CN115391669B - 一种智能推荐方法、装置、电子设备 - Google Patents
一种智能推荐方法、装置、电子设备 Download PDFInfo
- Publication number
- CN115391669B CN115391669B CN202211341243.2A CN202211341243A CN115391669B CN 115391669 B CN115391669 B CN 115391669B CN 202211341243 A CN202211341243 A CN 202211341243A CN 115391669 B CN115391669 B CN 115391669B
- Authority
- CN
- China
- Prior art keywords
- user
- product
- online shopping
- label
- preference
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 89
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 230000006399 behavior Effects 0.000 claims description 107
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000002349 favourable effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000005406 washing Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 239000002453 shampoo Substances 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据处理技术，揭露了一种智能推荐方法、装置、电子设备，所述方法包括：获取用户数据，根据用户数据生成用户标签并构建用户画像；获取后台历史购买记录数据并生成历史用户画像，与用户画像进行匹配，得到参考用户画像；获取参考历史购买产品并与网购产品的匹配度进行计算，得到第一偏好分析值；从用户数据中提取用户行为特征，根据用户行为特征进行分类统计，利用得到的特征统计类目表进行权重计算，得到第二偏好分析值；根据第一偏好分析值及第二偏好分析值确定网购产品偏好结果并计算网购产品的推荐指数，根据推荐指数对网购产品进行推荐。本发明可以提高分析网购产品个性化智能推荐的准确性。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种智能推荐方法、装置、电子设备。
背景技术
由于互联网的快速发展，购物的方式越来越多，以网购的形式进行带货逐渐脱颖而出。通过网购推销产品的过程中，可以通过分析用户的网购产品偏好，实现对产品的实时销售情况的分析。现有技术中，分析网购产品偏好的方法主要有两种：一是利用历史后台数据样本进行概率分析统计的方法实现网购产品偏好分析，该方法中历史后台数据不能实时反映当下用户的购买意愿，导致网购产品偏好分析不准确、真实性较低；二是根据用户网购互动数据中的文本语义倾向分析用户的网购产品偏好，但此方法的分析角度较为单一，且与分析结果的关联性不高，进而导致分析结果不准确。综上所述，现有技术中存在分析网购产品个性化智能推荐的准确性较低的问题。
发明内容
本发明提供一种智能推荐方法、装置、电子设备，其主要目的在于解决分析网购产品偏好的准确性较低的问题。
为实现上述目的，本发明提供的一种智能推荐方法，包括：
获取用户数据，根据所述用户数据生成用户标签，根据所述用户标签构建用户画像；
获取后台历史购买记录数据，并根据所述后台历史购买记录数据生成历史用户画像，将所述历史用户画像与所述用户画像进行匹配，得到参考用户画像；
获取所述参考用户画像的参考历史购买产品，根据预设的网购产品与所述参考历史购买产品的匹配度进行计算，得到第一偏好分析值；
从所述用户数据中提取用户行为特征，根据所述用户行为特征进行分类统计，得到特征统计类目表；
根据所述特征统计类目表进行权重计算，得到第二偏好分析值；
