CN114971805A - 一种基于深度学习的电子商务平台商品智能分析推荐系统 - Google Patents

一种基于深度学习的电子商务平台商品智能分析推荐系统 Download PDF

Info

Publication number
CN114971805A
CN114971805A CN202210639166.2A CN202210639166A CN114971805A CN 114971805 A CN114971805 A CN 114971805A CN 202210639166 A CN202210639166 A CN 202210639166A CN 114971805 A CN114971805 A CN 114971805A
Authority
CN
China
Prior art keywords
clothing
shopping
type
category
target user
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
Application number
CN202210639166.2A
Other languages
English (en)
Inventor
梁珅源
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.)
Wuhan Yanghong E Commerce Co ltd
Original Assignee
Wuhan Yanghong E Commerce 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 Wuhan Yanghong E Commerce Co ltd filed Critical Wuhan Yanghong E Commerce Co ltd
Priority to CN202210639166.2A priority Critical patent/CN114971805A/zh
Publication of CN114971805A publication Critical patent/CN114971805A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于深度学习的电子商务平台商品智能分析推荐系统，包括购物季节类别设定模块、目标用户服装购物过程记录划分模块、当前时间点归属购物季节类别匹配模块、目标用户特定服装购物过程记录集合筛选模块、服装样式参数偏好分析模块、目标用户适配服装筛选模块、目标用户适配服装推荐终端和现有服装数据库；根据用户近年来的购物过程记录确定目标用户的偏好服装样式参数，进而挑选出满足匹配度阈值的现有服装作为目标用户对应的适配服装，实现了更加精准的服装推荐，同时也增加了目标用户在电子商务平台的使用时间，进一步提高了目标用户对电子商务平台的黏性，有利于电子商务平台的发展。

Description

一种基于深度学习的电子商务平台商品智能分析推荐系统
技术领域
本发明涉及商品智能推荐技术领域，具体而言，涉及一种基于深度学习的电子商务平台商品智能分析推荐系统。
背景技术
近年来互联网的快速发展使电子商务呈现出蓬勃发展的趋势，而今随着生活水平的提高以及交通运输的快速发展，电商平台相对于传统的门店具有不受时间地点限制的优势，人们可以利用电商平台随心所欲地进行购物，所以越来越多的人选择使用电商平台来满足自己的购物需求，同时各种电商平台层出不穷，进而各种电商平台形成竞争关系，电商平台若想从中脱颖而出，其对目标用户的吸引力愈显重要，进而电子商务平台在对目标用户进行商品推荐时需要考虑更多因素，以此来增加目标用户，而人们在购买商品时，购买服装类的重复率更高，因此电子商务平台对目标用户进行服装推荐尤为重要。
然而现有的电商平台在对用户进行服装推荐过程中大多根据现有服装的版型、颜色等部分信息进行推荐或根据浏览记录进行推荐，导致大多用户在使用电商平台时出现黏性低或者体验感差的问题，具体体现在以下几个方面：
(1)一方面根据现有服装的版型、颜色等部分信息进行推荐，只是简单得匹配到版型一致或颜色一致的现有服装就将其推荐给目标用户，无法根据用户近年来偏好服装的版型、颜色、材质来综合获取某现有服装与其匹配度，以此对目标用户进行服装推荐，从而无法真正分析到目标用户的偏好，做不到更加精准的服装推荐。
(2)另一方面根据浏览记录进行目标用户对偏好服装的分析，没有从多个维度分析偏好服装且没有综合考虑已购服装、加购服装和浏览服装对目标用户偏好服装的影响，进而没有充分关注目标用户的个体差异性，得到的目标用户对偏好服装不准确，无法为目标用户推荐更加合理的服装，从而无法吸引到更多的目标用户，同时也减少了目标用户在电子商务平台的使用时间，进一步降低了目标用户对电子商务平台的黏着性，不利于电子商务平台的发展。
发明内容
为了克服背景技术中的缺点，本发明实施例提供了一种基于深度学习的电子商务平台商品智能分析推荐系统,能够有效解决上述背景技术中涉及的问题。
本发明的目的可以通过以下技术方案来实现：
一种基于深度学习的电子商务平台商品智能分析推荐系统，其特征在于，包括购物季节类别设定模块、目标用户服装购物过程记录划分模块、当前时间点归属购物季节类别匹配模块、目标用户特定服装购物过程记录集合筛选模块、服装样式参数偏好分析模块、目标用户适配服装筛选模块和目标用户适配服装推荐终端和现有服装数据库；
所述购物季节类别设定模块分别与目标用户服装购物过程记录划分模块和当前时间点归属购物季节类别匹配模块连接，目标用户服装购物过程记录划分模块和当前时间点归属购物季节类别匹配模块与目标用户特定服装购物过程记录集合筛选模块连接，目标用户特定服装购物过程记录集合筛选模块连接与服装样式参数偏好分析模块连接，服装样式参数偏好分析模块与目标用户适配服装筛选模块连接，目标用户适配服装筛选模块分别与目标用户适配服装推荐终端和现有服装数据库连接；
所述购物季节类别设定模块用于设定各种购物季节类别和各种购物季节类别对应容纳的月份；
所述目标用户服装购物过程记录划分模块用于按照预设的各购物年限从电商平台后台提取目标用户在各购物年限的所有服装购物过程记录，并从中筛选出各服装购物过程记录对应的记录月份，进而基于各种购物季节类别对应容纳的月份，将目标用户在各购物年限的所有购物过程记录归类到对应的购物季节类别中，以此得到目标用户在各种购物季节类别内的服装购物过程记录集合；
所述当前时间点归属购物季节类别匹配模块用于获取当前时间点所属月份，并基于各种购物季节类别对应容纳的月份得到当前时间点对应的归属购物季节类别；
所述目标用户特定服装购物过程记录集合筛选模块用于将当前时间点对应的归属购物季节类别与目标用户在各种购物季节类别内的服装购物过程记录集合进行匹配，从中匹配出当前时间点对应的归属购物季节类别对应的服装购物过程记录集合，并将该服装购物过程记录集合记为目标用户对应的特定服装购物过程记录集合；
所述服装样式参数偏好分析模块用于根据目标用户对应的特定服装购物过程记录集合进行目标用户对应的偏好服装样式参数分析；
所述目标用户适配服装筛选模块用于从现有服装数据库中提取各现有服装对应的服装样式参数，并将其与目标用户对应的偏好服装样式参数进行匹配，统计各现有服装对应的匹配度，进而从中挑选出满足匹配度阈值的现有服装作为目标用户对应的适配服装；
所述现有服装数据库用于储存当前时间点对应的归属购物季节类别的各现有服装；
所述服装推荐模块用于将目标用户对应的适配服装推送给目标用户。
进一步地，所述的一种基于深度学习的电子商务平台商品智能分析推荐系统，其特征在于：所述各种购物季节类别对应容纳的月份具体为：春季类别代表3、4、5月，夏季类别代表6、7、8月，秋季类别代表9、10、11月，冬季类别代表12月以及次年1、2月。
进一步地，所述的一种基于深度学习的电子商务平台商品智能分析推荐系统，其特征在于：所述服装样式参数包括服装版型、服装颜色和服装材质。
进一步地，所述的一种基于深度学习的电子商务平台商品智能分析推荐系统，其特征在于：所述目标用户对应的偏好服装样式参数分析具体过程如下：
S1:从目标用户对应的特定服饰购物过程记录集合内提取各购物过程记录对应的服装样式参数和记录类别，其中记录类别包括购买类别、加购类别和浏览类别；
S2:从服装样式参数中提取服装版型，进而将各购物过程记录对应的服装版型进行对比，判断是否存在相同服装版型，若存在相同服装版型，则统计相同服装版型的数量及各相同服装版型对应的购物过程记录数量；
S3:对各相同服装版型分别编号为1,2,...,i,...,n，进而分析各相同服装版型对应的偏好度,并从中筛选出偏好度最大的相同服装版型作为目标用户对应的偏好服装版型；
S4：从服装样式参数中提取服装颜色，进而将各购物过程记录对应的服装颜色进行对比，判断是否存在相同服装颜色，若存在相同服装颜色，则统计相同服装颜色的数量及各相同服装颜色对应的购物过程记录数量；
S5：对各相同服装颜色分别编号为1,2,...,m,...,q，进而分析各相同服装颜色对应的偏好度,并从中筛选出偏好度最大的相同服装颜色作为目标用户对应的偏好服装颜色；
S6：从服装样式参数中提取服装材质，进而将各购物过程记录对应的服装材质进行对比，判断是否存在相同服装材质，若存在相同服装材质，则统计相同服装材质的数量及各相同服装材质对应的购物过程记录数量；
S7:对各相同服装材质分别编号为1,2,...,o,...,w，进而分析各相同服装材质对应的偏好度,并从中筛选出偏好度最大的相同服装材质作为目标用户对应的偏好服装材质。
进一步地，所述的一种基于深度学习的电子商务平台商品智能分析推荐系统，其特征在于：所述分析各相同服装版型对应的偏好度具体分析步骤如下：
S31:将各相同服装版型对应的各条购物过程记录按照所属记录类别归类为购买类别、加购类别和浏览类别对应的购物过程记录集合，并从购物过程记录集合中统计各相同服装版型在购买类别、加购类别和浏览类别下的购物过程记录数量；
S32:将购买类别、加购类别和浏览类别与预设的各种记录类别对应的权重因子进行匹配，由此匹配出购买类别、加购类别和浏览类别对应的权重因子；
S33:基于各相同服装版型在购买类别、加购类别和浏览类别下的购物过程记录数量和购买类别、加购类别和浏览类别对应的权重因子，统计各相同服装版型对应的偏好度，其计算公式为：
Figure BDA0003681752690000061
Figure BDA0003681752690000062
表示第i个相同服装版型的偏好度，α、β、μ分别表示购买类别、加购类别和浏览类别对应的权重因子，且α+β+μ＝1，γi、ηi、λi分别表示第i个相同服装版型在购买类别、加购类别和浏览类别下的购物过程记录数量。
进一步地，所述的一种基于深度学习的电子商务平台商品智能分析推荐系统，其特征在于：所述分析各相同服装颜色对应的偏好度具体分析步骤如下：
S51:将各相同服装颜色对应的各条购物过程记录按照所属记录类别归类为购买类别、加购类别和浏览类别对应的购物过程记录集合，并从购物过程记录集合中统计各相同服装颜色在购买类别、加购类别和浏览类别下的购物过程记录数量；
S52:将购买类别、加购类别和浏览类别与预设的各种记录类别对应的权重因子进行匹配，由此匹配出购买类别、加购类别和浏览类别对应的权重因子；
S53:基于各相同服装颜色在购买类别、加购类别和浏览类别下的购物过程记录数量和购买类别、加购类别和浏览类别对应的权重因子，统计各相同服装颜色对应的偏好度，其计算公式为：
Figure BDA0003681752690000071
Figure BDA0003681752690000072
表示第m个相同服装颜色的偏好度，α、β、μ分别表示购买类别、加购类别和浏览类别对应的权重因子，且α+β+μ＝1，γm、ηm、λm分别表示第m个相同服装颜色在购买类别、加购类别和浏览类别下的购物过程记录数量。
进一步地，所述的一种基于深度学习的电子商务平台商品智能分析推荐系统，其特征在于：所述分析各相同服装材质对应的偏好度具体分析步骤如下：
S71:将各相同服装材质对应的各条购物过程记录按照所属记录类别归类为购买类别、加购类别和浏览类别对应的购物过程记录集合，并从购物过程记录集合中统计各相同服装材质在购买类别、加购类别和浏览类别下的购物过程记录数量；
S72:将购买类别、加购类别和浏览类别与预设的各种记录类别对应的权重因子进行匹配，由此匹配出购买类别、加购类别和浏览类别对应的权重因子；
S73:基于各相同服装材质在购买类别、加购类别和浏览类别下的购物过程记录数量和购买类别、加购类别和浏览类别对应的权重因子，统计各相同服装材质对应的偏好度，其计算公式为：
Figure BDA0003681752690000081
Figure BDA0003681752690000082
表示第o个相同服装材质的偏好度，α、β、μ分别表示购买类别、加购类别和浏览类别对应的权重因子，且α+β+μ＝1，γo、ηo、λo分别表示第o个相同服装材质在购买类别、加购类别和浏览类别下的购物过程记录数量。
进一步地，所述的一种基于深度学习的电子商务平台商品智能分析推荐系统，其特征在于：所述各现有服装对应的匹配度的统计过程如下：
将各现有服装对应的服装样式参数与目标用户对应的偏好服装样式参数进行匹配，若某服装样式参数与偏好服装样式参数匹配成功，则将该服装样式对应的匹配指数记为a，反之则记为a′；
基于各现有服装对应各服装样式参数的匹配指数统计各现有服装对应的匹配度，其计算公式为Φj＝Aj+Bj+Xj，其中j表示为现有服装的编号，j＝1,2,...,k；Φj表示第j个现有服装的匹配度，Aj、Bj、Xj分别表示第j个现有服装的版型、颜色、材质的匹配指数，其中Aj、Bj、Xj的值可以为a，也可以为a′。
