CN112581236A - 一种商品的智能推荐方法、系统及其可读存储介质 - Google Patents
一种商品的智能推荐方法、系统及其可读存储介质 Download PDFInfo
- Publication number
- CN112581236A CN112581236A CN202011577557.3A CN202011577557A CN112581236A CN 112581236 A CN112581236 A CN 112581236A CN 202011577557 A CN202011577557 A CN 202011577557A CN 112581236 A CN112581236 A CN 112581236A
- Authority
- CN
- China
- Prior art keywords
- commodity
- purchase
- interval
- records
- standard deviation
- 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
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及网络信息技术领域,具体涉及一种商品的智能推荐方法、系统及其可读存储介质,其方法包括:获取用户的商品购买记录;将含有相同商品标识的商品购买记录进行合并,并统计出与该商品标识对应商品的购买次数、平均购买间隔和购买间隔标准差;计算出各商品购买记录中的商品的周期性指数;并根据周期性指数对商品购买记录进行筛选得到商品候选集;从商品候选集中选取商品购买记录,并通过当前购买间隔、平均购买间隔和购买间隔标准差计算出排序值;根据排序值的大小依次对商品购买记录进行排列得到推荐列表,并在推荐列表中提取出预定数量的商品标识进行推荐。本发明所推荐的商品符合用户的周期性购买习惯,有效地提高了用户的使用体验感。
Description
技术领域
本发明涉及网络信息技术领域,具体涉及一种商品的智能推荐方法、一种商品的智能推荐系统以及一种存储有上述方法的可读存储介质。
背景技术
近些年来,随着互联网技术的飞速发展;网络购物已经成为人们日常生活中的一个重要部分,为了给用户提供更好的购物体验,现在各个网络购物平台均会根据用户以往的购物记录为用户进行商品推荐。
而在现有的市面上,其主要是通过根据用户以往的购物记录为用户添加上相应的标签,并且将该标签中所对应的物品推荐给用户;该方法虽然能根据用户的喜好进行商品推荐,但对于一些常年周期性购买的商品,如:个人护理用品、家居清洁用品、办公文具等;其系统并不会根据商品购买的时间和周期对该商品的推荐优先度进行适当的调整,故会存在用户刚购买完某类商品后,系统还会频繁地为其推荐相同的商品,而对于一些用户的购买周期快到的商品,系统却没有进行相应的推荐,其不能很好地满足用户的购买需求,其用户的使用体验感还有待提高。
发明内容
为克服上述缺陷,本发明的目的即在于提供一种周期性商品的智能推荐方法、系统、以及存储有其方法的可读存储介质。
本发明的目的是通过以下技术方案来实现的:
本发明是一种商品的智能推荐方法,其包括:
获取用户的多条商品购买记录,所述商品购买记录中包含:商品标识、商品购买日期;
将含有相同商品标识的商品购买记录进行合并,并根据其商品购买日期统计出与该商品标识对应商品的购买次数、平均购买间隔和购买间隔标准差;
根据所述商品购买记录中的所述购买间隔标准差与所述购买次数计算出各商品购买记录中的商品的周期性指数;并根据所述周期性指数对商品购买记录进行筛选,整合得到商品候选集;
从所述商品候选集中选取商品购买记录,并获取被选取的商品购买记录中的商品最近的购买日期与当前日期,统计出当前购买间隔,并通过所述当前购买间隔、平均购买间隔和购买间隔标准差计算出排序值;
根据所述排序值的大小依次对所述商品购买记录进行排列得到推荐列表,并在所述推荐列表中提取出预定数量的商品标识进行推荐。
在本发明中,所述根据其商品购买日期统计出与该商品标识对应商品的购买次数、平均购买间隔和购买间隔标准差之后包括:
判断所述商品的购买次数是否大于预定值,若大于预定值则进行根据所述商品购买记录中的所述购买间隔标准差与所述购买次数计算出各商品购买记录中的商品的周期性指数。
在本发明中,所述根据所述商品购买记录中的所述购买间隔标准差与所述购买次数计算出各商品购买记录中的商品的周期性指数包括:
将所述购买间隔标准差除以所述购买次数计算,得到所述商品的周期性指数。
在本发明中,所述通过所述当前购买间隔、平均购买间隔和购买间隔标准差计算出排序值包括:
将所述当前购买间隔除以所述平均购买间隔减去购买间隔标准差后的差值,得到排序值。
在本发明中,所述根据所述排序值的大小依次对所述商品购买记录进行排列得到推荐列表,并在所述推荐列表中提取出预定数量的商品标识进行推荐包括:
按所述排序值由大到小的顺序,依次对对所述商品购买记录进行排列得到推荐列表,并从所述推荐列表中的前端选取预定数量的商品标识进行推荐。
在本发明中,所述根据所述周期性指数对商品购买记录进行筛选,整合得到商品候选集包括:
按所述周期性指数由小到大的顺序,依次对商品购买记录进行排序,并选取序列前端预定数量的商品购买记录,对被选取的商品购买记录进行整合得到商品候选集。
在本发明中,所述获取用户的多条商品购买记录包括:
对同一个用户标识在预定时间段内的所有商品购买记录进行获取。
在本发明中,所述购买间隔标准差根据标准差公式进行计算,其中所述标准差公式为:
其中,σ为标准差,N为购买间隔记录总数量,x为每次购买间隔,μ为平均购买间隔。
基于同样的构思,本发明还提供一种商品的智能推荐系统,其包括:
购买记录数据库,所述购买记录数据库用于存储所有用户的商品购买记录,所述商品购买记录中包含:商品标识、商品购买日期;
购买记录获取模块,所述购买记录获取模块与所述购买记录数据库相连接,用于获取与一个用户的多条商品购买记录;
购买记录统计模块,所述购买记录统计模块与所述购买记录获取模块相连接,用于将含有相同商品标识的商品购买记录进行合并,并根据其商品购买日期统计出与该商品标识对应商品的购买次数、平均购买间隔和购买间隔标准差;
候选集生成模块,所述候选集生成模块与所述购买记录统计模块相连接,用于根据所述商品购买记录中的所述购买间隔标准差与所述购买次数计算出各商品购买记录中的商品的周期性指数;并根据所述周期性指数对商品购买记录进行筛选,整合得到商品候选集;
排序值计算模块,所述排序值计算模块与所述候选集生成模块相连接,用于从所述商品候选集中选取商品购买记录,并获取被选取的商品购买记录中的商品最近的购买日期与当前日期,统计出当前购买间隔,并通过所述当前购买间隔、平均购买间隔和购买间隔标准差计算出排序值;
推荐商品获取模块,所述推荐商品获取模块与所述排序值计算模块相连接,用于根据所述排序值的大小依次对所述商品购买记录进行排列得到推荐列表,并在所述推荐列表中提取出预定数量的商品标识进行推荐。
基于同样的构思,本发明还提供一种计算机可读程序存储介质,其存储有计算机程序指令,当所述计算机程序指令被计算机执行时,使计算机执行如上所述的方法。
本发明的商品的智能推荐方法将获取到用户的商品购买日期和购买周期,并根据该购买日期和购买周期对相应商品的推荐优先度进行调整;使得越临近购买周期的推荐优先度越高,其推荐的商品符合用户的周期性购买习惯,很好地满足用户的购买需求,有效地提高了用户的使用体验感。
附图说明
为了易于说明,本发明由下述的较佳实施例及附图作详细描述。
图1为本发明商品的智能推荐方法一个实施例的工作流程示意图;
图2为本发明商品的智能推荐方法另一个实施例的工作流程示意图;
图3为本发明商品的智能推荐系统一个实施例的逻辑结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”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,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。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。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接。可以是机械连接,也可以是电连接。可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面以一个基于软件实名制认证的实施例对本发明的一种商品的智能推荐方法进行具体描述,请参阅图1,其包括:
S101.获取用户的多条商品购买记录
获取用户的多条商品购买记录,所述商品购买记录中包含:商品标识、商品购买日期;根据用户标识,对一个用户进行选定,并获取该用户的多条连续的商品购买记录;其中,该用户标识为用户的唯一编号,其在用户注册时生成,也可以体现为用户的用户名,如:张三;商品标识商品的唯一编号,其在商品上架是自动生成,也可以体现为商品的商品名,如:洗洁精、沐浴露等。
S102.统计商品的购买次数、平均购买间隔和购买间隔标准差
将含有相同商品标识的商品购买记录进行合并,并根据其商品购买日期统计出与该商品标识对应商品的购买次数、平均购买间隔和购买间隔标准差;其具体如:将商品购买记录中所有洗洁精的购买记录进行合并,并统计洗洁精的购买次数是3次,平均购买间隔是1.5个月,购买间隔标准差为0.5;将商品购买记录中所有沐浴露的购买记录进行合并,并统计沐浴露的购买次数是2次,平均购买间隔是1个月,购买间隔标准差为0.5。
S103.对商品购买记录进行筛选整合得到商品候选集
根据所述商品购买记录中的所述购买间隔标准差与所述购买次数计算出各商品购买记录中的商品的周期性指数;并根据所述周期性指数对商品购买记录进行筛选,整合得到商品候选集;其中,周期性指数=购买间隔标准差/购买次数;在该公式中,分子中的购买间隔标准差描述的是用户重复购买某件物品的稳定性,数值越小表示越稳定。分母表示用户购买某件物品的倾向,数值越大表示用户对该商品的重复使用需求越大。故周期性指数表示了用户需求某件商品且稳定购买某件商品的倾向,数值越小表示用户的需求度越高。故其可以根据该周期性指数的大小筛选出一部分需求度较高的商品组成商品候选集。
S104.计算商品候选集中的商品排序值
从所述商品候选集中选取商品购买记录,并获取被选取的商品购买记录中的商品最近的购买日期与当前日期,统计出当前购买间隔d,并通过所述当前购买间隔、平均购买间隔和购买间隔标准差计算出排序值;其具体为:排序值=d/(平均购买间隔-购买间隔标准差);当最近的购买日期与当前日期的差值越大,其当前购买间隔d越大,使得其排序值也越大;该排序值可以直观理解为用户购买该商品的进度。越大表示客户越靠近下一次购买期限。在本实施例中,其候选集是根据上述步骤的周期性特征矩阵生成的一个粗略的结果集,只是筛选出周期性购买的物品,而在实际使用情况下,若此时周期尚未达到,就有可能推荐错误的商品。例如用户昨天已经购买了洗洁精,而该用户15天才购买一次,如果今天再次向用户推荐,其推荐的意义不大;故需要通过排序值,对其推荐的优先级进行调整,以符合用户的购买习惯。
S105.在推荐列表中提取需要推荐的商品标识
根据所述排序值的大小依次对所述商品购买记录进行排列得到推荐列表,并在所述推荐列表中提取出预定数量的商品标识进行推荐。
下面以另一个基于软件实名制认证的实施例对本发明的一种商品的智能推荐方法进行具体描述,请参阅图2,其包括:
S201.获取用户的多条商品购买记录
在数据库中,对一个用户标识进行选定,并对该用户标识在预定时间段内的所有商品购买记录进行获取;其具体可选择一个用户在半年内的所有商品购买记录;若半年内的商品购买记录较少,也可以对该时间段的长度进行调整,甚至可以获取数据库内用户所有的商品购买记录;所述商品购买记录中包含:商品标识、商品购买日期;根据用户标识,对一个用户进行选定,并获取该用户的多条连续的商品购买记录;其中,该用户标识为用户的唯一编号,其在用户注册时生成,也可以体现为用户的用户名,如:张三;商品标识商品的唯一编号,其在商品上架是自动生成,也可以体现为商品的商品名,如:洗洁精、沐浴露等。
S202.统计商品的购买次数、平均购买间隔和购买间隔标准差
将含有相同商品标识的商品购买记录进行合并,并根据其商品购买日期统计出与该商品标识对应商品的购买次数、平均购买间隔和购买间隔标准差;其具体如:将商品购买记录中所有洗洁精的购买记录进行合并,并统计洗洁精的购买次数是3次,平均购买间隔是1.5个月,购买间隔标准差为0.5;将商品购买记录中所有沐浴露的购买记录进行合并,并统计沐浴露的购买次数是2次,平均购买间隔是1个月,购买间隔标准差为0.5。
其中,所述购买间隔标准差根据标准差公式进行计算,其中所述标准差公式为:
其中,σ为标准差,N为购买间隔记录总数量,x为每次购买间隔,μ为平均购买间隔。其具体为:如获取到某一商品分别在1月1日、1月11日、1月23日有三次商品购买记录,则其购买间隔记录总数量即为2,第一次的购买间隔为10天,第二次购买间隔为12天,平均购买间隔为11天。
S203.判断商品的购买次数是否大于预定值
判断所述商品的购买次数是否大于预定值N,若大于预定值N则进行步骤S204对商品购买记录进行筛选整合得到商品候选集;若不大于预定值N则不对该商品购买记录进行处理,其对该种商品的物品集合进行过滤。其中,该预定值N的具体数值需要根据行业去做调整,对于数码行业,N要设置的小一点。对于快消日用品行业,N要设置的大一点。一般情况下可以使用N=5作为计算。在本步骤中,如果用户购买次数少,不一定会带来显著的周期性。N最小设置为3,表示至少用户重复购买3次及以上,才具备周期性。
