CN114219558A - 基于数据挖掘的农产品智能推荐系统 - Google Patents

基于数据挖掘的农产品智能推荐系统 Download PDF

Info

Publication number
CN114219558A
CN114219558A CN202111468350.7A CN202111468350A CN114219558A CN 114219558 A CN114219558 A CN 114219558A CN 202111468350 A CN202111468350 A CN 202111468350A CN 114219558 A CN114219558 A CN 114219558A
Authority
CN
China
Prior art keywords
agricultural product
agricultural
data
agricultural products
freshness
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
Application number
CN202111468350.7A
Other languages
English (en)
Other versions
CN114219558B (zh
Inventor
管雨
卞晓明
马随随
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Yepai Biotechnology Co ltd
Original Assignee
Jiangsu Yepai Biotechnology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Yepai Biotechnology Co ltd filed Critical Jiangsu Yepai Biotechnology Co ltd
Priority to CN202111468350.7A priority Critical patent/CN114219558B/zh
Publication of CN114219558A publication Critical patent/CN114219558A/zh
Application granted granted Critical
Publication of CN114219558B publication Critical patent/CN114219558B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于数据挖掘的农产品智能推荐系统，属于电子商务技术领域。本发明包括农产品数据采集模块、农产品数据分析模块、农产品智能匹配模块和农产品智能推荐模块；所述农产品数据采集模块用于对农产品的初始新鲜度、农产品各时间点的新鲜度以及各时间段的农产品购买量、退换货情况和剩余量进行采集，根据采集的农产品初始新鲜度和农产品各时间点的新鲜度数据，构建表示各时间点的农产品变质率计算公式，并将采集的数据和变质率计算公式传输至农产品数据分析模块；本发明根据农产品新鲜度确定最佳售卖时间，使得客户购买到的农产品新鲜度较高，避免出现大量退换货情况，进一步提高了客户的购买体验。