相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
(1)本发明根据用户近年来偏好服装的版型、颜色、材质来综合获取某现有服装与其匹配度，进而分析并获取到目标用户的偏好，之后再对目标用户进行服装的推荐，实现了更加精准的服装推荐，同时也做到了千人千面，从而使目标用户选择的服装更符合自己的喜好。
(2)本发明根据浏览记录进行目标用户对偏好服装的分析，从多个维度分析偏好服装且综合考虑已购服装、加购服装和浏览服装对目标用户偏好服装的影响，从而做到了关注目标用户的个体差异性，克服了目标用户偏好服装不准确的困难，解决了无法为目标用户推荐更加合理的服装的问题，从而吸引到更多的目标用户，同时也增加了目标用户在电子商务平台的使用时间，进一步提高了目标用户对电子商务平台的黏性，有利于电子商务平台的发展。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明一种基于深度学习的电子商务平台商品智能分析推荐系统示意图。
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。
参照图1所示，本发明提供一种基于深度学习的电子商务平台商品智能分析推荐系统，该系统包括购物季节类别设定模块、目标用户服装购物过程记录划分模块、当前时间点归属购物季节类别匹配模块、目标用户特定服装购物过程记录集合筛选模块、服装样式参数偏好分析模块、目标用户适配服装筛选模块和目标用户适配服装推荐终端和现有服装数据库；
所述购物季节类别设定模块分别与目标用户服装购物过程记录划分模块和当前时间点归属购物季节类别匹配模块连接，目标用户服装购物过程记录划分模块和当前时间点归属购物季节类别匹配模块与目标用户特定服装购物过程记录集合筛选模块连接，目标用户特定服装购物过程记录集合筛选模块连接与服装样式参数偏好分析模块连接，服装样式参数偏好分析模块与目标用户适配服装筛选模块连接，目标用户适配服装筛选模块分别与目标用户适配服装推荐终端和现有服装数据库连接。
所述购物季节类别设定模块用于设定各种购物季节类别和各种购物季节类别对应容纳的月份；
上述实施例中提到的各种购物季节类别对应容纳的月份具体为：春季类别代表3、4、5月，夏季类别代表6、7、8月，秋季类别代表9、10、11月，冬季类别代表12月以及次年1、2月。
本发明中设定各种购物季节类别和各种购物季节类别对应容纳的月份，将目标用户在各购物年限的所有购物过程记录归类到对应的购物季节类别中，以此缩小分析目标用户在各购物年限的所有购物过程中的服装参数数据的范围，进而提高分析目标用户对服装偏好度的效率，同时，服装具有季节更替的特点，按照季节划分目标用户在各购物年限的所有购物过程记录，进而提高了目标用户对服装偏好度的准确性。
所述目标用户服装购物过程记录划分模块用于按照预设的各购物年限从电商平台后台提取目标用户在各购物年限的所有服装购物过程记录，并从中筛选出各服装购物过程记录对应的记录月份，进而基于各种购物季节类别对应容纳的月份，将目标用户在各购物年限的所有购物过程记录归类到对应的购物季节类别中，以此得到目标用户在各种购物季节类别内的服装购物过程记录集合。
所述当前时间点归属购物季节类别匹配模块用于获取当前时间点所属月份，并基于各种购物季节类别对应容纳的月份得到当前时间点对应的归属购物季节类别。
所述目标用户特定服装购物过程记录集合筛选模块用于将当前时间点对应的归属购物季节类别与目标用户在各种购物季节类别内的服装购物过程记录集合进行匹配，从中匹配出当前时间点对应的归属购物季节类别对应的服装购物过程记录集合，并将该服装购物过程记录集合记为目标用户对应的特定服装购物过程记录集合。
所述服装样式参数偏好分析模块用于根据目标用户对应的特定服装购物过程记录集合进行目标用户对应的偏好服装样式参数分析；
上述实施例中所述服装样式参数包括服装版型、服装颜色和服装材质；
上述实施例中所述目标用户对应的偏好服装样式参数分析具体过程如下：
S1:从目标用户对应的特定服饰购物过程记录集合内提取各购物过程记录对应的服装样式参数和记录类别，其中记录类别包括购买类别、加购类别和浏览类别；
S2:从服装样式参数中提取服装版型，进而将各购物过程记录对应的服装版型进行对比，判断是否存在相同服装版型，若存在相同服装版型，则统计相同服装版型的数量及各相同服装版型对应的购物过程记录数量；
S3:对各相同服装版型分别编号为1,2,...,i,...,n，进而分析各相同服装版型对应的偏好度,并从中筛选出偏好度最大的相同服装版型作为目标用户对应的偏好服装版型；
S4：从服装样式参数中提取服装颜色，进而将各购物过程记录对应的服装颜色进行对比，判断是否存在相同服装颜色，若存在相同服装颜色，则统计相同服装颜色的数量及各相同服装颜色对应的购物过程记录数量；
S5：对各相同服装颜色分别编号为1,2,...,m,...,q，进而分析各相同服装颜色对应的偏好度,并从中筛选出偏好度最大的相同服装颜色作为目标用户对应的偏好服装颜色；
S6：从服装样式参数中提取服装材质，进而将各购物过程记录对应的服装材质进行对比，判断是否存在相同服装材质，若存在相同服装材质，则统计相同服装材质的数量及各相同服装材质对应的购物过程记录数量；
