CN114493784A - 基于大数据的商品推荐方法和推荐系统 - Google Patents
基于大数据的商品推荐方法和推荐系统 Download PDFInfo
- Publication number
- CN114493784A CN114493784A CN202210087743.1A CN202210087743A CN114493784A CN 114493784 A CN114493784 A CN 114493784A CN 202210087743 A CN202210087743 A CN 202210087743A CN 114493784 A CN114493784 A CN 114493784A
- Authority
- CN
- China
- Prior art keywords
- user
- interest
- information
- interest tag
- browsing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000003993 interaction Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000002452 interceptive effect Effects 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 abstract description 6
- 238000013500 data storage Methods 0.000 abstract description 6
- 230000006399 behavior Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
- G06F16/9537—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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明适用于计算机领域,提供了一种基于大数据的商品推荐方法和推荐系统,包括:获取用户的浏览行为信息,基于浏览行为信息建立第一兴趣标签;基于用户与其他用户的交互热度信息,至少选定一名其他用户建立第二兴趣标签;基于第一兴趣标签和第二兴趣标签建立关联兴趣标签;分别计算第一兴趣标签、第二兴趣标签与关联兴趣标签之间的差异值,基于计算结果获取偏重差异信息,所述偏重差异信息用于表征第一兴趣标签和第二兴趣标签与关联兴趣标签之间的共性信息和特性信息,本发明的有益效果在于:有效提升用户的潜在交互使用体验,有效减轻服务器数据分析和存储压力。
Description
技术领域
本发明属于计算机技术领域,尤其涉及一种基于大数据的商品推荐方法和推荐系统。
背景技术
在电子商务领域,大多数的消费者喜欢并且习惯在网上进行商品购买,这是建立在成熟的信用体系和支付体系的基础上进行的,网购是现在人们讨论的话题。
大数据的来临,数据逐渐被意识到大有用处,大量数据通过提取分析,分类出有用数据,通过分析有用数据对目标进行判别,一方面,利用大数据技术获取用户行为数据并对其进行量化处理,获取更为准确的用户对商品的评分值,另一方面,通过在推荐引荐模块中将用户的兴趣随时间推移的衰减程度考虑在内,该做法可以更准确地把握用户的兴趣爱好的变化趋势,以及准确地为用户推荐商。
现有的商品推荐,基本都是基于个人的浏览日志来进行推荐的,如果要推送足够多的个性化商品,推荐服务器要承载较大的缓存和分析压力。
发明内容
本发明实施例的目的在于提供一种基于大数据的商品推荐方法和推荐系统,旨在解决上述背景技术中提出的问题。
本发明实施例是这样实现的,一方面,一种基于大数据的商品推荐方法,所述方法包括以下步骤:
所述方法包括:
获取用户的浏览行为信息,基于浏览行为信息建立第一兴趣标签;
基于用户与其他用户的交互热度信息,至少选定一名其他用户建立第二兴趣标签;
基于第一兴趣标签和第二兴趣标签建立关联兴趣标签;
分别计算第一兴趣标签、第二兴趣标签与关联兴趣标签之间的差异值,基于计算结果获取偏重差异信息,所述偏重差异信息用于表征第一兴趣标签和第二兴趣标签与关联兴趣标签之间的共性信息和特性信息;
基于偏重差异信息分别对用户进行商品推荐,在设定时间内分别检测用户对推荐商品浏览量的大小;
当该浏览量小于第一预设阈值时,分别调整共性信息和特性信息对应项的修正量,以使得偏重差异信息能够倾斜于浏览量高于用户的其他用户对应的兴趣标签。
作为本发明的进一步方案,所述获取用户的浏览行为信息,基于浏览行为信息建立第一兴趣标签具体包括:
获取用户的下单购买信息,统计下单购买信息中的下单商品;
统计用户的浏览量超过设定基准量但未下单的商品;
分别提取下单商品和浏览量超过设定条件但未下单的商品对应的商品特征;
对商品特征中相似度高于设定程度的商品特征进行过滤去重;
根据过滤去重结果建立第一兴趣标签。
作为本发明的再进一步方案,所述基于用户与其他用户的交互热度信息,至少选定一名其他用户建立第二兴趣标签具体包括:
检测用户分享或者用户被分享商品的次数;
获取其他用户商品推荐信息,所述商品推荐信息至少包括商品推荐次数以及商品推荐种类;
分别设定用户分享或者用户被分享的商品次数、推荐商品次数、商品推荐种类中各项评分项目的评分比重;
根据评分项目和对应的评分比重乘积之和计算对应的其他用户交互热度评分;
将其他用户交互热度评分进行正向排序,标记最高得分对应的其他用户为建立第二兴趣标签的对象,根据该对象建立第二兴趣标签。
作为本发明的又进一步方案,所述标记最高得分对应的其他用户为建立第二兴趣标签的对象,根据该对象建立第二兴趣标签具体包括:
判断最高得分对应的其他用户是否为列表好友,当最高得分对应的其他用户不是列表好友时,获取该用户的ID或用户名;
基于该用户的ID或用户名发送添加该用户为好友的提示信息;
当用户确认该提示信息后添加该用户为列表好友。
作为本发明的进一步方案,所述基于第一兴趣标签和第二兴趣标签建立关联兴趣标签具体包括:
分别对第一兴趣标签和第二兴趣标签进行归类,在兴趣标签库中对归类结果进行区别标记;
将区别标记中处于同等层级却不同名称的非底层兴趣标签进行排列组合,过滤排列组合结果中不包含于兴趣标签库中的兴趣标签以及已经存在于第一兴趣标签或第二兴趣标签中的兴趣标签;
基于过滤结果建立关联兴趣标签。
作为本发明的进一步方案,所述基于偏重差异信息分别对用户进行商品推荐,在设定时间内分别检测用户对推荐商品的浏览量大小具体包括:
调用用户对应的偏重差异信息,将偏重差异信息分解为共性兴趣标签和特性兴趣标签;
基于共性兴趣标签和特性兴趣标签向用户推荐商品;
统计在设定时间内用户对推荐商品的浏览量大小。
作为本发明的进一步方案,所述在设定时间内分别检测用户对推荐商品的浏览量大小之后,所述方法还包括:
判断设定时间内用户对推荐商品的累计浏览量;
比较该累计浏览量与第一预设阈值的大小。
作为本发明的进一步方案,所述当该浏览量小于第一预设阈值时,分别调整共性信息和特性信息对应项的修正量,以使得偏重差异信息能够倾斜于浏览量高于用户的其他用户对应的兴趣标签具体包括:
获取共性兴趣标签和特性兴趣标签对应商品的设定数量;
当该浏览量小于第一预设阈值时,分别统计共性兴趣标签和特性兴趣标签中设定数量的对应商品的单项浏览量,判断其单项浏览量是否达到第二预设阈值;
当该单项浏览量未达到第二预设阈值,以单项浏览量达到第二预设阈值对应的商品为参照基准,调整共性兴趣标签和特性兴趣标签对应商品的设定数量,以使得偏重差异信息能够倾斜于浏览量高于第一预设阈值对应的兴趣标签。
作为本发明的进一步方案,另一方面,一种基于大数据的商品推荐系统,所述系统包括:
获取建立模块,用于获取用户的浏览行为信息,基于浏览行为信息建立第一兴趣标签;
热度标签建立模块,用于基于用户与其他用户的交互热度信息,至少选定一名其他用户建立第二兴趣标签;
关联标签建立模块,用于基于第一兴趣标签和第二兴趣标签建立关联兴趣标签;
偏重差异信息模块,用于分别计算第一兴趣标签、第二兴趣标签与关联兴趣标签之间的差异值,基于计算结果获取偏重差异信息,所述偏重差异信息用于表征第一兴趣标签和第二兴趣标签和关联兴趣标签之间的共性信息和特性信息;
检测模块,用于基于偏重差异信息分别对用户进行商品推荐,在设定时间内分别检测用户对推荐商品浏览量的大小;
调整模块,用于当该浏览量小于第一预设阈值时,分别调整共性信息和特性信息对应项的修正量,以使得偏重差异信息能够倾斜于浏览量高于用户的其他用户对应的兴趣标签。
本发明实施例提供的一种基于大数据的商品推荐方法和推荐系统,通过基于偏重差异信息分别对用户进行商品推荐,能够结合好友用户之间进行潜在的商品推荐,双方的用户可以基于偏重差异信息中的关联兴趣标签对自身所要挑选的商品进行参考,关联兴趣标签是对第一兴趣标签某种程度上的拓展,(目标)用户可以对依据关联兴趣标签推送的商品有更多的兴趣和选择,有效提升用户的使用体验,在推送时,主要对(目标)用户共性信息修正量进行调整即可,可以有效减轻服务器数据分析和存储压力。
