CN114549143B - 线下停车记录与线上购买行为融合的个性化商品推荐方法 - Google Patents

线下停车记录与线上购买行为融合的个性化商品推荐方法 Download PDF

Info

Publication number
CN114549143B
CN114549143B CN202210267188.0A CN202210267188A CN114549143B CN 114549143 B CN114549143 B CN 114549143B CN 202210267188 A CN202210267188 A CN 202210267188A CN 114549143 B CN114549143 B CN 114549143B
Authority
CN
China
Prior art keywords
user
parking
node
similarity
users
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
Application number
CN202210267188.0A
Other languages
English (en)
Other versions
CN114549143A (zh
Inventor
晏鹏宇
谢皓宇
于凯泽
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210267188.0A priority Critical patent/CN114549143B/zh
Publication of CN114549143A publication Critical patent/CN114549143A/zh
Application granted granted Critical
Publication of CN114549143B publication Critical patent/CN114549143B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0265—Vehicular advertisement
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0277—Online advertisement

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种线下停车记录与线上购买行为融合的个性化商品推荐方法，属于数据分析技术领域。该方法基于多个停车场的用户停车记录，构建用户停车时空路径；再通过用户时空路径相似度计算模型，计算出任意两个用户之间的时空路径相似度，构建用户相似度矩阵；然后从用户相似度矩阵中提取与目标用户停车记录相似度最高的一组用户，基于这一组用户对停车系统推送商品的历史购买行为数据，计算出目标用户对停车系统推送的商品的偏好值，按偏好值对目标用户进行协同过滤推荐。本发明能够做到个性化商品推荐和更好的准确性，既能提高转化率和智慧停车系统的收入，创造线下停车记录更多的数据价值，还能为用户推荐更加符合兴趣偏好的商品。