S7:对各相同服装材质分别编号为1,2,...,o,...,w，进而分析各相同服装材质对应的偏好度,并从中筛选出偏好度最大的相同服装材质作为目标用户对应的偏好服装材质；
本发明根据用户近年来偏好服装的版型、颜色、材质来综合获取某现有服装与其匹配度，进而分析并获取到目标用户的偏好，之后再对目标用户进行服装的推荐，实现了更加精准的商品推荐，同时也做到了千人千面，从而使目标用户选择的服装更符合自己的喜好。
上述中所述分析各相同服装版型对应的偏好度具体分析步骤如下：
S31:将各相同服装版型对应的各条购物过程记录按照所属记录类别归类为购买类别、加购类别和浏览类别对应的购物过程记录集合，并从购物过程记录集合中统计各相同服装版型在购买类别、加购类别和浏览类别下的购物过程记录数量；
S32:将购买类别、加购类别和浏览类别与预设的各种记录类别对应的权重因子进行匹配，由此匹配出购买类别、加购类别和浏览类别对应的权重因子；
S33:基于各相同服装版型在购买类别、加购类别和浏览类别下的购物过程记录数量和购买类别、加购类别和浏览类别对应的权重因子，统计各相同服装版型对应的偏好度，其计算公式为：
Figure BDA0003681752690000131
Figure BDA0003681752690000132
表示第i个相同服装版型的偏好度，α、β、μ分别表示购买类别、加购类别和浏览类别对应的权重因子，且α+β+μ＝1，γi、ηi、λi分别表示第i个相同服装版型在购买类别、加购类别和浏览类别下的购物过程记录数量。
上述中所述分析各相同服装颜色对应的偏好度具体分析步骤如下：
S51:将各相同服装颜色对应的各条购物过程记录按照所属记录类别归类为购买类别、加购类别和浏览类别对应的购物过程记录集合，并从购物过程记录集合中统计各相同服装颜色在购买类别、加购类别和浏览类别下的购物过程记录数量；
S52:将购买类别、加购类别和浏览类别与预设的各种记录类别对应的权重因子进行匹配，由此匹配出购买类别、加购类别和浏览类别对应的权重因子；
S53:基于各相同服装颜色在购买类别、加购类别和浏览类别下的购物过程记录数量和购买类别、加购类别和浏览类别对应的权重因子，统计各相同服装颜色对应的偏好度，其计算公式为：
Figure BDA0003681752690000141
Figure BDA0003681752690000142
表示第m个相同服装颜色的偏好度，α、β、μ分别表示购买类别、加购类别和浏览类别对应的权重因子，且α+β+μ＝1，γm、ηm、λm分别表示第m个相同服装颜色在购买类别、加购类别和浏览类别下的购物过程记录数量。
上述中所述分析各相同服装材质对应的偏好度具体分析步骤如下：
S71:将各相同服装材质对应的各条购物过程记录按照所属记录类别归类为购买类别、加购类别和浏览类别对应的购物过程记录集合，并从购物过程记录集合中统计各相同服装材质在购买类别、加购类别和浏览类别下的购物过程记录数量；
S72:将购买类别、加购类别和浏览类别与预设的各种记录类别对应的权重因子进行匹配，由此匹配出购买类别、加购类别和浏览类别对应的权重因子；
S73:基于各相同服装材质在购买类别、加购类别和浏览类别下的购物过程记录数量和购买类别、加购类别和浏览类别对应的权重因子，统计各相同服装材质对应的偏好度，其计算公式为：
Figure BDA0003681752690000151
Figure BDA0003681752690000152
表示第o个相同服装材质的偏好度，α、β、μ分别表示购买类别、加购类别和浏览类别对应的权重因子，且α+β+μ＝1，γo、ηo、λo分别表示第o个相同服装材质在购买类别、加购类别和浏览类别下的购物过程记录数量；
本发明根据浏览记录进行目标用户对偏好服装的分析，从多个维度分析偏好服装且综合考虑已购服装、加购服装和浏览服装对目标用户偏好服装的影响，从而做到了关注目标用户的个体差异性，克服了目标用户偏好服装不准确的困难，解决了无法为目标用户推荐更加合理的服装的问题，从而吸引到更多的目标用户，同时也增加了目标用户在电子商务平台的使用时间，进一步提高了目标用户对电子商务平台的黏性，有利于电子商务平台的发展。
所述目标用户适配服装筛选模块用于从现有服装数据库中提取各现有服装对应的服装样式参数，并将其与目标用户对应的偏好服装样式参数进行匹配，统计各现有服装对应的匹配度，进而从中挑选出满足匹配度阈值的现有服装作为目标用户对应的适配服装；
上述实施例中提到的各现有服装对应的匹配度的统计过程如下：
将各现有服装对应的服装样式参数与目标用户对应的偏好服装样式参数进行匹配，若某服装样式参数与偏好服装样式参数匹配成功，则将该服装样式对应的匹配指数记为a，反之则记为a′；
基于各现有服装对应各服装样式参数的匹配指数统计各现有服装对应的匹配度，其计算公式为Φj＝Aj+Bj+Xj，其中j表示为现有服装的编号，j＝1,2,...,k；Φj表示第j个现有服装的匹配度，Aj、Bj、Xj分别表示第j个现有服装的版型、颜色、材质的匹配指数，其中Aj、Bj、Xj的值可以为a，也可以为a′。
所述现有服装数据库用于储存当前时间点对应的归属购物季节类别的各现有服装。
所述服装推荐模块用于将目标用户对应的适配服装推送给目标用户。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (8)

1.一种基于深度学习的电子商务平台商品智能分析推荐系统，其特征在于，包括购物季节类别设定模块、目标用户服装购物过程记录划分模块、当前时间点归属购物季节类别匹配模块、目标用户特定服装购物过程记录集合筛选模块、服装样式参数偏好分析模块、目标用户适配服装筛选模块和目标用户适配服装推荐终端和现有服装数据库；
所述购物季节类别设定模块分别与目标用户服装购物过程记录划分模块和当前时间点归属购物季节类别匹配模块连接，目标用户服装购物过程记录划分模块和当前时间点归属购物季节类别匹配模块与目标用户特定服装购物过程记录集合筛选模块连接，目标用户特定服装购物过程记录集合筛选模块连接与服装样式参数偏好分析模块连接，服装样式参数偏好分析模块与目标用户适配服装筛选模块连接，目标用户适配服装筛选模块分别与目标用户适配服装推荐终端和现有服装数据库连接；
所述购物季节类别设定模块用于设定各种购物季节类别和各种购物季节类别对应容纳的月份；
所述目标用户服装购物过程记录划分模块用于按照预设的各购物年限从电商平台后台提取目标用户在各购物年限的所有服装购物过程记录，并从中筛选出各服装购物过程记录对应的记录月份，进而基于各种购物季节类别对应容纳的月份，将目标用户在各购物年限的所有购物过程记录归类到对应的购物季节类别中，以此得到目标用户在各种购物季节类别内的服装购物过程记录集合；
所述当前时间点归属购物季节类别匹配模块用于获取当前时间点所属月份，并基于各种购物季节类别对应容纳的月份得到当前时间点对应的归属购物季节类别；
所述目标用户特定服装购物过程记录集合筛选模块用于将当前时间点对应的归属购物季节类别与目标用户在各种购物季节类别内的服装购物过程记录集合进行匹配，从中匹配出当前时间点对应的归属购物季节类别对应的服装购物过程记录集合，并将该服装购物过程记录集合记为目标用户对应的特定服装购物过程记录集合；
所述服装样式参数偏好分析模块用于根据目标用户对应的特定服装购物过程记录集合进行目标用户对应的偏好服装样式参数分析；
所述目标用户适配服装筛选模块用于从现有服装数据库中提取各现有服装对应的服装样式参数，并将其与目标用户对应的偏好服装样式参数进行匹配，统计各现有服装对应的匹配度，进而从中挑选出满足匹配度阈值的现有服装作为目标用户对应的适配服装；
所述现有服装数据库用于储存当前时间点对应的归属购物季节类别的各现有服装；
所述服装推荐模块用于将目标用户对应的适配服装推送给目标用户。
2.根据权利要求1所述的一种基于深度学习的电子商务平台商品智能分析推荐系统，其特征在于：所述各种购物季节类别对应容纳的月份具体为：春季类别代表3、4、5月，夏季类别代表6、7、8月，秋季类别代表9、10、11月，冬季类别代表12月以及次年1、2月。
3.根据权利要求1所述的一种基于深度学习的电子商务平台商品智能分析推荐系统，其特征在于：所述服装样式参数包括服装版型、服装颜色和服装材质。
4.根据权利要求1所述的一种基于深度学习的电子商务平台商品智能分析推荐系统，其特征在于：所述目标用户对应的偏好服装样式参数分析具体过程如下：
S1:从目标用户对应的特定服饰购物过程记录集合内提取各购物过程记录对应的服装样式参数和记录类别，其中记录类别包括购买类别、加购类别和浏览类别；
S2:从服装样式参数中提取服装版型，进而将各购物过程记录对应的服装版型进行对比，判断是否存在相同服装版型，若存在相同服装版型，则统计相同服装版型的数量及各相同服装版型对应的购物过程记录数量；
S3:对各相同服装版型分别编号为1,2,...,i,...,n，进而分析各相同服装版型对应的偏好度,并从中筛选出偏好度最大的相同服装版型作为目标用户对应的偏好服装版型；
S4：从服装样式参数中提取服装颜色，进而将各购物过程记录对应的服装颜色进行对比，判断是否存在相同服装颜色，若存在相同服装颜色，则统计相同服装颜色的数量及各相同服装颜色对应的购物过程记录数量；
S5：对各相同服装颜色分别编号为1,2,...,m,...,q，进而分析各相同服装颜色对应的偏好度,并从中筛选出偏好度最大的相同服装颜色作为目标用户对应的偏好服装颜色；
S6：从服装样式参数中提取服装材质，进而将各购物过程记录对应的服装材质进行对比，判断是否存在相同服装材质，若存在相同服装材质，则统计相同服装材质的数量及各相同服装材质对应的购物过程记录数量；
S7:对各相同服装材质分别编号为1,2,...,o,...,w，进而分析各相同服装材质对应的偏好度,并从中筛选出偏好度最大的相同服装材质作为目标用户对应的偏好服装材质。
5.根据权利要求4所述的一种基于深度学习的电子商务平台商品智能分析推荐系统，其特征在于：所述分析各相同服装版型对应的偏好度具体分析步骤如下：
