CN113643108A - 一种基于特征识别和分析的社交交友推荐方法 - Google Patents
一种基于特征识别和分析的社交交友推荐方法 Download PDFInfo
- Publication number
- CN113643108A CN113643108A CN202111201433.XA CN202111201433A CN113643108A CN 113643108 A CN113643108 A CN 113643108A CN 202111201433 A CN202111201433 A CN 202111201433A CN 113643108 A CN113643108 A CN 113643108A
- Authority
- CN
- China
- Prior art keywords
- shopping
- tendency
- friend
- user
- making
- 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.)
- Granted
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
-
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Abstract
本发明公开一种基于特征识别和分析的社交交友推荐方法,通过在设定购物阶段内从购物平台上获取各倾向购物种类对应的购物倾向用户集合,并分析确定各购物倾向用户对应的购物行为类型,同时根据设定的购物交友匹配原则和购物行为类型确定各倾向购物种类对应的若干待推荐交友用户和被推荐交友用户,进而利用匹配模型评估各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应的综合交友匹配系数,从而根据综合交友匹配系数进行各倾向购物种类中各待推荐交友用户的购物好友推荐,实现了购物平台上的社交好友推荐覆盖,在一定程度上扩展了社交网络交友模式的好友推荐覆盖范围,从而满足了具有购物倾向类别人员的购物交友需求。
Description
技术领域
本发明属于社交交友推荐技术领域,尤其涉及一种基于特征识别和分析的社交交友推荐方法。
背景技术
近年来,随着互联网技术的迅速发展,社交平台的使用在人们的日常生活中越来越普遍,使得人们越来越习惯通过社交网络来发言、聊天、交友,在这种情况下诞生了社交网络交友模式;为了让用户交到志同道合的朋友,目前的社交网络交友模式还提供好友推荐功能,具体为从用户发布的个人展示信息中分析用户的兴趣爱好,以此为用户推荐具有相同兴趣爱好的好友。
但是目前社交网络交友模式的好友推荐功能还只是覆盖在即时通信的社交平台上,如微信、QQ、微博等,忽略了对购物平台的好友推荐覆盖;当前的购物平台只是单纯提供购物功能,对于一些具有购物倾向的人来说,其在购物平台上花费的时间可能要比在社交平台上花费的时间要长,在当具有购物倾向的购物者在购物平台上购物时,时常可能遇到对想要购买的商品举棋不定,特别是容易购物纠结的人,这时候如果购物平台能够为该购物者推荐一个购物好友,该购物者就可以与购物好友进行交流,就能够有效减少举棋不定的时长,从而提高购物体验感;由此可见,目前社交网络交友模式的好友推荐功能对于具有购物倾向的人来说覆盖范围过于狭窄,无法满足具有购物倾向类别人员的购物交友需求。
发明内容
针对上述缺陷和不足,本发明实施例提供了一种基于特征识别和分析的社交交友推荐方法,通过将社交网络交友模式的好友推荐功能应用在购物平台上,从而满足了具有购物倾向类别人员的购物交友需求。
本发明的目的可以通过以下技术方案实现:一种基于特征识别和分析的社交交友推荐方法,该方法包括:在设定购物阶段内统计购物平台上存在的购物倾向用户及各购物倾向用户对应的倾向购物种类。
将各购物倾向用户对应的倾向购物种类进行对比,汇总得到各倾向购物种类对应的购物倾向用户集合。
对各倾向购物种类对应购物倾向用户集合中所有购物倾向用户的购物选择纠结度进行计算。
确定各倾向购物种类对应购物倾向用户集合中各购物倾向用户对应的购物行为类型。
根据各购物倾向用户对应的购物行为类型和设定的购物交友匹配原则确定各倾向购物种类对应的若干待推荐交友用户和被推荐交友用户。
分别采集各倾向购物种类对应各待推荐交友用户和各被推荐交友用户的交友匹配特征。
利用匹配模型评估各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应的综合交友匹配系数,其中匹配模型是将各倾向购物种类对应的各待推荐交友用户的交友匹配特征与各被推荐交友用户的交友匹配特征进行对比匹配。
从各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应的综合交友匹配系数中筛选出最大综合交友匹配系数对应的被推荐交友用户作为购物好友推荐给待推荐交友用户。
作为一种可选的实施方式,所述分析购物平台上存在的购物倾向用户及各购物倾向用户对应倾向购物种类的具体方法包括如下步骤:步骤101:在购物平台上提取各注册用户在设定购物阶段内的所有购物记录,并获取各条购物记录对应的购物种类。
步骤102:将各注册用户各条购物记录对应的购物种类进行对比,从而将同样购物种类对应的购物记录进行归类,得到在设定购物阶段内各注册用户对应各同样购物种类的购物记录数量。
步骤103:将各注册用户对应各同样购物种类的购物记录数量除以该注册用户对应总购物记录的数量,得到各注册用户对应各同样购物种类的倾向购物占比值。
步骤104:将各注册用户对应各同样购物种类的倾向购物占比值与预定义的倾向购物占比值进行对比,若某注册用户对应某同样购物种类的倾向购物占比值大于预定义的倾向购物占比值,则将该注册用户记为购物倾向用户,该购物种类记为倾向购物种类。
作为一种可选的实施方式,所述对各倾向购物种类对应的购物倾向用户集合中所有购物倾向用户的购物选择纠结度进行计算的操作过程如下:步骤301:对汇总得到的各倾向购物种类进行编号,依次标记为A,B,...,I,...,N,并对各倾向购物种类对应购物倾向用户集合中的各购物倾向用户按照倾向购物占比值的降序顺序进行编号,分别标记为1,2,...,i,...,n。
步骤302:对各倾向购物种类对应的各购物倾向用户分别从该购物倾向用户对应的所有购物记录中提取重点购物记录,进而对各倾向购物种类对应各购物倾向用户的若干重点购物记录按照购物时间点的先后顺序进行编号,依次标记为1,2,...,j,...,m。
步骤303:分别对各购物倾向用户对应的各条重点购物记录提取购买前的浏览足迹,进而从浏览足迹中统计购买前的浏览商品数量和浏览总时长,并将各倾向购物种类对应各购物倾向用户的各条重点购物记录对应购买前的浏览商品数量和浏览总时长构建成购物倾向用户购买前浏览参数集合,表示为第I个倾向购物种类对应第i个购物倾向用户的第j条重点购物纪录对应购物前的浏览参数,w表示为浏览参数,,其中r1,r2分别表示为浏览商品数量,浏览总时长。
步骤304:分别对各购物倾向用户对应的各条重点购物记录提取购买前与商家客服的在线交流纪录,进而从在线交流纪录中统计在线交流时长,并将各倾向购物种类对应各购物倾向用户的各条重点购物记录对应购买前的在线交流时长构建成购物倾向用户购买前在线交流时长集合,表示为第I个倾向购物种类对应第i个购物倾向用户的第j条重点购物纪录对应购买前的在线交流时长。
作为一种可选的实施方式,所述步骤302中各倾向购物种类对应各购物倾向用户的重点购物记录是指各购物倾向用户的所有购物记录中属于该倾向购物种类对应的购物记录。
作为一种可选的实施方式,所述确定各倾向购物种类对应各购物倾向用户的购物行为类型的具体方法为将各倾向购物种类对应各购物倾向用户的购物选择纠结度分别与预设的购物选择纠结度阈值进行对比,若某倾向购物种类对应某购物倾向用户的购物选择纠结度大于预设的购物选择纠结度阈值,则该购物倾向用户对应的购物行为类型为购物纠结类型,反之,该购物倾向用户对应的购物行为类型为购物果断类型。
作为一种可选的实施方式,所述设定的购物交友匹配原则为将各倾向购物种类对应的所有购物倾向用户中购物纠结类型对应的购物倾向用户作为待推荐交友用户,将购物果断类型对应的购物倾向用户作为被推荐交友用户。
作为一种可选的实施方式,所述交友匹配特征包括用户基本信息、倾向购物时长和各重点购物记录对应的购物商品名称。
作为一种可选的实施方式,所述用户基本信息包括用户性别和年龄。
作为一种可选的实施方式,所述倾向购物时长的采集方法执行以下步骤:第一步:在设定购物阶段内获取各待推荐交友用户或被推荐交友用户对应的重点购物记录。
第二步:从重点购物记录中分别提取第一次重点购物记录和最后一次重点购物记录对应的购物时间点。
第三步:将各待推荐交友用户或被推荐交友用户的最后一次重点购物记录与第一次重点购物记录对应的购物时间点进行相减,得到倾向购物时长。
作为一种可选的实施方式,所述评估各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应综合交友匹配系数的具体评估过程包括:步骤701:获取各倾向购物种类对应各待推荐交友用户的编号和各被推荐交友用户的编号,其中各待推荐交友用户的编号可记为1,2,...,k,...,z,各被推荐交友用户的编号可记为1,2,...,f,...,y。
步骤702:按照各倾向购物种类中各待推荐交友用户的编号顺序,分别将各倾向购物种类中各待推荐交友用户的交友匹配特征与该倾向购物种类对应各被推荐交友用户的交友匹配特征进行对比,计算各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应的用户基本信息匹配系数、倾向购物时长匹配系数和重点购物记录匹配系数。
步骤703:将各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应的用户基本信息匹配系数、倾向购物时长匹配系数和重点购物记录匹配系数代入综合交友匹配系数评估计算公式评估各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应的综合交友匹配系数,表示为第I个倾向购物种类中第k个待推荐交友用户与第f个被推荐交友用户对应的综合交友匹配系数,a、b、c分别表示为用户基本信息、倾向购物时长、重点购物记录对应的匹配权重比例系数。