附图说明
图1是一种基于大数据的商品推荐方法的主流程图。
图2是获取用户的浏览行为信息,基于浏览行为信息建立第一兴趣标签的流程图。
图3是基于第一兴趣标签和第二兴趣标签建立关联兴趣标签的流程图。
图4是基于偏重差异信息分别对用户进行商品推荐,在设定时间内分别检测用户对推荐商品的浏览量大小的流程图。
图5是分别调整共性信息和特性信息对应项的修正量的流程图。
图6是一种基于大数据的商品推荐系统的主结构图。
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,对本发明进行进一步详细说明。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。
以下结合具体实施例对本发明的具体实现进行详细描述。
本发明提供的一种基于大数据的商品推荐方法和推荐系统,解决了背景技术中的技术问题。
如图1所示,为本发明的一个实施例提供的一种基于大数据的商品推荐方法的主流程图,所述一种基于大数据的商品推荐方法包括:
步骤S10:获取用户的浏览行为信息,基于浏览行为信息建立第一兴趣标签;
步骤S11:基于用户与其他用户的交互热度信息,至少选定一名其他用户建立第二兴趣标签;
步骤S12:基于第一兴趣标签和第二兴趣标签建立关联兴趣标签;
步骤S13:分别计算第一兴趣标签、第二兴趣标签与关联兴趣标签之间的差异值,基于计算结果获取偏重差异信息,所述偏重差异信息用于表征第一兴趣标签和第二兴趣标签与关联兴趣标签之间的共性信息和特性信息;以及
步骤S14:基于偏重差异信息分别对用户进行商品推荐,在设定时间内分别检测用户对推荐商品浏览量的大小;
步骤S15:当该浏览量小于第一预设阈值时,分别调整共性信息和特性信息对应项的修正量,以使得偏重差异信息能够倾斜于浏览量高于用户的其他用户对应的兴趣标签。
本实施例在应用时,通过至少选定一名其他用户建立第二兴趣标签,分别计算第一兴趣标签、第二兴趣标签与关联兴趣标签之间的差异值,基于计算结果获取偏重差异信息,所述偏重差异信息用于表征第一兴趣标签和第二兴趣标签与关联兴趣标签之间的共性信息和特性信息,基于偏重差异信息分别对用户进行商品推荐,能够结合好友用户之间进行潜在的商品推荐,双方的用户可以基于偏重差异信息中的关联兴趣标签对自身所要挑选的商品进行参考,关联兴趣标签是对第一兴趣标签某种程度上的拓展,(目标)用户可以对依据关联兴趣标签推送的商品有更多的兴趣和选择,有效提升用户的潜在交互使用体验,在推送时,主要对(目标)用户共性信息修正量进行调整即可,可以有效减轻服务器数据分析和存储压力。
如图2所示,作为本发明的一种优选实施例,所述获取用户的浏览行为信息,基于浏览行为信息建立第一兴趣标签具体包括:
步骤S101:获取用户的下单购买信息,统计下单购买信息中的下单商品;
步骤S102:统计用户的浏览量超过设定基准量但未下单的商品;
步骤S103:分别提取下单商品和浏览量超过设定条件但未下单的商品对应的商品特征;
步骤S104:对商品特征中相似度高于设定程度的商品特征进行过滤去重;
步骤S105:根据过滤去重结果建立第一兴趣标签。
本实施例在应用时,根据下单商品以及浏览量超过设定条件但未下单的商品,能够有效确认用户的潜在感兴趣的商品,使得第一兴趣标签的建立具有较大的可信依据。
作为本发明的一种优选实施例,所述基于用户与其他用户的交互热度信息,至少选定一名其他用户建立第二兴趣标签具体包括:
步骤S111:检测用户分享或者用户被分享商品的次数;
步骤S112:获取其他用户商品推荐信息,所述商品推荐信息至少包括商品推荐次数以及商品推荐种类;
步骤S113:分别设定用户分享或者用户被分享的商品次数、推荐商品次数、商品推荐种类中各项评分项目的评分比重;
步骤S114:根据评分项目和对应的评分比重乘积之和计算对应的其他用户交互热度评分;
步骤S115:将其他用户交互热度评分进行正向排序,标记最高得分对应的其他用户为建立第二兴趣标签的对象,根据该对象建立第二兴趣标签。
建立第二兴趣标签与建立第一兴趣标签步骤类似,在此不再叙述。
作为本发明的一种优选实施例,所述标记最高得分对应的其他用户为建立第二兴趣标签的对象,根据该对象建立第二兴趣标签具体包括:
步骤S1151:判断最高得分对应的其他用户是否为列表好友,当最高得分对应的其他用户不是列表好友时,获取该用户的ID或用户名;
步骤S1152:基于该用户的ID或用户名发送添加该用户为好友的提示信息;
步骤S1153:当用户确认该提示信息后添加该用户为列表好友。
