CN112651805A - 一种网上商城的商品推荐方法及系统 - Google Patents

Abstract

一种网上商城的商品推荐方法，包括如下步骤：S1、构建针对商品的预设评分维度；S2、基于预设评分维度对网上商城中的商品生成商品推荐分数；S3、基于商品的数据信息和商业信息对所有商品进行聚类；S4、根据消费者账号的历史数据和商品的聚类结果生成对应于消费者账号的兴趣集合；S5、根据消费者账号的兴趣集合以及商品推荐分数为消费者账号生成原始推荐商品目录；S6、根据消费者账号的地址数据对原始推荐商品目录进行修正得到优化推荐商品目录；S7、将优化推荐商品目录对应推送给消费者账号。本发明提供一种网上商城的商品推荐方法及系统，推荐结果更加精确，更加有利于促成交易。

Description

一种网上商城的商品推荐方法及系统

技术领域

本发明涉及网络购物技术领域，具体的说是一种网上商城的商品推荐方法及系统。

背景技术

网上商城因为不需要消耗大量的时间去寻找和了解产品，因此在生活节奏逐渐加快的今天，网上商城已经是很多人购物的主要途径。为了促成交易，网上商城大多都设置有商品推荐系统，通过向消费者推荐商品来提升消费者购买商品的几率，并且节省消费者选购商品的时间。但是现有的商品推荐方法所考虑的因素主要还是消费者的历史消费数据，数据覆盖面太小，导致推荐结果不够准确，促成交易的成功率较低。

发明内容

为了解决现有技术中的不足，本发明提供一种网上商城的商品推荐方法及系统，推荐结果更加精确，更加有利于促成交易。

为了实现上述目的，本发明采用的具体方案为：

一种网上商城的商品推荐方法，包括如下步骤：

S1、构建针对商品的预设评分维度；

S2、基于预设评分维度对所述网上商城中的所述商品生成商品推荐分数；

S3、基于所述商品的数据信息和商业信息对所有所述商品进行聚类；

S4、根据消费者账号的历史数据和所述商品的聚类结果生成对应于所述消费者账号的兴趣集合；

S5、根据所述消费者账号的所述兴趣集合以及所述商品推荐分数为所述消费者账号生成原始推荐商品目录；

S6、根据所述消费者账号的地址数据对所述原始推荐商品目录进行修正得到优化推荐商品目录；

S7、将所述优化推荐商品目录对应推送给所述消费者账号。

作为一种优选的技术方案，S1中，所述预设评分维度包括商品点击浏览次数和商品搜索次数。

作为一种优选的技术方案，S2中，基于所述预设评分维度生成所述商品推荐分数的具体方法为将所述商品点击浏览次数与所述商品搜索次数的乘积作为所述商品推荐分数。

作为一种优选的技术方案，S3中，所述商品的所述数据信息包括商品名称、商品分类和商品功能，所述商品的所述商业信息包括商品品牌、商品厂商和商品产地。

作为一种优选的技术方案，S3中，基于所述商品的所述数据信息和所述商业信息对所述商品进行聚类的具体方法为：

S3.1、获取售卖者账号针对所述商品上传的所述商品名称、所述商品分类和所述商品功能；

S3.2、基于所述商品分类对所有所述商品进行一级分类，得到多个一级类别，每个所述一级类别包括若干个所述商品；

S3.2、基于所述商品功能将所述一级类别分割成多个二级类别，每个所述二级类别包括若干个所述商品；

S3.3、基于所述商品名称将所述二级类别分割成多个三级类别，每个所述三级类别包括若干个所述商品；

S3.4、获取所述售卖者账号针对所述商品上传的所述商品品牌、所述商品厂商和所述商品产地；

S3.5、基于所述商品品牌、所述商品厂商和所述商品产地生成优化权重；

S3.6、计算所述三级类别中所有所述商品的所述优化权重的和并且记为热度权重；

S3.7、利用所述热度权重对所述三级类别进行标记得到热度类别，完成对所述商品的聚类。

作为一种优选的技术方案，S4中的具体方法为：

S4.1、将所述消费者账号一个样本周期中购买的所有所述商品对应的所述热度类别作为所述历史数据；

S4.2、在所述历史数据中统计所述热度类别的出现次数；

S4.3、依据所述热度类别的出现次数对所述历史数据中的所有热度类别进行降序排列；

S4.4、对出现次数相同的所述热度类别按照时间进行降序排列；

S4.5、选取所述热度类别的序列中的前多个作为所述兴趣集合。

作为一种优选的技术方案，S5中，对所述兴趣集合中的每个所述热度类别选取多个商品作为推荐商品，并且所有的所述推荐商品按照所述商品推荐分数降序排列，将所有所述推荐商品组合成所述原始推荐商品目录。

作为一种优选的技术方案，S6中，根据所述消费者账号的所述地址数据对所述原始推荐商品目录进行修改或者删除得到所述优化推荐商品目录。

作为一种优选的技术方案，S7中，当所述消费者账号登录所述网上商城时向所述消费者账号推送所述优化推荐商品目录或者当所述网上商城运行在所述消费者账号对应的实体设备中时直接以消息的形式向所述消费者账号推送所述优化商品推荐目录。

网上商城的商品推荐系统，基于上述的方法，包括：

第一获取单元，用于获取所述预设评分维度、所述数据信息和所述商业信息；

第二获取单元，用于获取所述消费者账号的所述历史数据和所述地址数据；

处理单元，用于生成所述商品推荐分数、对所述商品进行聚类、生成所述兴趣集合、生成所述原始推荐商品目录以及所述优化推荐商品目录；

推送单元，用于将所述优化商品推荐目录推送给所述消费者账号。

本发明首先对商品本身进行了评价，并且对应生成了商品推荐分数；然后对消费者的兴趣进行了评估，并且对应生成了兴趣集合；最后对消费者本身的情况进行了评估，主要是依据消费者的地址进行评估，综合多种因素，最终生成了优化推荐商品目录并且推送给消费者，考虑更加全面，更加有可能促成消费者与售卖者之间达成交易。

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是本发明商品推荐方法的流程图。

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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1。

一种网上商城的商品推荐方法，包括S1至S7。

S1、构建针对商品的预设评分维度。

S2、基于预设评分维度对网上商城中的商品生成商品推荐分数。

S3、基于商品的数据信息和商业信息对所有商品进行聚类。

S4、根据消费者账号的历史数据和商品的聚类结果生成对应于消费者账号的兴趣集合。

S5、根据消费者账号的兴趣集合以及商品推荐分数为消费者账号生成原始推荐商品目录。

S6、根据消费者账号的地址数据对原始推荐商品目录进行修正得到优化推荐商品目录。

S7、将优化推荐商品目录对应推送给消费者账号。

在实际情况中，影响消费者选择的因素很多，首先是商品本身的特性，越热门的商品被消费者选择的概率越高，其次是消费者本身的兴趣方向，消费者对商品越感兴趣则越容易消费，最后是消费者本身的特征，在本发明中是指消费者所在的地区，同一个地区的消费者越容易做出同样的选择，例如在冬季北方地区的消费者更加容易选择消费羽绒服产品，而南方地区的消费者即使羽绒服产品的热度很高，并且自身也对羽绒服产品感兴趣，但是实际选择羽绒服产品的概率仍然低于北方地区的消费者。基于这几种影响消费者选择的因素，本发明首先对商品本身进行了评价，并且对应生成了商品推荐分数；然后对消费者的兴趣进行了评估，并且对应生成了兴趣集合；最后对消费者本身的情况进行了评估，主要是依据消费者的地址进行评估，综合多种因素，最终生成了优化推荐商品目录并且推送给消费者，考虑更加全面，更加有可能促成消费者与售卖者之间达成交易。

商品热度最直接的体现是消费者查看商品的次数，因此，S1中，预设评分维度包括商品点击浏览次数和商品搜索次数。

为了更加简单快速地生成商品推荐分数，S2中，基于预设评分维度生成商品推荐分数的具体方法为将商品点击浏览次数与商品搜索次数的乘积作为商品推荐分数。只需一步乘法计算即可得到商品推荐分数，简单快捷。需要说明的是，若商品点击浏览次数或者商品搜索次数的数值过大造成商品推荐分数过大难以表示的话，可以对商品点击浏览次数、商品搜索次数或者商品推荐分数的表示形式进行简化，例如可以增加字母作为其中的一部分，例如 a可以表示十万，通过这样的方式能够有效地缩减数据长度，更加便于表示和处理。

S3中，商品的数据信息包括商品名称、商品分类和商品功能，商品的商业信息包括商品品牌、商品厂商和商品产地。商品的数据信息主要用于表征商品本身的特性，商品的数据信息与消费者需求的拟合程度影响消费者对商品的选择，商品的商业信息主要用于表征商品的市场特性，商品品牌知名度高、商品厂商规模大声誉好、商品产地更佳都有可能促使消费者选择该商品，因此本发明综合考虑这几种因素，提升推荐结果的精确度，进而提升促成交易的概率。

进一步的，S3中，基于商品的数据信息和商业信息对商品进行聚类的具体方法为S3.1至S3.7。

S3.1、获取售卖者账号针对商品上传的商品名称、商品分类和商品功能。

S3.2、基于商品分类对所有商品进行一级分类，得到多个一级类别，每个一级类别包括若干个商品。对于网上商城来说，其本身会预先设置一种商品分类，但是实际上，很多商品无法精确地分配到其中一个分类中，因此一级分类是商品聚类的基础，后续需要进一步调整。

S3.2、基于商品功能将一级类别分割成多个二级类别，每个二级类别包括若干个商品。商品功能会导致商品的应用场景发生变化，从而导致商品出现更加细分的类别，例如一级类别为办公桌情况下，二级类别可以是升降式办公桌或者便携式办公桌等。

S3.3、基于商品名称将二级类别分割成多个三级类别，每个三级类别包括若干个商品。商品名称通常会包含多种商品的特征，因此会导致商品具有更加鲜明的方向，例如二级类别为升降式办公桌的情况下，三级类别可以是双电机升降式办公桌或者静音升降式办公桌等。至此，通过逐步细分，可以得到非常细化的商品分类方式，并且该商品分类方式依据售卖者本身上传的信息生成，无需网上商城管理者自己设定，能够大幅降低网上商城构建过程的复杂度，并且分类结果更加精确。

S3.4、获取售卖者账号针对商品上传的商品品牌、商品厂商和商品产地。

S3.5、基于商品品牌、商品厂商和商品产地生成优化权重。具体的依据可以依赖于一段时间内商品品牌成交量、商品厂商销售量与商品产地的口碑生成优化权重。其中商品品牌成交量与商品厂商销售量可以直接从后台数据得出，商品产地口碑可以通过问卷调查的方式获得或者参考网络评价获得。需要说明的是不同商品销售量的数值之间会有较大的差异，例如小商品类的销售量普遍要高于大家电的销售量，因此在生成优化权重的时候需要结合三级类别进行适当的调整，以避免出现过大的误差。

S3.6、计算三级类别中所有商品的优化权重的和并且记为热度权重。热度权重越高则说明该三级类别中的产品往期的销售量越大，在未来也更加容易被消费者所选择。

S3.7、利用热度权重对三级类别进行标记得到热度类别，完成对商品的聚类。

进一步的，S4中的具体方法为S4.1至S4.5。

S4.1、将消费者账号一个样本周期中购买的所有商品对应的热度类别作为历史数据。在本发明中，样本周期可以设置为三个月，对于在三个月内购买商品的数量较少的消费者，可以延长样本周期，例如将样本周期延长至五个月，对于在三个月内购买商品数量较多的消费者，可以缩短样本周期，例如将样本周期缩短至两个月，通过合理调整样本周期的长度，可以使不同消费者历史数据的大小保持均衡，从而降低后续处理过程的复杂度。

S4.2、在历史数据中统计热度类别的出现次数。

S4.3、依据热度类别的出现次数对历史数据中的所有热度类别进行降序排列。出现次数越多，则说明消费者对该热度类别的商品越感兴趣，或者是对该热度类别的产品需求越大，无论哪种原因，都会导致消费者选择该热度类别的商品的概率提升，因此首先应当根据热度类别出现的次数进行排序。

S4.4、对出现次数相同的热度类别按照时间进行降序排列。对于消费者来说，其对商品的兴趣是会不断发生变化的，因此越接近当前时间，热度类别中的产品越有可能被消费者选择，因此当热度类别出现的次数相同时，越接近当前时间的越有可能是消费者感兴趣的。

S4.5、选取热度类别的序列中的前多个作为兴趣集合。

S5中，对兴趣集合中的每个热度类别选取多个商品作为推荐商品，并且所有的推荐商品按照商品推荐分数降序排列，将所有推荐商品组合成原始推荐商品目录。

S6中，根据消费者账号的地址数据对原始推荐商品目录进行修改或者删除得到优化推荐商品目录。具体地说，可以将消费者所在地区在一定时间内对原始推荐商品目录中商品的购买量来作为修改依据，当购买量超过设定的阈值时保留该商品，否则将该商品从原始推荐商品目录中删除。

S7中，当消费者账号登录网上商城时向消费者账号推送优化推荐商品目录或者当网上商城运行在消费者账号对应的实体设备中时直接以消息的形式向消费者账号推送优化商品推荐目录。当采用消费者账号登录网上商城时向消费者账号推送优化推荐商品目录的方法时，优化商品推荐目录可以直接显示在网上商城的首页中，当采用网上商城运行在消费者账号对应的实体设备中时直接以消息的形式向消费者账号推送优化商品推荐目录的方式时，消息可以是短信或者系统提醒等形式。

网上商城的商品推荐系统，基于上述的方法，包括第一获取单元、第二获取单元、处理单元和推送单元。

第一获取单元，用于获取预设评分维度、数据信息和商业信息。

第二获取单元，用于获取消费者账号的历史数据和地址数据。

处理单元，用于生成商品推荐分数、对商品进行聚类、生成兴趣集合、生成原始推荐商品目录以及优化推荐商品目录。

推送单元，用于将优化商品推荐目录推送给消费者账号。

本说明书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。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种网上商城的商品推荐方法，其特征在于，包括如下步骤：

S1、构建针对商品的预设评分维度；

S2、基于预设评分维度对所述网上商城中的所述商品生成商品推荐分数；

S3、基于所述商品的数据信息和商业信息对所有所述商品进行聚类；

S4、根据消费者账号的历史数据和所述商品的聚类结果生成对应于所述消费者账号的兴趣集合；

S5、根据所述消费者账号的所述兴趣集合以及所述商品推荐分数为所述消费者账号生成原始推荐商品目录；

S6、根据所述消费者账号的地址数据对所述原始推荐商品目录进行修正得到优化推荐商品目录；

S7、将所述优化推荐商品目录对应推送给所述消费者账号。

2.如权利要求1所述的一种网上商城的商品推荐方法，其特征在于，S1中，所述预设评分维度包括商品点击浏览次数和商品搜索次数。

3.如权利要求2所述的一种网上商城的商品推荐方法，其特征在于，S2中，基于所述预设评分维度生成所述商品推荐分数的具体方法为将所述商品点击浏览次数与所述商品搜索次数的乘积作为所述商品推荐分数。

4.如权利要求1所述的一种网上商城的商品推荐方法，其特征在于，S3中，所述商品的所述数据信息包括商品名称、商品分类和商品功能，所述商品的所述商业信息包括商品品牌、商品厂商和商品产地。

5.如权利要求4所述的一种网上商城的商品推荐方法，其特征在于，S3中，基于所述商品的所述数据信息和所述商业信息对所述商品进行聚类的具体方法为：

S3.1、获取售卖者账号针对所述商品上传的所述商品名称、所述商品分类和所述商品功能；

S3.2、基于所述商品分类对所有所述商品进行一级分类，得到多个一级类别，每个所述一级类别包括若干个所述商品；

S3.2、基于所述商品功能将所述一级类别分割成多个二级类别，每个所述二级类别包括若干个所述商品；

S3.3、基于所述商品名称将所述二级类别分割成多个三级类别，每个所述三级类别包括若干个所述商品；

S3.4、获取所述售卖者账号针对所述商品上传的所述商品品牌、所述商品厂商和所述商品产地；

S3.5、基于所述商品品牌、所述商品厂商和所述商品产地生成优化权重；

S3.6、计算所述三级类别中所有所述商品的所述优化权重的和并且记为热度权重；

S3.7、利用所述热度权重对所述三级类别进行标记得到热度类别，完成对所述商品的聚类。

6.如权利要求5所述的一种网上商城的商品推荐方法，其特征在于，S4中的具体方法为：

S4.1、将所述消费者账号一个样本周期中购买的所有所述商品对应的所述热度类别作为所述历史数据；

S4.2、在所述历史数据中统计所述热度类别的出现次数；

S4.3、依据所述热度类别的出现次数对所述历史数据中的所有热度类别进行降序排列；

S4.4、对出现次数相同的所述热度类别按照时间进行降序排列；

S4.5、选取所述热度类别的序列中的前多个作为所述兴趣集合。

7.如权利要求6所述的一种网上商城的商品推荐方法，其特征在于，S5中，对所述兴趣集合中的每个所述热度类别选取多个商品作为推荐商品，并且所有的所述推荐商品按照所述商品推荐分数降序排列，将所有所述推荐商品组合成所述原始推荐商品目录。

8.如权利要求7所述的一种网上商城的商品推荐方法，其特征在于，S6中，根据所述消费者账号的所述地址数据对所述原始推荐商品目录进行修改或者删除得到所述优化推荐商品目录。

9.如权利要求8所述的一种网上商城的商品推荐方法，其特征在于，S7中，当所述消费者账号登录所述网上商城时向所述消费者账号推送所述优化推荐商品目录或者当所述网上商城运行在所述消费者账号对应的实体设备中时直接以消息的形式向所述消费者账号推送所述优化商品推荐目录。

10.网上商城的商品推荐系统，基于如权利要求1所述的方法，其特征在于，包括：

第一获取单元，用于获取所述预设评分维度、所述数据信息和所述商业信息；

第二获取单元，用于获取所述消费者账号的所述历史数据和所述地址数据；

处理单元，用于生成所述商品推荐分数、对所述商品进行聚类、生成所述兴趣集合、生成所述原始推荐商品目录以及所述优化推荐商品目录；

推送单元，用于将所述优化商品推荐目录推送给所述消费者账号。

Images