与现有技术相比,本发明具有以下优点:1、本发明通过在设定购物阶段内统计购物平台上存在的购物倾向用户及各购物倾向用户对应的倾向购物种类,以此得到各倾向购物种类对应的购物倾向用户集合,并分析确定各购物倾向用户对应的购物行为类型,与此同时根据设定的购物交友匹配原则和各购物倾向用户对应的购物行为类型确定各倾向购物种类对应的若干待推荐交友用户和被推荐交友用户,进而利用匹配模型评估各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应的综合交友匹配系数,从而根据综合交友匹配系数进行各倾向购物种类中各待推荐交友用户的购物好友推荐,实现了购物平台上的社交好友推荐覆盖,在一定程度上扩展了社交网络交友模式的好友推荐覆盖范围,从而满足了具有购物倾向类别人员的购物交友需求。
2、本发明设定的购物交友匹配原则有效考虑了购物倾向用户对应购物行为类型的特点,将购物果断类型的购物倾向用户推荐给购物纠结类型的购物倾向用户,使得推荐结果更能有效缓解购物纠结类型的购物倾向用户在实际购物过程中的购物纠结时长,进而使其具有实际交友价值。
3、本发明在评估各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应综合交友匹配系数过程中通过将各待推荐交友用户对应的交友匹配特征与各被推荐交友用户对应的交友匹配特征进行比对,其中交友匹配特征囊括了用户基本信息方面、倾向购物时长方面和购物商品名称方面,体现了特征指标全面的特点,避免只根据单一的交友匹配特征进行综合交友匹配系数评估造成的评估过程过于片面化的不足,影响评估结果的可靠度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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为本发明实施例公开的一种基于特征识别和分析的社交交友推荐方法流程示意图。
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。
本发明公开了一种基于特征识别和分析的社交交友推荐方法,其方法流程如图1所示,该方法包括以下步骤:在设定购物阶段内统计购物平台上存在的购物倾向用户及各购物倾向用户对应的倾向购物种类,其中分析购物平台上存在的购物倾向用户及各购物倾向用户对应倾向购物种类的具体方法包括如下步骤:步骤101:在购物平台上提取各注册用户在设定购物阶段内的所有购物记录,并获取各条购物记录对应的购物种类,其中购物种类包括服装、化妆品、电子产品等。
在本发明的具体实施例中设定购物阶段的目的是使统计得到的购物倾向用户对应的倾向购物种类具有针对性的目标时间范围,提高了倾向购物种类分析的精准度。
步骤102:将各注册用户各条购物记录对应的购物种类进行对比,从而将同样购物种类对应的购物记录进行归类,得到在设定购物阶段内各注册用户对应各同样购物种类的购物记录数量。
步骤103:将各注册用户对应各同样购物种类的购物记录数量除以该注册用户对应总购物记录的数量,得到各注册用户对应各同样购物种类的倾向购物占比值。
步骤104:将各注册用户对应各同样购物种类的倾向购物占比值与预定义的倾向购物占比值进行对比,若某注册用户对应某同样购物种类的倾向购物占比值大于预定义的倾向购物占比值,则将该注册用户记为购物倾向用户,该购物种类记为倾向购物种类。
将各购物倾向用户对应的倾向购物种类进行对比,汇总得到各倾向购物种类对应的购物倾向用户集合。
对各倾向购物种类对应的购物倾向用户集合中所有购物倾向用户的购物选择纠结度进行计算,操作过程如下:步骤301:对汇总得到的各倾向购物种类进行编号,依次标记为A,B,...,I,...,N,并对各倾向购物种类对应购物倾向用户集合中的各购物倾向用户按照倾向购物占比值的降序顺序进行编号,分别标记为1,2,...,i,...,n。
步骤302:对各倾向购物种类对应的各购物倾向用户分别从该购物倾向用户对应的所有购物记录中提取重点购物记录,其中重点购物记录是指各购物倾向用户的所有购物记录中属于该倾向购物种类对应的购物记录,进而对各倾向购物种类对应各购物倾向用户的若干重点购物记录按照购物时间点的先后顺序进行编号,依次标记为1,2,...,j,...,m。
步骤303:分别对各购物倾向用户对应的各条重点购物记录提取购买前的浏览足迹,进而从浏览足迹中统计购买前的浏览商品数量和浏览总时长,并将各倾向购物种类对应各购物倾向用户的各条重点购物记录对应购买前的浏览商品数量和浏览总时长构建成购物倾向用户购买前浏览参数集合,表示为第I个倾向购物种类对应第i个购物倾向用户的第j条重点购物纪录对应购物前的浏览参数,w表示为浏览参数,,其中r1,r2分别表示为浏览商品数量,浏览总时长。
步骤304:分别对各购物倾向用户对应的各条重点购物记录提取购买前与商家客服的在线交流纪录,进而从在线交流纪录中统计在线交流时长,并将各倾向购物种类对应各购物倾向用户的各条重点购物记录对应购买前的在线交流时长构建成购物倾向用户购买前在线交流时长集合,表示为第I个倾向购物种类对应第i个购物倾向用户的第j条重点购物纪录对应购买前的在线交流时长。
