CN117151747B - 一种服务消费机器人智能推荐方法及系统 - Google Patents

一种服务消费机器人智能推荐方法及系统 Download PDF

Info

Publication number
CN117151747B
CN117151747B CN202311426832.5A CN202311426832A CN117151747B CN 117151747 B CN117151747 B CN 117151747B CN 202311426832 A CN202311426832 A CN 202311426832A CN 117151747 B CN117151747 B CN 117151747B
Authority
CN
China
Prior art keywords
goods
preset
commodity
consumer goods
recommended
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.)
Active
Application number
CN202311426832.5A
Other languages
English (en)
Other versions
CN117151747A (zh
Inventor
高峰
曹红雨
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.)
Langfang Zhenguigu Technology Co ltd
Tianjin Pinming Technology Co ltd
Original Assignee
Langfang Zhenguigu Technology Co ltd
Tianjin Pinming Technology 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 Langfang Zhenguigu Technology Co ltd, Tianjin Pinming Technology Co ltd filed Critical Langfang Zhenguigu Technology Co ltd
Priority to CN202311426832.5A priority Critical patent/CN117151747B/zh
Publication of CN117151747A publication Critical patent/CN117151747A/zh
Application granted granted Critical
Publication of CN117151747B publication Critical patent/CN117151747B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
    • 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
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及智能推荐技术领域，特别是涉及一种服务消费机器人智能推荐方法及系统。包括：基于大数据技术获取消费者的消费记录；根据若干个历史消费金额计算消费者的平均消费金额，以及根据若干个历史购物时长中的极大值和极小值计算时长差值；对若干个历史消费商品进行关键词提取，根据提取结果确定若干个与关键词相对应地商品类型；根据平均消费金额、时长差值以及关键词相对应地商品类型选定相对应地若干个消费商品进行商品推荐。本发明通过针对消费者的个性化消费信息对消费者进行针对性商品推荐，提高了推荐商品的需求准确性，更好的满足消费者的使用。

Description

一种服务消费机器人智能推荐方法及系统
技术领域
本发明涉及智能推荐技术领域，特别是涉及一种服务消费机器人智能推荐方法及系统。
背景技术
服务机器人是庞大机器人家族中的一个年轻成员，到目前为止尚没有一个严格的定义。根据其用途不同，可以划分为消费机器人、保洁机器人、教育机器人、医疗机器人、家用机器人、服务型机器人及娱乐机器人，应用范围非常广泛。相比已步入成熟阶段的工业机器人，服务机器人消费对象众多，市场空间更为广阔，因此服务机器人已成为科技界发展的一大趋势。
然而现有技术中，对于消费机器人的实际应用中，消费机器人会对消费者提供商品推荐智能服务，现有的推荐方式都是基于环境背景下的热度商品推荐，并不能很好的满足每个消费者的针对性需求，并且，在推送过程中推送的商品数量众多，使得消费者无法浏览需求物品，导致消费者的体验感差，因此，如何提供一种服务消费机器人智能推荐方法及系统是本领域技术人员急需解决的技术问题。
发明内容
本发明的目的是提供一种服务消费机器人智能推荐方法及系统，本发明通过针对消费者的个性化消费信息对消费者进行针对性商品推荐，提高了推荐商品的需求准确性，更好的满足消费者的使用。
为了实现上述目的，本发明提供了如下的技术方案：
一种服务消费机器人智能推荐方法，应用于商场商铺机器人中，包括：
基于大数据技术获取消费者的消费记录，所述消费记录包括消费者的若干个历史消费金额、若干个历史消费商品以及若干个历史购物时长；
根据若干个所述历史消费金额计算所述消费者的平均消费金额M，以及根据若干个所述历史购物时长中的极大值和极小值计算时长差值t；
对若干个所述历史消费商品进行关键词提取，根据提取结果确定若干个与所述关键词相对应地商品类型，依次由高到低确定出现关键词最多的四种商品类型，并按照由高到低将四种所述商品类型所对应的若干个消费商品分别划分为一级推送商品、二级推送商品、三级推送商品以及四级推送商品；
根据所述平均消费金额M、所述时长差值t以及所述关键词相对应地商品类型选定相对应地若干个所述消费商品进行商品推荐。
在本申请的一些实施例中，根据所述平均消费金额M、所述时长差值t以及所述关键词相对应地商品类型选定相对应地若干个所述消费商品进行商品推荐，包括：
分别确定进行商品推荐时的商品等级，所述商品等级包括所述一级推送商品、所述二级推送商品、所述三级推送商品以及所述四级推送商品，根据所述商品等级确定所对应地若干个所述消费商品的数量，并将若干个所述消费商品所对应地商品金额依次由高到低进行排序；
设定预设平均消费金额矩阵T0和预设消费商品推送数量矩阵A，对于所述预设消费商品推送数量矩阵A，设定A(A1,A2,A3,A4)，其中A1为第一预设消费商品推送数量，A2为第二预设消费商品推送数量，A3为第三预设消费商品推送数量，A4为第四预设消费商品推送数量，且A1＜A2＜A3＜A4；
对于所述预设平均消费金额矩阵T0，设定T0(T01,T02,T03,T04),其中，T01为第一预设平均消费金额，T02为第二预设平均消费金额，T03为第三预设平均消费金额，T04为第四预设平均消费金额，且T01＜T02＜T03＜T04；
根据M与所述预设平均消费金额矩阵T0之间的关系选定相应的消费商品推送数量作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当M＜T01时，选定所述第一预设消费商品推送数量A1作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当T01≤M＜T02时，选定所述第二预设消费商品推送数量A2作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当T02≤M＜T03时，选定所述第三预设消费商品推送数量A3作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当T03≤M＜T04时，选定所述第四预设消费商品推送数量A4作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐。
在本申请的一些实施例中，设定预设时长差值矩阵R0和预设消费商品推送数量修正系数矩阵B，对于所述预设消费商品推送数量修正系数矩阵B，设定B(B1,B2,B3,B4)，其中B1为第一预设消费商品推送数量修正系数，B2为第二预设消费商品推送数量修正系数，B3为第三预设消费商品推送数量修正系数，B4为第四预设消费商品推送数量修正系数，且1＜B1＜B2＜B3＜B4＜3；
对于所述预设时长差值矩阵R0，设定R0(R01,R02,R03,R04),其中，R01为第一预设时长差值，R02为第二预设时长差值，R03为第三预设时长差值，R04为第四预设时长差值，且R01＜R02＜R03＜R04；
根据t与所述预设时长差值矩阵R0之间的关系选定相应的消费商品推送数量修正系数以对各预设消费商品推送数量进行修正，并分别将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当t＜R01时，选定所述第一预设消费商品推送数量修正系数B1对所述第一预设消费商品推送数量A1进行修正，修正后的消费商品推送数量为A1×B1，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当R01≤t＜R02，选定所述第二预设消费商品推送数量修正系数B2对所述第二预设消费商品推送数量A2进行修正，修正后的消费商品推送数量为A2×B2，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当R02≤t＜R03，选定所述第三预设消费商品推送数量修正系数B3对所述第三预设消费商品推送数量A3进行修正，修正后的消费商品推送数量为A3×B3，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当R03≤t＜R04，选定所述第四预设消费商品推送数量修正系数B4对所述第四预设消费商品推送数量A4进行修正，修正后的消费商品推送数量为A4×B4，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐。
在本申请的一些实施例中，按照排序结果依次由高到低进行优先推荐，还包括：
确定进行商品推荐时推荐的商品数量是否大于10，当进行商品推荐时推荐的商品数量大于10时，以10为倍数将商品数量向下取整，并按照所述消费商品所对应地所述商品等级分别确定各所述商品等级所对应地消费商品推送数量作为进行商品推荐时推荐的商品数量；其中，
根据向下取整后的商品数量，将40%的所述一级推送商品所对应地所述消费商品按照排序结果依次由高到低进行优先推荐；
根据向下取整后的商品数量，将30%的所述二级推送商品所对应地所述消费商品按照排序结果依次由高到低进行优先推荐；
根据向下取整后的商品数量，将20%的所述三级推送商品所对应地所述消费商品按照排序结果依次由高到低进行优先推荐；
根据向下取整后的商品数量，将10%的所述四级推送商品所对应地所述消费商品按照排序结果依次由高到低进行优先推荐。
在本申请的一些实施例中，还包括：
根据若干个所述历史购物时长中计算时长平均值i，并根据所述时长平均值i与所述时长差值t计算时长参数R，R=|t-i|；
当R大于第一预设标准时长参数K1时，则不将所述四级推送商品所对应地所述消费商品进行商品推荐，并将所述四级推送商品所对应地所述消费商品的数量增加至所述一级推送商品所对应地所述消费商品的数量中；
当R大于第二预设标准时长参数K1，且小于所述第一预设标准时长参数K1时，则不将所述四级推送商品以及所述三级推送商品所对应地所述消费商品进行商品推荐，并将所述四级推送商品及所述三级推送商品所对应地所述消费商品的数量增加至所述一级推送商品所对应地所述消费商品的数量中；
当R大于第三预设标准时长参数K1，且小于所述第二预设标准时长参数K2时，则不将所述四级推送商品、所述三级推送商品以及所述二级推送商品所对应地所述消费商品进行商品推荐，并将所述四级推送商品、所述三级推送商品以及所述二级推送商品所对应地所述消费商品的数量增加至所述一级推送商品所对应地所述消费商品的数量中；其中，K1＞K2＞K3。
为了实现上述目的，本发明还相应地提供了一种服务消费机器人智能推荐系统，应用于所述的服务消费机器人智能推荐方法中，包括：
获取单元，用于基于大数据技术获取消费者的消费记录，所述消费记录包括消费者的若干个历史消费金额、若干个历史消费商品以及若干个历史购物时长；
计算单元，用于根据若干个所述历史消费金额计算所述消费者的平均消费金额M，以及根据若干个所述历史购物时长中的极大值和极小值计算时长差值t；
处理单元，用于对若干个所述历史消费商品进行关键词提取，根据提取结果确定若干个与所述关键词相对应地商品类型，依次由高到低确定出现关键词最多的四种商品类型，并按照由高到低将四种所述商品类型所对应的若干个消费商品分别划分为一级推送商品、二级推送商品、三级推送商品以及四级推送商品；
推荐单元，用于根据所述平均消费金额M、所述时长差值t以及所述关键词相对应地商品类型选定相对应地若干个所述消费商品进行商品推荐。
在本申请的一些实施例中，所述推荐单元还用于分别确定进行商品推荐时的商品等级，所述商品等级包括所述一级推送商品、所述二级推送商品、所述三级推送商品以及所述四级推送商品，根据所述商品等级确定所对应地若干个所述消费商品的数量，并将若干个所述消费商品所对应地商品金额依次由高到低进行排序；
所述推荐单元内设定有预设平均消费金额矩阵T0和预设消费商品推送数量矩阵A，对于所述预设消费商品推送数量矩阵A，设定A(A1,A2,A3,A4)，其中A1为第一预设消费商品推送数量，A2为第二预设消费商品推送数量，A3为第三预设消费商品推送数量，A4为第四预设消费商品推送数量，且A1＜A2＜A3＜A4；
对于所述预设平均消费金额矩阵T0，设定T0(T01,T02,T03,T04),其中，T01为第一预设平均消费金额，T02为第二预设平均消费金额，T03为第三预设平均消费金额，T04为第四预设平均消费金额，且T01＜T02＜T03＜T04；
所述推荐单元还用于根据M与所述预设平均消费金额矩阵T0之间的关系选定相应的消费商品推送数量作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当M＜T01时，选定所述第一预设消费商品推送数量A1作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当T01≤M＜T02时，选定所述第二预设消费商品推送数量A2作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当T02≤M＜T03时，选定所述第三预设消费商品推送数量A3作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当T03≤M＜T04时，选定所述第四预设消费商品推送数量A4作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐。
在本申请的一些实施例中，所述推荐单元内设定有预设时长差值矩阵R0和预设消费商品推送数量修正系数矩阵B，对于所述预设消费商品推送数量修正系数矩阵B，设定B(B1,B2,B3,B4)，其中B1为第一预设消费商品推送数量修正系数，B2为第二预设消费商品推送数量修正系数，B3为第三预设消费商品推送数量修正系数，B4为第四预设消费商品推送数量修正系数，且1＜B1＜B2＜B3＜B4＜3；
对于所述预设时长差值矩阵R0，设定R0(R01,R02,R03,R04),其中，R01为第一预设时长差值，R02为第二预设时长差值，R03为第三预设时长差值，R04为第四预设时长差值，且R01＜R02＜R03＜R04；
所述推荐单元还用于根据t与所述预设时长差值矩阵R0之间的关系选定相应的消费商品推送数量修正系数以对各预设消费商品推送数量进行修正，并分别将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当t＜R01时，选定所述第一预设消费商品推送数量修正系数B1对所述第一预设消费商品推送数量A1进行修正，修正后的消费商品推送数量为A1×B1，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当R01≤t＜R02，选定所述第二预设消费商品推送数量修正系数B2对所述第二预设消费商品推送数量A2进行修正，修正后的消费商品推送数量为A2×B2，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当R02≤t＜R03，选定所述第三预设消费商品推送数量修正系数B3对所述第三预设消费商品推送数量A3进行修正，修正后的消费商品推送数量为A3×B3，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当R03≤t＜R04，选定所述第四预设消费商品推送数量修正系数B4对所述第四预设消费商品推送数量A4进行修正，修正后的消费商品推送数量为A4×B4，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐。
在本申请的一些实施例中，所述推荐单元还用于确定进行商品推荐时推荐的商品数量是否大于10，当进行商品推荐时推荐的商品数量大于10时，以10为倍数将商品数量向下取整，并按照所述消费商品所对应地所述商品等级分别确定各所述商品等级所对应地消费商品推送数量作为进行商品推荐时推荐的商品数量；其中，
根据向下取整后的商品数量，将40%的所述一级推送商品所对应地所述消费商品按照排序结果依次由高到低进行优先推荐；
根据向下取整后的商品数量，将30%的所述二级推送商品所对应地所述消费商品按照排序结果依次由高到低进行优先推荐；
根据向下取整后的商品数量，将20%的所述三级推送商品所对应地所述消费商品按照排序结果依次由高到低进行优先推荐；
根据向下取整后的商品数量，将10%的所述四级推送商品所对应地所述消费商品按照排序结果依次由高到低进行优先推荐。
在本申请的一些实施例中，所述推荐单元还用于根据若干个所述历史购物时长中计算时长平均值i，并根据所述时长平均值i与所述时长差值t计算时长参数R，R=|t-i|；
当R大于第一预设标准时长参数K1时，则不将所述四级推送商品所对应地所述消费商品进行商品推荐，并将所述四级推送商品所对应地所述消费商品的数量增加至所述一级推送商品所对应地所述消费商品的数量中；
当R大于第二预设标准时长参数K1，且小于所述第一预设标准时长参数K1时，则不将所述四级推送商品以及所述三级推送商品所对应地所述消费商品进行商品推荐，并将所述四级推送商品及所述三级推送商品所对应地所述消费商品的数量增加至所述一级推送商品所对应地所述消费商品的数量中；
当R大于第三预设标准时长参数K1，且小于所述第二预设标准时长参数K2时，则不将所述四级推送商品、所述三级推送商品以及所述二级推送商品所对应地所述消费商品进行商品推荐，并将所述四级推送商品、所述三级推送商品以及所述二级推送商品所对应地所述消费商品的数量增加至所述一级推送商品所对应地所述消费商品的数量中；其中，K1＞K2＞K3。
本发明提供了一种服务消费机器人智能推荐方法及系统，与现有技术相比，其有益效果在于：
本发明通过大数据技术获取不同消费者的个性化消费信息，根据消费者的消费水平以及意向购买商品对消费者提供精准化商品推荐服务，并且不会向消费者推送巨大数量的商品，保证了消费者的需求准确性，提高了消费者的体验感，保证了商品有效地推荐给需求用户。
附图说明
图1是本发明实施例中服务消费机器人智能推荐方法的流程图；
图2是本发明实施例中服务消费机器人智能推荐系统的功能框图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
在本申请的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
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。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内侧的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
现有技术中，对于消费机器人的实际应用中，消费机器人会对消费者提供商品推荐智能服务，现有的推荐方式都是基于环境背景下的热度商品推荐，并不能很好的满足每个消费者的针对性需求，并且，在推送过程中推送的商品数量众多，使得消费者无法浏览需求物品，导致消费者的体验感差。
因此，本发明提供了一种服务消费机器人智能推荐方法及系统，通过针对消费者的个性化消费信息对消费者进行针对性商品推荐，提高了推荐商品的需求准确性，更好的满足消费者的使用。
参阅图1所示，本发明的公开实施例提供了一种服务消费机器人智能推荐方法，应用于商场商铺机器人中，包括：
基于大数据技术获取消费者的消费记录，消费记录包括消费者的若干个历史消费金额、若干个历史消费商品以及若干个历史购物时长；
根据若干个历史消费金额计算消费者的平均消费金额M，以及根据若干个历史购物时长中的极大值和极小值计算时长差值t；
对若干个历史消费商品进行关键词提取，根据提取结果确定若干个与关键词相对应地商品类型，依次由高到低确定出现关键词最多的四种商品类型，并按照由高到低将四种商品类型所对应的若干个消费商品分别划分为一级推送商品、二级推送商品、三级推送商品以及四级推送商品；
根据平均消费金额M、时长差值t以及关键词相对应地商品类型选定相对应地若干个消费商品进行商品推荐。
需要说明的是,商品类型的是按照国民经济和行业的共性对商品进行总分类，它是根据消费者的需求和特点来划分的。例如，根据消费者的衣食住行使用行为进行划分，包括食品、服装、鞋帽、日用品、家具、家用电器、纺织品、五金电器、厨具、基本生活类、享受类和发展类,根据不同的商场商铺提供的商品种类不同,在此不做具体限定。
在本申请的一种具体实施例中，根据平均消费金额M、时长差值t以及关键词相对应地商品类型选定相对应地若干个消费商品进行商品推荐，包括：
分别确定进行商品推荐时的商品等级，商品等级包括一级推送商品、二级推送商品、三级推送商品以及四级推送商品，根据商品等级确定所对应地若干个消费商品的数量，并将若干个消费商品所对应地商品金额依次由高到低进行排序；
设定预设平均消费金额矩阵T0和预设消费商品推送数量矩阵A，对于预设消费商品推送数量矩阵A，设定A(A1,A2,A3,A4)，其中A1为第一预设消费商品推送数量，A2为第二预设消费商品推送数量，A3为第三预设消费商品推送数量，A4为第四预设消费商品推送数量，且A1＜A2＜A3＜A4；
对于预设平均消费金额矩阵T0，设定T0(T01,T02,T03,T04),其中，T01为第一预设平均消费金额，T02为第二预设平均消费金额，T03为第三预设平均消费金额，T04为第四预设平均消费金额，且T01＜T02＜T03＜T04；
根据M与预设平均消费金额矩阵T0之间的关系选定相应的消费商品推送数量作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当M＜T01时，选定第一预设消费商品推送数量A1作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当T01≤M＜T02时，选定第二预设消费商品推送数量A2作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当T02≤M＜T03时，选定第三预设消费商品推送数量A3作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当T03≤M＜T04时，选定第四预设消费商品推送数量A4作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐。
其有益效果在于，根据不同的消费者的消费水平不同，其购买力是不同的，通过针对消费者的个性化消费金额信息可以有效的获取消费者的个人消费能力，根据不同的消费能力对商品的数量实现针对性的推送，方便了消费者实现需求商品的推荐购买，提高了推荐服务的效率。
在本申请的一种具体实施例中，设定预设时长差值矩阵R0和预设消费商品推送数量修正系数矩阵B，对于预设消费商品推送数量修正系数矩阵B，设定B(B1,B2,B3,B4)，其中B1为第一预设消费商品推送数量修正系数，B2为第二预设消费商品推送数量修正系数，B3为第三预设消费商品推送数量修正系数，B4为第四预设消费商品推送数量修正系数，且1＜B1＜B2＜B3＜B4＜3；
对于预设时长差值矩阵R0，设定R0(R01,R02,R03,R04),其中，R01为第一预设时长差值，R02为第二预设时长差值，R03为第三预设时长差值，R04为第四预设时长差值，且R01＜R02＜R03＜R04；
根据t与预设时长差值矩阵R0之间的关系选定相应的消费商品推送数量修正系数以对各预设消费商品推送数量进行修正，并分别将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当t＜R01时，选定第一预设消费商品推送数量修正系数B1对第一预设消费商品推送数量A1进行修正，修正后的消费商品推送数量为A1×B1，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当R01≤t＜R02，选定第二预设消费商品推送数量修正系数B2对第二预设消费商品推送数量A2进行修正，修正后的消费商品推送数量为A2×B2，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当R02≤t＜R03，选定第三预设消费商品推送数量修正系数B3对第三预设消费商品推送数量A3进行修正，修正后的消费商品推送数量为A3×B3，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当R03≤t＜R04，选定第四预设消费商品推送数量修正系数B4对第四预设消费商品推送数量A4进行修正，修正后的消费商品推送数量为A4×B4，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐。
其有益效果在于，根据消费者的游览巡逛的时间，可以针对性的分析消费者自身的购买习惯以及购买力，花费时间越长的消费者可以表明具有更强的购买欲，花费时间短的消费者可以表明消费的商品目标明确，具有针对性的购买需求，根据不同消费者的巡逛时间进行商品数量的修正推送，既可以实现对消费者更多的提供服务，也更有利于商场商铺的消费目标，对买卖双方都实现了服务需求最大化。
在本申请的一种具体实施例中，按照排序结果依次由高到低进行优先推荐，还包括：
确定进行商品推荐时推荐的商品数量是否大于10，当进行商品推荐时推荐的商品数量大于10时，以10为倍数将商品数量向下取整，并按照消费商品所对应地商品等级分别确定各商品等级所对应地消费商品推送数量作为进行商品推荐时推荐的商品数量；其中，
根据向下取整后的商品数量，将40%的一级推送商品所对应地消费商品按照排序结果依次由高到低进行优先推荐；
根据向下取整后的商品数量，将30%的二级推送商品所对应地消费商品按照排序结果依次由高到低进行优先推荐；
根据向下取整后的商品数量，将20%的三级推送商品所对应地消费商品按照排序结果依次由高到低进行优先推荐；
根据向下取整后的商品数量，将10%的四级推送商品所对应地消费商品按照排序结果依次由高到低进行优先推荐。
其有益效果在于，当推荐商品过多时，信息量巨大不利于消费者更直观准确的获取需求商品，通过根据消费者的个性化消费信息中的关键词提取，可以在短时间内使得消费者更好的了解相关需求，提高了推荐服务的高效性。
在本申请的一种具体实施例中，还包括：
根据若干个历史购物时长中计算时长平均值i，并根据时长平均值i与时长差值t计算时长参数R，R=|t-i|；
当R大于第一预设标准时长参数K1时，则不将四级推送商品所对应地消费商品进行商品推荐，并将四级推送商品所对应地消费商品的数量增加至一级推送商品所对应地消费商品的数量中；
当R大于第二预设标准时长参数K1，且小于第一预设标准时长参数K1时，则不将四级推送商品以及三级推送商品所对应地消费商品进行商品推荐，并将四级推送商品及三级推送商品所对应地消费商品的数量增加至一级推送商品所对应地消费商品的数量中；
当R大于第三预设标准时长参数K1，且小于第二预设标准时长参数K2时，则不将四级推送商品、三级推送商品以及二级推送商品所对应地消费商品进行商品推荐，并将四级推送商品、三级推送商品以及二级推送商品所对应地消费商品的数量增加至一级推送商品所对应地消费商品的数量中；其中，K1＞K2＞K3。
基于相同的技术构思，参阅图2所示，本发明还相应地提供了一种服务消费机器人智能推荐系统，应用于服务消费机器人智能推荐方法中，包括：
获取单元，用于基于大数据技术获取消费者的消费记录，消费记录包括消费者的若干个历史消费金额、若干个历史消费商品以及若干个历史购物时长；
计算单元，用于根据若干个历史消费金额计算消费者的平均消费金额M，以及根据若干个历史购物时长中的极大值和极小值计算时长差值t；
处理单元，用于对若干个历史消费商品进行关键词提取，根据提取结果确定若干个与关键词相对应地商品类型，依次由高到低确定出现关键词最多的四种商品类型，并按照由高到低将四种商品类型所对应的若干个消费商品分别划分为一级推送商品、二级推送商品、三级推送商品以及四级推送商品；
推荐单元，用于根据平均消费金额M、时长差值t以及关键词相对应地商品类型选定相对应地若干个消费商品进行商品推荐。
需要说明的是,商品类型的是按照国民经济和行业的共性对商品进行总分类，它是根据消费者的需求和特点来划分的。例如，根据消费者的衣食住行使用行为进行划分，包括食品、服装、鞋帽、日用品、家具、家用电器、纺织品、五金电器、厨具、基本生活类、享受类和发展类,根据不同的商场商铺提供的商品种类不同,在此不做具体限定。
在本申请的一种具体实施例中，推荐单元还用于分别确定进行商品推荐时的商品等级，商品等级包括一级推送商品、二级推送商品、三级推送商品以及四级推送商品，根据商品等级确定所对应地若干个消费商品的数量，并将若干个消费商品所对应地商品金额依次由高到低进行排序；
推荐单元内设定有预设平均消费金额矩阵T0和预设消费商品推送数量矩阵A，对于预设消费商品推送数量矩阵A，设定A(A1,A2,A3,A4)，其中A1为第一预设消费商品推送数量，A2为第二预设消费商品推送数量，A3为第三预设消费商品推送数量，A4为第四预设消费商品推送数量，且A1＜A2＜A3＜A4；
对于预设平均消费金额矩阵T0，设定T0(T01,T02,T03,T04),其中，T01为第一预设平均消费金额，T02为第二预设平均消费金额，T03为第三预设平均消费金额，T04为第四预设平均消费金额，且T01＜T02＜T03＜T04；
推荐单元还用于根据M与预设平均消费金额矩阵T0之间的关系选定相应的消费商品推送数量作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当M＜T01时，选定第一预设消费商品推送数量A1作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当T01≤M＜T02时，选定第二预设消费商品推送数量A2作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当T02≤M＜T03时，选定第三预设消费商品推送数量A3作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当T03≤M＜T04时，选定第四预设消费商品推送数量A4作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐。
其有益效果在于，根据不同的消费者的消费水平不同，其购买力是不同的，通过针对消费者的个性化消费金额信息可以有效的获取消费者的个人消费能力，根据不同的消费能力对商品的数量实现针对性的推送，方便了消费者实现需求商品的推荐购买，提高了推荐服务的效率。
在本申请的一种具体实施例中，推荐单元内设定有预设时长差值矩阵R0和预设消费商品推送数量修正系数矩阵B，对于预设消费商品推送数量修正系数矩阵B，设定B(B1,B2,B3,B4)，其中B1为第一预设消费商品推送数量修正系数，B2为第二预设消费商品推送数量修正系数，B3为第三预设消费商品推送数量修正系数，B4为第四预设消费商品推送数量修正系数，且1＜B1＜B2＜B3＜B4＜3；
对于预设时长差值矩阵R0，设定R0(R01,R02,R03,R04),其中，R01为第一预设时长差值，R02为第二预设时长差值，R03为第三预设时长差值，R04为第四预设时长差值，且R01＜R02＜R03＜R04；
推荐单元还用于根据t与预设时长差值矩阵R0之间的关系选定相应的消费商品推送数量修正系数以对各预设消费商品推送数量进行修正，并分别将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当t＜R01时，选定第一预设消费商品推送数量修正系数B1对第一预设消费商品推送数量A1进行修正，修正后的消费商品推送数量为A1×B1，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当R01≤t＜R02，选定第二预设消费商品推送数量修正系数B2对第二预设消费商品推送数量A2进行修正，修正后的消费商品推送数量为A2×B2，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当R02≤t＜R03，选定第三预设消费商品推送数量修正系数B3对第三预设消费商品推送数量A3进行修正，修正后的消费商品推送数量为A3×B3，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当R03≤t＜R04，选定第四预设消费商品推送数量修正系数B4对第四预设消费商品推送数量A4进行修正，修正后的消费商品推送数量为A4×B4，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐。
其有益效果在于，根据消费者的游览巡逛的时间，可以针对性的分析消费者自身的购买习惯以及购买力，花费时间越长的消费者可以表明具有更强的购买欲，花费时间短的消费者可以表明消费的商品目标明确，具有针对性的购买需求，根据不同消费者的巡逛时间进行商品数量的修正推送，既可以实现对消费者更多的提供服务，也更有利于商场商铺的消费目标，对买卖双方都实现了服务需求最大化。
在本申请的一种具体实施例中，推荐单元还用于确定进行商品推荐时推荐的商品数量是否大于10，当进行商品推荐时推荐的商品数量大于10时，以10为倍数将商品数量向下取整，并按照消费商品所对应地商品等级分别确定各商品等级所对应地消费商品推送数量作为进行商品推荐时推荐的商品数量；其中，
根据向下取整后的商品数量，将40%的一级推送商品所对应地消费商品按照排序结果依次由高到低进行优先推荐；
根据向下取整后的商品数量，将30%的二级推送商品所对应地消费商品按照排序结果依次由高到低进行优先推荐；
根据向下取整后的商品数量，将20%的三级推送商品所对应地消费商品按照排序结果依次由高到低进行优先推荐；
根据向下取整后的商品数量，将10%的四级推送商品所对应地消费商品按照排序结果依次由高到低进行优先推荐。
其有益效果在于，当推荐商品过多时，信息量巨大不利于消费者更直观准确的获取需求商品，通过根据消费者的个性化消费信息中的关键词提取，可以在短时间内使得消费者更好的了解相关需求，提高了推荐服务的高效性。
在本申请的一种具体实施例中，推荐单元还用于根据若干个历史购物时长中计算时长平均值i，并根据时长平均值i与时长差值t计算时长参数R，R=|t-i|；
当R大于第一预设标准时长参数K1时，则不将四级推送商品所对应地消费商品进行商品推荐，并将四级推送商品所对应地消费商品的数量增加至一级推送商品所对应地消费商品的数量中；
当R大于第二预设标准时长参数K1，且小于第一预设标准时长参数K1时，则不将四级推送商品以及三级推送商品所对应地消费商品进行商品推荐，并将四级推送商品及三级推送商品所对应地消费商品的数量增加至一级推送商品所对应地消费商品的数量中；
当R大于第三预设标准时长参数K1，且小于第二预设标准时长参数K2时，则不将四级推送商品、三级推送商品以及二级推送商品所对应地消费商品进行商品推荐，并将四级推送商品、三级推送商品以及二级推送商品所对应地消费商品的数量增加至一级推送商品所对应地消费商品的数量中；其中，K1＞K2＞K3。
综上所述，本发明通过大数据技术获取不同消费者的个性化消费信息，根据消费者的消费水平以及意向购买商品对消费者提供精准化商品推荐服务，并且不会向消费者推送巨大数量的商品，保证了消费者的需求准确性，提高了消费者的体验感，保证了商品有效地推荐给需求用户。本发明具有智能化、准确化以及高效化等优点。
以上所述仅为本发明的一个实施例子，但不能以此限制本发明的范围，凡依据本发明所做的结构上的变化，只要不失本发明的要义所在，都应视为落入本发明保护范围之内受到制约。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (6)

1.一种服务消费机器人智能推荐方法，应用于商场商铺机器人中，其特征在于，包括：
基于大数据技术获取消费者的消费记录，所述消费记录包括消费者的若干个历史消费金额、若干个历史消费商品以及若干个历史购物时长；
根据若干个所述历史消费金额计算所述消费者的平均消费金额M，以及根据若干个所述历史购物时长中的极大值和极小值计算时长差值t；
对若干个所述历史消费商品进行关键词提取，根据提取结果确定若干个与所述关键词相对应地商品类型，依次由高到低确定出现关键词最多的四种商品类型，并按照由高到低将四种所述商品类型所对应的若干个消费商品分别划分为一级推送商品、二级推送商品、三级推送商品以及四级推送商品；
根据所述平均消费金额M、所述时长差值t以及所述关键词相对应地商品类型选定相对应地若干个所述消费商品进行商品推荐;
根据所述平均消费金额M、所述时长差值t以及所述关键词相对应地商品类型选定相对应地若干个所述消费商品进行商品推荐，包括：
分别确定进行商品推荐时的商品等级，所述商品等级包括所述一级推送商品、所述二级推送商品、所述三级推送商品以及所述四级推送商品，根据所述商品等级确定所对应地若干个所述消费商品的数量，并将若干个所述消费商品所对应地商品金额依次由高到低进行排序；
设定预设平均消费金额矩阵T0和预设消费商品推送数量矩阵A，对于所述预设消费商品推送数量矩阵A，设定A(A1,A2,A3,A4)，其中A1为第一预设消费商品推送数量，A2为第二预设消费商品推送数量，A3为第三预设消费商品推送数量，A4为第四预设消费商品推送数量，且A1＜A2＜A3＜A4；
对于所述预设平均消费金额矩阵T0，设定T0(T01,T02,T03,T04),其中，T01为第一预设平均消费金额，T02为第二预设平均消费金额，T03为第三预设平均消费金额，T04为第四预设平均消费金额，且T01＜T02＜T03＜T04；
根据M与所述预设平均消费金额矩阵T0之间的关系选定相应的消费商品推送数量作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当M＜T01时，选定所述第一预设消费商品推送数量A1作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当T01≤M＜T02时，选定所述第二预设消费商品推送数量A2作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当T02≤M＜T03时，选定所述第三预设消费商品推送数量A3作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当T03≤M＜T04时，选定所述第四预设消费商品推送数量A4作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐;
设定预设时长差值矩阵R0和预设消费商品推送数量修正系数矩阵B，对于所述预设消费商品推送数量修正系数矩阵B，设定B(B1,B2,B3,B4)，其中B1为第一预设消费商品推送数量修正系数，B2为第二预设消费商品推送数量修正系数，B3为第三预设消费商品推送数量修正系数，B4为第四预设消费商品推送数量修正系数，且1＜B1＜B2＜B3＜B4＜3；
对于所述预设时长差值矩阵R0，设定R0(R01,R02,R03,R04),其中，R01为第一预设时长差值，R02为第二预设时长差值，R03为第三预设时长差值，R04为第四预设时长差值，且R01＜R02＜R03＜R04；
根据t与所述预设时长差值矩阵R0之间的关系选定相应的消费商品推送数量修正系数以对各预设消费商品推送数量进行修正，并分别将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当t＜R01时，选定所述第一预设消费商品推送数量修正系数B1对所述第一预设消费商品推送数量A1进行修正，修正后的消费商品推送数量为A1×B1，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当R01≤t＜R02，选定所述第二预设消费商品推送数量修正系数B2对所述第二预设消费商品推送数量A2进行修正，修正后的消费商品推送数量为A2×B2，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当R02≤t＜R03，选定所述第三预设消费商品推送数量修正系数B3对所述第三预设消费商品推送数量A3进行修正，修正后的消费商品推送数量为A3×B3，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当R03≤t＜R04，选定所述第四预设消费商品推送数量修正系数B4对所述第四预设消费商品推送数量A4进行修正，修正后的消费商品推送数量为A4×B4，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐。
2.根据权利要求1所述的一种服务消费机器人智能推荐方法，其特征在于，按照排序结果依次由高到低进行优先推荐，还包括：
确定进行商品推荐时推荐的商品数量是否大于10，当进行商品推荐时推荐的商品数量大于10时，以10为倍数将商品数量向下取整，并按照所述消费商品所对应地所述商品等级分别确定各所述商品等级所对应地消费商品推送数量作为进行商品推荐时推荐的商品数量；其中，
根据向下取整后的商品数量，将40%的所述一级推送商品所对应地所述消费商品按照排序结果依次由高到低进行优先推荐；
根据向下取整后的商品数量，将30%的所述二级推送商品所对应地所述消费商品按照排序结果依次由高到低进行优先推荐；
根据向下取整后的商品数量，将20%的所述三级推送商品所对应地所述消费商品按照排序结果依次由高到低进行优先推荐；
根据向下取整后的商品数量，将10%的所述四级推送商品所对应地所述消费商品按照排序结果依次由高到低进行优先推荐。
3.根据权利要求2所述的一种服务消费机器人智能推荐方法，其特征在于，还包括：
根据若干个所述历史购物时长中计算时长平均值i，并根据所述时长平均值i与所述时长差值t计算时长参数R，R=|t-i|；
当R大于第一预设标准时长参数K1时，则不将所述四级推送商品所对应地所述消费商品进行商品推荐，并将所述四级推送商品所对应地所述消费商品的数量增加至所述一级推送商品所对应地所述消费商品的数量中；
当R大于第二预设标准时长参数K1，且小于所述第一预设标准时长参数K1时，则不将所述四级推送商品以及所述三级推送商品所对应地所述消费商品进行商品推荐，并将所述四级推送商品及所述三级推送商品所对应地所述消费商品的数量增加至所述一级推送商品所对应地所述消费商品的数量中；
当R大于第三预设标准时长参数K1，且小于所述第二预设标准时长参数K2时，则不将所述四级推送商品、所述三级推送商品以及所述二级推送商品所对应地所述消费商品进行商品推荐，并将所述四级推送商品、所述三级推送商品以及所述二级推送商品所对应地所述消费商品的数量增加至所述一级推送商品所对应地所述消费商品的数量中；其中，K1＞K2＞K3。
4.一种服务消费机器人智能推荐系统，应用于如权利要求1-3任一项所述的服务消费机器人智能推荐方法中，其特征在于，包括：
获取单元，用于基于大数据技术获取消费者的消费记录，所述消费记录包括消费者的若干个历史消费金额、若干个历史消费商品以及若干个历史购物时长；
计算单元，用于根据若干个所述历史消费金额计算所述消费者的平均消费金额M，以及根据若干个所述历史购物时长中的极大值和极小值计算时长差值t；
处理单元，用于对若干个所述历史消费商品进行关键词提取，根据提取结果确定若干个与所述关键词相对应地商品类型，依次由高到低确定出现关键词最多的四种商品类型，并按照由高到低将四种所述商品类型所对应的若干个消费商品分别划分为一级推送商品、二级推送商品、三级推送商品以及四级推送商品；
推荐单元，用于根据所述平均消费金额M、所述时长差值t以及所述关键词相对应地商品类型选定相对应地若干个所述消费商品进行商品推荐;
所述推荐单元还用于分别确定进行商品推荐时的商品等级，所述商品等级包括所述一级推送商品、所述二级推送商品、所述三级推送商品以及所述四级推送商品，根据所述商品等级确定所对应地若干个所述消费商品的数量，并将若干个所述消费商品所对应地商品金额依次由高到低进行排序；
所述推荐单元内设定有预设平均消费金额矩阵T0和预设消费商品推送数量矩阵A，对于所述预设消费商品推送数量矩阵A，设定A(A1,A2,A3,A4)，其中A1为第一预设消费商品推送数量，A2为第二预设消费商品推送数量，A3为第三预设消费商品推送数量，A4为第四预设消费商品推送数量，且A1＜A2＜A3＜A4；
对于所述预设平均消费金额矩阵T0，设定T0(T01,T02,T03,T04),其中，T01为第一预设平均消费金额，T02为第二预设平均消费金额，T03为第三预设平均消费金额，T04为第四预设平均消费金额，且T01＜T02＜T03＜T04；
所述推荐单元还用于根据M与所述预设平均消费金额矩阵T0之间的关系选定相应的消费商品推送数量作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当M＜T01时，选定所述第一预设消费商品推送数量A1作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当T01≤M＜T02时，选定所述第二预设消费商品推送数量A2作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当T02≤M＜T03时，选定所述第三预设消费商品推送数量A3作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当T03≤M＜T04时，选定所述第四预设消费商品推送数量A4作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐;
所述推荐单元内设定有预设时长差值矩阵R0和预设消费商品推送数量修正系数矩阵B，对于所述预设消费商品推送数量修正系数矩阵B，设定B(B1,B2,B3,B4)，其中B1为第一预设消费商品推送数量修正系数，B2为第二预设消费商品推送数量修正系数，B3为第三预设消费商品推送数量修正系数，B4为第四预设消费商品推送数量修正系数，且1＜B1＜B2＜B3＜B4＜3；
对于所述预设时长差值矩阵R0，设定R0(R01,R02,R03,R04),其中，R01为第一预设时长差值，R02为第二预设时长差值，R03为第三预设时长差值，R04为第四预设时长差值，且R01＜R02＜R03＜R04；
所述推荐单元还用于根据t与所述预设时长差值矩阵R0之间的关系选定相应的消费商品推送数量修正系数以对各预设消费商品推送数量进行修正，并分别将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当t＜R01时，选定所述第一预设消费商品推送数量修正系数B1对所述第一预设消费商品推送数量A1进行修正，修正后的消费商品推送数量为A1×B1，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当R01≤t＜R02，选定所述第二预设消费商品推送数量修正系数B2对所述第二预设消费商品推送数量A2进行修正，修正后的消费商品推送数量为A2×B2，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当R02≤t＜R03，选定所述第三预设消费商品推送数量修正系数B3对所述第三预设消费商品推送数量A3进行修正，修正后的消费商品推送数量为A3×B3，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐；
当R03≤t＜R04，选定所述第四预设消费商品推送数量修正系数B4对所述第四预设消费商品推送数量A4进行修正，修正后的消费商品推送数量为A4×B4，当修正后的消费商品推送数量不为整数时，将修正后的消费商品推送数量向下取整作为进行商品推荐时推荐的商品数量，并按照排序结果依次由高到低进行优先推荐。
5.根据权利要求4所述的一种服务消费机器人智能推荐系统，其特征在于，
所述推荐单元还用于确定进行商品推荐时推荐的商品数量是否大于10，当进行商品推荐时推荐的商品数量大于10时，以10为倍数将商品数量向下取整，并按照所述消费商品所对应地所述商品等级分别确定各所述商品等级所对应地消费商品推送数量作为进行商品推荐时推荐的商品数量；其中，
根据向下取整后的商品数量，将40%的所述一级推送商品所对应地所述消费商品按照排序结果依次由高到低进行优先推荐；
根据向下取整后的商品数量，将30%的所述二级推送商品所对应地所述消费商品按照排序结果依次由高到低进行优先推荐；
根据向下取整后的商品数量，将20%的所述三级推送商品所对应地所述消费商品按照排序结果依次由高到低进行优先推荐；
根据向下取整后的商品数量，将10%的所述四级推送商品所对应地所述消费商品按照排序结果依次由高到低进行优先推荐。
6.根据权利要求5所述的一种服务消费机器人智能推荐系统，其特征在于，
所述推荐单元还用于根据若干个所述历史购物时长中计算时长平均值i，并根据所述时长平均值i与所述时长差值t计算时长参数R，R=|t-i|；
当R大于第一预设标准时长参数K1时，则不将所述四级推送商品所对应地所述消费商品进行商品推荐，并将所述四级推送商品所对应地所述消费商品的数量增加至所述一级推送商品所对应地所述消费商品的数量中；
当R大于第二预设标准时长参数K1，且小于所述第一预设标准时长参数K1时，则不将所述四级推送商品以及所述三级推送商品所对应地所述消费商品进行商品推荐，并将所述四级推送商品及所述三级推送商品所对应地所述消费商品的数量增加至所述一级推送商品所对应地所述消费商品的数量中；
当R大于第三预设标准时长参数K1，且小于所述第二预设标准时长参数K2时，则不将所述四级推送商品、所述三级推送商品以及所述二级推送商品所对应地所述消费商品进行商品推荐，并将所述四级推送商品、所述三级推送商品以及所述二级推送商品所对应地所述消费商品的数量增加至所述一级推送商品所对应地所述消费商品的数量中；其中，K1＞K2＞K3。
CN202311426832.5A 2023-10-31 2023-10-31 一种服务消费机器人智能推荐方法及系统 Active CN117151747B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311426832.5A CN117151747B (zh) 2023-10-31 2023-10-31 一种服务消费机器人智能推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311426832.5A CN117151747B (zh) 2023-10-31 2023-10-31 一种服务消费机器人智能推荐方法及系统

Publications (2)

Publication Number Publication Date
CN117151747A CN117151747A (zh) 2023-12-01
CN117151747B true CN117151747B (zh) 2024-01-30

Family

ID=88903132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311426832.5A Active CN117151747B (zh) 2023-10-31 2023-10-31 一种服务消费机器人智能推荐方法及系统

Country Status (1)

Country Link
CN (1) CN117151747B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463637A (zh) * 2014-12-23 2015-03-25 北京石油化工学院 一种基于电商平台的商品推荐方法、装置及服务器
CN105992170A (zh) * 2015-02-12 2016-10-05 广东欧珀移动通信有限公司 一种铃声推荐方法、服务器、移动终端及系统
CN110135937A (zh) * 2019-04-03 2019-08-16 深圳壹账通智能科技有限公司 产品的智能推荐方法、装置、计算机设备及存储介质
CN110175884A (zh) * 2019-04-15 2019-08-27 深圳壹账通智能科技有限公司 商品推荐页面的展示方法、装置、计算机设备和存储介质
CN112288464A (zh) * 2020-10-16 2021-01-29 杭州贝嘟科技有限公司 商品推荐方法、装置、计算机设备和存储介质
CN114219541A (zh) * 2021-12-30 2022-03-22 刘振林 一种用户积分管理方法、装置、设备及可读存储介质
CN116091242A (zh) * 2023-02-01 2023-05-09 中国工商银行股份有限公司 推荐产品组合生成方法及装置、电子设备和存储介质
CN116308657A (zh) * 2023-03-16 2023-06-23 浙江理工大学 一种用于数字化营销平台的商品推荐方法及系统
CN116342226A (zh) * 2023-04-12 2023-06-27 郝荣恺 一种基于大数据的商品推荐方法及系统
CN116542737A (zh) * 2023-05-04 2023-08-04 深圳市瀚力科技有限公司 跨境电商平台的大数据处理方法及系统
CN116562967A (zh) * 2023-05-06 2023-08-08 江西易至智行汽车运营服务有限公司 一种特殊商户优先推荐方法、系统、存储介质及设备
CN116579817A (zh) * 2023-03-23 2023-08-11 深圳市公狼科技有限公司 基于购买力的产品信息展示方法、装置、设备及存储介质
CN116681490A (zh) * 2023-06-13 2023-09-01 广东七洲科技股份有限公司 一种基于身份认证的信息推荐方法
CN116739713A (zh) * 2023-06-23 2023-09-12 北京尚谷彤邺科技发展有限公司 一种基于客群大数据分析的销售信息推送方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463637A (zh) * 2014-12-23 2015-03-25 北京石油化工学院 一种基于电商平台的商品推荐方法、装置及服务器
CN105992170A (zh) * 2015-02-12 2016-10-05 广东欧珀移动通信有限公司 一种铃声推荐方法、服务器、移动终端及系统
CN110135937A (zh) * 2019-04-03 2019-08-16 深圳壹账通智能科技有限公司 产品的智能推荐方法、装置、计算机设备及存储介质
CN110175884A (zh) * 2019-04-15 2019-08-27 深圳壹账通智能科技有限公司 商品推荐页面的展示方法、装置、计算机设备和存储介质
CN112288464A (zh) * 2020-10-16 2021-01-29 杭州贝嘟科技有限公司 商品推荐方法、装置、计算机设备和存储介质
CN114219541A (zh) * 2021-12-30 2022-03-22 刘振林 一种用户积分管理方法、装置、设备及可读存储介质
CN116091242A (zh) * 2023-02-01 2023-05-09 中国工商银行股份有限公司 推荐产品组合生成方法及装置、电子设备和存储介质
CN116308657A (zh) * 2023-03-16 2023-06-23 浙江理工大学 一种用于数字化营销平台的商品推荐方法及系统
CN116579817A (zh) * 2023-03-23 2023-08-11 深圳市公狼科技有限公司 基于购买力的产品信息展示方法、装置、设备及存储介质
CN116342226A (zh) * 2023-04-12 2023-06-27 郝荣恺 一种基于大数据的商品推荐方法及系统
CN116542737A (zh) * 2023-05-04 2023-08-04 深圳市瀚力科技有限公司 跨境电商平台的大数据处理方法及系统
CN116562967A (zh) * 2023-05-06 2023-08-08 江西易至智行汽车运营服务有限公司 一种特殊商户优先推荐方法、系统、存储介质及设备
CN116681490A (zh) * 2023-06-13 2023-09-01 广东七洲科技股份有限公司 一种基于身份认证的信息推荐方法
CN116739713A (zh) * 2023-06-23 2023-09-12 北京尚谷彤邺科技发展有限公司 一种基于客群大数据分析的销售信息推送方法

Also Published As

Publication number Publication date
CN117151747A (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
CN109816482B (zh) 电商平台的知识图谱构建方法、装置、设备及存储介质
CN106296357A (zh) 基于电商平台的智能推荐食谱的方法、装置及设备
CN103884152A (zh) 提供健康指数的冰箱和系统
CN106951516B (zh) 一种基于大数据的装修选品智能排序方法
CN106651418A (zh) 针对电商满减活动的凑单商品推荐的方法
CN110335123B (zh) 基于社交电商平台的商品推荐方法、系统、计算机可读介质以及装置
CN110134783B (zh) 个性化推荐的方法、装置、设备和介质
CN114880560A (zh) 内容的推荐方法和装置、存储介质及电子装置
JP2014132394A (ja) 商標支援システム
CN107895299A (zh) 一种商品的曝光排序方法和装置
Wang et al. Decomposition based multiobjective evolutionary algorithm for collaborative filtering recommender systems
CN115935068B (zh) 互联网平台的商品推荐方法以及装置
EP3598373A1 (en) Determining product relevancy
CN112488863A (zh) 一种在用户冷启动场景下的险种推荐方法及相关设备
CN110727859A (zh) 一种推荐信息推送方法及其装置
CN117151747B (zh) 一种服务消费机器人智能推荐方法及系统
CN116188095A (zh) 商品信息的推荐方法、装置、带屏空调和存储介质
CN113592539B (zh) 基于人工智能的店铺订单趋势预测方法、装置及存储介质
CN112529666A (zh) 商品推荐方法、系统、计算机设备及存储介质
CN106355445A (zh) 数据推送方法和装置
CN111768262B (zh) 信息推荐方法、装置、电子设备及存储介质
CN110851661A (zh) 用户id映射关系的确定方法及装置、电子设备
Destari et al. Application of ANP Methods for Selecting the Best Bread Products
CN110992115A (zh) 饮料粉末的制备方法和装置以及设备
Pickering et al. Are goods goods? Some empirical evidence

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant