CN112434220A - 一种基于互联网的产品推送系统及方法 - Google Patents

Abstract

本发明公开了一种基于互联网的产品推送系统及方法，通过所述模型构建模块获取用户信息和对应的历史记录，并基于随机森林算法构建推送模型；然后基于所述登录判断模块获取用户的在线信息，判断是否进行后台程序推送；若用户在线，则利用所述线上推荐模块根据当前的浏览信息和设定的匹配度匹配出线上推荐产品，并更新浏览明细表，同时获取对应的分享信息和用户行为参数；若用户不在线，则利用所述联动模块将获取的所述线上推荐模块的所述浏览信息对所述推送模型进行更新，然后所述后台推荐模块根据更新后的所述推送模型计算出后台推荐产品进行后台缓存推送，并获取浏览参数，能够准确的向消费着推荐产品。

Description

一种基于互联网的产品推送系统及方法

技术领域

本发明涉及互联网技术领域，尤其涉及一种基于互联网的产品推送系统及方法。

背景技术

随着互联网时代的快速发展，线上交易已经渐渐融入人们的生活，其通过线上交易平台实现，而商品推送是最常见的运营手段，但是目前对于商品推送的方案要么是根据历史资料进行常规推送，要么就是当用户浏览一段时间后，再进行推送，会产生对消费者推送不准确的问题。

发明内容

本发明的目的在于提供一种基于互联网的产品推送系统及方法，能够准确的向消费者推送产品。

为实现上述目的，第一方面，本发明提供了一种基于互联网的产品推送系统，所述基于互联网的产品推送系统包括模型构建模块、登录判断模块、线上推荐模块、数据联动模块和后台推荐模块，所述登录判断模块与所述模型构建模块连接，所述线上推荐模块和所述后台推荐模块与所述登录判断模块连接，所述数据联动模块与所述模型构建模块、所述线上推荐模块和所述后台推荐模块连接；

所述模型构建模块，用于获取用户信息和历史记录，并基于随机森林算法构建推送模型；

所述登录判断模块，用于判断用户是否在线，并根据判断结果判断是否进行后台推送；

所述线上推荐模块，用于根据当前浏览信息匹配出线上推荐产品，并更新浏览明细表，同时获取所述线上推荐产品的分享信息；

所述数据联动模块，用于利用所述线上推荐模块的所述浏览信息对所述推送模型进行更新；

所述后台推荐模块，用于将计算出的后台推荐产品进行后台缓存推送，并获取浏览参数。

其中，所述基于互联网的产品推送系统还包括缓存模块，所述缓存模块与所述后台推荐模块连接；

所述缓存模块，用于缓存所述后台推荐模块计算出的所述后台推荐产品。

其中，所述线上推荐模块包括数据采集单元、商品匹配单元和分享单元，所述数据采集单元、所述分享单元和所述商品匹配单元依次连接；

所述数据采集单元，用于实时在线采集当前的浏览信息；

所述商品匹配单元，用于根据所述数据采集单元采集的浏览信息，根据设定的匹配度，匹配出线上推荐产品；

所述分享单元，用于将所述线上推荐产品进行分享，同时获取所述线上推荐产品的分享次数。

其中，所述线上推荐模块还包括页面更新单元，所述页面更新单元与所述商品匹配单元连接；

所述页面更新单元，用于根据所述商品匹配单元匹配出的所述线上推荐产品，实时更新当前浏览页面。

其中，所述所述线上推荐模块还包括分享参数获取单元，所述分享参数获取单元与所述分享单元连接；

所述分享参数获取单元，用于获取通过所述分享单元分享出去的所述线上推荐产品的点击次数和用户行为数据。

其中，所述模型构建模块包括数据获取单元和数据训练单元，所述数据训练单元与所述数据获取单元连接；

所述数据获取单元，用于获取对应的用户信息和对应的历史记录；

所述数据训练单元，用于根据所述数据获取单元的数据，利用随机森林算法进行训练，构建推送模型。

第二方面，本发明提供一种基于互联网的产品推送方法，如第一方面所述的一种基于互联网的产品推送系统适用于一种基于互联网的产品推送方法，包括以下步骤：

获取用户信息和对应的历史记录，并基于随机森林算法构建推送模型；

获取用户的在线信息，判断是否进行后台程序推送；

若所述用户在线，则根据当前浏览信息匹配出线上推荐产品，并更新浏览明细表；

判断所述用户是否分享对应的所述线上推荐产品，同时获取分享次数和对应的用户行为数据；

若所述用户不在线，则根据更新后的所述推送模型计算出后台推荐产品进行后台缓存推送，并获取浏览参数。

本发明的一种基于互联网的产品推送系统及方法，所述基于互联网的产品推送系统包括模型构建模块、登录判断模块、线上推荐模块、数据联动模块和后台推荐模块，通过所述模型构建模块获取用户信息和对应的历史记录，并基于随机森林算法构建推送模型；然后基于所述登录判断模块获取用户的在线信息，判断是否进行后台程序推送；若用户在线，则利用所述线上推荐模块根据当前的浏览信息和设定的匹配度匹配出线上推荐产品，并更新浏览明细表，同时获取对应的分享信息和用户行为参数；若用户不在线，则利用所述联动模块将获取的所述线上推荐模块的所述浏览信息对所述推送模型进行更新，然后所述后台推荐模块根据更新后的所述推送模型计算出后台推荐产品进行后台缓存推送，并获取浏览参数，能够准确的向消费着推荐产品。

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是本发明提供的一种基于互联网的产品推送系统的结构示意图。

图2是本发明提供的线上推荐模块的结构示意图。

图3是本发明提供的一种基于互联网的产品推送方法的步骤示意图。

1-模型构建模块、2-登录判断模块、3-线上推荐模块、4-数据联动模块、5-后台推荐模块、6-缓存模块、31-数据采集单元、32-商品匹配单元、33-分享单元、34-页面更新单元、35-分享参数获取单元、11-数据获取单元、12-数据训练单元、51-计算单元、52-结果确认单元、7-登录确认模块。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

请参阅图1和图2，本发明提供一种基于互联网的产品推送系统，所述基于互联网的产品推送系统包括模型构建模块1、登录判断模块2、线上推荐模块3、数据联动模块4和后台推荐模块5，所述登录判断模块2与所述模型构建模块1连接，所述线上推荐模块3和所述后台推荐模块5与所述登录判断模块2连接，所述数据联动模块4与所述模型构建模块1、所述线上推荐模块3和所述后台推荐模块5连接；

所述模型构建模块1，用于获取用户信息和历史记录，并基于随机森林算法构建推送模型；

所述登录判断模块2，用于判断用户是否在线，并根据判断结果判断是否进行后台推送；

所述线上推荐模块3，用于根据当前浏览信息匹配出线上推荐产品，并更新浏览明细表，同时获取所述线上推荐产品的分享信息；

所述数据联动模块4，用于利用所述线上推荐模块3的所述浏览信息对所述推送模型进行更新；

所述后台推荐模块5，用于将计算出的后台推荐产品进行后台缓存推送，并获取浏览参数。

在本实施方式中，通过所述模型构建模块1获取用户信息和对应的历史记录，并基于随机森林算法构建推送模型；然后基于所述登录判断模块2获取用户的在线信息，判断是否进行后台程序推送；若用户在线，则利用所述线上推荐模块3根据当前的浏览信息和设定的匹配度匹配出线上推荐产品，并更新浏览明细表，即根据所述线上推荐产品，立马对当前的浏览页面和页面上的产品列表进行更新；若用户将所述线上推荐产品进行分享，则获取对应的分享信息和用户行为参数，包括分享次数、分享之后是否有浏览以及浏览的时间等；若用户不在线，则利用所述联动模块将获取的所述线上推荐模块3的所述浏览信息对所述推送模型进行更新，即是利用所述数据联动模块4获取关闭网页前的浏览信息，对所述推送模型进行训练和更新；然后所述后台推荐模块5根据更新后的所述推送模型计算出后台推荐产品，然后进行后台缓存，直至用户再次上线后进行推送，然后获取浏览参数，能够准确的向消费着推荐产品，并且避免了当用户退出当前应用后，仍然进行后台消息推送，产生适得其反的效果，保证能够向消费者推荐准确的产品。

进一步的，所述基于互联网的产品推送系统还包括缓存模块6，所述缓存模块6与所述后台推荐模块5连接；

所述缓存模块6，用于缓存所述后台推荐模块5计算出的所述后台推荐产品。

在本实施方式中，利用所述缓存模块6将所述后台推荐模块5计算出的所述后台推荐产品进行缓存，当用户再次上线后，再进行推送，避免当用户上线后，再进行计算分析，既对数据进行了保存，也能减少系统的运行内存和时间。

进一步的，所述线上推荐模块3包括数据采集单元31、商品匹配单元32和分享单元33，所述数据采集单元31、所述分享单元33和所述商品匹配单元32依次连接；

所述数据采集单元31，用于实时在线采集当前的浏览信息；

所述商品匹配单元32，用于根据所述数据采集单元31采集的浏览信息，根据设定的匹配度，匹配出线上推荐产品；

所述分享单元33，用于将所述线上推荐产品进行分享，同时获取所述线上推荐产品的分享次数。

在本实施方式中，首先利用所述数据采集单元31实时在线采集消费者当前的浏览信息，然后通过所述商品匹配单元32设定的匹配度，计算出与当前的浏览信息相匹配的所述线上推荐产品，同时提供一个分享连接，便于通过所述分享单元33将所述线上推荐产品进行分享出去，增加产品的推广度，同时能够保证所述线上推荐产品符合当前的浏览信息，使其符合当前消费者的浏览行为。

进一步的，所述线上推荐模块3还包括页面更新单元34，所述页面更新单元34与所述商品匹配单元32连接；

所述页面更新单元34，用于根据所述商品匹配单元32匹配出的所述线上推荐产品，实时更新当前浏览页面。

在本实施方式中，当所述商品匹配单元32计算出对应的所述线上推荐产品后，利用所述页面更新单元34将对应页面上的推荐的产品按照匹配度进行更新和替换，将匹配度高的产品进行优先展示，便于增加消费者的浏览体验，同时实时的更新浏览页面，能够向消费者提供更加准确的推荐产品。

进一步的，所述所述线上推荐模块3还包括分享参数获取单元35，所述分享参数获取单元35与所述分享单元33连接；

所述分享参数获取单元35，用于获取通过所述分享单元33分享出去的所述线上推荐产品的点击次数和用户行为数据。

在本实施方式中，当所述线上推荐产品通过所述分享单元33分享出去后，利用所述分享参数获取单元35获取所述线上推荐产品的分享次数，同时获取分享后的对应的点击次数，判断是否都满足被推荐者，若都对所述线上推荐产品进行浏览，然后获取对应的用户行为数据，即获取浏览时间和浏览次数，并且获取是否有购买意向等，得到所述线上推荐产品的推荐满意度。

进一步的，所述模型构建模块1包括数据获取单元11和数据训练单元12，所述数据训练单元12与所述数据获取单元11连接；

所述数据获取单元11，用于获取对应的用户信息和对应的历史记录；

所述数据训练单元12，用于根据所述数据获取单元11的数据，利用随机森林算法进行训练，构建推送模型。

在本实施方式中，首先利用所述数据获取单元11获取对应的用户信息和对应的历史记录，所述历史记录包括历史购买记录和浏览记录等，然后利用随机森林算法对所述历史记录进行训练，得到对应的推送模型，可以直接通过所述推送模型计算出对应的推荐产品，降低计算量和运行时间。

进一步的，所述后台推荐模块5包括计算单元51和所述结果确认单元52，所述计算单元51与所述数据联动模块4连接，所述结果确认单元52与所述计算单元51连接；

所述计算单元51，用于根据更新后的所述推送模型计算出对应的推送相似度，并基于阈值推荐出多个所述后台推荐产品；

所述结果确认单元52，用于获取所述后台推荐产品的浏览参数。

在本实施方式中，当所述数据联动模块4对所述推送模型进行更新后，通过所述计算单元51根据更新后的所述推送模型计算出对应的推送相似度，将所述推送相似度进行降序排列后，基于设定的选取阈值，选择排列靠前的多个所述后台推荐产品，然后利用所述结果确认单元52获取所述后台推荐产品的浏览参数，包括是否浏览、浏览时间和次数等，便于掌握推荐的产品的满意度，然后利用所述线上推荐模块3进行实时在线更新，便于向消费者推荐准确的产品。

进一步的，所述基于互联网的产品推荐系统还包括登录确认模块7，所述登录确认模块7与所述缓存模块6连接；

所述登录确认模块7，用于获取用户的登录信息，将所述缓存模块6中缓冲的所述后台推荐产品进行推送。

在本实施方式中，当利用所述登录确认模块7获取到用户登录了对应的应用时，首先将所述缓存模块6缓存的所述后台推荐产品进行推送展示，然后利用所述线上推荐模块3进行实时在线更新，便于向消费者推荐准确的产品。

请参阅图3，本发明提供一种基于互联网的产品推送方法，所述的一种基于互联网的产品推送系统适用于一种基于互联网的产品推送方法，包括以下步骤：

S101、获取用户信息和对应的历史记录，并基于随机森林算法构建推送模型。

具体的，首先利用所述数据获取单元11获取对应的用户信息和对应的历史记录，所述历史记录包括历史购买记录和浏览记录等，然后利用随机森林算法对所述历史记录进行训练，得到对应的推送模型，可以直接通过所述推送模型计算出对应的推荐产品，降低计算量和运行时间。

S102、获取用户的在线信息，判断是否进行后台程序推送。

具体的，基于所述登录判断模块2获取用户的在线信息，判断是否进行后台程序推送；若用户在线，则进行实时在线更新，若用户不在线，计算出后台推荐产品，然后进行后台缓存，直至用户再次上线后进行推送，根据用户是否在线，进行对应的产品计算推荐，避免在用户退出当前应用后，仍然进行后台消息推送，影响用户的使用体验。

S103、若所述用户在线，则根据当前浏览信息匹配出线上推荐产品，并更新浏览明细表。

具体的，若用户在线，则利用所述线上推荐模块3根据当前的浏览信息和设定的匹配度匹配出线上推荐产品，并更新浏览明细表，即根据所述线上推荐产品，立马对当前的浏览页面和页面上的产品列表进行更新，包括：

首先利用所述数据采集单元31实时在线采集消费者当前的浏览信息，然后通过所述商品匹配单元32设定的匹配度，计算出与当前的浏览信息相匹配的所述线上推荐产品，然后，利用所述页面更新单元34将对应页面上的推荐的产品按照匹配度进行更新和替换，将匹配度高的产品进行优先展示，便于增加消费者的浏览体验，同时实时的更新浏览页面，能够向消费者提供更加准确的推荐产品。

S104、判断所述用户是否分享对应的所述线上推荐产品，同时获取分享次数和对应的用户行为数据。

具体的，在计算出所述线上推荐产品后，同时提供一个分享连接，便于通过所述分享单元33将所述线上推荐产品进行分享出去，增加产品的推广度，同时能够保证所述线上推荐产品符合当前的浏览信息，使其符合当前消费者的浏览行为，并当所述线上推荐产品通过所述分享单元33分享出去后，利用所述分享参数获取单元35获取所述线上推荐产品的分享次数，同时获取分享后的对应的点击次数，判断是否都满足被推荐者，若都对所述线上推荐产品进行浏览，然后获取对应的用户行为数据，即获取浏览时间和浏览次数，并且获取是否有购买意向等，得到所述线上推荐产品的推荐满意度。

S105、若所述用户不在线，则根据更新后的所述推送模型计算出后台推荐产品进行后台缓存推送，并获取浏览参数。

具体的，若用户不在线，则利用所述联动模块将获取的所述线上推荐模块3的所述浏览信息对所述推送模型进行更新，即是利用所述数据联动模块4获取关闭网页前的浏览信息，对所述推送模型进行训练和更新；然后通过所述计算单元51根据更新后的所述推送模型计算出对应的推送相似度，将所述推送相似度进行降序排列后，基于设定的选取阈值，选择排列靠前的多个所述后台推荐产品，然后利用所述缓存模块6将所述后台推荐模块5计算出的所述后台推荐产品进行缓存，当用户再次上线后，再进行推送，避免当用户上线后，再进行计算分析，既对数据进行了保存，也能减少系统的运行内存和时间；当利用所述登录确认模块7获取到用户登录了对应的应用时，首先将所述缓存模块6缓存的所述后台推荐产品进行推送展示；接着，利用所述结果确认单元52获取所述后台推荐产品的浏览参数，包括是否浏览、浏览时间和次数等，便于掌握推荐的产品的满意度，然后利用所述线上推荐模块3进行实时在线更新，便于向消费者推荐准确的产品，并且避免了当用户退出当前应用后，仍然进行后台消息推送，产生适得其反的效果，保证能够向消费者推荐准确的产品。

本发明的一种基于互联网的产品推送系统及方法，所述基于互联网的产品推送系统包括模型构建模块1、登录判断模块2、线上推荐模块3、数据联动模块4和后台推荐模块5，通过所述模型构建模块1获取用户信息和对应的历史记录，并基于随机森林算法构建推送模型；然后基于所述登录判断模块2获取用户的在线信息，判断是否进行后台程序推送；若用户在线，则利用所述线上推荐模块3根据当前的浏览信息和设定的匹配度匹配出线上推荐产品，并更新浏览明细表，同时获取对应的分享信息和用户行为参数；若用户不在线，则利用所述联动模块将获取的所述线上推荐模块3的所述浏览信息对所述推送模型进行更新，然后所述后台推荐模块5根据更新后的所述推送模型计算出后台推荐产品进行后台缓存推送，并获取浏览参数，能够准确的向消费着推荐产品。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (7)

1.一种基于互联网的产品推送系统，其特征在于，

所述基于互联网的产品推送系统包括模型构建模块、登录判断模块、线上推荐模块、数据联动模块和后台推荐模块，所述登录判断模块与所述模型构建模块连接，所述线上推荐模块和所述后台推荐模块与所述登录判断模块连接，所述数据联动模块与所述模型构建模块、所述线上推荐模块和所述后台推荐模块连接；

所述模型构建模块，用于获取用户信息和历史记录，并基于随机森林算法构建推送模型；

所述登录判断模块，用于判断用户是否在线，并根据判断结果判断是否进行后台推送；

所述线上推荐模块，用于根据当前浏览信息匹配出线上推荐产品，并更新浏览明细表，同时获取所述线上推荐产品的分享信息；

所述数据联动模块，用于利用所述线上推荐模块的所述浏览信息对所述推送模型进行更新；

所述后台推荐模块，用于将计算出的后台推荐产品进行后台缓存推送，并获取浏览参数。

2.如权利要求1所述的基于互联网的产品推送系统，其特征在于，

所述基于互联网的产品推送系统还包括缓存模块，所述缓存模块与所述后台推荐模块连接；

所述缓存模块，用于缓存所述后台推荐模块计算出的所述后台推荐产品。

3.如权利要求1所述的基于互联网的产品推送系统，其特征在于，

所述线上推荐模块包括数据采集单元、商品匹配单元和分享单元，所述数据采集单元、所述分享单元和所述商品匹配单元依次连接；

所述数据采集单元，用于实时在线采集当前的浏览信息；

所述商品匹配单元，用于根据所述数据采集单元采集的浏览信息，根据设定的匹配度，匹配出线上推荐产品；

所述分享单元，用于将所述线上推荐产品进行分享，同时获取所述线上推荐产品的分享次数。

4.如权利要求3所述的基于互联网的产品推送系统，其特征在于，

所述线上推荐模块还包括页面更新单元，所述页面更新单元与所述商品匹配单元连接；

所述页面更新单元，用于根据所述商品匹配单元匹配出的所述线上推荐产品，实时更新当前浏览页面。

5.如权利要求3所述的基于互联网的产品推送系统，其特征在于，

所述所述线上推荐模块还包括分享参数获取单元，所述分享参数获取单元与所述分享单元连接；

所述分享参数获取单元，用于获取通过所述分享单元分享出去的所述线上推荐产品的点击次数和用户行为数据。

6.如权利要求1所述的基于互联网的产品推送系统，其特征在于，

所述模型构建模块包括数据获取单元和数据训练单元，所述数据训练单元与所述数据获取单元连接；

所述数据获取单元，用于获取对应的用户信息和对应的历史记录；

所述数据训练单元，用于根据所述数据获取单元的数据，利用随机森林算法进行训练，构建推送模型。

7.一种基于互联网的产品推送方法，如权利要求1至权利要求6任一项所述的一种基于互联网的产品推送系统适用于一种基于互联网的产品推送方法，其特征在于，包括以下步骤：

获取用户信息和对应的历史记录，并基于随机森林算法构建推送模型；

获取用户的在线信息，判断是否进行后台程序推送；

若所述用户在线，则根据当前浏览信息匹配出线上推荐产品，并更新浏览明细表；

判断所述用户是否分享对应的所述线上推荐产品，同时获取分享次数和对应的用户行为数据；

若所述用户不在线，则根据更新后的所述推送模型计算出后台推荐产品进行后台缓存推送，并获取浏览参数。

Images