CN115018594A - 基于大数据的电子商务平台商品智能推荐系统及方法 - Google Patents

基于大数据的电子商务平台商品智能推荐系统及方法 Download PDF

Info

Publication number
CN115018594A
CN115018594A CN202210795539.5A CN202210795539A CN115018594A CN 115018594 A CN115018594 A CN 115018594A CN 202210795539 A CN202210795539 A CN 202210795539A CN 115018594 A CN115018594 A CN 115018594A
Authority
CN
China
Prior art keywords
user
commodity
recommendation
recommended
signal
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
CN202210795539.5A
Other languages
English (en)
Inventor
李鑫
程鹿云
杨水月
尹如君
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202210795539.5A priority Critical patent/CN115018594A/zh
Publication of CN115018594A publication Critical patent/CN115018594A/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了基于大数据的电子商务平台商品智能推荐系统，数据采集系统用于采集用户浏览和购买商品的历史信息，并通过计算用户浏览和购买的历史信息得到用户喜欢商品ID；用户推荐系统根据用户喜欢商品ID向用户推荐与喜欢商品ID相适配的类似商品ID，用户监测系统用于对不感兴趣商品ID的用户进行二次商品推荐处理，即通过用户监测系统对针对用户的停止推荐信号和不推荐信号进行处理，即采用用户区域推送管理和用户身边朋友喜欢商品ID推送管理的结合方式，针对用户进行外部环境商品ID管理和内部朋友喜欢商品ID管理，采用内外结合的方式，实现对用户商品的二次精准推荐。