Description

基于数据挖掘的农产品智能推荐系统
技术领域
本发明涉及电子商务技术领域，具体为基于数据挖掘的农产品智能推荐系统。
背景技术
农产品是指农业中生产的物品，如高粱、稻子、花生、玉米、小麦以及各个地区土特产等，随着信息时代的发展，线上购买农产品成为一种趋势，电子商务网站依据客户购买历史记录向客户提供商品售卖信息，提高客户购买体验。
现有的农产品智能推荐系统在向客户推荐农产品时，只考虑到农产品本身的优惠程度，未对农产品自身的新鲜度进行考虑，使得客户购买到的农产品新鲜度较差，易出现大量退换货情况，降低了客户购买体验，以及智能推荐系统通常定时向客户推荐优惠农产品，但推荐时未考虑到客户的喜好程度，导致客户易将推送信息进行屏蔽，进而降低智能推荐系统的使用效果，以及智能推荐系统无法对农产品的销售情况进行分析，并根据分析结果制定销售规划，实用性差。
发明内容
本发明的目的在于提供基于数据挖掘的农产品智能推荐系统，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：包括农产品数据采集模块、农产品数据分析模块、农产品智能匹配模块和农产品智能推荐模块；
所述农产品数据采集模块用于对农产品的初始新鲜度、农产品各时间点的新鲜度以及各时间段的农产品购买量、退换货情况和剩余量进行采集，根据采集的农产品初始新鲜度和农产品各时间点的新鲜度数据，构建表示各时间点的农产品变质率计算公式，并将采集的数据和变质率计算公式传输至农产品数据分析模块；
所述农产品数据分析模块用于对农产品数据采集模块传输的数据和变质率计算公式进行接收，并根据接收内容对农产品购买量、退换货情况、剩余量与农产品新鲜度之间的关系进行分析、规划，并将分析、规划结果传输至农产品智能匹配模块；
所述农产品智能匹配模块用于对农产品数据分析模块传输的分析、规划结果进行接收，并根据接收内容对农产品的种类和最佳售卖时间进行匹配，并将匹配结果传输至农产品智能推荐模块；
所述农产品智能推荐模块用于对农产品智能匹配模块传输的匹配结果进行接收，并将匹配结果进行传输显示。
进一步的，所述农产品数据采集模块包括农产品新鲜度采集单元、农产品购买量采集单元、农产品退换货采集单元、农产品剩余量采集单元和数据传输单元；
所述农产品新鲜度采集单元对农产品的初始新鲜度和农产品各时间点的新鲜度数据进行采集，并根据采集数据构建农产品各时间段的变质率计算模型，根据构建的变质率计算模型判断农产品的最佳售卖时间，将采集的农产品新鲜度数据以及构建的农产品变质率计算模型传输至数据传输单元；
所述农产品购买量采集单元对最近一段时间内客户购买农产品的量进行采集，并将采集数据传输至数据传输单元；
所述农产品退换货采集单元对最近一段时间内农产品的退换货情况进行采集，并将采集数据传输至数据传输单元；
所述农产品剩余量采集单元对最近一段时间内农产品剩余量进行采集，并将采集数据传输至数据传输单元；
所述数据传输单元对农产品新鲜度采集单元、农产品购买量采集单元、农产品退换货采集单元和农产品剩余量采集单元传输的数据进行接收，并将接收的数据传输至农产品数据分析模块。
进一步的，农产品各时间段的变质率计算步骤为：
步骤一：根据农产品初始新鲜度f0，构建农产品新鲜度与时间t的初步数学模型，初步数学模型为：
Figure BDA0003390495120000021
其中，f0表示农产品初始新鲜度，t表示时间，β表示农产品对时间的敏感系数；
步骤二：将通过初步数学模型计算出的各时间点新鲜度数据与采集的农产品各时间点新鲜度数据进行对比，构建误差方程，误差方程公式为：
Figure BDA0003390495120000031
其中，w(t)表示农产品新鲜度采集单元采集的农产品在t时刻的新鲜度数据，T表示某一时刻农产品新鲜度采集单元采集数据时的初始温度，T′表示温度变化参数；
步骤三：结合步骤一和步骤二构建农产品新鲜度随时间变化的最终数学模型，最终数学模型公式为：
Figure BDA0003390495120000032
其中，n表示具体的某一时间点，在该时间点初步数学模型计算的农产品新鲜度与农产品新鲜度采集单元采集的农产品新鲜度数据相同，在该时间点前后，农产品新鲜度受温度影响较大，初步数学模型计算出的农产品新鲜度相较于产品新鲜度采集单元采集的农产品新鲜度数据而言，数据较高或较低；
步骤四：根据步骤一至步骤三求得农产品在某一时刻的变质率，变质率计算公式为：
Figure BDA0003390495120000033
其中，Q(t)表示农产品在某一时间段的变质率，t-a表示某一时间段，a为时间常数。
进一步的，所述农产品数据分析模块包括数据接收单元、数据分析单元和农产品推荐规划单元；
所述数据接收单元对农产品数据采集模块传输的数据和变质率计算公式进行接收，并将接收内容传输至数据分析单元；
所述数据分析单元对农产品购买量、农产品退换货情况、农产品剩余量与农产品新鲜度之间的关系进行分析，并将分析结果传输至农产品推荐规划单元；
所述农产品推荐规划单元对数据分析单元传输的内容进行接收，并根据分析结果制定农产品推荐计划，并将制定的农产品推荐计划传输至农产品智能匹配模块。
进一步的，所述数据分析单元对农产品购买量、退换货情况、剩余量与新鲜度之间关系的具体分析方法为：
Step1：根据农产品变质率计算公式对农产品当天各时刻的新鲜度进行计算；
Step2：以时间为横坐标，农产品购买量、剩余量、新鲜度和退换货量为纵坐标构建农产品当天售卖情况走势示意图；
Step3：根据Step2中构建的示意图分析农产品退换货的主导因素、农产品的最佳售卖时间和农产品的最佳储存量；
Step4：基于Step3中的分析结果构建数据库。
进一步的，所述农产品推荐规划单元根据分析结果制定农产品推荐计划的具体方法为：
(1).根据Step3中分析得出的农产品最佳售卖时间规划农产品的最佳推荐时间；
(2).当存在两种或两种以上农产品的最佳售卖时间相同时，根据客户购买农产品的喜好程度定向推荐相应的农产品，并将客户喜好记录在数据库中；
(3).若客户对某一时刻推荐的多种农产品喜好程度相同时，采用间隔循环推荐方式进行推荐。
进一步的，客户购买农产品时喜好程度的判断方法为：
<1>.构建喜好偏爱方程
Figure BDA0003390495120000041
其中，P表示喜好程度，n表示近一周内购买该农产品的次数，N表示近一周内购买农产品的次数，T表示距离上次购买该农产品的时间差；
<2>.将客户近一周农产品购买情况带入喜好偏爱方程进行计算；
若计算出的数值大于等于50％，则表示客户对该农产品的喜好程度较深；
若计算出的数值在20％至50％之间，则表示客户对该农产品的喜好程度一般；
若计算出的数值在0％至20％之间，则表示客户对该农产品的喜好程度较差。
进一步的，所述农产品智能匹配模块包括农产品图像采集单元、处理单元和农产品匹配单元；
所述农产品图像采集单元用于对农产品外形、颜色和表皮特征进行采集，并将采集内容传输至处理单元；
所述处理单元对农产品图像采集单元传输的内容进行接收，并基于方向梯度直方图对采集的图像进行处理，使采集的图像与实物一一对应；
所述农产品匹配单元根据处理单元的处理结果，将农产品名称与实物图像和最佳售卖时间进行智能匹配，并将匹配内容传输至数据库和农产品智能推荐模块。
进一步的，所述农产品智能推荐模块对农产品智能匹配模块传输的匹配结果进行接收，并将匹配结果以短信或新闻格式传送至客户手机端进行显示。
与现有技术相比，本发明所达到的有益效果是：
1.本发明通过对处于当天温度下的农产品各时刻的新鲜度进行计算，根据农产品新鲜度确定最佳售卖时间，使得客户购买到的农产品新鲜度较高，避免出现大量退换货情况，进一步提高了客户的购买体验。
2.本发明通过记录客户近一段时间的农产品购买情况和退换货情况，将其带入喜好偏爱公式计算客户是否喜好该农产品，若喜好则向此客户推荐该农产品，若不喜好则不向此客户推荐该农产品，减少客户屏蔽推送信息的概率，进一步提高智能推荐系统的使用效果。
3.本发明通过对农产品新鲜度、购买量、退换货情况和存储量之间的关系进行分析，得到农产品退换货的主导因素，并基于主导因素制定农产品销售规划，实用性高。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明基于数据挖掘的农产品智能推荐系统的工作原理结构示意图。
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。
请参阅图1，本发明提供技术方案：包括农产品数据采集模块S1、农产品数据分析模块S2、农产品智能匹配模块S3和农产品智能推荐模块S4；
农产品数据采集模块S1用于对农产品的初始新鲜度、农产品各时间点的新鲜度以及各时间段的农产品购买量、退换货情况和剩余量进行采集，根据采集的农产品初始新鲜度和农产品各时间点的新鲜度数据，构建表示各时间点的农产品变质率计算公式，并将采集的数据和变质率计算公式传输至农产品数据分析模块S2；农产品数据采集模块S1包括农产品新鲜度采集单元S11、农产品购买量采集单元S12、农产品退换货采集单元S13、农产品剩余量采集单元S14和数据传输单元S15；农产品新鲜度采集单元S11用于对农产品的初始新鲜度和农产品各时间点的新鲜度数据进行采集，并根据采集数据构建农产品各时间段的变质率计算模型，根据构建的变质率计算模型判断农产品的最佳售卖时间，将采集的农产品新鲜度数据以及构建的农产品变质率计算模型传输至数据传输单元S15，农产品初始新鲜度是指农产品从储藏库中取出时的新鲜度，农产品变质率是指农产品在一段时间内新鲜度变化情况，农产品各时间段的变质率计算步骤为：
步骤一：根据农产品初始新鲜度f0，构建农产品新鲜度与时间t的初步数学模型，初步数学模型为：
Figure BDA0003390495120000061
其中，f(t)表示农产品从储藏库取出后的新鲜度，f0表示农产品初始新鲜度，t表示时间，β表示农产品对时间的敏感系数；
农产品新鲜度与距离农产品从储藏库取出时间成反比，取出时间越长，农产品新鲜度越低，通过初步数学模型，在不考虑温度影响的情况下，大致对农产品取出后的各时刻新鲜度进行计算；
步骤二：将通过初步数学模型计算出的各时间点新鲜度数据与采集的农产品各时间点新鲜度数据进行对比，构建误差方程ht，误差方程公式为：
Figure BDA0003390495120000062
其中，w(t)表示农产品新鲜度采集单元S11采集的农产品在t时刻的新鲜度数据，T表示某一时刻农产品新鲜度采集单元S11采集数据时的初始温度，T′表示温度变化参数，|f(t)-w(t)|表示农产品新鲜度采集单元S11在温度T时采集的各时刻农产品新鲜度与通过初步数学模型计算出的各时刻农产品新鲜度之间的误差，
Figure BDA0003390495120000071
表示温度系数；
误差方程ht考虑到农产品的新鲜度受温度影响，通过将当前时刻农产品所处温度与上一时刻农产品所处温度进行比较计算，通过温度走向判断农产品在该温度下新鲜度误差大小，保证求得的农产品新鲜度误差满足实际情况；
步骤三：结合步骤一和步骤二构建农产品新鲜度随时间变化的最终数学模型，最终数学模型公式为：
Figure BDA0003390495120000072
其中，n表示具体的某一时间点，在该时间点初步数学模型计算的农产品新鲜度与农产品新鲜度采集单元S11采集的农产品新鲜度数据相同，在该时间点前后，农产品新鲜度受温度影响较大，初步数学模型计算出的农产品新鲜度相较于产品新鲜度采集单元S11采集的农产品新鲜度数据而言，数据较高或较低；
F(t)表示考虑温度影响的情况下各时刻农产品的新鲜度，农产品从储藏库取出后，所处温度一般遵循由高到低，即在温度高于农产品取出时温度的情况下，通过初始数学模型计算的新鲜度高于农产品新鲜度采集单元S11采集的数据，此时需要减去误差，在温度低于农产品取出时温度的情况下，通过初始数学模型计算的新鲜度低于农产品新鲜度采集单元S11采集的数据，此时需要加上误差，进而使计算的各时刻农产品新鲜度满足实际情况；
步骤四：根据步骤一至步骤三求得农产品在某一时刻的变质率Q(t)，变质率计算公式为：
Figure BDA0003390495120000073
其中，Q(t)表示农产品在某一时间段的变质率，t-a表示某一时间段，a为时间常数，
Figure BDA0003390495120000074
表示距离时间长度为a时，农产品新鲜度变化大小，F(t-a)表示在t-a时刻农产品的新鲜度大小，通过将当前时刻距离上一时刻的农产品新鲜度差值与上一时刻农产品新鲜度大小进行对比计算，求得农产品在某一温度下经过a时间长度的变质率大小。
农产品购买量采集单元S12用于对最近一段时间内客户购买农产品的量进行采集，并将采集数据传输至数据传输单元S15；农产品退换货采集单元S13用于对最近一段时间内农产品的退换货情况进行采集，并将采集数据传输至数据传输单元S15；农产品剩余量采集单元S14用于对最近一段时间内农产品剩余量进行采集，并将采集数据传输至数据传输单元S15；数据传输单元S15用于对农产品新鲜度采集单元S11、农产品购买量采集单元S12、农产品退换货采集单元S13和农产品剩余量采集单元S14传输的数据进行接收，并将接收的数据传输至农产品数据分析模块S2。
农产品数据分析模块S2用于对农产品数据采集模块S1传输的数据和变质率计算公式进行接收，并根据接收内容对农产品购买量、退换货情况、剩余量与农产品新鲜度之间的关系进行分析、规划，并将分析、规划结果传输至农产品智能匹配模块S3；
农产品数据分析模块S2包括数据接收单元S21、数据分析单元S22和农产品推荐规划单元S23；数据接收单元S21用于对农产品数据采集模块S1传输的数据和变质率计算公式进行接收，并将接收内容传输至数据分析单元S22；数据分析单元S22用于对农产品购买量、农产品退换货情况、农产品剩余量与农产品新鲜度之间的关系进行分析，并将分析结果传输至农产品推荐规划单元S23；数据分析单元S22对农产品购买量、退换货情况、剩余量与新鲜度之间关系的具体分析方法为：
Step1：根据农产品变质率计算公式对农产品当天各时刻的新鲜度进行计算，用于确定农产品的最佳售卖时间；
Step2：以时间为横坐标，农产品购买量、剩余量、新鲜度和退换货量为纵坐标构建农产品当天售卖情况走势示意图，便于直观观测农产品退换货的主导因素，以及在何时农产品够买量最大；
Step3：根据Step2中构建的示意图分析农产品退换货的主导因素、农产品的最佳售卖时间和农产品的最佳储存量，保证农产品得到最佳售卖，且无大量货存堆积；
Step4：基于Step3中的分析结果构建数据库，便于后期直接判断该温度下农产品最佳售卖时间以及对应时刻农产品的储存量，无需再次进行计算，节约时间。
农产品推荐规划单元S23用于对数据分析单元S22传输的内容进行接收，并根据分析结果制定农产品推荐计划，并将制定的农产品推荐计划传输至农产品智能匹配模块S3，农产品推荐规划单元S23根据分析结果制定农产品推荐计划的具体方法为：
(1).根据Step3中分析得出的农产品最佳售卖时间规划农产品的最佳推荐时间，保证客户购买到的农产品新鲜度最佳，减少客户退换货情况；
(2).当存在两种或两种以上农产品的最佳售卖时间相同时，根据客户购买农产品的喜好程度定向推荐相应的农产品，并将客户喜好记录在数据库中，客户购买农产品时喜好程度的判断方法为：
<1>.构建喜好偏爱方程
Figure BDA0003390495120000091
其中，P表示喜好程度，n表示近一周内购买该农产品的次数，N表示近一周内购买农产品的次数，T1表示距离上次购买该农产品的时间差，根据客户购买该产品的时间间隔和购买次数，对客户的喜好程度进行计算，增大客户购买该农产品的期望；
<2>.将客户近一周农产品购买情况带入喜好偏爱方程进行计算；
若计算出的数值大于等于50％，则表示客户对该农产品的喜好程度较深；
若计算出的数值在20％至50％之间，则表示客户对该农产品的喜好程度一般；
若计算出的数值在0％至20％之间，则表示客户对该农产品的喜好程度较差；
(3).若客户对某一时刻推荐的多种农产品喜好程度相同时，采用间隔循环推荐方式进行推荐，避免客户错过购买信息。
农产品智能匹配模块S3用于对农产品数据分析模块S2传输的分析、规划结果进行接收，并根据接收内容对农产品的种类和最佳售卖时间进行匹配，并将匹配结果传输至农产品智能推荐模块S4；农产品智能匹配模块S3包括农产品图像采集单元S31、处理单元S32和农产品匹配单元S33；农产品图像采集单元S31用于对农产品外形、颜色和表皮特征进行采集，并将采集内容传输至处理单元S32；处理单元S32用于对农产品图像采集单元S31传输的内容进行接收，并利用方向梯度直方图对采集的图像进行处理，使采集的图像与实物一一对应；农产品匹配单元S33用于根据处理单元S32的处理结果，将农产品名称与实物图像和最佳售卖时间进行智能匹配，并将匹配内容传输至数据库和农产品智能推荐模块S4。
农产品智能推荐模块S4用于对农产品智能匹配模块S3传输的匹配结果进行接收，并将匹配结果以短信或新闻格式传送至客户手机端进行显示，保证客户随时可以查看农产品最佳购买信息。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.基于数据挖掘的农产品智能推荐系统，其特征在于：包括农产品数据采集模块(S1)、农产品数据分析模块(S2)、农产品智能匹配模块(S3)和农产品智能推荐模块(S4)；
所述农产品数据采集模块(S1)用于对农产品的初始新鲜度、农产品各时间点的新鲜度以及各时间段的农产品购买量、退换货情况和剩余量进行采集，根据采集的农产品初始新鲜度和农产品各时间点的新鲜度数据，构建表示各时间点的农产品变质率计算公式，并将采集的数据和变质率计算公式传输至农产品数据分析模块(S2)；
所述农产品数据分析模块(S2)用于对农产品数据采集模块(S1)传输的数据和变质率计算公式进行接收，并根据接收内容对农产品购买量、退换货情况、剩余量与农产品新鲜度之间的关系进行分析、规划，并将分析、规划结果传输至农产品智能匹配模块(S3)；
所述农产品智能匹配模块(S3)用于对农产品数据分析模块(S2)传输的分析、规划结果进行接收，并根据接收内容对农产品的种类和最佳售卖时间进行匹配，并将匹配结果传输至农产品智能推荐模块(S4)；
所述农产品智能推荐模块(S4)用于对农产品智能匹配模块(S3)传输的匹配结果进行接收，并将匹配结果进行传输显示。
2.根据权利要求1所述的基于数据挖掘的农产品智能推荐系统，其特征在于：所述农产品数据采集模块(S1)包括农产品新鲜度采集单元(S11)、农产品购买量采集单元(S12)、农产品退换货采集单元(S13)、农产品剩余量采集单元(S14)和数据传输单元(S15)；
所述农产品新鲜度采集单元(S11)对农产品的初始新鲜度和农产品各时间点的新鲜度数据进行采集，并根据采集数据构建农产品各时间段的变质率计算模型，根据构建的变质率计算模型判断农产品的最佳售卖时间，将采集的农产品新鲜度数据以及构建的农产品变质率计算模型传输至数据传输单元(S15)；
所述农产品购买量采集单元(S12)对最近一段时间内客户购买农产品的量进行采集，并将采集数据传输至数据传输单元(S15)；
所述农产品退换货采集单元(S13)对最近一段时间内农产品的退换货情况进行采集，并将采集数据传输至数据传输单元(S15)；
所述农产品剩余量采集单元(S14)对最近一段时间内农产品剩余量进行采集，并将采集数据传输至数据传输单元(S15)；
所述数据传输单元(S15)对农产品新鲜度采集单元(S11)、农产品购买量采集单元(S12)、农产品退换货采集单元(S13)和农产品剩余量采集单元(S14)传输的数据进行接收，并将接收的数据传输至农产品数据分析模块(S2)。
3.根据权利要求2所述的基于数据挖掘的农产品智能推荐系统，其特征在于：农产品各时间段的变质率计算步骤为：
步骤一：根据农产品初始新鲜度f0，构建农产品新鲜度与时间t的初步数学模型，初步数学模型为：
Figure RE-FDA0003512903510000021
步骤二：将通过初步数学模型计算出的各时间点新鲜度数据与采集的农产品各时间点新鲜度数据进行对比，构建误差方程，误差方程公式为：
Figure RE-FDA0003512903510000022
步骤三：结合步骤一和步骤二构建农产品新鲜度随时间变化的最终数学模型，最终数学模型公式为：
Figure RE-FDA0003512903510000023
步骤四：根据步骤一至步骤三求得农产品在某一时刻的变质率，变质率计算公式为：
Figure RE-FDA0003512903510000024
