CN113362144B - 基于大数据的电商购物推荐方法及系统 - Google Patents
基于大数据的电商购物推荐方法及系统 Download PDFInfo
- Publication number
- CN113362144B CN113362144B CN202110814173.7A CN202110814173A CN113362144B CN 113362144 B CN113362144 B CN 113362144B CN 202110814173 A CN202110814173 A CN 202110814173A CN 113362144 B CN113362144 B CN 113362144B
- Authority
- CN
- China
- Prior art keywords
- current
- data
- shopping
- consumption
- consumer
- 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.)
- Active
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
- G06F16/90—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的电商购物推荐方法及系统，包括：获取当前电商消费者在当前购物电商平台开始购物的购物开启触发指令，并基于大数据从预设的已存储电商平台数据库中调取与当前电商消费者相匹配的当前消费者原始消费数据，根据各当前消费者原始消费数据，从各当前消费者原始消费数据中筛选出相同商品特征的数据，并根据筛选出的数据生成当前消费者基础特征数据；获取购物开启触发指令对应的当前实际时间点，并根据当前实际时间点生成当前实际消费时间段，再根据当前实际消费时间段从当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据；根据当前消费商品数据生成当前时间可能购物数据，并基于当前购物推荐展示界面。
Description
技术领域
本申请涉及大数据技术领域，特别是涉及一种基于大数据的电商购物推荐方法及系统。
背景技术
大数据，是IT行业术语，是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
随着大数据技术的发展，已经运用到越来越多的领域中，如电商购物中，比如申请号为CN202011067600.1的发明专利中公开了一种基于大数据与电子商城平台的购物数据共享方法及系统。本发明在生成购物商品标签信息后，能够基于共享配置服务将购物商品标签信息中的购物商品共享信息划分为多个购物商品共享事件，进而提取每个购物商品共享事件对应的共享特征序列以及确定每个购物商品共享事件的共享推送空间。
虽然上述技术方案能够实现一定的技术效果，如监测共享访问信息和共享更新信息，提高共享操作效率的同时进一步提高共享应用过程中的信息准确性，但是其不能实现良好的购物推荐，其与目前的大数据与电商结合后形成的购物推荐方法类似且均存在推荐效率低及推荐不准确的问题，导致影响购物者的购物体验。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高购物推荐准确性和满足购物者的购物体验的基于大数据的电商购物推荐方法及系统。
本发明技术方案如下：
一种基于大数据的电商购物推荐方法，所述方法包括：
获取当前电商消费者在当前购物电商平台开始购物的购物开启触发指令，并基于大数据从预设的已存储电商平台数据库中调取与所述当前电商消费者相匹配的当前消费者原始消费数据，其中，一个已存储电商平台数据库对应一个所述当前消费者原始消费数据；根据各所述当前消费者原始消费数据，从各所述当前消费者原始消费数据中筛选出相同商品特征的数据，并根据筛选出的数据生成当前消费者基础特征数据；获取所述购物开启触发指令对应的当前实际时间点，并根据所述当前实际时间点生成当前实际消费时间段，再根据所述当前实际消费时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据；根据所述当前消费商品数据生成当前时间可能购物数据，并基于所述当前购物推荐展示界面，所述当前购物推荐展示界面用于展示所述当前时间可能购物数据。
具体而言，所述当前购物推荐展示界面上还展示有当前真实用户确认选项；
根据所述当前消费商品数据生成当前时间可能购物数据，并基于所述当前购物推荐展示界面，所述当前购物推荐展示界面用于展示所述当前时间可能购物数据之后，还包括：
获取在所述当前购物展示界面上根据所述当前真实用户确认选项的当前用户真实性选择指令；根据所述当前用户真实性选择指令判断当前电商消费者是否为与所述当前消费者原始消费数据匹配的消费者主体，若判断当前电商消费者不是与所述当前消费者原始消费数据匹配的消费者主体，则生成实际用户信息录入界面，其中所述实际用户信息录入界面供当前电商消费者录入其基本信息；获取当前电商消费者根据所述实际用户信息录入界面录入的当前实际基本数据；在获取所述当前实际基本数据后，生成当前购物搜索界面，其中，所述当前购物搜索界面用于展示搜索窗口；基于所述当前购物搜索界面，获取当前电商消费者在所述搜索窗口上录入的当前商品搜索数据；根据所述当前商品搜索数据和所述当前实际基本数据生成购物推荐展示调整参数；根据所述购物推荐展示调整参数对所述当前时间可能购物数据进行调整，并生成调整后购物数据，并同时生成调整后购物数据展示界面，所述调整后购物数据展示界面用于展示所述调整后购物数据。
具体而言，获取所述购物开启触发指令对应的当前实际时间点，并根据所述当前实际时间点生成当前实际消费时间段，再根据所述当前实际消费时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据，具体包括：
获取所述购物开启触发指令对应的当前实际时间点，并根据所述当前实际时间点生成当前实际消费时间段，并以所述当前实际消费时间段为基础比例单元将所述当前消费者基础特征数据输入至预设的原始时间分散数据库中；基于所述原始时间分散数据库，以所述当前实际消费时间段为基础比例将所述当前消费者基础特征数据分散成多个分段消费特征数据；根据各所述分段消费特征数据及所述当前实际消费时间段生成当前匹配时间段；根据所述当前匹配时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据；在筛选出相同时间段内的当前消费商品数据后，基于所述原始时间分散数据库中预存的消费数据损失求取模块求取各所述分段消费特征数据的当前实际消费损失数据；基于各所述当前实际消费损失数据将各所述当前实际消费损失数据发送至所述原始时间分散数据库，并基于增量学习对所述原始时间分散数据库作更新处理，在增量学习完成后生成更新后时间分散数据库，同时将所述更新后时间分散数据库存储。
具体而言，根据所述当前匹配时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据；具体包括：
根据所述当前匹配时间段，将所述当前匹配时间段与所述当前消费者基础特征数据中的各时间一一对比，并生成对比分析结果值；根据所述对比分析结果值，将各所述对比分析结果值与预设的标准对比结果值对比，并筛选出大于等于所述标准对比结果值的对比分析结果值；将大于等于所述标准对比结果值的对比分析结果值对应的时间段设定为目标查询时间段，并索引与所述目标查询时间段相匹配的当前消费商品数据；在索引与所述目标查询时间段相匹配的当前消费商品数据后，将小于所述标准对比结果值的对比分析结果值所对应的消费数据增设特定标签，并存储。
具体而言，获取当前电商消费者在当前购物电商平台开始购物的购物开启触发指令，并基于大数据从预设的已存储电商平台数据库中调取与所述当前电商消费者相匹配的当前消费者原始消费数据，其中，一个已存储电商平台数据库对应一个所述当前消费者原始消费数据；之前还包括：
获取当前电商消费者的电商账户基本数据；基于大数据根据所述电商账户基本数据从预先建立的已登记电商平台数据库中筛选出与所述电商账户基本数据相匹配的目标电商平台，并将各所述目标电商平台设定为已存储电商平台；基于各所述已存储电商平台建立已存储电商平台数据库，其中，所述已存储电商平台数据库中包含所述当前电商消费者的消费数据。
具体而言，一种基于大数据的电商购物推荐系统，所述系统包括：
存储电商模块，用于获取当前电商消费者在当前购物电商平台开始购物的购物开启触发指令，并基于大数据从预设的已存储电商平台数据库中调取与所述当前电商消费者相匹配的当前消费者原始消费数据，其中，一个已存储电商平台数据库对应一个所述当前消费者原始消费数据；
商品特征模块，用于根据各所述当前消费者原始消费数据，从各所述当前消费者原始消费数据中筛选出相同商品特征的数据，并根据筛选出的数据生成当前消费者基础特征数据；
实际消费模块，用于获取所述购物开启触发指令对应的当前实际时间点，并根据所述当前实际时间点生成当前实际消费时间段，再根据所述当前实际消费时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据；
数据生成模块，用于根据所述当前消费商品数据生成当前时间可能购物数据，并基于所述当前购物推荐展示界面，所述当前购物推荐展示界面用于展示所述当前时间可能购物数据。
具体而言，所述系统还包括：
购物展示模块，用于获取在所述当前购物展示界面上根据所述当前真实用户确认选项的当前用户真实性选择指令；
数据匹配模块，用于根据所述当前用户真实性选择指令判断当前电商消费者是否为与所述当前消费者原始消费数据匹配的消费者主体，若判断当前电商消费者不是与所述当前消费者原始消费数据匹配的消费者主体，则生成实际用户信息录入界面，其中所述实际用户信息录入界面供当前电商消费者录入其基本信息；
实际用户模块，用于获取当前电商消费者根据所述实际用户信息录入界面录入的当前实际基本数据；
基本数据模块，用于在获取所述当前实际基本数据后，生成当前购物搜索界面，其中，所述当前购物搜索界面用于展示搜索窗口；
搜索界面模块，用于基于所述当前购物搜索界面，获取当前电商消费者在所述搜索窗口上录入的当前商品搜索数据；
搜索数据模块，用于根据所述当前商品搜索数据和所述当前实际基本数据生成购物推荐展示调整参数；
展示界面模块，用于根据所述购物推荐展示调整参数对所述当前时间可能购物数据进行调整，并生成调整后购物数据，并同时生成调整后购物数据展示界面，所述调整后购物数据展示界面用于展示所述调整后购物数据。
具体而言，所述系统还包括：
开启触发模块，用于获取所述购物开启触发指令对应的当前实际时间点，并根据所述当前实际时间点生成当前实际消费时间段，并以所述当前实际消费时间段为基础比例单元将所述当前消费者基础特征数据输入至预设的原始时间分散数据库中；
分散数据模块，用于基于所述原始时间分散数据库，以所述当前实际消费时间段为基础比例将所述当前消费者基础特征数据分散成多个分段消费特征数据；
消费特征模块，用于根据各所述分段消费特征数据及所述当前实际消费时间段生成当前匹配时间段；
匹配时间模块，用于根据所述当前匹配时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据；
数据损失模块，用于在筛选出相同时间段内的当前消费商品数据后，基于所述原始时间分散数据库中预存的消费数据损失求取模块求取各所述分段消费特征数据的当前实际消费损失数据；
原始时间模块，用于基于各所述当前实际消费损失数据将各所述当前实际消费损失数据发送至所述原始时间分散数据库，并基于增量学习对所述原始时间分散数据库作更新处理，在增量学习完成后生成更新后时间分散数据库，同时将所述更新后时间分散数据库存储；
当前匹配模块，用于根据所述当前匹配时间段，将所述当前匹配时间段与所述当前消费者基础特征数据中的各时间一一对比，并生成对比分析结果值；
分析结果模块，用于根据所述对比分析结果值，将各所述对比分析结果值与预设的标准对比结果值对比，并筛选出大于等于所述标准对比结果值的对比分析结果值；
标准对比模块，用于将大于等于所述标准对比结果值的对比分析结果值对应的时间段设定为目标查询时间段，并索引与所述目标查询时间段相匹配的当前消费商品数据；
目标查询模块，用于在索引与所述目标查询时间段相匹配的当前消费商品数据后，将小于所述标准对比结果值的对比分析结果值所对应的消费数据增设特定标签，并存储；
电商消费模块，用于获取当前电商消费者的电商账户基本数据；
预先建立模块，用于基于大数据根据所述电商账户基本数据从预先建立的已登记电商平台数据库中筛选出与所述电商账户基本数据相匹配的目标电商平台，并将各所述目标电商平台设定为已存储电商平台；
已存储电商模块，用于基于各所述已存储电商平台建立已存储电商平台数据库，其中，所述已存储电商平台数据库中包含所述当前电商消费者的消费数据。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述基于大数据的电商购物推荐方法所述的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于大数据的电商购物推荐方法所述的步骤。
本发明实现技术效果如下：
上述基于大数据的电商购物推荐方法及系统，依次通过获取当前电商消费者在当前购物电商平台开始购物的购物开启触发指令，并基于大数据从预设的已存储电商平台数据库中调取与所述当前电商消费者相匹配的当前消费者原始消费数据，其中，一个已存储电商平台数据库对应一个所述当前消费者原始消费数据；根据各所述当前消费者原始消费数据，从各所述当前消费者原始消费数据中筛选出相同商品特征的数据，并根据筛选出的数据生成当前消费者基础特征数据；获取所述购物开启触发指令对应的当前实际时间点，并根据所述当前实际时间点生成当前实际消费时间段，再根据所述当前实际消费时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据；根据所述当前消费商品数据生成当前时间可能购物数据，并基于所述当前购物推荐展示界面，所述当前购物推荐展示界面用于展示所述当前时间可能购物数据，也即本发明首先在大数据的基础上，通过大数据技术在当前电商消费者在开始购物时，从预先设置好的已存储好的已存储电商平台库上调取各所述当前消费者原始消费数据，其中，各所述已存储电商平台数据库包含了预先建立关联的电商平台，当前电商消费者在多个已存储电商平台上均有过购物，此时这些购物数据记为当前消费者的原始消费数据，接着，从各所述当前消费者原始消费数据中筛选出相同商品特征的数据，也即通过对各所述当前消费者原始消费数据进行无用数据筛选，如筛选出帮朋友购买或者帮公司购买的消费数据，此类数据与消费者原始的所需求的数据的类型显然不相匹配，因此，通过筛选出相同商品特征的数据，实现了过滤无用数据的效果，接着，根据筛选出的数据生成当前基础特征数据，即为生成符合当前电商消费者的真实购物习惯的特征数据，然后，考虑到消费者在不同的时间点购买的商品不同，如在周末的晚上大多购买美食零食类商品为主，因此，通过获取所述购物开启触发指令对应的当前实际时间点，并根据所述当前实际时间点生成当前实际消费时间段，通过生成当前实际消费时间段扩大了习惯的匹配范围，降低了只根据一个时间点进行推荐匹配导致的不准确问题，因此，当再根据所述当前实际消费时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据后，生成当前时间可能购物数据，这样不仅基于当前电商消费者平视的购物商品所包含的购物习惯与特征，还同时考量了不同时间点对应不同的购物数据，最后，实现准确率高、推荐速度快及提升购物消费体验的电商购物推荐。
附图说明
图1为一个实施例中基于大数据的电商购物推荐方法的流程示意图；
图2为一个实施例中基于大数据的电商购物推荐系统的结构框图；
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种基于大数据的电商购物推荐方法，所述方法包括：
步骤S100：获取当前电商消费者在当前购物电商平台开始购物的购物开启触发指令，并基于大数据从预设的已存储电商平台数据库中调取与所述当前电商消费者相匹配的当前消费者原始消费数据，其中，一个已存储电商平台数据库对应一个所述当前消费者原始消费数据；
具体地，在当前购物电商平台开始购物的购物开启触发指令时，即意味着当前当前电商消费者已经开始准备购物，此时需要推送相关推荐商品。
因此，本步骤中，通过基于大数据从预设的已存储电商平台数据库中调取与所述当前电商消费者相匹配的当前消费者原始消费数据。具体地，所述已存储电商平台数据库存储有已存储电商平台，每个已存储电商平台均对应存储有与当前电商消费者相匹配的消费数据，也即当前消费者原始消费数据。
进一步地，本实施例中，基于大数据技术从预设的已存储电商平台数据库中调取与所述当前电商消费者相匹配的当前消费者原始消费数据之前，还包括以下步骤：
步骤S01：获取当前电商消费者的电商账户基本数据；
步骤S02：基于大数据根据所述电商账户基本数据从预先建立的已登记电商平台数据库中筛选出与所述电商账户基本数据相匹配的目标电商平台，并将各所述目标电商平台设定为已存储电商平台；
步骤S03：基于各所述已存储电商平台建立已存储电商平台数据库，其中，所述已存储电商平台数据库中包含所述当前电商消费者的消费数据。
显然，可以看出调取与所述当前电商消费者相匹配的当前消费者原始消费数据之前，已然通过大数据技术在获取当前电商消费者的电商账户基本数据后，根据所述电商账户基本数据从预先建立的已登记电商平台数据库中筛选出与所述电商账户基本数据相匹配的目标电商平台，并将各所述目标电商平台设定为已存储电商平台，其中当前电商消费者的电商账户基本数据为当前电商消费者在注册各电商平台时登记的基本账户信息。
在登记了各基本账户信息后，接着，当前电商消费者在使用各电商平台购物时，均会记录购物时的购物数据，并且，通过基于大数据根据所述电商账户基本数据从预先建立的已登记电商平台数据库中筛选出与所述电商账户基本数据相匹配的目标电商平台，实现了后续已存储电商平台数据库的建立，进而为实现精准推荐提供了稳定的数据基础。
其中，一个已存储电商平台数据库对应一个所述当前消费者原始消费数据。
步骤S200：根据各所述当前消费者原始消费数据，从各所述当前消费者原始消费数据中筛选出相同商品特征的数据，并根据筛选出的数据生成当前消费者基础特征数据；
具体地，本步骤中，通过从各所述当前消费者原始消费数据中筛选出相同商品特征的数据，实现了无用数据的筛选，如筛选出帮朋友购买或者帮公司购买的消费数据，此类数据与消费者原始的所需求的数据的类型显然不相匹配，因此，通过筛选出相同商品特征的数据，实现了过滤无用数据的效果，接着，根据筛选出的数据生成当前基础特征数据，即为生成符合当前电商消费者的真实购物习惯的特征数据。
步骤S300：获取所述购物开启触发指令对应的当前实际时间点，并根据所述当前实际时间点生成当前实际消费时间段，再根据所述当前实际消费时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据；
具体地，本步骤中，为了实现更精准且符合购物者的购物习惯的推荐，也即考虑到消费者在不同的时间点购买的商品不同，如在周末的晚上大多购买美食零食类商品为主，因此，通过获取所述购物开启触发指令对应的当前实际时间点，并根据所述当前实际时间点生成当前实际消费时间段，通过生成当前实际消费时间段扩大了习惯的匹配范围，降低了只根据一个时间点进行推荐匹配导致的不准确问题。
步骤S400：根据所述当前消费商品数据生成当前时间可能购物数据，并基于所述当前购物推荐展示界面，所述当前购物推荐展示界面用于展示所述当前时间可能购物数据。
具体地，通过根据所述当前消费商品数据生成当前时间可能购物数据，并基于所述当前购物推荐展示界面，所述当前购物推荐展示界面用于展示所述当前时间可能购物数据，实现了所述当前时间可能购物数据的高效快速展示。
在一个实施例中，所述当前购物推荐展示界面上还展示有当前真实用户确认选项；
步骤S400：根据所述当前消费商品数据生成当前时间可能购物数据，并基于所述当前购物推荐展示界面，所述当前购物推荐展示界面用于展示所述当前时间可能购物数据之后，还包括：
步骤S510：获取在所述当前购物展示界面上根据所述当前真实用户确认选项的当前用户真实性选择指令；
步骤S520：根据所述当前用户真实性选择指令判断当前电商消费者是否为与所述当前消费者原始消费数据匹配的消费者主体，若判断当前电商消费者不是与所述当前消费者原始消费数据匹配的消费者主体，则生成实际用户信息录入界面，其中所述实际用户信息录入界面供当前电商消费者录入其基本信息；
步骤S530：获取当前电商消费者根据所述实际用户信息录入界面录入的当前实际基本数据；
步骤S540：在获取所述当前实际基本数据后，生成当前购物搜索界面，其中，所述当前购物搜索界面用于展示搜索窗口；
步骤S550：基于所述当前购物搜索界面，获取当前电商消费者在所述搜索窗口上录入的当前商品搜索数据；
步骤S550：根据所述当前商品搜索数据和所述当前实际基本数据生成购物推荐展示调整参数；
步骤S560：根据所述购物推荐展示调整参数对所述当前时间可能购物数据进行调整，并生成调整后购物数据，并同时生成调整后购物数据展示界面，所述调整后购物数据展示界面用于展示所述调整后购物数据。
具体地，本步骤中，为了保证购物推荐的准确性，因此，需要判断当前的购物者是否为当前电商平台的真实注册者，因此，需要验证是否为真实用户。进一步地，本实施例中，首先通过获取在所述当前购物展示界面上根据所述当前真实用户确认选项的当前用户真实性选择指令，然后，根据所述当前用户真实性选择指令判断当前电商消费者是否为与所述当前消费者原始消费数据匹配的消费者主体，若判断当前电商消费者不是与所述当前消费者原始消费数据匹配的消费者主体，则生成实际用户信息录入界面，其中所述实际用户信息录入界面供当前电商消费者录入其基本信息，接着，获取当前电商消费者根据所述实际用户信息录入界面录入的当前实际基本数据，那么在获取所述当前实际基本数据后，生成当前购物搜索界面，其中，所述当前购物搜索界面用于展示搜索窗口；再基于所述当前购物搜索界面，获取当前电商消费者在所述搜索窗口上录入的当前商品搜索数据，接下来根据所述当前商品搜索数据和所述当前实际基本数据生成购物推荐展示调整参数，此处可以明显看出所述购物推荐展示调整参数是基于两方面考量后生成，一为当前电商消费者根据所述实际用户信息录入界面录入的当前实际基本数据，此部分的数据反映了当前电商消费者的真实情况，另一部分为获取的当前电商消费者在所述搜索窗口上录入的当前商品搜索数据，也即此部分表征了当前电商消费者的当前的真实需求，因此，通过根据所述购物推荐展示调整参数对所述当前时间可能购物数据进行调整，并生成调整后购物数据，并同时生成调整后购物数据展示界面，所述调整后购物数据展示界面用于展示所述调整后购物数据，进而实现精准高效的匹配当前消费者的购物推荐，提升推荐的准确性和高效性，同时还能够提升购物体验。
在一个实施例中，步骤S300：获取所述购物开启触发指令对应的当前实际时间点，并根据所述当前实际时间点生成当前实际消费时间段，再根据所述当前实际消费时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据，具体包括：
步骤S301：获取所述购物开启触发指令对应的当前实际时间点，并根据所述当前实际时间点生成当前实际消费时间段，并以所述当前实际消费时间段为基础比例单元将所述当前消费者基础特征数据输入至预设的原始时间分散数据库中；
步骤S302：基于所述原始时间分散数据库，以所述当前实际消费时间段为基础比例将所述当前消费者基础特征数据分散成多个分段消费特征数据；
步骤S303：根据各所述分段消费特征数据及所述当前实际消费时间段生成当前匹配时间段；
步骤S304：根据所述当前匹配时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据；
具体地，本实施例中，首先通过获取所述购物开启触发指令对应的当前实际时间点，并根据所述当前实际时间点生成当前实际消费时间段，并以所述当前实际消费时间段为基础比例单元将所述当前消费者基础特征数据输入至预设的原始时间分散数据库中，接着，基于所述原始时间分散数据库，以所述当前实际消费时间段为基础比例将所述当前消费者基础特征数据分散成多个分段消费特征数据，进而实现数据根据时间来分段，使数据处理分段化与细节化，进而提升后续数据处理效率，同时，根据各所述分段消费特征数据及所述当前实际消费时间段生成当前匹配时间段；进而能够实现根据所述当前匹配时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据。
步骤S305：在筛选出相同时间段内的当前消费商品数据后，基于所述原始时间分散数据库中预存的消费数据损失求取模块求取各所述分段消费特征数据的当前实际消费损失数据；
步骤S306：基于各所述当前实际消费损失数据将各所述当前实际消费损失数据发送至所述原始时间分散数据库，并基于增量学习对所述原始时间分散数据库作更新处理，在增量学习完成后生成更新后时间分散数据库，同时将所述更新后时间分散数据库存储。
具体地，所述消费数据损失求取模块为预先设置，其为利用了损失函数完成数据损失的分析，因此，通过求取各所述分段消费特征数据的当前实际消费损失数据，再基于各所述当前实际消费损失数据将各所述当前实际消费损失数据发送至所述原始时间分散数据库，并基于增量学习对所述原始时间分散数据库作更新处理，在增量学习完成后生成更新后时间分散数据库，同时将所述更新后时间分散数据库存储，使所述更新后时间分散数据库为在原始时间分散数据库的基础上，引用了损失函数后，再进行增量学习所形成的新的模型，实现了模型的高效建立。
其中，所述消费数据损失求取模块为本领域技术人员根据实际需求建立的模块，主要利用了损失函数的原理。
增量学习为从新样本中学习新的知识，并在保存以前已经学习到的知识的前提下进一步地更新，本实施例中，新样本即为所述各所述当前实际消费损失数据。
在一个实施例中，步骤S304：根据所述当前匹配时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据；具体包括：
步骤S3041：根据所述当前匹配时间段，将所述当前匹配时间段与所述当前消费者基础特征数据中的各时间一一对比，并生成对比分析结果值；
步骤S3042：根据所述对比分析结果值，将各所述对比分析结果值与预设的标准对比结果值对比，并筛选出大于等于所述标准对比结果值的对比分析结果值；
步骤S3043：将大于等于所述标准对比结果值的对比分析结果值对应的时间段设定为目标查询时间段，并索引与所述目标查询时间段相匹配的当前消费商品数据；
步骤S3044：在索引与所述目标查询时间段相匹配的当前消费商品数据后，将小于所述标准对比结果值的对比分析结果值所对应的消费数据增设特定标签，并存储。
具体地，为了实现数据获取的准确性，因此，本实施例中，首选通过根据所述当前匹配时间段，将所述当前匹配时间段与所述当前消费者基础特征数据中的各时间一一对比，并生成对比分析结果值；然后根据所述对比分析结果值，将各所述对比分析结果值与预设的标准对比结果值对比，并筛选出大于等于所述标准对比结果值的对比分析结果值；最后，将大于等于所述标准对比结果值的对比分析结果值对应的时间段设定为目标查询时间段，并索引与所述目标查询时间段相匹配的当前消费商品数据，进而实现了利用了对比分析结果值的数据分析方法，以实现对与所述目标查询时间段相匹配的当前消费商品数据的查询，进而实现高效数据获取与高效数据处理。
此外，通过在索引与所述目标查询时间段相匹配的当前消费商品数据后，将小于所述标准对比结果值的对比分析结果值所对应的消费数据增设特定标签，并存储，实现了利用标签处理相关数据，进而提升数据管理效率。
综上所述，本发明依次通过获取当前电商消费者在当前购物电商平台开始购物的购物开启触发指令，并基于大数据从预设的已存储电商平台数据库中调取与所述当前电商消费者相匹配的当前消费者原始消费数据，其中，一个已存储电商平台数据库对应一个所述当前消费者原始消费数据；根据各所述当前消费者原始消费数据，从各所述当前消费者原始消费数据中筛选出相同商品特征的数据，并根据筛选出的数据生成当前消费者基础特征数据；获取所述购物开启触发指令对应的当前实际时间点，并根据所述当前实际时间点生成当前实际消费时间段，再根据所述当前实际消费时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据；根据所述当前消费商品数据生成当前时间可能购物数据，并基于所述当前购物推荐展示界面，所述当前购物推荐展示界面用于展示所述当前时间可能购物数据，也即本发明首先在大数据的基础上，通过大数据技术在当前电商消费者在开始购物时，从预先设置好的已存储好的已存储电商平台库上调取各所述当前消费者原始消费数据，其中，各所述已存储电商平台数据库包含了预先建立关联的电商平台，当前电商消费者在多个已存储电商平台上均有过购物，此时这些购物数据记为当前消费者的原始消费数据，接着，从各所述当前消费者原始消费数据中筛选出相同商品特征的数据，也即通过对各所述当前消费者原始消费数据进行无用数据筛选，如筛选出帮朋友购买或者帮公司购买的消费数据，此类数据与消费者原始的所需求的数据的类型显然不相匹配，因此，通过筛选出相同商品特征的数据，实现了过滤无用数据的效果，接着，根据筛选出的数据生成当前基础特征数据，即为生成符合当前电商消费者的真实购物习惯的特征数据，然后，考虑到消费者在不同的时间点购买的商品不同，如在周末的晚上大多购买美食零食类商品为主，因此，通过获取所述购物开启触发指令对应的当前实际时间点，并根据所述当前实际时间点生成当前实际消费时间段，通过生成当前实际消费时间段扩大了习惯的匹配范围，降低了只根据一个时间点进行推荐匹配导致的不准确问题，因此，当再根据所述当前实际消费时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据后，生成当前时间可能购物数据，这样不仅基于当前电商消费者平视的购物商品所包含的购物习惯与特征，还同时考量了不同时间点对应不同的购物数据，最后，实现准确率高、推荐速度快及提升购物消费体验的电商购物推荐。
在一个实施例中，一种基于大数据的电商购物推荐系统，如图2所示，所述系统包括：
存储电商模块，用于获取当前电商消费者在当前购物电商平台开始购物的购物开启触发指令，并基于大数据从预设的已存储电商平台数据库中调取与所述当前电商消费者相匹配的当前消费者原始消费数据，其中，一个已存储电商平台数据库对应一个所述当前消费者原始消费数据；
商品特征模块，用于根据各所述当前消费者原始消费数据，从各所述当前消费者原始消费数据中筛选出相同商品特征的数据，并根据筛选出的数据生成当前消费者基础特征数据；
实际消费模块，用于获取所述购物开启触发指令对应的当前实际时间点，并根据所述当前实际时间点生成当前实际消费时间段，再根据所述当前实际消费时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据；
数据生成模块，用于根据所述当前消费商品数据生成当前时间可能购物数据，并基于所述当前购物推荐展示界面，所述当前购物推荐展示界面用于展示所述当前时间可能购物数据。
在一个实施例中，所述系统还包括：
购物展示模块，用于获取在所述当前购物展示界面上根据所述当前真实用户确认选项的当前用户真实性选择指令；
数据匹配模块，用于根据所述当前用户真实性选择指令判断当前电商消费者是否为与所述当前消费者原始消费数据匹配的消费者主体，若判断当前电商消费者不是与所述当前消费者原始消费数据匹配的消费者主体，则生成实际用户信息录入界面，其中所述实际用户信息录入界面供当前电商消费者录入其基本信息；
实际用户模块，用于获取当前电商消费者根据所述实际用户信息录入界面录入的当前实际基本数据；
基本数据模块，用于在获取所述当前实际基本数据后，生成当前购物搜索界面，其中，所述当前购物搜索界面用于展示搜索窗口；
搜索界面模块，用于基于所述当前购物搜索界面，获取当前电商消费者在所述搜索窗口上录入的当前商品搜索数据；
搜索数据模块，用于根据所述当前商品搜索数据和所述当前实际基本数据生成购物推荐展示调整参数；
展示界面模块，用于根据所述购物推荐展示调整参数对所述当前时间可能购物数据进行调整，并生成调整后购物数据，并同时生成调整后购物数据展示界面，所述调整后购物数据展示界面用于展示所述调整后购物数据。
在一个实施例中，所述系统还包括：
开启触发模块，用于获取所述购物开启触发指令对应的当前实际时间点，并根据所述当前实际时间点生成当前实际消费时间段，并以所述当前实际消费时间段为基础比例单元将所述当前消费者基础特征数据输入至预设的原始时间分散数据库中；
分散数据模块，用于基于所述原始时间分散数据库，以所述当前实际消费时间段为基础比例将所述当前消费者基础特征数据分散成多个分段消费特征数据；
消费特征模块，用于根据各所述分段消费特征数据及所述当前实际消费时间段生成当前匹配时间段；
匹配时间模块，用于根据所述当前匹配时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据；
数据损失模块，用于在筛选出相同时间段内的当前消费商品数据后，基于所述原始时间分散数据库中预存的消费数据损失求取模块求取各所述分段消费特征数据的当前实际消费损失数据；
原始时间模块，用于基于各所述当前实际消费损失数据将各所述当前实际消费损失数据发送至所述原始时间分散数据库，并基于增量学习对所述原始时间分散数据库作更新处理，在增量学习完成后生成更新后时间分散数据库，同时将所述更新后时间分散数据库存储；
当前匹配模块，用于根据所述当前匹配时间段，将所述当前匹配时间段与所述当前消费者基础特征数据中的各时间一一对比，并生成对比分析结果值；
分析结果模块，用于根据所述对比分析结果值，将各所述对比分析结果值与预设的标准对比结果值对比，并筛选出大于等于所述标准对比结果值的对比分析结果值；
标准对比模块，用于将大于等于所述标准对比结果值的对比分析结果值对应的时间段设定为目标查询时间段，并索引与所述目标查询时间段相匹配的当前消费商品数据；
目标查询模块，用于在索引与所述目标查询时间段相匹配的当前消费商品数据后，将小于所述标准对比结果值的对比分析结果值所对应的消费数据增设特定标签，并存储；
电商消费模块，用于获取当前电商消费者的电商账户基本数据；
预先建立模块，用于基于大数据根据所述电商账户基本数据从预先建立的已登记电商平台数据库中筛选出与所述电商账户基本数据相匹配的目标电商平台，并将各所述目标电商平台设定为已存储电商平台；
已存储电商模块，用于基于各所述已存储电商平台建立已存储电商平台数据库，其中，所述已存储电商平台数据库中包含所述当前电商消费者的消费数据。
在一个实施例中，如图3所示，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述基于大数据的电商购物推荐方法所述的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于大数据的电商购物推荐方法所述的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于大数据的电商购物推荐方法，其特征在于，所述方法包括：
获取当前电商消费者在当前购物电商平台开始购物的购物开启触发指令，并基于大数据从预设的已存储电商平台数据库中调取与所述当前电商消费者相匹配的当前消费者原始消费数据，其中，一个已存储电商平台数据库对应一个所述当前消费者原始消费数据；根据各所述当前消费者原始消费数据，从各所述当前消费者原始消费数据中筛选出相同商品特征的数据，并根据筛选出的数据生成当前消费者基础特征数据；获取所述购物开启触发指令对应的当前实际时间点，并根据所述当前实际时间点生成当前实际消费时间段，再根据所述当前实际消费时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据；根据所述当前消费商品数据生成当前时间购物数据，并基于当前购物推荐展示界面，所述当前购物推荐展示界面用于展示所述当前时间购物数据；
获取所述购物开启触发指令对应的当前实际时间点，并根据所述当前实际时间点生成当前实际消费时间段，再根据所述当前实际消费时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据，具体包括：
获取所述购物开启触发指令对应的当前实际时间点，并根据所述当前实际时间点生成当前实际消费时间段，并以所述当前实际消费时间段为基础比例单元将所述当前消费者基础特征数据输入至预设的原始时间分散数据库中；基于所述原始时间分散数据库，以所述当前实际消费时间段为基础比例将所述当前消费者基础特征数据分散成多个分段消费特征数据；根据各所述分段消费特征数据及所述当前实际消费时间段生成当前匹配时间段；根据所述当前匹配时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据；在筛选出相同时间段内的当前消费商品数据后，基于所述原始时间分散数据库中预存的消费数据损失求取模块求取各所述分段消费特征数据的当前实际消费损失数据；基于各所述当前实际消费损失数据将各所述当前实际消费损失数据发送至所述原始时间分散数据库，并基于增量学习对所述原始时间分散数据库作更新处理，在增量学习完成后生成更新后时间分散数据库，同时将所述更新后时间分散数据库存储。
2.根据权利要求1所述的基于大数据的电商购物推荐方法，其特征在于，所述当前购物推荐展示界面上还展示有当前真实用户确认选项；
根据所述当前消费商品数据生成当前时间购物数据，并基于所述当前购物推荐展示界面，所述当前购物推荐展示界面用于展示所述当前时间购物数据之后，还包括：
获取在当前购物展示界面上根据所述当前真实用户确认选项的当前用户真实性选择指令；根据所述当前用户真实性选择指令判断当前电商消费者是否为与所述当前消费者原始消费数据匹配的消费者主体，若判断当前电商消费者不是与所述当前消费者原始消费数据匹配的消费者主体，则生成实际用户信息录入界面，其中所述实际用户信息录入界面供当前电商消费者录入其基本信息；获取当前电商消费者根据所述实际用户信息录入界面录入的当前实际基本数据；在获取所述当前实际基本数据后，生成当前购物搜索界面，其中，所述当前购物搜索界面用于展示搜索窗口；基于所述当前购物搜索界面，获取当前电商消费者在所述搜索窗口上录入的当前商品搜索数据；根据所述当前商品搜索数据和所述当前实际基本数据生成购物推荐展示调整参数；根据所述购物推荐展示调整参数对所述当前时间购物数据进行调整，并生成调整后购物数据，并同时生成调整后购物数据展示界面，所述调整后购物数据展示界面用于展示所述调整后购物数据。
3.根据权利要求2所述的基于大数据的电商购物推荐方法，其特征在于，根据所述当前匹配时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据；具体包括：
根据所述当前匹配时间段，将所述当前匹配时间段与所述当前消费者基础特征数据中的各时间一一对比，并生成对比分析结果值；根据所述对比分析结果值，将各所述对比分析结果值与预设的标准对比结果值对比，并筛选出大于等于所述标准对比结果值的对比分析结果值；将大于等于所述标准对比结果值的对比分析结果值对应的时间段设定为目标查询时间段，并索引与所述目标查询时间段相匹配的当前消费商品数据；在索引与所述目标查询时间段相匹配的当前消费商品数据后，将小于所述标准对比结果值的对比分析结果值所对应的消费数据增设特定标签，并存储。
4.根据权利要求3所述的基于大数据的电商购物推荐方法，其特征在于，获取当前电商消费者在当前购物电商平台开始购物的购物开启触发指令，并基于大数据从预设的已存储电商平台数据库中调取与所述当前电商消费者相匹配的当前消费者原始消费数据，其中，一个已存储电商平台数据库对应一个所述当前消费者原始消费数据；之前还包括：
获取当前电商消费者的电商账户基本数据；基于大数据根据所述电商账户基本数据从预先建立的已登记电商平台数据库中筛选出与所述电商账户基本数据相匹配的目标电商平台，并将各所述目标电商平台设定为已存储电商平台；基于各所述已存储电商平台建立已存储电商平台数据库，其中，所述已存储电商平台数据库中包含所述当前电商消费者的消费数据。
5.一种基于大数据的电商购物推荐系统，其特征在于，所述系统包括：
存储电商模块，用于获取当前电商消费者在当前购物电商平台开始购物的购物开启触发指令，并基于大数据从预设的已存储电商平台数据库中调取与所述当前电商消费者相匹配的当前消费者原始消费数据，其中，一个已存储电商平台数据库对应一个所述当前消费者原始消费数据；
商品特征模块，用于根据各所述当前消费者原始消费数据，从各所述当前消费者原始消费数据中筛选出相同商品特征的数据，并根据筛选出的数据生成当前消费者基础特征数据；
实际消费模块，用于获取所述购物开启触发指令对应的当前实际时间点，并根据所述当前实际时间点生成当前实际消费时间段，再根据所述当前实际消费时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据；
数据生成模块，用于根据所述当前消费商品数据生成当前时间购物数据，并基于当前购物推荐展示界面，所述当前购物推荐展示界面用于展示所述当前时间购物数据；
还包括：获取所述购物开启触发指令对应的当前实际时间点，并根据所述当前实际时间点生成当前实际消费时间段，并以所述当前实际消费时间段为基础比例单元将所述当前消费者基础特征数据输入至预设的原始时间分散数据库中；基于所述原始时间分散数据库，以所述当前实际消费时间段为基础比例将所述当前消费者基础特征数据分散成多个分段消费特征数据；根据各所述分段消费特征数据及所述当前实际消费时间段生成当前匹配时间段；根据所述当前匹配时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据；在筛选出相同时间段内的当前消费商品数据后，基于所述原始时间分散数据库中预存的消费数据损失求取模块求取各所述分段消费特征数据的当前实际消费损失数据；基于各所述当前实际消费损失数据将各所述当前实际消费损失数据发送至所述原始时间分散数据库，并基于增量学习对所述原始时间分散数据库作更新处理，在增量学习完成后生成更新后时间分散数据库，同时将所述更新后时间分散数据库存储。
6.根据权利要求5所述的基于大数据的电商购物推荐系统，其特征在于，所述系统还包括：
购物展示模块，用于获取在当前购物展示界面上根据当前真实用户确认选项的当前用户真实性选择指令；
数据匹配模块，用于根据所述当前用户真实性选择指令判断当前电商消费者是否为与所述当前消费者原始消费数据匹配的消费者主体，若判断当前电商消费者不是与所述当前消费者原始消费数据匹配的消费者主体，则生成实际用户信息录入界面，其中所述实际用户信息录入界面供当前电商消费者录入其基本信息；
实际用户模块，用于获取当前电商消费者根据所述实际用户信息录入界面录入的当前实际基本数据；
基本数据模块，用于在获取所述当前实际基本数据后，生成当前购物搜索界面，其中，所述当前购物搜索界面用于展示搜索窗口；
搜索界面模块，用于基于所述当前购物搜索界面，获取当前电商消费者在所述搜索窗口上录入的当前商品搜索数据；
搜索数据模块，用于根据所述当前商品搜索数据和所述当前实际基本数据生成购物推荐展示调整参数；
展示界面模块，用于根据所述购物推荐展示调整参数对所述当前时间购物数据进行调整，并生成调整后购物数据，并同时生成调整后购物数据展示界面，所述调整后购物数据展示界面用于展示所述调整后购物数据。
7.根据权利要求6所述的基于大数据的电商购物推荐系统，其特征在于，所述系统还包括：
开启触发模块，用于获取所述购物开启触发指令对应的当前实际时间点，并根据所述当前实际时间点生成当前实际消费时间段，并以所述当前实际消费时间段为基础比例单元将所述当前消费者基础特征数据输入至预设的原始时间分散数据库中；
分散数据模块，用于基于所述原始时间分散数据库，以所述当前实际消费时间段为基础比例将所述当前消费者基础特征数据分散成多个分段消费特征数据；
消费特征模块，用于根据各所述分段消费特征数据及所述当前实际消费时间段生成当前匹配时间段；
匹配时间模块，用于根据所述当前匹配时间段从所述当前消费者基础特征数据中筛选出相同时间段内的当前消费商品数据；
数据损失模块，用于在筛选出相同时间段内的当前消费商品数据后，基于所述原始时间分散数据库中预存的消费数据损失求取模块求取各所述分段消费特征数据的当前实际消费损失数据；
原始时间模块，用于基于各所述当前实际消费损失数据将各所述当前实际消费损失数据发送至所述原始时间分散数据库，并基于增量学习对所述原始时间分散数据库作更新处理，在增量学习完成后生成更新后时间分散数据库，同时将所述更新后时间分散数据库存储；
当前匹配模块，用于根据所述当前匹配时间段，将所述当前匹配时间段与所述当前消费者基础特征数据中的各时间一一对比，并生成对比分析结果值；
分析结果模块，用于根据所述对比分析结果值，将各所述对比分析结果值与预设的标准对比结果值对比，并筛选出大于等于所述标准对比结果值的对比分析结果值；
标准对比模块，用于将大于等于所述标准对比结果值的对比分析结果值对应的时间段设定为目标查询时间段，并索引与所述目标查询时间段相匹配的当前消费商品数据；
目标查询模块，用于在索引与所述目标查询时间段相匹配的当前消费商品数据后，将小于所述标准对比结果值的对比分析结果值所对应的消费数据增设特定标签，并存储；
电商消费模块，用于获取当前电商消费者的电商账户基本数据；
预先建立模块，用于基于大数据根据所述电商账户基本数据从预先建立的已登记电商平台数据库中筛选出与所述电商账户基本数据相匹配的目标电商平台，并将各所述目标电商平台设定为已存储电商平台；
已存储电商模块，用于基于各所述已存储电商平台建立已存储电商平台数据库，其中，所述已存储电商平台数据库中包含所述当前电商消费者的消费数据。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110814173.7A CN113362144B (zh) | 2021-07-19 | 2021-07-19 | 基于大数据的电商购物推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110814173.7A CN113362144B (zh) | 2021-07-19 | 2021-07-19 | 基于大数据的电商购物推荐方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113362144A CN113362144A (zh) | 2021-09-07 |
| CN113362144B true CN113362144B (zh) | 2023-05-05 |
Family
ID=77539965
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110814173.7A Active CN113362144B (zh) | 2021-07-19 | 2021-07-19 | 基于大数据的电商购物推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113362144B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118644322A (zh) * | 2024-08-14 | 2024-09-13 | 南昌理工学院 | 一种用于电子商务用户大数据的产品智能推荐方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006149534A (ja) * | 2004-11-26 | 2006-06-15 | Samii Kk | 乱数生成装置、遊技機および乱数生成方法 |
| CN111723160A (zh) * | 2020-08-24 | 2020-09-29 | 国网浙江省电力有限公司 | 一种多源异构增量数据同步方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10079887B2 (en) * | 2015-03-31 | 2018-09-18 | International Business Machines Corporation | Expanding storage capacity of a set of storage units in a distributed storage network |
| CN107742245B (zh) * | 2017-10-31 | 2021-04-27 | 北京星选科技有限公司 | 一种商户信息推荐方法、装置及设备 |
| CN109063019A (zh) * | 2018-07-12 | 2018-12-21 | 山东汇贸电子口岸有限公司 | 一种基于生产者消费者模式的轻量级垂直网络爬虫的实现方法 |
| CN111198961B (zh) * | 2018-11-16 | 2024-01-16 | 北京京东尚科信息技术有限公司 | 商品搜索方法、装置及服务器 |
| CN112116427A (zh) * | 2020-09-22 | 2020-12-22 | 深圳市分期乐网络科技有限公司 | 一种商品推荐方法、装置、电子设备及存储介质 |
| CN112270589A (zh) * | 2020-12-01 | 2021-01-26 | 盐城志娟网络科技有限公司 | 一种基于云计算大数据分析的网上商城商品推荐系统 |
-
2021
- 2021-07-19 CN CN202110814173.7A patent/CN113362144B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006149534A (ja) * | 2004-11-26 | 2006-06-15 | Samii Kk | 乱数生成装置、遊技機および乱数生成方法 |
| CN111723160A (zh) * | 2020-08-24 | 2020-09-29 | 国网浙江省电力有限公司 | 一种多源异构增量数据同步方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113362144A (zh) | 2021-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107730389A (zh) | 电子装置、保险产品推荐方法及计算机可读存储介质 | |
| US20150363865A1 (en) | Systems and methods for vehicle purchase recommendations | |
| CN110135943B (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
| CN112508638B (zh) | 数据处理的方法、装置及计算机设备 | |
| CN111145006A (zh) | 基于用户画像的汽车金融反欺诈模型训练方法和装置 | |
| CN112529665A (zh) | 基于组合模型的产品推荐方法、装置及计算机设备 | |
| CN113362144B (zh) | 基于大数据的电商购物推荐方法及系统 | |
| KR102123975B1 (ko) | 제품 사후관리를 위한 관리 서버의 동작 방법 | |
| CN115082153A (zh) | 一种商家质量评价方法、装置、电子设备及存储介质 | |
| CN112613948A (zh) | 一种基于严选策略的商品推送管理方法 | |
| CN115131084A (zh) | 推荐方法及相关设备 | |
| US20230099627A1 (en) | Machine learning model for predicting an action | |
| JPH06119309A (ja) | 購入見込み度合予測方法及び顧客管理システム | |
| CN113362143A (zh) | 基于大数据的互联网销售推荐方法及系统 | |
| CN113592587A (zh) | 商品价格监控方法、装置、电子设备及存储介质 | |
| CN110889748B (zh) | 店商平台产品推荐方法、装置、计算机设备以及存储介质 | |
| CN115482014B (zh) | 一种二手车虚假车源的识别方法和装置 | |
| CN116681470A (zh) | 门店选址方法、装置、计算机设备、存储介质和产品 | |
| CN116186224A (zh) | 基于互联网的电子商务平台管理方法及系统 | |
| CN114708070B (zh) | 一种信息智能推送方法、装置、电子设备和存储介质 | |
| CN116402581A (zh) | 基于人工智能的电商数据管理方法及系统 | |
| CN110825960A (zh) | 一种学习内容推荐方法和装置 | |
| US20230316202A1 (en) | Methods and apparatuses for automatically predicting fill rates | |
| CN114637916A (zh) | 一种基于用户习惯的大数据画像及模型构建方法和系统 | |
| CN114240553A (zh) | 车辆保险产品的推荐方法、装置、设备及存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230410 Address after: 550000 room b513, standard workshop auxiliary room, Jinyang science and Technology Industrial Park, Guiyang National High tech Industrial Development Zone, Guiyang City, Guizhou Province Applicant after: Guizhou youteyun Technology Co.,Ltd. Address before: 570000 3102, building 3, phase 3, Shengda Jingdu, Meilan District, Haikou City, Hainan Province Applicant before: Hainan Bingxiang Investment Consulting Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |