CN115935068A - 互联网平台的商品推荐方法以及装置 - Google Patents

Abstract

本发明公开了互联网平台的商品推荐方法以及装置，属于互联网领域，该方法包括如下内容：获取用户输入商品信息特征，推荐具有第一相关性的商品，产生直接关联性；然后尼斯分类表作为初始间推表，隔段时间对第二相关性商品进行推荐；抓取所有被推荐的第二相关性商品内，每个的购买用户总量，产生具有强需求至低需求的第二相关性商品推荐排序，更新初始间推表。它能够不局限于用户输入的商品信息特征，根据初始尼斯分类表对同一群组下的相关联小商品进行同步推荐，并且根据大量用户的购买习惯自主学习，形成更符合用户购买习惯的间推表，而且有利于在用户输入不明确时帮助客户快速找到关联商品，有相关商品的意见指导作用。

Description

互联网平台的商品推荐方法以及装置

技术领域

本发明涉及互联网领域，更具体地说，涉及互联网平台的商品推荐方法以及装置。

背景技术

目前市面上存在的app、网站等互联网平台，当用户选购商品时，会抓取商品输入关键字、图片等信息特征，对相似信息特征的商品同时进行推荐，但是，所推荐的商品相似度极高，推荐范围窄，某些被用户意外点入链接但未购买的商品或者已经购买过短期内不会再有需求的商品或者已经加入过购物车的商品短时间内又会大量重复出现，给用户带来推荐困扰。

而且，由于大部分的商品仅根据关键字特征抓取进行推荐，这就要求用户必须清楚明确输入自己所需商品的关键字，一旦输入不明确模糊，会出现大量与非明确关键字相关的商品，用户只有一次次尝试输入不同关键字，或者通过百度等手段得知商品的准确名称，才可能有几率获得内心所需商品的推荐信息页面，因而这些互联网平台无法对用户形成引导性的推荐指导。

发明内容

针对现有技术中存在的问题，本发明的第一目的在于提供互联网平台的商品推荐方法，该方法能够不局限于用户输入的商品信息特征，根据初始尼斯分类表对同一群组下的相关联小商品进行同步推荐，并且根据大量用户的购买习惯自主学习，形成更符合用户购买习惯的间推表，而且有利于在用户输入不明确时帮助客户快速找到关联商品，有相关商品的意见指导作用，一些关联性较强的商品，如配套使用的产品能不用再次单独输入；第二目的在于在于提供互联网平台的商品推荐装置，其采用上述的方法形成。

为解决上述问题，本发明采用如下的技术方案。

互联网平台的商品推荐方法，所述方法包括

获取用户输入商品信息特征，推荐与信息特征具有第一相关性的商品，信息特征为关键字或图片；所述第一相关性，指与输入信息特征具有完全或部分相同字、相同形状或轮廓或色彩，产生直接关联性；

尼斯分类表作为初始间推表，具有大类、群组和小商品三个等级分类，根据初始间推表，每隔一段时间对具有第二相关性的商品进行推荐；所述第二相关性的商品，指存在于初始间推表内，与关键字特征处于同一群组下，非直接关联性的剩余小商品；

抓取用户通过商品信息特征进入后，所有被推荐的第二相关性商品内，每个第二相关性商品的购买用户总量，产生具有强需求至低需求的第二相关性商品推荐排序，更新初始间推表产生升级间推表作为下次使用，在新的间推表内，强需求的第二相关性商品作为下次所有第二相关性商品内的首推，低需求为尾推；所述第二相关性按照历史两个商品购买用户总量对相关度量化，首推和尾推的递推排序之间按照第二相关性的相关度量化排序；

针对用户的历史购买行为，建立用户人格数据库；

统计用户购买任意相同的三种商品的用户频次，所述三种商品中的任意两种分别不处于同一群组下；最高频次计为Ω1，次高为Ω2，依次类推至Ωn，按照最高频次的降序20%归纳定义出一种人格；

根据人格频次Ω和第二相关性商品用户总量等分等比例获得放大因子γ，计算所述人格的用户购买高频商品的频次*γ得到相关度量化数据，比较获得相关度排位数据；使得定义人格的用户购买行为植入商品相关度数据体系中，优化相关度数据。

