CN115496566B - 基于大数据的地区特产推荐方法及系统 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及基于大数据的地区特产推荐方法及系统，包括：获取用户对每次已购买的每类商品的倾向明确度；获取每次购买对应的多个聚簇；建立用户每次购买商品的期望变化模型，根据每个用户每次购买商品的期望变化模型得到每个用户对每次已购买的每类商品的最终期望值；根据每个用户对每次已购买的每类商品的倾向明确度和该用户对每次已购买的每类商品的最终期望值得到该用户对每次已购买的每类商品的偏好度，根据该用户对每次已购买的每类商品的偏好度向该用户推送商品。本发明提高了用户的购买效率。

Description

基于大数据的地区特产推荐方法及系统

技术领域

本发明涉及数据处理技术领域，具体涉及基于大数据的地区特产推荐方法及系统。

背景技术

现代化生活的节奏越来越快，随着互联网技术的不断发展与普及，网上购物越来越普遍，网上购物在便利人们生活的同时，也存在这很多的商机，如通过大数据向人们推送各个地区的特产，广义上的土特产不仅包含农林产品，还包括工艺品、纺织品、矿物产品等，这些土特产可以帮助人们从生活实践中了解各地文化，但是，随着电商行业的飞速发展和用户消费心理的转变，从众购买的现象大幅减少，用户认知面的提升带来更为理性的消费选择，因此，土特产的推广要根据客户认知的需要来发掘和了解客户的期望、消费趋势及消费习惯，以满足客户的购买期望，但现有的利用大数据进行土特产的推广较为死板，只是根据用户是否浏览和是否购买该土特产来判断用户的喜好，并决定是否要对用户推荐该土特产，该方法进行土特产推广时并未结合用户的整体浏览商品和整体购买商品，导致电商平台的推荐系统无法紧密贴合用户的实际喜好，影响用户购买土特产的效率，最终影响土特产的销量。

发明内容

本发明提供基于大数据的地区特产推荐方法及系统，以解决现有的电商平台的推荐系统无法紧密贴合用户的实际喜好的问题。

本发明的基于大数据的地区特产推荐方法，采用如下技术方案：

根据用户在平台中所浏览的商品和购买的商品建立用户购买商品的倾向模型，根据用户购买商品的倾向模型中每个用户每次购买的每类商品在该用户所浏览的商品中出现的次数、每次购买对应的挑选过程中所浏览商品的总量和每次浏览的商品的类型数得到该用户对每次已购买的每类商品的倾向明确度；

对用户每次购买对应的挑选过程中所浏览商品按时序进行排列得到每次排列后的浏览的商品序列，对每次排列后浏览的商品序列进行聚类得到每次购买对应的多个聚簇；

根据用户每次已购买的每类商品在该次购买对应的每个聚簇中出现的次数、未购买的每类商品在该次购买对应的每个聚簇中出现的次数和该次购买对应的聚簇个数建立用户每次购买商品的期望变化模型，根据每个用户每次购买商品的期望变化模型得到每个用户对每次已购买的每类商品的最终期望值；

根据每个用户对每次已购买的每类商品的倾向明确度和该用户对每次已购买的每类商品的最终期望值得到该用户对每次已购买的每类商品的偏好度，根据该用户对每次已购买的每类商品的偏好度向该用户推送商品。

进一步的，每次已购买的每类商品的倾向明确度的具体表达式为：

式中：表示用户第c次购买s类商品的倾向明确度，表示第c次购买的s类商品在该用户第c次购买对应的挑选过程中所浏览商品中出现的次数，表示第c次购买的第类非s类商品在该用户第c次购买对应的挑选过程中所浏览商品中出现的次数，表示该用户第c次购买对应的挑选过程中所浏览商品的总量，表示该用户第c次浏览的所有商品的类型数，，分别表示权重，其中，，函数表示双曲正切函数，函数表示以为底的指数函数，表示自然常数。

进一步的，多个聚簇是按如下方法确定的：

将排列后浏览的商品序列的10条相邻的浏览数据作为DBSCAN聚类算法的局部可达范围；

利用DBSCAN聚类算法的局部可达范围对排列后浏览的商品序列进行聚类得到多个聚簇。

进一步的，每次已购买的每类商品的最终期望值的具体表达式为：

式中：表示用户第c次购买对应的挑选过程中对于所购买的s类商品的最终期望值，即用户每次已购买的每类商品的最终期望值，表示该用户第c次购买对应的挑选过程中第次非s类商品的浏览数据对于该用户期望值的变化值，K为该用户期望值的单位变化速率，代表第个聚簇中s类商品的浏览次数，表示聚簇的个数，表示该用户第c次购买对应的挑选过程中非s类商品的浏览次数，函数表示双曲正切函数。

进一步的，得到用户对已购买的每类商品的偏好度的方法是：

将用户对每次已购买的每类商品的倾向明确度、该用户对每次已购买的每类商品的最终期望值和每次购买的每类商品占购买次数的概率相乘得到该用户对每次已购买商品的偏好度；

将该用户对每次已购买商品的偏好度进行累加得到用户对已购买的每类商品的偏好度。

进一步的，还包括：

获取每个用户所推荐的商品的类型；

获取每个用户所推荐的商品的类型中已购买的商品的特征标签；

根据每个用户所推荐的商品的类型中已购买的商品的特征标签、每个用户已购买的商品的类型和每个用户浏览的商品得到每个用户对所推荐的每类商品中不同特征的商品的偏好度；

根据每个用户对已购买商品的偏好度和该用户对所推荐的每类商品中不同特征的商品的偏好度向该用户推送该特征的商品。

进一步的，向该用户推送不同特征的商品的方法是：

根据每个用户对已购买商品的偏好度向该用户推荐该用户已购买商品同类型的商品；

当该用户点入每类推荐的商品时，优先展示该用户偏好度高的特征所对应的商品。

基于大数据的地区特产推荐系统，包括：

建模模块，用于建立用户购买商品的倾向模型和用户每次购买商品的期望变化模型；

建模模块包括：采集单元和计算单元，其中：

采集单元：用于采集用户在平台中所浏览的商品和购买的商品；对用户每次购买的商品对应的挑选过程中所浏览商品按时序进行排列得到每次排列后的浏览的商品序列，对每次排列后浏览的商品序列进行聚类得到每次购买对应的多个聚簇；

计算单元：用于根据用户购买商品的倾向模型中每个用户每次购买的每类商品在该用户所浏览的商品中出现的次数、每次购买对应的挑选过程中所浏览商品的总量和每次浏览的商品的类型数得到该用户对每次已购买的每类商品的倾向明确度；

根据每个用户每次购买商品的期望变化模型得到每个用户对每次已购买的每类商品的最终期望值；

根据用户对每次已购买的每类商品的倾向明确度和该用户对每次已购买的每类商品的最终期望值得到该用户对已购买的每类商品的偏好度；

推荐模块，用于根据计算模块中所得的该用户对已购买的每类商品的偏好度向该用户推送商品。

本发明的有益效果是：本发明通过对用户历史消费数据的提取获取了用户历史购买的商品和浏览的商品，利用购买的商品对所浏览的商品进行约束，建立用户购买商品的倾向模型，分析用户购买商品的倾向变化，该步骤根据用户的浏览数据和购买数据对用户的购买倾向进行了分析，并为后续计算用户对已购买的商品的偏好度提供更加准确的参量；建立用户购买商品的期望变化模型，该期望变化模型根据用户历史数据中浏览购买的商品的时序所得，通过浏览购买的商品的时序可反映用户对于该已购买商品的期望值的变化情况，因此，用户购买商品的期望变化模型一定程度上也可反映用户对该已购买商品的偏好度，因此，本发明利用用户购买商品的倾向模型和用户购买商品的期望变化模型获取用户对已购买商品的偏好度，使得最终所得结果更加准确；同时，本发明进一步的对用户已购买商品进行特征的分类，即获取其特征标签，更加细化了用户对已购买商品的偏好度，最终根据用户对每类商品的每个特征的偏好度对用户推送各个地区的商品，精确定位用户喜好，提高了用户的购买效率。

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为本发明的基于大数据的地区特产推荐方法的实施例的流程图；

图2为本发明的基于大数据的地区特产推荐系统的结构框图。

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。

本发明的基于大数据的地区特产推荐方法的实施例，如图1所示，包括：

S1、根据用户在平台中所浏览的商品和购买的商品建立用户购买商品的倾向模型，根据用户购买商品的倾向模型中每个用户每次购买的每类商品在该用户所浏览的商品中出现的次数、每次购买对应的挑选过程中所浏览商品的总量和每次浏览的商品的类型数得到该用户对每次已购买的每类商品的倾向明确度。

网站流量数据统计分析，可以帮助网站管理员、运营人员、推广人员等实时获取网站流量信息，并从流量来源、网站内容、网站访客特性等多方面提供网站分析的数据依据，根据电商平台后台的日志服务器得到用户过去一年内的历史消费数据，该历史消费数据包括用户在平台中所浏览的商品和购买的商品，然后采样选取一定数量的用户在平台中所浏览的商品和购买的商品，并对本电商平台所有土特产商品进行SKU特征词条提取，SKU即商品的最小库存单位，每类都具有SKU码，其中每类商品的每个特征对应一个SKU码，例如纺织品的花色、图案、织法、地区等。

首先我们需要结合用户在平台中所浏览的商品和购买的商品判断用户的购买倾向的变化。

1、若用户浏览的商品中频繁出现某一类商品，例如工艺品，具体为茶具、陶俑等，而且用户购买的商品为浏览的该类商品（工艺品），则可以断定该用户的购买倾向没有发生变化，购买目标明确。

2、若用户购买的商品仅在浏览的商品中少量出现，且用户浏览的商品类型比较分散，则该用户的购买倾向并不确定，更多是源于突然的喜好。

3、此外还有一种特殊情况，即浏览的商品中购买的商品出现的次数较少，但用户所浏览的商品类型却比较单一，则也可以判断用户处于突然的喜好而改变了购买目标。

需要说明的是，没有任何购买记录的用户，其购买倾向都是不明确的，即使通过浏览记录可以获取部分购买倾向信息，但作为特产商品推荐依据太过牵强，且由以上三种情况可知，即使最终购买了商品，用户的浏览数据随机性也会比较大，因此无法单纯以浏览数据作为推荐依据，甚至产生负面效果，因此对该部分用户采用默认推荐方法。

因此，根据以上三种情况可建立用户购买商品的倾向模型，具体表达式为：

式中：表示用户第c次购买s类商品的倾向明确度，表示第c次购买的s类商品在该用户第c次购买对应的挑选过程中浏览的商品中出现的次数，表示第c次购买的第类非s类商品在该用户第c次购买对应的挑选过程中所浏览商品中出现的次数，表示该用户第c次购买对应的挑选过程中所浏览商品的总量，表示该用户第c次浏览的所有商品的类型数，，分别表示权重，其中，，函数表示双曲正切函数，函数表示以为底的指数函数，表示自然常数。

其中，表示用户第c次购买s类商品的倾向明确度，越大则越能说明用户在本次挑选过程中对s类商品的专注度强烈，利用双曲正切函数进行正比例归一化，归一化的目的在于统一量纲且便于权重的赋予；则代表在第c次购买商品的挑选过程中第i类商品在本次购买商品的挑选过程中所有浏览的商品中的占比，表示该用户第c次浏览的所有商品的类型数；为熵值计算，代表本次挑选过程中用户所浏览的商品类型的多样度；为利用指数函数对熵值进行反比例归一化，熵值越小则代表用户浏览的多样性较低，更为注重某一类商品，而熵值越小则其反比例归一化后取值在0-1之间越大。

根据所述的第三种特殊情况，需要将用户对s类商品的专注度、以及用户所浏览商品类型的多样度分别赋予权重值、，由于最终购买的商品为s类商品，尽管用户所浏览商品类型的多样度对于用户购买倾向的判断很重要，但为了避免所述第三类情况出现时，对的结果干扰较大，因此，需要限制其影响力，即需要，本发明根据经验值设定。

需要说明的是，若用户的购买倾向明确且所购买商品的确为目标商品，则的取值在0-1之间较大；若用户的购买倾向不明确，或者购买倾向明确但所购买商品不为目标商品时，均认为其由于喜好而临时改变购买目标，则此时的取值在0-1之间较小。因此，本发明以用户的购买倾向明确且所购买商品的确为目标商品的情况为例，对于存在该购买情况的用户进行计算其对已购买商品的倾向明确度。即利用用户购买商品的倾向模型获取第一种情况下的用户对已购买商品的倾向明确度。

S2、对用户每次购买对应的挑选过程中所浏览商品按时序进行排列得到每次排列后的浏览的商品序列，对每次排列后浏览的商品序列进行聚类得到每次购买对应的多个聚簇。

用户随着时间的推移，购买目标商品倾向也会发生变化，即在本次购买前期投入大量精力进行目标商品的挑选，由于商品类型繁杂、检索难度较大等原因导致用户发生倦怠心理，对于购买商品的期望值也会下降，导致用户购买目标商品的倾向动摇。

由于用户浏览商品时，考虑到现实中其他事情的干扰，如吃饭，休息等事情的干扰，因此，不能按照浏览的商品的实际时间节点对用户的购买期望进行分析，而是将用户浏览的商品按时序进行排列得到排列后的浏览的商品序列，即重构了浏览的商品的分布时序，然后将第c次购买s类商品对应的挑选过程中的排列后的浏览的商品序列进行DBSCAN局部密度聚类，得到多个聚簇。

得到多个聚簇的具体步骤为：将排列后浏览的商品的10条相邻的浏览数据作为DBSCAN聚类算法的局部可达范围；利用DBSCAN聚类算法的局部可达范围对排列后浏览的商品进行聚类得到第c次购买对应的多个聚簇。其中，只要在一个聚簇中出现至少一次s类商品的浏览记录，则认为关于s类商品的浏览行为并未停止。据此，可得到每次购买所对应的聚簇。

S3、根据用户每次已购买的每类商品在该次购买对应的每个聚簇中出现的次数、未购买的每类商品在该次购买对应的每个聚簇中出现的次数和该次购买对应的聚簇个数建立用户每次购买商品的期望变化模型，根据每个用户每次购买商品的期望变化模型得到每个用户对每次已购买的每类商品的最终期望值。

每个聚簇认为是一次独立的连续浏览s类商品的行为，而相邻两个聚簇之间的非s类浏览数据认为是用户对s类商品购买期望值的衰减阶段，而经过一段衰减后，用户又再次浏览s类商品，则用户对s类商品购买期望值随着该次连续浏览行为而回升，因此根据所述逻辑，构建关于用户购买商品的期望变化模型，以第c次购买为例，计算每个用户第c次购买对应的挑选过程中对于所购买的s类商品的最终期望值，具体表达式为：

式中：表示用户第c次购买对应的挑选过程中对于所购买的s类商品的最终期望值，即第c次购买s类商品的最终期望值，表示该用户第c次购买对应的挑选过程中非s类商品的浏览次数对于该用户期望值的变化值，K为该用户期望值的单位变化速率，代表第个聚簇中s类商品的浏览次数，表示聚簇的个数，表示该用户第c次购买对应的挑选过程中非s类商品的浏览次数，函数表示双曲正切函数。

其中，本发明设置K，中初始期望值为1，第f次浏览了非s类商品时，期望值下降为，因此1-表示用户又重新开始浏览s类商品，此时s类商品期望值回升，因此表示期望值1在第c次购买对应的挑选过程中用户对s类商品浏览量的衰减和s类商品浏览量的回升，直至购买前的期望值为，代表用户第c次购买对应的挑选过程中对于所购买的s类商品的最终期望值。

S4、根据每个用户对每次已购买的每类商品的倾向明确度和该用户对每次已购买的每类商品的最终期望值得到该用户对已购买的每类商品的偏好度，根据该用户对已购买的每类商品的偏好度向该用户推送商品。

将用户对已购买的每类商品的倾向明确度、该用户对已购买的每类商品的最终期望值和每次购买的每类商品占购买次数的概率相乘得到用户每次购买的每类商品的偏好度；将用户每次购买的每类商品的偏好度进行累加得到用户对已购买商品的偏好度。用户对已购买商品的偏好度的具体表达式为：

式中：表示用户对已购买的s类商品的偏好度，表示用户第c次购买对应的挑选过程中对于所购买的s类商品的最终期望值，表示用户第c次购买s类商品的倾向明确度，表示用户的购买次数，表示用户第c次购买。

其中，代表用户第c次所购买s类商品的实际倾向明确度，当第用户c次购买的商品不是s类商品时，则不存在用户对已购买商品的倾向明确度，即为0，那么代表第c次购买s类商品的购买倾向明确度，乘以第c次购买s类商品的最终期望值和第c次购买在所有购买记录中的概率1/G，得到第c次购买中用户对s类商品的偏好度。据此，可以得到用户历史购买数据中对用户对已购买的每类商品的偏好度，即可得用户偏好度高的商品。

进一步，将用户已购买的商品的特征标签列出，判断用户经过一系列同类商品的挑选后，最终所购买的商品属于某类独有特征标签的吸引，还是众多待选项均符合预期，仅仅选择其中一种而已。

获取每个用户已购买的商品的特征标签，根据每个用户已购买的商品的特征标签、每个用户已购买的商品的类型和每个用户浏览的商品得到每个用户对含有不同特征的已购买商品的偏好度；其中，用户对含有不同特征的已购买商品的偏好度的具体表达式为：

式中：表示用户对s类商品的第r个特征的偏好度，表示 s类商品的第r个特征在所有s类商品浏览量中出现的次数，表示用户浏览s类商品的浏览量，函数表示以为底的指数函数，表示自然常数。

其中，该公式利用s类商品的第r个特征在所有s类商品浏览量中出现的次数与所有s类商品的浏览量的比值，表征了s类商品的第r个特征在所有s类商品浏览量中的占比，即越大，指数函数的指越大用户对s类商品的第r个特征的偏好度越小，因为，当用户所购买的商品属于某类独有特征的吸引，用户对商品的该特征偏好度较大。

电商平台的地区特产页面中会设置每一个地区的特产推荐展示，即点击一个地区后会出现一系列特产排名，当用户进入某一地区的页面时，系统在推荐特产时，根据用户对特产的偏好度推荐商品，优先将用户偏好的商品在该地区的特产推荐页面进行置顶展示，当用户点击该类商品展开下一层时，系统根据该用户对不同特征的商品的偏好度，将含有用户偏好的特征的商品优先展示，精准定位用户的喜好，提高用户的浏览效率。

基于大数据的地区特产推荐系统，如图2所示，包括：

建模模块，用于建立用户购买商品的倾向模型和用户每次购买商品的期望变化模型。

建模模块包括：采集单元和计算单元，其中：采集单元：用于采集用户在平台中所浏览的商品和购买的商品；对用户每次购买的商品对应的挑选过程中所浏览商品按时序进行排列得到每次排列后的浏览的商品序列，对每次排列后浏览的商品序列进行聚类得到每次购买对应的多个聚簇；计算单元：用于根据用户购买商品的倾向模型中每个用户每次购买的每类商品在该用户所浏览的商品中出现的次数、每次购买对应的挑选过程中所浏览商品的总量和每次浏览的商品的类型数得到该用户对每次已购买的每类商品的倾向明确度；根据每个用户每次购买商品的期望变化模型得到每个用户对每次已购买的每类商品的最终期望值；根据用户对每次已购买的每类商品的倾向明确度和该用户对每次已购买的每类商品的最终期望值得到该用户对已购买的每类商品的偏好度。

推荐模块，用于根据计算模块中所得的该用户对已购买的每类商品的偏好度向该用户推送商品。

综上所述，本发明通过对用户历史消费数据的提取获取了用户历史购买的商品和浏览的商品，利用购买的商品对所浏览的商品进行约束，建立用户购买商品的倾向模型，分析用户购买商品的倾向变化，该步骤根据用户的浏览数据和购买数据对用户的购买倾向进行了分析，并为后续计算用户对已购买的商品的偏好度提供更加准确的参量；建立用户购买商品的期望变化模型，该期望变化模型根据用户历史数据中浏览购买的商品的时序所得，通过浏览购买的商品的时序可反映用户对于该已购买商品的期望值的变化情况，因此，用户购买商品的期望变化模型一定程度上也可反映用户对该已购买商品的偏好度，因此，本发明利用用户购买商品的倾向模型和用户购买商品的期望变化模型获取用户对已购买商品的偏好度，使得最终所得结果更加准确；同时，本发明进一步的对用户已购买商品进行特征的分类，即获取其特征标签，更加细化了用户对已购买商品的偏好度，最终根据用户对每类商品的每个特征的偏好度对用户推送各个地区的商品，精确定位用户喜好，提高了用户的购买效率。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于大数据的地区特产推荐方法，其特征在于，包括：

根据用户在平台中所浏览的商品和购买的商品建立用户购买商品的倾向模型，根据用户购买商品的倾向模型中每个用户每次购买的每类商品在该用户所浏览的商品中出现的次数、每次购买对应的挑选过程中所浏览商品的总量和每次浏览的商品的类型数得到该用户对每次已购买的每类商品的倾向明确度；

对用户每次购买对应的挑选过程中所浏览商品按时序进行排列得到每次排列后的浏览的商品序列，对每次排列后浏览的商品序列进行聚类得到每次购买对应的多个聚簇；

根据用户每次已购买的每类商品在该次购买对应的每个聚簇中出现的次数、未购买的每类商品在该次购买对应的每个聚簇中出现的次数和该次购买对应的聚簇个数建立用户每次购买商品的期望变化模型，根据每个用户每次购买商品的期望变化模型得到每个用户对每次已购买的每类商品的最终期望值；

所述期望变化模型为：

式中：表示用户第c次购买对应的挑选过程中对于所购买的s类商品的最终期望值，即用户每次已购买的每类商品的最终期望值，表示该用户第c次购买对应的挑选过程中第次非s类商品的浏览数据对于该用户期望值的变化值，K为该用户期望值的单位变化速率，代表第个聚簇中s类商品的浏览次数，表示聚簇的个数，表示该用户第c次购买对应的挑选过程中非s类商品的浏览次数，函数表示双曲正切函数；

根据每个用户对每次已购买的每类商品的倾向明确度和该用户对每次已购买的每类商品的最终期望值得到该用户对每次已购买的每类商品的偏好度，根据该用户对每次已购买的每类商品的偏好度向该用户推送商品；

所述对每次已购买的每类商品的偏好度是按如下方法确定的：

将用户对每次已购买的每类商品的倾向明确度、该用户对每次已购买的每类商品的最终期望值和每次购买的每类商品占购买次数的概率相乘得到该用户对每次已购买商品的偏好度；

将该用户对每次已购买商品的偏好度进行累加得到该用户对已购买的每类商品的偏好度。

2.根据权利要求1所述的基于大数据的地区特产推荐方法，其特征在于，每次已购买的每类商品的倾向明确度的具体表达式为：

式中：表示用户第c次购买s类商品的倾向明确度，表示第c次购买的s类商品在该用户第c次购买对应的挑选过程中所浏览商品中出现的次数，表示第c次购买的第类非s类商品在该用户第c次购买对应的挑选过程中所浏览商品中出现的次数，表示该用户第c次购买对应的挑选过程中所浏览商品的总量，表示该用户第c次浏览的所有商品的类型数，，分别表示权重，其中，，函数表示双曲正切函数，函数表示以为底的指数函数，表示自然常数。

3.根据权利要求1所述的基于大数据的地区特产推荐方法，其特征在于，多个聚簇是按如下方法确定的：

将排列后浏览的商品序列的10条相邻的浏览数据作为DBSCAN聚类算法的局部可达范围；

利用DBSCAN聚类算法的局部可达范围对排列后浏览的商品序列进行聚类得到多个聚簇。

4.根据权利要求1所述的基于大数据的地区特产推荐方法，其特征在于，还包括：

获取每个用户所推荐的商品的类型；

获取每个用户所推荐的商品的类型中已购买的商品的特征标签；

根据每个用户所推荐的商品的类型中已购买的商品的特征标签、每个用户已购买的商品的类型和每个用户浏览的商品得到每个用户对所推荐的每类商品中不同特征的商品的偏好度；

根据每个用户对已购买商品的偏好度和该用户对所推荐的每类商品中不同特征的商品的偏好度向该用户推送该特征的商品。

5.根据权利要求4所述的基于大数据的地区特产推荐方法，其特征在于，向该用户推送不同特征的商品的方法是：

根据每个用户对已购买商品的偏好度向该用户推荐该用户已购买商品同类型的商品；

当该用户点入每类推荐的商品时，优先展示该用户偏好度高的特征所对应的商品。

6.基于大数据的地区特产推荐系统，采用如权利要求1-5所述的任意一项所述的推荐方法，其特征在于，包括：

建模模块，用于建立用户购买商品的倾向模型和用户每次购买商品的期望变化模型；

建模模块包括：采集单元和计算单元，其中：

采集单元：用于采集用户在平台中所浏览的商品和购买的商品；对用户每次购买的商品对应的挑选过程中所浏览商品按时序进行排列得到每次排列后的浏览的商品序列，对每次排列后浏览的商品序列进行聚类得到每次购买对应的多个聚簇；

计算单元：用于根据用户购买商品的倾向模型中每个用户每次购买的每类商品在该用户所浏览的商品中出现的次数、每次购买对应的挑选过程中所浏览商品的总量和每次浏览的商品的类型数得到该用户对每次已购买的每类商品的倾向明确度；

根据每个用户每次购买商品的期望变化模型得到每个用户对每次已购买的每类商品的最终期望值；

所述期望变化模型为：

式中：表示用户第c次购买对应的挑选过程中对于所购买的s类商品的最终期望值，即用户每次已购买的每类商品的最终期望值，表示该用户第c次购买对应的挑选过程中第次非s类商品的浏览数据对于该用户期望值的变化值，K为该用户期望值的单位变化速率，代表第个聚簇中s类商品的浏览次数，表示聚簇的个数，表示该用户第c次购买对应的挑选过程中非s类商品的浏览次数，函数表示双曲正切函数；

根据用户对每次已购买的每类商品的倾向明确度和该用户对每次已购买的每类商品的最终期望值得到该用户对每次已购买的每类商品的偏好度；

所述对每次已购买的每类商品的偏好度是按如下方法确定的：

将用户对每次已购买的每类商品的倾向明确度、该用户对每次已购买的每类商品的最终期望值和每次购买的每类商品占购买次数的概率相乘得到该用户对每次已购买商品的偏好度；

将该用户对每次已购买商品的偏好度进行累加得到该用户对已购买的每类商品的偏好度；

推荐模块，用于根据计算模块中所得的该用户对已购买的每类商品的偏好度向该用户推送商品。

Images