CN116167825A - 基于电子商务的商品推荐方法、装置、设备及存储介质 - Google Patents

基于电子商务的商品推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116167825A
CN116167825A CN202310244689.1A CN202310244689A CN116167825A CN 116167825 A CN116167825 A CN 116167825A CN 202310244689 A CN202310244689 A CN 202310244689A CN 116167825 A CN116167825 A CN 116167825A
Authority
CN
China
Prior art keywords
commodity
scoring matrix
user
preference
attribute
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.)
Withdrawn
Application number
CN202310244689.1A
Other languages
English (en)
Inventor
王志超
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.)
Shenzhen Aiqiao Network Co ltd
Original Assignee
Shenzhen Aiqiao Network 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 Shenzhen Aiqiao Network Co ltd filed Critical Shenzhen Aiqiao Network Co ltd
Priority to CN202310244689.1A priority Critical patent/CN116167825A/zh
Publication of CN116167825A publication Critical patent/CN116167825A/zh
Withdrawn legal-status Critical Current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
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • 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

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

Abstract

本发明涉及商品推荐技术，揭露了一种基于电子商务的商品推荐方法、装置、设备及存储介质，所述方法包括：获取待推荐商品的属性信息及用户的历史购买数据及浏览数据，根据属性信息、历史购买数据及浏览数据生成商品属性评分矩阵；根据属性信息将商品属性评分矩阵转化为商品评分矩阵；根据商品评分矩阵中的商品评分计算用户的偏好信息，根据偏好信息生成用户之间的相似度模型；获取目标用户，根据相似度模型从用户中选取目标用户的邻近用户，并基于邻近用户及商品评分矩阵获取目标用户的商品评分；根据商品评分对待推荐商品进行排序，得到商品序列，并根据商品序列对目标用户进行商品推荐。本发明可以提高商品推荐方法的效率及准确性。

Description

基于电子商务的商品推荐方法、装置、设备及存储介质
技术领域
本发明涉及商品推荐技术领域，尤其涉及一种基于电子商务的商品推荐方法、装置、设备及存储介质。
背景技术
在当今信息大爆炸的时代，虽然在海量信息中蕴含着具有巨大潜在价值的信息，但是重要信息和不重要的信息之间并没有十分明显的界限，如何对海量网络信息进行挖掘分析，使用户能够在浩如烟海的数据中快速获取自己感兴趣的信息，已经成为公认的热点和难点问题，网络环境下的电子商务更是如此，参与网购的用户想要在各种各样的海量商品中快速找到自己感兴趣的商品十分困难。
近年来，电子商务的蓬勃发展激发了消费者购买商品的欲望，拓展了消费选择的宽度和广度，但是面对各个商家海量的商品消费者也会感到很茫然，这已经不是简单的“货比三家”可以做出最终的选择的。由于商品数据信息的丰富，消费者在短时间内没有充分的知识将这些信息消化掉，以致难以抉择自己想要的产品。因此，如何对海量数据进行挖掘，并向用户提供满足个性化需求的信息数据，即利用一种准确、高效、实时的商品推荐方法把用户个性化需求与数据信息紧密联系起来成为一个有待解决的问题，解决这个问题不仅可以帮助用户发现符合自身意愿的信息，而且反过来可以实现让数据信息展现在对其感兴趣的用户面前，进而达到数据信息提供方和数据信息需求者互利双赢的效果。综上所述，现有技术中存在商品推荐方法的效率及准确性不高的问题。
发明内容
本发明提供一种基于电子商务的商品推荐方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决商品推荐方法的效率及准确性不高的问题。
为实现上述目的，本发明提供的一种基于电子商务的商品推荐方法，包括：
获取待推荐商品的属性信息及用户的历史购买数据及浏览数据，根据所述属性信息、所述历史购买数据及所述浏览数据生成商品属性评分矩阵；
根据所述属性信息将所述商品属性评分矩阵转化为商品评分矩阵；
根据所述商品评分矩阵中的商品评分计算所述用户的偏好信息，根据所述偏好信息生成所述用户之间的相似度模型；
获取目标用户，根据所述相似度模型从所述用户中选取所述目标用户的邻近用户，并基于所述邻近用户及所述商品评分矩阵获取所述目标用户的商品评分；
根据所述商品评分对所述待推荐商品进行排序，得到商品序列，并根据所述商品序列对所述目标用户进行商品推荐。
可选地，所述根据所述属性信息、所述历史购买数据及所述浏览数据生成商品属性评分矩阵，包括：
对所述历史购买数据及所述浏览数据进行关键字提取，得到商品关键字，将所述商品关键字与预设的商品标签进行关键字匹配；
当所述商品标签与所述商品关键字匹配时，将所述商品标签作为所述商品关键字的目标标签；
将所述属性信息作为行向量并将所述目标标签作为列向量建立商品属性评分矩阵。
可选地，所述根据所述属性信息将所述商品属性评分矩阵转化为商品评分矩阵，包括：
对所述商品属性评分矩阵中目标标签对应的多个属性信息的属性值进行均值计算，得到商品评分；
将所述商品评分作为行向量并将所述目标标签作为列向量建立商品评分矩阵；
所述商品评分矩阵表示为：
R＝[Rf,i]N×M
其中，R表示所述商品评分矩阵，Rf,i表示所述商品评分f与所述目标标签i在所述商品评分矩阵中的值，N表示所述商品评分f的总数，M表示所述目标标签i的总数。
可选地，所述根据所述商品评分矩阵中的商品评分计算所述用户的偏好信息，包括：
根据所述商品评分矩阵中的商品评分对所述商品评分矩阵中的目标标签进行划分，得到偏好商品标签集合及非偏好商品标签集合；
根据所述偏好商品标签集合、所述非偏好商品标签集合及所述商品评分生成所述用户的偏好信息；
利用下述公式计算所述用户的偏好信息；
F＝tf×log(P/p)
其中，F表示所述偏好信息，f表示所述商品评分，t表示所述偏好商品标签集合中具有所述商品评分的个数，P表示所述商品评分矩阵中的目标标签的个数，p表示所述商品评分矩阵中所述商品评分的种类的总数。
可选地，所述根据所述偏好信息生成所述用户之间的相似度模型，包括：
所述相似度模型表示为：
Figure BDA0004125583540000031
其中，S表示第g个用户与第q个用户的相似度，Fg,h表示第g个用户对第h个商品的偏好信息，Fq,h表示第q个用户对第h个商品的偏好信息，
Figure BDA0004125583540000032
表示第g个用户的偏好信息对应的数据均值，/>
Figure BDA0004125583540000033
表示第q个用户的偏好信息对应的数据均值。
可选地，所述基于所述邻近用户及所述商品评分矩阵获取所述目标用户的商品评分，包括：
从多个所述邻近用户对应的商品评分矩阵中提取偏好标签，对所述偏好标签对应的标签值进行均值计算，得到偏好均值；
对所述偏好均值进行归一化处理，得到偏好矢量；
根据预设的评分上限及所述偏好矢量计算评分矢量，将所述评分矢量作为所述目标用户的商品评分；
利用下述公式计算评分矢量：
V＝scale×W/∑a∑fWa,f
其中，V表示所述评分矢量，scale表示所述评分上限，Wa,f表示第a个属性信息的第f个商品评分的偏好矢量。
可选地，所述根据所述商品评分对所述待推荐商品进行排序，得到商品序列，包括：
根据所述商品评分对所述待推荐商品进行等级划分，得到商品等级；
根据所述商品等级对所述待推荐商品进行编号，得到商品编号，将所述商品编号作为商品序列。
为了解决上述问题，本发明还提供一种基于电子商务的商品推荐装置，所述装置包括：
商品属性评分矩阵生成模块，用于获取待推荐商品的属性信息及用户的历史购买数据及浏览数据，根据所述属性信息、所述历史购买数据及所述浏览数据生成商品属性评分矩阵；
商品评分矩阵生成模块，用于根据所述属性信息将所述商品属性评分矩阵转化为商品评分矩阵；
相似度模型生成模块，用于根据所述商品评分矩阵中的商品评分计算所述用户的偏好信息，根据所述偏好信息生成所述用户之间的相似度模型；
商品评分获取模块，用于获取目标用户，根据所述相似度模型从所述用户中选取所述目标用户的邻近用户，并基于所述邻近用户及所述商品评分矩阵获取所述目标用户的商品评分；
商品推荐模块，用于根据所述商品评分对所述待推荐商品进行排序，得到商品序列，并根据所述商品序列对所述目标用户进行商品推荐。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于电子商务的商品推荐方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于电子商务的商品推荐方法。
本发明实施例通过属性信息、历史购买数据及浏览数据生成商品属性评分矩阵，可以使得商品属性评分矩阵的数据更加准确且丰富；通过属性信息将商品属性评分矩阵转化为商品评分矩阵，不仅能够数据扩充，还能够使得商品属性评分矩阵更加完整；通过商品评分矩阵中的商品评分计算用户的偏好信息，使得用户的偏好信息更加准确，根据偏好信息生成用户之间的相似度模型，使得相似度模型更加精确，从而加快计算机处理效率；通过相似度模型从用户中选取目标用户的邻近用户，能够保证选取的邻近用户更加接近目标用户，并基于商品评分矩阵获取目标用户的商品评分，使得获取的商品评分更加准确；通过商品评分对待推荐商品进行排序，得到商品序列，并根据商品序列对目标用户进行商品推荐，能够提高商品推荐方法的准确性及效率。因此本发明提出的基于电子商务的商品推荐方法、装置、设备及存储介质，可以解决商品推荐方法的效率及准确性不高的问题。
附图说明
图1为本发明一实施例提供的基于电子商务的商品推荐方法的流程示意图；
图2为本发明一实施例提供的根据属性信息、历史购买数据及浏览数据生成商品属性评分矩阵的流程示意图；
图3为本发明一实施例提供的基于邻近用户及商品评分矩阵获取目标用户的商品评分的流程示意图；
图4为本发明一实施例提供的基于电子商务的商品推荐装置的功能模块图；
图5为本发明一实施例提供的实现所述基于电子商务的商品推荐方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于电子商务的商品推荐方法。所述基于电子商务的商品推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于电子商务的商品推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于电子商务的商品推荐方法的流程示意图。在本实施例中，所述基于电子商务的商品推荐方法包括：
S1、获取待推荐商品的属性信息及用户的历史购买数据及浏览数据，根据所述属性信息、所述历史购买数据及所述浏览数据生成商品属性评分矩阵。
本发明实施例中，所述待推荐商品指的是推荐给不同类型消费者的不同商品，商品一般包括多个属性，所述属性信息包括但不仅限于待推荐商品的质量、价格、款式、实用性及美观性。
本发明实施例中，所述用户指的是购买网络产品的消费者；所述历史购买数据指的是用户在应用软件、浏览器等网络页面中进行购买等操作所产生的数据，例如，所购买商品的价格、样式及商品的作用等；所述浏览数据包括但不仅限于通过点击、问答、标记、评分、阅读、搜索、购买及下载等网络行为数据。
请参阅图2所示，本发明实施例中，所述根据所述属性信息、所述历史购买数据及所述浏览数据生成商品属性评分矩阵，包括：
S21、对所述历史购买数据及所述浏览数据进行关键字提取，得到商品关键字，将所述商品关键字与预设的商品标签进行关键字匹配；
S22、当所述商品标签与所述商品关键字匹配时，将所述商品标签作为所述商品关键字的目标标签；
S23、当所述商品标签与所述商品关键字不匹配时，对所述商品关键字进行重新匹配，直至找到所述商品关键字对应的商品标签，将所述商品标签作为所述商品关键字的目标标签；
S24、将所述属性信息作为行向量并将所述目标标签作为列向量建立商品属性评分矩阵。
本发明实施例中，预设的商品标签可以存在对应的标签关键字例如，洗发水、沐浴露及浴球等标签关键字属于洗护标签；电饭煲、吹风机及电水壶等标签关键字属于电器标签；若所述商品关键字为洗发水，则将所述洗护标签作为所述商品关键字的目标标签。
本发明实施例中，所述商品属性评分矩阵中各元素的取值可以根据所述历史购买数据中的历史商品评分及所述浏览数据中的浏览商品评分对应的属性信息进行均值计算，得到所述属性信息对应的属性值；所述历史商品评分是根据用户对历史购买商品的评价、复购次数等形成的评分；所述浏览商品评分是根据用户的收藏夹、浏览次数及喜欢等行为形成的评分；计算多个所述用户对历史购买商品的属性信息的第一评分均值以及多个所述用户对所述浏览商品的属性信息的第二评分均值，将所述第一评分均值及所述第二评分均值进行四则运算，得到属性信息对应的属性值。
S2、根据所述属性信息将所述商品属性评分矩阵转化为商品评分矩阵。
本发明实施例中，所述根据所述属性信息将所述商品属性评分矩阵转化为商品评分矩阵，包括：
对所述商品属性评分矩阵中目标标签对应的多个属性信息的属性值进行均值计算，得到商品评分；
将所述商品评分作为行向量并将所述目标标签作为列向量建立商品评分矩阵。
本发明实施例中，所述商品评分矩阵表示为：
R＝[Rf,i]N×M
其中，R表示所述商品评分矩阵，Rf,i表示所述商品评分f与所述目标标签i在所述商品评分矩阵中的值，N表示所述商品评分f的总数，M表示所述目标标签i的总数。
本发明实施例中，所述商品评分矩阵中各元素的取值可以是二进制的1或0，分别表示用户偏好或非偏好某个商品，也可以是表示等级的数值如1-5级、1-7级或1-10级，不同的级别表示用户对于商品的不同偏好程度。
本发明实施例中，将所述商品属性评分矩阵转化为商品评分矩阵，不用增加推荐过程对消费者的干扰以及消费者的信息反馈工作量，还能够对数据资源进行扩充及利用。
S3、根据所述商品评分矩阵中的商品评分计算所述用户的偏好信息，根据所述偏好信息生成所述用户之间的相似度模型。
本发明实施例中，所述根据所述商品评分矩阵中的商品评分计算所述用户的偏好信息，包括：
根据所述商品评分矩阵中的商品评分对所述商品评分矩阵中的目标标签进行划分，得到偏好商品标签集合及非偏好商品标签集合；
根据所述偏好商品标签集合、所述非偏好商品标签集合及所述商品评分生成所述用户的偏好信息。
本发明实施例中，利用下述公式计算所述用户的偏好信息；
F＝tf×log(P/p)
其中，F表示所述偏好信息，f表示所述商品评分，t表示所述偏好商品标签集合中具有所述商品评分的个数，P表示所述商品评分矩阵中的目标标签的个数，p表示所述商品评分矩阵中所述商品评分的种类的总数。
本发明实施例中，当某个商品评分在用户偏好的商品中的评分越高时，说明用户越偏好具有所述商品评分的商品，则所述商品评分对用户的偏好信息的预测能力越强，从而能够得到偏好商品标签集合；如果所述商品评分在越多的商品尤其是在用户非偏好的商品中出现，说明用户对具备所述商品评分的商品并非偏好，从而得到非偏好商品标签集合。
本发明实施例中，所述相似度模型表示为：
Figure BDA0004125583540000081
其中，S表示第g个用户与第q个用户的相似度，Fg,h表示第g个用户对第h个商品的偏好信息，Fq,h表示第q个用户对第h个商品的偏好信息，
Figure BDA0004125583540000082
表示第g个用户的偏好信息对应的数据均值，/>
Figure BDA0004125583540000083
表示第q个用户的偏好信息对应的数据均值。
本发明实施例中，根据所述偏好信息计算所述用户之间的相似度模型，能够保证下述推荐商品时准确性更高，当所述相似度模型计算的值越大，表示所述用户之间更加相似，从而推荐商品的成交率越高。
S4、获取目标用户，根据所述相似度模型从所述用户中选取所述目标用户的邻近用户，并基于所述邻近用户及所述商品评分矩阵获取所述目标用户的商品评分。
本发明实施例中，所述目标用户指的是需要进行商品推荐的消费者。
本发明实施例中，根据所述相似度模型从所述用户中选取所述目标用户的邻近用户指的是根据所述目标用户的偏好信息利用所述相似度模型依次计算所述用户的偏好信息与所述目标用户的相似度，将所述相似度大于90％的所述用户作为所述目标用户的邻近用户。
请参阅图3所示，本发明实施例中，所述基于所述邻近用户及所述商品评分矩阵获取所述目标用户的商品评分，包括：
S31、从多个所述邻近用户对应的商品评分矩阵中提取偏好标签，对所述偏好标签对应的标签值进行均值计算，得到偏好均值；
S32、对所述偏好均值进行归一化处理，得到偏好矢量；
S33、根据预设的评分上限及所述偏好矢量计算评分矢量，将所述评分矢量作为所述目标用户的商品评分。
本发明实施例中，利用下述公式计算评分矢量：
V＝scale×W/∑a∑fWa,f
其中，V表示所述评分矢量，scale表示所述评分上限，Wa,f表示第a个属性信息的第f个商品评分的偏好矢量。
本发明实施例中，所述目标用户包含多个邻近用户，将多个所述邻近用户对应的商品评分矩阵提取出来，并获取所述邻近用户对应的偏好标签，利用四则运算计算所述标签值的偏好均值。
本发明实施例中，利用标准差标准化方法对所述偏好均值进行归一化处理，得到偏好矢量；所述评分上限指的是所述目标用户对所述商品评分的最大值。
本发明实施例中，对所述偏好均值进行归一化处理，能够避免所述偏好矢量过高或过低，从而保证数据稳定性；根据所述评分上限及所述偏好矢量计算评分矢量，将所述评分矢量作为所述目标用户的商品评分，使得所述商品评分更加准确，在通过所述商品评分进行商品推荐时的成功率更高。
S5、根据所述商品评分对所述待推荐商品进行排序，得到商品序列，并根据所述商品序列对所述目标用户进行商品推荐。
本发明实施例中，所述根据所述商品评分对所述待推荐商品进行排序，得到商品序列，包括：
根据所述商品评分对所述待推荐商品进行等级划分，得到商品等级；
根据所述商品等级对所述待推荐商品进行编号，得到商品编号，将所述商品编号作为商品序列。
本发明实施例中，根据所述商品评分可以将所述待推荐商品分为五个商品等级，例如，将所述待推荐商品分为非常推荐、推荐、一般推荐、较少推荐及不推荐这五个等级；将每个商品等级内的所述待推荐商品进行编号，包括但不仅限于根据价格进行编号，从而得到商品编号，根据编号的顺序作为商品推荐的商品序列，从而能够提高商品推荐的效率。
本发明实施例中，根据所述商品序列对所述目标用户进行商品推荐指的是根据商品排序的前后对所述目标用户进行推荐，所述商品排序过程中包含了对商品的价格、实用性及颜色等进行分析，找到所述目标用户的日常消费水平进行针对性推荐，提高商品推荐的准确性，从而提高商品的购买率。
本发明实施例通过属性信息、历史购买数据及浏览数据生成商品属性评分矩阵，可以使得商品属性评分矩阵的数据更加准确且丰富；通过属性信息将商品属性评分矩阵转化为商品评分矩阵，不仅能够数据扩充，还能够使得商品属性评分矩阵更加完整；通过商品评分矩阵中的商品评分计算用户的偏好信息，使得用户的偏好信息更加准确，根据偏好信息生成用户之间的相似度模型，使得相似度模型更加精确，从而加快计算机处理效率；通过相似度模型从用户中选取目标用户的邻近用户，能够保证选取的邻近用户更加接近目标用户，并基于商品评分矩阵获取目标用户的商品评分，使得获取的商品评分更加准确；通过商品评分对待推荐商品进行排序，得到商品序列，并根据商品序列对目标用户进行商品推荐，能够提高商品推荐方法的准确性及效率。因此本发明提出的基于电子商务的商品推荐方法，可以解决商品推荐方法的效率及准确性不高的问题。
如图4所示，是本发明一实施例提供的基于电子商务的商品推荐装置的功能模块图。
本发明所述基于电子商务的商品推荐装置400可以安装于电子设备中。根据实现的功能，所述基于电子商务的商品推荐装置400可以包括商品属性评分矩阵生成模块401、商品评分矩阵生成模块402、相似度模型生成模块403、商品评分获取模块404及商品推荐模块405。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述商品属性评分矩阵生成模块401，用于获取待推荐商品的属性信息及用户的历史购买数据及浏览数据，根据所述属性信息、所述历史购买数据及所述浏览数据生成商品属性评分矩阵；
所述商品评分矩阵生成模块402，用于根据所述属性信息将所述商品属性评分矩阵转化为商品评分矩阵；
所述相似度模型生成模块403，用于根据所述商品评分矩阵中的商品评分计算所述用户的偏好信息，根据所述偏好信息生成所述用户之间的相似度模型；
所述商品评分获取模块404，用于获取目标用户，根据所述相似度模型从所述用户中选取所述目标用户的邻近用户，并基于所述邻近用户及所述商品评分矩阵获取所述目标用户的商品评分；
所述商品推荐模块405，用于根据所述商品评分对所述待推荐商品进行排序，得到商品序列，并根据所述商品序列对所述目标用户进行商品推荐。
详细地，本发明实施例中所述基于电子商务的商品推荐装置400中所述的各模块在使用时采用与附图中所述的基于电子商务的商品推荐方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于电子商务的商品推荐方法的电子设备的结构示意图。
所述电子设备500可以包括处理器501、存储器502、通信总线503以及通信接口504，还可以包括存储在所述存储器502中并可在所述处理器501上运行的计算机程序，如基于电子商务的商品推荐程序。
其中，所述处理器501在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器501是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器502内的程序或者模块(例如执行基于电子商务的商品推荐程序等)，以及调用存储在所述存储器502内的数据，以执行电子设备的各种功能和处理数据。
所述存储器502至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器502在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器502在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器502还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器502不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于电子商务的商品推荐程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线503可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器502以及至少一个处理器501等之间的连接通信。
所述通信接口504用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备500的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器501逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备500中的所述存储器502存储的基于电子商务的商品推荐程序是多个指令的组合，在所述处理器501中运行时，可以实现：
获取待推荐商品的属性信息及用户的历史购买数据及浏览数据，根据所述属性信息、所述历史购买数据及所述浏览数据生成商品属性评分矩阵；
根据所述属性信息将所述商品属性评分矩阵转化为商品评分矩阵；
根据所述商品评分矩阵中的商品评分计算所述用户的偏好信息，根据所述偏好信息生成所述用户之间的相似度模型；
获取目标用户，根据所述相似度模型从所述用户中选取所述目标用户的邻近用户，并基于所述邻近用户及所述商品评分矩阵获取所述目标用户的商品评分；
根据所述商品评分对所述待推荐商品进行排序，得到商品序列，并根据所述商品序列对所述目标用户进行商品推荐。
具体地，所述处理器501对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备500集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取待推荐商品的属性信息及用户的历史购买数据及浏览数据，根据所述属性信息、所述历史购买数据及所述浏览数据生成商品属性评分矩阵；
根据所述属性信息将所述商品属性评分矩阵转化为商品评分矩阵；
根据所述商品评分矩阵中的商品评分计算所述用户的偏好信息，根据所述偏好信息生成所述用户之间的相似度模型；
获取目标用户，根据所述相似度模型从所述用户中选取所述目标用户的邻近用户，并基于所述邻近用户及所述商品评分矩阵获取所述目标用户的商品评分；
根据所述商品评分对所述待推荐商品进行排序，得到商品序列，并根据所述商品序列对所述目标用户进行商品推荐。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于电子商务的商品推荐方法，其特征在于，所述方法包括：
获取待推荐商品的属性信息及用户的历史购买数据及浏览数据，根据所述属性信息、所述历史购买数据及所述浏览数据生成商品属性评分矩阵；
根据所述属性信息将所述商品属性评分矩阵转化为商品评分矩阵；
根据所述商品评分矩阵中的商品评分计算所述用户的偏好信息，根据所述偏好信息生成所述用户之间的相似度模型；
获取目标用户，根据所述相似度模型从所述用户中选取所述目标用户的邻近用户，并基于所述邻近用户及所述商品评分矩阵获取所述目标用户的商品评分；
根据所述商品评分对所述待推荐商品进行排序，得到商品序列，并根据所述商品序列对所述目标用户进行商品推荐。
2.如权利要求1所述的基于电子商务的商品推荐方法，其特征在于，所述根据所述属性信息、所述历史购买数据及所述浏览数据生成商品属性评分矩阵，包括：
对所述历史购买数据及所述浏览数据进行关键字提取，得到商品关键字，将所述商品关键字与预设的商品标签进行关键字匹配；
当所述商品标签与所述商品关键字匹配时，将所述商品标签作为所述商品关键字的目标标签；
将所述属性信息作为行向量并将所述目标标签作为列向量建立商品属性评分矩阵。
3.如权利要求1所述的基于电子商务的商品推荐方法，其特征在于，所述根据所述属性信息将所述商品属性评分矩阵转化为商品评分矩阵，包括：
对所述商品属性评分矩阵中目标标签对应的多个属性信息的属性值进行均值计算，得到商品评分；
将所述商品评分作为行向量并将所述目标标签作为列向量建立商品评分矩阵；
所述商品评分矩阵表示为：
R＝[Rf,i]N×M
其中，R表示所述商品评分矩阵，Rf,i表示所述商品评分f与所述目标标签i在所述商品评分矩阵中的值，N表示所述商品评分f的总数，M表示所述目标标签i的总数。
4.如权利要求1所述的基于电子商务的商品推荐方法，其特征在于，所述根据所述商品评分矩阵中的商品评分计算所述用户的偏好信息，包括：
根据所述商品评分矩阵中的商品评分对所述商品评分矩阵中的目标标签进行划分，得到偏好商品标签集合及非偏好商品标签集合；
根据所述偏好商品标签集合、所述非偏好商品标签集合及所述商品评分生成所述用户的偏好信息；
利用下述公式计算所述用户的偏好信息；
F＝tf×log(P/p)
其中，F表示所述偏好信息，f表示所述商品评分，t表示所述偏好商品标签集合中具有所述商品评分的个数，P表示所述商品评分矩阵中的目标标签的个数，p表示所述商品评分矩阵中所述商品评分的种类的总数。
5.如权利要求1所述的基于电子商务的商品推荐方法，其特征在于，所述根据所述偏好信息生成所述用户之间的相似度模型，包括：
所述相似度模型表示为：
Figure FDA0004125583530000021
其中，S表示第g个用户与第q个用户的相似度，Fg,h表示第g个用户对第h个商品的偏好信息，Fq,h表示第q个用户对第h个商品的偏好信息，
Figure FDA0004125583530000022
表示第g个用户的偏好信息对应的数据均值，/>
Figure FDA0004125583530000023
表示第q个用户的偏好信息对应的数据均值。
6.如权利要求1所述的基于电子商务的商品推荐方法，其特征在于，所述基于所述邻近用户及所述商品评分矩阵获取所述目标用户的商品评分，包括：
从多个所述邻近用户对应的商品评分矩阵中提取偏好标签，对所述偏好标签对应的标签值进行均值计算，得到偏好均值；
对所述偏好均值进行归一化处理，得到偏好矢量；
根据预设的评分上限及所述偏好矢量计算评分矢量，将所述评分矢量作为所述目标用户的商品评分；
利用下述公式计算评分矢量：
V＝scale×W/∑a∑fWa,f
其中，V表示所述评分矢量，scale表示所述评分上限，Wa,f表示第a个属性信息的第f个商品评分的偏好矢量。
7.如权利要求1所述的基于电子商务的商品推荐方法，其特征在于，所述根据所述商品评分对所述待推荐商品进行排序，得到商品序列，包括：
根据所述商品评分对所述待推荐商品进行等级划分，得到商品等级；
根据所述商品等级对所述待推荐商品进行编号，得到商品编号，将所述商品编号作为商品序列。
8.一种基于电子商务的商品推荐装置，其特征在于，所述装置包括：
商品属性评分矩阵生成模块，用于获取待推荐商品的属性信息及用户的历史购买数据及浏览数据，根据所述属性信息、所述历史购买数据及所述浏览数据生成商品属性评分矩阵；
商品评分矩阵生成模块，用于根据所述属性信息将所述商品属性评分矩阵转化为商品评分矩阵；
相似度模型生成模块，用于根据所述商品评分矩阵中的商品评分计算所述用户的偏好信息，根据所述偏好信息生成所述用户之间的相似度模型；
商品评分获取模块，用于获取目标用户，根据所述相似度模型从所述用户中选取所述目标用户的邻近用户，并基于所述邻近用户及所述商品评分矩阵获取所述目标用户的商品评分；
商品推荐模块，用于根据所述商品评分对所述待推荐商品进行排序，得到商品序列，并根据所述商品序列对所述目标用户进行商品推荐。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于电子商务的商品推荐方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于电子商务的商品推荐方法。
CN202310244689.1A 2023-03-06 2023-03-06 基于电子商务的商品推荐方法、装置、设备及存储介质 Withdrawn CN116167825A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310244689.1A CN116167825A (zh) 2023-03-06 2023-03-06 基于电子商务的商品推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310244689.1A CN116167825A (zh) 2023-03-06 2023-03-06 基于电子商务的商品推荐方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116167825A true CN116167825A (zh) 2023-05-26

Family

ID=86411552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310244689.1A Withdrawn CN116167825A (zh) 2023-03-06 2023-03-06 基于电子商务的商品推荐方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116167825A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117350823A (zh) * 2023-12-04 2024-01-05 北京国双科技有限公司 一种电子商城用商品信息推荐方法、系统、设备及介质
CN117993956A (zh) * 2024-04-01 2024-05-07 南京守约信息技术有限公司 一种基于目标客户及市场数据处理方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117350823A (zh) * 2023-12-04 2024-01-05 北京国双科技有限公司 一种电子商城用商品信息推荐方法、系统、设备及介质
CN117993956A (zh) * 2024-04-01 2024-05-07 南京守约信息技术有限公司 一种基于目标客户及市场数据处理方法

Similar Documents

Publication Publication Date Title
CN110222272B (zh) 一种潜在客户挖掘与推荐方法
CN103914492B (zh) 查询词融合方法、商品信息发布方法和搜索方法及系统
CN111815419B (zh) 游戏中虚拟商品的推荐方法、装置及电子设备
CN116167825A (zh) 基于电子商务的商品推荐方法、装置、设备及存储介质
CN108205768A (zh) 数据库建立方法和数据推荐方法及装置、设备和存储介质
CN111523010A (zh) 推荐方法、装置、终端设备及计算机存储介质
CN109840796B (zh) 决策因素分析装置与决策因素分析方法
CN110827112B (zh) 深度学习的商品推荐方法、装置、计算机设备及存储介质
CN105718184A (zh) 一种数据处理方法和装置
CN115002200B (zh) 基于用户画像的消息推送方法、装置、设备及存储介质
CN115391669B (zh) 一种智能推荐方法、装置、电子设备
Yan et al. Implementation of a product-recommender system in an IoT-based smart shopping using fuzzy logic and apriori algorithm
CN111966886A (zh) 对象推荐方法、对象推荐装置、电子设备及存储介质
CN113781149A (zh) 信息推荐方法、装置、计算机可读存储介质及电子设备
CN113656690B (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN115018588A (zh) 产品推荐方法、装置、电子设备及可读存储介质
Lin et al. LayoutPrompter: Awaken the Design Ability of Large Language Models
CN113886708A (zh) 基于用户信息的产品推荐方法、装置、设备及存储介质
CN111523315A (zh) 数据处理方法、文本识别方法、装置及计算机设备
CN111654714A (zh) 信息处理方法、装置、电子设备和存储介质
CN115204971B (zh) 产品推荐方法、装置、电子设备及计算机可读存储介质
CN115641186A (zh) 直播产品偏好的智能分析方法、装置、设备及存储介质
US10013699B1 (en) Reverse associate website discovery
CN115239421A (zh) 商品推荐方法、装置、设备及介质
CN115239413A (zh) 一种商品推荐方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20230526

WW01 Invention patent application withdrawn after publication