4.根据权利要求1所述的基于数据挖掘的农产品智能推荐系统，其特征在于：所述农产品数据分析模块(S2)包括数据接收单元(S21)、数据分析单元(S22)和农产品推荐规划单元(S23)；
所述数据接收单元(S21)对农产品数据采集模块(S1)传输的数据和变质率计算公式进行接收，并将接收内容传输至数据分析单元(S22)；
所述数据分析单元(S22)对农产品购买量、农产品退换货情况、农产品剩余量与农产品新鲜度之间的关系进行分析，并将分析结果传输至农产品推荐规划单元(S23)；
所述农产品推荐规划单元(S23)对数据分析单元(S22)传输的内容进行接收，并根据分析结果制定农产品推荐计划，并将制定的农产品推荐计划传输至农产品智能匹配模块(S3)。
5.根据权利要求4所述的基于数据挖掘的农产品智能推荐系统，其特征在于：所述数据分析单元(S22)对农产品购买量、退换货情况、剩余量与新鲜度之间关系的具体分析方法为：
Step1：根据农产品变质率计算公式对农产品当天各时刻的新鲜度进行计算；
Step2：以时间为横坐标，农产品购买量、剩余量、新鲜度和退换货量为纵坐标构建农产品当天售卖情况走势示意图；
Step3：根据Step2中构建的示意图分析农产品退换货的主导因素、农产品的最佳售卖时间和农产品的最佳储存量；
Step4：基于Step3中的分析结果构建数据库。
6.根据权利要求4所述的基于数据挖掘的农产品智能推荐系统，其特征在于：所述农产品推荐规划单元(S23)根据分析结果制定农产品推荐计划的具体方法为：
(1).根据Step3中分析得出的农产品最佳售卖时间规划农产品的最佳推荐时间；
(2).当存在两种或两种以上农产品的最佳售卖时间相同时，根据客户购买农产品的喜好程度定向推荐相应的农产品，并将客户喜好记录在数据库中；
(3).若客户对某一时刻推荐的多种农产品喜好程度相同时，采用间隔循环推荐方式进行推荐。
7.根据权利要求6所述的基于数据挖掘的农产品智能推荐系统，其特征在于：客户购买农产品时喜好程度的判断方法为：
<1>.构建喜好偏爱方程
Figure RE-FDA0003512903510000031
<2>.将客户近一周农产品购买情况带入喜好偏爱方程进行计算；
若计算出的数值大于等于50％，则表示客户对该农产品的喜好程度较深；
若计算出的数值在20％至50％之间，则表示客户对该农产品的喜好程度一般；
若计算出的数值在0％至20％之间，则表示客户对该农产品的喜好程度较差。
8.根据权利要求1所述的基于数据挖掘的农产品智能推荐系统，其特征在于：所述农产品智能匹配模块(S3)包括农产品图像采集单元(S31)、处理单元(S32)和农产品匹配单元(S33)；
所述农产品图像采集单元(S31)对农产品外形、颜色和表皮特征进行采集，并将采集内容传输至处理单元(S32)；
所述处理单元(S32)对农产品图像采集单元(S31)传输的内容进行接收，并基于方向梯度直方图对采集的图像进行处理，使采集的图像与实物一一对应；
所述农产品匹配单元(S33)用于根据处理单元(S32)的处理结果，将农产品名称与实物图像和最佳售卖时间进行智能匹配，并将匹配内容传输至数据库和农产品智能推荐模块(S4)。
9.根据权利要求1所述的基于数据挖掘的农产品智能推荐系统，其特征在于：所述农产品智能推荐模块(S4)对农产品智能匹配模块(S3)传输的匹配结果进行接收，并将匹配结果以短信或新闻格式传送至客户手机端进行显示。
CN202111468350.7A 2021-12-03 2021-12-03 基于数据挖掘的农产品智能推荐系统 Active CN114219558B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111468350.7A CN114219558B (zh) 2021-12-03 2021-12-03 基于数据挖掘的农产品智能推荐系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111468350.7A CN114219558B (zh) 2021-12-03 2021-12-03 基于数据挖掘的农产品智能推荐系统