Description

基于大数据的电子商务平台商品智能推荐系统及方法
技术领域
本发明涉及电子商务技术领域，具体涉及基于大数据的电子商务平台商品智能推荐系统及方法。
背景技术
随着经济全球化和信息时代的到来，电子商务正在成为经济中一个重要的经济增长点和新领域，从电子商务发展的现状来看，它借助了网络即时通信的功能，产生了一种全新的企业与消费者直接交流的新型商业模式，这种商业模式以便利性和快捷性正在为更多消费群体所接受。
如专利申请号CN202111215801.6公开了一种基于人工智能和大数据的电子商务商品推荐系统，其包括：数据分析服务器、用户画像服务器、商品推荐服务器和数据库，其中，数据库与各服务器具有通信连接，各服务器间具有通信连接。数据分析服务器分别将第一分析特征和第二分析特征进行特征映射和特征转换以生成二元特征映射组，并对二元特征映射组进行特征扩展以得到每个相干商品的一阶商品特征，然后对每个相干商品的一阶商品特征进行特征选择以得到每个相干商品的二阶商品特征。用户画像服务器根据所有相干产品的二阶商品特征建立目标用户的用户画像。商品推荐服务器根据目标用户的用户画像为目标用户推荐商品。
但是现有的电子商务平台商品智能推荐系统仍存在以下不足，尤其是不能够针对用户群体进行二次推荐，导致用户对被推荐商品的接受度低。
发明内容
本发明的目的在于提供基于大数据的电子商务平台商品智能推荐系统及方法，在于通过用户监测系统对针对用户的停止推荐信号和不推荐信号进行处理，即采用用户区域推送管理和用户身边朋友喜欢商品ID推送管理的结合方式，针对用户进行外部环境商品ID管理和内部朋友喜欢商品ID管理，采用内外结合的方式，实现对用户商品的二次精准推荐。
本发明的目的可以通过以下技术方案实现：
基于大数据的电子商务平台商品智能推荐系统及方法，包括数据采集系统、用户推荐系统和用户监测系统；
所述数据采集系统用于采集用户浏览和购买商品的历史信息，并通过计算用户浏览和购买的历史信息得到用户喜欢商品ID；
所述用户推荐系统根据用户喜欢商品ID向用户推荐与喜欢商品ID相适配的类似商品ID；
其中，用户推荐系统还针对用户对推荐的喜欢商品ID的浏览信息得出感兴趣商品ID和不感兴趣商品ID；
所述用户监测系统用于对不感兴趣商品ID的用户进行二次商品推荐处理。
作为本发明进一步的方案：所述数据采集系统采集用户浏览和购买商品的历史信息包括用户的浏览数据、时间容量数据、频率数据以及时间区域数据。
作为本发明进一步的方案：数据采集系统针对用户喜欢商品ID的采集分析过程如下：
步骤一：获取近三个月内用户浏览商品的次数和类似商品的次数之和，标记为Ci；
步骤二：获取近三个月内用户浏览商品和类似商品的时间之和,标记为Ti；
步骤三：获取近三个月内用户浏览商品和类似商品的频率之和,标记为Pi；
步骤四：获取近三个月内用户浏览商品和类似商品在某一时间段的次数之和，标记为Di；
步骤五：通过公式
Figure BDA0003731793750000031
获取用户喜欢商品ID的预览值Pj，其中，d1、d2与d3均为预设比例系数，d1、d2与d3均大于零，θ为误差修正因子，θ的取值为1.687423；
步骤六：将用户喜欢商品ID的预览值Pj与用户喜欢商品ID的预览阈值YH进行比较：
若用户喜欢商品ID的预览值Pj≥用户喜欢商品ID的预览阈值YH，则判定用户对该商品ID接受度高，生成推荐信号并将推荐信号与对应的商品ID及类似商品ID发送至用户推荐系统。
作为本发明进一步的方案：用户推荐系统接收推荐信号与推荐信号所对应的商品ID及类似商品ID后，用户推荐系统对商品的持续推荐处理过程为：
S1：获取用户推荐系统向用户推荐后一个月内的用户针对该推荐商品的点击量、用户针对该推荐商品的浏览时间总长和用户针对该推荐商品的搜索类似商品ID的次数之和，用户针对该推荐商品的点击量标记为Xi，用户针对该推荐商品的浏览时间总长标记为Yi,用户针对该推荐商品的搜索类似商品ID的次数之和标记为Zi；