Description

线下停车记录与线上购买行为融合的个性化商品推荐方法
技术领域
本发明属于数据分析技术领域，涉及一种线下停车记录与线上购买行为融合的个性化商品推荐方法。
背景技术
目前国内外大中城市为了缓解停车难问题，都开发实施了城市级的智慧停车系统，如我国的上海、深圳和成都等城市都已经完成了覆盖城市区域内大部分停车场的智慧停车系统(包括智慧停车APP，微信公众号以及小程序)的部署与运行，为出行用户搜索目的地周边可用车位，停车自助缴费和预约车位等提供了便利途径。智慧停车系统是指将无线通信技术、移动终端技术、GPS定位技术、GIS技术等综合应用于城市区域内各种商业和公共停车场的停车位状态的采集、管理、查询、预订与导航服务，实现停车位资源的实时更新、查询、预订与导航服务一体化。智慧停车系统有效地减少了用户在目的地周边街道低速巡游搜索车位的时间成本，车辆尾气排放和交通拥堵等问题，同时也有效提升了停车资源的利用率。
从上个世纪九十年代开始，电商平台已经开始利用用户的在线商品浏览、点击和购买等行为数据，开发了一系列推荐方法，帮助商家为消费者提供个性化和精准的商品推送，增加了广告转化率和电商平台收入。
智慧停车系统的广泛使用，也为商家定向推送商品广告提供了新的途径。目前一些智慧停车系统通过与广告商合作，在用户使用系统时推送无差别的商品广告，但未能充分利用用户线下停车记录，针对具体不同的用户推送个性化的商品广告。
发明内容
本发明提供了一种线下停车记录与线上购买行为融合的个性化商品推荐方法，该方法利用城市级智慧停车系统记录的用户在一段时间内多个停车场的停车记录以及用户对内嵌于智慧停车系统的商品广告的历史购买行为数据，构建用户停车时空路径相似度计算模型，然后基于用户的历史购买行为数据对目标用户进行协同过滤推荐。
本发明采用的技术方案如下：
线下停车记录与线上购买行为融合的个性化商品推荐方法，其特征在于，该方法基于多个停车场的用户停车记录，构建用户停车时空路径；再通过用户时空路径相似度计算模型，计算出任意两个用户之间的时空路径相似度，构建用户相似度矩阵；然后从用户相似度矩阵中提取与目标用户停车记录相似度最高的一组用户，基于这一组用户对停车系统推送商品的历史购买行为数据，计算出目标用户对停车系统推送的商品的偏好值，按偏好值对目标用户进行协同过滤推荐。
所述用户停车时空路径，是指基于一段时间内用户的停车记录，以停车场为节点，按时间顺序构建的一条序列；所述节点具有四个属性：停车场编号、周边兴趣点（Point ofInterest of Place, POI）编号、用户到达时间及停留时长。其中，兴趣点（POI）为地理信息系统范畴中的概念，具体指与人们生活密切相关可以抽象为点的地理实体，如学校、银行、餐馆、医院、超市、公交站等。
所述历史购买行为数据，是指停车系统(包括智能手机上的APP，微信公众号或小程序等)向用户推送商品后，停车系统记录的用户点击、浏览和购买商品的数据。
所述用户停车时空路径相似度计算模型，用于根据用户停车时空路径，计算两个用户之间的最长加权相似子序列的加权长度，进行归一化后得到两个用户之间的时空路径相似度。
所述用户停车时空路径相似度计算模型，具体为：
定义A用户的停车时空路径为
Figure 475552DEST_PATH_IMAGE001
（
Figure 205DEST_PATH_IMAGE002
），B用户的停 车时空路径为
Figure 130972DEST_PATH_IMAGE003
（
Figure 597726DEST_PATH_IMAGE004
），其中，
Figure 8852DEST_PATH_IMAGE005
表示A用户停车时空路径中 第
Figure 524147DEST_PATH_IMAGE006
个节点，
Figure 322469DEST_PATH_IMAGE007
，
Figure 694545DEST_PATH_IMAGE008
表示B用户停车时空路径中的第
Figure 843898DEST_PATH_IMAGE009
个节点，
Figure 162884DEST_PATH_IMAGE010
。每 个节点均具有四个属性
Figure 64980DEST_PATH_IMAGE011
，其中
Figure 624269DEST_PATH_IMAGE012
表示对应节点的停车场编号，
Figure 182289DEST_PATH_IMAGE013
表示对应节点的 兴趣点编号，
Figure 849506DEST_PATH_IMAGE014
表示用户在对应节点的到达时间，
Figure 606110DEST_PATH_IMAGE015
表示用户在对应节点的停留时长；当A用 户和B用户的某一节点的停车场编号相同或者兴趣点编号相同时，则该节点为相似节点。
定义A用户前m个节点和B用户前n个节点的最长加权相似子序列的加权长度为
Figure 336300DEST_PATH_IMAGE016
；采用递归的方式计算最长加权相似子序列的加权长度
Figure 443933DEST_PATH_IMAGE016
，然后计算A用户与B用户 之间的时空路径相似度
Figure 104721DEST_PATH_IMAGE017
：
Figure 466564DEST_PATH_IMAGE018
。
优选地，所述最长加权相似子序列的加权长度
Figure 882501DEST_PATH_IMAGE016
的计算步骤为：
S1、判断A用户第m个节点和B用户第n个节点的停车场编号是否相同；若相同，则转到S2.1，若不同则转到S2.2。
S2.1、判断
Figure 962584DEST_PATH_IMAGE019
+1*
Figure 427063DEST_PATH_IMAGE020
*
Figure 646342DEST_PATH_IMAGE021
、
Figure 967602DEST_PATH_IMAGE022