进一步的，当信息特征为图片时，对输入信息特征进行特征转化，将与图片具有直接关联性的商品转化为关键字特征，以助于后续推荐。

进一步的，所述对输入信息特征为图片进行特征转化时，根据推荐的具有第一相关性的商品，提取关键字形成特征集，关键字特征集中出现频次最高的关键字特征作为首选。

进一步的，用户购买的商品以及商品购买的频次被平台抓取后，产生平均购买间隔，至购买间隔满后，主动向用户推送该商品，根据购买频次产生的推送作为第一相关性和第二相关性商品的额外推送。

进一步的，所述主动推荐的商品分为高频复购类和低频不推类，高频复购类为更换频次高的小商品，低频不推类为更换频次低的小商品，针对高频复购类，平台计算平均购买间隔，期满后复推，针对低频不推类，不进行相关推送。

进一步的，所述购买频次低于3次时，购买间隔为系统设置初始默认，购买频次高于3次时，去除最低和最高频次取平均。

进一步的，所述平台抓取用户购买商品的风格特征关键字，并对风格特征关键字进行差异化分析，当购买商品差异化明显，包含的风格特征宽泛时，加大商品推荐范围，否则在原范围内推荐。

进一步的，所述商品推荐范围的加大可以上升至间推表内与输入商品所处同一大类的商品进行推荐，不仅局限于间推表的群组里。

进一步的，所述三个等级分类之外，还具有待分类表第46大类表，未在以尼斯分类表为基础更新的间推表内的小商品会进入第46大类表，所述第46大类表内的小商品根据用户购买量与间推表内的小商品产生强关联度后会进入该小商品所处的群组内，强关联度是指两个小商品之间存在强关联购买情况。针对用户的历史购买行为，建立用户人格数据库；

统计用户购买任意相同的三种商品的用户频次，所述三种商品中的任意两种分别不处于同一群组下；最高频次计为Ω1，次高为Ω2，依次类推至Ωn，按照最高频次的降序20%归纳定义出一种人格；

即针对用户购买任意商品a、商品b和商品c；其中，商品a和商品b、商品b和商品c、商品a和商品c分别不处于同一群组下，且abc组合频次属于最高频次降序的20%以内；

选择商品a、商品b和商品c的人归于类似群，定义ABC人格；ABC人格的用户购买不处于同一群组商品d的频次记数α；

统计用户同一群组两项相同商品的频次，其中最高频次Ф1，次高频次为Ф2，再次高为Ф3，依次类推至Фm；

即统计用户购买商品c0和商品c1频次记为β；

将（n×20%）和（m×20%）各自按照就小的单元大于1的方式等分，若n小于m，则按照0.2n的份数等分，Ф1至Ф（0.2m）按照0.2n等分之后得等分分数常数δ；

两项相同商品的最高频次等分段Ф1 至Фδ的平均值/三种任意不处于同一群组商品最高频次Ω1得到因子γ1；依次类推获得γ2、γ3…γ（0.2n）

首推和尾推的递推排序中，定义ABC人格的用户购买d商品的相关度频次计算按照：

α乘以γ得到的值和β比对，若大于β，列为c1推荐之前；若小于β列为c1之后，依次类推获得相关度排位数据；使得定义人格的用户购买行为植入商品相关度数据体系中，优化相关度数据。

进一步的，所述人格数据库区分男性和女性，且在区分男性和女性基础上；再按照年龄分为为8-18岁的青少年、18-28岁的青年、28-50的中年和50以上老年；即女性、18-28岁的ABC人格定义为：ABC-青年-女；而男性、28-50的中年的ABC人格定位为：ABC-中年-男；所述Ω、α、γ均因男性、年龄因子介入缩小范围，其数值等比例在缩小范围后计算。

进一步的，所述人格数据库还包括发烧友模型其对商品性能逐级增高要求，介入在次次推之后的排序为第四项商品；

或猎奇心模型，当用户认定为猎奇心人格模型，具有关键字“新产品、创意产品”的商品列为优推，介入在次次推之后的排序为第四项商品推荐中。

互联网平台的商品推荐装置，主要是采用了上述的互联网平台的商品推荐方法，可以包括用户输入模块，获取用户输入商品信息特征；

第一相关性商品推荐模块，推荐与信息特征产生直接关联性的商品；

第二相关性商品推荐模块，每隔一段时间对存在于间推表内，与关键字特征处于同一群组下，非直接关联性的剩余小商品进行推荐；

间推表更新模块，获取尼斯分类表作为初始间推表，分析第二相关性商品推荐模块内，每个第二相关性商品的购买用户总量，产生具有强需求至低需求的第二相关性商品推荐排序，并更新初始间推表，强需求至低需求排序变化，间推表不断更新升级。

相比于现有技术，本发明的优点在于：

一、本方案的商品推荐方法能够不局限于用户输入的商品信息特征，根据初始尼斯分类表对同一群组下的相关联小商品进行同步推荐，并且根据大量用户的购买习惯自主学习，形成更符合用户购买习惯的间推表，更贴合用户的购买习惯，而且有利于在用户输入不明确时帮助客户快速找到关联商品，有相关商品的引导性意见指导作用，一些关联性较强的商品，如配套使用的产品能不用再次单独输入。

二、本方案的商品推荐方法可以根据每个用户的商品购买习惯，分析平均购买间隔，到一定时间自主推荐提醒，帮助用户更好的购买所需商品；而且还可以进一步根据商品使用频次划分为高频复购类和低频不推类，选择针对高频复购类小商品进行期满复推，而对于低频不推类使用寿命长，更换频次低可以选择不进行推送。

三、本方案的商品推荐方法能够对用户购买风格进行分析，针对某些猎奇心较大的用户，拉大商品推荐风格差异度，提高商品跨度，可以在大类相关的另一类领域推送产品，更贴心的为不同猎奇心用户选择合适的推荐习惯。

四、本方案的商品推荐方法在间推表之外还存在第46大类待分类表，间推表内查询不明的小商品会进入该待分类表，并在进行分析判断后根据关联度进入间推表内，逐渐完善间推表。

五、本发明不仅仅考虑商品与商品之间的关系，商品和商品之间相关度，我们还根据实践中，难以琢磨的三个相关度不高或者说不在同一类似群组的商品（相关度高的最终会处于同一类似群组）进行历史购买统计，建立人格数据库，定义人格。探测这类用户的后续购买需求，并且通过了等比例和等分计算，测算了因子，将这种人格的后续购买行为频次作为可能性，通过等比例因子再放大，植入到第二相关性的比较中，计算推荐顺序，对原来商品与商品直接两个变量关联性的简单算法进行了优化和补充，使得推荐更加智能完善且动态变化适用真实人的购买意图。

附图说明

图1为本发明的尼斯分类表图；

图2为本发明的上部分的举例示意图（图中第二十一类群组2106家庭日用及卫生器具内的210106洗涤桶在更新后根据箭头示意进入群组2112家用擦洗用具内）；

图3为本发明图2的下部分的举例示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请实施例保护的范围。

需要说明的是，本申请实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请实施例的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为了使本申请实施例公开的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请实施例进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请实施例，并不用于限定本申请实施例。

以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。

请参阅图1-3，以下介绍本申请实施例1中的互联网平台的商品推荐方法，所述方法包括:获取用户输入商品信息特征：关键字或图片；输入关键字时，推荐与关键字具有完全字相同或部分字相同等具备直接关联性的商品，如输入足球鞋，会得到关联度较强的运动鞋、足球靴等推荐信息；输入图片时，推荐与图片具有相同形状或轮廓或色彩等直接关联性的商品，推荐采用关键字特征输入方式，相比于图片不易出错，平台可以设定当直接关联性商品推荐出现量大于一定度，而用户也没有进行相关加购物车或直接购买等具有购买意图行为时，开始加大推荐范围，进行第二相关性商品的推荐；或者直接进行第二相关性商品的推荐，当第二相关性商品链接点击频次较高时增大推荐，否则降低推荐，此举意在辨别用户对所推荐商品的购买需求度，需求度比较低时说明推荐的商品不太符合用户心中的需求，因而通过第二相关性商品可以提供较为突破现有推荐商品领域的其他商品，通过用户对这些其他商品的点击浏览量来判断用户的意向是否需要回到第一相关性商品推荐领域内还是停留在第二相关性商品推荐领域内。

对输入为图片时，被推荐商品所展示的关键字特征提取形成特征集，将出现频次最高的关键字特征作为首选关键字，完成图片向关键字的特征转化，转化后的关键字可以在间推表里方便查询；所述间推表具有大类、群组和小商品形成的等级分组；

尼斯分类表作为初始间推表，如图1，即初始间接关联推荐表，根据上述的关键字出现在尼斯分类表的哪个群组下，该群组的非第一相关性的剩余小商品作为产生非直接关联性的第二相关性商品推荐，如群组为2507鞋，用户输入的为群组内的某一个小商品“足球鞋”，那么该群组内的其他非直接关系性小商品“护腿鞋罩”、“鞋用防滑配件”等也会进行相应的推荐，第二相关性商品推荐频次低于第一相关性商品推荐频次，并且在用户高频次点击进入后逐渐加强推送，至高频次点击到达节点后取代第一相关性商品作为新的第一相关性商品，从而再次产生新的第二相关性商品，此处为前述的“是否需要回到第一相关性商品推荐领域内还是停留在第二相关性商品推荐领域内”的一个意向判断，判断结果为用户选择进入第二相关性商品推荐领域内，根据再次产生的新的第二相关性商品，用户会进入下一轮判断，逐渐找到用户心中最贴合的需求，当然，用户想要再次回到最初的第一相关性商品内，只需要多次点击这些第一相关性商品即可，第一相关性商品的推荐频次降低但不会消失；

抓取所有被推荐的第二相关性商品内，每个第二相关性商品的购买用户总量，根据总量计算用户需求，产生具有强需求至低需求的第二相关性商品排序，由于初始间推表群组下的剩余小商品是随机推荐的，在该用户需求产生之后，随机推荐逐渐有序，从而对初始间推表更新，新的间推表作为下次的第二相关性商品推荐表，且按照强需求至低需求进行顺序推送，需要注意的是，第二相关性商品的首推会根据用户使用量的不断增多而产生变化，排序可能会逐渐被后移，直至平台用户量稳定后，逐渐稳定，当然达到一定用户量后，平台后端也可以暂停本推荐方法的自主学习能力，使用最后一次的间推表作为之后的使用。

以上根据用户购买习惯不断对尼斯分类表更新升级可以看做是平台的自主学习过程，在自主学习过程中，还可以根据每个用户购买的用品的风格，抓取购买商品的风格特征关键字，并对风格特征关键字进行频次分析，尤其是针对风格差异明显的特征关键字出现的比例，如具备甜美风格和暗黑风格，差异化比较显著，这些风格类型杂乱，达到完全的不统一，则表明该用户的猎奇心比较重，不仅局限于购买相似风格的商品，针对这些差异化强烈的用户，在推荐时，可以加大推荐商品的风格范围，避免同一风格的商品重复大批量出现。具体的，在加大推荐风格范围时，可以不局限于间推表的群组内，可以上升至大类中关联性商品，如某商品大类为5类医药，可以推荐10类医疗器械，如16类办公用品可以也推荐11类灯具空调内的小商品，这些大类中关联性商品的定义也可以通过购买用户量进行排序，当某一用户购买的商品是从随机推荐的另一大类中的小商品内选取的，则这大类与前商品所处的大类产生关联性，购买越多关联性越强，当加大推荐风格范围时，关联性强的大类作为首推。

另外，根据用户对某商品的购买频次，可以进行记录，根据系统设置的初始默认间隔，到一定时间后进行推荐，如用户购买抽纸后，可以根据购买量在默认间隔后给予推荐，可以设定前3次均为默认间隔，3次购买以后，根据用户的购买习惯计算平均购买间隔，至购买间隔满后，主动推荐该商品，根据购买频次产生的推送为第一相关性和第二相关性商品的额外推送，推送频次要低于以上所有推送，主要在于提醒用户常用商品的到期复购，以免购买不及时，更多的在平均购买间隔计算过程中，可以去除间隔极低与极高的情况，以免影响计算准确度。而且平台可以对所有的商品进行分类，分为高频复购类和低频不推类，如生活消耗品纸巾、婴儿的纸尿裤、女性的卫生巾等可以在平均购买间隔到期后复推，此为高频复购类，而家电家具，如沙发、电视、冰箱等，作为低频不推类，由于使用寿命长，更换频率低，可以不进行平均购买间隔计算后的复推。