S2：将用户针对该推荐商品的点击量标记为Xi，用户针对该推荐商 品的浏览时间总长标记为Yi,用户针对该推荐商品的搜索类似商品ID的 次数之和标记为Zi分别赋予修正因子x、y和z，x>y>z>0，且x+y+z＝3.6875； 再依据公式
Figure RE-GDA0003785965450000032
计算得到进一个月内用户的感兴趣系数 Wi，α、β和δ均为权重系数，α>β>δ,且α+β+δ＝4.3212；
S3：将近一个月用户的感兴趣系数Wi与用户感兴趣阈值w相比较：
若用户的感兴趣系数Wi≥用户感兴趣阈值w时，则表明用户对该推荐商品ID感兴趣度高，将该推荐商品ID及所对应的类似商品ID生成用户的持续推荐信号并发送至用户推荐系统。
作为本发明进一步的方案：S3中若用户的感兴趣系数Wi＜用户感兴趣阈值w时，则表明用户对该推荐商品ID不感兴趣，将该推荐商品ID及所对应的类似商品ID生成用户的停止推荐信号并发送至用户推荐系统，
作为本发明进一步的方案：步骤六中若用户喜欢商品ID的预览值Pj ＜用户喜欢商品ID的预览阈值YH，则判断用户该商品ID接受度低，生成不推荐信号并将不推荐信号与对应的商品ID及类似商品ID发送至用户推荐系统
作为本发明进一步的方案：用户监测系统用于对用户推荐系统中停止推荐信号和不推荐信号的接收，用户监测系统将停止推荐信号和不推荐信号的用户标记为未推荐用户；
用户监测系统针对未推荐用户的商品ID处理过程如下：
G1：基于大数据通过互联网获取未推荐用户的IP登录地址，并将登录频率最高的IP登录地址标记为未推荐用户的常用IP地址，并以IP地址为中心，获取周边20公里范围内用户感兴趣的商品ID及类似商品ID；
G2：并对周边20公里内用户感兴趣的商品ID进行归纳整理，得出周边用户感兴趣次数最多的商品ID，并将其记录为预推荐商品ID值，标记为YID；
G3：获取未推荐用户手机终端与其他用户的联系次数、联系时常和联系频率，并将未推荐用户与其他用户的联系次数、联系时常和联系频率分别标记为Qc、Qt和Qp，通过公式Qa＝Qc*n1+Qt*n2+Qp*n3获取到未推荐用户与其他用户的吸引系数Qa,其中，n1、n2和n3均为预设比例系数；
G4：将吸引系数Qa与吸引系数阈值QA进行比较；
若吸引系数Qa≥吸引系数阈值QA，则推定该用户与未推荐用户为相关联用户；
G5：获取相关联用户在近一个月内感兴趣高的商品ID，标记为GiID，将吸引系数Qa值由大到小的顺序取五位相关联用户通过公式
Figure BDA0003731793750000051
计算得到预计商品ID积分值；
G6：通过对预计商品ID积分值M与预推荐商品ID值YID进行加权处理，预计商品ID积分值M的权重占比分配为P1，将预推荐商品ID值YID 的权重占比分配为P2，其中，P1+P2＝1,P1>P2，并且P1与P2之间差值在 0.8到0.95之间，根据公式VT＝M*P1+YID*P2计算得到商品ID的二次推荐值；
若商品ID的二次推荐值VT≥预设推荐值，则对该商品ID及类似商品ID推荐给未推荐用户。
作为本发明进一步的方案：基于大数据的电子商务平台商品智能推荐系统的方法,应用于数据采集系统；
数据采集系统根据采集用户浏览和购买商品的历史信息包括用户的浏览数据、时间容量数据、频率数据以及时间区域数据，数据采集系统对所采集的历史信息进行整合处理，生成推荐信号并将推荐信号与对应的商品ID及类似商品ID并发送至用户推荐系统，用户推荐系统对用户喜欢商品ID及类似商品ID进行推荐。
作为本发明进一步的方案：基于大数据的电子商务平台商品智能推荐系统的方法,应用于用户推荐系统；
用户推荐系统用于接收数据采集系统发送的推荐信号与对应的商品 ID及类似商品ID，并向用户推荐商品ID及类似商品ID，用户推荐系统在推荐过程中对用户感兴趣的商品ID生成持续推荐信号并持续推送，对用户不感兴趣的商品ID生成停止推荐信号并停止推荐，并将停止推荐信号发送至用户监测系统。
作为本发明进一步的方案：基于大数据的电子商务平台商品智能推荐系统的方法,应用于用户监测系统；
用户监测系统用于接收用户推荐系统的停止推荐信号和数据采集系统的不推荐信号，用户监测系统将停止推荐信号和不推荐信号的用户标记为未推荐用户，用户监测系统接收到针对用户的不推荐信号和停止推荐信号时，用户监测系统针对未推荐用户参数进行二次处理，从而计算得出基于未推荐用户能够被推荐的商品ID。
本发明的有益效果：
在于对用户针对商品的浏览数据、时间容量数据、频率数据以及时间区域数据进行整合处理，进而得到用户喜欢商品ID的预览值，将喜欢商品ID的预览值不小于用户喜欢商品ID的预览阈值的商品ID以及类似的商品ID推荐给用户，从而实现精准推荐地目的；
在于通过用户监测系统对针对用户的停止推荐信号和不推荐信号进行处理，即采用用户区域推送管理和用户身边朋友喜欢商品ID推送管理的结合方式，针对用户进行外部环境商品ID管理和内部朋友喜欢商品ID 管理，采用内外结合的方式，实现对用户二次的精准推荐。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明流程图的结构示意图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1所示，本发明为基于大数据的电子商务平台商品智能推荐系统及方法，包括数据采集系统、用户推荐系统和用户监测系统；
所述数据采集系统用于采集用户浏览和购买商品的历史信息，并通过计算用户浏览和购买的历史信息得到用户喜欢商品ID；
所述用户推荐系统根据用户喜欢商品ID向用户推荐与喜欢商品ID相适配的类似商品ID；
所述用户监测系统用于监测用户对类似商品ID的浏览，并对用户进行二次推送处理。
数据采集系统采集用户浏览和购买商品的历史信息包括用户的浏览数据、时间容量数据、频率数据以及时间区域数据；
浏览数据为近三个月内用户浏览商品的次数和类似商品的次数之和；
时间容量数据为近三个月内用户浏览商品和类似商品的时间之和；
频率数据为近三个月内用户浏览商品和类似商品的频率之和；
时间区域数据为近三个月内用户浏览商品和类似商品在某一时间段的次数之和；
数据采集系统针对用户喜欢商品ID的采集分析过程如下：
步骤一：获取近三个月内用户浏览商品的次数和类似商品的次数之和，标记为Ci；
步骤二：获取近三个月内用户浏览商品和类似商品的时间之和,标记为Ti；
步骤三：获取近三个月内用户浏览商品和类似商品的频率之和,标记为Pi；
步骤四：获取近三个月内用户浏览商品和类似商品在某一时间段的次数之和，标记为Di；
步骤五：通过公式
Figure BDA0003731793750000081
获取用户喜欢商品ID的预览值Pj，其中，d1、d2与d3均为预设比例系数，d1、d2与d3均大于零，θ为误差修正因子，θ的取值为1.687423；
步骤六：将用户喜欢商品ID的预览值Pj与用户喜欢商品ID的预览阈值YH进行比较：
若用户喜欢商品ID的预览值Pj≥用户喜欢商品ID的预览阈值YH，则判定用户对该商品ID接受度高，生成推荐信号并将推荐信号与对应的商品ID及类似商品ID发送至用户推荐系统；
若用户喜欢商品ID的预览值Pj＜用户喜欢商品ID的预览阈值YH，则判断用户该商品ID接受度低，生成不推荐信号并将不推荐信号与对应的商品ID及类似商品ID发送至用户推荐系统。
用户推荐系统接收到推荐信号与推荐信号所对应的商品ID及类似商品ID后，通过离线推荐和在线推荐两种方式向用户进行推荐；
用户推荐系统向用户推荐商品ID及类似商品ID，用户推荐系统对商品的持续推荐处理过程为：
步骤一：获取用户推荐系统向用户推荐后一个月内的用户针对该推荐商品的点击量、用户针对该推荐商品的浏览时间总长和用户针对该推荐商品的搜索类似商品ID的次数之和，用户针对该推荐商品的点击量标记为 Xi，用户针对该推荐商品的浏览时间总长标记为Yi,用户针对该推荐商品的搜索类似商品ID的次数之和标记为Zi；
步骤二：将用户针对该推荐商品的点击量标记为Xi，用户针对该推荐商品的浏览时间总长标记为Yi,用户针对该推荐商品的搜索类似商品 ID的次数之和标记为Zi分别赋予修正因子x、y和z，x>y>z>0，且x+y+z＝3.6875；再依据公式
Figure BDA0003731793750000091
计算得到进一个月内用户的感兴趣系数Wi，α、β和δ均为权重系数，α>β>δ,且α+β+δ＝4.3212；
步骤三：将近一个月用户的感兴趣系数Wi与用户感兴趣阈值w相比较：
若用户的感兴趣系数Wi≥用户感兴趣阈值w时，则表明用户对该推荐商品ID感兴趣度高，将该推荐商品ID及所对应的类似商品ID生成用户的持续推荐信号并发送至用户推荐系统；
若用户的感兴趣系数Wi＜用户感兴趣阈值w时，则表明用户对该推荐商品ID不感兴趣，将该推荐商品ID及所对应的类似商品ID生成用户的停止推荐信号并发送至用户推荐系统。
用户监测系统用于接收用户推荐系统的停止推荐信号和数据采集系统的不推荐信号，用户监测系统将停止推荐信号和不推荐信号的用户标记为未推荐用户，用户监测系统接收到针对用户的不推荐信号和停止推荐信号时，用户监测系统针对未推荐用户参数进行二次处理，从而计算得出基于未推荐用户能够被推荐的商品ID；
用户监测系统针对未推荐用户的商品ID处理过程如下：
步骤一：基于大数据通过互联网获取未推荐用户的IP登录地址，并将登录频率最高的IP登录地址标记为未推荐用户的常用IP地址，并以 IP地址为中心，获取周边20公里范围内用户感兴趣的商品ID及类似商品ID；
步骤二：并对周边20公里内用户感兴趣的商品ID进行归纳整理，得出周边用户感兴趣次数最多的商品ID，并将其记录为预推荐商品ID值，标记为YID；
步骤三：获取未推荐用户手机终端与其他用户的联系次数、联系时常和联系频率，并将未推荐用户与其他用户的联系次数、联系时常和联系频率分别标记为Qc、Qt和Qp，通过公式Qa＝Qc*n1+Qt*n2+Qp*n3获取到未推荐用户与其他用户的吸引系数Qa,其中，n1、n2和n3均为预设比例系数；
步骤四：将吸引系数Qa与吸引系数阈值QA进行比较；
若吸引系数Qa≥吸引系数阈值QA，则推定该用户与未推荐用户为相关联用户；
若吸引系数Qa＜吸引系数阈值QA，则推定该用户与未推荐用户为无关联用户；
步骤五：获取相关联用户在近一个月内感兴趣高的商品ID，标记为 GiID，将吸引系数Qa值由大到小的顺序取五位相关联用户通过公式
Figure BDA0003731793750000101
计算得到预计商品ID积分值；
步骤六：通过对预计商品ID积分值M与预推荐商品ID值YID进行加权处理，预计商品ID积分值M的权重占比分配为P1，将预推荐商品ID 值YID的权重占比分配为P2，其中，P1+P2＝1,P1>P2，并且P1与P2之间差值在0.8到0.95之间，根据公式VT＝M*P1+YID*P2计算得到商品ID的二次推荐值；
若商品ID的二次推荐值VT≥预设推荐值，则对该商品ID及类似商品ID推荐给未推荐用户。
本发明的核心点之一：在于对用户针对商品的浏览数据、时间容量数据、频率数据以及时间区域数据进行整合处理，进而得到用户喜欢商品 ID的预览值，将喜欢商品ID的预览值不小于用户喜欢商品ID的预览阈值的商品ID以及类似的商品ID推荐给用户，从而实现精准推荐地目的；
本发明的核心点之二：在于对用户的对推荐商品的分析处理，通过对用户针对推荐商品的点击量、推荐商品的浏览时间总长和推荐商品的搜索类似商品ID的次数之和的整合处理，从而得到用户的感兴趣系数，但用户的感兴趣系数不小于用户感兴趣阈值时，则表明用户对该推荐商品ID 感兴趣度高，表明，商品ID推荐的精准度高，将该推荐商品ID及所对应的类似商品ID生成用户的持续推荐信号并发送至用户推荐系统；
本发明的核心点之三：在于通过用户监测系统对针对用户的停止推荐信号和不推荐信号进行处理，即采用用户区域推送管理和用户身边朋友喜欢商品ID推送管理的结合方式，针对用户进行外部环境商品ID管理和内部朋友喜欢商品ID管理，采用内外结合的方式，实现商品的精准推荐。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (10)

1.基于大数据的电子商务平台商品智能推荐系统，其特征在于，包括数据采集系统、用户推荐系统和用户监测系统；
所述数据采集系统用于采集用户浏览和购买商品的历史信息，并通过计算用户浏览和购买的历史信息得到用户喜欢商品ID；
所述用户推荐系统根据用户喜欢商品ID向用户推荐与喜欢商品ID相适配的类似商品ID；
其中，用户推荐系统还针对用户对推荐的喜欢商品ID的浏览信息得出感兴趣商品ID和不感兴趣商品ID；
所述用户监测系统用于对不感兴趣商品ID的用户进行二次商品推荐处理。
2.根据权利要求1所述的基于大数据的电子商务平台商品智能推荐系统,其特征在于，所述数据采集系统采集用户浏览和购买商品的历史信息包括用户的浏览数据、时间容量数据、频率数据以及时间区域数据。
3.根据权利要求2所述的基于大数据的电子商务平台商品智能推荐系统,其特征在于，数据采集系统针对用户喜欢商品ID的采集分析过程如下：
步骤一：浏览数据为近三个月内用户浏览商品的次数和类似商品的次数之和，标记为Ci；
步骤二：时间容量数据为近三个月内用户浏览商品和类似商品的时间之和,标记为Ti；
步骤三：频率数据为近三个月内用户浏览商品和类似商品的频率之和,标记为Pi；
步骤四：时间区域数据为近三个月内用户浏览商品和类似商品在某一时间段的次数之和，标记为Di；
步骤五：通过公式
Figure FDA0003731793740000021
获取用户喜欢商品ID的预览值Pj，其中，d1、d2与d3均为预设比例系数，d1、d2与d3均大于零，θ为误差修正因子，θ的取值为1.687423；
步骤六：将用户喜欢商品ID的预览值Pj与用户喜欢商品ID的预览阈值YH进行比较：
若用户喜欢商品ID的预览值Pj≥用户喜欢商品ID的预览阈值YH，则判定用户对该商品ID接受度高，生成推荐信号并将推荐信号与对应的商品ID及类似商品ID发送至用户推荐系统。
4.根据权利要求3所述的基于大数据的电子商务平台商品智能推荐系统,其特征在于，用户推荐系统接收推荐信号与推荐信号所对应的商品ID及类似商品ID后，用户推荐系统对商品的持续推荐处理过程为：
S1：获取用户推荐系统向用户推荐后一个月内的用户针对该推荐商品的点击量、用户针对该推荐商品的浏览时间总长和用户针对该推荐商品的搜索类似商品ID的次数之和，用户针对该推荐商品的点击量标记为Xi，用户针对该推荐商品的浏览时间总长标记为Yi,用户针对该推荐商品的搜索类似商品ID的次数之和标记为Zi；
S2：将用户针对该推荐商品的点击量标记为Xi，用户针对该推荐商品的浏览时间总长标记为Yi,用户针对该推荐商品的搜索类似商品ID的次数之和标记为Zi分别赋予修正因子x、y和z，x>y>z>0，且x+y+z＝3.6875；再依据公式
Figure FDA0003731793740000022
计算得到进一个月内用户的感兴趣系数Wi，α、β和δ均为权重系数，α>β>δ,且α+β+δ＝4.3212；
S3：将近一个月用户的感兴趣系数Wi与用户感兴趣阈值w相比较：
若用户的感兴趣系数Wi≥用户感兴趣阈值w时，则表明用户对该推荐商品ID感兴趣度高，将该推荐商品ID及所对应的类似商品ID生成用户的持续推荐信号并发送至用户推荐系统。
5.根据权利要求4所述的基于大数据的电子商务平台商品智能推荐系统,其特征在于，S3中若用户的感兴趣系数Wi＜用户感兴趣阈值w时，则表明用户对该推荐商品ID不感兴趣，将该推荐商品ID及所对应的类似商品ID生成用户的停止推荐信号并发送至用户推荐系统。
6.根据权利要求3所述的基于大数据的电子商务平台商品智能推荐系统,其特征在于，步骤六中若用户喜欢商品ID的预览值Pj＜用户喜欢商品ID的预览阈值YH，则判断用户该商品ID接受度低，生成不推荐信号并将不推荐信号与对应的商品ID及类似商品ID发送至用户推荐系统。
7.根据权利要求5或6所述的基于大数据的电子商务平台商品智能推荐系统,其特征在于，用户监测系统用于对用户推荐系统中停止推荐信号和不推荐信号的接收，用户监测系统将停止推荐信号和不推荐信号的用户标记为未推荐用户；
用户监测系统针对未推荐用户的商品ID处理过程如下：
G1：基于大数据通过互联网获取未推荐用户的IP登录地址，并将登录频率最高的IP登录地址标记为未推荐用户的常用IP地址，并以IP地址为中心，获取周边20公里范围内用户感兴趣的商品ID及类似商品ID；
G2：并对周边20公里内用户感兴趣的商品ID进行归纳整理，得出周边用户感兴趣次数最多的商品ID，并将其记录为预推荐商品ID值，标记为YID；
G3：获取未推荐用户手机终端与其他用户的联系次数、联系时常和联系频率，并将未推荐用户与其他用户的联系次数、联系时常和联系频率分别标记为Qc、Qt和Qp，通过公式Qa＝Qc*n1+Qt*n2+Qp*n3获取到未推荐用户与其他用户的吸引系数Qa,其中，n1、n2和n3均为预设比例系数；
G4：将吸引系数Qa与吸引系数阈值QA进行比较；
若吸引系数Qa≥吸引系数阈值QA，则推定该用户与未推荐用户为相关联用户；
G5：获取相关联用户在近一个月内感兴趣高的商品ID，标记为GiID，将吸引系数Qa值由大到小的顺序取五位相关联用户通过公式
Figure FDA0003731793740000041
计算得到预计商品ID积分值；
G6：通过对预计商品ID积分值M与预推荐商品ID值YID进行加权处理，预计商品ID积分值M的权重占比分配为P1，将预推荐商品ID值YID的权重占比分配为P2，其中，P1+P2＝1,P1>P2，并且P1与P2之间差值在0.8到0.95之间，根据公式VT＝M*P1+YID*P2计算得到商品ID的二次推荐值；
若商品ID的二次推荐值VT≥预设推荐值，则对该商品ID及类似商品ID推荐给未推荐用户。
8.基于大数据的电子商务平台商品智能推荐系统的方法,其特征在于，应用于数据采集系统；
数据采集系统根据采集用户浏览和购买商品的历史信息包括用户的浏览数据、时间容量数据、频率数据以及时间区域数据，数据采集系统对所采集的历史信息进行整合处理，生成推荐信号并将推荐信号与对应的商品ID及类似商品ID并发送至用户推荐系统，用户推荐系统对用户喜欢商品ID及类似商品ID进行推荐。
9.基于大数据的电子商务平台商品智能推荐系统的方法,其特征在于，应用于用户推荐系统；
用户推荐系统用于接收数据采集系统发送的推荐信号与对应的商品ID及类似商品ID，并向用户推荐商品ID及类似商品ID，用户推荐系统在推荐过程中对用户感兴趣的商品ID生成持续推荐信号并持续推送，对用户不感兴趣的商品ID生成停止推荐信号并停止推荐，并将停止推荐信号发送至用户监测系统。
10.基于大数据的电子商务平台商品智能推荐系统的方法,其特征在于，应用于用户监测系统；
用户监测系统用于接收用户推荐系统的停止推荐信号和数据采集系统的不推荐信号，用户监测系统将停止推荐信号和不推荐信号的用户标记为未推荐用户，用户监测系统接收到针对用户的不推荐信号和停止推荐信号时，用户监测系统针对未推荐用户参数进行二次处理，从而计算得出基于未推荐用户能够被推荐的商品ID。
CN202210795539.5A 2022-07-06 2022-07-06 基于大数据的电子商务平台商品智能推荐系统及方法 Pending CN115018594A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210795539.5A CN115018594A (zh) 2022-07-06 2022-07-06 基于大数据的电子商务平台商品智能推荐系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210795539.5A CN115018594A (zh) 2022-07-06 2022-07-06 基于大数据的电子商务平台商品智能推荐系统及方法

Publications (1)

Publication Number Publication Date
CN115018594A true CN115018594A (zh) 2022-09-06

Family

ID=83078228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210795539.5A Pending CN115018594A (zh) 2022-07-06 2022-07-06 基于大数据的电子商务平台商品智能推荐系统及方法

Country Status (1)

Country Link
CN (1) CN115018594A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116012036A (zh) * 2023-03-24 2023-04-25 中科云策(深圳)科技成果转化信息技术有限公司 基于大数据的分布式数据处理系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116012036A (zh) * 2023-03-24 2023-04-25 中科云策(深圳)科技成果转化信息技术有限公司 基于大数据的分布式数据处理系统
CN116012036B (zh) * 2023-03-24 2023-06-16 中科云策(深圳)科技成果转化信息技术有限公司 基于大数据的分布式数据处理系统

Similar Documents

Publication Publication Date Title
CN110162693B (zh) 一种信息推荐的方法以及服务器
CN107515938B (zh) 一种云制造环境下的供需智能匹配方法
Kawamae Serendipitous recommendations via innovators
CN103309894B (zh) 基于用户属性的搜索实现方法及系统
CN108876536A (zh) 基于最近邻信息的协同过滤推荐方法
CN111310046A (zh) 对象推荐方法及装置
CN106874416A (zh) 排行榜单生成方法及排行榜单生成装置
CN109857928B (zh) 基于多元信用评估的用户偏好预测方法
CN115018594A (zh) 基于大数据的电子商务平台商品智能推荐系统及方法
CN112925986A (zh) 商品对象推荐方法、装置、电子设备及存储介质
Chen et al. Trust-aware and location-based collaborative filtering for web service QoS prediction
CN110347923B (zh) 一种可回溯的快速裂变式构建用户画像的方法
CN112738536B (zh) 基于社交直播电商分布式的数据匹配方法
Gong Employing User Attribute and Item Attribute to Enhance the Collaborative Filtering Recommendation.
Pu et al. Clustering collaborative filtering recommendation algorithm of users based on time factor
CN107851263B (zh) 用于处理推荐请求的方法和推荐引擎
CN116188039A (zh) 供应商智能推荐方法及系统
CN116452301A (zh) 基于大数据分析的商品推荐方法及系统
CN108763318B (zh) 物品推荐方法和装置
CN108960958B (zh) 物品推荐方法和装置
US10440143B2 (en) Contextual trust based recommendation graph
CN105608111A (zh) 向终端用户推荐对象的方法及系统
CN113327154B (zh) 基于大数据的电商用户讯息推送方法及系统
CN115619458A (zh) 一种基于大数据驱动的在线广告高效精准投放方法和系统
CN114817730A (zh) 一种大数据情境下的资讯活动信息推荐系统及方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220906