本实施例在应用时,通过当最高得分对应的其他用户不是列表好友时,获取该用户的ID或用户名,并且基于该用户的ID或用户名发送添加该用户为好友的提示信息,当用户确认该提示信息后添加该用户为列表好友,后续在更新用户与其他用户的交互热度信息时,可以直接通过好友界面进行统计,利于提高更新效率,也利于用户与其他用户之间进行交互,可以理解的是,在添加用户好友之后,用户可以设定一些商品不加入关联兴趣标签的对象内,利于保护用户的隐私。
如图3所示,作为本发明的一种优选实施例,所述基于第一兴趣标签和第二兴趣标签建立关联兴趣标签具体包括:
步骤S121:分别对第一兴趣标签和第二兴趣标签进行归类,在兴趣标签库中对归类结果进行区别标记;
步骤S122:将区别标记中处于同等层级却不同名称的非底层兴趣标签进行排列组合,过滤排列组合结果中不包含于兴趣标签库中的兴趣标签以及已经存在于第一兴趣标签或第二兴趣标签中的兴趣标签;
步骤S123:基于过滤结果建立关联兴趣标签。
本实施例在应用时,将区别标记中处于同等层级却不同名称的非底层兴趣标签进行排列组合,过滤排列组合结果中不包含于兴趣标签库中的兴趣标签以及已经存在于第一兴趣标签或第二兴趣标签中的兴趣标签,举例来说,例如一款衣服的标签分别为,男士→青年→外套→春秋装→复古风→男款青少年某品牌休闲外套,底层兴趣标签可以全覆盖前述兴趣标签,也可以包含部分标签,通过非底层兴趣标签进行排列组合,能够得到底层兴趣标签以及高于该级别的兴趣标签,这样可以确定所需要推荐的商品小类或者具体商品,当然,在排列组合达到一定的数量级时,可以允许进行部分进行组合,进一步减轻服务器数据分析和存储压力。
如图4所示,作为本发明的一种优选实施例,所述基于偏重差异信息分别对用户进行商品推荐,在设定时间内分别检测用户对推荐商品的浏览量大小具体包括:
步骤S141:调用用户对应的偏重差异信息,将偏重差异信息分解为共性兴趣标签和特性兴趣标签;
步骤S142:基于共性兴趣标签和特性兴趣标签向用户推荐商品;
步骤S143:统计在设定时间内用户对推荐商品的浏览量大小。
本实施例在应用时,共性兴趣标签直接与第一兴趣标签相关联,特性兴趣标签与第二第一兴趣标签相关联,这样偏重差异信息能够集合(目标)用户与其他至少一名用户的兴趣交互商品,在推送时,只需要对(目标)用户调整相应项目即可,可以有效减轻服务器数据分析和存储压力。
作为本发明的一种优选实施例,所述在设定时间内分别检测用户对推荐商品的浏览量大小之后,所述方法还包括:
步骤S20:判断设定时间内用户对推荐商品的累计浏览量;
步骤S21:比较该累计浏览量与第一预设阈值的大小。
可以理解的是,推荐(各种)商品的累计浏览量是否达到第一预设阈值,是评判用户对推荐的商品是否感兴趣的一个主要评价指标。
如图5所示,作为本发明的一种优选实施例,所述当该浏览量小于第一预设阈值时,分别调整共性信息和特性信息对应项的修正量,以使得偏重差异信息能够倾斜于浏览量高于用户的其他用户对应的兴趣标签具体包括:
步骤S151:获取共性兴趣标签和特性兴趣标签对应商品的设定数量;
步骤S152:当该浏览量小于第一预设阈值时,分别统计共性兴趣标签和特性兴趣标签中设定数量的对应商品的单项浏览量,判断其单项浏览量是否达到第二预设阈值;
步骤S153:当该单项浏览量未达到第二预设阈值,以单项浏览量达到第二预设阈值对应的商品为参照基准,调整共性兴趣标签和特性兴趣标签对应商品的设定数量,以使得偏重差异信息能够倾斜于浏览量高于第一预设阈值对应的兴趣标签。
本实施例在应用时,对(目标)用户的偏重差异信息的调整是基于对其他用户中累计浏览量不小于第一预设阈值来进行的,即调整共性兴趣标签和特性兴趣标签对应商品的设定数量,使得相应项与单项浏览量达到第二预设阈值对应的商品数量相靠近,使得在提高浏览量的基础上对用户的推荐是富于变化的,能够形成闭环反馈,定期对推荐的商品进行调整,可以理解的是,共性兴趣标签和特性兴趣标签分别是用户与其他用户兴趣标签之间关联度高于预设关联阈值的兴趣标签和关联度不高于预设关联阈值的兴趣标签。
如图6所示,作为本发明的另一种优选实施例,另一方面,一种基于大数据的商品推荐系统,所述系统包括:
获取建立模块100,用于获取用户的浏览行为信息,基于浏览行为信息建立第一兴趣标签;
热度标签建立模块200,用于基于用户与其他用户的交互热度信息,至少选定一名其他用户建立第二兴趣标签;
关联标签建立模块300,用于基于第一兴趣标签和第二兴趣标签建立关联兴趣标签;
偏重差异信息模块400,用于分别计算第一兴趣标签、第二兴趣标签与关联兴趣标签之间的差异值,基于计算结果获取偏重差异信息,所述偏重差异信息用于表征第一兴趣标签和第二兴趣标签和关联兴趣标签之间的共性信息和特性信息;
