CN114820142B - 面向b端采购用户的商品信息推荐方法 - Google Patents

面向b端采购用户的商品信息推荐方法 Download PDF

Info

Publication number
CN114820142B
CN114820142B CN202210746334.8A CN202210746334A CN114820142B CN 114820142 B CN114820142 B CN 114820142B CN 202210746334 A CN202210746334 A CN 202210746334A CN 114820142 B CN114820142 B CN 114820142B
Authority
CN
China
Prior art keywords
commodity
sequence
ini
commodities
recommendation
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
CN202210746334.8A
Other languages
English (en)
Other versions
CN114820142A (zh
Inventor
杨艳丽
刘婷
穆大勇
范亚国
金海男
孙贞
李彤
宋鹤扬
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.)
Guoneng Beijing Business Network Co ltd
Original Assignee
Guoneng Beijing Business Network 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 Guoneng Beijing Business Network Co ltd filed Critical Guoneng Beijing Business Network Co ltd
Priority to CN202210746334.8A priority Critical patent/CN114820142B/zh
Publication of CN114820142A publication Critical patent/CN114820142A/zh
Application granted granted Critical
Publication of CN114820142B publication Critical patent/CN114820142B/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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0603—Catalogue ordering

Abstract

本发明属于信息处理技术领域，涉及面向B端采购用户的商品信息推荐方法，其包括如下步骤：S1.获取B端采购用户需求商品的SKU，生成一空序列作为商品推荐序列；S2.根据所述SKU获取需求商品在平台的分类，获取平台中属于该分类下所有可采购的商品，并形成商品集合；S3.根据商品的总浏览量、总采购量、总退货量获取所述商品集合中所有商品的复合历史热度值，将所述商品集合中的商品加入到所述商品推荐序列中，并将所述商品推荐序列中的商品按所述复合历史热度值由大到小进行排序，再按商品推荐序列中的商品排序输出第一商品推荐列表；采用本方法能够实现根据B端采购用户的需求商品为其推荐同类商品中历史采购热度较高的相似商品。

Description

面向B端采购用户的商品信息推荐方法
技术领域
本发明涉及信息处理技术领域，具体而言，涉及面向B端采购用户的商品信息推荐方法。
背景技术
面向B端（企业用户）的采购平台与C端（个人用户）的电子商务平台在客户特征上有较大区别。如B端客户在制定采购计划时，主要以项目、工程建设方案驱动，从而相对于C端客户，B端采购用户有较为明确的需求和完整的采购计划。故现有的应用于C端场景，包括以“兴趣推荐”、“名称相似”为主要推荐技术路径和方法以及使用协同过滤机制在用户行为间进行推荐的方法等，较难在B端采购场景发挥有效的推荐作用。对于平台在向B端采购客户展示潜在的采购商品时，除提供搜索功能和算法对名称、品牌、规格型号进行反馈数据之外，如何辅助提供新的推荐方法，使得给B端采购客户的推荐更精准、更利于成单，成为一个新挑战。
发明内容
本发明的目的在于提供面向B端采购用户的商品信息推荐方法，其能够帮助平台向B端采购客户提供采购推荐，且推荐的商品更能准确符合B端采购客户的需求，更利于成单。
本发明的实施例通过以下技术方案实现：
提供一种面向B端采购用户的商品信息推荐方法，包括如下步骤：
S1.获取B端采购用户需求商品的SKU，生成一空序列作为商品推荐序列L ini ；
S2.根据所述SKU获取需求商品在平台的分类C l ，获取平台中属于C l 分类下所有可采购的商品，并形成商品集合SET l ；
S3.根据商品的总浏览量、总采购量、总退货量获取所述商品集合SET l 中所有商品的复合历史热度值D h ，将所述商品集合SET l 中的商品加入到所述商品推荐序列L ini 中，并将所述商品推荐序列L ini 中的商品按所述复合历史热度值D h 由大到小进行排序，再按商品推荐序列L ini 中的商品排序输出第一商品推荐列表。
进一步的，所述S3中复合历史热度值D h 的计算方法如下，
Figure DEST_PATH_IMAGE001
其中，D view 为商品的总浏览量，D order 为商品的总采购量，D re 为商品的总退货量，Ra为商品的全局浏览下单比。
进一步的，所述全局浏览下单比Ra的计算方法如下式，
Figure DEST_PATH_IMAGE002
其中，un为平台注册用户的总数，D o 为某用户在平台的所有商品采购的总数，D v 为某用户在平台对所有商品浏览的总次数。
进一步的，还包括S4：根据推荐序列L ini 中商品的排序，生成商品推荐序列L ini 中商品的权重P，如下式所示，
Figure DEST_PATH_IMAGE003
其中，i为商品在商品推荐序列中的排列序号，i∈n，n为所述商品推荐序列L ini 中商品的总数量；通过对商品推荐序列L ini 中所有商品的权重计算获取与所述商品推荐序列L ini 长度相同的权值序列P（p 1，p 2，p 3，……，p n）。
进一步的，还包括S5.根据所述商品推荐序列L ini 中商品的库存获取各商品的权重叠加值PSS，并将所述商品推荐序列L ini 中的商品按所述权重叠加值PSS由大到小排序获得商品推荐序列L ini_1 ，并按商品推荐序列L ini_1 中的商品排序输出第二商品推荐列表；
具体为，S51.统计所述商品推荐序列L ini 中的商品在平台中的库存数量，形成与所述商品推荐序列L ini 长度相同的库存数量序列S，所述库存数量序列S中的最大值为s max ；
S52.获取所述商品推荐序列L ini 中每个商品的库存叠加参数Rb，如下式，
Figure DEST_PATH_IMAGE004
其中，s i 表示所述商品推荐序列L ini 中第i个商品的库存数量；
S53.根据所述库存叠加参数Rb计算所述商品推荐序列L ini 中每个商品的库存权重影响值PS，如下式，
Figure DEST_PATH_IMAGE005
；
S54.根据所述商品推荐序列L ini 中商品的权重P和库存权重影响值PS获取所述商品推荐序列L ini 中每个商品的权重叠加值PSS，如下式，
Figure DEST_PATH_IMAGE006
，
再将所述商品推荐序列L ini 中的商品按权重叠加值PSS由大到小排序获得商品推荐序列L ini_1 ，并按商品推荐序列L ini_1 中的商品排序输出第二商品推荐列表。
进一步的，还包括S6.根据所述商品推荐序列L ini_1 中商品的最近一次下单时间与当前时间的差值获取各商品的集中化权重叠加值PSST，并将所述商品推荐序列L ini_1 中的商品按所述集中化权重叠加值PSST由大到小排序获得商品推荐序列L ini_2 ，并按商品推荐序列L ini_2 中的商品排序输出第三商品推荐列表；
具体为，S61.统计所述商品推荐序列L ini_1 中商品最近一次下单时间与当前时间的差值，获取差值序列TO（to 1，to 2，to 3，……，to n），所述差值序列TO中的最大值为to max ；
S62.获取所述商品推荐序列L ini_1 中商品的集中化影响值Bat，如下式，
Figure DEST_PATH_IMAGE007
其中，to i 表示所述商品推荐序列L ini_1 中第i个商品最近一次下单时间与当前时间的差值；
S63.根据所述商品推荐序列L ini_1 中商品的集中化影响值Bat和权重叠加值PSS获取所述商品推荐序列L ini_1 中每个商品的集中化权重叠加值PSST，如下式，
Figure DEST_PATH_IMAGE008
，
再将所述商品推荐序列L ini_1 中的商品按集中化权重叠加值PSST由大到小排序获得商品推荐序列L ini_2 ，并按商品推荐序列L ini_2 中的商品排序输出第三商品推荐列表。
进一步的，还包括S7.根据所述需求商品所在分类在平台中的特征集合序列Fcl与所述商品推荐序列L ini_2 中各商品所在分类在平台中的特征集合序列Fi获取所述商品推荐序列L ini_2 中每个商品对于特征集合序列Fcl的相近参数X i ，再根据所述相近参数X i 获取相近权重叠加值PSSTX i ，并将所述商品推荐序列L ini_2 中的商品按所述相近权重叠加值PSSTX i 由大到小排序获得商品推荐序列L ini_3 ，并按商品推荐序列L ini_3 中的商品排序输出第四商品推荐列表；
具体为，S71.从平台数据库中获取所述需求商品所在分类在平台中的特征集合序列Fcl以及所述商品推荐序列L ini_2 中各商品所在分类在平台中的特征集合序列Fi；
S72.将所述特征集合序列Fcl与特征集合序列Fi逐个对比计算，获取所述商品推荐序列L ini_2 中每个商品对于特征集合序列Fcl的相近参数X i ，如下式，
Figure DEST_PATH_IMAGE009
其中，n fcl 为特征集合序列Fcl的长度，n fi 为特征集合序列Fi的长度，n same 为特征集合序列Fcl对于特征集合序列Fi包含相同特征的数量，当特征集合序列Fcl与特征集合序列Fi都包含一特征G时，sp fcl 为特征集合序列Fcl中该特征G在特征集合序列Fcl中的排序序号，sp fi 为特征集合序列Fi中该特征G在特征集合序列Fi中的排序序号；
S73.根据所述商品推荐序列L ini_2 中每个商品对于特征集合序列Fcl的相近参数X i 获取相近权重叠加值PSSTX i ，如下式，
Figure DEST_PATH_IMAGE010
再将所述商品推荐序列L ini_2 中的商品按相近权重叠加值PSSTX i 由大到小排序获得商品推荐序列L ini_3 ，并按商品推荐序列L ini_3 中的商品排序输出第四商品推荐列表。
进一步的，还包括：预设商品推荐数R_NUM以及增益倍数R_M，所述商品推荐数R_NUM为根据所述需求商品生成的推荐商品在用户端可显示数量，所述增益倍数R_M为所述空序列具备的最小扩充幅度；所述商品推荐数R_NUM与增益倍数R_M和乘积为所述空序列的预设长度N。
进一步的，判断商品集合SET l 中的商品数量与N的大小，若SET l 中的商品数大于等于N，则把所述商品集合SET l 按复合历史热度值D h 由大到小的排序，并将排序后的所述商品集合SET l 中的前N个商品加入到商品推荐序列L ini 中；否则，将所述商品集合SET l 中的所有商品加入所述商品推荐序列L ini 中，并补全商品推荐序列
Figure DEST_PATH_IMAGE011
的长度使其达到N。
进一步的，补全商品推荐序列
Figure 184948DEST_PATH_IMAGE011
的长度使其达到N的具体方法为：
步骤A.获取平台所有订单数据中包含分类C l 的商品的订单，并形成包含分类C l 的商品的订单集合Order ic ；
步骤B.获取所述订单集合Order ic 中所有商品所对应分类的出现频率，并以分类C l 或已添加分类以外出现频率最大的分类作为临近分类C lr ；
步骤C.获取平台中属于C lr 分类的所有可采购的商品，并形成第二商品集合SET p ，再获取所述第二商品集合SET p 中所有商品的复合历史热度值D h ，并按所述复合历史热度值D h 由大到小对所述第二商品集合SET p 中的商品进行排序；
步骤D.通过N减去所述商品推荐序列
Figure 102089DEST_PATH_IMAGE011
的长度得到差值Ldl，若所述第二商品集合SET p 中的商品数量大于差值Ldl，则将所述第二商品集合SET p 中的前Ldl个商品加入到所述商品推荐序列
Figure 881826DEST_PATH_IMAGE011
中，否则执行步骤E；
步骤E.重复执行所述步骤A-步骤D，直到所述商品推荐序列
Figure 463986DEST_PATH_IMAGE011
的长度为N。
本发明实施例的技术方案至少具有如下优点和有益效果：
能够实现根据B端采购用户的需求商品为其推荐同类商品中历史采购热度较高的相似商品；同时引入了多种需要考量的信息维度，增加平台商品积压库存商品的曝光度降低平台的库存成本；实现相关性的拓展推荐功能，防止被推荐商品局限于某个大类；实现同型号优先的推荐功能，促进批量采购形成大订单，降低生产成本。
附图说明
图1为本发明方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
随着网络购物的兴起，面向C端的商品推荐算法层出不穷，在C端场景中，以“兴趣推荐”、“名称相似”为主要推荐技术路径和方法以及使用协同过滤机制在用户行为间进行推荐，但这些方法难以用在B端采购场景使用。B端客户在制定采购计划时，主要以项目、工程建设方案驱动，且B端采购用户有较为明确的需求和完整的采购计划，因此专门针对B端采购的推荐算法极具难度，目前该类推荐方法十分少见。本发明的目的便在于提供一种专门面向B端采购的推荐算法。
在对B端采购场景的整体研究中，我们发现：对于平台而言，期望采购的需求能尽量命中库存，减少订货或远途调货，从而有助于加快资金流转、减轻积压现象。对于上游供应链而言，期望订单无论从数量和品类方面都可以相对稳定，从而便于大批量规律化地制定生产计划，减少用工波动和生产浪费。对于B端采购客户而言，工程或项目实施周期普遍较长，从月至数年不等。它们期望在选购商品时，对指定的商品能有平替或备选商品，以降低整个项目或工程的供应链风险。
本发明便基于上述对B端采购场景的研究，提出一种综合考虑以上因素的大数据推荐算法，进而使平台、上游生产供应商、B端采购客户均有所受益；对于本发明的具体方案的详细说明如下。
本发明的具体实施例如下，一种面向B端采购用户的商品信息推荐方法，如图1所示，包括如下步骤：
S1.获取B端采购用户需求商品的SKU，SKU即需求商品的单位库存量，生成一空序列作为商品推荐序列L ini 。该商品推荐序列L ini 便是用于放入经过后续算法推荐的相关商品。关于推荐商品的数量，即商品推荐序列L ini 的长度，在本实施例中，以S2中商品集合SET l 中商品的数量为序列的长度。
S2.根据所述SKU获取需求商品在平台的分类C l ，获取平台中属于C l 分类下所有可采购的商品，并形成商品集合SET l 。
可以理解的是，在本实施例中，推荐的商品主要与B端用户需求商品的分类相同，即主要目的在于推荐与需求商品相似度高的商品。
S3.根据商品的总浏览量、总采购量、总退货量获取所述商品集合SET l 中所有商品的复合历史热度值D h ，将所述商品集合SET l 中的商品加入到所述商品推荐序列L ini 中，并将所述商品推荐序列L ini 中的商品按所述复合历史热度值D h 由大到小进行排序，再按商品推荐序列L ini 中的商品排序输出第一商品推荐列表。
具体的，复合历史热度值D h 的计算方法如下式，
Figure 278358DEST_PATH_IMAGE001
其中，D view 为商品的总浏览量，D order 为商品的总采购量，D re 为商品的总退货量，Ra为商品的全局浏览下单比。
同时，全局浏览下单比Ra的计算方法如下式，
Figure 100820DEST_PATH_IMAGE002
其中，un为平台注册用户的总数，D o 为某用户在平台的所有商品采购的总数，D v 为某用户在平台对所有商品浏览的总次数；即全局浏览下单比Ra是考虑了平台的所有用户的数量、采购量总数以及浏览量总数计算获取的。
通过上述的方式我们得到了与需求商品的同类的且较为热门的相关商品推荐，在该阶段中，第一商品推荐列表主要基于B端采购用户的需求情况进行推荐。
由于在B端采购场景中大多数商品的同类商品数量不多，在前述方法的基础上，用户可以设定需要推荐商品的数量，从而当与需求商品同类的商品数量小于用户设定的需要推荐商品的数量时，我们为了满足需要的推荐数量，则需要引入与需求商品不同类的商品进行推荐，因此该实施例可以实现相关性的拓展推荐功能，防止被推荐商品局限于某个大类。
具体的，增加预设商品推荐数量后的不同之处在于，还包括预设商品推荐数R_NUM以及增益倍数R_M，其中，所述商品推荐数R_NUM为根据所述需求商品生成的推荐商品在用户端可显示数量，所述增益倍数R_M为所述空序列具备的最小扩充幅度；且所述商品推荐数R_NUM与增益倍数R_M和乘积为所述空序列的预设长度N。
可以理解的是，预设商品推荐数R_NUM为3，而增益倍数R_M为2时，则空序列也就是商品推荐序列L ini 的长度N为6，即将会推荐6个相关的商品。
那么当商品集合SET l 中的商品数量小于N时，我们如何补全商品推荐序列
Figure 367854DEST_PATH_IMAGE011
的长度使其达到N呢，具体实现方式如下步骤。
步骤A.获取平台所有订单数据中包含分类C l 的商品的订单，并形成包含分类C l 的商品的订单集合Order ic 。
可以理解的是，通过平台中的订单数据，我们能够获取所有包含分类C l 的商品的订单，并形成订单集合Order ic ，进而可以知晓订单集合Order ic 中的订单所包括的商品的分类类型，即订单集合Order ic 中的商品不仅包含分类C l 的商品，还包含非分类C l 的商品。
步骤B.获取所述订单集合Order ic 中所有商品所对应分类的出现频率，并以分类C l 或已添加分类以外出现频率最大的分类作为临近分类C lr 。
需要说明的，由于订单集合Order ic 具有一个统一的特点，即都具有分类C l 的商品，当订单集合Order ic 中的所有订单中，除去分类C l 以外的某一个分类高频出现，则该分类与分类C l 具有特定的关联，如与需求商品配套的商品或相关性较高的商品等，因此我们可以把分类C l 以外出现频率最大的分类作为临近分类C lr 。
需要理解的，由于一个临近分类C lr 中的商品数量与分类C l 的商品数量之和仍不大于N时，在步骤的循环过程中会继续将出现频率较高的分类也作为临近分类。
步骤C.获取平台中属于C lr 分类的所有可采购的商品，并形成第二商品集合SET p ，再获取所述第二商品集合SET p 中所有商品的复合历史热度值D h ，并按所述复合历史热度值D h 由大到小对所述第二商品集合SET p 中的商品进行排序；
步骤D.通过N减去所述商品推荐序列
Figure 566754DEST_PATH_IMAGE011
的长度得到差值Ldl，若所述第二商品集合SET p 中的商品数量大于差值Ldl，则将所述第二商品集合SET p 中的前Ldl个商品加入到所述商品推荐序列
Figure 173316DEST_PATH_IMAGE011
中，否则执行步骤E；
步骤E.重复执行所述步骤A-步骤D，直到所述商品推荐序列
Figure 166680DEST_PATH_IMAGE011
的长度为N。
由于存在少数的某些分类下商品较多的情况，及时设定了空序列的长度N，也有可能商品集合SET l 中的商品数量大于等于N，该情况下，把所述商品集合SET l 按复合历史热度值D h 由大到小的排序，并将排序后的所述商品集合SET l 中的前N个商品加入到商品推荐序列L ini 中既可。
通过上述的方式我们能够实现相关性的拓展推荐功能，可在大多数情况下防止被推荐商品局限于某个大类，获取更多大类的商品推荐；并且使推荐更具灵活性，推荐数量可控。
为了结合平台的商品库存进行推荐，减轻平台的库存压力，降低仓储成本，在上述过程的基础上，方法还包括S4：根据推荐序列L ini 中商品的排序，生成商品推荐序列L ini 中商品的权重P，如下式所示，
Figure 921009DEST_PATH_IMAGE003
其中，i为商品在商品推荐序列中的排列序号，i∈n，n为所述商品推荐序列L ini 中商品的总数量；通过对商品推荐序列L ini 中所有商品的权重计算获取与所述商品推荐序列L ini 长度相同的权值序列P（p 1，p 2，p 3，……，p n）；可以理解的是，该权重是基于商品的复合历史热度值的排序进行的权重赋值。
以及还包括S5.根据所述商品推荐序列L ini 中商品的库存获取各商品的权重叠加值PSS，并将所述商品推荐序列L ini 中的商品按所述权重叠加值PSS由大到小排序获得商品推荐序列L ini_1 ，并按商品推荐序列L ini_1 中的商品排序输出第二商品推荐列表；
