CN116862625B - 基于互联网大数据的生鲜水果线上推荐方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及基于互联网大数据的生鲜水果线上推荐方法，包括：获取用户进行生鲜水果消费的历史信息大数据，获取购买种类集合、用户进行生鲜水果消费时购买生鲜水果时种类的偏向性以及用户的购买种类集合中对应种类的生鲜水果的历史行为累加参数，根据偏向性和历史行为累加参数得到偏向性增益参数，获取复购意向概率，根据复购意向概率结得到用户与关联规则的匹配度，根据到用户与关联规则的匹配度进行生鲜水果的线上精准推荐。本发明在对用户进行历史购物行为分析的基础上，获取用户对不同种类的生鲜水果的复购意向概率，而后结合互联网大数据进行相关的生鲜水果的关联规则分析，以此来实现生鲜水果的线上精准推荐。

Description

基于互联网大数据的生鲜水果线上推荐方法

技术领域

本发明涉及数据处理技术领域，具体涉及基于互联网大数据的生鲜水果线上推荐方法。

背景技术

随着网络的迅猛发展，网上购物已经成为人们的主要消费途径之一。例如以前生鲜水果的线下购买模式，也迎来了网上销售的热潮。但是在进行网上生鲜水果购买的时候，商家如何去迎合消费者的喜好、购物行为，从而精准的对用户进行相关生鲜水果高效率精准推荐，以此来来缩短生鲜水果的销售周期一直以来是研究的热点。

现有技术中对于线上生鲜水果进行推送时，主要是利用相关的数据挖掘算法对互联网大数据进行不同种类的生鲜水果的关联规则挖掘，根据不同种类的生鲜水果的关联规则进行对应的生鲜水果的推送。这种方式针对于单个用户而言，忽略了用户的历史行为在生鲜水果的推荐过程中的重要影响，从而使得推荐的结果往往不够精确。

发明内容

本发明提供基于互联网大数据的生鲜水果线上推荐方法，以解决现有的问题。

本发明的基于互联网大数据的生鲜水果线上推荐方法采用如下技术方案：

本发明一个实施例提供了基于互联网大数据的生鲜水果线上推荐方法，该方法包括以下步骤：

获取用户进行生鲜水果消费的历史信息大数据，包括：购买时间和用户历史购买行为中生鲜水果的购买种类集合；

根据用户进行生鲜水果消费的历史信息大数据中购买生鲜水果种类的次数得到用户进行生鲜水果消费时购买生鲜水果时种类的偏向性，根据用户进行生鲜水果消费的历史信息大数据中任意一种生鲜水果的购买时间差异得到用户的购买种类集合中对应种类的生鲜水果的历史行为累加参数；

根据用户进行生鲜水果消费的历史信息大数据中购买生鲜水果种类的次数和用户进行生鲜水果消费的历史信息大数据中任意一种生鲜水果的购买时间差异，得到用户的购买种类集合中对应种类的生鲜水果的历史行为累加参数对应的限制系数；

根据用户的购买种类集合中对应种类的生鲜水果的历史行为累加参数和用户的购买种类集合中对应种类的生鲜水果的历史行为累加参数对应的限制系数，得到用户的购买种类集合中对应种类的偏向性增益参数；

根据用户进行生鲜水果消费时购买生鲜水果时种类的偏向性和用户的购买种类集合中对应种类的偏向性增益参数，得到用户进行生鲜水果消费时购买生鲜水果为相同种类的复购意向概率；

获取不同种类的生鲜水果的关联规则，根据关联规则中生鲜水果种类的复购意向概率得到用户与关联规则的匹配度，根据匹配度对用户进行生鲜水果的线上推荐。

进一步地，所述用户进行生鲜水果消费的历史信息大数据的具体获取方法如下：

从生鲜水果的线上购买平台采集所有用户进行生鲜水果消费的历史信息大数据。

进一步地，所述根据用户进行生鲜水果消费的历史信息大数据中购买生鲜水果种类的次数得到用户进行生鲜水果消费时购买生鲜水果时种类的偏向性，包括的具体步骤如下：

其中，表示在第A个用户进行生鲜水果消费的历史信息大数据中，购买生鲜水果为第/>个种类的总次数，其中/>，/>表示在第A个用户进行生鲜水果消费的历史信息大数据中，购买生鲜水果为第/>个种类的总次数，其中/>，/>表示第A个用户所有的购买行为中的生鲜水果的种类总个数，/>表示对大括号中的变量进行线性归一化处理，/>表示第A个用户进行生鲜水果消费时购买生鲜水果为第/>个种类的偏向性。

进一步地，所述根据用户进行生鲜水果消费的历史信息大数据中任意一种生鲜水果的购买时间差异得到用户的购买种类集合中对应种类的生鲜水果的历史行为累加参数，包括的具体步骤如下：

其中，表示自然常数/>为底的指数函数，/>表示取绝对值，/>表示在第A个用户进行生鲜水果消费的历史信息大数据中，购买生鲜水果为第/>个种类的总次数，/>表示在第A个用户进行生鲜水果消费的历史信息大数据中，第/>个种类的生鲜水果的最后购买时间，/>表示在第A个用户进行生鲜水果消费的历史信息大数据中，第/>个种类的生鲜水果的第一次购买时间，/>表示在第A个用户进行生鲜水果消费的历史信息大数据中，第/>个种类的生鲜水果的第/>次购买时间，/>表示在第A个用户进行生鲜水果消费的历史信息大数据中，第/>个种类的生鲜水果的第/>次购买时间，/>表示第A个用户的购买种类集合中第/>个种类的生鲜水果的历史行为累加参数。

进一步地，所述根据用户进行生鲜水果消费的历史信息大数据中购买生鲜水果种类的次数和用户进行生鲜水果消费的历史信息大数据中任意一种生鲜水果的购买时间差异，得到用户的购买种类集合中对应种类的生鲜水果的历史行为累加参数对应的限制系数，包括的具体步骤如下：

将第A个用户进行生鲜水果消费的历史信息大数据中，第个种类的生鲜水果的最后购买时间和第A个用户的最后一次购买生鲜水果的购买时间的差值的绝对值与第A个用户进行生鲜水果消费的历史信息大数据中，购买生鲜水果为第/>个种类的总次数的比值作为第A个用户的购买种类集合中第/>个种类的生鲜水果的历史行为累加参数对应的限制系数。

进一步地，所述根据用户的购买种类集合中对应种类的生鲜水果的历史行为累加参数和用户的购买种类集合中对应种类的生鲜水果的历史行为累加参数对应的限制系数，得到用户的购买种类集合中对应种类的偏向性增益参数，包括的具体步骤如下：

将第A个用户的购买种类集合中第个种类的生鲜水果的历史行为累加参数对应的限制系数与第A个用户的购买种类集合中第/>个种类的生鲜水果的历史行为累加参数乘积进行线性归一化处理，将归一化的结果的两倍减一作为第A个用户的购买种类集合中第/>个种类的偏向性增益参数。

进一步地，所述根据用户进行生鲜水果消费时购买生鲜水果时种类的偏向性和用户的购买种类集合中对应种类的偏向性增益参数，得到用户进行生鲜水果消费时购买生鲜水果为相同种类的复购意向概率，包括的具体步骤如下：

其中，表示第A个用户进行生鲜水果消费时购买生鲜水果为第/>个种类的偏向性，/>表示第A个用户的购买种类集合中第/>个种类的偏向性增益参数，/>表示第A个用户所有的购买行为中的生鲜水果的种类总个数，/>表示第A个用户进行生鲜水果消费时购买生鲜水果为第/>个种类的复购意向概率。

进一步地，所述不同种类的生鲜水果的关联规则的具体获取方法如下：

首先进行不同的种类生鲜水果关联规则挖掘数据集的建立，具体的数据集为采集的所有用户进行生鲜水果消费的历史信息大数据；而后进行不同种类的生鲜水果关联规则的挖掘，具体的关联规则挖掘算法为Apriori算法，获得条不同种类的生鲜水果的关联规则。

进一步地，所述根据关联规则中生鲜水果种类的复购意向概率得到用户与关联规则的匹配度，包括的具体步骤如下：

其中，表示第A个用户对于第/>条关联规则中的第/>个种类的生鲜水果的复购意向概率，/>表示第/>条关联规则中生鲜水果种类的总个数，/>表示第/>条生鲜水果的关联规则的置信度，/>表示第A个用户所有的购买行为中的生鲜水果的种类总个数，/>表示第A个用户进行生鲜水果消费的历史信息大数据中进行生鲜水果购买行为的总次数，/>表示第A个用户的行为接受参数，/>表示第A个用户与第/>条关联规则的匹配度。

进一步地，所述根据匹配度对用户进行生鲜水果的线上推荐，包括的具体步骤如下：

选择匹配度最大的前五条关联规则对用户A进行生鲜水果的线上推荐。

本发明的技术方案的有益效果是：本发明通过对用户的不同种类生鲜水果购买数据通过行为偏向性以及偏向性增益的量化，获取用户对于不同种类的生鲜水果的复购意向概率，而后在此基础上利用互联网大数据进行不同种类的生鲜水果的关联规则的挖掘，利用挖掘结果进行生鲜水果的精准推荐，其相较于现有技术，不仅利用互联网大数据进行了不同种类的生鲜水果的关联规则的获取，并且因为更加的注重用户的历史行为，选择了使用与不同用户的最合适的关联规则，所以整体的推荐结果更加的精准。

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为本发明一个实施例所提供的基于互联网大数据的生鲜水果线上推荐方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于互联网大数据的生鲜水果线上推荐方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于互联网大数据的生鲜水果线上推荐方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于互联网大数据的生鲜水果线上推荐方法的步骤流程图，该方法包括以下步骤：

步骤S001、获取用户进行生鲜水果消费的历史信息大数据。

需要说明的是，本实施例是基于互联网大数据的生鲜水果线上推荐方法，需要根据对应的数据对用户的购买性为进行分析，通过用户对于生鲜水果的历史购买行为进行不同的种类的生鲜水果的复购可能性的计算，而后通过复购可能性结合互联网大数据进行对应生鲜水果的推荐，所以需要对相关的数据进行采集。

具体的，从生鲜水果的线上购买平台采集所有用户进行生鲜水果消费的历史信息大数据，生鲜水果消费的历史信息大数据是用户的历史购买行为对应的数据，包括：每次购买生鲜水果的购买水果种类、购买时间。

至此，数据采集结束，获得了所有用户进行生鲜水果消费的历史信息大数据。

需要说明的是，在利用数据挖掘算法对生鲜水果进行基于互联网大数据的关联规则的挖掘时，虽然可以量化出不同的具有相关关联规则的生鲜水果种类，但是因为用户的人选不同，其对应的行为不同，而关联规则仅是用来分析不同种类的生鲜水果之间的相关关系的规则，所以不是每一条关联规则都适用于每一个用户，所以本实施例对于不同的用户进行不同种类的生鲜水果的复购意向概率的计算，通过复购意向概率对每一条关联规则进行分析，计算关联规则与用户之间的匹配度，通过匹配度选择合适的关联规则对用户进行精准的生鲜水果的线上推荐。

步骤S002、获取用户历史购买行为中生鲜水果的购买种类集合、用户进行生鲜水果消费时购买生鲜水果时种类的偏向性以及用户的购买种类集合中对应种类的生鲜水果的历史行为累加参数，根据偏向性和历史行为累加参数得到偏向性增益参数，获取复购意向概率。

需要说明的是，在用户的历史对于生鲜水果的购物行为中，可以反映出其对于不同种类的生鲜水果的购买实际行为，所以本实施例通过对第A个用户的历史对于特定种类的生鲜水果购物历史行为进行分析，通过计算该用户对于特定种类生鲜水果的行为偏向性以及该种类的生鲜水果的行为增益参数来获取该用户对这一特定种类的生鲜水果进行复购意向的概率计算。

具体的，以用户A为例，从用户A进行生鲜水果消费的历史信息大数据中提取用户A历史购买行为中生鲜水果的购买种类集合。具体的提取方式可以利用关键词来提取，即关键词设置为生鲜水果的种类名称。将用户A历史购买行为中生鲜水果的购买种类集合记为，/>，其中/>表示第A个用户历史购买行为中所购买生鲜水果的第/>个种类，/>（其中/>为第A个用户所有的购买行为中的生鲜水果的种类总个数）。

进一步地，以第A个用户历史购买行为中所购买生鲜水果的第个种类为例，进行第/>个种类的生鲜水果行为的偏向性/>计算，具体如下：

根据用户进行生鲜水果消费的历史信息大数据中购买生鲜水果种类的次数得到用户进行生鲜水果消费时购买生鲜水果为每个种类的偏向性，具体如下：

其中，表示在第A个用户进行生鲜水果消费的历史信息大数据中，购买生鲜水果为第/>个种类的总次数，/>，/>表示在第A个用户进行生鲜水果消费的历史信息大数据中，购买生鲜水果为第/>个种类的总次数，/>，/>表示第A个用户所有的购买行为中的生鲜水果的种类总个数，/>表示对大括号中的变量进行线性归一化处理，/>表示第A个用户进行生鲜水果消费时购买生鲜水果为第/>个种类的偏向性。

需要说明的是，在第A个用户的历史购买行为中，本实施例通过第个生鲜水果种类的购买总次数在所有的种类中的与整体所有种类的生鲜水果的购买总次数的占比，与其余种类的水鲜水果的购买总次数在整体所有种类的生鲜水果购买总次数的占比的平均值的差异值来表示第/>个用户购买历史行为中的第/>个种类的生鲜水果的行为贡献程度。该值越大，说明在第A个用户的历史行为中，其对于第/>个种类的水果生鲜的购买偏向更高，那么其在未来进行第/>个种类的生鲜水果的复购的可能性有一定的概率更高，反之则相反。

需要说明的是，上述中对于用户A进行购买第个种类的生鲜水果的行为偏向性进行了计算，而该行为是对用户整体购买行为进行无趋势行为量化的，但是实际在用户A进行第/>个种类的生鲜水果购买的时候，随着购买时间的不同，其对于该种类的购买行为的趋势变化是不同，而用户A的第/>个种类的生鲜水果的购买趋势在对于第/>个种类的水果进行复购意向分析的分析中有着重要的作用，所以本实施例利用用户A在历史购物行为中对于第/>个种类的购物趋势进行分析，以此来作为第/>个种类的生鲜水果的行为偏向性的增益参数，对在历史数据中用户A购买第/>个种类的生鲜水果的偏向性进行增益。

具体的，以用户A购买生鲜水果种类集合中的第个种类的生鲜水果为例，进行第/>个种类的生鲜水果行为的偏向性增益参数计算。

具体的，根据用户进行生鲜水果消费的历史信息大数据中任意一种生鲜水果的购买时间差异得到用户的购买种类集合中对应种类的生鲜水果的历史行为累加参数，具体如下：

其中，表示自然常数/>为底的指数函数，/>表示自然常数，/>表示取绝对值，/>表示在第A个用户进行生鲜水果消费的历史信息大数据中，购买生鲜水果为第/>个种类的总次数，/>表示在第A个用户进行生鲜水果消费的历史信息大数据中，第/>个种类的生鲜水果的最后购买时间，/>表示在第A个用户进行生鲜水果消费的历史信息大数据中，第/>个种类的生鲜水果的第一次购买时间，/>表示在第A个用户进行生鲜水果消费的历史信息大数据中，第/>个种类的生鲜水果的第/>次购买时间，/>表示在第A个用户进行生鲜水果消费的历史信息大数据中，第/>个种类的生鲜水果的第/>次购买时间，/>表示第A个用户的购买种类集合中第/>个种类的生鲜水果的历史行为累加参数。

进一步地，根据用户进行生鲜水果消费的历史信息大数据中购买生鲜水果种类的次数和用户进行生鲜水果消费的历史信息大数据中任意一种生鲜水果的购买时间差异得到用户的购买种类集合中对应种类的生鲜水果的历史行为累加参数对应的限制系数，具体如下：

其中，表示在第A个用户进行生鲜水果消费的历史信息大数据中，购买生鲜水果为第/>个种类的总次数，/>表示在第A个用户进行生鲜水果消费的历史信息大数据中，第/>个种类的生鲜水果的最后购买时间，/>表示第A个用户的最后一次购买生鲜水果的购买时间，/>表示取绝对值，/>表示第A个用户的购买种类集合中第/>个种类的生鲜水果的历史行为累加参数对应的限制系数。

进一步地，根据用户的购买种类集合中对应种类的生鲜水果的历史行为累加参数和用户的购买种类集合中对应种类的生鲜水果的历史行为累加参数对应的限制系数，得到用户的购买种类集合中对应种类的偏向性增益参数，具体如下：

其中，表示第A个用户的购买种类集合中第/>个种类的生鲜水果的历史行为累加参数对应的限制系数，/>表示第A个用户的购买种类集合中第/>个种类的生鲜水果的历史行为累加参数，/>表示对大括号中的变量进行线性归一化处理，/>表示第A个用户的购买种类集合中第/>个种类的偏向性增益参数，其取值范围为/>，当/>时为负增益，当/>时为正增益，当/>时为无增益，需要说明的是，公式中的运算是使得将关于/>的函数内/>进行值域规范化，使得/>的值域为。

需要说明的是，上述公式由两部分组成，第一部分为限制系数；第二部分为行为累加参数/>。其中设置限制系数的逻辑以及目的为：在用户A对于第/>个种类的生鲜水果进行购买的时候，其可能在更早的时间内有着较高的购买行为，但是在近期对于第/>个种类的购买行为近乎没有，所以其第二部分的行为累加参数的可信度证明是较低的，所以需要对第二部分的行为累加参数进行一定程度的限制,公式的逻辑为：通过以最后一次对第/>个种类的生鲜水果的购买时间与最后一次的购物时间进行时间跨度参数计算作为分子，而后通过历史购物行为中的第/>个种类的生鲜水果的购买行为总次数作为分母进行限制技术计算，其逻辑为：当最后一次的购买第/>个种类的生鲜水果与最后一次生鲜水果购买的时间间隔越长，历史购物行为中购买第/>个种类的生鲜水果总次数越少，说明用户A在历史数据中对于第/>个种类的生鲜水果必要性并不高，并且近期需求更低；

第二部的行为累加参数是通过用户A对于第个种类的生鲜水果进行基于购买频率的行为监测；具体公式分为两个部分，时间权值部分：/>与频率行为稳定性部分，时间权值的部分是通过以购买次数对应的时间经过有界增函数的方式进行量化，其目的为第/>次的购买行为越久，则其对应的频率行为稳定性的权值越低（因为太过久远的历史数据对于用户的行为分析起到的作用没有近期的数据作用大）；频率行为稳定性部分是通过利用连续两次购买行为之间的时间间隔/>与理想最稳定频率/>之间的差异性计算来反应第/>购买时用户的行为是否稳定，该值/>越大，说明第/>购买的行为越不稳定。利用上述方式可以获得用户A在进行第/>个种类每次购买时的频率加权行为稳定性/>计算，该值越大说明A用户在进行第/>个种类的生鲜水果历史行为购买中行为频率越稳定，即用户A对于第/>个种类的生鲜水果的需求趋势越稳定，反之则相反。

需要说明的是，最后以用户A对应的第个种类生鲜水果的行为偏向性以及行为增益参数进行第/>个种类的生鲜水果的复购意向概率的计算。

具体的，根据用户进行生鲜水果消费时购买生鲜水果时种类的偏向性和用户的购买种类集合中对应种类的偏向性增益参数，得到用户进行生鲜水果消费时购买生鲜水果为相同种类的复购意向概率，具体如下：

其中，表示第A个用户进行生鲜水果消费时购买生鲜水果为第/>个种类的偏向性，/>表示第A个用户的购买种类集合中第/>个种类的偏向性增益参数，/>表示第A个用户所有的购买行为中的生鲜水果的种类总个数，/>表示第A个用户进行生鲜水果消费时购买生鲜水果为第/>个种类的复购意向概率。同理可以获取用户A进行生鲜水果消费时购买生鲜水果为所有种类的复购意向概率。

需要说明的是，利用第个生鲜水果经过增益后的偏向性与所有种类的生鲜水果的增益后的偏向性总和进行复购意向的计算，即第/>个种类的生鲜水果在第A个用户的历史购物行为中所有的生鲜水果中，增益后的偏向性越大，说明该用户对于第/>个种类的生鲜水果的需求较高，且历史购物的行为更稳定，所以第A个用户对第/>个种类的生鲜水果的复购意向相应的也就越高，反之则相反。

至此，通过上述步骤对用户A历史数据中所有种类的生鲜水果进行计算，可以获得用户A进行生鲜水果消费时购买生鲜水果为所有种类的生鲜水果的复购意向概率。

步骤S003、根据复购意向概率结得到用户与关联规则的匹配度。

需要说明的是，上述步骤对用户A进行了基于历史生鲜水果消费行为的分析，对用户A不同的历史消费行为中的个种类生鲜水果进行了复购意向概率的计算，现利用同一线上购物平台中的所有的已经采集的互联网大数据对不同种类的生鲜水果进行关联规则的挖掘，而后通过上述计算的不同种类的生鲜水果的复购意向概率进行每条规则与用户的匹配度的量化。

具体的，首先进行不同的种类生鲜水果关联规则挖掘数据集的建立，具体的数据集为步骤S001中所采集的所有用户进行生鲜水果消费的历史信息大数据；而后进行不同种类的生鲜水果关联规则的挖掘，具体的关联规则挖掘算法为Apriori算法，获得条不同种类的生鲜水果的关联规则；最后以用户A为例，以不同种类的生鲜水果的复购意向概率进行每条关联规则与用户A的规则匹配性计算，具体计算方式以第/>条关联规则为例，其与用户A的匹配度/>的计算方式如下。

根据关联规则中生鲜水果种类的复购意向概率得到用户与关联规则的匹配度，具体如下：

其中，表示第A个用户对于第/>条关联规则中的第/>个种类的生鲜水果的复购意向概率，/>表示第/>条关联规则中生鲜水果种类的总个数，/>表示第/>条生鲜水果的关联规则的置信度，所述置信度可以由Apriori算法获得，该值的作用为表明这条关联规则的可信程度，/>表示第A个用户所有的购买行为中的生鲜水果的种类总个数，/>表示第A个用户进行生鲜水果消费的历史信息大数据中进行生鲜水果购买行为的总次数，/>表示第A个用户的行为接受参数，/>表示第A个用户与第/>条关联规则的匹配度。同理可以获取第A个用户与所有关联规则的匹配程度。

需要说明的是，利用Apriori算法对互联网大数据挖掘出的第条生鲜水果的关联规则其始终群体为大多数群体，但是相对于用户A而言并不是一定精准，所以本发明利用用户A对不同的水果的复购意向概率与第/>条关联规则进行拟合计算获得该条规则与用户A的匹配性，具体的计算逻辑与过程为：即对在该条规则中出现的用户A具有复购意向概率的种类的生鲜水果（即用户A购买历史中有关的水果生鲜种类）对其复购意向概率进行相加（未出现在用户A的购买历史中的该条规则中生鲜水果种类对应的复购意向概率统一规定为零），该值越大，说明第/>条规则内要么具有较高复购意向的水果生鲜的种类，要么具有较多的种类的水果生鲜是用户A具有复购意向概率的；而在该条关联规则之内，并不是所有的生鲜水果的种类都是第A个用户具有复购意向概率的，所以需要进行第A个用户的行为可接受参数用来对该关联规则进行约束，可接受行为参数的计算逻辑为：在这条关联规则内，具有用户A复购意向概率的水果种类占比越多说明用户A对于该条规则中的生鲜水果的基础接受性较强，用户A在历史生鲜水果中的购买生鲜水果的种类越多，则说明用户A对于未购买的水果生鲜的种类可接受程度越大，所以以此逻辑进行用户A对于第/>个关联规则的可接受行为参数的计算。利用上述逻辑可以以用户A的角度来对该条关联规则进行分析，计算用户A与第/>条基于互联网大数据通过数据挖掘算法所获取的匹配度，匹配度较大，说明该条关联规则相对于用户A而言更加的适合，反之则相反。

至此，所有不同种类的生鲜水果的关联规则与用户A的匹配度计算完毕。

步骤S004、根据到用户与关联规则的匹配度进行生鲜水果的线上精准推荐。

以用户A为例，其与Apriori算法所挖掘出的不同种类的生鲜水果的关联规则之间的匹配度代表了该条规则被用户A的可接受程度，匹配度越大，说明该条关联规则可以被用户A接受的程度越大，即以该条关联规则对用户A进行规则链上的生鲜水果的推荐时更加的精准。所以可以选择匹配度较大的关联规则对用户A进行生鲜水果的线上精准推荐（一般情况选择关联规则匹配度较大的前五条关联规则链上的生鲜水果进行推荐即可）。

至此，本实施例完成。

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 (5)

1.基于互联网大数据的生鲜水果线上推荐方法，其特征在于，该方法包括以下步骤：

获取用户进行生鲜水果消费的历史信息大数据，包括：购买时间和用户历史购买行为中生鲜水果的购买种类集合；

根据用户进行生鲜水果消费的历史信息大数据中购买生鲜水果种类的次数得到用户进行生鲜水果消费时购买生鲜水果时种类的偏向性，根据用户进行生鲜水果消费的历史信息大数据中任意一种生鲜水果的购买时间差异得到用户的购买种类集合中对应种类的生鲜水果的历史行为累加参数；

根据用户进行生鲜水果消费的历史信息大数据中购买生鲜水果种类的次数和用户进行生鲜水果消费的历史信息大数据中任意一种生鲜水果的购买时间差异，得到用户的购买种类集合中对应种类的生鲜水果的历史行为累加参数对应的限制系数；

根据用户的购买种类集合中对应种类的生鲜水果的历史行为累加参数和用户的购买种类集合中对应种类的生鲜水果的历史行为累加参数对应的限制系数，得到用户的购买种类集合中对应种类的偏向性增益参数；

根据用户进行生鲜水果消费时购买生鲜水果时种类的偏向性和用户的购买种类集合中对应种类的偏向性增益参数，得到用户进行生鲜水果消费时购买生鲜水果为相同种类的复购意向概率；

获取不同种类的生鲜水果的关联规则，根据关联规则中生鲜水果种类的复购意向概率得到用户与关联规则的匹配度，根据匹配度对用户进行生鲜水果的线上推荐；

其中，根据用户进行生鲜水果消费的历史信息大数据中任意一种生鲜水果的购买时间差异得到用户的购买种类集合中对应种类的生鲜水果的历史行为累加参数，包括的具体步骤如下：

其中，表示自然常数/>为底的指数函数，/>表示取绝对值，/>表示在第A个用户进行生鲜水果消费的历史信息大数据中，购买生鲜水果为第/>个种类的总次数，/>表示在第A个用户进行生鲜水果消费的历史信息大数据中，第/>个种类的生鲜水果的最后购买时间，表示在第A个用户进行生鲜水果消费的历史信息大数据中，第/>个种类的生鲜水果的第一次购买时间，/>表示在第A个用户进行生鲜水果消费的历史信息大数据中，第/>个种类的生鲜水果的第/>次购买时间，/>表示在第A个用户进行生鲜水果消费的历史信息大数据中，第/>个种类的生鲜水果的第/>次购买时间，/>表示第A个用户的购买种类集合中第/>个种类的生鲜水果的历史行为累加参数；

其中，根据用户进行生鲜水果消费的历史信息大数据中购买生鲜水果种类的次数和用户进行生鲜水果消费的历史信息大数据中任意一种生鲜水果的购买时间差异，得到用户的购买种类集合中对应种类的生鲜水果的历史行为累加参数对应的限制系数，包括的具体步骤如下：

将第A个用户进行生鲜水果消费的历史信息大数据中，第个种类的生鲜水果的最后购买时间和第A个用户的最后一次购买生鲜水果的购买时间的差值的绝对值与第A个用户进行生鲜水果消费的历史信息大数据中，购买生鲜水果为第/>个种类的总次数的比值作为第A个用户的购买种类集合中第/>个种类的生鲜水果的历史行为累加参数对应的限制系数；

其中，根据用户的购买种类集合中对应种类的生鲜水果的历史行为累加参数和用户的购买种类集合中对应种类的生鲜水果的历史行为累加参数对应的限制系数，得到用户的购买种类集合中对应种类的偏向性增益参数，包括的具体步骤如下：

将第A个用户的购买种类集合中第个种类的生鲜水果的历史行为累加参数对应的限制系数与第A个用户的购买种类集合中第/>个种类的生鲜水果的历史行为累加参数乘积进行线性归一化处理，将归一化的结果的两倍减一作为第A个用户的购买种类集合中第/>个种类的偏向性增益参数；

其中，根据用户进行生鲜水果消费时购买生鲜水果时种类的偏向性和用户的购买种类集合中对应种类的偏向性增益参数，得到用户进行生鲜水果消费时购买生鲜水果为相同种类的复购意向概率，包括的具体步骤如下：

其中，表示第A个用户进行生鲜水果消费时购买生鲜水果为第/>个种类的偏向性，/>表示第A个用户的购买种类集合中第/>个种类的偏向性增益参数，/>表示第A个用户所有的购买行为中的生鲜水果的种类总个数，/>表示第A个用户进行生鲜水果消费时购买生鲜水果为第/>个种类的复购意向概率；

其中，根据关联规则中生鲜水果种类的复购意向概率得到用户与关联规则的匹配度，包括的具体步骤如下：

其中，表示第A个用户对于第/>条关联规则中的第/>个种类的生鲜水果的复购意向概率，/>表示第/>条关联规则中生鲜水果种类的总个数，/>表示第/>条生鲜水果的关联规则的置信度，/>表示第A个用户所有的购买行为中的生鲜水果的种类总个数，/>表示第A个用户进行生鲜水果消费的历史信息大数据中进行生鲜水果购买行为的总次数，/>表示第A个用户的行为接受参数，/>表示第A个用户与第/>条关联规则的匹配度。

2.根据权利要求1所述基于互联网大数据的生鲜水果线上推荐方法，其特征在于，所述用户进行生鲜水果消费的历史信息大数据的具体获取方法如下：

从生鲜水果的线上购买平台采集所有用户进行生鲜水果消费的历史信息大数据。

3.根据权利要求1所述基于互联网大数据的生鲜水果线上推荐方法，其特征在于，所述根据用户进行生鲜水果消费的历史信息大数据中购买生鲜水果种类的次数得到用户进行生鲜水果消费时购买生鲜水果时种类的偏向性，包括的具体步骤如下：

其中，表示在第A个用户进行生鲜水果消费的历史信息大数据中，购买生鲜水果为第/>个种类的总次数，其中/>，/>表示在第A个用户进行生鲜水果消费的历史信息大数据中，购买生鲜水果为第/>个种类的总次数，其中/>，/>表示第A个用户所有的购买行为中的生鲜水果的种类总个数，/>表示对大括号中的变量进行线性归一化处理，表示第A个用户进行生鲜水果消费时购买生鲜水果为第/>个种类的偏向性。

4.根据权利要求1所述基于互联网大数据的生鲜水果线上推荐方法，其特征在于，所述不同种类的生鲜水果的关联规则的具体获取方法如下：

首先进行不同的种类生鲜水果关联规则挖掘数据集的建立，具体的数据集为采集的所有用户进行生鲜水果消费的历史信息大数据；而后进行不同种类的生鲜水果关联规则的挖掘，具体的关联规则挖掘算法为Apriori算法，获得J条不同种类的生鲜水果的关联规则。

5.根据权利要求1所述基于互联网大数据的生鲜水果线上推荐方法，其特征在于，所述根据匹配度对用户进行生鲜水果的线上推荐，包括的具体步骤如下：

选择匹配度最大的前五条关联规则对用户A进行生鲜水果的线上推荐。