开推荐信息对应的店铺。

于本发明的一实施方式中，一种基于协同过滤的车机购物推送客户端，包括：登录模块、交易发送模块、推荐接收模块和推荐打开模块；登录模块，用于登录客户端；交易发送模块，用于发送用户交易信息，交易发送模块与登录模块连接；推荐接收模块，用于接收推荐信息；推荐打开模块，用于提取推荐信息中的店铺列表信息，据以打开推荐信息对应的店铺，推荐打开模块与推荐接收模块连接。

如上，本发明提供的一种基于协同过滤的车机购物推送方法、服务端及客户端，具有以下有益效果：本发明提供的一种基于协同过滤的车机购物推送方法、服务端及客户端，避免了现有技术中购物功能适用性较低、缺乏灵活性和商品推荐服务缺乏个性化的技术问题。本发明提高了车载设备购物功能目前适用性，改变了传统的车载设备的网上购物功能单一，无法通过智能手段进行个性化的商品推荐的劣势，体统通过服务端以协同过滤算法获取用户的购物喜好，提高了购物功能的用户体验，在乘客手动输入和搜索自己喜欢的货品时，服务端能够根据用户喜爱的店铺及货物类别智能化推送商品选项。提高了车载设备购物功能的适用性和智能程度。

综上，本发明解决了现有技术中存在的购物功能适用性较低、缺乏灵活性和商品推荐服务缺乏个性化的技术问题。

附图说明

图1显示本发明的基于协同过滤的车机购物推送方法步骤示意图。

图2显示为图1中步骤S2在一实施例中的具体流程图。

图3显示为图1中步骤S3在一实施例中的具体流程图。

图4显示为图1中步骤S4在一实施例中的具体流程图。

图5显示为本发明的基于协同过滤的车机购物推送服务端模块示意图。

图6显示为图5中购买习惯模块在一实施例中的具体模块示意图。

图7显示为图5中过滤模块在一实施例中的具体模块示意图。

图8显示为图5中推荐模块在一实施例中的具体模块示意图。

图9显示为基于协同过滤的车机购物推送客户端实现方法流程图。

图10显示为基于协同过滤的车机购物推送客户端模块示意图。

元件标号说明

1 基于协同过滤的车机购物推送服务端

11 接收模块

12 购买习惯模块

13 过滤模块

14 推荐模块

121 购物数据模块

122 累计阈值模块

123 累计判断模块

124 习惯判定模块

125 循环获取模块

126 习惯记录模块

131 匹配模块

132 匹配阈值模块

133 特征判断模块

134 循环匹配模块

135 相似模块

136 过滤保存模块

141 类聚提取模块

142 账户名模块

143 协同类聚模块

144 推荐发送模块

1’ 基于协同过滤的车机购物推送客户端

11’ 登录模块

12’ 交易发送模块

13’ 推荐接收模块

14’ 推荐打开模块

推荐接收模块步骤标号说明

图1 S1～S4

图2 S21～S26

图3 S31～S36

图4 S41～S44

图9 S1’～S4’

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士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及功效。

请参阅图1至图10，须知，本说明书所附图式所绘示的结构，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容所能涵盖的范围内。同时，本说明书中所引用的如”上”、”下”、”左”、”右”、”中间”及”一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

请参阅图1，显示本发明的基于协同过滤的车机购物推送方法步骤示意图，如图1所示，一种基于协同过滤的车机购物推送方法，包括：

S1、接收用户交易信息，可选的，接收用户交易信息中含有用户对商品的点击购买行为的网页链接信息以及板块信息等；

S2、根据用户交易信息获取交易特征信息及用户账户信息，根据用户交易信息及用户账户信息获取购买习惯信息，提取交易用户信息中用户名、用户认证信息如用户密码以及用户认证验证方式等，交易特征信息中包含有交易行为对应的店铺类别信息，根据用户交易信息中的特征和用户账户信息比对获取购买习惯信息；

S3、获取交易日志信息，根据购买习惯信息与交易日志信息匹配得到协同特征信息，以协同特征信息对交易日志信息进行过滤得到协同过滤结果，协同过滤算法主要的功能是预测和推荐。算法通过对用户历史行为数据的挖掘发现用户的偏好，基于不同的偏好对用户进行群组划分并推荐品味相似的商品；

S4、提取协同过滤结果中的用户协同数据，根据用户协同数据获取并发送推荐信息，推送信息中包含有店铺在第三方平台中的搜索类别以及相似的其他店铺及交易货品信息。

请参阅图2，显示为图1中步骤S2在一实施例中的具体流程图，如图2所示，S2、根据用户交易信息获取交易特征信息及用户账户信息，根据用户交易信息及用户账户信息获取购买习惯信息，具体包括：

S21、从用户交易信息中提取账户名信息和购物累计信息，可选的，通过用户的历史行为数据发现用户对商品或内容的喜欢(如商品购买，收藏，内容评论或分享)，并对这些喜好进行度量和打分，并将积分信息作为购物累计信息；

S22、获取累计阈值，可选的，累计阈值可在服务端进行预设，累计阈值的大小可根据不同用户的网上交易的次数信息进行动态调整；

S23、判断购物累计信息中包含的购物累计值是否大于累计阈值，提取购物累计信息中的交易次数信息，各个用户的累计阈值可经过加权运算使之与该用户的实际情况相适配；

S24、若是，则判定购物累计信息对应的购物行为为高频行为，可选的，高频行为可以是用户经常进入的网上店铺所述类别数据以及多次出现的购买货物名称；

S25、若否，则循环执行前述判断步骤；

S26、将高频行为存储为作购买习惯信息，可选的，对已被判定为购买习惯信息的购物行为进行标记，作为后续筛选算法的参数之一。

请参阅图3，显示为图1中步骤S3在一实施例中的具体流程图，如图3所示，S3、获取交易日志信息，根据购买习惯信息与交易日志信息匹配得到协同特征信息，以协同特征信息对交易日志信息进行过滤得到协同过滤结果，具体包括：

S31、匹配购买习惯信息与交易日志信息，并获取匹配参数信息，可选的，交易日志信息保存在服务器端预设的交易日志数据库中，交易日志信息根据服务器端收到的用户购买请求信息实时更新交易日志信息；

S32、判断匹配参数信息是否大于预设匹配阈值，可选的，将5个用户对两件商品的评分用散点图表示出来后，用户间的关系就很容易发现了。在散点图中，Y轴是商品1的评分，X轴是商品2的评分，通过用户的分布情况可以发现，A，C，D三个用户距离较近。用户A(3.3 6.5)和用户C(3.6 6.3)，用户D(3.4 5.8)对两件商品的评分较为接近。而用户E 和用户B则形成了另一个群体；

S33、若是，则提取匹配参数信息对应的购买习惯信息为协同特征信息，算法中可根据欧几里得距离评价、皮尔逊相关度评价和皮尔逊相关参数将散点图量化为协同特征信息；

S34、若否，则循环执行前述判断步骤，可选的，将与所有的用户购物行为对应的散点进行遍历；

S35、根据协同特征信息对交易日志信息进行协同过滤，得相似用户数据，基于物品的协同过滤算法与基于用户的协同过滤算法很像，将商品和用户互换。通过计算不同用户对不同物品的评分获得物品间的关系。基于物品间的关系对用户进行相似物品的推荐。这里的评分代表用户对商品的态度和偏好。简单来说就是如果用户A同时购买了商品1和商品2，那么说明商品1和商品2的相关度较高。当用户B也购买了商品1时，可以推断他也有购买商品2的需求；

S36、保存相似用户数据为协同过滤结果。

请参阅图4，显示为图1中步骤S4在一实施例中的具体流程图，如图4所示，S4、提取协同过滤结果中的用户协同数据，根据用户协同数据获取并发送推荐信息，具体包括：

S41、提取协同过滤结果中的用户类聚信息，可选的，每一个协同过滤结果中包含有一个或一类相似习惯数据对应的一组客户信息；

S42、提取交易日志信息中的账户名信息，从交易日志信息数据库中提取出具有相似购物行为的一组客户信息对应的用户名；

S43、以用户类聚信息分类账户名信息为用户协同数据，通过计算可以发现，商品1&2，商品3&4，商品3&5和商品4&5相似度较高。下一步我们可以依据这些商品间的相关度对用户进行商品推荐；

S44、根据用户协同数据中的类别获取推荐信息，发送推荐信息至客户端。

请参阅图5，显示为本发明的基于协同过滤的车机购物推送服务端模块示意图，如图5 所示，一种基于协同过滤的车机购物推送服务端1，包括：接收模块11、购买习惯模块12、过滤模块13和推荐模块14；接收模块11，用于接收用户交易信息，可选的，接收用户交易信息中含有用户对商品的点击购买行为的网页链接信息以及板块信息等；购买习惯模块12，用于根据用户交易信息获取交易特征信息及用户账户信息，根据用户交易信息及用户账户信息获取购买习惯信息，提取交易用户信息中用户名、用户认证信息如用户密码以及用户认证验证方式等，交易特征信息中包含有交易行为对应的店铺类别信息，根据用户交易信息中的特征和用户账户信息比对获取购买习惯信息，购买习惯模块12与接收模块11连接；过滤模块13，用于获取交易日志信息，根据购买习惯信息与交易日志信息匹配得到协同特征信息，以协同特征信息对交易日志信息进行过滤得到协同过滤结果，协同过滤算法主要的功能是预测和推荐。算法通过对用户历史行为数据的挖掘发现用户的偏好，基于不同的偏好对用户进行群组划分并推荐品味相似的商品，过滤模块13与购买习惯模块12连接；推荐模块14，用于提取协同过滤结果中的用户协同数据，根据用户协同数据获取并发送推荐信息，推送信息中包含有店铺在第三方平台中的搜索类别以及相似的其他店铺及交易货品信息，推荐模块14 与过滤模块13连接。

请参阅图6，显示为图5中购买习惯模块在一实施例中的具体模块示意图，如图6所示，购买习惯模块12，包括：购物数据模块121、累计阈值模块122、累计判断模块123、习惯判定模块124、循环获取模块125和习惯记录模块126；购物数据模块121，用于从用户交易信息中提取账户名信息和购物累计信息，可选的，通过用户的历史行为数据发现用户对商品或内容的喜欢(如商品购买，收藏，内容评论或分享)，并对这些喜好进行度量和打分，并将积分信息作为购物累计信息；累计阈值模块122，用于获取累计阈值，可选的，累计阈值可在服务端进行预设，累计阈值的大小可根据不同用户的网上交易的次数信息进行动态调整；累计判断模块123，用于判断购物累计信息中包含的购物累计值是否大于累计阈值，累计判断模块123与购物数据模块121连接，提取购物累计信息中的交易次数信息，各个用户的累计阈值可经过加权运算使之与该用户的实际情况相适配，累计判断模块123与累计阈值模块122 连接；习惯判定模块124，用于在购物累计信息中包含的购物累计值大于累计阈值时，判定购物累计信息对应的购物行为为高频行为，可选的，高频行为可以是用户经常进入的网上店铺所述类别数据以及多次出现的购买货物名称，习惯判定模块124与累计判断模块123连接；循环获取模块125，用于在购物累计信息中包含的购物累计值不大于累计阈值时，循环执行前述判断步骤，循环获取模块125与累计判断模块123连接；习惯记录模块126，用于将高频行为存储为购买习惯信息，可选的，对已被判定为购买习惯信息的购物行为进行标记，作为后续筛选算法的参数之一，习惯记录模块126与习惯判断模块124连接。

请参阅图7，显示为图5中过滤模块在一实施例中的具体模块示意图，如图7所示，过滤模块13，包括：匹配模块131、匹配阈值模块132、特征判断模块133、循环匹配模块134、相似模块135和过滤保存模块136；匹配模块131，用于匹配购买习惯信息与交易日志信息，并获取匹配参数信息，可选的，交易日志信息保存在服务器端预设的交易日志数据库中，交易日志信息根据服务器端收到的用户购买请求信息实时更新交易日志信息；匹配阈值模块132，用于判断匹配参数信息是否大于预设匹配阈值，可选的，将5个用户对两件商品的评分用散点图表示出来后，用户间的关系就很容易发现了。在散点图中，Y轴是商品1的评分， X轴是商品2的评分，通过用户的分布情况可以发现，A，C，D三个用户距离较近。用户A(3.36.5)和用户C(3.6 6.3)，用户D(3.4 5.8)对两件商品的评分较为接近。而用户E和用户B则形成了另一个群体，匹配阈值模块132与匹配模块131连接；特征判断模块133，用于在匹配参数信息大于预设匹配阈值时，提取匹配参数信息对应的购买习惯信息为协同特征信息，算法中可根据欧几里得距离评价、皮尔逊相关度评价和皮尔逊相关参数将散点图量化为协同特征信息，特征判断模块133与匹配阈值模块132连接；循环匹配模块134，用于在匹配参数信息不大于预设匹配阈值时，循环执行前述判断步骤，可选的，将与所有的用户购物行为对应的散点进行遍历，循环匹配模块134与匹配阈值模块132连接；相似模块135，用于根据协同特征信息对交易日志信息进行协同过滤，得相似用户数据，基于物品的协同过滤算法与基于用户的协同过滤算法很像，将商品和用户互换。通过计算不同用户对不同物品的评分获得物品间的关系。基于物品间的关系对用户进行相似物品的推荐。这里的评分代表用户对商品的态度和偏好。简单来说就是如果用户A同时购买了商品1和商品2，那么说明商品1和商品2的相关度较高。当用户B也购买了商品1时，可以推断他也有购买商品2的需求，相似模块135与特征判断模块133连接；过滤保存模块136，用于保存相似用户数据为协同过滤结果，过滤保存模块136与相似模块135连接。

请参阅图8，显示为图5中推荐模块在一实施例中的具体模块示意图，如图8所示，推荐模块14，包括：类聚提取模块141、账户名模块142、协同类聚模块143和推荐发送模块144；类聚提取模块141，用于提取协同过滤结果中的用户类聚信息，可选的，每一个协同过滤结果中包含有一个或一类相似习惯数据对应的一组客户信息；账户名模块142，用于提取交易日志信息中的账户名信息，从交易日志信息数据库中提取出具有相似购物行为的一组客户信息对应的用户名；协同类聚模块143，用于以用户类聚信息分类账户名信息为用户协同数据，协同类聚模块143与类聚提取模块141连接，通过计算可以发现，商品1&2，商品3&4，商品3&5和商品4&5相似度较高。下一步我们可以依据这些商品间的相关度对用户进行商品推荐，协同提取模块143与账户名模块142连接；推荐发送模块144，用于根据用户协同数据中的类别获取推荐信息，发送推荐信息至客户端，推荐发送模块144与协同类聚模块143 连接。

请参阅图9，显示为基于协同过滤的车机购物推送客户端实现方法流程图，如图9所示，一种基于协同过滤的车机购物推送客户端实现方法，应用于一客户端，包括：

S1’、登录客户端，可选的，客户端可以通过移动设备应用软件的形式安装在车机终端上，客户可在车机屏幕上输入用户名密码登录自己创建的账户，也可以安装在手机端，手机端可通过扫描车机提供的二维码从服务器端下载apk文件进行安装使用；

S2’、发送用户交易信息，可选的，用户交易信息为用户在购物时产生的搜索链接、浏览痕迹等数据，也可以通过手动编辑自己的购物车中包含的交易信息并发送至服务端；

S3’、接收推荐信息，推荐信息可以通过弹窗提示或者短推送消息的形式呈现于客户终端的屏幕；

S4’、提取推荐信息中的店铺列表信息，据以打开推荐信息对应的店铺。

请参阅图10，显示为基于协同过滤的车机购物推送客户端模块示意图，如图10所示，一种基于协同过滤的车机购物推送客户端1’，包括：登录模块11’、交易发送模块12’、推荐接收模块13’和推荐打开模块14’；登录模块11’，用于登录客户端，可选的，客户端可以通过移动设备应用软件的形式安装在车机终端上，客户可在车机屏幕上输入用户名密码登录自己创建的账户，也可以安装在手机端，手机端可通过扫描车机提供的二维码从服务器端下载apk文件进行安装使用；交易发送模块12’，用于发送用户交易信息，可选的，用户交易信息为用户在购物时产生的搜索链接、浏览痕迹等数据，也可以通过手动编辑自己的购物车中包含的交易信息并发送至服务端，交易发送模块12’与登录模块11’连接；推荐接收模块13’，用于接收推荐信息，推荐信息可以通过弹窗提示或者短推送消息的形式呈现于客户终端的屏幕；推荐打开模块14’，用于提取推荐信息中的店铺列表信息，据以打开推荐信息对应的店铺，推荐打开模块14’与推荐接收模块13’连接。

综上所述，本发明提供的一种基于协同过滤的车机购物推送方法、服务端及客户端，具有以下有益效果：本发明提供的一种基于协同过滤的车机购物推送方法、服务端及客户端，避免了现有技术中购物功能适用性较低、缺乏灵活性和商品推荐服务缺乏个性化的技术问题。本发明提高了车载设备购物功能目前适用性，改变了传统的车载设备的网上购物功能单一，无法通过智能手段进行个性化的商品推荐的劣势，体统通过服务端以协同过滤算法获取用户的购物喜好，提高了购物功能的用户体验，在乘客手动输入和搜索自己喜欢的货品时，服务端能够根据用户喜爱的店铺及货物类别智能化推送商品选项。提高了车载设备购物功能的适用性和智能程度。

综上，本发明解决了现有技术中存在的购物功能适用性较低、缺乏灵活性和商品推荐服务缺乏个性化的技术问题，具有很高的商业价值和实用性。

Claims (10)

1.一种基于协同过滤的车机购物推送方法，应用于一服务端，其特征在于，所述方法包括：

接收用户交易信息；

根据所述用户交易信息获取购买习惯信息；

获取交易日志信息，根据购买习惯信息与交易日志信息匹配得到协同特征信息，处理所述协同特征信息以得到协同过滤结果；

提取所述协同过滤结果中的用户协同数据，根据所述用户协同数据获取并发送推荐信息。

2.根据权利要求1所述的基于协同过滤的车机购物推送方法，其特征在于，所述根据所述用户交易信息获取购买习惯信息，具体包括：

从用户交易信息中提取账户名信息和所述购物累计信息；

获取累计阈值；

判断所述购物累计信息中包含的购物累计值是否大于所述累计阈值；

若所述购物累计值大于所述累计阈值，则判定所述购物累计信息对应的购物行为为高频行为；

反之，则循环执行前述判断步骤；

将所述高频行为存储为作所述购买习惯信息。

3.根据权利要求1所述的基于协同过滤的车机购物推送方法，其特征在于，所述获取交易日志信息，根据购买习惯信息与交易日志信息匹配得到协同特征信息，处理所述协同特征信息以得到协同过滤结果，具体包括：

匹配所述购买习惯信息与另一客户账户信息对应的所述交易日志信息，并获取匹配参数信息；

判断所述匹配参数信息是否大于预设匹配阈值；

若大于预设匹配阈值，则提取所述匹配参数信息对应的所述购买习惯信息为协同特征信息；

反之，则循环执行前述判断步骤；

根据所述协同特征信息对所述客户账户信息进行协同过滤，得相似用户数据；

保存相似用户数据为协同过滤结果。

4.根据权利要求1所述的基于协同过滤的车机购物推送方法，其特征在于，所述提取所述协同过滤结果中的用户协同数据，根据所述用户协同数据获取并发送推荐信息，具体包括：

提取所述协同过滤结果中的用户类聚信息；

提取所述交易日志信息中的账户名信息；

以所述用户类聚信息分类所述账户名信息为用户协同数据；

根据所述用户协同数据中的类别获取推荐信息，发送所述推荐信息至客户端。

5.一种基于协同过滤的车机购物推送服务端，其特征在于，包括：接收模块、购买习惯模块、过滤模块和推荐模块；

所述接收模块，用于接收用户交易信息；

所述购买习惯模块，用于根据所述用户交易信息获取购买习惯信息；

所述过滤模块，用于获取交易日志信息，根据购买习惯信息与交易日志信息匹配得到协同特征信息，处理所述协同特征信息以得到协同过滤结果；

所述推荐模块，用于提取所述协同过滤结果中的用户协同数据，根据所述用户协同数据获取并发送推荐信息。

6.根据权利要求5所述的基于协同过滤的车机购物推送服务端，其特征在于，所述购买习惯模块，包括：购物数据模块、累计阈值模块、累计判断模块、习惯判定模块、循环获取模块和习惯记录模块；

所述购物数据模块，用于从用户交易信息中提取账户名信息和所述购物累计信息；

所述累计阈值模块，用于获取累计阈值；

所述累计判断模块，用于判断所述购物累计信息中包含的购物累计值是否大于所述累计阈值；

所述习惯判定模块，用于在所述购物累计信息中包含的购物累计值大于所述累计阈值时，判定所述购物累计信息对应的购物行为为高频行为；

所述循环获取模块，用于在所述购物累计信息中包含的购物累计值不大于所述累计阈值时，循环执行前述判断步骤；

所述习惯记录模块，用于将所述高频行为存储为所述购买习惯信息。

7.根据权利要求5所述的基于协同过滤的车机购物推送服务端，其特征在于，所述过滤模块，包括：匹配模块、匹配阈值模块、特征判断模块、循环匹配模块、相似模块和过滤保存模块；

所述匹配模块，用于匹配所述购买习惯信息与另一客户账户信息对应的所述交易日志信息，并获取匹配参数信息；

所述匹配阈值模块，用于判断所述匹配参数信息是否大于预设匹配阈值；

所述特征判断模块，用于在所述匹配参数信息大于预设匹配阈值时，提取所述匹配参数信息对应的所述购买习惯信息为协同特征信息；

所述循环匹配模块，用于在所述匹配参数信息不大于预设匹配阈值时，循环执行前述判断步骤；

所述相似模块，用于根据所述协同特征信息对所述客户账户信息进行协同过滤，得相似用户数据；

所述过滤保存模块，用于保存相似用户数据为协同过滤结果。

8.根据权利要求5所述的基于协同过滤的车机购物推送服务端，其特征在于，所述推荐模块，包括：类聚提取模块、账户名模块、协同类聚模块和推荐发送模块；

所述类聚提取模块，用于提取所述协同过滤结果中的用户类聚信息；

所述账户名模块，用于提取所述交易日志信息中的账户名信息；

所述协同类聚模块，用于以所述用户类聚信息分类所述账户名信息为用户协同数据；

所述推荐发送模块，用于根据所述用户协同数据中的类别获取推荐信息，发送所述推荐信息至客户端。

9.一种基于协同过滤的车机购物推送客户端应用方法，应用于一客户端，其特征在于，所述方法，包括：

登录客户端；

发送用户交易信息；

接收推荐信息；

提取所述推荐信息中的店铺列表信息，据以打开所述推荐信息对应的店铺。

10.一种基于协同过滤的车机购物推送客户端，其特征在于，包括：登录模块、交易发送模块、推荐接收模块和推荐打开模块；

所述登录模块，用于登录客户端；

所述交易发送模块，用于发送用户交易信息；

所述推荐接收模块，用于接收推荐信息；

所述推荐打开模块，用于提取所述推荐信息中的店铺列表信息，据以打开所述推荐信息对应的店铺。

Images