以下介绍本申请实施例2的互联网平台的商品推荐方法，在实施例1的基础上，会根据强需求和低需求对小商品之间进行关联度的强弱判断，当关联度高于阈值时，位于不同群组或大类的小商品会移动至与其关联度较强的群组或大类内，即排序在群组内低需求的第二相关性小商品可能与其他群组内的小商品之间产生强需求，则该小商品可以跨越群组到达其他群组内进行排序，如图2-3所示，在根据大量用户的购买行为后，位于群组“2106家用日用及卫生用具”内的“洗涤桶”可能会进入位于“2112家用擦洗用具”群组内，图2-3用箭头进行了更换示意，进一步进行优化，某些小商品可能存在未在以尼斯分类表为基础更新的间推表所有大类内，则会单独进入第46大类的待分类表，从而通过后续大量用户购买积累，被逐步分化至间推表内，丰富间推表，可以设定当第46大类的小商品A与间推表内的小商品B产生关联购买超过2次，则第46大类的小商品A进入间推表内小商品B所在的群组内。

以下介绍本申请实施例3中的互联网平台的商品推荐装置，其依赖于上述的互联网平台的商品推荐方法形成，主要包括用户输入模块，获取用户输入商品信息特征；

第一相关性商品推荐模块，推荐与信息特征产生直接关联性的商品；

第二相关性商品推荐模块，每隔一段时间对存在于间推表内，与关键字特征处于同一群组下，非直接关联性的剩余小商品进行推荐；

间推表更新模块，获取尼斯分类表作为初始间推表，分析第二相关性商品推荐模块内，每个第二相关性商品的购买用户总量，产生具有强需求至低需求的第二相关性商品推荐排序，并更新初始间推表，强需求至低需求排序变化，间推表不断更新升级；

还可以包括特征转化模块，针对用户输入的商品信息特征为图片时，转化为关键字以便于在间推表内的使用；具体的方式为先根据图片输入后产生的第一相关性商品，然后提取这些商品所附带链接内的关键字形成特征集，针对特征集内出现频次最高的关键字作为转化后的主要使用。

还可以包括复推模块，主要用于针对某些高频复购类产品，抓取购买规律，到一定时间后主动推荐，比如纸巾，具有提醒作用。

还可以包括猎奇模块，主要针对猎奇心较重的用户，避免频繁推荐相同或相似风格商品，对用户产生心里疲劳。

实施例2：上述实施例均只考虑商品与商品之间的关系，即考虑每个人都是有相似之处的，比如买了牙刷的人会定期买牙膏或者冲牙器。但是，它无法优化买手机、耳机、pad和笔记本电脑之间的内在联系，实践中，我们发现购买数码产品的用户有特定的喜好。我们还发现，买渔具的往往和购买户外产品相关，事实上无论产品、产品使用场景以及个人喜好均有不同选择，但是这些明显具有某类人群购买行为的一致性，而非全人群，导致最终商品相关度并未达到归于同一类似群组之下。除此之外，还有发烧友，数码狂人等，因此我们将三项不在同一类似群组之下的商品发生了高频购买的，定义人格。

具体地，针对用户的历史购买行为，建立用户人格数据库；统计用户购买任意相同的三种商品的用户频次，不分时间先后，所述三种商品中的任意两种分别不处于同一群组下；最高频次计为Ω1，次高为Ω2，依次类推至Ωn，按照最高频次的降序20%归纳定义出一种人格；

即针对用户购买任意商品a、商品b和商品c；其中，商品a和商品b、商品b和商品c、商品a和商品c分别不处于同一群组下，且abc组合频次属于最高频次降序的20%以内；

比如，etf组合是最高频次发生了600次，Ω1=600；fbt组合发生了599次，gch发生了598次，依次类推，abc组合发生了500次，它在600至480范围内（600乘以（1-20%）=480属于最高频次降序的20%以内）。而ghb在460次，剔除其定义人格。

选择商品a、商品b和商品c的用户归于类似群，定义ABC人格；ABC人格的用户购买不处于同一群组商品d的频次记数α，d频次最高，假设α为300次；

统计用户同一群组两项相同商品的频次，其中最高频次Ф1，次高频次为Ф2，再次高为Ф3，依次类推至Фm；

即统计用户购买商品c0和商品c1频次记为β；

在本案中假设c0就是商品c，c和c1的相关度β频次是2000次；

Ф1=12000次，Ф2=12899次……；

将（n×20%）和（m×20%）各自按照就小的单元大于1的方式等分，若n小于m，者按照0.2n的份数等分，Ф1至Ф（0.2m）按照0.2n等分之后得等分份数的常数δ；

假设n=600，m等于12000，人格数据库的用户为120种不同的人格；而类似群相关性商品中取12000乘以0.2计算，与商品相关度高的前2400个高频次相关商品频次数比；2400除以120得常数δ=20。

两项相同商品的最高频次等分段Ф1 至Фδ的平均值/三种任意不处于同一群组商品最高频次Ω1得到因子γ1；依次类推获得γ2、γ3…γ（0.2n）

可以理解，abc组合发生了500次，排在400种人格Ω数值降序的100位，因此，abc组合的要与排序2000-2020位的Ф平均值比。Ф2000 至Ф2020的平均值/Ω100，假设Ф2000-Ф2020的平均值为10000，那么γ100=10。

首推和尾推的递推排序中，定义ABC人格的用户购买d商品的相关度频次计算按照：

α乘以γ得到的值和β比对，α乘以γ100=3000，大于β=2000，列为c1推荐之前；若小于β列为c1之后，依次类推获得相关度排位数据；使得定义人格的用户购买行为植入商品相关度数据体系中，优化相关度数据。

引入人格数据库一方面可以监测大数据之前没有囊括的行为模式，另一方面，对于推荐优化具有极其重要的意义。

实施例3：

上述实施例2基础上的人格数据库区分男性和女性，且在区分男性和女性基础上；

即女性、ABC人格定义为：ABC-女；实施例2的所有数据仅统计女性；其他不变，进一步优化相关度数据。

同理，再按照年龄分为为8-18岁的青少年、18-28岁的青年、28-50的中年和50以上老年；即女性、18-28岁的ABC人格定义为：ABC-青年-女；而男性、28-50的中年的ABC人格定位为：ABC-中年-男；所述Ω、α、γ均因男性、年龄因子介入缩小范围，其数值等比例在缩小范围后计算，进一步优化。

此外，所述人格数据库还可以包括发烧友模型，发烧友模型对商品性能逐级增高要求，系统跟进历史数据在相同关键字商品中，对性能和价格均逐级升高频次高的，用户购买历史行为模式，认定为发烧友模式。推荐介入在次次推之后的排序为第四项商品。

同样猎奇心模型，针对长期搜索或购买新产品的，认定为猎奇心模型人格。因此在商品具有关键字“新产品、创意产品”时，优推给该类用户，具体是介入在次次推之后的排序为第四项商品推荐中。

另外，针对第一相关度的搜索，当搜索出现权重相同或偏差小于10%时，点击或搜索之后出现会话窗口，强制用户选择。

Claims (10)

1.互联网平台的商品推荐方法，其特征在于：所述方法包括

获取用户输入商品信息特征，推荐与信息特征具有第一相关性的商品，信息特征为关键字或图片；

获取尼斯分类表作为初始间推表，根据初始间推表，每隔一段时间对具有第二相关性的商品进行推荐；

抓取用户通过商品信息特征进入后，所有被推荐的第二相关性商品内，每个第二相关性商品的购买用户总量，产生具有强需求至低需求的第二相关性商品推荐排序，更新初始间推表产生升级间推表作为下次使用，在新的间推表内，强需求的第二相关性商品作为下次所有第二相关性商品内的首推，低需求为尾推；所述第二相关性按照历史两个商品购买用户总量对相关度量化，首推和尾推的递推排序之间按照第二相关性的相关度量化排序；

针对用户的历史购买行为，建立用户人格数据库；

统计用户购买任意相同的三种商品的用户频次，所述三种商品中的任意两种分别不处于同一群组下；最高频次计为Ω1，次高为Ω2，依次类推至Ωn，按照最高频次的降序20%归纳定义出一种人格；

根据人格频次Ω和第二相关性商品用户总量等分等比例获得放大因子γ，计算所述人格的用户购买高频商品的频次*γ得到相关度量化数据，比较获得相关度排位数据；使得定义人格的用户购买行为植入商品相关度数据体系中，优化相关度数据。

2.根据权利要求1所述的互联网平台的商品推荐方法，其特征在于：

当信息特征为图片时，对输入信息特征进行特征转化，将与图片具有直接关联性的商品转化为关键字特征，以助于后续推荐；

所述对输入信息特征为图片进行特征转化时，根据推荐的具有第一相关性的商品，提取关键字形成特征集，关键字特征集中出现频次最高的关键字特征作为首选。

3.根据权利要求1所述的互联网平台的商品推荐方法，其特征在于：用户购买的商品以及商品购买的频次被平台抓取后，产生平均购买间隔，至购买间隔满后，主动向用户推送该商品，根据购买频次产生的推送作为第一相关性和第二相关性商品的额外推送。

4.根据权利要求3所述的互联网平台的商品推荐方法，其特征在于：所述主动推荐的商品分为高频复购类和低频不推类，高频复购类为更换频次高的小商品，低频不推类为更换频次低的小商品，针对高频复购类，平台计算平均购买间隔，期满后复推，针对低频不推类，不进行相关推送。

5.根据权利要求1所述的互联网平台的商品推荐方法，其特征在于：平台抓取用户购买商品的风格特征关键字，并对风格特征关键字进行差异化分析，当购买商品差异化明显，包含的风格特征宽泛时，加大商品推荐范围，否则在原范围内推荐。

6.根据权利要求1所述的互联网平台的商品推荐方法，其特征在于：所述三个等级分类之外，还具有待分类表第46大类表，未在以尼斯分类表为基础更新的间推表内的小商品会进入第46大类表，所述第46大类表内的小商品根据用户购买量与间推表内的小商品产生强关联度后会进入该小商品所处的群组内，强关联度是指两个小商品之间存在强关联购买情况。

7.根据权利要求1-6任意一项所述的互联网平台的商品推荐方法，其特征在于：针对用户的历史购买行为，建立用户人格数据库；

统计用户购买任意相同的三种商品的用户频次，所述三种商品中的任意两种分别不处于同一群组下；最高频次计为Ω1，次高为Ω2，依次类推至Ωn，按照最高频次的降序20%归纳定义出一种人格；

即针对用户购买任意商品a、商品b和商品c；其中，商品a和商品b、商品b和商品c、商品a和商品c分别不处于同一群组下，且abc组合频次属于最高频次降序的20%以内；

选择商品a、商品b和商品c的人归于类似群，定义ABC人格；ABC人格的用户购买不处于同一群组商品d的频次记数α；

统计用户同一群组两项相同商品的频次，其中最高频次Ф1，次高频次为Ф2，再次高为Ф3，依次类推至Фm；

即统计用户购买商品c0和商品c1频次记为β；

将（n×20%）和（m×20%）各自按照就小的单元大于1的方式等分，若n小于m，者按照0.2n的份数等分，Ф1至Ф（0.2m）按照0.2n等分之后得等分分数常数δ；

两项相同商品的最高频次等分段Ф1 至Фδ的平均值/三种任意不处于同一群组商品最高频次Ω1得到因子γ1；依次类推获得γ2、γ3…γ（0.2n）

首推和尾推的递推排序中，定义ABC人格的用户购买d商品的相关度频次计算按照：

α乘以γ得到的值和β比对，若大于β，列为c1推荐之前；若小于β列为c1之后，依次类推获得相关度排位数据；使得定义人格的用户购买行为植入商品相关度数据体系中，优化相关度数据。

8.根据权利要求7所述的互联网平台的商品推荐方法，其特征在于：所述人格数据库区分男性和女性，且在区分男性和女性基础上；再按照年龄分为为8-18岁的青少年、18-28岁的青年、28-50的中年和50以上老年；即女性、18-28岁的ABC人格定义为：ABC-青年-女；而男性、28-50的中年的ABC人格定位为：ABC-中年-男；所述Ω、α、γ均因男性、年龄因子介入缩小范围，其数值等比例在缩小范围后计算。

9.根据权利要求1-7所述的互联网平台的商品推荐方法，其特征在于：所述人格数据库还包括发烧友模型其对商品性能逐级增高要求，介入在次次推之后的排序为第四项商品；

或猎奇心模型，当用户认定为猎奇心人格模型，具有关键字“新产品、创意产品”的商品列为优推，介入在次次推之后的排序为第四项商品推荐中。

10.互联网平台的商品推荐装置，其特征在于：采用由权利要求1-7任意一项所述的互联网平台的商品推荐方法，所述装置包括

用户输入模块，获取用户输入商品信息特征；

第一相关性商品推荐模块，推荐与信息特征产生直接关联性的商品；

第二相关性商品推荐模块，每隔一段时间对存在于间推表内，与关键字特征处于同一群组下，非直接关联性的剩余小商品进行推荐；

间推表更新模块，获取尼斯分类表作为初始间推表，分析第二相关性商品推荐模块内，每个第二相关性商品的购买用户总量，产生具有强需求至低需求的第二相关性商品推荐排序，并更新初始间推表，强需求至低需求排序变化，间推表不断更新升级。

Images