CN115375414A - 一种基于大数据的社区团购商品推荐方法、装置、电子设备及储存介质 - Google Patents

一种基于大数据的社区团购商品推荐方法、装置、电子设备及储存介质 Download PDF

Info

Publication number
CN115375414A
CN115375414A CN202211306344.6A CN202211306344A CN115375414A CN 115375414 A CN115375414 A CN 115375414A CN 202211306344 A CN202211306344 A CN 202211306344A CN 115375414 A CN115375414 A CN 115375414A
Authority
CN
China
Prior art keywords
information
training
attribute information
behavior information
standard
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.)
Granted
Application number
CN202211306344.6A
Other languages
English (en)
Other versions
CN115375414B (zh
Inventor
黄金明
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.)
Hunan Youzhi Network Technology Co ltd
Original Assignee
Hunan Youzhi Network Technology 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 Hunan Youzhi Network Technology Co ltd filed Critical Hunan Youzhi Network Technology Co ltd
Priority to CN202211306344.6A priority Critical patent/CN115375414B/zh
Publication of CN115375414A publication Critical patent/CN115375414A/zh
Application granted granted Critical
Publication of CN115375414B publication Critical patent/CN115375414B/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]
    • G06Q30/0605—Supply or demand aggregation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

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

Abstract

本申请公开了一种基于大数据的社区团购商品推荐方法、装置、电子设备及储存介质，该方法包括获取所述社区内客户的属性信息，所述属性信息包括客户的年龄、租住情况和性别；根据所述属性信息确定标准客户的标准属性信息；获取所述社区内客户的行为信息，所述行为信息包括用户点击记录、用户浏览记录和用户购买记录；根据所述行为信息确定所述标准客户的标准行为信息；根据所述标准属性信息、所述标准行为信息和目标模型，确定目标商品信息；以及根据所述目标商品信息，推荐所述团购商品。通过该方法能够较为准确推荐团购商品，且能够根据社区内人员的流动和实际的购物历史来动态推荐团购商品。

Description

一种基于大数据的社区团购商品推荐方法、装置、电子设备及 储存介质
技术领域
本申请属于大数据分析技术领域，具体涉及一种基于大数据的社区团购商品推荐方法、装置、电子设备及储存介质。
背景技术
目前大数据的研究已经进入了应用的层面，各行各业都在进行大数据的实际应用研究。
随着社区化聚集生活的形成，人们越来越依赖于网络购物，现在也存在各种各样的网络购物平台，网络购物平台上也充满了各式各样的商品。网络购物平台的管理者面临着主动推荐商品的问题，推荐出来的商品能够获得更多的用户青睐，形成了团购，也通过团购的方式来获得更多的销售量，当然，如果推荐错误也会造成用户对于网络购物平台的不信任。现阶段的团购商品推荐方法都较为随机，并没有根据客观的社区人员和购买行为来动态推荐社区团购商品，造成了往往推荐出来的社区团购商品并不能形成真正的团购，购买量低，对网络购物平台的信誉造成影响。
发明内容
本申请为了克服现有技术的不足，提供一种基于大数据的社区团购商品推荐方法，应用于服务器，能够实现根据社区内客户的属性信息和行为信息来分析训练目标模型，以及根据社区内客户的属性信息和行为信息来形成标准属性信息和标准行为信息，然后根据标准属性信息、标准行为信息以及目标模型来确定目标商品信息，并根据目标商品信息来推荐团购商品，这使得能够根据社区内人员的不断流动以及购买历史来动态推荐团购商品，能够更加准确地推荐出符合社区人员的团购商品，从而实现更多的购买量。
该方法包括如下步骤：
获取所述社区内客户的属性信息，所述属性信息包括客户的年龄、租住情况和性别；
根据所述属性信息确定标准客户的标准属性信息；
获取所述社区内客户的行为信息，所述行为信息包括用户点击记录、用户浏览记录和用户购买记录；
根据所述行为信息确定所述标准客户的标准行为信息；
根据所述标准属性信息、所述标准行为信息和目标模型，确定目标商品信息；以及
根据所述目标商品信息，推荐所述团购商品；
其中，所述目标模型的训练包括：
进行第
Figure 657526DEST_PATH_IMAGE001
次迭代训练，将所述属性信息和所述行为信息输入第
Figure 207456DEST_PATH_IMAGE001
-1次迭代训练所确定的目标模型，得到所述第
Figure 636295DEST_PATH_IMAGE001
次迭代训练的参数训练结果，其中，
Figure 664294DEST_PATH_IMAGE001
为大于1的正整数；
基于所述第
Figure 111455DEST_PATH_IMAGE001
次迭代训练的参数训练结果和所述行为信息中的所述用户购买记录，对所述第
Figure 832287DEST_PATH_IMAGE001
-1次迭代训练所确定的目标模型的模型参数进行调整，基于调整后的所述模型参数进行第
Figure 997689DEST_PATH_IMAGE001
+1次迭代训练，重复上述的迭代训练，直至训练满足预设条件。
进一步地，所述目标模型的算法为：
Figure 829379DEST_PATH_IMAGE002
；
其中，
Figure 131047DEST_PATH_IMAGE003
为属性信息的特征值，
Figure 22780DEST_PATH_IMAGE004
为行为信息的特征值，
Figure 924745DEST_PATH_IMAGE005
为模型参数。
进一步地，所述预设条件为
Figure 294547DEST_PATH_IMAGE006
=0.5。
进一步地，计算所述属性信息的特征值的公式如下：
Figure 716301DEST_PATH_IMAGE007
；
其中，
Figure 44514DEST_PATH_IMAGE008
为客户的年龄，
Figure 918929DEST_PATH_IMAGE009
为客户的租住情况，
Figure 358001DEST_PATH_IMAGE010
为客户的性别；
当客户为业主时，
Figure 634261DEST_PATH_IMAGE009
=0；
当客户为租客时，
Figure 618529DEST_PATH_IMAGE009
=1；
当客户为男性时，
Figure 980240DEST_PATH_IMAGE010
=0；
当客户为女性时，
Figure 426265DEST_PATH_IMAGE010
=1。
进一步地，计算所述行为信息的特征值的公式如下：
Figure 822611DEST_PATH_IMAGE011
；
其中，
Figure 227048DEST_PATH_IMAGE012
为用户点击记录，
Figure 341634DEST_PATH_IMAGE013
为用户浏览记录，
Figure 856929DEST_PATH_IMAGE014
为用户购买记录。
进一步地，所述根据所述目标商品信息，推荐所述团购商品，包括：
根据所述目标商品信息，确定筛选阈值范围；
根据所述筛选阈值范围，筛选出符合所述筛选阈值范围的多个商品；
将所述多个商品的信息分别输入所述目标模型以获得模型参数
Figure 107782DEST_PATH_IMAGE015
；以及
推荐所述获得模型参数
Figure 417541DEST_PATH_IMAGE015
=0.5所对应的商品为所述团购商品。
进一步地，还提供了一种基于大数据的社区团购商品推荐装置，所述装置包括：
第一获取模块，用于获取所述社区内客户的属性信息，所述属性信息包括客户的年龄、租住情况和性别；
第一生成模块，用于根据所述属性信息确定标准客户的标准属性信息；
第二获取模块，用于获取所述社区内客户的行为信息，所述行为信息包括用户点击记录、用户浏览记录和用户购买记录；
第二生成模块，用于根据所述行为信息确定所述标准客户的标准行为信息；
计算模块，用于根据所述标准属性信息、所述标准行为信息和目标模型，确定目标商品信息；以及
推荐模块，用于根据所述目标商品信息，推荐所述团购商品；
其中，所述目标模型的训练包括：
进行第
Figure 280410DEST_PATH_IMAGE001
次迭代训练，将所述属性信息和所述行为信息输入第
Figure 333816DEST_PATH_IMAGE001
-1次迭代训练所确定的目标模型，得到所述第
Figure 439176DEST_PATH_IMAGE001
次迭代训练的参数训练结果，其中，
Figure 185415DEST_PATH_IMAGE001
为大于1的正整数；
基于所述第
Figure 743435DEST_PATH_IMAGE001
次迭代训练的参数训练结果和所述行为信息中的所述用户购买记录，对所述第
Figure 866112DEST_PATH_IMAGE001
-1次迭代训练所确定的目标模型的模型参数进行调整，基于调整后的所述模型参数进行第
Figure 825978DEST_PATH_IMAGE001
+1次迭代训练，重复上述的迭代训练，直至训练满足预设条件。
进一步地，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；以及
处理器，用于执行所述存储器中存储的可执行指令时，实现上述一种基于大数据的社区团购商品推荐方法。
进一步地，还提供了一种计算机可读存储介质，存储有可执行指令，所述可执行指令被处理器执行时实现上述一种基于大数据的社区团购商品推荐方法。
附图说明
图1为本申请的社区团购商品推荐方法的流程图；
图2为本申请的装置的结构示意图；
图3为本申请的电子设备的结构示意图。
具体实施方式
在本申请的描述中，需要理解的是，术语等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
本申请基于大数据的分析技术，提出了一种基于大数据的社区团购商品推荐方法，该推荐方法针对社区内客户进行推荐团购的商品，在一社区内，客户的流动或者其购买历史都会对其整体的喜好造成影响，而团购作为一种想要达到大量购买的效果，对于整体的客户的购买意愿有着很强的像关系。该方法包括如下步骤：
获取一社区内客户的属性信息，该属性信息包括客户的年龄、租住情况和性别，通过分析社区内客户的属性信息，能够对一社区内的人员的结构和组成进行掌握，熟知该社区内的人员构成，以便能够更好地进行推荐团购商品，这样能够做到推荐对象的明确化。
根据属性信息确定标准客户的标准属性信息，在整体掌握分析了社区内客户的年龄、租住情况和性别后通过大数据的分析来获得标准属性信息，其中具体的，对于单独一个客户的分析可以通过以下公式来获得该客户的属性信息的特征值。
Figure 743118DEST_PATH_IMAGE016
；（1）
其中，
Figure 804746DEST_PATH_IMAGE008
为客户的年龄，
Figure 465534DEST_PATH_IMAGE009
为客户的租住情况，
Figure 279907DEST_PATH_IMAGE010
为客户的性别；
当客户为业主时，
Figure 633528DEST_PATH_IMAGE009
=0；
当客户为租客时，
Figure 166140DEST_PATH_IMAGE009
=1；
当客户为男性时，
Figure 365040DEST_PATH_IMAGE010
=0；
当客户为女性时，
Figure 299498DEST_PATH_IMAGE010
=1。
通过上述的公式（1）来获得每个客户的属性信息的特征值，然后通过平均所有的客户的属性信息的特征值来获得标准属性信息。
获取社区内客户的行为信息，行为信息包括用户点击记录、用户浏览记录和用户购买记录。通过对社区内客户的行为信息进行分析，来获得社区内客户的对于购物的喜好和倾向。用户点击记录可以为某一商品的点击数；用户浏览记录可以为用户在某一商品的浏览时间；用户购买记录可以为用户对于某一商品的购买次数。当然，用户点击记录、用户浏览记录和用户购买记录也可以为用户的其他行为记录。
根据行为信息确定标准客户的标准行为信息，在整体掌握分析了社区内客户的用户点击记录、用户浏览记录和用户购买记录后通过大数据的分析来获得标准行为信息，其中具体的，对于单独一个客户的分析可以通过以下公式来获得该客户的行为信息的特征值。
Figure 558441DEST_PATH_IMAGE017
；（2）
其中，
Figure 312771DEST_PATH_IMAGE012
为用户点击记录，
Figure 830209DEST_PATH_IMAGE013
为用户浏览记录，
Figure 619173DEST_PATH_IMAGE014
为用户购买记录。
通过上述的公式（2）来获得每个客户的行为信息的特征值，然后通过平均所有的客户的行为信息的特征值来获得标准行为信息。
根据标准属性信息、标准行为信息和目标模型，确定目标商品信息。该目标模型通过一算法来实现，通过对目标模型的输入标准属性信息、标准行为信息来获得目标商品信息。
该目标模型的算法为：
Figure 49017DEST_PATH_IMAGE018
；
其中，
Figure 556222DEST_PATH_IMAGE019
为属性信息的特征值，
Figure 362504DEST_PATH_IMAGE020
为行为信息的特征值，
Figure 5975DEST_PATH_IMAGE021
为模型参数。
Figure 872300DEST_PATH_IMAGE019
通过公式（1）来计算，
Figure 601221DEST_PATH_IMAGE020
通过公式（2）来计算。
根据目标商品信息，推荐团购商品。可以根据目标商品信息来确定筛选阈值范围，该筛选阈值范围可以是目标商品信息*（80%-120%）;根据该筛选阈值范围，筛选出符合该筛选阈值范围的多个商品；将多个商品的信息分别输入目标模型以获得模型参数
Figure 227506DEST_PATH_IMAGE021
；以及推荐获得模型参数
Figure 991063DEST_PATH_IMAGE021
=0.5所对应的商品为团购商品。因此可以在根据目标商品信息推荐团购商品时能够实现反馈修正，通过确定筛选阈值范围来获得多个商品，然后通过多个商品来验证能够使得模型参数
Figure 762709DEST_PATH_IMAGE021
=0.5，可以的话说明该商品的可能受众是最多的，因此可以推荐该商品作为团购商品。
在一些实施例中，该目标模型的训练可以通过社区内的多个或者所有的客户的信息进行不断训练以获得更加准确的符合实际的目标模型。具体的可以以第
Figure 244506DEST_PATH_IMAGE001
-1、
Figure 392591DEST_PATH_IMAGE001
、
Figure 745075DEST_PATH_IMAGE001
+1次迭代训练来说。在进行第
Figure 687623DEST_PATH_IMAGE001
次迭代训练时，将属性信息和行为信息输入第
Figure 391137DEST_PATH_IMAGE001
-1次迭代训练所确定的目标模型，得到第
Figure 592180DEST_PATH_IMAGE001
次迭代训练的参数训练结果，其中，
Figure 64750DEST_PATH_IMAGE001
为大于1的正整数；基于第
Figure 443778DEST_PATH_IMAGE001
次迭代训练的参数训练结果和行为信息中的用户购买记录，对第
Figure 634588DEST_PATH_IMAGE001
-1次迭代训练所确定的目标模型的模型参数进行调整，基于调整后的模型参数进行第
Figure 124475DEST_PATH_IMAGE001
+1次迭代训练，重复上述的迭代训练，直至训练满足预设条件。
在一些实施例中，该预设条件为
Figure 717131DEST_PATH_IMAGE021
=0.5，该
Figure 267061DEST_PATH_IMAGE021
值一般可以表示商品被购买的用户数量占比，呈类似正态分布的情形，因此，当该值为0.5时表示用户对于该商品有着强烈的购买意愿，在一社区内则表示有意购买该商品的客户量最多。
以配合上述推荐方法，一种基于大数据的社区团购商品推荐装置200包括：
第一获取模块201，用于获取社区内客户的属性信息，属性信息包括客户的年龄、租住情况和性别；
第一生成模块202，用于根据属性信息确定标准客户的标准属性信息；
第二获取模块203，用于获取社区内客户的行为信息，行为信息包括用户点击记录、用户浏览记录和用户购买记录；
第二生成模块204，用于根据行为信息确定所述标准客户的标准行为信息；
计算模块205，用于根据标准属性信息、标准行为信息和目标模型，确定目标商品信息；以及
推荐模块206，用于根据目标商品信息，推荐团购商品。
本申请通过提供一种基于大数据的社区团购商品的推荐方法和装置，能够实现根据社区内客户的属性信息和行为信息来分析训练目标模型，以及根据社区内客户的属性信息和行为信息来形成标准属性信息和标准行为信息，然后根据标准属性信息、标准行为信息以及目标模型来确定目标商品信息，并根据目标商品信息来推荐团购商品，这使得能够根据社区内人员的不断流动以及购买历史来动态推荐团购商品，能够更加准确地推荐出符合社区人员的团购商品，从而实现更多的购买量。
上述基于大数据的社区团购商品的推荐装置可以实现为计算机程序的形式。本公开实施例所提到的计算机设备可提供为一种服务器。图3是根据一示例性实施例示出的一种服务器的框图，该服务器600可因配置或性能不同而产生比较大的差异，可以包括一个或多个处理器（Central Processing Units，CPU）601和一个或多个的存储器602，其中，该一个或多个存储器602中存储有至少一条程序代码，该至少一条程序代码由该一个或多个处理器601加载并执行以实现上述各个方法实施例提供的资源推荐方法中服务器执行的过程。当然，该服务器600还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器600还可以包括其他用于实现设备功能的部件，在此不做赘述。
在示例性实施例中，还提供了一种包括程序代码的计算机可读存储介质，例如包括程序代码的存储器602，上述程序代码可由服务器600的处理器601执行以完成上述资源推荐方法。可选地，计算机可读存储介质可以是ROM（Read-Only Memory，只读内存）、RAM（Random Access Memory，随机存取存储器）、CD-ROM（Compact-Disc Read-Only Memory，只读光盘）、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的资源推荐方法。
在一些实施例中，本公开实施例所涉及的计算机程序可被部署在一个计算机设备上执行，或者在位于一个地点的多个计算机设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算机设备上执行，分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链系统。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (9)

1.一种基于大数据的社区团购商品推荐方法，应用于服务器，其特征在于，包括如下步骤：
获取所述社区内客户的属性信息，所述属性信息包括客户的年龄、租住情况和性别；
根据所述属性信息确定标准客户的标准属性信息；
获取所述社区内客户的行为信息，所述行为信息包括用户点击记录、用户浏览记录和用户购买记录；
根据所述行为信息确定所述标准客户的标准行为信息；
根据所述标准属性信息、所述标准行为信息和目标模型，确定目标商品信息；以及
根据所述目标商品信息，推荐所述团购商品；
其中，所述目标模型的训练包括：
进行第次迭代训练，将所述属性信息和所述行为信息输入第
Figure 611210DEST_PATH_IMAGE001
-1次迭代训练所确定的目标模型，得到所述第
Figure 656526DEST_PATH_IMAGE001
次迭代训练的参数训练结果，其中，
Figure 317314DEST_PATH_IMAGE001
为大于1的正整数；
基于所述第
Figure 662845DEST_PATH_IMAGE001
次迭代训练的参数训练结果和所述行为信息中的所述用户购买记录，对所述第
Figure 485308DEST_PATH_IMAGE001
-1次迭代训练所确定的目标模型的模型参数进行调整，基于调整后的所述模型参数进行第
Figure 768652DEST_PATH_IMAGE001
+1次迭代训练，重复上述的迭代训练，直至训练满足预设条件。
2.根据权利要求1所述的一种基于大数据的社区团购商品推荐方法，其特征在于，所述目标模型的算法为：
Figure 233132DEST_PATH_IMAGE002
；
其中，
Figure 167590DEST_PATH_IMAGE003
为属性信息的特征值，
Figure 426533DEST_PATH_IMAGE004
为行为信息的特征值，
Figure 446441DEST_PATH_IMAGE005
为模型参数。
3.根据权利要求2所述的一种基于大数据的社区团购商品推荐方法，其特征在于，所述预设条件为
Figure 714612DEST_PATH_IMAGE005
=0.5。
4.根据权利要求2所述的一种基于大数据的社区团购商品推荐方法，其特征在于，计算所述属性信息的特征值的公式如下：
Figure 503576DEST_PATH_IMAGE006
；
其中，
Figure 933421DEST_PATH_IMAGE007
为客户的年龄，
Figure 701612DEST_PATH_IMAGE008
为客户的租住情况，
Figure 507894DEST_PATH_IMAGE009
为客户的性别；
当客户为业主时，
Figure 151365DEST_PATH_IMAGE008
=0；
当客户为租客时，
Figure 752110DEST_PATH_IMAGE008
=1；
当客户为男性时，
Figure 481032DEST_PATH_IMAGE009
=0；
当客户为女性时，
Figure 91005DEST_PATH_IMAGE009
=1。
5.根据权利要求2所述的一种基于大数据的社区团购商品推荐方法，其特征在于，计算所述行为信息的特征值的公式如下：
Figure 588982DEST_PATH_IMAGE010
；
其中，
Figure 626208DEST_PATH_IMAGE011
为用户点击记录，
Figure 842426DEST_PATH_IMAGE012
为用户浏览记录，
Figure 741243DEST_PATH_IMAGE013
为用户购买记录。
6.根据权利要求2所述的一种基于大数据的社区团购商品推荐方法，其特征在于，所述根据所述目标商品信息，推荐所述团购商品，包括：
根据所述目标商品信息，确定筛选阈值范围；
根据所述筛选阈值范围，筛选出符合所述筛选阈值范围的多个商品；
将所述多个商品的信息分别输入所述目标模型以获得模型参数
Figure 359306DEST_PATH_IMAGE005
；以及
推荐所述获得模型参数
Figure 567433DEST_PATH_IMAGE005
=0.5所对应的商品为所述团购商品。
7.一种基于大数据的社区团购商品推荐装置，其特征在于，所述装置包括：
第一获取模块，用于获取所述社区内客户的属性信息，所述属性信息包括客户的年龄、租住情况和性别；
第一生成模块，用于根据所述属性信息确定标准客户的标准属性信息；
第二获取模块，用于获取所述社区内客户的行为信息，所述行为信息包括用户点击记录、用户浏览记录和用户购买记录；
第二生成模块，用于根据所述行为信息确定所述标准客户的标准行为信息；
计算模块，用于根据所述标准属性信息、所述标准行为信息和目标模型，确定目标商品信息；以及
推荐模块，用于根据所述目标商品信息，推荐所述团购商品；
其中，所述目标模型的训练包括：
进行第次迭代训练，将所述属性信息和所述行为信息输入第
Figure 270947DEST_PATH_IMAGE001
-1次迭代训练所确定的目标模型，得到所述第
Figure 222723DEST_PATH_IMAGE001
次迭代训练的参数训练结果，其中，
Figure 695292DEST_PATH_IMAGE001
为大于1的正整数；
基于所述第
Figure 808742DEST_PATH_IMAGE001
次迭代训练的参数训练结果和所述行为信息中的所述用户购买记录，对所述第
Figure 999552DEST_PATH_IMAGE001
-1次迭代训练所确定的目标模型的模型参数进行调整，基于调整后的所述模型参数进行第
Figure 489439DEST_PATH_IMAGE001
+1次迭代训练，重复上述的迭代训练，直至训练满足预设条件。
8.一种电子设备，其特征在于，
所述电子设备包括：
存储器，用于存储可执行指令；以及
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至6任一项所述的一种基于大数据的社区团购商品推荐方法。
9.一种计算机可读存储介质，存储有可执行指令，其特征在于，所述可执行指令被处理器执行时实现权利要求1至6任一项所述的一种基于大数据的社区团购商品推荐方法。
CN202211306344.6A 2022-10-25 2022-10-25 一种基于大数据的社区团购商品推荐方法、装置、电子设备及储存介质 Active CN115375414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211306344.6A CN115375414B (zh) 2022-10-25 2022-10-25 一种基于大数据的社区团购商品推荐方法、装置、电子设备及储存介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211306344.6A CN115375414B (zh) 2022-10-25 2022-10-25 一种基于大数据的社区团购商品推荐方法、装置、电子设备及储存介质

Publications (2)

Publication Number Publication Date
CN115375414A true CN115375414A (zh) 2022-11-22
CN115375414B CN115375414B (zh) 2023-04-07

Family

ID=84074225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211306344.6A Active CN115375414B (zh) 2022-10-25 2022-10-25 一种基于大数据的社区团购商品推荐方法、装置、电子设备及储存介质

Country Status (1)

Country Link
CN (1) CN115375414B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150379609A1 (en) * 2014-06-30 2015-12-31 Kobo Incorporated Generating recommendations for unfamiliar users by utilizing social side information
CN105469263A (zh) * 2014-09-24 2016-04-06 阿里巴巴集团控股有限公司 一种商品推荐方法及装置
CN106708821A (zh) * 2015-07-21 2017-05-24 广州市本真网络科技有限公司 基于用户个性化购物行为进行商品推荐的方法
CN107633430A (zh) * 2017-09-20 2018-01-26 哈尔滨工业大学 一种基于群体社区的商品推荐方法
CN109191240A (zh) * 2018-08-14 2019-01-11 北京九狐时代智能科技有限公司 一种进行商品推荐的方法和装置
CN111260449A (zh) * 2020-02-17 2020-06-09 腾讯科技（深圳）有限公司 一种模型训练的方法、商品推荐的方法、装置及存储介质
CN114820123A (zh) * 2022-04-22 2022-07-29 廊坊昀泰科技有限公司 团购商品推荐方法、装置、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150379609A1 (en) * 2014-06-30 2015-12-31 Kobo Incorporated Generating recommendations for unfamiliar users by utilizing social side information
CN105469263A (zh) * 2014-09-24 2016-04-06 阿里巴巴集团控股有限公司 一种商品推荐方法及装置
CN106708821A (zh) * 2015-07-21 2017-05-24 广州市本真网络科技有限公司 基于用户个性化购物行为进行商品推荐的方法
CN107633430A (zh) * 2017-09-20 2018-01-26 哈尔滨工业大学 一种基于群体社区的商品推荐方法
CN109191240A (zh) * 2018-08-14 2019-01-11 北京九狐时代智能科技有限公司 一种进行商品推荐的方法和装置
CN111260449A (zh) * 2020-02-17 2020-06-09 腾讯科技（深圳）有限公司 一种模型训练的方法、商品推荐的方法、装置及存储介质
CN114820123A (zh) * 2022-04-22 2022-07-29 廊坊昀泰科技有限公司 团购商品推荐方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN115375414B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
US10430859B2 (en) System and method of generating a recommendation of a product or service based on inferring a demographic characteristic of a customer
Zhao et al. Modeling consumer learning from online product reviews
US9665902B2 (en) Personalized recommendation method and system, and computer-readable record medium
JP6231204B2 (ja) アイテム間類似度の生成
CN106372249B (zh) 一种点击率预估方法、装置及电子设备
Hostler et al. Recommendation agent impact on consumer online shopping: The Movie Magic case study
US20150161661A1 (en) Preservation of scores of the quality of traffic to network sites across clients and over time
US7577578B2 (en) Method for determining the post-launch performance of a product on a market
US11068285B2 (en) Machine-learning models applied to interaction data for determining interaction goals and facilitating experience-based modifications to interface elements in online environments
US20120143718A1 (en) Optimization of a web-based recommendation system
CN106095895B (zh) 信息推送方法和装置
JP7271529B2 (ja) 自動化されたアトリビューションモデリングおよび測定
JP2009265747A (ja) マーケティング支援システム、マーケティング支援方法、マーケティング支援プログラム及びコンピュータ読み取り可能な媒体
JP6440661B2 (ja) 判定装置、判定方法および判定プログラム
JPWO2005024689A1 (ja) 消費者の購買行動分析方法及び装置
US20210166179A1 (en) Item substitution techniques for assortment optimization and product fulfillment
US20220148020A1 (en) Agent Awareness Modeling for Agent-Based Modeling Systems
JP6530108B1 (ja) 情報処理装置、情報処理方法、および情報処理プログラム
US9070135B2 (en) Agent generation for agent-based modeling systems
CN109493138A (zh) 信息推荐方法、装置、服务器及存储介质
US20130226665A1 (en) Methods and systems for conducting surveys and processing survey data to generate a collective outcome
JP2009244981A (ja) 解析装置、解析方法及び解析プログラム
CN113674013A (zh) 一种基于商户自定义规则的广告竞价调整方法及系统
CN115375414B (zh) 一种基于大数据的社区团购商品推荐方法、装置、电子设备及储存介质
JP4962950B2 (ja) ネットワーク上のユーザに対するレコメンデーションの方法、レコメンデーションサーバ及びプログラム

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