具体为，S51.统计所述商品推荐序列L ini 中的商品在平台中的库存数量，形成与所述商品推荐序列L ini 长度相同的库存数量序列S，所述库存数量序列S中的最大值为s max ；
S52.获取所述商品推荐序列L ini 中每个商品的库存叠加参数Rb，如下式，
Figure 658021DEST_PATH_IMAGE004
其中，s i 表示所述商品推荐序列L ini 中第i个商品的库存数量；
S53.根据所述库存叠加参数Rb计算所述商品推荐序列L ini 中每个商品的库存权重影响值PS，如下式，
Figure 368357DEST_PATH_IMAGE005
。
S54.根据所述商品推荐序列L ini 中商品的权重P和库存权重影响值PS获取所述商品推荐序列L ini 中每个商品的权重叠加值PSS，如下式，
Figure 798201DEST_PATH_IMAGE006
，
再将所述商品推荐序列L ini 中的商品按权重叠加值PSS由大到小排序获得商品推荐序列L ini_1 ，并按商品推荐序列L ini_1 中的商品排序输出第二商品推荐列表。
在上述过程中，能够得到的第二商品推荐列表，其增加考虑了平台的商品库存问题，结合客户的需求，推荐库存较多的商品，进而减轻平台的库存压力，实现节约成本。
在上述过程的基础之上，本发明的方法还包括S6.根据所述商品推荐序列L ini_1 中商品的最近一次任意用户下单的下单时间与当前时间的差值获取各商品的集中化权重叠加值PSST，并将所述商品推荐序列L ini_1 中的商品按所述集中化权重叠加值PSST由大到小排序获得商品推荐序列L ini_2 ，并按商品推荐序列L ini_2 中的商品排序输出第三商品推荐列表；
具体为，S61.统计所述商品推荐序列L ini_1 中商品最近一次下单时间与当前时间的差值，获取差值序列TO（to 1，to 2，to 3，……，to n），所述差值序列TO中的最大值为to max ；
S62.获取所述商品推荐序列L ini_1 中商品的集中化影响值Bat，如下式，
Figure 39826DEST_PATH_IMAGE007
其中，to i 表示所述商品推荐序列L ini_1 中第i个商品最近一次下单时间与当前时间的差值；
S63.根据所述商品推荐序列L ini_1 中商品的集中化影响值Bat和权重叠加值PSS获取所述商品推荐序列L ini_1 中每个商品的集中化权重叠加值PSST，如下式，
Figure 314950DEST_PATH_IMAGE008
，
再将所述商品推荐序列L ini_1 中的商品按集中化权重叠加值PSST由大到小排序获得商品推荐序列L ini_2 ，并按商品推荐序列L ini_2 中的商品排序输出第三商品推荐列表。
可以理解的是，步骤S6的引入，考虑了推荐商品中最近一次任意用户下单的下单时间，使得最近一次任意用户下单的下单时间与当前时间的差值较小的商品的推荐权重增加，进而使得推荐排序靠前的产品为最近下单较多的产品，从而实现同型号优先的推荐功能，促进多个客户采购同型号的推荐商品，形成大订单，降低上游生产商的生产成本。
在上述过程的的基础上，还包括S7.根据所述需求商品所在分类在平台中的特征集合序列Fcl与所述商品推荐序列L ini_2 中各商品所在分类在平台中的特征集合序列Fi获取所述商品推荐序列L ini_2 中每个商品对于特征集合序列Fcl的相近参数X i ，再根据所述相近参数X i 获取相近权重叠加值PSSTX i ，并将所述商品推荐序列L ini_2 中的商品按所述相近权重叠加值PSSTX i 由大到小排序获得商品推荐序列L ini_3 ，并按商品推荐序列L ini_3 中的商品排序输出第四商品推荐列表；
具体为，S71.从平台数据库中获取所述需求商品所在分类在平台中的特征集合序列Fcl以及所述商品推荐序列L ini_2 中各商品所在分类在平台中的特征集合序列Fi；
S72.将所述特征集合序列Fcl与特征集合序列Fi逐个对比计算，获取所述商品推荐序列L ini_2 中每个商品对于特征集合序列Fcl的相近参数X i ，如下式，
Figure DEST_PATH_IMAGE012
其中，n fcl 为特征集合序列Fcl的长度，n fi 为特征集合序列Fi的长度，n same 为特征集合序列Fcl对于特征集合序列Fi包含相同特征的数量，当特征集合序列Fcl与特征集合序列Fi都包含一特征G时，sp fcl 为特征集合序列Fcl中该特征G在特征集合序列Fcl中的排序序号，sp fi 为特征集合序列Fi中该特征G在特征集合序列Fi中的排序序号；
S73.根据所述商品推荐序列L ini_2 中每个商品对于特征集合序列Fcl的相近参数X i 获取相近权重叠加值PSSTX i ，如下式，
Figure 896104DEST_PATH_IMAGE010
再将所述商品推荐序列L ini_2 中的商品按相近权重叠加值PSSTX i 由大到小排序获得商品推荐序列L ini_3 ，并按商品推荐序列L ini_3 中的商品排序输出第四商品推荐列表；第四商品推荐列表也是本方法最能满足平台、采购方、生产商三方需求的商品推荐列表，即最优的实施方式。
步骤S7，进一步考虑了不同大类商品的特征相似度，使得在有不同大类的商品的情况，也能够尽可能为B端用户推荐更为适合的商品。
通过上述的实施方式，可以清楚的知晓本发明能够带来的即使进步，如能够实现根据B端采购用户的需求商品为其推荐同类商品中历史采购热度较高的相似商品；并且引入了多种需要考量的信息维度，增加平台商品积压库存商品的曝光度，进而降低平台的库存成本；实现相关性的拓展推荐功能，防止被推荐商品局限于某个大类；实现同型号优先的推荐功能，促进批量采购形成大订单，降低上游生产商的生产成本。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (7)