S31:将各相同服装版型对应的各条购物过程记录按照所属记录类别归类为购买类别、加购类别和浏览类别对应的购物过程记录集合，并从购物过程记录集合中统计各相同服装版型在购买类别、加购类别和浏览类别下的购物过程记录数量；
S32:将购买类别、加购类别和浏览类别与预设的各种记录类别对应的权重因子进行匹配，由此匹配出购买类别、加购类别和浏览类别对应的权重因子；
S33:基于各相同服装版型在购买类别、加购类别和浏览类别下的购物过程记录数量和购买类别、加购类别和浏览类别对应的权重因子，统计各相同服装版型对应的偏好度，其计算公式为：
Figure FDA0003681752680000041
Figure FDA0003681752680000042
表示第i个相同服装版型的偏好度，α、β、μ分别表示购买类别、加购类别和浏览类别对应的权重因子，且α+β+μ＝1，γi、ηi、λi分别表示第i个相同服装版型在购买类别、加购类别和浏览类别下的购物过程记录数量。
6.根据权利要求4所述的一种基于深度学习的电子商务平台商品智能分析推荐系统，其特征在于：所述分析各相同服装颜色对应的偏好度具体分析步骤如下：
S51:将各相同服装颜色对应的各条购物过程记录按照所属记录类别归类为购买类别、加购类别和浏览类别对应的购物过程记录集合，并从购物过程记录集合中统计各相同服装颜色在购买类别、加购类别和浏览类别下的购物过程记录数量；
S52:将购买类别、加购类别和浏览类别与预设的各种记录类别对应的权重因子进行匹配，由此匹配出购买类别、加购类别和浏览类别对应的权重因子；
S53:基于各相同服装颜色在购买类别、加购类别和浏览类别下的购物过程记录数量和购买类别、加购类别和浏览类别对应的权重因子，统计各相同服装颜色对应的偏好度，其计算公式为：
Figure FDA0003681752680000051
Figure FDA0003681752680000052
表示第m个相同服装颜色的偏好度，α、β、μ分别表示购买类别、加购类别和浏览类别对应的权重因子，且α+β+μ＝1，γm、ηm、λm分别表示第m个相同服装颜色在购买类别、加购类别和浏览类别下的购物过程记录数量。
7.根据权利要求4所述的一种基于深度学习的电子商务平台商品智能分析推荐系统，其特征在于：所述分析各相同服装材质对应的偏好度具体分析步骤如下：
S71:将各相同服装材质对应的各条购物过程记录按照所属记录类别归类为购买类别、加购类别和浏览类别对应的购物过程记录集合，并从购物过程记录集合中统计各相同服装材质在购买类别、加购类别和浏览类别下的购物过程记录数量；
S72:将购买类别、加购类别和浏览类别与预设的各种记录类别对应的权重因子进行匹配，由此匹配出购买类别、加购类别和浏览类别对应的权重因子；
S73:基于各相同服装材质在购买类别、加购类别和浏览类别下的购物过程记录数量和购买类别、加购类别和浏览类别对应的权重因子，统计各相同服装材质对应的偏好度，其计算公式为：
Figure FDA0003681752680000061
Figure FDA0003681752680000062
表示第o个相同服装材质的偏好度，α、β、μ分别表示购买类别、加购类别和浏览类别对应的权重因子，且α+β+μ＝1，γo、ηo、λo分别表示第o个相同服装材质在购买类别、加购类别和浏览类别下的购物过程记录数量。
8.根据权利要求1所述的一种基于深度学习的电子商务平台商品智能分析推荐系统，其特征在于：所述各现有服装对应的匹配度的统计过程如下：
将各现有服装对应的服装样式参数与目标用户对应的偏好服装样式参数进行匹配，若某服装样式参数与偏好服装样式参数匹配成功，则将该服装样式对应的匹配指数记为a，反之则记为a′；
基于各现有服装对应各服装样式参数的匹配指数统计各现有服装对应的匹配度，其计算公式为Φj＝Aj+Bj+Xj，其中j表示为现有服装的编号，j＝1,2,...,k；Φj表示第j个现有服装的匹配度，Aj、Bj、Xj分别表示第j个现有服装的版型、颜色、材质的匹配指数，其中Aj、Bj、Xj的值可以为a，也可以为a′。
CN202210639166.2A 2022-06-07 2022-06-07 一种基于深度学习的电子商务平台商品智能分析推荐系统 Pending CN114971805A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210639166.2A CN114971805A (zh) 2022-06-07 2022-06-07 一种基于深度学习的电子商务平台商品智能分析推荐系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210639166.2A CN114971805A (zh) 2022-06-07 2022-06-07 一种基于深度学习的电子商务平台商品智能分析推荐系统

