CN114943573A - 一种基于零售SaaS平台用户画像的构建方法、系统及存储介质 - Google Patents
一种基于零售SaaS平台用户画像的构建方法、系统及存储介质 Download PDFInfo
- Publication number
- CN114943573A CN114943573A CN202210321906.8A CN202210321906A CN114943573A CN 114943573 A CN114943573 A CN 114943573A CN 202210321906 A CN202210321906 A CN 202210321906A CN 114943573 A CN114943573 A CN 114943573A
- Authority
- CN
- China
- Prior art keywords
- commodity
- user
- matrix
- degree
- commodities
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 105
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000006399 behavior Effects 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 abstract description 3
- 239000000047 product Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000013065 commercial product Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/06—Arrangements for sorting, selecting, merging, or comparing data on individual record carriers
- G06F7/08—Sorting, i.e. grouping record carriers in numerical or other ordered sequence according to the classification of at least some of the information they carry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于零售SaaS平台用户画像的构建方法、系统、存储介质及电子设备,获取商品信息、用户信息,对用户属性行为进行画像,建立用户特征矩阵,建立商品特征矩阵,计算商品关联度以及用户兴趣度,生成第一推荐列表,计算用户兴趣度排名在阈值范围内中每个商品的商品特征矩阵中特征值与当前用户的用户特征矩阵中特征值的相似度,根据相似度对商品进行排序,选取相似度满足阈值的商品进行展示。本发明通过对商品关联度进行多层卷积运算后再进行用户兴趣度计算,将商品关联度与用户兴趣度紧密关联,提高了用户兴趣度商品搜索的精度。
Description
技术领域
本发明涉及软件SaaS平台技术领域,特别是涉及一种基于零售SaaS平台用户画像的构建方法、系统及存储介质。
背景技术
大数据时代的经济环境发生了巨大变化,环境的变化促使顾客需求更加动态、多维。分实现顾客价值,满足时代发展要求,我国零售企业价值创造机制亟需优化。大数据时代的到来,意味着企业生产经营方式的根本变革,而零售行业作为服务业的重要支柱行业,需要对市场变化和用户需求及时做出反应,提升运营效率。如何有效利用大数据资源,进而实现企业价值增值就成了当前每个零售企业迫切需要解决的问题。
现有技术中,通过用户画像来实现精准营销,然而现有的用户画像的实现方式并不能很精确地获知用户感兴趣的产品。
发明内容
有鉴于此,本发明提供一种基于零售SaaS平台用户画像的构建方法、系统及存储介质,根据零售SaaS大数据信息,进行用户画像与商品画像分析,建立用户特征矩阵与商品特征矩阵,根据用户历史行为信息,进行关联度、兴趣度计算,利用特征值计算算法,实现特征值相似度计算,实现精准的商品推送服务,提升了客户需求预算精度。
第一方面,本发明实施例提供一种基于零售SaaS平台用户画像的构建方法,包括:
步骤101,获取商品信息、用户信息;