S204.对商品购买记录进行筛选整合得到商品候选集
根据所述商品购买记录中的所述购买间隔标准差与所述购买次数计算出各商品购买记录中的商品的周期性指数;并按所述周期性指数由小到大的顺序,依次对商品购买记录进行排序,并选取序列前端预定数量的商品购买记录,对被选取的商品购买记录进行整合得到商品候选集;其中,周期性指数=购买间隔标准差/购买次数;在该公式中,分子中的购买间隔标准差描述的是用户重复购买某件物品的稳定性,数值越小表示越稳定。分母表示用户购买某件物品的倾向,数值越大表示用户对该商品的重复使用需求越大。故周期性指数表示了用户需求某件商品且稳定购买某件商品的倾向,数值越小表示用户的需求度越高。故其可以根据该周期性指数的大小筛选出一部分需求度较高的商品组成商品候选集。
S205.计算商品候选集中的商品排序值
从所述商品候选集中选取商品购买记录,并获取被选取的商品购买记录中的商品最近的购买日期与当前日期,统计出当前购买间隔d,并通过所述当前购买间隔、平均购买间隔和购买间隔标准差计算出排序值;其具体为:排序值=d/(平均购买间隔-购买间隔标准差);当最近的购买日期与当前日期的差值越大,其当前购买间隔d越大,使得其排序值也越大;该排序值可以直观理解为用户购买该商品的进度。越大表示客户越靠近下一次购买期限。在本实施例中,其候选集是根据上述步骤的周期性特征矩阵生成的一个粗略的结果集,只是筛选出周期性购买的物品,而在实际使用情况下,若此时周期尚未达到,就有可能推荐错误的商品。例如用户昨天已经购买了洗洁精,而该用户15天才购买一次,如果今天再次向用户推荐,其推荐的意义不大;故需要通过排序值,对其推荐的优先级进行调整,以符合用户的购买习惯。
S206.在推荐列表中提取需要推荐的商品标识
按所述排序值由大到小的顺序,依次对对所述商品购买记录进行排列得到推荐列表,并从所述推荐列表中的前端选取预定数量的商品标识进行推荐;其具体可以为:从推荐列表中选取其最前面的5-10个商品标识向用户进行推荐。
本发明包括一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
以上可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
下面以一个单次认证的实施例对本发明的一种商品的智能推荐系统进行具体描述,请参阅图3,其包括:
购买记录数据库301,所述购买记录数据库301用于存储所有用户的商品购买记录,所述商品购买记录中包含:商品标识、商品购买日期;其中,该商品标识商品的唯一编号,其在商品上架是自动生成,也可以体现为商品的商品名。
购买记录获取模块302,所述购买记录获取模块302与所述购买记录数据库301相连接,用于获取与一个用户的多条商品购买记录;其具体为:根据用户标识,对一个用户进行选定,并获取该用户的多条连续的商品购买记录;其中,该用户标识为用户的唯一编号,其在用户注册时生成,也可以体现为用户的用户名。
购买记录统计模块303,所述购买记录统计模块303与所述购买记录获取模块302相连接,用于将含有相同商品标识的商品购买记录进行合并,并根据其商品购买日期统计出与该商品标识对应商品的购买次数、平均购买间隔和购买间隔标准差;其中,所述购买间隔标准差根据标准差公式进行计算,其中所述标准差公式为:
其中,σ为标准差,N为购买间隔记录总数量,x为每次购买间隔,μ为平均购买间隔。其具体为:如获取到某一商品分别在1月1日、1月11日、1月23日有三次商品购买记录,则其购买间隔记录总数量即为2,第一次的购买间隔为10天,第二次购买间隔为12天,平均购买间隔为11天。
候选集生成模块304,所述候选集生成模块304与所述购买记录统计模块303相连接,用于根据所述商品购买记录中的所述购买间隔标准差与所述购买次数计算出各商品购买记录中的商品的周期性指数;并根据所述周期性指数对商品购买记录进行筛选,整合得到商品候选集;其中,周期性指数=购买间隔标准差/购买次数;在该公式中,分子中的购买间隔标准差描述的是用户重复购买某件物品的稳定性,数值越小表示越稳定。分母表示用户购买某件物品的倾向,数值越大表示用户对该商品的重复使用需求越大。故周期性指数表示了用户需求某件商品且稳定购买某件商品的倾向,数值越小表示用户的需求度越高。