Publications (1)

Publication Number Publication Date
CN114971805A true CN114971805A (zh) 2022-08-30

Family

ID=82959391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210639166.2A Pending CN114971805A (zh) 2022-06-07 2022-06-07 一种基于深度学习的电子商务平台商品智能分析推荐系统

Country Status (1)

Country Link
CN (1) CN114971805A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117611299A (zh) * 2024-01-22 2024-02-27 青岛威达体育用品有限公司 一种个性化校服的定制方法、系统、电子设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140379426A1 (en) * 2014-09-04 2014-12-25 Atelier CAAAW, Inc. System and method for providing automated clothing fashion recommendations
WO2017012406A1 (zh) * 2015-07-22 2017-01-26 中兴通讯股份有限公司 一种商品推荐方法及系统
US20180005297A1 (en) * 2014-12-26 2018-01-04 China Unionpay Co., Ltd. Analysis and collection system for user interest data and method therefor
US10861077B1 (en) * 2017-03-21 2020-12-08 Amazon Technologies, Inc. Machine, process, and manufacture for machine learning based cross category item recommendations
CN112070552A (zh) * 2020-09-15 2020-12-11 苏宇航 一种基于大数据的电子商务平台
CN112381623A (zh) * 2020-12-04 2021-02-19 南京浪脆电子商务有限公司 一种基于大数据分析的电子商务平台商品智能推荐方法
US20210383452A1 (en) * 2018-10-23 2021-12-09 Peace Tec Lab Inc. Commodity recommendation system

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140379426A1 (en) * 2014-09-04 2014-12-25 Atelier CAAAW, Inc. System and method for providing automated clothing fashion recommendations
US20180005297A1 (en) * 2014-12-26 2018-01-04 China Unionpay Co., Ltd. Analysis and collection system for user interest data and method therefor
WO2017012406A1 (zh) * 2015-07-22 2017-01-26 中兴通讯股份有限公司 一种商品推荐方法及系统
US10861077B1 (en) * 2017-03-21 2020-12-08 Amazon Technologies, Inc. Machine, process, and manufacture for machine learning based cross category item recommendations
US20210383452A1 (en) * 2018-10-23 2021-12-09 Peace Tec Lab Inc. Commodity recommendation system
CN112070552A (zh) * 2020-09-15 2020-12-11 苏宇航 一种基于大数据的电子商务平台
CN112381623A (zh) * 2020-12-04 2021-02-19 南京浪脆电子商务有限公司 一种基于大数据分析的电子商务平台商品智能推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王树西等: "基于购物倾向的商品推荐方案研究", 《集成技术》 *
胡觉亮等: "基于用户偏好的个性化服装推荐模式研究", 《浙江理工大学学报(社会科学版)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117611299A (zh) * 2024-01-22 2024-02-27 青岛威达体育用品有限公司 一种个性化校服的定制方法、系统、电子设备和存储介质
CN117611299B (zh) * 2024-01-22 2024-04-26 青岛威达体育用品有限公司 一种个性化校服的定制方法、系统、电子设备和存储介质

Similar Documents

Publication Publication Date Title
Wei et al. A review of the application of RFM model
CN102902691B (zh) 推荐方法及系统
CN112102037B (zh) 一种基于大数据的直播电商平台商品内容智能推送管理系统
CN103902538B (zh) 基于决策树的信息推荐装置及方法
CN112131480B (zh) 基于多层异质属性网络表征学习的个性化商品推荐方法及系统
CN108363821A (zh) 一种信息推送方法、装置、终端设备及存储介质
CN109711955B (zh) 基于当前订单的差评预警方法、系统、黑名单库建立方法
CN105138690B (zh) 确定关键词的方法和装置
CN108921602B (zh) 一种基于集成神经网络的用户购买行为预测方法
CN108615177B (zh) 基于加权提取兴趣度的电子终端个性化推荐方法
CN108876034A (zh) 一种改进的Lasso+RBF神经网络组合预测模型
CN113034238B (zh) 基于电子商务平台交易的商品品牌特征提取及智能推荐管理方法
CN108921604A (zh) 一种基于代价敏感分类器集成的广告点击率预测方法
CN107153656A (zh) 一种信息搜索方法和装置
CN112700274A (zh) 一种基于用户偏好的广告点击率预估方法
CN115860880B (zh) 基于多层异质图卷积模型的个性化商品推荐方法及系统
CN113469730A (zh) 一种非合同场景下的基于RF-LightGBM融合模型的客户复购预测方法及装置
CN111861679A (zh) 一种基于人工智能的商品推荐方法
CN115131101A (zh) 一种保险产品个性化智能推荐系统
CN116431931A (zh) 实时增量数据统计分析方法
CN115392947A (zh) 需求量预测方法以及装置
CN115860787A (zh) 一种增量式消费者画像方法
CN114971805A (zh) 一种基于深度学习的电子商务平台商品智能分析推荐系统
CN108681570B (zh) 一种基于多目标进化算法的个性化网页推荐方法
CN108133296B (zh) 基于活动的社交网络下的一种结合环境数据的活动出席预测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220830

RJ01 Rejection of invention patent application after publication