、
Figure 800560DEST_PATH_IMAGE023
这三个值的大小，令
Figure 599889DEST_PATH_IMAGE016
取最大 值；其中，
Figure 388853DEST_PATH_IMAGE019
表示A用户前m−1个节点和B用户前n−1个节点的最长加权相似子序列的 加权长度，参数
Figure 897326DEST_PATH_IMAGE020
为A用户在第m个节点和B用户在第n个节点的到达时间相似度，参数
Figure 935689DEST_PATH_IMAGE021
为A 用户在第m个节点和B用户在第n个节点的停留时长相似度；
Figure 492703DEST_PATH_IMAGE022
表示A用户前m−1个节点 和和B用户前n个节点的最长加权相似子序列的加权长度；
Figure 198491DEST_PATH_IMAGE023
表示A用户前m个节点和B 用户前n−1个节点的最长加权相似子序列的加权长度。
S2.2、判断A用户第m个节点和B用户第n个节点的的兴趣点编号是否相同；若兴趣 点编号不同，则判断
Figure 609357DEST_PATH_IMAGE022
和
Figure 400595DEST_PATH_IMAGE023
这两个值的大小，令
Figure 744989DEST_PATH_IMAGE016
取较大值；若兴趣点编号相 同，则判断
Figure 321595DEST_PATH_IMAGE019
+
Figure 889979DEST_PATH_IMAGE024
*
Figure 122509DEST_PATH_IMAGE020
*
Figure 332910DEST_PATH_IMAGE021
、
Figure 498443DEST_PATH_IMAGE022
、
Figure 706571DEST_PATH_IMAGE023
这三个值的大小，令
Figure 206822DEST_PATH_IMAGE016
取最大值，其中
Figure 697279DEST_PATH_IMAGE024
为量化两个节点兴趣点相同时空间邻近性的一个预设值。
S3、从A用户的第m个节点和B用户的第n个节点一直递归到A用户和B用户的第一个 节点的最长加权相似子序列的加权长度
Figure 966586DEST_PATH_IMAGE025
，计算得到
Figure 893085DEST_PATH_IMAGE016
的值。
本发明使用停车场目前暂未有效利用的用户停车记录，分析整理得到用户停车时空路径信息，并构建了一个用户停车时空路径相似度计算模型，来实现对用户进行个性化的商品推荐。首先，获取城市级智慧停车系统所覆盖的停车场的用户停车记录，使用本发明提出的用户停车时空路径相似度计算模型计算出任意两个用户之间的停车时空路径相似度，构建用户相似度矩阵；其次，基于协同过滤算法，从相似度矩阵中提取与目标用户停车行为相似度最高的一组用户，使用这一组用户对系统推送商品的历史购买行为数据，计算出目标用户对系统推送商品的偏好值；最后，对目标用户进行个性化的商品推荐。本发明通过用户的线下停车记录来刻画用户之间的相似度，并以此为基础在智慧停车系统中对用户进行个性化的商品推荐，与当前智慧停车系统中的无差别商品推荐相比，能做到个性化商品推荐和更好的准确性，既能提高转化率和智慧停车系统的收入，创造线下停车记录更多的数据价值，还能为用户推荐更加符合兴趣偏好的商品。
附图说明
图1为本发明线下停车记录与线上购买行为融合的个性化商品推荐方法的流程图。
图2 为本实施例中A用户和B用户的停车时空路径示意图。
附图标号说明：●表示A用户的节点，▲表示B用户的节点。
具体实施方式
为了更好的说明本发明的技术方案及优势，以下结合具体实施例，对本发明作进一步地阐述。图1为本发明线下停车记录与线上购买行为融合的个性化商品推荐方法的流程图，该方法基于多个停车场的用户停车记录，构建用户停车时空路径；再通过用户时空路径相似度计算模型，计算出任意两个用户之间的时空路径相似度，构建用户相似度矩阵；然后从用户相似度矩阵中提取与目标用户停车记录相似度最高的一组用户，基于这一组用户对停车系统推送商品的历史购买行为数据，计算出目标用户对停车系统推送的商品的偏好值，按偏好值对目标用户进行协同过滤推荐。
图2 为本实施例中A用户和B用户的停车时空路径示意图，假设在一段时间内，A用 户的停车时空路径为
Figure 83895DEST_PATH_IMAGE001
（
Figure 121252DEST_PATH_IMAGE026
），B用户的停车时空路径为
Figure 776224DEST_PATH_IMAGE003
（
Figure 873624DEST_PATH_IMAGE027
），其中
Figure 348468DEST_PATH_IMAGE005
表示A用户停车时空路径中的第
Figure 376467DEST_PATH_IMAGE006
个节点，
Figure 633748DEST_PATH_IMAGE028
，
Figure 151317DEST_PATH_IMAGE008
表示B用户停车时空路径中的第
Figure 67452DEST_PATH_IMAGE009
个节点，
Figure 695879DEST_PATH_IMAGE029
。每个节点均具有四个属性
Figure 545018DEST_PATH_IMAGE011
，其中
Figure 499067DEST_PATH_IMAGE012
表示对应节点的停车场编 号，
Figure 699236DEST_PATH_IMAGE013
表示对应节点的兴趣点编号，
Figure 69037DEST_PATH_IMAGE014
表示用户在对应节点的到达时间，
Figure 553108DEST_PATH_IMAGE015
表示用户在对应节 点的停留时长，到达时间和停留时长只表示时分秒属性，范围为0-86399秒。当A用户和B用 户的某一节点的停车场编号相同或者兴趣点编号相同时，则该节点为相似节点，其中对于
Figure 166142DEST_PATH_IMAGE005
和
Figure 40557DEST_PATH_IMAGE008
中的停车场编号
Figure 27099DEST_PATH_IMAGE012
相同，定义
Figure 365676DEST_PATH_IMAGE005
=
Figure 146681DEST_PATH_IMAGE008
，兴趣点编号
Figure 508393DEST_PATH_IMAGE013
相同，定义
Figure 16734DEST_PATH_IMAGE005
≈
Figure 226130DEST_PATH_IMAGE008
。由A用户和B用 户的相似节点构成的停车时空路径的相似子序列为
Figure 630566DEST_PATH_IMAGE030
=
Figure 24114DEST_PATH_IMAGE032
，其中，
Figure 336147DEST_PATH_IMAGE033
相似子序列L中的第k个相似节点，k=1,2,..,
Figure 400049DEST_PATH_IMAGE034
。
在本实施例中，
Figure 772124DEST_PATH_IMAGE035
(5,0,28415,7060)，
Figure 374007DEST_PATH_IMAGE036
(2,2,31907,5360)，
Figure 240463DEST_PATH_IMAGE037
(7,2, 43551,2655)，
Figure 142560DEST_PATH_IMAGE038
(5,0,38586,2831)，
Figure 639531DEST_PATH_IMAGE039
(7,2,27373,3744)，
Figure 994289DEST_PATH_IMAGE040
(2,2,55234, 3908)。
因此，A用户和B用户停车时空路径的相似子序列为L=[(
Figure 991585DEST_PATH_IMAGE041
,
Figure 13767DEST_PATH_IMAGE042
)]，L=[(
Figure 478378DEST_PATH_IMAGE043
,
Figure 789274DEST_PATH_IMAGE044
)]， L=[(
Figure 246800DEST_PATH_IMAGE045
,
Figure 874221DEST_PATH_IMAGE046
)]，L=[(
Figure 24580DEST_PATH_IMAGE043
,
Figure 307925DEST_PATH_IMAGE046
)]，L=[(
Figure 303563DEST_PATH_IMAGE045
,
Figure 48140DEST_PATH_IMAGE044
)]，L=[(
Figure 369400DEST_PATH_IMAGE041
,
Figure 123730DEST_PATH_IMAGE042
), (
Figure 939370DEST_PATH_IMAGE043
,
Figure 790651DEST_PATH_IMAGE044
)]，L=[(
Figure 767966DEST_PATH_IMAGE041
,
Figure 275170DEST_PATH_IMAGE042
), (
Figure 628922DEST_PATH_IMAGE045
,
Figure 334710DEST_PATH_IMAGE046
)]，L=[(
Figure 751435DEST_PATH_IMAGE041
,
Figure 277094DEST_PATH_IMAGE042
), (
Figure 887067DEST_PATH_IMAGE043
,
Figure 463673DEST_PATH_IMAGE046
)]，L=[(
Figure 32058DEST_PATH_IMAGE041
,
Figure 264587DEST_PATH_IMAGE042
), (
Figure 209409DEST_PATH_IMAGE045
,
Figure 374942DEST_PATH_IMAGE044
)]，L=[(
Figure 379808DEST_PATH_IMAGE043
,
Figure 627862DEST_PATH_IMAGE044
)，(
Figure 376375DEST_PATH_IMAGE045
,
Figure 848945DEST_PATH_IMAGE046
)]， L=[(
Figure 41023DEST_PATH_IMAGE041
,
Figure 28570DEST_PATH_IMAGE042
) ,(
Figure 269190DEST_PATH_IMAGE043
,
Figure 658583DEST_PATH_IMAGE044
) , (
Figure 21562DEST_PATH_IMAGE045
,
Figure 230827DEST_PATH_IMAGE046
)]。A用户和B用户时空路径的相似子序列有很多条，本 发明提出的用户停车时空路径相似度计算模型不需要找出每一条相似子序列并计算其加 权长度，只需要通过递归的方法直接找到最长加权相似子序列的加权长度，而不关注最长 加权相似子序列的具体情况，就能刻画两个用户之间的时空路径相似度。
定义A用户前3个节点和B用户前3个节点的最长加权相似子序列的加权长度为
Figure 524405DEST_PATH_IMAGE047
，作为A用户与B用户之间的时空路径相似性的度量指标；采用递归的方式计算最长加 权相似子序列的加权长度
Figure 775827DEST_PATH_IMAGE047
，计算公式如下：