步骤102,对用户属性行为进行画像,建立用户特征矩阵;
步骤103,建立商品特征矩阵;
步骤104,计算商品关联度以及用户兴趣度,生成第一推荐列表;
步骤105,计算第一推荐列表中用户兴趣度排名在阈值范围内中每个商品的商品特征矩阵中特征值与当前用户的用户特征矩阵中特征值的相似度;
步骤106,根据相似度对商品进行排序,选取相似度满足阈值的商品进行展示。
进一步地,所述建立用户特征矩阵具体为:
建立用户特征矩阵YS(a,b,c,d,e,f),其中,S表示用户身份编号,a为用户性别信息,b为用户年龄,c为用户常用地址位置经纬度距离北京市中心经纬度的偏离度,d为该用户购买最多的商品属性类型编号数值,e为该用户收藏最多的商品属性类型编号数值,f为用户特征值;
其中,用户特征值f计算方式如下:
f=w1*a+w2*b+w3*c+w4*d+w5*e
其中,w1,w2,w3,w4,w5取值范围为0到1。
进一步地,所述建立商品特征矩阵具体为:
建立商品特征矩阵WB(a1,b1,c1,d1,e1,f1),
其中,B表示商品的编号,a1表示该商品的购买用户性别为男的概率,b1为购买此商品的用户的平均年龄,c1为该商品所在位置经纬度距离北京市中心经纬度的偏离度信息,d1为该商品属性类型编号数值,e1与自身相似度最高的商品属性类型编号数值,f1为商品特征值;
所述用户特征值f1计算方式如下:
f1=w6*a1+w7*b1+w8*c1+w9*d1+w10*e1
其中w6,w7,w8,w9,w10取值范围为0到1。
进一步地,所述计算商品关联度具体为:
计算当前用户所购买商品i与其他所有商品的商品关联度gij:
其中,gij表示商品i与商品j之间的关联度,其中T(i)∩T(j)表示SaaS平台中所有购买单笔记录中既购买商品i又购买商品j的发生概率;T(i)表示SaaS平台中所有购买单笔记录中只购买商品i的发生概率;T(j)表示SaaS平台中所有购买单笔记录中只购买商品j的发生概率;
进一步地,所述用户兴趣度计算具体为:
建立商品关联度矩阵KB(x,y,gij),将商品按照关联度gij从大到小顺序装入所述商品关联度矩阵中;其中,B表示商品编号,x为商品在矩阵中的行,y为商品在矩阵的列;
采用卷积映射算法计算最优关联度商品矩阵,设置卷积核大小为3*3,卷积层为两层;
卷积核对于第一层卷积矩阵KB(x,y,gij)进行轮询计算,卷积核对于每次轮询覆盖范围内的3*3列子矩阵进行计算:
步骤1041,获取子矩阵的中心位置商品关联度信息;
步骤1042,计算中心位置商品周围商品的第一平均关联度;
具体地,采用以下公式计算中心位置商品周围商品的第一平均关联度g′:
其中,r为半径,中心点为中心位置商品,r=1;gij表示小矩阵中每个商品的关联度;
步骤1043,将平均关联度赋值给中心位置商品关联度;
步骤1044,将计算后的中心位置商品关联度信息依次保存至第二层卷积矩阵;
将计算后的中心位置商品信息依次保存到到第二层卷积矩阵K2B(x,y,gij)对应的位置中;
卷积核对于第二层卷积矩阵K2B(x,y,gij)进行轮询计算,卷积核对于每次轮询覆盖范围内的3*3列子矩阵进行计算:
步骤1045,获取子矩阵的中心位置商品关联度信息;
步骤1046,计算中心位置商品周围商品的第二平均关联度;
具体地,采用以下公式计算中心位置商品周围商品的第二平均关联度g′:
其中,r为半径,中心点为中心位置商品,r=1;g′ij表示小矩阵中每个商品的关联度;
步骤1047,将平均关联度赋值给中心位置商品关联度;
步骤1048,将计算后的中心位置商品关联度信息依次保存至第三层卷积矩阵;
将计算后的中心位置商品信息依次保存到到第三层卷积矩阵K3B(x,y,gij)对应的位置中。
进一步地,在获得第三层卷积矩阵后,还包括:
通过兴趣度公式计算当前用户对第三层卷积矩阵K3B(x,y,gij)中商品的兴趣度,计算公式如下:
Xhj=gij*phj
其中,Xhj表示用户h对K3B(x,y,gij)中某一商品j的兴趣度;phj表示用户h对商品j的行为记录次数,行为次数是指在SaaS平台中该用户对j商品的购买、收藏、浏览、点赞、搜索历史行为次数总和;
根据Xhj值大小,选取排名前在用户兴趣度排名在阈值范围内的商品。
进一步地,当前用户执行购买操作时触发启动所述当前用户所购买商品i与其他所有商品的关联度计算。
另一方面,本发明还提供了一种基于零售SaaS平台用户画像的构建系统,所述系统包括:
获取模块201,用于获取商品信息、用户信息;
画像模块202,用于对用户属性行为进行画像,建立用户特征矩阵;
矩阵构建模块203,用于建立商品特征矩阵;
计算模块204,用于计算商品关联度以及用户兴趣度,生成第一推荐列表;
比较模块205,用于计算第一推荐列表中用户兴趣度排名在阈值范围内中每个商品的商品特征矩阵中特征值与当前用户的用户特征矩阵中特征值的相似度;
展示模块206,用于根据相似度对商品进行排序,选取相似度满足阈值的商品进行展示。
另一方面,本发明还提供了一种计算机可读存储介质,所述计算机可读的存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行权利要求1-7任一项所述的方法。
另一方面,本发明还提供了一种电子设备,所述电子设备包括存储器、处理器,所述存储器用于存储可执行指令;所述处理器用于运行所述存储器存储的可执行指令时,实现权利要求1-7任一项所述的方法。
本发明提供一种基于零售SaaS平台用户画像的构建方法、系统、存储介质及电子设备,获取商品信息、用户信息,对用户属性行为进行画像,建立用户特征矩阵,建立商品特征矩阵,计算商品关联度以及用户兴趣度,生成第一推荐列表,计算用户兴趣度排名在阈值范围内中每个商品的商品特征矩阵中特征值与当前用户的用户特征矩阵中特征值的相似度,根据相似度对商品进行排序,选取相似度满足阈值的商品进行展示。本发明通过对商品关联度进行多层卷积运算后再进行用户兴趣度计算,将商品关联度与用户兴趣度紧密关联,提高了用户兴趣度商品搜索的精度,在不增加硬件投入的基础上有效降低了用户画像生成的成本。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明用户画像的构建的程序流程图;
图2是本发明用户画像的构建的系统结构框图。
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的附图,对本发明实施例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的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
本发明提出了一种基于零售SaaS平台用户画像的构建方法、系统及存储介质。
具体地,本发明的基于零售SaaS平台用户画像的构建方法,所述流程图如附图1所示。
具体地,所述方法包括:
步骤101,获取商品信息、用户信息;商品信息包括商品的编号、商品的购买用户性别、购买此商品的用户的年龄、商品所在位置经纬度、商品属性类型等。用户信息包括用户身份编号、用户性别信息、用户年龄、用户常用地址位置经纬度、用户购买商品信息,用户浏览商品信息等。
本步骤为信息采集,对SaaS零售平台中所有运行过程的商品信息、用户信息进行数据采集。
步骤102,对用户属性行为进行画像,建立用户特征矩阵;
具体地,对用户属性进行画像建立用户特征矩阵YS(a,b,c,d,e,f),其中,S表示用户身份编号,a为用户性别信息,在程序实现的过程中赋值男性a=1,女性a=0。b为用户年龄,c为用户常用地址位置经纬度距离北京市中心经纬度(中心经纬度为北纬39°54′20″,东经116°25′29″)的偏离度,d为该用户购买最多的商品属性类型编号数值,e为该用户收藏最多的商品属性类型编号数值,f为用户特征值。
其中用户特征值f计算方式如下:
f=w1*a+w2*b+w3*c+w4*d+w5*e
其中w1,w2,w3,w4,w5取值范围为0到1,初始化w1=0.3,w2=0.5,w3=0.2,w4=0.2,w5=0.2。
步骤103,建立商品特征矩阵;
具体地,本步骤建立商品特征矩阵WB(a1,b1,c1,d1,e1,f1),其中,B表示商品的编号。a1表示该商品的购买用户性别为男的概率,b1为购买此商品的用户的平均年龄,c1为该商品所在位置经纬度距离北京市中心经纬度的偏离度信息,d1为该商品属性类型编号数值,e1与自身相似度最高的商品属性类型编号数值,f1为该商品特征值。
所述用户特征值f1计算方式如下:
f1=w6*a1+w7*b1+w8*c1+w9*d1+w10*e1
其中w6,w7,w8,w9,w10取值范围为0到1,初始化w6=0.3,w7=0.5,w8=0.2,w9=0.2,w10=0.2。
步骤104,计算商品关联度以及用户兴趣度,生成第一推荐列表;
在本实施例中,本步骤计算商品关联度与用户兴趣度,形成初步的第一推荐列表,本实施例推荐列表具体选择优化的前9作为推荐列表项,可记为top9推荐,需要强调的是此处的top9为本发明的较优实施例的阈值选择,本发明的保护范围不限定于此。
用户h在零售SaaS平台上完成购买支付时,触发启动该用户h所购买商品i与零售SaaS平台中其他所有商品的关联度计算。所述商品关联度计算公式如下:
其中,gij表示商品i与商品j之间的关联度,其中T(i)∩T(j)表示SaaS平台中所有购买单笔记录中既购买商品i又购买商品j的发生概率。T(i)表示SaaS平台中所有购买单笔记录中只购买商品i的发生概率。T(j)表示SaaS平台中所有购买单笔记录中只购买商品j的发生概率。
在本实施例中,通过计算获得与该用户h所购买商品i关联度最大的前n2个商品计为Stopn2,若不满n2则不满部分以空值填充。建立商品关联度矩阵KB(x,y,gij),矩阵为n行*n列,其中n为3的幂次方,并且n大于等于27。将该n2个商品按照关联度gij从大到小顺序装入商品关联度矩阵中。其中,B表示商品编号,x为商品在矩阵中的行,y为商品在矩阵的列,gij表示商品i与商品j之间的关联度。
采用卷积映射算法计算最优关联度商品矩阵,本实施例设置卷积核大小为3*3,卷积核为可执行算法的智能计算体,卷积层为两层。
卷积映射算法第一层:卷积核对于第一层卷积矩阵KB(x,y,gij)进行轮询计算,矩阵大小为n行*n列,商品总数为n2个,卷积核对于每次轮询覆盖范围内的3*3列子矩阵进行计算。计算公式如下:
步骤1041,获取子矩阵的中心位置商品关联度信息;
所述子矩阵通常可以选择为3*3列子矩阵。
步骤1042,计算中心位置商品周围商品的第一平均关联度;
具体地,采用以下公式计算中心位置商品周围商品的第一平均关联度g′:
其中,r为半径,中心点为中心位置商品,r=1。gij表示小矩阵中每个商品的关联度。
步骤1043,将平均关联度赋值给中心位置商品关联度;
具体为将第一平均关联度g′替换给中心位置商品的gij。
步骤1044,将计算后的中心位置商品关联度信息依次保存至第二层卷积矩阵;
将计算后的中心位置商品信息依次保存到到第二层卷积矩阵K2B(x,y,gij)对应的位置中。
卷积映射算法第二层:卷积核对于矩阵K2B(x,y,gij)进行轮询计算,矩阵大小为n/3行*n/3列,商品总数为n2/9个,卷积核对于每次轮询覆盖范围内的3*3列子矩阵进行计算。计算公式如下:
步骤1045,获取子矩阵的中心位置商品关联度信息;
所述子矩阵通常可以选择为3*3列子矩阵。
步骤1046,计算中心位置商品周围商品的第二平均关联度;
具体地,采用以下公式计算中心位置商品周围商品的第二平均关联度g′:
其中,r为半径,中心点为中心位置商品,r=1。g′ij表示小矩阵中每个商品的关联度。
步骤1047,将平均关联度赋值给中心位置商品关联度;
具体为将第一平均关联度g″替换给中心位置商品的g′ij。
步骤1048,将计算后的中心位置商品关联度信息依次保存至第三层卷积矩阵;
将计算后的中心位置商品信息依次保存到到第三层卷积矩阵K3B(x,y,gij)对应的位置中。
经过两层卷积映射计算获得的第三层卷积矩阵K3B(x,y,gij)为n/9*n/9列,总数为n2/81的商品矩阵。
计算通过兴趣度公式计算用户h对第三层卷积矩阵K3B(x,y,gij)中商品的兴趣度。计算公式如下:
Xhj=gij*phj
其中,Xhj表示用户h对K3B(x,y,gij)中某一商品j的兴趣度;gij表示该商品矩阵中所保存的商品i与商品j之间的关联度。phj表示用户h对商品j的行为记录次数,行为次数是指在SaaS平台中该用户对j商品的购买、收藏、浏览、点赞、搜索历史行为次数总和。
根据Xhj值大小,选取排名前9的商品,计为用户兴趣度排名在阈值范围内的top9,选取阈值为9为本发明较优实施例的一种,此处的top9存储于第一推荐列表。
步骤105,计算第一推荐列表中用户兴趣度排名在阈值范围内中每个商品的商品特征矩阵中特征值与当前用户的用户特征矩阵中特征值的相似度;
对于top9中商品,计算每个商品的矩阵矩阵WB(a1,b1,c1,d1,e1,f1)中商品特征值f1与用户h的特征矩阵YS(a,b,c,d,e,f)中的用户特征值f之间的相似度sim。
步骤106,根据相似度对商品进行排序,选取相似度满足阈值的商品进行展示。
具体地,选取相似度sim值排名前三的商品或者选择相似度度值满足大于预设阈值的商品,在前端展示模块向当前用户h推荐该商品。
此外,本发明还提供了一种基于零售SaaS平台用户画像的构建系统,如附图2所示,所述系统包括:
获取模块201,用于获取商品信息、用户信息;
画像模块202,用于对用户属性行为进行画像,建立用户特征矩阵;
矩阵构建模块203,用于建立商品特征矩阵;
计算模块204,用于计算商品关联度以及用户兴趣度,生成第一推荐列表;
比较模块205,用于计算第一推荐列表中用户兴趣度排名在阈值范围内中每个商品的商品特征矩阵中特征值与当前用户的用户特征矩阵中特征值的相似度;
展示模块206,用于根据相似度对商品进行排序,选取相似度满足阈值的商品进行展示。
本实施例还提供一种计算机可读的存储介质,所述计算机可读的存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述技术方案任一项中所述的方法。
该计算机可读存储介质可以包括随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本实施例还提供了一种电子设备,所述电子设备包括:存储器:用于存储可执行指令;处理器:用于运行所述存储器存储的可执行指令时,实现本发明的基于零售SaaS平台用户画像的构建方法。
本发明提供一种基于零售SaaS平台用户画像的构建方法、系统、存储介质及电子设备,获取商品信息、用户信息,对用户属性行为进行画像,建立用户特征矩阵,建立商品特征矩阵,计算商品关联度以及用户兴趣度,生成第一推荐列表,计算用户兴趣度排名在阈值范围内中每个商品的商品特征矩阵中特征值与当前用户的用户特征矩阵中特征值的相似度,根据相似度对商品进行排序,选取相似度满足阈值的商品进行展示。本发明通过对商品关联度进行多层卷积运算后再进行用户兴趣度计算,将商品关联度与用户兴趣度紧密关联,提高了用户兴趣度商品搜索的精度,在不增加硬件投入的基础上有效降低了用户画像生成的成本。
需要说明的是,除非另作定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明专利发明说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,“一个”或者“一”等类似词语也不表示数量限制,而是表示存在至少一个。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也相应地改变。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于零售SaaS平台用户画像的构建方法,其特征在于,
步骤101,获取商品信息、用户信息;
步骤102,对用户属性行为进行画像,建立用户特征矩阵;
步骤103,建立商品特征矩阵;
步骤104,计算商品关联度以及用户兴趣度,生成第一推荐列表;
步骤105,计算第一推荐列表中用户兴趣度排名在阈值范围内中每个商品的商品特征矩阵中特征值与当前用户的用户特征矩阵中特征值的相似度;
步骤106,根据相似度对商品进行排序,选取相似度满足阈值的商品进行展示。
2.根据权利要求1所述的方法,其特征在于,所述建立用户特征矩阵具体为:
建立用户特征矩阵YS(a,b,c,d,e,f),其中,S表示用户身份编号,a为用户性别信息,b为用户年龄,c为用户常用地址位置经纬度距离北京市中心经纬度的偏离度,d为该用户购买最多的商品属性类型编号数值,e为该用户收藏最多的商品属性类型编号数值,f为用户特征值;
其中,用户特征值f计算方式如下:
f=w1*a+w2*b+w3*c+w4*d+w5*e
其中,w1,w2,w3,w4,w5取值范围为0到1。
3.根据权利要求1所述的方法,其特征在于,所述建立商品特征矩阵具体为:
建立商品特征矩阵WB(a1,b1,c1,d1,e1,f1),
其中,B表示商品的编号,a1表示该商品的购买用户性别为男的概率,b1为购买此商品的用户的平均年龄,c1为该商品所在位置经纬度距离北京市中心经纬度的偏离度信息,d1为该商品属性类型编号数值,e1与自身相似度最高的商品属性类型编号数值,f1为商品特征值;
所述用户特征值f1计算方式如下:
f1=w6*a1+w7*b1+w8*c1+w9*d1+w10*e1
其中w6,w7,w8,w9,w10取值范围为0到1。
5.根据权利要求1所述的方法,其特征在于,所述用户兴趣度计算具体为:
建立商品关联度矩阵KB(x,y,gij),将商品按照关联度gij从大到小顺序装入所述商品关联度矩阵中;其中,B表示商品编号,x为商品在矩阵中的行,y为商品在矩阵的列;
采用卷积映射算法计算最优关联度商品矩阵,设置卷积核大小为3*3,卷积层为两层;
卷积核对于第一层卷积矩阵KB(x,y,gij)进行轮询计算,卷积核对于每次轮询覆盖范围内的3*3列子矩阵进行计算:
步骤1041,获取子矩阵的中心位置商品关联度信息;
步骤1042,计算中心位置商品周围商品的第一平均关联度;
具体地,采用以下公式计算中心位置商品周围商品的第一平均关联度g′:
其中,r为半径,中心点为中心位置商品,r=1;gij表示小矩阵中每个商品的关联度;
步骤1043,将第一平均关联度赋值给中心位置商品关联度;
步骤1044,将计算后的中心位置商品关联度信息依次保存至第二层卷积矩阵;
将计算后的中心位置商品信息依次保存到到第二层卷积矩阵K2B(x,y,gij)对应的位置中;
卷积核对于第二层卷积矩阵K2B(x,y,gij)进行轮询计算,卷积核对于每次轮询覆盖范围内的3*3列子矩阵进行计算:
步骤1045,获取子矩阵的中心位置商品关联度信息;
步骤1046,计算中心位置商品周围商品的第二平均关联度;
具体地,采用以下公式计算中心位置商品周围商品的第二平均关联度g′:
其中,r为半径,中心点为中心位置商品,r=1;g′ij表示小矩阵中每个商品的关联度;
步骤1047,将第二平均关联度赋值给中心位置商品关联度;
步骤1048,将计算后的中心位置商品关联度信息依次保存至第三层卷积矩阵;
将计算后的中心位置商品信息依次保存到到第三层卷积矩阵K3B(x,y,gij)对应的位置中。
6.根据权利要求5所述的方法,其特征在于,在获得第三层卷积矩阵后,还包括:
通过兴趣度公式计算当前用户对第三层卷积矩阵K3B(x,y,gij)中商品的兴趣度,计算公式如下:
Xhj=gij*phj
其中,Xhj表示用户h对K3B(x,y,gij)中某一商品j的兴趣度;phj表示用户h对商品j的行为记录次数,行为次数是指在SaaS平台中该用户对j商品的购买、收藏、浏览、点赞、搜索历史行为次数总和;
根据Xhj值大小,选取排名前在用户兴趣度排名在阈值范围内的商品。
7.根据权利要求5所述的方法,其特征在于,当前用户执行购买操作时触发启动所述当前用户所购买商品i与其他所有商品的关联度计算。
8.一种基于零售SaaS平台用户画像的构建系统,其特征在于,所述系统包括:
获取模块201,用于获取商品信息、用户信息;
画像模块202,用于对用户属性行为进行画像,建立用户特征矩阵;
矩阵构建模块203,用于建立商品特征矩阵;
计算模块204,用于计算商品关联度以及用户兴趣度,生成第一推荐列表;
比较模块205,用于计算用户兴趣度排名在阈值范围内中每个商品的商品特征矩阵中特征值与当前用户的用户特征矩阵中特征值的相似度;
展示模块206,用于根据相似度对商品进行排序,选取相似度满足阈值的商品进行展示。
9.一种计算机可读存储介质,其特征在于,所述计算机可读的存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行权利要求1-7任一项所述的方法。
10.一种电子设备,其特征在于,所述电子设备包括存储器、处理器,所述存储器用于存储可执行指令;所述处理器用于运行所述存储器存储的可执行指令时,实现权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210321906.8A CN114943573A (zh) | 2022-03-30 | 2022-03-30 | 一种基于零售SaaS平台用户画像的构建方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210321906.8A CN114943573A (zh) | 2022-03-30 | 2022-03-30 | 一种基于零售SaaS平台用户画像的构建方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114943573A true CN114943573A (zh) | 2022-08-26 |
Family
ID=82905976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210321906.8A Pending CN114943573A (zh) | 2022-03-30 | 2022-03-30 | 一种基于零售SaaS平台用户画像的构建方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114943573A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016031678A (ja) * | 2014-07-29 | 2016-03-07 | 日本電信電話株式会社 | クラスタ抽出装置及び方法及びプログラム |
CN107145506A (zh) * | 2017-03-22 | 2017-09-08 | 无锡中科富农物联科技有限公司 | 一种改进基于内容的农资商品推荐方法 |
CN108182621A (zh) * | 2017-12-07 | 2018-06-19 | 合肥美的智能科技有限公司 | 商品推荐方法及商品推荐装置、设备和存储介质 |
CN108876537A (zh) * | 2018-06-15 | 2018-11-23 | 重庆知遨科技有限公司 | 一种用于网上商场系统的混合推荐方法 |
CN109034935A (zh) * | 2018-06-06 | 2018-12-18 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、计算机设备及存储介质 |
CN110162706A (zh) * | 2019-05-22 | 2019-08-23 | 南京邮电大学 | 一种基于交互数据聚类的个性化推荐方法及系统 |
CN111026966A (zh) * | 2019-12-06 | 2020-04-17 | 创新奇智(成都)科技有限公司 | 基于用户和产品画像及两者关联程度的搜索推荐排序方法 |
CN112184290A (zh) * | 2020-09-11 | 2021-01-05 | 北京三快在线科技有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
CN112200601A (zh) * | 2020-09-11 | 2021-01-08 | 深圳市法本信息技术股份有限公司 | 物品推荐方法、装置及可读存储介质 |
CN112529671A (zh) * | 2021-02-08 | 2021-03-19 | 杭州拼便宜网络科技有限公司 | 商品推荐方法、装置、电子设备及存储介质 |
-
2022
- 2022-03-30 CN CN202210321906.8A patent/CN114943573A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016031678A (ja) * | 2014-07-29 | 2016-03-07 | 日本電信電話株式会社 | クラスタ抽出装置及び方法及びプログラム |
CN107145506A (zh) * | 2017-03-22 | 2017-09-08 | 无锡中科富农物联科技有限公司 | 一种改进基于内容的农资商品推荐方法 |
CN108182621A (zh) * | 2017-12-07 | 2018-06-19 | 合肥美的智能科技有限公司 | 商品推荐方法及商品推荐装置、设备和存储介质 |
CN109034935A (zh) * | 2018-06-06 | 2018-12-18 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、计算机设备及存储介质 |
CN108876537A (zh) * | 2018-06-15 | 2018-11-23 | 重庆知遨科技有限公司 | 一种用于网上商场系统的混合推荐方法 |
CN110162706A (zh) * | 2019-05-22 | 2019-08-23 | 南京邮电大学 | 一种基于交互数据聚类的个性化推荐方法及系统 |
CN111026966A (zh) * | 2019-12-06 | 2020-04-17 | 创新奇智(成都)科技有限公司 | 基于用户和产品画像及两者关联程度的搜索推荐排序方法 |
CN112184290A (zh) * | 2020-09-11 | 2021-01-05 | 北京三快在线科技有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