排序值计算模块305,所述排序值计算模块305与所述候选集生成模块304相连接,用于从所述商品候选集中选取商品购买记录,并获取被选取的商品购买记录中的商品最近的购买日期与当前日期,统计出当前购买间隔,并通过所述当前购买间隔、平均购买间隔和购买间隔标准差计算出排序值;其中,该排序值=当前购买间隔d/(平均购买间隔-购买间隔标准差);当最近的购买日期与当前日期的差值越大,其当前购买间隔d越大,使得其排序值也越大;该排序值可以直观理解为用户购买该商品的进度。越大表示客户越靠近下一次购买期限。
推荐商品获取模块306,所述推荐商品获取模块306与所述排序值计算模块305相连接,用于根据所述排序值的大小依次对所述商品购买记录进行排列得到推荐列表,并在所述推荐列表中提取出预定数量的商品标识进行推荐;其具体为:从推荐列表中选取其最前面的5-10个商品标识向用户进行推荐。
在本说明书的描述中,参考术语“一个实施方式”、“一些实施方式”、“示意性实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种商品的智能推荐方法,其特征在于,包括:
获取用户的多条商品购买记录,所述商品购买记录中包含:商品标识、商品购买日期;
将含有相同商品标识的商品购买记录进行合并,并根据其商品购买日期统计出与该商品标识对应商品的购买次数、平均购买间隔和购买间隔标准差;
根据所述商品购买记录中的所述购买间隔标准差与所述购买次数计算出各商品购买记录中的商品的周期性指数;并根据所述周期性指数对商品购买记录进行筛选,整合得到商品候选集;
从所述商品候选集中选取商品购买记录,并获取被选取的商品购买记录中的商品最近的购买日期与当前日期,统计出当前购买间隔,并通过所述当前购买间隔、平均购买间隔和购买间隔标准差计算出排序值;
根据所述排序值的大小依次对所述商品购买记录进行排列得到推荐列表,并在所述推荐列表中提取出预定数量的商品标识进行推荐。
2.根据权利要求1所述的商品的智能推荐方法,其特征在于,所述根据其商品购买日期统计出与该商品标识对应商品的购买次数、平均购买间隔和购买间隔标准差之后包括:
判断所述商品的购买次数是否大于预定值,若大于预定值则进行根据所述商品购买记录中的所述购买间隔标准差与所述购买次数计算出各商品购买记录中的商品的周期性指数。
3.根据权利要求2所述的商品的智能推荐方法,其特征在于,所述根据所述商品购买记录中的所述购买间隔标准差与所述购买次数计算出各商品购买记录中的商品的周期性指数包括:
将所述购买间隔标准差除以所述购买次数计算,得到所述商品的周期性指数。
4.根据权利要求3所述的商品的智能推荐方法,其特征在于,所述通过所述当前购买间隔、平均购买间隔和购买间隔标准差计算出排序值包括:
将所述当前购买间隔除以所述平均购买间隔减去购买间隔标准差后的差值,得到排序值。
5.根据权利要求4所述的商品的智能推荐方法,其特征在于,所述根据所述排序值的大小依次对所述商品购买记录进行排列得到推荐列表,并在所述推荐列表中提取出预定数量的商品标识进行推荐包括:
按所述排序值由大到小的顺序,依次对对所述商品购买记录进行排列得到推荐列表,并从所述推荐列表中的前端选取预定数量的商品标识进行推荐。
6.根据权利要求5所述的商品的智能推荐方法,其特征在于,所述根据所述周期性指数对商品购买记录进行筛选,整合得到商品候选集包括:
按所述周期性指数由小到大的顺序,依次对商品购买记录进行排序,并选取序列前端预定数量的商品购买记录,对被选取的商品购买记录进行整合得到商品候选集。
7.根据权利要求6所述的商品的智能推荐方法,其特征在于,所述获取用户的多条商品购买记录包括:
对同一个用户标识在预定时间段内的所有商品购买记录进行获取。
9.一种商品的智能推荐系统,其特征在于,包括:
购买记录数据库,所述购买记录数据库用于存储所有用户的商品购买记录,所述商品购买记录中包含:商品标识、商品购买日期;
购买记录获取模块,所述购买记录获取模块与所述购买记录数据库相连接,用于获取与一个用户的多条商品购买记录;
购买记录统计模块,所述购买记录统计模块与所述购买记录获取模块相连接,用于将含有相同商品标识的商品购买记录进行合并,并根据其商品购买日期统计出与该商品标识对应商品的购买次数、平均购买间隔和购买间隔标准差;
候选集生成模块,所述候选集生成模块与所述购买记录统计模块相连接,用于根据所述商品购买记录中的所述购买间隔标准差与所述购买次数计算出各商品购买记录中的商品的周期性指数;并根据所述周期性指数对商品购买记录进行筛选,整合得到商品候选集;
排序值计算模块,所述排序值计算模块与所述候选集生成模块相连接,用于从所述商品候选集中选取商品购买记录,并获取被选取的商品购买记录中的商品最近的购买日期与当前日期,统计出当前购买间隔,并通过所述当前购买间隔、平均购买间隔和购买间隔标准差计算出排序值;
推荐商品获取模块,所述推荐商品获取模块与所述排序值计算模块相连接,用于根据所述排序值的大小依次对所述商品购买记录进行排列得到推荐列表,并在所述推荐列表中提取出预定数量的商品标识进行推荐。
10.一种计算机可读程序存储介质,其特征在于,其存储有计算机程序指令,当所述计算机程序指令被计算机执行时,使计算机执行根据权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011577557.3A CN112581236A (zh) | 2020-12-28 | 2020-12-28 | 一种商品的智能推荐方法、系统及其可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011577557.3A CN112581236A (zh) | 2020-12-28 | 2020-12-28 | 一种商品的智能推荐方法、系统及其可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112581236A true CN112581236A (zh) | 2021-03-30 |
Family
ID=75140034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011577557.3A Pending CN112581236A (zh) | 2020-12-28 | 2020-12-28 | 一种商品的智能推荐方法、系统及其可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112581236A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115880037A (zh) * | 2023-03-03 | 2023-03-31 | 量子数科科技有限公司 | 基于多项目规划整合分析的商品推荐方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346894A (zh) * | 2010-08-03 | 2012-02-08 | 阿里巴巴集团控股有限公司 | 推荐信息的输出方法、系统及服务器 |
CN102567900A (zh) * | 2011-12-28 | 2012-07-11 | 尚明生 | 一种向客户推荐商品的方法 |
CN103150660A (zh) * | 2011-12-06 | 2013-06-12 | 阿里巴巴集团控股有限公司 | 在网络购物平台中产生用户提醒消息的方法和装置 |
US20160162973A1 (en) * | 2014-12-08 | 2016-06-09 | Lg Cns Co., Ltd. | Personalized recommendation method and system, and computer-readable record medium |
US20160196578A1 (en) * | 2015-01-05 | 2016-07-07 | Sk Planet Co., Ltd. | System and method for recommending product purchased periodically, apparatus and non-transitory computer readable storage medium having computer program recorded thereon |
CN109064261A (zh) * | 2018-07-12 | 2018-12-21 | 北京京东金融科技控股有限公司 | 推荐商品的方法、装置和计算机可读存储介质 |
CN109636545A (zh) * | 2018-12-26 | 2019-04-16 | 广州市耀锋电子网络科技有限公司 | 一种电商平台商品推荐算法 |
JP2019125359A (ja) * | 2018-01-12 | 2019-07-25 | ライン プラス コーポレーションLINE Plus Corporation | 情報推薦方法及びコンピュータシステム |
CN110348946A (zh) * | 2019-06-13 | 2019-10-18 | 深圳市中农易讯信息技术有限公司 | 一种商品推荐方法、装置、存储介质及设备 |
-
2020
- 2020-12-28 CN CN202011577557.3A patent/CN112581236A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346894A (zh) * | 2010-08-03 | 2012-02-08 | 阿里巴巴集团控股有限公司 | 推荐信息的输出方法、系统及服务器 |
CN103150660A (zh) * | 2011-12-06 | 2013-06-12 | 阿里巴巴集团控股有限公司 | 在网络购物平台中产生用户提醒消息的方法和装置 |
CN102567900A (zh) * | 2011-12-28 | 2012-07-11 | 尚明生 | 一种向客户推荐商品的方法 |
US20160162973A1 (en) * | 2014-12-08 | 2016-06-09 | Lg Cns Co., Ltd. | Personalized recommendation method and system, and computer-readable record medium |
US20160196578A1 (en) * | 2015-01-05 | 2016-07-07 | Sk Planet Co., Ltd. | System and method for recommending product purchased periodically, apparatus and non-transitory computer readable storage medium having computer program recorded thereon |
CN105761094A (zh) * | 2015-01-05 | 2016-07-13 | Sk普兰尼特有限公司 | 定期购买商品推荐服务提供系统及其方法以及为此的设备 |
JP2019125359A (ja) * | 2018-01-12 | 2019-07-25 | ライン プラス コーポレーションLINE Plus Corporation | 情報推薦方法及びコンピュータシステム |
CN109064261A (zh) * | 2018-07-12 | 2018-12-21 | 北京京东金融科技控股有限公司 | 推荐商品的方法、装置和计算机可读存储介质 |
CN109636545A (zh) * | 2018-12-26 | 2019-04-16 | 广州市耀锋电子网络科技有限公司 | 一种电商平台商品推荐算法 |
CN110348946A (zh) * | 2019-06-13 | 2019-10-18 | 深圳市中农易讯信息技术有限公司 | 一种商品推荐方法、装置、存储介质及设备 |
Non-Patent Citations (6)
Title |
---|
DEY SUVODIP 等: "Recommending Repeat Purchases Using Product Segment Statistics", 《PROCEEDINGS OF THE 10TH ACM CONFERENCE ON RECOMMENDER SYSTEMS》, pages 357 * |
JIHOI PARK 等: "Group recommender system for store product placement", 《DATA MINING AND KNOWLEDGE DISCOVERY》, vol. 33, no. 01, pages 204 - 229, XP036674498, DOI: 10.1007/s10618-018-0600-z * |
RAHUL BHAGAT 等: "Buy It Again: Modeling Repeat Purchase Recommendations", 《PROCEEDINGS OF THE 24TH ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY & DATA MINING》, pages 62 - 70 * |
李梦: "考虑商品重复购买周期的推荐方法研究", 《中国优秀硕士学位论文全文数据库 (经济与管理科学辑)》, no. 10, pages 157 - 43 * |
赵丽坤 等: "基于人工智能的社交网络用户行为数据周期推荐算法", 《科学技术与工程》, vol. 20, no. 28, pages 11647 - 11652 * |
郑正广 等: "电信计费业务中基于复购行为的协同过滤营销推荐", 《邮电设计技术》, vol. 538, no. 12, pages 85 - 88 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115880037A (zh) * | 2023-03-03 | 2023-03-31 | 量子数科科技有限公司 | 基于多项目规划整合分析的商品推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106097076B (zh) | 商品销售管理系统 | |
CN102629360B (zh) | 一种有效的动态商品推荐方法及商品推荐系统 | |
CN109636500A (zh) | 一种商品推送方法及系统 | |
Xu et al. | Optimal control of replenishment and substitution in an inventory system with nonstationary batch demand | |
CN103116581B (zh) | 一种电子信息的推荐方法以及装置 | |
CN110111167A (zh) | 一种确定推荐对象的方法和装置 | |
CN106997347A (zh) | 信息推荐方法及服务器 | |
CN112750011A (zh) | 商品推荐方法、装置和电子设备 | |
McKie et al. | How do consumers choose between multiple product generations and conditions? An empirical study of iPad sales on eBay | |
CN110674391A (zh) | 基于大数据的产品数据推送方法、系统和计算机设备 | |
CN110930214A (zh) | 一种用于满减活动的商品排序方法 | |
CN106294410A (zh) | 一种个性化信息推送时间的确定方法及确定系统 | |
CN107292667A (zh) | 信息推送方法及装置 | |
CN107437195A (zh) | 向用户推荐商品的方法和装置 | |
CN111383049A (zh) | 产品推荐方法、装置及存储介质 | |
CN109493123A (zh) | 一种基于大数据的商品推荐方法及装置 | |
CN113689259A (zh) | 基于用户行为的商品个性化推荐方法及系统 | |
Zarea Fazlelahi et al. | A robust approach to design a single facility layout plan in dynamic manufacturing environments using a permutation-based genetic algorithm | |
Gensch | Empirical evidence supporting the use of multiple choice models in analyzing a population | |
Heidary et al. | A simulation–optimization approach for a multi-period, multi-objective supply chain with demand uncertainty and an option contract | |
Allegue et al. | RFMC: a spending-category segmentation | |
CN112581236A (zh) | 一种商品的智能推荐方法、系统及其可读存储介质 | |
CN109934654A (zh) | 商品推荐方法和系统 | |
CN111159163A (zh) | 商品信息数据库生成方法、商品搜索方法及相关装置 | |
CN111461846B (zh) | 一种购物记录分析反馈系统及其方法 |
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 |