Figure 293396DEST_PATH_IMAGE048
其中，
Figure 6268DEST_PATH_IMAGE024
为量化两个节点兴趣点相同时空间邻近性的一个预设值，本实施例中定 为0.5；
Figure 634696DEST_PATH_IMAGE020
为到达时间相似度，计算公式如下：
Figure 687096DEST_PATH_IMAGE049
其中，
Figure 375567DEST_PATH_IMAGE050
表示A用户在相似节点k的到达时间，
Figure 310156DEST_PATH_IMAGE051
表示B用户在相似节点k的到达时 间。
β为停留时间相似度，计算公式如下：
Figure 742274DEST_PATH_IMAGE052
其中，
Figure 708569DEST_PATH_IMAGE053
表示A用户在相似节点k的停留时长，
Figure 833519DEST_PATH_IMAGE053
表示B用户在相似节点k的停留时 长。
实际计算过程：
Figure 255405DEST_PATH_IMAGE054
=
Figure 428897DEST_PATH_IMAGE055
=
Figure 501895DEST_PATH_IMAGE056
=
Figure 548480DEST_PATH_IMAGE057
=
Figure 706929DEST_PATH_IMAGE058
=
Figure 434844DEST_PATH_IMAGE059
=
Figure 627928DEST_PATH_IMAGE060
=0
Figure 582765DEST_PATH_IMAGE061
=
Figure 228509DEST_PATH_IMAGE062
=
Figure 9384DEST_PATH_IMAGE063
*
Figure 73286DEST_PATH_IMAGE064
=0.3538
Figure 445361DEST_PATH_IMAGE065
=
Figure 266818DEST_PATH_IMAGE066
=
Figure 382541DEST_PATH_IMAGE067
=0.3538
Figure 35371DEST_PATH_IMAGE068
=
Figure 843927DEST_PATH_IMAGE069
=
Figure 212067DEST_PATH_IMAGE067
=0.3538
Figure 69164DEST_PATH_IMAGE070
=
Figure 356926DEST_PATH_IMAGE071
=
Figure 24799DEST_PATH_IMAGE072
=0.6847
Figure 866853DEST_PATH_IMAGE073
=0.3538
Figure 75112DEST_PATH_IMAGE074
=
Figure 217380DEST_PATH_IMAGE075
=
Figure 305422DEST_PATH_IMAGE076
=0.9301
Figure 651084DEST_PATH_IMAGE077
=
Figure 912301DEST_PATH_IMAGE078
=0.3538
Figure 612139DEST_PATH_IMAGE079
=
Figure 667820DEST_PATH_IMAGE080
=
Figure 500778DEST_PATH_IMAGE081
=0.8860
Figure 565686DEST_PATH_IMAGE082
=
Figure 902121DEST_PATH_IMAGE083
=
Figure 331965DEST_PATH_IMAGE084
=0.9785。
最后计算A用户与B用户之间的时空路径相似度
Figure 635907DEST_PATH_IMAGE017
：
Figure 255239DEST_PATH_IMAGE085
0.3262
同理可以计算出任意两个用户之间的时空路径相似度，得到用户相似度矩阵。然后结合用户相似度矩阵和用户的历史购买行为数据，对目标用户进行基于协同过滤算法的商品推荐，包括以下步骤：
S1，对于目标用户
Figure 695447DEST_PATH_IMAGE086
，在用户相似度矩阵中查找到其与已有购买记录的用户
Figure 106312DEST_PATH_IMAGE013
的时 空路径相似度
Figure 835234DEST_PATH_IMAGE087
。
S2，根据时空路径相似度
Figure 258256DEST_PATH_IMAGE087
，选取与目标用户
Figure 552971DEST_PATH_IMAGE086
最为相似的K个用户，用 集合 S(
Figure 590197DEST_PATH_IMAGE086
, K) 表示。
S3，计算商品的购买可能性：首先将集合S 中用户的历史购买行为数据全部提取， 对于每个候选商品
Figure 619464DEST_PATH_IMAGE088
，用户
Figure 564287DEST_PATH_IMAGE086
对它的购买可能性
Figure 729820DEST_PATH_IMAGE089
为：
Figure 937947DEST_PATH_IMAGE090
其中，
Figure 191861DEST_PATH_IMAGE091
表示购买过商品
Figure 205953DEST_PATH_IMAGE088
的用户集合，
Figure 225993DEST_PATH_IMAGE092
表示用户
Figure 605022DEST_PATH_IMAGE013
是否购买过商品
Figure 858149DEST_PATH_IMAGE088
（购 买为1，未购买为0）。
S4，对上一步骤中计算出的购买可能性，进行降序排列后选择前N个商品，对目标用户进行推荐。