Publications (2)

Publication Number Publication Date
CN114219558A true CN114219558A (zh) 2022-03-22
CN114219558B CN114219558B (zh) 2023-04-11

Family

ID=80699716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111468350.7A Active CN114219558B (zh) 2021-12-03 2021-12-03 基于数据挖掘的农产品智能推荐系统

Country Status (1)

Country Link
CN (1) CN114219558B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252650A (zh) * 2023-11-17 2023-12-19 滕州市中等职业教育中心学校 一种商品信息推送服务系统
CN117273869A (zh) * 2023-11-21 2023-12-22 安徽农业大学 一种基于用户数据的农产品智能推送方法、系统、装置以及介质
CN117371886A (zh) * 2023-12-08 2024-01-09 深圳市深信信息技术有限公司 基于云计算的农产品智能配送方法及系统
CN117911107A (zh) * 2024-01-08 2024-04-19 北京中创方维数字科技有限公司 一种基于大数据的产业数字化综合服务系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010011235A1 (en) * 2000-01-29 2001-08-02 E-Net Co., Ltd. Apparatus for realizing personal shops in an electronic commerce business
CN103632295A (zh) * 2013-12-24 2014-03-12 宁波保税区攀峒信息科技有限公司 一种可指定确定产品的生鲜农产品产销模式
CN104077706A (zh) * 2013-03-26 2014-10-01 深圳先进技术研究院 基于数据挖掘及保鲜预测的超市果蔬优化销售装置及方法
WO2016088429A1 (ja) * 2014-12-01 2016-06-09 株式会社エコエナジーラボ 農産品電子商取引システムとそのサービス提供方法
CN106251234A (zh) * 2016-08-19 2016-12-21 四川省巴食巴适电子商务有限公司 一种基于互联网和大数据的农产品产销整合服务平台
CN110969453A (zh) * 2018-09-28 2020-04-07 快创科技（大连）有限公司 一种基于智能产品画册的农产品推广系统
CN111339410A (zh) * 2020-02-21 2020-06-26 安徽省吉翔信息科技有限公司 一种基于大数据的网络安全产品销售系统
CN113627990A (zh) * 2021-08-18 2021-11-09 茂名市润土生态农业有限公司 一种用于农产品精准销售的大数据分析系统及分析方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010011235A1 (en) * 2000-01-29 2001-08-02 E-Net Co., Ltd. Apparatus for realizing personal shops in an electronic commerce business
CN104077706A (zh) * 2013-03-26 2014-10-01 深圳先进技术研究院 基于数据挖掘及保鲜预测的超市果蔬优化销售装置及方法
CN103632295A (zh) * 2013-12-24 2014-03-12 宁波保税区攀峒信息科技有限公司 一种可指定确定产品的生鲜农产品产销模式
WO2016088429A1 (ja) * 2014-12-01 2016-06-09 株式会社エコエナジーラボ 農産品電子商取引システムとそのサービス提供方法
CN106251234A (zh) * 2016-08-19 2016-12-21 四川省巴食巴适电子商务有限公司 一种基于互联网和大数据的农产品产销整合服务平台
CN110969453A (zh) * 2018-09-28 2020-04-07 快创科技（大连）有限公司 一种基于智能产品画册的农产品推广系统
CN111339410A (zh) * 2020-02-21 2020-06-26 安徽省吉翔信息科技有限公司 一种基于大数据的网络安全产品销售系统
CN113627990A (zh) * 2021-08-18 2021-11-09 茂名市润土生态农业有限公司 一种用于农产品精准销售的大数据分析系统及分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
但斌等: "考虑消费者效用与保鲜的生鲜农产品EOQ模型", 《中国管理科学》 *
喻登科等: "生鲜农产品零售商的产品新鲜度信息披露及定价策略", 《江苏农业科学》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252650A (zh) * 2023-11-17 2023-12-19 滕州市中等职业教育中心学校 一种商品信息推送服务系统
CN117252650B (zh) * 2023-11-17 2024-03-15 滕州市中等职业教育中心学校 一种商品信息推送服务系统
CN117273869A (zh) * 2023-11-21 2023-12-22 安徽农业大学 一种基于用户数据的农产品智能推送方法、系统、装置以及介质
CN117273869B (zh) * 2023-11-21 2024-02-13 安徽农业大学 一种基于用户数据的农产品智能推送方法、系统、装置以及介质
CN117371886A (zh) * 2023-12-08 2024-01-09 深圳市深信信息技术有限公司 基于云计算的农产品智能配送方法及系统
CN117371886B (zh) * 2023-12-08 2024-04-02 深圳市深信信息技术有限公司 基于云计算的农产品智能配送方法及系统
CN117911107A (zh) * 2024-01-08 2024-04-19 北京中创方维数字科技有限公司 一种基于大数据的产业数字化综合服务系统

Also Published As

Publication number Publication date
CN114219558B (zh) 2023-04-11

Similar Documents

Publication Publication Date Title
CN114219558B (zh) 基于数据挖掘的农产品智能推荐系统
US20180165745A1 (en) Intelligent Recommendation Method and System
US20180047071A1 (en) System and methods for aggregating past and predicting future product ratings
US20020046128A1 (en) Automatic pricing method and device
CN104809637B (zh) 计算机实现的商品推荐方法及系统
CN111949887B (zh) 物品推荐方法、装置及计算机可读存储介质
CN107301592A (zh) 用于商品替代品发掘的方法及装置
CN110163705A (zh) 用于推送信息的方法和装置
CN109961351B (zh) 信息推荐方法、装置、存储介质及计算机设备
CN111737338A (zh) 一种基于大数据画像闭环营销数据分析方法
CN110634015A (zh) 一种基于计算机软件的消费习惯分析系统
CN113689259A (zh) 基于用户行为的商品个性化推荐方法及系统
CN115082153A (zh) 一种商家质量评价方法、装置、电子设备及存储介质
CN116739652A (zh) 一种服装电商销量预测建模方法
CN111861679A (zh) 一种基于人工智能的商品推荐方法
CN116881242B (zh) 一种生鲜农产品电商采购数据智能存储系统
CN113240526B (zh) 应用于云计算和区块链金融的业务推荐方法及云计算系统
CN116523548A (zh) 商品的特征信息识别方法及其装置
CN115510329B (zh) 一种基于云计算大数据的品牌营销软件管理方法
CN117314463A (zh) 一种用于电商平台的商品智能上架系统及方法
CN112396496A (zh) 一种基于云计算的电子商务平台商品智能推荐管理系统
CN106920108A (zh) 一种商品录入的方法及系统
CN112035624A (zh) 文本推荐方法和装置及存储介质
CN111415208A (zh) 基于逆推方法和动态定价模型的新产品定价系统及方法
CN115713384A (zh) 推荐物品的方法、装置、存储介质及电子设备

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