在本发明的具体实施例中对各倾向购物种类对应各购物倾向用户购物选择纠结度的计算融合了购物倾向用户在购买前的浏览参数和与商家客服的在线交流情况,避免只根据购物前的浏览参数进行购物选择纠结度计算造成的计算过于片面的问题。
确定各倾向购物种类对应的购物倾向用户集合中各购物倾向用户对应的购物行为类型,其具体方法为将各倾向购物种类对应各购物倾向用户的购物选择纠结度分别与预设的购物选择纠结度阈值进行对比,若某倾向购物种类对应某购物倾向用户的购物选择纠结度大于预设的购物选择纠结度阈值,则该购物倾向用户对应的购物行为类型为购物纠结类型,反之,该购物倾向用户对应的购物行为类型为购物果断类型。
根据各购物倾向用户对应的购物行为类型和设定的购物交友匹配原则确定各倾向购物种类对应的若干待推荐交友用户和被推荐交友用户。
本实施例中所述的购物交友匹配原则为各倾向购物种类对应的所有购物倾向用户中购物纠结类型对应的购物倾向用户作为待推荐交友用户,将购物果断类型对应的购物倾向用户作为被推荐交友用户,该购物交友匹配原则有效考虑了购物倾向用户对应购物行为类型的特点,将购物果断类型的购物倾向用户推荐给购物纠结类型的购物倾向用户,使得推荐结果更能有效缓解购物纠结类型的购物倾向用户在实际购物过程中的购物纠结时长,进而使其具有实际交友价值。
分别采集各倾向购物种类对应各待推荐交友用户和各被推荐交友用户的交友匹配特征,所述交友匹配特征包括用户基本信息、倾向购物时长和各重点购物记录对应的购物商品名称,其中用户基本信息包括用户性别和年龄,而用户基本信息的采集方法从用户的注册信息中获取,其中倾向购物时长是指用户在设定购物阶段内购买倾向购物种类商品的时长,且倾向购物时长的采集方法执行以下步骤:第一步:在设定购物阶段内获取各待推荐交友用户或被推荐交友用户对应的重点购物记录。
第二步:从重点购物记录中分别提取第一次重点购物记录和最后一次重点购物记录对应的购物时间点。
第三步:将各待推荐交友用户或被推荐交友用户的最后一次重点购物记录与第一次重点购物记录对应的购物时间点进行相减,得到倾向购物时长。
利用匹配模型评估各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应的综合交友匹配系数,其中匹配模型是将各倾向购物种类对应的各待推荐交友用户的交友匹配特征与各被推荐交友用户的交友匹配特征进行对比匹配。
所述评估各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应综合交友匹配系数的具体评估过程包括:步骤701:获取各倾向购物种类对应各待推荐交友用户的编号和各被推荐交友用户的编号,其中各待推荐交友用户的编号可记为1,2,...,k,...,z,各被推荐交友用户的编号可记为1,2,...,f,...,y。
步骤702:按照各倾向购物种类中各待推荐交友用户的编号顺序,分别将各倾向购物种类中各待推荐交友用户的交友匹配特征与该倾向购物种类对应各被推荐交友用户的交友匹配特征进行对比,计算各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应的用户基本信息匹配系数、倾向购物时长匹配系数和重点购物记录匹配系数。
其中各待推荐交友用户与各被推荐交友用户对应用户基本信息匹配系数的具体计算过程包括以下步骤:步骤一:分别从各倾向购物种类中各待推荐交友用户和各被推荐交友用户对应的用户基本信息中提取用户性别,由此将各倾向购物种类中各待推荐交友用户的用户性别与各被推荐交友用户的用户性别进行匹配,若某待推荐交友用户的用户性别与某被推荐交友用户的用户性别一致,则该待推荐交友用户与该被推荐交友用户的用户性别匹配系数记为,若某待推荐交友用户的用户性别与某被推荐交友用户的用户性别不一致,则该待推荐交友用户与该被推荐交友用户的用户性别匹配系数记为,且。
步骤二:分别从各倾向购物种类中各待推荐交友用户和各被推荐交友用户对应的用户基本信息中提取用户年龄,由此将各倾向购物种类中各待推荐交友用户的用户年龄与各被推荐交友用户的用户年龄进行匹配,计算各倾向购物种类中各待推荐交友用户与各被推荐交友用户的用户年龄匹配系数,表示为第I个倾向购物种类中第k个待推荐交友用户与第f个被推荐交友用户的用户年龄匹配系数,、分别表示为第I个倾向购物种类中第k个待推荐交友用户的用户年龄、第f个被推荐交友用户的用户年龄,其中某待推荐交友用户的用户年龄与某被推荐交友用户的用户年龄越接近,用户年龄匹配系数越大。
步骤三:根据各倾向购物种类中各待推荐交友用户与各被推荐交友用户的用户性别匹配系数和用户年龄匹配系数计算各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应的用户基本信息匹配系数,表示为第I个倾向购物种类中第k个待推荐交友用户与第f个被推荐交友用户的用户性别匹配系数,且的取值为或。
其中各待推荐交友用户与各被推荐交友用户对应倾向购物时长匹配系数的具体计算过程为将各倾向购物种类中各待推荐交友用户的倾向购物时长与各被推荐交友用户的倾向购物时长进行匹配,计算各待推荐交友用户与各被推荐交友用户对应的倾向购物时长匹配系数,、分别表示为第I个倾向购物种类中第k个待推荐交友用户的倾向购物时长、第f个被推荐交友用户的倾向购物时长,其中某待推荐交友用户的倾向购物时长与某被推荐交友用户的倾向购物时长越接近,倾向购物时长匹配系数越大。
其中各待推荐交友用户与各被推荐交友用户对应重点购物记录匹配系数的具体计算过程包括以下步骤:U1:将各倾向购物种类中各待推荐交友用户对应各重点购物记录的购物商品名称与各被推荐交友用户对应各重点购物记录的购物商品名称进行匹配,统计各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应匹配成功的重点购物记录数量,记为。
U3:根据各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应匹配成功的重点购物记录数量和各倾向购物种类中各待推荐交友用户对应的重点购物记录数量计算各待推荐交友用户与各被推荐交友用户对应重点购物记录匹配系数,其中匹配成功的重点购物记录数量越多,重点购物记录匹配系数越大。
步骤703:将各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应的用户基本信息匹配系数、倾向购物时长匹配系数和重点购物记录匹配系数代入综合交友匹配系数评估计算公式评估各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应的综合交友匹配系数,表示为第I个倾向购物种类中第k个待推荐交友用户与第f个被推荐交友用户对应的综合交友匹配系数,a、b、c分别表示为用户基本信息、倾向购物时长、重点购物记录对应的匹配权重比例系数,且,其中用户基本信息匹配系数、倾向购物时长匹配系数、重点购物记录匹配系数越大,综合交友匹配系数越大,表明综合交友匹配程度越高。
本发明具体实施例在评估各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应综合交友匹配系数过程中通过将各待推荐交友用户对应的交友匹配特征与各被推荐交友用户对应的交友匹配特征进行比对,其中交友匹配特征囊括了用户基本信息方面、倾向购物时长方面和购物商品名称方面,体现了特征指标全面的特点,避免只根据单一的交友匹配特征进行综合交友匹配系数评估造成的评估过程过于片面化的不足,影响评估结果的可靠度。
从各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应综合交友匹配系数中筛选出最大综合交友匹配系数对应的被推荐交友用户作为购物好友推荐给待推荐交友用户。
本发明通过在设定购物阶段内统计购物平台上存在的购物倾向用户及各购物倾向用户对应的倾向购物种类,以此得到各倾向购物种类对应的购物倾向用户集合,并分析确定各购物倾向用户对应的购物行为类型,与此同时根据设定的购物交友匹配原则和各购物倾向用户对应的购物行为类型确定各倾向购物种类对应的若干待推荐交友用户和被推荐交友用户,进而采用交友用户交友匹配特征识别技术,并利用匹配模型评估各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应的综合交友匹配系数,从而根据综合交友匹配系数进行各倾向购物种类中各待推荐交友用户的购物好友推荐,实现了购物平台上的社交好友推荐覆盖,在一定程度上扩展了社交网络交友模式的好友推荐覆盖范围,从而满足了具有购物倾向类别人员的购物交友需求。
以上内容仅仅是对本发明结构所作的举例和说明,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,只要不偏离发明的结构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 (10)
1.一种基于特征识别和分析的社交交友推荐方法,其特征在于,所述方法包括:
在设定购物阶段内统计购物平台上存在的购物倾向用户及各购物倾向用户对应的倾向购物种类;
将各购物倾向用户对应的倾向购物种类进行对比,汇总得到各倾向购物种类对应的购物倾向用户集合;
对各倾向购物种类对应购物倾向用户集合中所有购物倾向用户的购物选择纠结度进行计算;
确定各倾向购物种类对应购物倾向用户集合中各购物倾向用户对应的购物行为类型;
根据各购物倾向用户对应的购物行为类型和设定的购物交友匹配原则确定各倾向购物种类对应的若干待推荐交友用户和被推荐交友用户;
分别采集各倾向购物种类对应各待推荐交友用户和各被推荐交友用户的交友匹配特征;
利用匹配模型评估各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应的综合交友匹配系数,其中匹配模型是将各倾向购物种类对应的各待推荐交友用户的交友匹配特征与各被推荐交友用户的交友匹配特征进行对比匹配;
从各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应综合交友匹配系数中筛选出最大综合交友匹配系数对应的被推荐交友用户作为购物好友推荐给待推荐交友用户。
2.根据权利要求1所述的一种基于特征识别和分析的社交交友推荐方法,其特征在于:所述分析购物平台上存在的购物倾向用户及各购物倾向用户对应倾向购物种类的具体方法包括如下步骤:
步骤101:在购物平台上提取各注册用户在设定购物阶段内的所有购物记录,并获取各条购物记录对应的购物种类;
步骤102:将各注册用户各条购物记录对应的购物种类进行对比,从而将同样购物种类对应的购物记录进行归类,得到在设定购物阶段内各注册用户对应各同样购物种类的购物记录数量;
步骤103:将各注册用户对应各同样购物种类的购物记录数量除以该注册用户对应总购物记录的数量,得到各注册用户对应各同样购物种类的倾向购物占比值;
步骤104:将各注册用户对应各同样购物种类的倾向购物占比值与预定义的倾向购物占比值进行对比,若某注册用户对应某同样购物种类的倾向购物占比值大于预定义的倾向购物占比值,则将该注册用户记为购物倾向用户,该购物种类记为倾向购物种类。
3.根据权利要求1所述的一种基于特征识别和分析的社交交友推荐方法,其特征在于:所述对各倾向购物种类对应的购物倾向用户集合中所有购物倾向用户的购物选择纠结度进行计算的操作过程如下:
步骤301:对汇总得到的各倾向购物种类进行编号,依次标记为A,B,...,I,...,N,并对各倾向购物种类对应购物倾向用户集合中的各购物倾向用户按照倾向购物占比值的降序顺序进行编号,分别标记为1,2,...,i,...,n;
步骤302:对各倾向购物种类对应的各购物倾向用户分别从该购物倾向用户对应的所有购物记录中提取重点购物记录,进而对各倾向购物种类对应各购物倾向用户的若干重点购物记录按照购物时间点的先后顺序进行编号,依次标记为1,2,...,j,...,m;
步骤303:分别对各购物倾向用户对应的各条重点购物记录提取购买前的浏览足迹,进而从浏览足迹中统计购买前的浏览商品数量和浏览总时长,并将各倾向购物种类对应各购物倾向用户的各条重点购物记录对应购买前的浏览商品数量和浏览总时长构建成购物倾向用户购买前浏览参数集合,表示为第I个倾向购物种类对应第i个购物倾向用户的第j条重点购物纪录对应购物前的浏览参数,w表示为浏览参数,,其中r1,r2分别表示为浏览商品数量,浏览总时长;
步骤304:分别对各购物倾向用户对应的各条重点购物记录提取购买前与商家客服的在线交流纪录,进而从在线交流纪录中统计在线交流时长,并将各倾向购物种类对应各购物倾向用户的各条重点购物记录对应购买前的在线交流时长构建成购物倾向用户购买前在线交流时长集合,表示为第I个倾向购物种类对应第i个购物倾向用户的第j条重点购物纪录对应购买前的在线交流时长;
4.根据权利要求3所述的一种基于特征识别和分析的社交交友推荐方法,其特征在于:所述步骤302中各倾向购物种类对应各购物倾向用户的重点购物记录是指各购物倾向用户的所有购物记录中属于该倾向购物种类对应的购物记录。
5.根据权利要求1所述的一种基于特征识别和分析的社交交友推荐方法,其特征在于:所述确定各倾向购物种类对应各购物倾向用户的购物行为类型的具体方法为将各倾向购物种类对应各购物倾向用户的购物选择纠结度分别与预设的购物选择纠结度阈值进行对比,若某倾向购物种类对应某购物倾向用户的购物选择纠结度大于预设的购物选择纠结度阈值,则该购物倾向用户对应的购物行为类型为购物纠结类型,反之,该购物倾向用户对应的购物行为类型为购物果断类型。
6.根据权利要求1所述的一种基于特征识别和分析的社交交友推荐方法,其特征在于:所述设定的购物交友匹配原则为将各倾向购物种类对应的所有购物倾向用户中购物纠结类型对应的购物倾向用户作为待推荐交友用户,将购物果断类型对应的购物倾向用户作为被推荐交友用户。
7.根据权利要求1所述的一种基于特征识别和分析的社交交友推荐方法,其特征在于:所述交友匹配特征包括用户基本信息、倾向购物时长和各重点购物记录对应的购物商品名称。
8.根据权利要求7所述的一种基于特征识别和分析的社交交友推荐方法,其特征在于:所述用户基本信息包括用户性别和年龄。
9.根据权利要求7所述的一种基于特征识别和分析的社交交友推荐方法,其特征在于:所述倾向购物时长的采集方法执行以下步骤:
第一步:在设定购物阶段内获取各待推荐交友用户或被推荐交友用户对应的重点购物记录;
第二步:从重点购物记录中分别提取第一次重点购物记录和最后一次重点购物记录对应的购物时间点;
第三步:将各待推荐交友用户或被推荐交友用户的最后一次重点购物记录与第一次重点购物记录对应的购物时间点进行相减,得到倾向购物时长。
10.根据权利要求1所述的一种基于特征识别和分析的社交交友推荐方法,其特征在于:所述评估各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应综合交友匹配系数的具体评估过程包括:
步骤701:获取各倾向购物种类对应各待推荐交友用户的编号和各被推荐交友用户的编号,其中各待推荐交友用户的编号可记为1,2,...,k,...,z,各被推荐交友用户的编号可记为1,2,...,f,...,y;
步骤702:按照各倾向购物种类中各待推荐交友用户的编号顺序,分别将各倾向购物种类中各待推荐交友用户的交友匹配特征与该倾向购物种类对应各被推荐交友用户的交友匹配特征进行对比,计算各倾向购物种类中各待推荐交友用户与各被推荐交友用户对应的用户基本信息匹配系数、倾向购物时长匹配系数和重点购物记录匹配系数;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111201433.XA CN113643108B (zh) | 2021-10-15 | 2021-10-15 | 一种基于特征识别和分析的社交交友推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111201433.XA CN113643108B (zh) | 2021-10-15 | 2021-10-15 | 一种基于特征识别和分析的社交交友推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113643108A true CN113643108A (zh) | 2021-11-12 |
CN113643108B CN113643108B (zh) | 2022-02-08 |
Family
ID=78427076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111201433.XA Active CN113643108B (zh) | 2021-10-15 | 2021-10-15 | 一种基于特征识别和分析的社交交友推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113643108B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120123837A1 (en) * | 2010-11-17 | 2012-05-17 | Wellstar Gmbh & Co Kg | Social network shopping system and method |
CN104462308A (zh) * | 2014-11-27 | 2015-03-25 | 广东小天才科技有限公司 | 社交网络好友推荐的方法及系统 |
CN106970914A (zh) * | 2016-01-12 | 2017-07-21 | 北京京东尚科信息技术有限公司 | 一种基于社交电商的好友推荐方法及装置 |
US20170270589A1 (en) * | 2016-03-18 | 2017-09-21 | International Business Machines Corporation | Techniques for Shopping Recommendations Based on Social Ties |
CN109034866A (zh) * | 2018-06-20 | 2018-12-18 | 天津大学 | 一种基于购物行为的潜在好友判断方法 |
CN109711860A (zh) * | 2018-11-12 | 2019-05-03 | 平安科技(深圳)有限公司 | 用户行为的预测方法及装置、存储介质、计算机设备 |
CN109767302A (zh) * | 2019-01-14 | 2019-05-17 | 博拉网络股份有限公司 | 大数据精准模型的构建方法及装置 |
CN110162717A (zh) * | 2014-06-05 | 2019-08-23 | 网易(杭州)网络有限公司 | 一种推荐好友的方法和设备 |
CN110489642A (zh) * | 2019-07-25 | 2019-11-22 | 山东大学 | 基于行为特征分析的商品推荐方法、系统、设备及介质 |
CN111753211A (zh) * | 2020-06-01 | 2020-10-09 | 深圳市智莱科技股份有限公司 | 交友推荐方法、快递柜及存储介质 |
-
2021
- 2021-10-15 CN CN202111201433.XA patent/CN113643108B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120123837A1 (en) * | 2010-11-17 | 2012-05-17 | Wellstar Gmbh & Co Kg | Social network shopping system and method |
CN110162717A (zh) * | 2014-06-05 | 2019-08-23 | 网易(杭州)网络有限公司 | 一种推荐好友的方法和设备 |
CN104462308A (zh) * | 2014-11-27 | 2015-03-25 | 广东小天才科技有限公司 | 社交网络好友推荐的方法及系统 |
CN106970914A (zh) * | 2016-01-12 | 2017-07-21 | 北京京东尚科信息技术有限公司 | 一种基于社交电商的好友推荐方法及装置 |
US20170270589A1 (en) * | 2016-03-18 | 2017-09-21 | International Business Machines Corporation | Techniques for Shopping Recommendations Based on Social Ties |
CN109034866A (zh) * | 2018-06-20 | 2018-12-18 | 天津大学 | 一种基于购物行为的潜在好友判断方法 |
CN109711860A (zh) * | 2018-11-12 | 2019-05-03 | 平安科技(深圳)有限公司 | 用户行为的预测方法及装置、存储介质、计算机设备 |
CN109767302A (zh) * | 2019-01-14 | 2019-05-17 | 博拉网络股份有限公司 | 大数据精准模型的构建方法及装置 |
CN110489642A (zh) * | 2019-07-25 | 2019-11-22 | 山东大学 | 基于行为特征分析的商品推荐方法、系统、设备及介质 |
CN111753211A (zh) * | 2020-06-01 | 2020-10-09 | 深圳市智莱科技股份有限公司 | 交友推荐方法、快递柜及存储介质 |
Non-Patent Citations (3)
Title |
---|
GUO, YUNHUI: "HyperRec: Efficient Recommender Systems with Hyperdimensional Computing", 《2021 26TH ASIA AND SOUTH PACIFIC DESIGN AUTOMATION CONFERENCE (ASP-DAC)》 * |
李鑫: "面向行为的潜在好友判断方法研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
王佳琦: "社会化电商平台中基于用户关系的推荐算法研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113643108B (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4218099B2 (ja) | データベース、顧客情報検索方法及び顧客情報検索装置 | |
CN106022800A (zh) | 一种用户特征数据的处理方法和装置 | |
TW201626310A (zh) | 用戶興趣資料分析和收集系統及其方法 | |
CN108648038B (zh) | 一种基于子图挖掘的信用炒作与恶意评价识别方法 | |
KR102464783B1 (ko) | 소비자의 비정형 평가 정보를 이용한 소비자 니즈 분석 방법 및 장치 | |
CN111222410A (zh) | 一种基于人脸识别的店商消费行为分析引导营销系统 | |
CN111221953B (zh) | 一种在线售前客服效果评价方法 | |
CN106204100A (zh) | 一种数据处理方法及数据处理系统 | |
CN108876536A (zh) | 基于最近邻信息的协同过滤推荐方法 | |
CN113034238A (zh) | 基于电子商务平台交易的商品品牌特征提取及智能推荐管理方法 | |
US20190266618A1 (en) | Data management apparatus and data management system | |
CN110807691B (zh) | 一种跨商品品类的商品推荐方法和装置 | |
CN115760202A (zh) | 一种基于人工智能的产品运营管理系统及方法 | |
CN116402577A (zh) | 一种基于网络购物的交易信息读取方法和系统 | |
CN117474631A (zh) | 基于电商平台评论的数据挖掘与情感分析的推荐算法 | |
CN110968670B (zh) | 一种流行商品的属性获取方法、装置、设备及存储介质 | |
Wang et al. | A collaborative filtering algorithm fusing user-based, item-based and social networks | |
CN113643108B (zh) | 一种基于特征识别和分析的社交交友推荐方法 | |
JP2021043899A (ja) | 価値観クラスター生成装置、コンピュータプログラム、価値観クラスター付与方法、データベース統合方法及び広告提供方法 | |
CN116127184A (zh) | 产品的推荐方法及装置、非易失性存储介质、电子设备 | |
KR102131959B1 (ko) | 사용자 선호도 및 유전정보를 이용한 맞춤형 마케팅 방법 및 이를 위한 시스템 | |
CN106600432B (zh) | 基于社交属性行为数据的行为间影响力评估方法和装置 | |
CN110889716A (zh) | 识别潜在注册用户的方法及装置 | |
CN114493700A (zh) | 一种基于云计算的加盟平台加盟商数据分析处理系统 | |
KR101549188B1 (ko) | 브랜드 이미지 측정장치 및 측정방법 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |