CN116012100A - 一种基于大数据分析的电子商务平台 - Google Patents

Abstract

本发明公开了一种基于大数据分析的电子商务平台，属于电子商务技术领域，该电子商务平台在对商品进行推荐时，考虑到用户在购买时价格因素的影响，根据购物习惯推荐合适价格范围的对应商品至用户，更加的合理，相较于直接按照人气等因素进行推荐的方式，能够准确直接的推荐给用户合理预期的价格范围内的商品，提升推荐商品对用户的吸引力，有利于促进交易的建立；另外本发明能够有针对性的获取一个用户的购物记录进行分析处理，全面考虑了对应的用户在一定时间范围内的购物记录，并以此为依据进行用户预期价格的判断，更加的合理和准确，即便是在用户的购物记录较少的情况下，也能够较为准确的对用户偏向的价格范围记性预测，从而实现精准推荐。

Description

一种基于大数据分析的电子商务平台

技术领域

本发明属于电子商务技术领域，具体的，涉及一种基于大数据分析的电子商务平台。

背景技术

电子商务是以信息网络技术为手段，以商品交换为中心的商务活动；是传统商业活动各环节的电子化、网络化、信息化，电子商务的出现也提升了商务活动的管理水平，大大降低了商务活动的成本，促进了现代商业的快速发展。

现有技术中，电子商务平台在运营中的重要一环就是流量推荐，通过记录平台中的购物记录并进行分析处理，在用户进行购物时，主动推荐合适的商品给用户，减少用户的搜索时间，提升用户的购物体验，还有利于提升交易量，但是在现有技术中，在进行商品推荐时，一方面难以推荐合适的商品种类，另一方面难以推荐对应种类中用户中意的商品，导致兴趣推荐的实用意义有限，为了解决上述问题，快速准确的为用户推荐合适的商品，本发明提供了以下技术方案。

发明内容

本发明的目的在于提供一种基于大数据分析的电子商务平台，解决现有技术中电子商务平台进行商品的兴趣推荐时，准确度较差导致兴趣推荐的实用价值受限制的问题。

本发明的目的可以通过以下技术方案实现：

一种基于大数据分析的电子商务平台，包括：

数据爬取单元，用于获取用户在电子商务平台上的消费记录；

特征识别单元，用于对商品的特征字符进行分析，判断两个商品是否属于同一类别；

所述特征字符包括商品的名称、商品的尺寸、商品的品牌；

检索单元，通过用户输入的特征字符对检索目标进行获取；

推荐单元，用于对对应商品进行推荐；

上述的一种基于大数据分析的电子商务平台的工作方法包括如下步骤：

S1、获取商品的特征字符，根据商品的特征字符对商品进行分类；

将一个商品标记为目标商品，获取目标商品所属类别商品的销售量以及售出的该类别商品的价格；

S2、当一个用户对一类别商品进行检索时，将该类别商品标记为意向商品，获取该用户在检索意向商品之前的n个购物订单信息，将这n个购物订单信息对应的n种商品标记为参考商品，获取各参考商品在其同一类别商品中所处的价格区间，将参考商品的价格区间标记为参考区间；

在高粘度用户范围内，对于一种参考商品，获取在对应周期内同时购买有意向商品以及处于参考区间内的参考商品的高粘度用户，获取这些高粘度用户购买意向商品时所处的价格区间；

假设意向商品对应有m个价格区间，将这m个价格区间依次标记为Q1、Q2、…、Qm；

计算获取对于一种参考商品，意向商品在各价格区间内的选择人数占比Z，将其依次标记为Z1、Z2、…、Zm；

获取n个参考商品对应的n组意向商品在各价格区间内的选择人数占比Z；计算对应的n个Zi值的平均值作为价格区间Qi的平均选择人数占比Zip；

S5、当一个用户通过检索单元对一类别商品进行检索时，通过输入特征字符检索获取检索目标，根据公式Y＝α1*X1+α2*X2+α3*X3计算得到各检索目标的综合系数Y；

其中X1为销量值、X2为人气值、X3为商铺的信誉值，α1、α2、α3均为预设的系数；

计算获取对于该用户，该商品对应的各价格区间的平均选择人数占比Zip，根据公式G＝Zip*Y计算得到各检索目标的推荐值；

通过所述推荐单元按照推荐值从大到小的顺序对对应商品进行推荐。

作为本发明的进一步方案，所述平均选择人数占比Zip的计算方法为：首先删除n个Zi值中偏差值大的Zi值后，再计算剩余的未被删除的若干个Zi值的平均值作为价格区间Qi的平均选择人数占比Zip；

删除偏差值大的Zi值的方法为计算这n个Zi值的方差，依次删除偏差最大的Zi值直至更新的方差小于等于预设值。

作为本发明的进一步方案，所述高粘度用户的获取方法为：

对于一个用户，获取其在电子商务平台上的消费记录；

所述消费记录包括用户在一个周期内的购物订单数量D以及在一个周期内各购物订单的成立日期；

当D≥Dy成立时，获取各购物订单的成立日期，将一个周期内的第一个购物订单赋值为f1，将该周期内的第i个购物订单赋值为1+k，其中k为该周期内第一个购物订单与第i个购物订单之间的天数差；

将一个周期内各购物订单的赋值依次标记为f1、f2、…、fD；

根据公式

|计算得到f1至fD这一组数据的分散系数F，其中fp＝(f1+f2+，…，+fD)/D，1≤i≤D；

当F≥Fy时，则认为在对应周期内对应用户为高粘度用户；

Dy为预设值，Fy为预设值。

4、根据权利要求3所述的一种基于大数据分析的电子商务平台，其特征在于，一个周期的长度为一个月。

作为本发明的进一步方案，当一个用户完成目标商品的购买时，获取该目标商品的关联商品，根据公式G＝(α4*g+α5*Zb)*Y计算得到各关联商品的推荐值，其中α4与α5均为预设的系数；

通过所述推荐单元按照推荐值从大到小的顺序对对应商品进行推荐；

所述Zb为对于目标商品，其关联商品在各价格区间内的选择人数占比。

作为本发明的进一步方案，获取目标商品的关联商品的方法为：

在一个周期内，获取各高粘度用户的购物订单记录；

当一个高粘度用户购买目标商品时，获取在目标商品的购物订单成立之前t1至成立之后的t1时间范围内，该高粘度用户的目标商品对应的购物订单对应的商品所属类别，将该类别商品与目标商品的关联度加1；

统计获取在对应周期内目标商品与各类别商品之间的关联度g，当g≥gy成立时，则认为对应类别商品为目标商品的关联商品；

所述t1为预设值，gy为预设值；

获取各目标商品的关联商品以及与关联商品之间的关联度g

本发明的有益效果：

(1)本发明在对商品进行推荐时，相较于现有技术中的商品推荐方式，一方面考虑到检索时进行的推荐以及完成商品购买操作后相关商品的推荐两种情形，另一方面来考虑到用户在购买时价格因素的影响，根据购物习惯推荐合适价格范围的对应商品至用户，更加的合理，相较于直接按照人气等因素进行推荐的方式，能够准确直接的推荐给用户合理预期的价格范围内的商品，提升推荐商品对用户的吸引力，有利于促进交易的建立；

(2)本发明能够有针对性的获取一个用户的购物记录进行分析处理，全面考虑了对应的用户在一定时间范围内的购物记录，并以此为依据进行用户预期价格的判断，更加的合理和准确，即便是在用户的购物记录较少的情况下，也能够较为准确的对用户偏向的价格范围记性预测，从而实现精准推荐；

(3)本发明通过选取在对应周期内购物订单数量较多且较为分散的用户作为高粘度用户，并以高粘度用户为基础进行数据的采集与分析，有利于在后续处理的过程中，降低订单的不规律性对结果的影响。

附图说明

下面结合附图对本发明作进一步的说明。

图1是本发明一种基于大数据分析的电子商务平台的框架结构示意图。

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。

一种基于大数据分析的电子商务平台，如图1所示，包括：

数据爬取单元，用于获取用户在电子商务平台上的消费记录并将其传输至控制器；

特征识别单元，用于对商品的特征字符进行分析，判断两个商品是否属于同一类别；

所述特征字符包括商品的名称、商品的尺寸、商品的品牌；

检索单元，通过用户输入的特征字符对检索目标进行获取；

推荐单元，用于对对应商品进行推荐，所述推荐是指对对应的商品进行优先展示，使用户能够直观明显的看到或听到对应商品的相关信息；

控制器，用于对数据进行处理分析，计算获取对应商品的推荐值，并将推荐值输出至推荐单元；

上述的一种基于大数据分析的电子商务平台的工作方法包括如下步骤：

S1、获取商品的特征字符，根据商品的特征字符对商品进行分类，同一类别商品的特征字符相同或者相似度大于等于预设值；

将一个商品标记为目标商品，获取目标商品的特征字符，根据目标商品的特征字符获取目标商品的所属类别，获取该类别商品的销售量以及售出的该类商品的价格；

S2、当一个用户对一类别商品进行检索时，将该类别商品标记为意向商品，获取该用户在检索意向商品之前的n个购物订单信息，将这n个购物订单信息对应的n种商品标记为参考商品，获取各参考商品在其同一类别商品中所处的价格区间，将参考商品的价格区间标记为参考区间；

在高粘度用户范围内，对于一种参考商品，获取在对应周期内同时购买有意向商品以及处于参考区间内的参考商品的高粘度用户，获取这些高粘度用户购买意向商品时所处的价格区间；

假设意向商品对应有m个价格区间，将这m个价格区间依次标记为Q1、Q2、…、Qm；

计算获取对于一种参考商品，意向商品在各价格区间内的选择人数占比Z，将其依次标记为Z1、Z2、…、Zm；

获取n个参考商品对应的n组意向商品在各价格区间内的选择人数占比Z；计算对应的n个Zi值的平均值作为价格区间Qi的平均选择人数占比Zip；

在本发明的一个实施例中，首先删除n个Zi值中偏差值较大的Zi值后，在计算剩余的未被删除的若干个Zi值的平均值作为价格区间Qi的平均选择人数占比Zip；

删除偏差值较大的Zi值的方法是计算这n个Zi值的方差，依次删除偏差最大的Zi值直至更新的方差小于等于预设值。

该步骤有针对性的获取一个用户的购物记录进行分析处理，全面考虑了用户在一定时间范围内的购物记录，更加的合理和准确，即便是在用户的购物记录较少的情况下，也能够较为准确的对用户偏向的价格范围记性预测，从而实现精准推荐。

所述高粘度用户的获取方法为：

对于一个用户，获取其在电子商务平台上的消费记录；

所述消费记录包括用户在一个周期内的购物订单数量D以及在一个周期内各购物订单的成立日期；

当D≥Dy成立时，获取各购物订单的成立日期，将一个周期内的第一个购物订单赋值为f1，将该周期内的第i个购物订单赋值为1+k，其中k为该周期内第一个购物订单与第i个购物订单之间的天数差；

将一个周期内各购物订单的赋值依次标记为f1、f2、…、fD；

根据公式

|计算得到f1至fD这一组数据的分散系数F，其中fp＝(f1+f2+，…，+fD)/D，1≤i≤D；

当F≥Fy时，则认为在对应周期内对应用户为高粘度用户，反之则认为对应周期内对应用户为普通用户或低粘度用户；

Dy为预设值，Fy为预设值，一个周期的长度为预设值，在本发明的一个实施例中，一个周期的长度为一个月；

该步骤选取在对应周期内购物订单数量较多且较为分散的用户作为高粘度用户，有利于在后续处理的过程中，降低订单的不规律性对结果的影响；

S3、获取目标商品的关联商品；

在一个周期内，获取各高粘度用户的购物订单记录；

当一个高粘度用户购买目标商品时，获取在目标商品的购物订单成立之前t1至成立之后的t1时间范围内，该高粘度用户的目标商品对应的购物订单对应的商品所属类别，将该类别商品与目标商品的关联度加1；

统计获取在对应周期内目标商品与各类别商品之间的关联度g，当g≥gy成立时，则认为对应类别商品为目标商品的关联商品；

所述t1为预设值，gy为预设值；

获取各目标商品的关联商品以及与关联商品之间的关联度g；

S4、获取在购买对应价格区间内的目标商品的高粘度用户在购买各关联商品时在关联商品的各价格区间内的选择人数占比；

获取各高粘度用户的购物订单记录；

对于一个高粘度用户所购买的一个目标商品，获取该目标商品在对应类别商品中所处的价格区间，将该价格区间标记为目标区间；

获取该目标商品对应的关联商品；

对于一种关联商品，获取在对应周期内同时购买有关联商品以及处于目标区间内的目标商品的高粘度用户，获取这些高粘度用户购买该关联商品时所处的价格区间；

假设关联商品对应有r个价格区间，将这r个价格区间依次标记为q1、q2、…、qr；

计算获取对于目标商品，关联商品在各价格区间内的选择人数占比Zb；

S5、当一个用户通过检索单元对一类别商品进行检索时，通过输入特征字符检索获取检索目标，根据公式Y＝α1*X1+α2*X2+α3*X3计算得到各检索目标的综合系数Y；

其中X1为销量值、X2为人气值、X3为商铺的信誉值，α1、α2、α3均为预设的系数，人气值为浏览量值和/或收藏量值；

计算获取对于该用户，该商品对应的各价格区间的平均选择人数占比Zip，根据公式G＝Zip*Y计算得到各检索目标的推荐值；

当一个用户完成目标商品的购买时，获取该目标商品的关联商品，根据公式G＝(α4*g+α5*Zb)*Y计算得到各检索目标的推荐值，其中α4与α5均为预设的系数；

所述推荐单元按照推荐值从大到小的顺序在用户完成检索或者完成目标商品的购买时，对对应商品进行推荐。

本发明在对商品进行推荐时，相较于现有技术中的商品推荐方式，一方面考虑到检索时进行的推荐以及完成商品购买操作后相关商品的推荐两种情形，另一方面来考虑到用户在购买时价格因素的影响，根据购物习惯推荐合适价格范围的对应商品至用户，更加的合理，相较于直接按照人气等因素进行推荐的方式，能够准确直接的推荐给用户合理预期的价格范围内的商品，提升推荐商品对用户的吸引力，有利于促进交易的建立。

在说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上内容仅仅是对本发明所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (6)

1.一种基于大数据分析的电子商务平台，其特征在于，包括：

数据爬取单元，用于获取用户在电子商务平台上的消费记录；

特征识别单元，用于对商品的特征字符进行分析，判断两个商品是否属于同一类别；

所述特征字符包括商品的名称、商品的尺寸、商品的品牌；

检索单元，通过用户输入的特征字符对检索目标进行获取；

推荐单元，用于对对应商品进行推荐；

上述的一种基于大数据分析的电子商务平台的工作方法包括如下步骤：

S1、获取商品的特征字符，根据商品的特征字符对商品进行分类；

将一个商品标记为目标商品，获取目标商品所属类别商品的销售量以及售出的该类别商品的价格；

S2、当一个用户对一类别商品进行检索时，将该类别商品标记为意向商品，获取该用户在检索意向商品之前的n个购物订单信息，将这n个购物订单信息对应的n种商品标记为参考商品，获取各参考商品在其同一类别商品中所处的价格区间，将参考商品的价格区间标记为参考区间；

在高粘度用户范围内，对于一种参考商品，获取在对应周期内同时购买有意向商品以及处于参考区间内的参考商品的高粘度用户，获取这些高粘度用户购买意向商品时所处的价格区间；

假设意向商品对应有m个价格区间，将这m个价格区间依次标记为Q1、Q2、…、Qm；

计算获取对于一种参考商品，意向商品在各价格区间内的选择人数占比Z，将其依次标记为Z1、Z2、…、Zm；

获取n个参考商品对应的n组意向商品在各价格区间内的选择人数占比Z；计算对应的n个Zi值的平均值作为价格区间Qi的平均选择人数占比Zip；

S5、当一个用户通过检索单元对一类别商品进行检索时，通过输入特征字符检索获取检索目标，根据公式Y＝α1*X1+α2*X2+α3*X3计算得到各检索目标的综合系数Y；

其中X1为销量值、X2为人气值、X3为商铺的信誉值，α1、α2、α3均为预设的系数；

计算获取对于该用户，该商品对应的各价格区间的平均选择人数占比Zip，根据公式G＝Zip*Y计算得到各检索目标的推荐值；

通过所述推荐单元按照推荐值从大到小的顺序对对应商品进行推荐。

2.根据权利要求1所述的一种基于大数据分析的电子商务平台，其特征在于，所述平均选择人数占比Zip的计算方法为：首先删除n个Zi值中偏差值大的Zi值后，再计算剩余的未被删除的若干个Zi值的平均值作为价格区间Qi的平均选择人数占比Zip；

删除偏差值大的Zi值的方法为计算这n个Zi值的方差，依次删除偏差最大的Zi值直至更新的方差小于等于预设值。

3.根据权利要求1所述的一种基于大数据分析的电子商务平台，其特征在于，所述高粘度用户的获取方法为：

对于一个用户，获取其在电子商务平台上的消费记录；

所述消费记录包括用户在一个周期内的购物订单数量D以及在一个周期内各购物订单的成立日期；

当D≥Dy成立时，获取各购物订单的成立日期，将一个周期内的第一个购物订单赋值为f1，将该周期内的第i个购物订单赋值为1+k，其中k为该周期内第一个购物订单与第i个购物订单之间的天数差；

将一个周期内各购物订单的赋值依次标记为f1、f2、…、fD；

根据公式

计算得到f1至fD这一组数据的分散系数F，其中fp＝(f1+f2+，…，+fD)/D，1≤i≤D；

当F≥Fy时，则认为在对应周期内对应用户为高粘度用户；

Dy为预设值，Fy为预设值。

4.根据权利要求3所述的一种基于大数据分析的电子商务平台，其特征在于，一个周期的长度为一个月。

5.根据权利要求4所述的一种基于大数据分析的电子商务平台，其特征在于，当一个用户完成目标商品的购买时，获取该目标商品的关联商品，根据公式G＝(α4*g+α5*Zb)*Y计算得到各关联商品的推荐值，其中α4与α5均为预设的系数；

通过所述推荐单元按照推荐值从大到小的顺序对对应商品进行推荐；

所述Zb为对于目标商品，其关联商品在各价格区间内的选择人数占比。

6.根据权利要求5所述的一种基于大数据分析的电子商务平台，其特征在于，获取目标商品的关联商品的方法为：

在一个周期内，获取各高粘度用户的购物订单记录；

当一个高粘度用户购买目标商品时，获取在目标商品的购物订单成立之前t1至成立之后的t1时间范围内，该高粘度用户的目标商品对应的购物订单对应的商品所属类别，将该类别商品与目标商品的关联度加1；

统计获取在对应周期内目标商品与各类别商品之间的关联度g，当g≥gy成立时，则认为对应类别商品为目标商品的关联商品；

所述t1为预设值，gy为预设值；

获取各目标商品的关联商品以及与关联商品之间的关联度g。

Images