1.面向B端采购用户的商品信息推荐方法，其特征在于，包括如下步骤：
S1.获取B端采购用户需求商品的SKU，生成一空序列作为商品推荐序列L ini ；
S2.根据所述SKU获取需求商品在平台的分类C l ，获取平台中属于C l 分类下所有可采购的商品，并形成商品集合SET l ；
S3.根据商品的总浏览量、总采购量和总退货量获取所述商品集合SET l 中所有商品的复合历史热度值D h ，将所述商品集合SET l 中的商品加入到所述商品推荐序列L ini 中，并将所述商品推荐序列L ini 中的商品按所述复合历史热度值D h 由大到小进行排序，再按商品推荐序列L ini 中的商品排序输出第一商品推荐列表；
S4.根据商品推荐序列L ini 中商品的排序，生成商品推荐序列L ini 中商品的权重P，如下式所示，
Figure 6283DEST_PATH_IMAGE001
其中，i为商品在商品推荐序列中的排列序号，i∈n，n为所述商品推荐序列L ini 中商品的总数量；通过对商品推荐序列L ini 中所有商品的权重计算获取与所述商品推荐序列L ini 长度相同的权值序列P（p 1，p 2，p 3，……，p n）；
S5.根据所述商品推荐序列L ini 中商品的库存获取各商品的权重叠加值PSS，并将所述商品推荐序列L ini 中的商品按所述权重叠加值PSS由大到小排序获得商品推荐序列L ini_1 ，并按商品推荐序列L ini_1 中的商品排序输出第二商品推荐列表；
具体为，S51.统计所述商品推荐序列L ini 中的商品在平台中的库存数量，形成与所述商品推荐序列L ini 长度相同的库存数量序列S，所述库存数量序列S中的最大值为s max ；
S52.获取所述商品推荐序列L ini 中每个商品的库存叠加参数Rb，如下式，
Figure 189003DEST_PATH_IMAGE002
其中，s i 表示所述商品推荐序列L ini 中第i个商品的库存数量；
S53.根据所述库存叠加参数Rb计算所述商品推荐序列L ini 中每个商品的库存权重影响值PS，如下式，
Figure 499898DEST_PATH_IMAGE003
；
S54.根据所述商品推荐序列L ini 中商品的权重P和库存权重影响值PS获取所述商品推荐序列L ini 中每个商品的权重叠加值PSS，如下式，
Figure 160687DEST_PATH_IMAGE004
，
再将所述商品推荐序列L ini 中的商品按权重叠加值PSS由大到小排序获得商品推荐序列L ini_1 ，并按商品推荐序列L ini_1 中的商品排序输出第二商品推荐列表；
S6.根据所述商品推荐序列L ini_1 中商品的最近一次下单时间与当前时间的差值获取各商品的集中化权重叠加值PSST，并将所述商品推荐序列L ini_1 中的商品按所述集中化权重叠加值PSST由大到小排序获得商品推荐序列L ini_2 ，并按商品推荐序列L ini_2 中的商品排序输出第三商品推荐列表；
具体为，S61.统计所述商品推荐序列L ini_1 中商品最近一次下单时间与当前时间的差值，获取差值序列TO（to 1，to 2，to 3，……，to n），所述差值序列TO中的最大值为to max ；
S62.获取所述商品推荐序列L ini_1 中商品的集中化影响值Bat，如下式，
Figure 240638DEST_PATH_IMAGE005
其中，to i 表示所述商品推荐序列L ini_1 中第i个商品最近一次下单时间与当前时间的差值；
S63.根据所述商品推荐序列L ini_1 中商品的集中化影响值Bat和权重叠加值PSS获取所述商品推荐序列L ini_1 中每个商品的集中化权重叠加值PSST，如下式，
Figure 328680DEST_PATH_IMAGE006
，
再将所述商品推荐序列L ini_1 中的商品按集中化权重叠加值PSST由大到小排序获得商品推荐序列L ini_2 ，并按商品推荐序列L ini_2 中的商品排序输出第三商品推荐列表。
2.如权利要求1所述的面向B端采购用户的商品信息推荐方法，其特征在于，所述S3中复合历史热度值D h 的计算方法如下，
Figure 110560DEST_PATH_IMAGE007
其中，D view 为商品的总浏览量，D order 为商品的总采购量，D re 为商品的总退货量，Ra为商品的全局浏览下单比。
3.如权利要求2所述的面向B端采购用户的商品信息推荐方法，其特征在于，所述全局浏览下单比Ra的计算方法如下式，
Figure 575039DEST_PATH_IMAGE008
其中，un为平台注册用户的总数，D o 为某用户在平台的所有商品采购的总数，D v 为某用户在平台对所有商品浏览的总次数。