CN112200601A (zh) * | 2020-09-11 | 2021-01-08 | 深圳市法本信息技术股份有限公司 | 物品推荐方法、装置及可读存储介质 |
CN112529671A (zh) * | 2021-02-08 | 2021-03-19 | 杭州拼便宜网络科技有限公司 | 商品推荐方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11748379B1 (en) | Systems and methods for generating and implementing knowledge graphs for knowledge representation and analysis | |
WO2020192289A1 (zh) | 确定关系网络图中图节点向量的方法及装置 | |
US8458182B2 (en) | Method and system for clustering data arising from a database | |
US20120158748A1 (en) | Ranking real estate based on its value and other factors | |
US20150332124A1 (en) | Near-duplicate video retrieval | |
US20200082909A1 (en) | Confidence and range of ethnicity estimates in a global ancestry determination system | |
CN111612041A (zh) | 异常用户识别方法及装置、存储介质、电子设备 | |
CN112711713B (zh) | 兴趣点推荐和展示方法、装置、计算机设备和存储介质 | |
CN111639974B (zh) | 基于亚马逊平台的产品关联度定量分析方法 | |
CN112487199A (zh) | 一种基于用户购买行为的用户特征预测方法 | |
CN111612560A (zh) | 用于促销对象的推荐方法、系统、存储介质及电子设备 | |
CN109636509B (zh) | 一种基于非对称距离构建子矩阵的评分预测方法 | |
CN114943573A (zh) | 一种基于零售SaaS平台用户画像的构建方法、系统及存储介质 | |
CN112465593A (zh) | 通过图神经网络实现时尚套装推荐的方法 | |
CN110851708A (zh) | 负样本的抽取方法、装置、计算机设备和存储介质 | |
US20220207584A1 (en) | Learning device, computer-readable information storage medium, and learning method | |
CN111639989B (zh) | 商品推荐方法和可读存储介质 | |
CN114549174A (zh) | 用户行为预测方法、装置、计算机设备和存储介质 | |
CN106844715A (zh) | 一种图片检索匹配方法和装置 | |
CN109189773B (zh) | 一种数据修复方法及装置 | |
Supriya et al. | House Price Prediction System using Machine Learning Algorithms and Visualization | |
CN117539921A (zh) | 关联数据挖掘方法、系统及计算机设备 | |
CN116245619B (zh) | 商品向量嵌入方法、商品相似度评估方法及商品陈列方法 | |
He et al. | Trading strategies based on K-means clustering and regression models | |
US11651000B2 (en) | System and method for filtering a data set and/or selecting at least one item of the data set |
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 |