Claims (3)

1.线下停车记录与线上购买行为融合的个性化商品推荐方法，其特征在于，该方法基于多个停车场的用户停车记录，构建用户停车时空路径；再通过用户时空路径相似度计算模型，计算出任意两个用户之间的时空路径相似度，构建用户相似度矩阵；然后从用户相似度矩阵中提取与目标用户停车记录相似度最高的一组用户，基于这一组用户对停车系统推送商品的历史购买行为数据，计算出目标用户对停车系统推送的商品的偏好值，按偏好值对目标用户进行协同过滤推荐；
所述用户停车时空路径，是指基于一段时间内用户的停车记录，以停车场为节点，按时间顺序构建的一条序列；
所述历史购买行为数据，是指停车系统向用户推送商品后，停车系统记录的用户点击、浏览和购买商品的数据；
所述用户停车时空路径相似度计算模型，用于根据用户停车时空路径，计算两个用户之间的最长加权相似子序列的加权长度，进行归一化后得到两个用户之间的时空路径相似度。
2.如权利要求1所述的线下停车记录与线上购买行为融合的个性化商品推荐方法，其特征在于，所述用户停车时空路径相似度计算模型，具体为：
定义A用户的停车时空路径为
Figure 697094DEST_PATH_IMAGE001
（
Figure 427284DEST_PATH_IMAGE002
），B用户的停车时空路 径为
Figure 269338DEST_PATH_IMAGE003
（
Figure 241711DEST_PATH_IMAGE004
），其中，
Figure 665870DEST_PATH_IMAGE005
表示A用户停车时空路径中第
Figure 957174DEST_PATH_IMAGE006
个节点，
Figure 552104DEST_PATH_IMAGE007
，
Figure 328167DEST_PATH_IMAGE008
表示B用户停车时空路径中的第
Figure 324942DEST_PATH_IMAGE009
个节点，
Figure 521568DEST_PATH_IMAGE010
；每个节点均具有四 个属性
Figure 620106DEST_PATH_IMAGE011
，其中
Figure 419434DEST_PATH_IMAGE012
表示对应节点的停车场编号，
Figure 519983DEST_PATH_IMAGE013
表示对应节点的兴趣点编号，
Figure 153090DEST_PATH_IMAGE014
表示 用户在对应节点的到达时间，
Figure 722611DEST_PATH_IMAGE015
表示用户在对应节点的停留时长；当A用户和B用户的某一节 点的停车场编号相同或者兴趣点编号相同时，则该节点为相似节点；
定义A用户前m个节点和B用户前n个节点的最长加权相似子序列的加权长度为
Figure 76364DEST_PATH_IMAGE016
；采 用递归的方式计算最长加权相似子序列的加权长度
Figure 47731DEST_PATH_IMAGE017
，然后计算A用户与B用户之间的 时空路径相似度
Figure 851739DEST_PATH_IMAGE018
：
Figure 151964DEST_PATH_IMAGE019
。
3.如权利要求2所述的线下停车记录与线上购买行为融合的个性化商品推荐方法，其 特征在于，所述最长加权相似子序列的加权长度
Figure 558675DEST_PATH_IMAGE020
的计算方式为：
S1、判断A用户第m个节点和B用户第n个节点的停车场编号是否相同；若相同，则转到S2.1，若不同则转到S2.2；
S2.1、判断
Figure 259915DEST_PATH_IMAGE021
+1*
Figure 110190DEST_PATH_IMAGE022
*
Figure 388725DEST_PATH_IMAGE023
、
Figure 848394DEST_PATH_IMAGE024
、
Figure 404140DEST_PATH_IMAGE025
这三个值的大小，令
Figure 674585DEST_PATH_IMAGE026
取最大值；其中，
Figure 191148DEST_PATH_IMAGE021
表示A用户前m−1个节点和B用户前n−1个节点的最长加权相似子序列的加权长度， 参数
Figure 939661DEST_PATH_IMAGE022
为A用户在第m个节点和B用户在第n个节点的到达时间相似度，参数
Figure 881072DEST_PATH_IMAGE023
为A用户在第m 个节点和B用户在第n个节点的停留时长相似度；
Figure 306106DEST_PATH_IMAGE024
表示A用户前m−1个节点和和B用户 前n个节点的最长加权相似子序列的加权长度；
Figure 824812DEST_PATH_IMAGE025
表示A用户前m个节点和B用户前n−1 个节点的最长加权相似子序列的加权长度；
S2.2、判断A用户第m个节点和B用户第n个节点的的兴趣点编号是否相同；若兴趣点编 号不同，则判断
Figure 252382DEST_PATH_IMAGE024
和
Figure 392508DEST_PATH_IMAGE025
这两个值的大小，令
Figure 4755DEST_PATH_IMAGE016
取较大值；若兴趣点编号相同，则判 断
Figure 994445DEST_PATH_IMAGE021
+
Figure 491286DEST_PATH_IMAGE027
*
Figure 735185DEST_PATH_IMAGE022
*
Figure 269066DEST_PATH_IMAGE023
、
Figure 372151DEST_PATH_IMAGE024
、
Figure 266158DEST_PATH_IMAGE025
这三个值的大小，令
Figure 150849DEST_PATH_IMAGE016
取最大值，其中
Figure 839319DEST_PATH_IMAGE027
为量化两个 节点兴趣点相同时空间邻近性的一个预设值；
S3、从A用户的第m个节点和B用户的第n个节点一直递归到A用户和B用户的第一个节点 的最长加权相似子序列的加权长度
Figure 695280DEST_PATH_IMAGE028
，计算得到
Figure 143710DEST_PATH_IMAGE016
的值。
CN202210267188.0A 2022-03-18 2022-03-18 线下停车记录与线上购买行为融合的个性化商品推荐方法 Active CN114549143B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210267188.0A CN114549143B (zh) 2022-03-18 2022-03-18 线下停车记录与线上购买行为融合的个性化商品推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210267188.0A CN114549143B (zh) 2022-03-18 2022-03-18 线下停车记录与线上购买行为融合的个性化商品推荐方法

Publications (2)

Publication Number Publication Date
CN114549143A CN114549143A (zh) 2022-05-27
CN114549143B true CN114549143B (zh) 2022-07-29

Family

ID=81662928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210267188.0A Active CN114549143B (zh) 2022-03-18 2022-03-18 线下停车记录与线上购买行为融合的个性化商品推荐方法

Country Status (1)

Country Link
CN (1) CN114549143B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2151799A1 (en) * 2008-08-01 2010-02-10 Neptuny S.r.l. Recommander method and system, in particular for IPTV
CA2829252A1 (en) * 2011-03-08 2012-09-13 Justin Moore System and method for providing recommendations with a location-based service
JP2013093015A (ja) * 2011-10-06 2013-05-16 Nippon Telegr & Teleph Corp <Ntt> 情報推薦方法、装置及びプログラム
CN105225129A (zh) * 2015-09-16 2016-01-06 泉州师范学院 移动o2o推荐方法及其系统
CN108647996A (zh) * 2018-04-11 2018-10-12 中山大学 一种基于Spark的个性化推荐方法及系统
CN109246181A (zh) * 2018-07-24 2019-01-18 西安艾润物联网技术服务有限责任公司 基于车辆识别的信息推送方法及相关产品
CN110619539A (zh) * 2019-08-08 2019-12-27 横琴善泊投资管理有限公司 一种基于停车场聚合信息的大数据分析方法和系统
CN111047394A (zh) * 2019-11-20 2020-04-21 泰康保险集团股份有限公司 商品推荐方法、装置、电子设备及计算机可读介质
CN112784177A (zh) * 2021-01-18 2021-05-11 杭州电子科技大学 一种空间距离自适应的下一个兴趣点推荐方法
CN113590936A (zh) * 2021-07-02 2021-11-02 支付宝(杭州)信息技术有限公司 信息推送的方法及装置
CN113761393A (zh) * 2021-09-26 2021-12-07 广州华多网络科技有限公司 商品协同推荐方法及其装置、设备、介质、产品