检测模块500,用于基于偏重差异信息分别对用户进行商品推荐,在设定时间内分别检测用户对推荐商品浏览量的大小;
调整模块600,用于当该浏览量小于第一预设阈值时,分别调整共性信息和特性信息对应项的修正量,以使得偏重差异信息能够倾斜于浏览量高于用户的其他用户对应的兴趣标签。
本发明上述实施例中提供了一种基于大数据的商品推荐方法,并基于该基于大数据的商品推荐方法提供了一种基于大数据的商品推荐系统,通过至少选定一名其他用户建立第二兴趣标签,分别计算第一兴趣标签、第二兴趣标签与关联兴趣标签之间的差异值,基于计算结果获取偏重差异信息,所述偏重差异信息用于表征第一兴趣标签和第二兴趣标签与关联兴趣标签之间的共性信息和特性信息,基于偏重差异信息分别对用户进行商品推荐,能够结合好友用户之间进行潜在的商品推荐,双方的用户可以基于偏重差异信息中的关联兴趣标签对自身所要挑选的商品进行参考,关联兴趣标签是对第一兴趣标签某种程度上的拓展,(目标)用户可以对依据关联兴趣标签推送的商品有更多的兴趣和选择,有效提升用户的使用体验,在推送时,只需要对(目标)用户调整特性用户标签商品和共性兴趣标签商品即可,可以有效减轻服务器数据分析和存储压力。
为了能够加载上述方法和系统能够顺利运行,该系统除了包括上述各种模块之外,还可以包括比上述描述更多或更少的部件,或者组合某些部件,或者不同的部件,例如可以包括输入输出设备、网络接入设备、总线、处理器和存储器等。
所称处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,上述处理器是上述系统的控制中心,利用各种接口和线路连接各个部分。
本应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述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发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
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 (9)
1.一种基于大数据的商品推荐方法,其特征在于,所述方法包括:
获取用户的浏览行为信息,基于浏览行为信息建立第一兴趣标签;
基于用户与其他用户的交互热度信息,至少选定一名其他用户建立第二兴趣标签;
基于第一兴趣标签和第二兴趣标签建立关联兴趣标签;
分别计算第一兴趣标签、第二兴趣标签与关联兴趣标签之间的差异值,基于计算结果获取偏重差异信息,所述偏重差异信息用于表征第一兴趣标签和第二兴趣标签与关联兴趣标签之间的共性信息和特性信息;
基于偏重差异信息分别对用户进行商品推荐,在设定时间内分别检测用户对推荐商品浏览量的大小;
当该浏览量小于第一预设阈值时,分别调整共性信息和特性信息对应项的修正量,以使得偏重差异信息能够倾斜于浏览量高于用户的其他用户对应的兴趣标签。
2.根据权利要求1所述的基于大数据的商品推荐方法,其特征在于,所述获取用户的浏览行为信息,基于浏览行为信息建立第一兴趣标签具体包括:
获取用户的下单购买信息,统计下单购买信息中的下单商品;
统计用户的浏览量超过设定基准量但未下单的商品;
分别提取下单商品和浏览量超过设定条件但未下单的商品对应的商品特征;
对商品特征中相似度高于设定程度的商品特征进行过滤去重;
根据过滤去重结果建立第一兴趣标签。
3.根据权利要求1所述的基于大数据的商品推荐方法,其特征在于,所述基于用户与其他用户的交互热度信息,至少选定一名其他用户建立第二兴趣标签具体包括:
检测用户分享或者用户被分享商品的次数;
获取其他用户商品推荐信息,所述商品推荐信息至少包括商品推荐次数以及商品推荐种类;
分别设定用户分享或者用户被分享的商品次数、推荐商品次数、商品推荐种类中各项评分项目的评分比重;
根据评分项目和对应的评分比重乘积之和计算对应的其他用户交互热度评分;
将其他用户交互热度评分进行正向排序,标记最高得分对应的其他用户为建立第二兴趣标签的对象,根据该对象建立第二兴趣标签。
4.根据权利要求3所述的基于大数据的商品推荐方法,其特征在于,所述标记最高得分对应的其他用户为建立第二兴趣标签的对象,根据该对象建立第二兴趣标签具体包括:
判断最高得分对应的其他用户是否为列表好友,当最高得分对应的其他用户不是列表好友时,获取该用户的ID或用户名;
基于该用户的ID或用户名发送添加该用户为好友的提示信息;
当用户确认该提示信息后添加该用户为列表好友。
5.根据权利要求1所述的基于大数据的商品推荐方法,其特征在于,所述基于第一兴趣标签和第二兴趣标签建立关联兴趣标签具体包括:
分别对第一兴趣标签和第二兴趣标签进行归类,在兴趣标签库中对归类结果进行区别标记;
将区别标记中处于同等层级却不同名称的非底层兴趣标签进行排列组合,过滤排列组合结果中不包含于兴趣标签库中的兴趣标签以及已经存在于第一兴趣标签或第二兴趣标签中的兴趣标签;
基于过滤结果建立关联兴趣标签。
6.根据权利要求5所述的基于大数据的商品推荐方法,其特征在于,所述基于偏重差异信息分别对用户进行商品推荐,在设定时间内分别检测用户对推荐商品的浏览量大小具体包括:
调用用户对应的偏重差异信息,将偏重差异信息分解为共性兴趣标签和特性兴趣标签;
基于共性兴趣标签和特性兴趣标签向用户推荐商品;
统计在设定时间内用户对推荐商品的浏览量大小。
7.根据权利要求1所述的基于大数据的商品推荐方法,其特征在于,所述在设定时间内分别检测用户对推荐商品的浏览量大小之后,所述方法还包括:
判断设定时间内用户对推荐商品的累计浏览量;
比较该累计浏览量与第一预设阈值的大小。
8.根据权利要求6所述的基于大数据的商品推荐方法,其特征在于,所述当该浏览量小于第一预设阈值时,分别调整共性信息和特性信息对应项的修正量,以使得偏重差异信息能够倾斜于浏览量高于用户的其他用户对应的兴趣标签具体包括:
获取共性兴趣标签和特性兴趣标签对应商品的设定数量;
当该浏览量小于第一预设阈值时,分别统计共性兴趣标签和特性兴趣标签中设定数量的对应商品的单项浏览量,判断其单项浏览量是否达到第二预设阈值;
当该单项浏览量未达到第二预设阈值,以单项浏览量达到第二预设阈值对应的商品为参照基准,调整共性兴趣标签和特性兴趣标签对应商品的设定数量,以使得偏重差异信息能够倾斜于浏览量高于第一预设阈值对应的兴趣标签。
9.一种基于大数据的商品推荐系统,其特征在于,所述系统包括:
获取建立模块,用于获取用户的浏览行为信息,基于浏览行为信息建立第一兴趣标签;
热度标签建立模块,用于基于用户与其他用户的交互热度信息,至少选定一名其他用户建立第二兴趣标签;
关联标签建立模块,用于基于第一兴趣标签和第二兴趣标签建立关联兴趣标签;
偏重差异信息模块,用于分别计算第一兴趣标签、第二兴趣标签与关联兴趣标签之间的差异值,基于计算结果获取偏重差异信息,所述偏重差异信息用于表征第一兴趣标签和第二兴趣标签和关联兴趣标签之间的共性信息和特性信息;
检测模块,用于基于偏重差异信息分别对用户进行商品推荐,在设定时间内分别检测用户对推荐商品浏览量的大小;
调整模块,用于当该浏览量小于第一预设阈值时,分别调整共性信息和特性信息对应项的修正量,以使得偏重差异信息能够倾斜于浏览量高于用户的其他用户对应的兴趣标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210087743.1A CN114493784A (zh) | 2022-01-25 | 2022-01-25 | 基于大数据的商品推荐方法和推荐系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210087743.1A CN114493784A (zh) | 2022-01-25 | 2022-01-25 | 基于大数据的商品推荐方法和推荐系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114493784A true CN114493784A (zh) | 2022-05-13 |
Family
ID=81474828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210087743.1A Pending CN114493784A (zh) | 2022-01-25 | 2022-01-25 | 基于大数据的商品推荐方法和推荐系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114493784A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115309997A (zh) * | 2022-10-10 | 2022-11-08 | 浙商银行股份有限公司 | 一种基于多视图自编码特征的商品推荐方法及装置 |
-
2022
- 2022-01-25 CN CN202210087743.1A patent/CN114493784A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115309997A (zh) * | 2022-10-10 | 2022-11-08 | 浙商银行股份有限公司 | 一种基于多视图自编码特征的商品推荐方法及装置 |
CN115309997B (zh) * | 2022-10-10 | 2023-02-28 | 浙商银行股份有限公司 | 一种基于多视图自编码特征的商品推荐方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11861628B2 (en) | Method, system and computer readable medium for creating a profile of a user based on user behavior | |
US10846775B1 (en) | Identifying item recommendations through recognized navigational patterns | |
CN109559208B (zh) | 一种信息推荐方法、服务器及计算机可读介质 | |
CN108629665B (zh) | 一种个性化商品推荐方法和系统 | |
Bag et al. | An integrated recommender system for improved accuracy and aggregate diversity | |
US9569499B2 (en) | Method and apparatus for recommending content on the internet by evaluating users having similar preference tendencies | |
WO2020048084A1 (zh) | 资源推荐方法、装置、计算机设备及计算机可读存储介质 | |
US8788445B2 (en) | System and method for quantifying and detecting non-normative behavior | |
EP2304619B1 (en) | Correlated information recommendation | |
Bauer et al. | Recommender systems based on quantitative implicit customer feedback | |
CN106878405B (zh) | 一种调整推送项目的方法及装置 | |
KR101646312B1 (ko) | 개인행동기반 관심 대상 및 선호 분야 분석시스템 및 그 방법 | |
JP2014508333A (ja) | ウェブサイト横断情報を表示する方法およびシステム | |
CN111325609A (zh) | 一种商品推荐列表确定方法、装置、电子设备及存储介质 | |
CN104620267A (zh) | 用于推断用户人口统计的方法和装置 | |
CN109241451B (zh) | 一种内容组合推荐方法、装置及可读存储介质 | |
JP2019508756A (ja) | 電子配信プラットフォーム上で提示対象を選択および推奨するための方法および装置 | |
CN113065062A (zh) | 一种基于用户阅读时间行为的新闻推荐方法及系统 | |
CN109446402B (zh) | 一种搜索方法及装置 | |
CN108268519B (zh) | 一种推荐网络对象的方法和装置 | |
Patil et al. | Online book recommendation system using association rule mining and collaborative filtering | |
CN114493784A (zh) | 基于大数据的商品推荐方法和推荐系统 | |
CN110956530A (zh) | 推荐方法、装置、电子设备及计算机可读存储介质 | |
CN111193598B (zh) | 一种群聊会话推荐方法及装置 | |
JP4962950B2 (ja) | ネットワーク上のユーザに対するレコメンデーションの方法、レコメンデーションサーバ及びプログラム |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220513 |