CN112396496A - 一种基于云计算的电子商务平台商品智能推荐管理系统 - Google Patents

Abstract

本发明公开一种基于云计算的电子商务平台商品智能推荐管理系统，包括用户登录模块、数据获取模块、数据提取模块、商品类别统计模块、商品类别分析模块、浏览时长提取模块、商品金额统计模块、商品金额分析模块、云服务器、存储数据库和商品推送模块；本发明通过统计用户账户的购物车和收藏夹中各类别的商品数目，提取用户账户的购物车和收藏夹中各类别的各商品历史浏览时长，计算用户对各类别商品的综合喜爱度系数，筛选用户综合喜爱度系数最高的商品类别，同时分析用户账户中该商品类别的标准金额区间，筛选平台中该商品类别内销量排行靠前且处于标准金额区间的各商品，并进行推送，从而提高用户的购买欲望，增加商家的总体收益。

Description

一种基于云计算的电子商务平台商品智能推荐管理系统

技术领域

本发明涉及商品推荐管理领域，涉及到一种基于云计算的电子商务平台商品智能推荐管理系统。

背景技术

随着电子商务的发展，简单被动的商品信息服务已经无法满足人们的需求，怎么在海量的商品信息中，用一种有效的人性化智能服务是现代的信息服务的发展方向，因此，商品智能推荐系统就是为了提高电子商品平台的用户体验和商家收益应运而生。

目前，现有的商品智能推荐系统普遍存在一些不足，现有的商品智能推荐系统只能根据用户账户的商品搜索记录数据分析该用户可能感兴趣的商品，无法实现多方面数据的综合分析，导致系统无法为用户推荐合适的商品，从而降低用户的兴趣感和购物体验感，导致电子商务平台的用户人员流失，同时现有的商品智能推荐系统无法推断用户购买商品的心理价位，存在系统推荐商品金额过高的情况，导致用户的购买欲望下降，从而降低商家的总体收益，使得电子商务平台的发展和进步受到影响，为了解决以上问题，现设计一种基于大数据的工业环境实时监测系统。

发明内容

本发明的目的在于提供一种基于云计算的电子商务平台商品智能推荐管理系统，本发明通过获得用户账户的购物车和收藏夹中各商品的详细数据，提取用户账户的购物车和收藏夹中各商品加入收藏夹时间，同时按照加入时间顺序分类成用户账户的购物车和收藏夹中各时间段内加入的各商品，统计用户账户的购物车和收藏夹中各时间段内各类别的商品数目，并提取用户账户的购物车和收藏夹中各时间段内各类别的各商品历史浏览时长，计算用户对各类别商品的综合喜爱度系数，筛选用户综合喜爱度系数最高的商品类别，同时分析用户账户中喜爱度最高的商品类别的平均商品金额对应的标准金额区间，筛选电子商务平台中用户喜爱度最高的商品类别内销量排行靠前且处于标准金额区间的各商品，并推送至用户显示终端，解决了背景技术中存在的问题。

本发明的目的可以通过以下技术方案实现：

一种基于云计算的电子商务平台商品智能推荐管理系统，包括用户登录模块、数据获取模块、数据提取模块、商品类别统计模块、商品类别分析模块、浏览时长提取模块、商品金额统计模块、商品金额分析模块、云服务器、存储数据库和商品推送模块；

所述云服务器分别与数据提取模块、商品类别统计模块、商品类别分析模块、浏览时长提取模块、商品金额统计模块、商品金额分析模块、存储数据库和商品推送模块连接，存储数据库分别与数据获取模块、商品类别统计模块和浏览时长提取模块连接，数据获取模块分别与用户登录模块、数据提取模块和商品金额统计模块连接，商品金额统计模块与商品金额分析模块连接，商品金额统计模块和商品金额分析模块连接；

所述用户登录模块用于通过用户将账户信息输入到电子商务平台的登录界面进行登录，用户的账户信息包括用户账号和账号密码，将登录成功的用户账户信息发送至数据获取模块；

所述数据获取模块用于接收用户登录模块发送的登录成功的用户账户信息，对接收的用户账户的购物车和收藏夹中商品数据进行获取，获得用户账户的购物车中各商品的详细数据和用户账户的收藏夹中各商品的详细数据，将获得的用户账户的购物车和收藏夹中各商品的详细数据分别发送至数据提取模块、商品金额统计模块和存储数据库；

所述数据提取模块用于接收数据获取模块发送的用户账户的购物车和收藏夹中各商品的详细数据，提取接收的用户账户的购物车中各商品详细数据内对应的加入购物车时间和用户账户的收藏夹中各商品详细数据内对应的加入收藏夹时间，统计用户账户的购物车中各商品加入购物车时间和用户账户的收藏夹中各商品加入收藏夹时间，将用户账户的购物车中各商品加入购物车时间和用户账户的收藏夹中各商品加入收藏夹时间发送至云服务器；

所述云服务器用于接收数据提取模块发送的用户账户的购物车中各商品加入购物车时间和用户账户的收藏夹中各商品加入收藏夹时间，并按照加入时间顺序进行分类，分别划分成用户账户的购物车中各时间段内加入的各商品和用户账户的收藏夹中各时间段内加入的各商品，构成用户账户的购物车中各时间段内加入的各商品集合AT(a₁T,a₂T,...,a_iT,...,a_nT)，a_iT表示为用户账户的购物车中第T个时间段内加入的第i个商品，同时构成用户账户的收藏夹中各时间段内加入的各商品集合BT(b₁T,b₂T,...,b_jT,...,b_mT),b_jT表示为用户账户的收藏夹中第T个时间段内加入的第j个商品，T等于T₁,...,T,...,T₅,其中T₁,...,T,...,T₅分别表示为商品加入时间处于7天以内的时间段、处于7-30天以内的时间段、处于30-180天以内的时间段、处于180-365天以内的时间段和处于365天以外的时间段，将用户账户的购物车和收藏夹中各时间段内加入的各商品集合发送至商品类别统计模块；

所述商品类别统计模块用于接收云服务器发送的用户账户的购物车和收藏夹中各时间段内加入的各商品集合，提取存储数据库中存储的用户账户的购物车和收藏夹中各商品的详细数据，提取用户账户的购物车中各时间段内加入的各商品名称和用户账户的收藏夹中各时间段内加入的各商品名称，同时提取存储数据库中存储的各类别商品对应的各商品名称，筛选用户账户的购物车中各时间段内各类别的商品数目和用户账户的收藏夹中各时间段内各类别的商品数目，分别构成用户账户的购物车中各时间段内各类别的商品数目集合XT(x₁T,x₂T,...,x_rT,...,x_lT)和用户账户的收藏夹中各时间段内各类别的商品数目集合X′T(x′₁T,x′₂T,...,x′_rT,...,x′_lT)，x_rT表示为用户账户的购物车中第T个时间段内第r个类别的商品数目，x′_rT表示为用户账户的收藏夹中第T个时间段内第r个类别的商品数目，将用户账户的购物车和收藏夹中各时间段内各类别的商品数目集合发送至商品类别分析模块；

所述商品类别分析模块用于接收商品类别统计模块发送的用户账户的购物车和收藏夹中各时间段内各类别的商品数目集合，分别计算用户账户的购物车中各时间段内各类别的商品数目占比和用户账户的收藏夹中各时间段内各类别的商品数目占比，统计用户账户的购物车和收藏夹中各时间段内各类别的商品数目占比，将用户账户的购物车和收藏夹中各时间段内各类别的商品数目占比发送至云服务器；

所述浏览时长提取模块用于对用户账户的购物车和收藏夹中各时间段内各类别的各商品历史浏览时长进行提取，提取存储数据库中存储的用户账户的购物车和收藏夹中各商品历史浏览时长，筛选用户账户的购物车中各时间段内各类别的各商品历史浏览时长和用户账户的收藏夹中各时间段内各类别的各商品历史浏览时长，分别构成用户账户的购物车中各时间段内各类别的各商品历史浏览时长集合

和用户账户的收藏夹中各时间段内各类别的各商品历史浏览时长集合

表示为用户账户的购物车中第T个时间段内第r个类别的第p个商品历史浏览时长，

表示为用户账户的收藏夹中第T个时间段内第r个类别的第f个商品历史浏览时长，将用户账户的购物车和收藏夹中各时间段内各类别的各商品历史浏览时长集合发送至云服务器；

所述云服务器用于接收商品类别分析模块发送的用户账户的购物车和收藏夹中各时间段内各类别的商品数目占比，同时接收浏览时长提取模块发送的用户账户的购物车和收藏夹中各时间段内各类别的各商品历史浏览时长集合，提取存储数据库中存储的商品在购物车中、在收藏夹中和商品历史浏览时长的喜爱度影响比例系数，并提取存储数据库中存储的各时间段内商品的喜爱影响系数，计算用户对各类别商品的综合喜爱度系数，统计用户对各类别商品的综合喜爱度系数，将用户对各类别商品的综合喜爱度系数相互进行对比，筛选用户综合喜爱度系数最高的商品类别，将筛选的用户综合喜爱度系数最高的商品类别发送至商品金额统计模块；

所述商品金额统计模块用于接收数据获取模块发送的用户账户的购物车和收藏夹中各商品的详细数据，同时接收云服务器发送的用户综合喜爱度系数最高的商品类别，筛选用户账户的购物车和收藏夹中喜爱度最高的商品类别的各商品金额，并统计用户账户的购物车和收藏夹中喜爱度最高的商品类别的各商品金额，将统计的用户账户的购物车和收藏夹中喜爱度最高的商品类别的各商品金额发送至商品金额分析模块；

所述商品金额分析模块用于接收商品金额统计模块发送的用户账户的购物车和收藏夹中喜爱度最高的商品类别的各商品金额，通过将用户账户的购物车和收藏夹中喜爱度最高的商品类别的各商品金额相加，计算用户账户中喜爱度最高的商品类别的平均商品金额，将计算的用户账户中喜爱度最高的商品类别的平均商品金额与预设各商品金额的标准区间进行对比，筛选用户账户中喜爱度最高的商品类别的平均商品金额对应的标准金额区间，将用户账户中喜爱度最高的商品类别的标准金额区间发送至云服务器；

所述云服务器用户接受商品金额分析模块发送的用户账户中喜爱度最高的商品类别的标准金额区间，提取存储数据库中存储的电子商务平台中各商品类别内销量排行靠前的各商品，获取电子商务平台中用户喜爱度最高的商品类别内销量排行靠前的各商品，同时根据接收的用户账户中喜爱度最高的商品类别的标准金额区间，筛选电子商务平台中用户喜爱度最高的商品类别内销量排行靠前且处于标准金额区间的各商品，将电子商务平台中用户喜爱度最高的商品类别内销量排行靠前且处于标准金额区间的各商品发送至商品推送模块；

所述存储数据库用于接收数据获取模块发送的用户账户的购物车和收藏夹中各商品的详细数据，同时存储各类别商品对应的各商品名称，存储用户账户的购物车和收藏夹中各商品历史浏览时长，并存储商品在购物车中、在收藏夹中和商品历史浏览时长的喜爱度影响比例系数，分别记为μ,η,ε，同时存储各时间段内商品的喜爱影响系数，分别记为

并存储电子商务平台中各商品类别内销量排行靠前的各商品；

所述商品推送模块用于接收云服务器发送的电子商务平台中用户喜爱度最高的商品类别内销量排行靠前且处于标准金额区间的各商品，将接收的各商品推送至用户显示终端；

进一步地，所述商品的详细数据包括商品名称、商品规格、商品型号、商品金额、购买商品数量和商品加入时间；

进一步地，所述各类别商品包括食品类商品、日用品类商品、家具类商品、家用电器类商品、纺织品类商品、五金电料类商品、厨具类商品、服装类商品、鞋帽类商品和其他类商品；

进一步地，所述用户账户的购物车中各时间段内各类别的商品数目占比计算公式为

k_rT表示为用户账户的购物车中第T个时间段内第r个类别的商品数目占比，x_rT表示为用户账户的购物车中第T个时间段内第r个类别的商品数目，n表示为用户账户的购物车中第T个时间段内加入的商品总数目；

进一步地，所述用户账户的收藏夹中各时间段内各类别的商品数目占比计算公式为

k′_rT表示为用户账户的收藏夹中第T个时间段内第r个类别的商品数目占比，x′_rT表示为用户账户的购物车中第T个时间段内第r个类别的商品数目，m表示为用户账户的收藏夹中第T个时间段内加入的商品总数目；

进一步地，所述用户对各类别商品的综合喜爱度系数计算公式为

ψ_r表示为用户对第r个类别商品的综合喜爱度系数，μ,η,ε分别表示为商品在购物车中、在收藏夹中和商品历史浏览时长的喜爱度影响比例系数，λ_T表示为第T个时间段内商品的喜爱影响系数，k_rT表示为用户账户的购物车中第T个时间段内第r个类别的商品数目占比，a_iT表示为用户账户的购物车中第T个时间段内加入的第i个商品，k′_rT表示为用户账户的收藏夹中第T个时间段内第r个类别的商品数目占比，b_jT表示为用户账户的收藏夹中第T个时间段内加入的第j个商品，e表示为自然数，等于2.718，

表示为用户账户的购物车中第T个时间段内第r个类别的第p个商品历史浏览时长，

表示为用户账户的收藏夹中第T个时间段内第r个类别的第f个商品历史浏览时长。

有益效果：

(1)本发明提供的一种基于云计算的电子商务平台商品智能推荐管理系统，通过获得用户账户的购物车和收藏夹中各商品的详细数据，提取用户账户的购物车和收藏夹中各商品加入收藏夹时间，同时按照加入时间顺序分类成用户账户的购物车和收藏夹中各时间段内加入的各商品，统计用户账户的购物车和收藏夹中各时间段内各类别的商品数目，为后期计算用户对各类别商品的综合喜爱度系数提高可靠的参考数据，并提取用户账户的购物车和收藏夹中各时间段内各类别的各商品历史浏览时长，计算用户对各类别商品的综合喜爱度系数，筛选用户综合喜爱度系数最高的商品类别，从而确保系统能够为用户推荐合适的商品，增加了用户的兴趣感和购物体验感，避免电子商务平台的用户人员流失的问题。

(2)本发明通过分析用户账户中喜爱度最高的商品类别的平均商品金额，筛选用户账户中喜爱度最高的商品类别的标准金额区间，从而避免系统推荐商品金额过高的情况，同时通过云服务器筛选电子商务平台中用户喜爱度最高的商品类别内销量排行靠前且处于标准金额区间的各商品，并推送至用户显示终端，从而提高用户的购买欲望，增加了商家的总体收益，促进电子商务平台的发展和进步。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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为本发明的示意图。

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在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1所示，一种基于云计算的电子商务平台商品智能推荐管理系统，包括用户登录模块、数据获取模块、数据提取模块、商品类别统计模块、商品类别分析模块、浏览时长提取模块、商品金额统计模块、商品金额分析模块、云服务器、存储数据库和商品推送模块。

所述云服务器分别与数据提取模块、商品类别统计模块、商品类别分析模块、浏览时长提取模块、商品金额统计模块、商品金额分析模块、存储数据库和商品推送模块连接，存储数据库分别与数据获取模块、商品类别统计模块和浏览时长提取模块连接，数据获取模块分别与用户登录模块、数据提取模块和商品金额统计模块连接，商品金额统计模块与商品金额分析模块连接，商品金额统计模块和商品金额分析模块连接。

所述用户登录模块用于通过用户将账户信息输入到电子商务平台的登录界面进行登录，用户的账户信息包括用户账号和账号密码，将登录成功的用户账户信息发送至数据获取模块。

所述数据获取模块用于接收用户登录模块发送的登录成功的用户账户信息，对接收的用户账户的购物车和收藏夹中商品数据进行获取，获得用户账户的购物车中各商品的详细数据和用户账户的收藏夹中各商品的详细数据，商品的详细数据包括商品名称、商品规格、商品型号、商品金额、购买商品数量和商品加入时间，将获得的用户账户的购物车和收藏夹中各商品的详细数据分别发送至数据提取模块、商品金额统计模块和存储数据库。

所述数据提取模块用于接收数据获取模块发送的用户账户的购物车和收藏夹中各商品的详细数据，提取接收的用户账户的购物车中各商品详细数据内对应的加入购物车时间和用户账户的收藏夹中各商品详细数据内对应的加入收藏夹时间，统计用户账户的购物车中各商品加入购物车时间和用户账户的收藏夹中各商品加入收藏夹时间，将用户账户的购物车中各商品加入购物车时间和用户账户的收藏夹中各商品加入收藏夹时间发送至云服务器。

所述云服务器用于接收数据提取模块发送的用户账户的购物车中各商品加入购物车时间和用户账户的收藏夹中各商品加入收藏夹时间，并按照加入时间顺序进行分类，分别划分成用户账户的购物车中各时间段内加入的各商品和用户账户的收藏夹中各时间段内加入的各商品，构成用户账户的购物车中各时间段内加入的各商品集合AT(a₁T,a₂T,...,a_iT,...,a_nT)，a_iT表示为用户账户的购物车中第T个时间段内加入的第i个商品，同时构成用户账户的收藏夹中各时间段内加入的各商品集合BT(b₁T,b₂T,...,b_jT,...,b_mT),b_jT表示为用户账户的收藏夹中第T个时间段内加入的第j个商品，T等于T₁,...,T,...,T₅,其中T₁,...,T,...,T₅分别表示为商品加入时间处于7天以内的时间段、处于7-30天以内的时间段、处于30-180天以内的时间段、处于180-365天以内的时间段和处于365天以外的时间段，将用户账户的购物车和收藏夹中各时间段内加入的各商品集合发送至商品类别统计模块。

所述商品类别统计模块用于接收云服务器发送的用户账户的购物车和收藏夹中各时间段内加入的各商品集合，提取存储数据库中存储的用户账户的购物车和收藏夹中各商品的详细数据，提取用户账户的购物车中各时间段内加入的各商品名称和用户账户的收藏夹中各时间段内加入的各商品名称，同时提取存储数据库中存储的各类别商品对应的各商品名称，筛选用户账户的购物车中各时间段内各类别的商品数目和用户账户的收藏夹中各时间段内各类别的商品数目，分别构成用户账户的购物车中各时间段内各类别的商品数目集合XT(x₁T,x₂T,...,x_rT,...,x_lT)和用户账户的收藏夹中各时间段内各类别的商品数目集合X′T(x′₁T,x′₂T,...,x′_rT,...,x′_lT)，x_rT表示为用户账户的购物车中第T个时间段内第r个类别的商品数目，x′_rT表示为用户账户的收藏夹中第T个时间段内第r个类别的商品数目，将用户账户的购物车和收藏夹中各时间段内各类别的商品数目集合发送至商品类别分析模块。

所述商品类别分析模块用于接收商品类别统计模块发送的用户账户的购物车和收藏夹中各时间段内各类别的商品数目集合，分别计算用户账户的购物车中各时间段内各类别的商品数目占比和用户账户的收藏夹中各时间段内各类别的商品数目占比，为后期计算用户对各类别商品的综合喜爱度系数提高可靠的参考数据，用户账户的购物车中各时间段内各类别的商品数目占比计算公式为

k_rT表示为用户账户的购物车中第T个时间段内第r个类别的商品数目占比，x_rT表示为用户账户的购物车中第T个时间段内第r个类别的商品数目，n表示为用户账户的购物车中第T个时间段内加入的商品总数目；同时用户账户的收藏夹中各时间段内各类别的商品数目占比计算公式为

k′_rT表示为用户账户的收藏夹中第T个时间段内第r个类别的商品数目占比，x′_rT表示为用户账户的购物车中第T个时间段内第r个类别的商品数目，m表示为用户账户的收藏夹中第T个时间段内加入的商品总数目，并统计用户账户的购物车和收藏夹中各时间段内各类别的商品数目占比，将用户账户的购物车和收藏夹中各时间段内各类别的商品数目占比发送至云服务器。

所述浏览时长提取模块用于对用户账户的购物车和收藏夹中各时间段内各类别的各商品历史浏览时长进行提取，提取存储数据库中存储的用户账户的购物车和收藏夹中各商品历史浏览时长，筛选用户账户的购物车中各时间段内各类别的各商品历史浏览时长和用户账户的收藏夹中各时间段内各类别的各商品历史浏览时长，分别构成用户账户的购物车中各时间段内各类别的各商品历史浏览时长集合

和用户账户的收藏夹中各时间段内各类别的各商品历史浏览时长集合

表示为用户账户的购物车中第T个时间段内第r个类别的第p个商品历史浏览时长，

表示为用户账户的收藏夹中第T个时间段内第r个类别的第f个商品历史浏览时长，为后期计算用户对各类别商品的综合喜爱度系数提高可靠的参考数据，并将用户账户的购物车和收藏夹中各时间段内各类别的各商品历史浏览时长集合发送至云服务器。

所述云服务器用于接收商品类别分析模块发送的用户账户的购物车和收藏夹中各时间段内各类别的商品数目占比，同时接收浏览时长提取模块发送的用户账户的购物车和收藏夹中各时间段内各类别的各商品历史浏览时长集合，提取存储数据库中存储的商品在购物车中、在收藏夹中和商品历史浏览时长的喜爱度影响比例系数，并提取存储数据库中存储的各时间段内商品的喜爱影响系数，计算用户对各类别商品的综合喜爱度系数，用户对各类别商品的综合喜爱度系数计算公式为

ψ_r表示为用户对第r个类别商品的综合喜爱度系数，μ,η,ε分别表示为商品在购物车中、在收藏夹中和商品历史浏览时长的喜爱度影响比例系数，λ_T表示为第T个时间段内商品的喜爱影响系数，k_rT表示为用户账户的购物车中第T个时间段内第r个类别的商品数目占比，a_iT表示为用户账户的购物车中第T个时间段内加入的第i个商品，k′_rT表示为用户账户的收藏夹中第T个时间段内第r个类别的商品数目占比，b_jT表示为用户账户的收藏夹中第T个时间段内加入的第j个商品，e表示为自然数，等于2.718，

表示为用户账户的购物车中第T个时间段内第r个类别的第p个商品历史浏览时长，

表示为用户账户的收藏夹中第T个时间段内第r个类别的第f个商品历史浏览时长，并统计用户对各类别商品的综合喜爱度系数，将用户对各类别商品的综合喜爱度系数相互进行对比，筛选用户综合喜爱度系数最高的商品类别，从而确保系统能够为用户推荐合适的商品，增加了用户的兴趣感和购物体验感，避免电子商务平台的用户人员流失的问题，并将筛选的用户综合喜爱度系数最高的商品类别发送至商品金额统计模块。

所述商品金额统计模块用于接收数据获取模块发送的用户账户的购物车和收藏夹中各商品的详细数据，同时接收云服务器发送的用户综合喜爱度系数最高的商品类别，筛选用户账户的购物车和收藏夹中喜爱度最高的商品类别的各商品金额，并统计用户账户的购物车和收藏夹中喜爱度最高的商品类别的各商品金额，将统计的用户账户的购物车和收藏夹中喜爱度最高的商品类别的各商品金额发送至商品金额分析模块。

所述商品金额分析模块用于接收商品金额统计模块发送的用户账户的购物车和收藏夹中喜爱度最高的商品类别的各商品金额，通过将用户账户的购物车和收藏夹中喜爱度最高的商品类别的各商品金额相加，计算用户账户中喜爱度最高的商品类别的平均商品金额，将计算的用户账户中喜爱度最高的商品类别的平均商品金额与预设各商品金额的标准区间进行对比，筛选用户账户中喜爱度最高的商品类别的平均商品金额对应的标准金额区间，从而避免系统推荐商品金额过高的情况，并将用户账户中喜爱度最高的商品类别的标准金额区间发送至云服务器。

所述云服务器用户接受商品金额分析模块发送的用户账户中喜爱度最高的商品类别的标准金额区间，提取存储数据库中存储的电子商务平台中各商品类别内销量排行靠前的各商品，获取电子商务平台中用户喜爱度最高的商品类别内销量排行靠前的各商品，同时根据接收的用户账户中喜爱度最高的商品类别的标准金额区间，筛选电子商务平台中用户喜爱度最高的商品类别内销量排行靠前且处于标准金额区间的各商品，将电子商务平台中用户喜爱度最高的商品类别内销量排行靠前且处于标准金额区间的各商品发送至商品推送模块。

所述存储数据库用于接收数据获取模块发送的用户账户的购物车和收藏夹中各商品的详细数据，同时存储各类别商品对应的各商品名称，各类别商品包括食品类商品、日用品类商品、家具类商品、家用电器类商品、纺织品类商品、五金电料类商品、厨具类商品、服装类商品、鞋帽类商品和其他类商品，存储用户账户的购物车和收藏夹中各商品历史浏览时长，并存储商品在购物车中、在收藏夹中和商品历史浏览时长的喜爱度影响比例系数，分别记为μ,η,ε，同时存储各时间段内商品的喜爱影响系数，分别记为

并存储电子商务平台中各商品类别内销量排行靠前的各商品。

所述商品推送模块用于接收云服务器发送的电子商务平台中用户喜爱度最高的商品类别内销量排行靠前且处于标准金额区间的各商品，将接收的各商品推送至用户显示终端，从而提高用户的购买欲望，增加了商家的总体收益，促进电子商务平台的发展和进步。

以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (6)

1.一种基于云计算的电子商务平台商品智能推荐管理系统，其特征在于：包括用户登录模块、数据获取模块、数据提取模块、商品类别统计模块、商品类别分析模块、浏览时长提取模块、商品金额统计模块、商品金额分析模块、云服务器、存储数据库和商品推送模块；

所述云服务器分别与数据提取模块、商品类别统计模块、商品类别分析模块、浏览时长提取模块、商品金额统计模块、商品金额分析模块、存储数据库和商品推送模块连接，存储数据库分别与数据获取模块、商品类别统计模块和浏览时长提取模块连接，数据获取模块分别与用户登录模块、数据提取模块和商品金额统计模块连接，商品金额统计模块与商品金额分析模块连接，商品金额统计模块和商品金额分析模块连接；

所述用户登录模块用于通过用户将账户信息输入到电子商务平台的登录界面进行登录，用户的账户信息包括用户账号和账号密码，将登录成功的用户账户信息发送至数据获取模块；

所述数据获取模块用于接收用户登录模块发送的登录成功的用户账户信息，对接收的用户账户的购物车和收藏夹中商品数据进行获取，获得用户账户的购物车中各商品的详细数据和用户账户的收藏夹中各商品的详细数据，将获得的用户账户的购物车和收藏夹中各商品的详细数据分别发送至数据提取模块、商品金额统计模块和存储数据库；

所述数据提取模块用于接收数据获取模块发送的用户账户的购物车和收藏夹中各商品的详细数据，提取接收的用户账户的购物车中各商品详细数据内对应的加入购物车时间和用户账户的收藏夹中各商品详细数据内对应的加入收藏夹时间，统计用户账户的购物车中各商品加入购物车时间和用户账户的收藏夹中各商品加入收藏夹时间，将用户账户的购物车中各商品加入购物车时间和用户账户的收藏夹中各商品加入收藏夹时间发送至云服务器；

所述云服务器用于接收数据提取模块发送的用户账户的购物车中各商品加入购物车时间和用户账户的收藏夹中各商品加入收藏夹时间，并按照加入时间顺序进行分类，分别划分成用户账户的购物车中各时间段内加入的各商品和用户账户的收藏夹中各时间段内加入的各商品，构成用户账户的购物车中各时间段内加入的各商品集合AT(a₁T,a₂T,...,a_iT,...,a_nT)，a_iT表示为用户账户的购物车中第T个时间段内加入的第i个商品，同时构成用户账户的收藏夹中各时间段内加入的各商品集合BT(b₁T,b₂T,...,b_jT,...,b_mT),b_jT表示为用户账户的收藏夹中第T个时间段内加入的第j个商品，T等于T₁,...,T,...,T₅,其中T₁,...,T,...,T₅分别表示为商品加入时间处于7天以内的时间段、处于7-30天以内的时间段、处于30-180天以内的时间段、处于180-365天以内的时间段和处于365天以外的时间段，将用户账户的购物车和收藏夹中各时间段内加入的各商品集合发送至商品类别统计模块；

所述商品类别统计模块用于接收云服务器发送的用户账户的购物车和收藏夹中各时间段内加入的各商品集合，提取存储数据库中存储的用户账户的购物车和收藏夹中各商品的详细数据，提取用户账户的购物车中各时间段内加入的各商品名称和用户账户的收藏夹中各时间段内加入的各商品名称，同时提取存储数据库中存储的各类别商品对应的各商品名称，筛选用户账户的购物车中各时间段内各类别的商品数目和用户账户的收藏夹中各时间段内各类别的商品数目，分别构成用户账户的购物车中各时间段内各类别的商品数目集合XT(x₁T,x₂T,...,x_rT,...,x_lT)和用户账户的收藏夹中各时间段内各类别的商品数目集合X′T(x′₁T,x′₂T,...,x′_rT,...,x′_lT)，x_rT表示为用户账户的购物车中第T个时间段内第r个类别的商品数目，x′_rT表示为用户账户的收藏夹中第T个时间段内第r个类别的商品数目，将用户账户的购物车和收藏夹中各时间段内各类别的商品数目集合发送至商品类别分析模块；

所述商品类别分析模块用于接收商品类别统计模块发送的用户账户的购物车和收藏夹中各时间段内各类别的商品数目集合，分别计算用户账户的购物车中各时间段内各类别的商品数目占比和用户账户的收藏夹中各时间段内各类别的商品数目占比，统计用户账户的购物车和收藏夹中各时间段内各类别的商品数目占比，将用户账户的购物车和收藏夹中各时间段内各类别的商品数目占比发送至云服务器；

所述浏览时长提取模块用于对用户账户的购物车和收藏夹中各时间段内各类别的各商品历史浏览时长进行提取，提取存储数据库中存储的用户账户的购物车和收藏夹中各商品历史浏览时长，筛选用户账户的购物车中各时间段内各类别的各商品历史浏览时长和用户账户的收藏夹中各时间段内各类别的各商品历史浏览时长，分别构成用户账户的购物车中各时间段内各类别的各商品历史浏览时长集合

和用户账户的收藏夹中各时间段内各类别的各商品历史浏览时长集合

表示为用户账户的购物车中第T个时间段内第r个类别的第p个商品历史浏览时长，

表示为用户账户的收藏夹中第T个时间段内第r个类别的第f个商品历史浏览时长，将用户账户的购物车和收藏夹中各时间段内各类别的各商品历史浏览时长集合发送至云服务器；

所述云服务器用于接收商品类别分析模块发送的用户账户的购物车和收藏夹中各时间段内各类别的商品数目占比，同时接收浏览时长提取模块发送的用户账户的购物车和收藏夹中各时间段内各类别的各商品历史浏览时长集合，提取存储数据库中存储的商品在购物车中、在收藏夹中和商品历史浏览时长的喜爱度影响比例系数，并提取存储数据库中存储的各时间段内商品的喜爱影响系数，计算用户对各类别商品的综合喜爱度系数，统计用户对各类别商品的综合喜爱度系数，将用户对各类别商品的综合喜爱度系数相互进行对比，筛选用户综合喜爱度系数最高的商品类别，将筛选的用户综合喜爱度系数最高的商品类别发送至商品金额统计模块；

所述商品金额统计模块用于接收数据获取模块发送的用户账户的购物车和收藏夹中各商品的详细数据，同时接收云服务器发送的用户综合喜爱度系数最高的商品类别，筛选用户账户的购物车和收藏夹中喜爱度最高的商品类别的各商品金额，并统计用户账户的购物车和收藏夹中喜爱度最高的商品类别的各商品金额，将统计的用户账户的购物车和收藏夹中喜爱度最高的商品类别的各商品金额发送至商品金额分析模块；

所述商品金额分析模块用于接收商品金额统计模块发送的用户账户的购物车和收藏夹中喜爱度最高的商品类别的各商品金额，通过将用户账户的购物车和收藏夹中喜爱度最高的商品类别的各商品金额相加，计算用户账户中喜爱度最高的商品类别的平均商品金额，将计算的用户账户中喜爱度最高的商品类别的平均商品金额与预设各商品金额的标准区间进行对比，筛选用户账户中喜爱度最高的商品类别的平均商品金额对应的标准金额区间，将用户账户中喜爱度最高的商品类别的标准金额区间发送至云服务器；

所述云服务器用户接受商品金额分析模块发送的用户账户中喜爱度最高的商品类别的标准金额区间，提取存储数据库中存储的电子商务平台中各商品类别内销量排行靠前的各商品，获取电子商务平台中用户喜爱度最高的商品类别内销量排行靠前的各商品，同时根据接收的用户账户中喜爱度最高的商品类别的标准金额区间，筛选电子商务平台中用户喜爱度最高的商品类别内销量排行靠前且处于标准金额区间的各商品，将电子商务平台中用户喜爱度最高的商品类别内销量排行靠前且处于标准金额区间的各商品发送至商品推送模块；

所述存储数据库用于接收数据获取模块发送的用户账户的购物车和收藏夹中各商品的详细数据，同时存储各类别商品对应的各商品名称，存储用户账户的购物车和收藏夹中各商品历史浏览时长，并存储商品在购物车中、在收藏夹中和商品历史浏览时长的喜爱度影响比例系数，分别记为μ,η,ε，同时存储各时间段内商品的喜爱影响系数，分别记为

并存储电子商务平台中各商品类别内销量排行靠前的各商品；

所述商品推送模块用于接收云服务器发送的电子商务平台中用户喜爱度最高的商品类别内销量排行靠前且处于标准金额区间的各商品，将接收的各商品推送至用户显示终端。

2.根据权利要求1所述的一种基于云计算的电子商务平台商品智能推荐管理系统，其特征在于：所述商品的详细数据包括商品名称、商品规格、商品型号、商品金额、购买商品数量和商品加入时间。

3.根据权利要求1所述的一种基于云计算的电子商务平台商品智能推荐管理系统，其特征在于：所述各类别商品包括食品类商品、日用品类商品、家具类商品、家用电器类商品、纺织品类商品、五金电料类商品、厨具类商品、服装类商品、鞋帽类商品和其他类商品。

4.根据权利要求1所述的一种基于云计算的电子商务平台商品智能推荐管理系统，其特征在于：所述用户账户的购物车中各时间段内各类别的商品数目占比计算公式为

k_rT表示为用户账户的购物车中第T个时间段内第r个类别的商品数目占比，x_rT表示为用户账户的购物车中第T个时间段内第r个类别的商品数目，n表示为用户账户的购物车中第T个时间段内加入的商品总数目。

5.根据权利要求1所述的一种基于云计算的电子商务平台商品智能推荐管理系统，其特征在于：所述用户账户的收藏夹中各时间段内各类别的商品数目占比计算公式为

k′_rT表示为用户账户的收藏夹中第T个时间段内第r个类别的商品数目占比，x′_rT表示为用户账户的购物车中第T个时间段内第r个类别的商品数目，m表示为用户账户的收藏夹中第T个时间段内加入的商品总数目。

6.根据权利要求1所述的一种基于云计算的电子商务平台商品智能推荐管理系统，其特征在于：所述用户对各类别商品的综合喜爱度系数计算公式为

ψ_r表示为用户对第r个类别商品的综合喜爱度系数，μ,η,ε分别表示为商品在购物车中、在收藏夹中和商品历史浏览时长的喜爱度影响比例系数，λ_T表示为第T个时间段内商品的喜爱影响系数，k_rT表示为用户账户的购物车中第T个时间段内第r个类别的商品数目占比，a_iT表示为用户账户的购物车中第T个时间段内加入的第i个商品，k′_rT表示为用户账户的收藏夹中第T个时间段内第r个类别的商品数目占比，b_jT表示为用户账户的收藏夹中第T个时间段内加入的第j个商品，e表示为自然数，等于2.718，

表示为用户账户的购物车中第T个时间段内第r个类别的第p个商品历史浏览时长，

表示为用户账户的收藏夹中第T个时间段内第r个类别的第f个商品历史浏览时长。

Images