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10235403B2 (en) * 2014-07-08 2019-03-19 Palo Alto Research Center Incorporated Parallel collective matrix factorization framework for big data

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2151799A1 (en) * 2008-08-01 2010-02-10 Neptuny S.r.l. Recommander method and system, in particular for IPTV
CA2829252A1 (en) * 2011-03-08 2012-09-13 Justin Moore System and method for providing recommendations with a location-based service
JP2013093015A (ja) * 2011-10-06 2013-05-16 Nippon Telegr & Teleph Corp <Ntt> 情報推薦方法、装置及びプログラム
CN105225129A (zh) * 2015-09-16 2016-01-06 泉州师范学院 移动o2o推荐方法及其系统
CN108647996A (zh) * 2018-04-11 2018-10-12 中山大学 一种基于Spark的个性化推荐方法及系统
CN109246181A (zh) * 2018-07-24 2019-01-18 西安艾润物联网技术服务有限责任公司 基于车辆识别的信息推送方法及相关产品
CN110619539A (zh) * 2019-08-08 2019-12-27 横琴善泊投资管理有限公司 一种基于停车场聚合信息的大数据分析方法和系统
CN111047394A (zh) * 2019-11-20 2020-04-21 泰康保险集团股份有限公司 商品推荐方法、装置、电子设备及计算机可读介质
CN112784177A (zh) * 2021-01-18 2021-05-11 杭州电子科技大学 一种空间距离自适应的下一个兴趣点推荐方法
CN113590936A (zh) * 2021-07-02 2021-11-02 支付宝(杭州)信息技术有限公司 信息推送的方法及装置
CN113761393A (zh) * 2021-09-26 2021-12-07 广州华多网络科技有限公司 商品协同推荐方法及其装置、设备、介质、产品

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Towards mobile intelligence: Learning from GPS history data for collaborative recommendation;Zheng, VW 等;《ARTIFICIAL INTELLIGENCE》;20120606;全文 *
基于用户行为和数据的商品推荐系统的设计和实现;武晓童;《中国优秀硕士学位论文全文数据库》;20210915;全文 *

Also Published As

Publication number Publication date
CN114549143A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
Qian et al. Optimal assignment and incentive design in the taxi group ride problem
US10939233B2 (en) System and method for real-time prediction of mobile device locations
US10455363B2 (en) Systems and methods for using geo-blocks and geo-fences to discover lookalike mobile devices
JP5771534B2 (ja) スポンサー付きランドマーク及びロケーションラベルを配信するためのシステム及び方法
US11683655B2 (en) Systems and methods for predicting mobile device locations using processed mobile device signals
Zhang et al. Sensing the pulse of urban refueling behavior
JP2021009710A (ja) マーケティング上のモバイル広告供給に関するシステムと方法
US8090532B2 (en) Pedestrian route production
US20070042770A1 (en) Information distribution
US20190007793A1 (en) System and method for using geo-blocks and geo-fences to predict mobile device locations
US20080097688A1 (en) Route generation based upon activity criteria
CN105808680A (zh) 基于张量分解进行上下文相关的位置推荐方法
US11134359B2 (en) Systems and methods for calibrated location prediction
WO2019075120A1 (en) SYSTEMS AND METHODS FOR USING GEOBLOCS AND GEOBARRIERS TO DISCOVER SIMILAR MOBILE DEVICES
CN112241489A (zh) 信息推送方法、装置、可读存储介质和计算机设备
US11172324B2 (en) Systems and methods for predicting targeted location events
CN110059795A (zh) 一种融合地理位置与时间特征的移动用户节点组网方法
Qin et al. Resgcn: Residual graph convolutional network based free dock prediction in bike sharing system
CN114549143B (zh) 线下停车记录与线上购买行为融合的个性化商品推荐方法
JP2022526401A (ja) 交通システム内でのサイト及び場所の間のルート又はルート距離を使用してサイトを検索又は比較するための方法及び装置
US11146911B2 (en) Systems and methods for pacing information campaigns based on predicted and observed location events
WO2018160895A1 (en) System and method for characterizing mobile entities based on mobile device signals
Liu et al. A cost-effective sequential route recommender system for taxi drivers
Shah Big data and unsupervised machine learning approach to understand why people ride E-Scooter in Nashville, Tennessee
Hu A Big-Data-Driven Framework for Spatiotemporal Travel Demand Estimation and Prediction

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