4.如权利要求1所述的面向B端采购用户的商品信息推荐方法，其特征在于，还包括S7.根据所述需求商品所在分类在平台中的特征集合序列Fcl与所述商品推荐序列L ini_2 中各商品所在分类在平台中的特征集合序列Fi获取所述商品推荐序列L ini_2 中每个商品对于特征集合序列Fcl的相近参数X i ，再根据所述相近参数X i 获取相近权重叠加值PSSTX i ，并将所述商品推荐序列L ini_2 中的商品按所述相近权重叠加值PSSTX i 由大到小排序获得商品推荐序列L ini_3 ，并按商品推荐序列L ini_3 中的商品排序输出第四商品推荐列表；
具体为，S71.从平台数据库中获取所述需求商品所在分类在平台中的特征集合序列Fcl以及所述商品推荐序列L ini_2 中各商品所在分类在平台中的特征集合序列Fi；
S72.将所述特征集合序列Fcl与特征集合序列Fi逐个对比计算，获取所述商品推荐序列L ini_2 中每个商品对于特征集合序列Fcl的相近参数X i ，如下式，
Figure 243918DEST_PATH_IMAGE009
其中，n fcl 为特征集合序列Fcl的长度，n fi 为特征集合序列Fi的长度，n same 为特征集合序列Fcl对于特征集合序列Fi包含相同特征的数量，当特征集合序列Fcl与特征集合序列Fi都包含一特征G时，sp fcl 为特征集合序列Fcl中该特征G在特征集合序列Fcl中的排序序号，sp fi 为特征集合序列Fi中该特征G在特征集合序列Fi中的排序序号；
S73.根据所述商品推荐序列L ini_2 中每个商品对于特征集合序列Fcl的相近参数X i 获取相近权重叠加值PSSTX i ，如下式，
Figure 502861DEST_PATH_IMAGE010
再将所述商品推荐序列L ini_2 中的商品按相近权重叠加值PSSTX i 由大到小排序获得商品推荐序列L ini_3 ，并按商品推荐序列L ini_3 中的商品排序输出第四商品推荐列表。
5.如权利要求1-4任一项所述的面向B端采购用户的商品信息推荐方法，其特征在于，还包括：预设商品推荐数R_NUM以及增益倍数R_M，所述商品推荐数R_NUM为根据所述需求商品生成的推荐商品在用户端可显示数量，所述增益倍数R_M为所述空序列具备的最小扩充幅度；所述商品推荐数R_NUM与增益倍数R_M的乘积为所述空序列的预设长度N。
6.如权利要求5所述的面向B端采购用户的商品信息推荐方法，其特征在于，判断商品集合SET l 中的商品数量与N的大小，若SET l 中的商品数大于等于N，则把所述商品集合SET l 按复合历史热度值D h 由大到小的排序，并将排序后的所述商品集合SET l 中的前N个商品加入到商品推荐序列L ini 中；否则，将所述商品集合SET l 中的所有商品加入所述商品推荐序列L ini 中，并补全商品推荐序列L ini 的长度使其达到N。
7.如权利要求6所述的面向B端采购用户的商品信息推荐方法，其特征在于，补全商品推荐序列L ini 的长度使其达到N的具体方法为：
步骤A.获取平台所有订单数据中包含分类C l 的商品的订单，并形成包含分类C l 的商品的订单集合Order ic ；
步骤B.获取所述订单集合Order ic 中所有商品所对应分类的出现频率，并以分类C l 或已添加分类以外出现频率最大的分类作为临近分类C lr ；
步骤C.获取平台中属于C lr 分类的所有可采购的商品，并形成第二商品集合SET p ，再获取所述第二商品集合SET p 中所有商品的复合历史热度值D h ，并按所述复合历史热度值D h 由大到小对所述第二商品集合SET p 中的商品进行排序；
步骤D.通过N减去所述商品推荐序列L ini 的长度得到差值Ldl，若所述第二商品集合SET p 中的商品数量大于差值Ldl，则将所述第二商品集合SET p 中的前Ldl个商品加入到所述商品推荐序列L ini 中，否则执行步骤E；
步骤E.重复执行所述步骤A-步骤D，直到所述商品推荐序列L ini 的长度为N。
CN202210746334.8A 2022-06-29 2022-06-29 面向b端采购用户的商品信息推荐方法 Active CN114820142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210746334.8A CN114820142B (zh) 2022-06-29 2022-06-29 面向b端采购用户的商品信息推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210746334.8A CN114820142B (zh) 2022-06-29 2022-06-29 面向b端采购用户的商品信息推荐方法

Publications (2)

Publication Number Publication Date
CN114820142A CN114820142A (zh) 2022-07-29
CN114820142B true CN114820142B (zh) 2022-09-16

Family

ID=82523270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210746334.8A Active CN114820142B (zh) 2022-06-29 2022-06-29 面向b端采购用户的商品信息推荐方法

Country Status (1)

Country Link
CN (1) CN114820142B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056575B (zh) * 2023-10-12 2024-01-30 深圳市华图测控系统有限公司 一种基于智能图书推荐系统数据采集的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275514A (zh) * 2020-01-07 2020-06-12 载信软件(上海)有限公司 一种智能采购方法及系统、存储介质和电子装置
WO2021003953A1 (zh) * 2019-07-08 2021-01-14 周永东 一种用于交易平台实现多元商品智能交易推荐的方法和系统
CN112837118A (zh) * 2021-01-21 2021-05-25 北京电解智科技有限公司 企业用户的商品推荐方法和装置
CN112884542A (zh) * 2021-01-21 2021-06-01 北京电解智科技有限公司 商品推荐方法和装置
CN113689259A (zh) * 2021-08-09 2021-11-23 青岛海尔科技有限公司 基于用户行为的商品个性化推荐方法及系统
CN114581174A (zh) * 2022-02-08 2022-06-03 珠海格力电器股份有限公司 一种推荐方法、装置、电子设备及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160350832A1 (en) * 2015-05-29 2016-12-01 Ahold Licensing Sàrl Method and system for automatically generating recommendations for a client shopping list
CN106485562B (zh) * 2015-09-01 2020-12-04 苏宁云计算有限公司 一种基于用户历史行为的商品信息推荐方法及系统
US20170161809A1 (en) * 2015-12-06 2017-06-08 Xeeva, Inc. Procurement recommendation system
CN108629665B (zh) * 2018-05-08 2021-07-16 北京邮电大学 一种个性化商品推荐方法和系统
CN109697652A (zh) * 2018-06-29 2019-04-30 京东方科技集团股份有限公司 一种商场的商品推荐方法和服务器
CN111951080A (zh) * 2020-09-22 2020-11-17 肆嘉(上海)商务咨询有限公司 人工智能融入平台的方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021003953A1 (zh) * 2019-07-08 2021-01-14 周永东 一种用于交易平台实现多元商品智能交易推荐的方法和系统
CN111275514A (zh) * 2020-01-07 2020-06-12 载信软件(上海)有限公司 一种智能采购方法及系统、存储介质和电子装置
CN112837118A (zh) * 2021-01-21 2021-05-25 北京电解智科技有限公司 企业用户的商品推荐方法和装置
CN112884542A (zh) * 2021-01-21 2021-06-01 北京电解智科技有限公司 商品推荐方法和装置
CN113689259A (zh) * 2021-08-09 2021-11-23 青岛海尔科技有限公司 基于用户行为的商品个性化推荐方法及系统
CN114581174A (zh) * 2022-02-08 2022-06-03 珠海格力电器股份有限公司 一种推荐方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN114820142A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
Sadeghi et al. Two parameter tuned multi-objective evolutionary algorithms for a bi-objective vendor managed inventory model with trapezoidal fuzzy demand
CN106372838B (zh) 一种基于背包算法的库存分拣方法
US8285715B2 (en) System and method for the structured display of items
CN107844929A (zh) 用于包裹出库的方法及系统
CN107332910A (zh) 信息推送方法和装置
CN114820142B (zh) 面向b端采购用户的商品信息推荐方法
Dachyar et al. Loyalty improvement of Indonesian local brand fashion customer based on customer lifetime value (CLV) segmentation
US20120232952A1 (en) Inventory price optimization
CN103903148A (zh) C2c系统、b2c系统及其使用方法
Haq How digital thrift shops escalate global supply chain sustainability in Indonesia
Aprilianti et al. Implementation of weighted parallel hybrid recommender systems for e-commerce in indonesia
CN107220871A (zh) 物品查询比较方法、装置、存储介质及处理器
CN103810262B (zh) 信息推荐方法和系统
CN110020918B (zh) 一种推荐信息生成方法和系统
CN117010986A (zh) 基于用户行为数据的试用装匹配方法
CN109658195B (zh) 一种商品展示决策方法
CN116362236A (zh) 一种目标词挖掘方法及装置、存储介质
CN115880037A (zh) 基于多项目规划整合分析的商品推荐方法
CN111768139B (zh) 备货处理方法、装置、设备及存储介质
US10579957B1 (en) System and method for storing and displaying returned goods information
Heng et al. Enhanced optimal inventory control policies of perishable products in a retail business: a comparative simulation study under different cost structures
Suhandi et al. Marketing Strategy Using Frequent Pattern Growth
CN112308671A (zh) 一种商品套餐的生成方法、系统和存储介质
CN111695937A (zh) 分析用户回购的方法、装置以及计算机可读存储介质
JP2004171592A (ja) 配分処理システム、配分処理装置および配分処理方法

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