CN114997956B - 基于大数据的母婴产品智能推荐系统 - Google Patents

Abstract

本发明公开了基于大数据的母婴产品智能推荐系统，属于母婴产品推荐技术领域，包括用户分析模块、用户模块、产品推荐模块、客户推荐模块和服务器；所述用户模块用于展示用户信息，所述用户分析模块用于对注册用户进行分析，建立对应的用户画像；所述产品推荐模块用于对注册用户进行产品推荐，获取对应注册用户的用户画像，根据用户画像识别禁止推荐项数据，根据识别的禁止推荐项数据更新产品推荐池，识别产品推荐池内各个推荐产品以及对应的推荐值，获取推荐产品与禁止推荐项数据的关联值，根据公式计算优先值，根据计算的优先值高低重新对产品推荐池内的推荐产品进行排序；根据调整后的产品推荐池向注册用户进行母婴产品推荐。

Description

基于大数据的母婴产品智能推荐系统

技术领域

本发明属于母婴产品推荐技术领域，具体是基于大数据的母婴产品智能推荐系统。

背景技术

随着网络技术的快速发展，越来越多的商家开始从事电子商务，通过网络进行商品的售卖，基本可以将进行网络售卖的商家分为两类，一类是直接加入当前的各大电商平台进行商品售卖，通过各大电商平台分配的资源进行商品的推荐，但是这种方式对于商家来说具有一定的限制性，容易受到电商平台的限制，具有较大的推荐资源成本负担；另一类是对于某些种类的商品，商家采用自建购物平台，如母婴产品购物平台，但是目前的商家自建购物平台采用的商品推荐方法与各大电商的推荐方法相似，因为体量的原因导致缺乏竞争力，访客转化效率低，注册用户流失严重；因为基于当前商家自建购物平台的运营现状，本发明提供了基于大数据的母婴产品智能推荐系统，用于充分优化当前的推荐方法。

发明内容

为了解决上述方案存在的问题，本发明提供了基于大数据的母婴产品智能推荐系统。

本发明的目的可以通过以下技术方案实现：

基于大数据的母婴产品智能推荐系统，包括用户分析模块、用户模块、产品推荐模块、客户推荐模块和服务器；

所述用户模块用于展示用户信息，所述用户分析模块用于对注册用户进行分析，建立对应的用户画像；

所述产品推荐模块用于对注册用户进行产品推荐，获取对应注册用户的用户画 像，根据用户画像识别禁止推荐项数据，根据识别的禁止推荐项数据更新产品推荐池，识别 产品推荐池内各个推荐产品以及对应的推荐值，将推荐产品标记为j，其中j=1、2、……、m，m 为正整数；将对应推荐产品的推荐值标记为TZj，获取推荐产品与禁止推荐项数据的关联 值，标记为GLj，根据公式

计算优先值，其中b3、b4均为比例 系数，取值范围为0<b3≤1，0<b4≤1，根据计算的优先值高低重新对产品推荐池内的推荐产 品进行排序；根据调整后的产品推荐池向注册用户进行母婴产品推荐。

进一步地，用户分析模块的工作方法包括：

获取注册用户的初始画像，计算初始画像的动态画像值，根据动态画像值匹配对应的个人选项板，并为个人选项板关联对应的选项示例库，将个人选项板发送给用户模块进行实时显示，注册用户通过个人选项板和对应关联的选项示例库选择拒绝推荐的母婴产品，将对应的母婴产品标记为拒绝产品，识别拒绝产品的产品属性，根据识别的产品数据建立产品黑名单，根据建立的产品黑名单和对应由动态画像值组合的画像矢量对初始画像进行更新，获得对应的用户画像。

进一步地，计算初始画像的动态画像值的方法包括：

对初始画像进行分项分割识别，设置每个分项数据对应的分项值和分项权重值，获取对应的注册用户的个人信息，根据获取的个人信息设置对应的个人修正值，根据获得的分项值、分项权重值和个人修正值计算动态画像值。

进一步地，根据获得的分项值、分项权重值和个人修正值计算动态画像值的方法包括：

将对应的分项标记为i，其中i=1、2、……、n，n为正整数；将分项值标记为FZi，将分 项权重值标记为βi，将个人修正值标记为α，根据公式

计算动态画像值，其中b1、b2均为比例系 数，取值范围为0<b1≤1，0<b2≤1。

进一步地，根据动态画像值匹配对应的个人选项板的方法包括：

设置母婴产品组合以及对应的代表产品，将选择的代表产品进行整合建立对应的选项示例库，并标记对应的母婴产品组合标签；根据母婴产品组合建立对应的个人选项板，并设置对应的匹配矢量，根据设置的匹配矢量建立对应的向量空间；获取动态画像值和对应的分项元素值，将动态画像值和对应的分项元素值组合为画像矢量，将画像矢量输入到向量空间中进行相似度匹配，获得对应的个人选项板。

进一步地，设置母婴产品组合以及对应的代表产品的方法包括：

获取具有的母婴产品种类，识别母婴产品种类具有的分类特性，获取预设的组合限定条件，根据识别的分类特性和组合限定条件进行种类组合，获得母婴产品组合，再根据获得的母婴产品组合选择对应的代表产品。

进一步地，分项元素值为

的值。

进一步地，还包括客户推荐模块，所述客户推荐模块用于进行客户挖掘。

进一步地，客户推荐模块的工作方法包括：

获取具有的用户画像，将获取的用户画像进行分类，为每个用户画像分类设置一个客户特征图，并为每个客户特征图设置对应的客户推荐信息，将客户特征图进行汇总并建立寻客库；

获取待挖掘客户信息，建立客户模型，通过客户模型自动生成对应待挖掘客户信息的客户信息图，将客户信息图与寻客库中的客户特征图进行比对，判断对应的待挖掘客户是否符合对应客户特征图要求，获得对应的判断结果，判断结果包括符合要求和不符合要求，根据获得的判断结果进行客户挖掘。

进一步地，根据获得的判断结果进行客户挖掘的方法包括：

将判断结果为不符合要求的待挖掘客户信息进行剔除；将判断结果为符合要求的待挖掘客户信息标记为目标客户，根据对应的客户特征图匹配客户推荐信息，将匹配的客户推荐信息发送给目标客户。

与现有技术相比，本发明的有益效果是：通过基于智能分析设置个人选项板和对应关联的选项示例库，避免注册用户在海量的母婴产品中进行筛选和标记不喜欢，导致某些推荐系统即使拥有对应的标记功能，也无法实现对推荐产品的快速优化，造成注册用户的体验较差，难以与当前各大购物平台形成竞争力，导致商家专有的母婴购物平台无法很好地将访问用户沉淀下来，转化为忠实用户，浪费了花费较大精力和财力吸引而来的用户资源，而通过用户分析模块的设置，优化了现有的商品推荐系统，快速反应用户的推荐喜好，提高用户的体验。

通过客户推荐模块的设置，可以最大程度地展现商家购物平台的优势，并基于平台内的数据匹配最适合的目标客户，提高客户挖掘效率，避免因为批量的推送影响非受众客户的生活，影响商家的口碑，而通过客户推荐模块可以实现精准的信息投送，充分利用现有的资源，降低商家的推送成本。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明原理框图。

具体实施方式

下面将结合实施例对本发明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。

如图1所示，基于大数据的母婴产品智能推荐系统，包括用户分析模块、用户模块、产品推荐模块、客户推荐模块和服务器；

所述用户模块用于展示用户信息，如用户分析模块发送的个人选项板、购物车、快递等信息。

所述用户分析模块用于对注册用户进行分析，建立对应的用户画像，具体方法包括：

获取注册用户的初始画像，对初始画像进行分项分割识别，设置每个分项数据对应的分项值和分项权重值，获取对应的注册用户的个人信息，根据获取的个人信息设置对应的个人修正值，根据获得的分项值、分项权重值和个人修正值计算动态画像值；

根据动态画像值匹配对应的个人选项板，并为个人选项板关联对应的选项示例库，因为动态画像值是随着注册用户的购物数据进行变动的，因此个人选项板也是动态更新的；将个人选项板发送给用户模块进行实时显示，注册用户通过个人选项板和对应关联的选项示例库选择拒绝推荐的母婴产品，将对应的母婴产品标记为拒绝产品，识别拒绝产品的产品属性，根据识别的产品数据建立产品黑名单，根据建立的产品黑名单和对应由动态画像值组合的画像矢量对初始画像进行更新，获得对应的用户画像。

通过基于智能分析设置个人选项板和对应关联的选项示例库，避免注册用户在海量的母婴产品中进行筛选和标记不喜欢，导致某些推荐系统即使拥有对应的标记功能，也无法实现对推荐产品的快速优化，造成注册用户的体验较差，难以与当前各大购物平台形成竞争力，导致商家专有的母婴购物平台无法很好地将访问用户沉淀下来，转化为忠实用户，浪费了花费较大精力和财力吸引而来的用户资源，而通过用户分析模块的设置，优化了现有的商品推荐系统，快速反应用户的推荐喜好，提高用户的体验。

识别拒绝产品的产品属性，在选项示例库建立的过程中为每个代表产品标记对应的产品属性，并将具有相同产品属性的购物平台内的母婴产品进行关联比较，便于后续快速匹配。

注册用户的初始画像指的是购物平台系统根据注册用户以往的购物记录、浏览记录等建立的用户画像，即为是之前现有的系统建立的用户画像，因为当前的购物平台系统均会根据用户的购物轨迹生成对应的用户画像，因此可以直接对接平台系统，获取对应的用户画像，即注册用户初始画像。

对初始画像进行分项分割识别，根据母婴产品特有购物属性设置对应的分项，根据设置的分析对初始画像对应的数据进行分割识别，获得对应的分项数据，具体的是基于CNN网络或DNN网络建立对应的人工智能模型，通过建立的智能模型进行智能分析。

设置每个分项的对应的分项值和权重值，权重值是根据具有的分项和商家的目标由专家组进行设置的；因为基于初始画像分割出的对应分项数据是有种类上限的，因此可以根据可能具有的分项数据设置对应的分项值，建立对应的分项值匹配表，通过匹配后获得对应的分项值。

根据获取的个人信息设置对应的个人修正值，由专家组设置有对应的机械学习模型，用于实时对注册用户的个人信息进行分析，设置对应的个人修正值，注册用户的个人信息包括平台个人信息和额外个人信息，平台个人信息指的是用户在当前购物平台内注册的信息以及对应的购物轨迹，额外个人信息指的是购物平台通过合规的渠道获得的对应的注册用户的相关购物信息。

根据获得的分项值、分项权重值和个人修正值计算动态画像值的方法包括：

将对应的分项标记为i，其中i=1、2、……、n，n为正整数；将分项值标记为FZi，将分 项权重值标记为βi，将个人修正值标记为α，根据公式

计算动态画像值，其中b1、b2均 为比例系数，取值范围为0<b1≤1，0<b2≤1。

根据动态画像值匹配对应的个人选项板的方法包括：

识别购物平台中具有的母婴产品种类，根据每种母婴产品种类具有的分类特性和预设的组合限定条件进行种类组合，获得母婴产品组合，根据获得的母婴产品组合选择对应的代表产品，将选择的代表产品进行整合建立对应的选项示例库，并标记对应的母婴产品组合标签；根据母婴产品组合建立对应的个人选项板，并设置对应的匹配矢量，根据设置的匹配矢量建立对应的向量空间；

获取动态画像值和对应的分项元素值，将动态画像值和对应的分项元素值组合为画像矢量，将画像矢量输入到向量空间中进行相似度匹配，获得对应的个人选项板。

分项元素值为

的值。

根据每种母婴产品种类具有的分类特性和预设的组合限定条件进行种类组合，母婴产品种类分类特性指的是对应分类有别有其他分类的性质是什么，组合限定条件是由专家组根据对应的组合需要进行设置的，可以采用人工的方式进行组合，但是采用人工方式任务量较大，还可以基于CNN网络或DNN网络建立对应的智能模型进行智能组合，即用于后续用户标记不喜欢的细分分类。

根据母婴产品组合建立对应的个人选项板，个人选项板用于客户自动选择不想购买的母婴产品分类，因为当前的商品推荐系统，对于用户不喜欢的分类需要较长的时间才能不再频繁地推荐给用户，即使具有对对应的商品点击不喜欢，仍然需要较长的时间和较多的次数才能解决，极大地影响用户的体验，同时没有最大程度地实现应有的推荐功能，具体地由专家组进行设置。

根据个人选项板设置匹配矢量，是在建立对应个人选项板时，根据后续设置的画像矢量与个人选项板同步设置的，在建立个人选项板的过程中使用了对应的母婴产品组合，而根据对应的母婴产品组合可以建立对应的匹配矢量，而根据一个组合设置矢量，可以由人工先设置对应的赋值表，进行匹配后获得对应的赋值，进而组合为矢量；

根据获得的母婴产品组合选择对应的代表产品，即根据母婴产品组合中的具体分类，为每个分类设置若干个购物平台内具有的细分领域产品作为代表产品，可以根据销量、知名度等方向设置对应的代表产品，还可参照对应的商家广告推荐进行设置，具体地为本领域常识。

根据建立的产品黑名单和对应由动态画像值组合的画像矢量对初始画像进行更新，基于CNN网络或DNN网络建立画像模型，通过产品黑名单、画像矢量、初始画像和对应的设置的用户画像组成训练集进行训练，通过训练成功后的画像模型进行智能更新，具体的建立和训练过程为本领域技术人员常识，因此不进行详细叙述。

在一个实施例中，对于选项示例库内的代表产品不仅仅在建立的过程中由专家组进行设置，将专家组设置的选项示例库作为初始选项示例库，即为每个新用的选项示例库均为相同，实时获取注册用户在购物平台中标记的不喜欢商品或者减少推荐商品等，将注册用户标记的商品直接添加到对应用户的选项示例库中，进行实时更新，便于当需要时，注册用户可以快速地选择对应的商品；其中对于用户标记的不喜欢商品或者减少推荐商品，依然参照的原推荐系统的推荐算法进行推荐，只有通过个人选项板进行选择的才具有本申请中的功能，这样做是为了更好地为商家和客户服务。

所述产品推荐模块用于对注册用户进行产品推荐，具体方法包括：

获取对应注册用户的用户画像，根据用户画像识别禁止推荐项数据，推荐项数据 即为产品黑名单中包括的母婴产品数据，根据识别的禁止推荐项数据更新产品推荐池，识 别产品推荐池内各个推荐产品以及对应的推荐值，将推荐产品标记为j，其中j=1、2、……、 m，m为正整数；将对应推荐产品的推荐值标记为TZj，获取推荐产品与禁止推荐项数据的关 联值，标记为GLj，根据公式

计算优先值，其中b3、b4均为比 例系数，取值范围为0<b3≤1，0<b4≤1，根据计算的优先值高低重新对产品推荐池内的推荐 产品进行排序；根据调整后的产品推荐池向注册用户进行母婴产品推荐。

产品推荐池即为原购物平台系统中具备向注册用户进行推荐可能的产品，并包括按照原推荐算法的在产品推荐池内进行产品排序，标记对应的推荐值，推荐值是根据原推荐算法设置的，原推荐算法即为之前购物平台使用的推荐算法；获取推荐产品与禁止推荐项数据的关联值，先计算对应产品相似度，建立对应的相似度匹配表，根据计算的相似度匹配对应的关联值，同时可以采用人工的方式进行实现。

所述客户推荐模块用于进行客户挖掘，具体方法包括：

获取具有的用户画像，指的是用户分析模块生成的用户画像，将获取的用户画像进行分类，为每个用户画像分类设置一个客户特征图，并为每个客户特征图设置对应的客户推荐信息，将客户特征图进行汇总并建立寻客库；

获取待挖掘客户信息，建立客户模型，通过客户模型自动生成对应待挖掘客户信息的客户信息图，将客户信息图与寻客库中的客户特征图进行比对，判断对应的待挖掘客户是否符合对应客户特征图要求，获得对应的判断结果，根据获得的判断结果进行客户挖掘。

判断结果包括符合要求和不符合要求，将判断结果为不符合要求的待挖掘客户信息进行剔除；将判断结果为符合要求的待挖掘客户信息标记为目标客户，根据对应的客户特征图匹配客户推荐信息，将匹配的客户推荐信息发送给目标客户。

通过客户推荐模块的设置，可以最大程度地展现商家购物平台的优势，并基于平台内的数据匹配最适合的目标客户，提高客户挖掘效率，避免因为批量的推送影响非受众客户的生活，影响商家的口碑，而通过客户推荐模块可以实现精准的信息投送，充分利用现有的资源，降低商家的推送成本。

将获取的用户画像进行分类，在一个实施例中，可以先进行分项识别分割，识别每个分项数据的分项值，建立画像坐标，基于聚类算法进行聚类，根据聚类进行分类。在另一个实施例中，将分项值整合为向量，通过向量的相似度进行分类。在另一个实施例中，还可以直接使用现有的分类算法进行分类。具体未公开的部分均为本领域常识。

为每个用户画像分类设置一个客户特征图，即为总结每个用户画像分类中对应用户的特征，进行相应的特征共性汇总，进而建立客户特征图，具体未公开的部分均为本领域常识。

客户推荐信息即为发送给待挖掘客户的信息，用于吸引其进行商家购物平台，具体的是根据对应平台内用户好评的位置进行设置的。

获取待挖掘客户信息，通过合规的渠道进行客户信息获取。

客户模型是基于CNN网络或DNN网络进行建立的，参照客户特征图建立对应的训练集，用于将待挖掘客户信息生成客户信息图，通过生成的客户信息图判断其符不符合对应的客户特征图，具体地建立或训练为本领域常识，因此不进行详细叙述。

将客户信息图与寻客库中的客户特征图进行比对，通过现有的数据比对算法进行比对。

上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (7)

1.基于大数据的母婴产品智能推荐系统，其特征在于，包括用户分析模块、用户模块、产品推荐模块、客户推荐模块和服务器；

所述用户模块用于展示用户信息，所述用户分析模块用于对注册用户进行分析，建立对应的用户画像；

所述产品推荐模块用于对注册用户进行产品推荐，获取对应注册用户的用户画像，根 据用户画像识别禁止推荐项数据，根据识别的禁止推荐项数据更新产品推荐池，识别产品 推荐池内各个推荐产品以及对应的推荐值，将推荐产品标记为j，其中j=1、2、……、m，m为正 整数；将对应推荐产品的推荐值标记为TZj，获取推荐产品与禁止推荐项数据的关联值，标 记为GLj，根据公式

计算优先值，其中b3、b4均为比例系 数，取值范围为0<b3≤1，0<b4≤1，根据计算的优先值高低重新对产品推荐池内的推荐产品 进行排序；根据调整后的产品推荐池向注册用户进行母婴产品推荐,

用户分析模块的工作方法包括：

获取注册用户的初始画像，计算初始画像的动态画像值，根据动态画像值匹配对应的个人选项板，并为个人选项板关联对应的选项示例库，将个人选项板发送给用户模块进行实时显示，注册用户通过个人选项板和对应关联的选项示例库选择拒绝推荐的母婴产品，将对应的母婴产品标记为拒绝产品，识别拒绝产品的产品属性，根据识别的产品数据建立产品黑名单，根据建立的产品黑名单和对应由动态画像值组合的画像矢量对初始画像进行更新，获得对应的用户画像,

计算初始画像的动态画像值的方法包括：

对初始画像进行分项分割识别，设置每个分项数据对应的分项值和分项权重值，获取对应的注册用户的个人信息，根据获取的个人信息设置对应的个人修正值，根据获得的分项值、分项权重值和个人修正值计算动态画像值,

根据获得的分项值、分项权重值和个人修正值计算动态画像值的方法包括：

将对应的分项标记为i，其中i=1、2、……、n，n为正整数；将分项值标记为FZi，将分项权 重值标记为βi，将个人修正值标记为α，根据公式

计算动态画像值，其中b1、b2均为比例系 数，取值范围为0<b1≤1，0<b2≤1。

2.根据权利要求1所述的基于大数据的母婴产品智能推荐系统，其特征在于，根据动态画像值匹配对应的个人选项板的方法包括：

设置母婴产品组合以及对应的代表产品，将选择的代表产品进行整合建立对应的选项示例库，并标记对应的母婴产品组合标签；根据母婴产品组合建立对应的个人选项板，并设置对应的匹配矢量，根据设置的匹配矢量建立对应的向量空间；获取动态画像值和对应的分项元素值，将动态画像值和对应的分项元素值组合为画像矢量，将画像矢量输入到向量空间中进行相似度匹配，获得对应的个人选项板。

3.根据权利要求2所述的基于大数据的母婴产品智能推荐系统，其特征在于，设置母婴产品组合以及对应的代表产品的方法包括：

获取具有的母婴产品种类，识别母婴产品种类具有的分类特性，获取预设的组合限定条件，根据识别的分类特性和组合限定条件进行种类组合，获得母婴产品组合，再根据获得的母婴产品组合选择对应的代表产品。

4.根据权利要求2所述的基于大数据的母婴产品智能推荐系统，其特征在于，分项元素 值为

的值。

5.根据权利要求1所述的基于大数据的母婴产品智能推荐系统，其特征在于，还包括客户推荐模块，所述客户推荐模块用于进行客户挖掘。

6.根据权利要求5所述的基于大数据的母婴产品智能推荐系统，其特征在于，客户推荐模块的工作方法包括：

获取具有的用户画像，将获取的用户画像进行分类，为每个用户画像分类设置一个客户特征图，并为每个客户特征图设置对应的客户推荐信息，将客户特征图进行汇总并建立寻客库；

获取待挖掘客户信息，建立客户模型，通过客户模型自动生成对应待挖掘客户信息的客户信息图，将客户信息图与寻客库中的客户特征图进行比对，判断对应的待挖掘客户是否符合对应客户特征图要求，获得对应的判断结果，判断结果包括符合要求和不符合要求，根据获得的判断结果进行客户挖掘。

7.根据权利要求6所述的基于大数据的母婴产品智能推荐系统，其特征在于，根据获得的判断结果进行客户挖掘的方法包括：

将判断结果为不符合要求的待挖掘客户信息进行剔除；将判断结果为符合要求的待挖掘客户信息标记为目标客户，根据对应的客户特征图匹配客户推荐信息，将匹配的客户推荐信息发送给目标客户。

Images