根据所述第一偏好分析值及所述第二偏好分析值确定网购产品偏好结果，并根据所述网购产品偏好结果计算所述网购产品的推荐指数，根据所述推荐指数对所述网购产品进行推荐。
可选地，根据所述用户数据生成用户标签，包括：
将所述用户数据进行关键字提取，得到关键字；
将所述关键字与预设标签的关键字进行匹配，判断是否相同；
当所述关键字与预设标签的关键字相同，将所述预设标签设置为用户标签。
可选地，根据所述用户标签构建用户画像，包括：
将所述用户标签输入预设的转化器中，得到用户标签对应的标签字符；
通过预设的关联算法对所述标签字符进行分析，得到多个所述用户标签之间的关联关系；
根据所述关联关系，将多个所述用户标签按照树形结构进行连接，得到以所述树形结构表示的用户画像。
可选地，所述通过预设的关联算法对所述标签字符进行分析，得到多个所述用户标签之间的关联关系，包括：
将所述标签字符进行分类，得到基础标签及行为标签；
利用所述关联算法将所述用户标签与所述基础标签及行为标签进行关联，得到多个所述用户标签之间的关联关系值；
所述关联算法表示为：
其中，
表示多个所述用户标签之间的关联关系值，
表示所述用户标签对应
的基础标签，
表示所述用户标签对应的行为标签，
表示所述用户标签，
表示所述
基础标签对应的标签数，
表示所述行为标签对应的标签数，
表示所述用户标签总数；
根据所述多个所述用户标签之间的关联关系值，确定所述多个所述用户标签之间的关联关系。
可选地，根据预设的网购产品与所述参考历史购买产品的匹配度进行计算，得到第一偏好分析值，包括：
根据预设的产品类别数据库及所述网购产品进行多级类别匹配，得到多级网购相关产品；
将所述参考历史购买产品与所述多级网购相关产品进行匹配，得到网购参考产品；
根据所述多级网购相关产品对所述网购参考产品进行程度赋值，得到产品匹配度；
对所述产品匹配度及所述参考用户画像的数量进行比例计算，得到第一偏好分析值。
可选地，根据所述用户行为特征进行分类统计，得到特征统计类目表，包括：
将所述用户行为特征与预设的行为特征类型库进行匹配，得到多个行为类目标签及行为类目标签对应的用户行为特征；
根据所述行为类目标签对应的用户行为特征划分所述行为类目标签对应的数据范围；
根据所述数据范围及所述行为类目标签生成特征统计类目表。
可选地，根据所述特征统计类目表进行权重计算，得到第二偏好分析值，包括：
从所述特征统计类目表中提取行为类目标签，根据预设的权重标签库对所述行为类目标签进行权重赋值，得到每个行为类目标签对应的权重；
根据所述特征统计类目表中数据范围及预设的特征范围赋值表确定行为类目标签对应的特征值；
根据所述行为类目标签对应的权重以及所述特征值进行偏好计算，得到第二偏好分析值；
利用下述公式进行偏好计算，得到第二偏好分析值：
其中，
表示所述第二偏好分析值，
表示第
个行为类目标签对应的权重，
表
示第
个特征值，
表示预设的计算参数。
可选地，根据所述网购产品偏好结果计算所述网购产品的推荐指数，根据所述推荐指数对所述网购产品进行推荐，包括：
根据所述网购产品偏好结果获取所述网购产品对应的浏览次数、好评次数以及喜欢人数；
根据所述浏览次数、所述好评次数及所述喜欢人数进行计算，得到所述网购产品的推荐指数；
利用下述公式进行计算，得到所述网购产品的推荐指数：
其中，
表示所述网购产品的推荐指数，
表示所述浏览次数，
表示所述好评次
数，
表示所述喜欢人数，
、
、
表示预设的比例系数，
表示预设的修正因子；
根据所述网购产品的推荐指数的高低对所述网购产品进行推荐。
为了解决上述问题，本发明还提供一种智能推荐装置，所述装置包括：
用户画像构建模块，获取用户数据，根据所述用户数据生成用户标签，根据所述用户标签构建用户画像；
参考用户画像生成模块，获取后台历史购买记录数据，并根据所述后台历史购买记录数据生成历史用户画像，将所述历史用户画像与所述用户画像进行匹配，得到参考用户画像；
第一偏好分析值生成模块，获取所述参考用户画像的参考历史购买产品，根据预设的网购产品与所述参考历史购买产品的匹配度进行计算，得到第一偏好分析值；
特征统计类目表生成模块，从所述用户数据中提取用户行为特征，根据所述用户行为特征进行分类统计，得到特征统计类目表；
第二偏好分析值生成模块，根据所述特征统计类目表进行权重计算，得到第二偏好分析值；
网购产品偏好生成模块，根据所述第一偏好分析值及所述第二偏好分析值确定网购产品偏好结果，并根据所述网购产品偏好结果计算所述网购产品的推荐指数，根据所述推荐指数对所述网购产品进行推荐。
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智能推荐方法。
本发明实施例通过用户数据生成用户标签，对用户标签进行多维度描述，使得用户画像更加具体、更加形象化；通过参考用户画像确定参考产品，使得第一偏好分析值更加准确；通过对特征的分类整理并进行表格统计，得到特征统计类目表，提高了处理行为特征的效率；通过用户画像生成的第一分析值以及用户行为特征生成的第二分析值两个方面实现对购买意愿的分析，提高了分析角度的全面性，进而提高了网购购买意愿的准确性。因此本发明提出的智能推荐方法，可以解决在进行分析网购产品个性化智能推荐时的准确性较低的问题。
附图说明
图1为本发明一实施例提供的智能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用户标签构建用户画像的流程示意图；
图3为本发明一实施例提供的根据预设的网购产品与参考历史购买产品的匹配度进行计算，得到第一偏好分析值的流程示意图；
图4为本发明一实施例提供的智能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智能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智能推荐方法。所述智能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，所述智能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智能推荐方法的流程示意图。在本实施例中，所述智能推荐方法包括：
S1、获取用户数据，根据所述用户数据生成用户标签，根据所述用户标签构建用户画像；
本发明实施例中，所述用户数据是用户在应用软件、浏览器等网络页面中进行登录、使用等情况下所形成的数据。例如，登录时所填写的基本信息、进行网络购买时所产生的购买记录，浏览记录等。
本发明实施例中，根据所述用户数据生成用户标签，包括：
将所述用户数据进行关键字提取，得到关键字；
将所述关键字与预设标签的关键字进行匹配，判断是否相同；
当所述关键字与预设标签的关键字相同，将所述预设标签设置为用户标签。
请参阅图2所示，本发明实施例中，根据所述用户标签构建用户画像，包括：
S21、将所述用户标签输入预设的转化器中，得到用户标签对应的标签字符；
S22、通过预设的关联算法对所述标签字符进行分析，得到多个所述用户标签之间的关联关系；
S23、根据所述关联关系，将多个所述用户标签按照树形结构进行连接，得到以所述树形结构表示的用户画像。
本发明实施例中，所述通过预设的关联算法对所述标签字符进行分析，得到多个所述用户标签之间的关联关系，包括：
将所述标签字符进行分类，得到基础标签及行为标签；
利用所述关联算法将所述用户标签与所述基础标签及行为标签进行关联，得到多个所述用户标签之间的关联关系值；
所述关联算法表示为：
其中，
表示多个所述用户标签之间的关联关系值，
表示所述用户标签对
应的基础标签，
表示所述用户标签对应的行为标签，
表示所述用户标签，
表示所
述基础标签对应的标签数，
表示所述行为标签对应的标签数，
表示所述用户标签总
数；
根据所述多个所述用户标签之间的关联关系值，确定所述多个所述用户标签之间的关联关系。
本发明实施例中，所述多个用户标签可以为姓名、年龄、职业、基本信息、购买、喜欢、收藏、转发、行为信息等，通过关联算法确定姓名、年龄、职业与基本信息之间的关联关系，购买、喜欢、收藏、转发与行为信息之间的关联关系等。
本发明实施例中，可以根据关联关系按照树形结构进行连接，得到用户画像。例如，将姓名、年龄及职业标签分别连接至基本信息，将购买、喜欢、收藏、转发标签分别连接至行为信息，再将基本信息与行为信息连接至用户画像，得到以所述树形结构表示用户的用户画像。
本发明实施例中，通过用户数据进行一系列处理得到的用户标签，使得后续通过用户标签的形式展现出来的用户画像更加清晰，根据树形结构对所述用户画像进行描述，使得用户画像具有更多可能性。
S2、获取后台历史购买记录数据，并根据所述后台历史购买记录数据生成历史用户画像，将所述历史用户画像与所述用户画像进行匹配，得到参考用户画像；
本发明实施例中，根据所述后台历史购买记录数据生成历史用户画像与上述步骤S1中根据所述用户数据生成用户标签，根据所述用户标签构建用户画像步骤相似，在此不进行过多赘述。
本发明实施例中，所述将所述历史用户画像与所述用户画像进行匹配，得到参考用户画像，包括：
将所述历史用户画像与所述用户画像进行相似度计算，得到相似度计算结果；
当所述相似度计算结果符合预设的条件时，将所述相似度计算结果对应的历史用户画像作为参考用户画像。
本发明实施例中，例如，若预设条件为小于4，在所述历史用户画像与所述用户画像的计算结果为3时，则判定所述相似度结果对应的历史用户画像符合条件，即可将所述相似度结果对应的历史用户画像作为参考用户画像。
本发明实施例中，对所述历史用户画像及所述用户画像进行相似度计算，并根据预设的结果对所述历史用户画像进行过滤，使得计算结果准确率更高及最后获得的参考用户画像更为准确。
S3、获取所述参考用户画像的参考历史购买产品，根据预设的网购产品与所述参考历史购买产品的匹配度进行计算，得到第一偏好分析值；
请参阅图3所示，本发明实施例中，根据预设的网购产品与所述参考历史购买产品的匹配度进行计算，得到第一偏好分析值，包括：
S31、根据预设的产品类别数据库及所述网购产品进行多级类别匹配，得到多级网购相关产品；
S32、将所述参考历史购买产品与所述多级网购相关产品进行匹配，得到网购参考产品；
S33、根据所述多级网购相关产品对所述网购参考产品进行程度赋值，得到产品匹配度；
S34、对所述产品匹配度及所述参考用户画像的数量进行比例计算，得到第一偏好分析值。
本发明实施例中，所述产品类别数据库是存储多种产品种类的数据库，其中包括多级类目，根据所述网购产品与所述产品类别数据库中多类产品进行多级类别匹配，可以得到第一相关产品、第二相关产品、第三相关产品，例如，产品类别数据库包括洗护产品与日用产品，该洗护产品又可以包括头部洗护产品、面部洗护产品、身体洗护产品等，其中网购产品为洗发水，洗发水属于洗护产品中的头部洗护产品，因此，可以将洗护产品中的头部洗护产品（洗发水、护发素、发膜等）作为第一相关产品，将洗护产品中除头部洗护产品的其他类目产品（面部洗护产品、身体洗护产品等）作为第二相关产品，将日用产品类目下的所有产品作为第三相关产品。
本发明实施例中，根据多级网购相关产品可以对网购参考产品进行不同的程度赋值，将第一相关产品赋值为1、第二相关产品赋值为0.5、第三相关产品赋值为0。当所述参考用户画像的数量为10个，其中有5个人既购买洗发水又购买护发素，洗发水及护发素为第一相关产品，因此，洗发水及护发素的程度赋值都为1，则这5个人程度赋值总和为10，其中有2个人购买沐浴露，沐浴露为第二相关产品，因此，沐浴露程度赋值为0.5，则这2个人程度赋值总和为1，其余3人购买的产品为第三相关产品，因此对应的程度赋值总和为0，所以10个参考用户画像的程度赋值总和为11，根据参考用户画像的数量进行四则运算，进而可以得到的第一偏好分析值为1.1。
本发明实施例中，根据所述网购产品与所述产品类别数据库中多类产品进行多级类别匹配，得到多级网购相关产品，并根据多级网购相关产品进行程度赋值，使得产品的匹配度能够贴合所述网购产品。
S4、从所述用户数据中提取用户行为特征，根据所述用户行为特征进行分类统计，得到特征统计类目表；
本发明实施例中，用户数据中包含构建用户画像的数据、用户行为特征数据等其他数据，从用户数据中提取的所述用户行为特征数据是表示用户行为的特征数据，例如，浏览时长、是否喜欢等；所述特征统计类目表中包含多个行为类目标签以及行为类目标签对应的用户行为特征的统计表格。
本发明实施例中，根据所述用户行为特征进行分类统计，得到特征统计类目表，包括：
将所述用户行为特征与预设的行为特征类型库进行匹配，得到多个行为类目标签及行为类目标签对应的用户行为特征；
根据所述行为类目标签对应的用户行为特征划分所述行为类目标签对应的数据范围；
根据所述数据范围及所述行为类目标签生成特征统计类目表。
本发明实施例中，所述行为特征类型库指的是包含多种行为特征类型的信息库；将所述用户行为特征与行为特征类型库中行为特征类型对应的行为特征进行匹配得到多个行为类目标签及行为类目标签对应的用户行为特征。
本发明实施例中，根据所述用户行为特征进行分类统计指的是将用户行为特征分为浏览时长、是否关注、是否喜欢等类型；所述数据范围可能指的是数值的大小，也可能是判断类型等，例如，是否关注店铺，存在是或否两个选项；将这些不同类型的用户行为特征对应着不同的行，不同数据范围的对应着不同的列，根据类型、数据范围进行数理统计，并以表格的方式呈现出来，就可以得到特征统计类目表。
S5、根据所述特征统计类目表进行权重计算，得到第二偏好分析值；
本发明实施例中，根据所述特征统计类目表进行权重计算，得到第二偏好分析值，包括：
从所述特征统计类目表中提取行为类目标签，根据预设的权重标签库对所述行为类目标签进行权重赋值，得到每个行为类目标签对应的权重；
根据所述特征统计类目表中数据范围及预设的特征范围赋值表确定行为类目标签对应的特征值；
根据所述行为类目标签对应的权重以及所述特征值进行偏好计算，得到第二偏好分析值；
利用下述公式进行偏好计算，得到第二偏好分析值：
其中，
表示所述第二偏好分析值，
表示第
个行为类目标签对应的权重，
表
示第
个特征值，
表示预设的计算参数。
本发明实施例中，所述权重标签库为多种行为类目标签所具有的不同权重的数据库；所述特征范围赋值表中包含多种不同数据范围所对应的不同特征值。
本发明实施例中，权重赋值指的是针对行为类目标签授予不同的权重值，例如，浏览时长权重值为0.3、喜欢的权重值为0.5、关注的权重值为0.2等；根据所述数据范围确定行为类目标签对应的特征值也不同，例如，在“是否喜欢”这一行为类目标签下，将“喜欢”的特征值赋值为1，“不喜欢”的特征值赋值为0；在“浏览时长”这一行为类目标签下，将浏览时长超过30分钟的特征值赋值为0.5，浏览时长低于30分钟的特征值赋值为0；“是否关注”这一行为类目标签下，将“关注”的特征值赋值为1，“没有关注”的特征值赋值为0。
本发明实施例中，根据行为类目标签授予不同的权重值，并根据数据范围确定行为类目标签对应的特征值，进行了数据过滤，使得分析的结果更具有针对性以及第二偏好分析值更加准确。
S6、根据所述第一偏好分析值及所述第二偏好分析值确定网购产品偏好结果，并根据所述网购产品偏好结果计算所述网购产品的推荐指数，根据所述推荐指数对所述网购产品进行推荐。
本发明实施例中，根据所述第一偏好分析值及所述第二偏好分析值进行平均值计算，得到购买意愿平均分析值，并根据所述购买意愿平均分析值进行等级划分，可以将购买意愿平均分析值划分为3个等级，以此来确定网购产品偏好结果，随着等级的降低，网购产品偏好也随之降低。例如，购买意愿平均值的取值范围为0-10，其中0-3为第一购买意愿级别，3-6为第二购买意愿级别，7-10为第三购买意愿级别，随着购买意愿级别的增加，购买意愿也随着增加；若购买意愿平均值为5时，对应的购买级别则为第二购买意愿级别，可以认为此时购买意愿中等；当购买意愿平均值为9时，对应的购买级别则为第三购买意愿级别，可以认为此时网购产品偏好较强。
本发明实施例中，根据所述网购产品偏好结果计算所述网购产品的推荐指数，根据所述推荐指数对所述网购产品进行推荐，包括：
根据所述网购产品偏好结果获取所述网购产品对应的浏览次数、好评次数以及喜欢人数；
根据所述浏览次数、所述好评次数及所述喜欢人数进行计算，得到所述网购产品的推荐指数；
利用下述公式进行计算，得到所述网购产品的推荐指数：
其中，
表示所述网购产品的推荐指数，
表示所述浏览次数，
表示所述好评次
数，
表示所述喜欢人数，
、
、
表示预设的比例系数，
表示预设的修正因子；
根据所述网购产品的推荐指数的高低对所述网购产品进行推荐。
本发明实施例中，根据所述网购产品偏好的强弱对所述网购产品进行进一步的推荐，例如，当所述产品偏好较强时，进一步获取所述网购产品的浏览次数、好评次数以及喜欢人数，根据这些因素进行计算得到推荐指数，当推荐指数越高，所述网购产品也更值得推荐。
本发明实施例中，结合所述第一偏好分析值及所述第二偏好分析值确定网购产品偏好结果，实现了对网购产品偏好分析的多角度，使得最后分析的网购产品偏好更加准确，从而提高智能推荐的准确性。
本发明实施例通过用户数据生成用户标签，对用户标签进行多维度描述，使得用户画像更加具体、更加形象化；通过参考用户画像确定参考产品，使得第一偏好分析值更加准确；通过对特征的分类整理并进行表格统计，得到特征统计类目表，提高了处理行为特征的效率；通过用户画像生成的第一分析值以及用户行为特征生成的第二分析值两个方面实现对购买意愿的分析，提高了分析角度的全面性，进而提高了网购购买意愿的准确性。因此本发明提出的智能推荐方法，可以解决进行分析网购产品个性化智能推荐的准确性较低的问题。
如图4所示，是本发明一实施例提供的智能推荐装置的功能模块图。
本发明所述智能推荐装置100可以安装于电子设备中。根据实现的功能，所述智能推荐装置100可以包括用户画像构建模块101、参考用户画像生成模块102、第一偏好分析值生成模块103、特征统计类目表生成模块104、第二偏好分析值生成模块105及网购产品偏好生成模块106。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，关于各模块的功能如下：
所述用户画像构建模块101，获取用户数据，根据所述用户数据生成用户标签，根据所述用户标签构建用户画像；
所述参考用户画像生成模块102，获取后台历史购买记录数据，并根据所述后台历史购买记录数据生成历史用户画像，将所述历史用户画像与所述用户画像进行匹配，得到参考用户画像；
所述第一偏好分析值生成模块103，获取所述参考用户画像的参考历史购买产品，根据预设的网购产品与所述参考历史购买产品的匹配度进行计算，得到第一偏好分析值；
所述特征统计类目表生成模块104，从所述用户数据中提取用户行为特征，根据所述用户行为特征进行分类统计，得到特征统计类目表；
所述第二偏好分析值生成模块105，根据所述特征统计类目表进行权重计算，得到第二偏好分析值；
所述网购产品偏好生成模块106，根据所述第一偏好分析值及所述第二偏好分析值确定网购产品偏好结果，并根据所述网购产品偏好结果计算所述网购产品的推荐指数，根据所述推荐指数对所述网购产品进行推荐。
详细地，本发明实施例中所述智能推荐装置100中所述的各模块在使用时采用与附图中所述的智能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智能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10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如智能推荐方法程序。
其中，所述处理器10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10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11内的程序或者模块（例如执行智能推荐方法程序等），以及调用存储在所述存储器11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11至少包括一种类型的存储介质，所述存储介质包括闪存、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11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11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11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11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，例如智能推荐方法程序的代码等，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12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11以及至少一个处理器10等之间的连接通信。
所述通信接口13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10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11存储的智能推荐方法程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取用户数据，根据所述用户数据生成用户标签，根据所述用户标签构建用户画像；
获取后台历史购买记录数据，并根据所述后台历史购买记录数据生成历史用户画像，将所述历史用户画像与所述用户画像进行匹配，得到参考用户画像；
获取所述参考用户画像的参考历史购买产品，根据预设的网购产品与所述参考历史购买产品的匹配度进行计算，得到第一偏好分析值；
从所述用户数据中提取用户行为特征，根据所述用户行为特征进行分类统计，得到特征统计类目表；
根据所述特征统计类目表进行权重计算，得到第二偏好分析值；
根据所述第一偏好分析值及所述第二偏好分析值确定网购产品偏好结果，并根据所述网购产品偏好结果计算所述网购产品的推荐指数，根据所述推荐指数对所述网购产品进行推荐。
具体地，所述处理器10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，可以存储在一个存储介质中。所述存储介质可以是易失性的，也可以是非易失性的。例如，所述存储介质可以包括：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）。
在本发明所提供的几个实施例中，应该理解到，所揭露的电子设备，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 (5)
1.一种智能推荐方法，其特征在于，所述方法包括：
获取用户数据，根据所述用户数据生成用户标签，根据所述用户标签构建用户画像；
获取后台历史购买记录数据，并根据所述后台历史购买记录数据生成历史用户画像，将所述历史用户画像与所述用户画像进行匹配，得到参考用户画像；
获取所述参考用户画像的参考历史购买产品，根据预设的网购产品与所述参考历史购买产品的匹配度进行计算，得到第一偏好分析值；
从所述用户数据中提取用户行为特征，根据所述用户行为特征进行分类统计，得到特征统计类目表；
根据所述特征统计类目表进行权重计算，得到第二偏好分析值；
根据所述第一偏好分析值及所述第二偏好分析值确定网购产品偏好结果，并根据所述网购产品偏好结果计算所述网购产品的推荐指数，根据所述推荐指数对所述网购产品进行推荐；
根据所述用户标签构建用户画像，包括：
将所述用户标签输入预设的转化器中，得到用户标签对应的标签字符；
通过预设的关联算法对所述标签字符进行分析，得到多个所述用户标签之间的关联关系；根据所述关联关系，将多个所述用户标签按照树形结构进行连接，得到以所述树形结构表示的用户画像；
所述通过预设的关联算法对所述标签字符进行分析，得到多个所述用户标签之间的关联关系，包括：
将所述标签字符进行分类，得到基础标签及行为标签；
利用所述关联算法将所述用户标签与所述基础标签及行为标签进行关联，得到多个所述用户标签之间的关联关系值；
所述关联算法表示为：
其中，
表示多个所述用户标签之间的关联关系值，
表示所述用户标签对应的基
础标签，
表示所述用户标签对应的行为标签，
表示所述用户标签，
表示所述基础
标签对应的标签数，
表示所述行为标签对应的标签数，
表示所述用户标签总数；
根据所述多个所述用户标签之间的关联关系值，确定所述多个所述用户标签之间的关联关系；
根据预设的网购产品与所述参考历史购买产品的匹配度进行计算，得到第一偏好分析值，包括：
根据预设的产品类别数据库及所述网购产品进行多级类别匹配，得到多级网购相关产品；
将所述参考历史购买产品与所述多级网购相关产品进行匹配，得到网购参考产品；
根据所述多级网购相关产品对所述网购参考产品进行程度赋值，得到产品匹配度；
对所述产品匹配度及所述参考用户画像的数量进行比例计算，得到第一偏好分析值；
根据所述用户行为特征进行分类统计，得到特征统计类目表，包括：
将所述用户行为特征与预设的行为特征类型库进行匹配，得到多个行为类目标签及行为类目标签对应的用户行为特征；
根据所述行为类目标签对应的用户行为特征划分所述行为类目标签对应的数据范围；
根据所述数据范围及所述行为类目标签生成特征统计类目表；
根据所述特征统计类目表进行权重计算，得到第二偏好分析值，包括：
从所述特征统计类目表中提取行为类目标签，根据预设的权重标签库对所述行为类目标签进行权重赋值，得到每个行为类目标签对应的权重；
根据所述特征统计类目表中数据范围及预设的特征范围赋值表确定行为类目标签对应的特征值；
根据所述行为类目标签对应的权重以及所述特征值进行偏好计算，得到第二偏好分析值；
利用下述公式进行偏好计算，得到第二偏好分析值：
其中，
表示所述第二偏好分析值，
表示第
个行为类目标签对应的权重，
表示第
个特征值，
表示预设的计算参数。
2.如权利要求1所述的智能推荐方法，其特征在于，根据所述用户数据生成用户标签，包括：
将所述用户数据进行关键字提取，得到关键字；
将所述关键字与预设标签的关键字进行匹配，判断是否相同；
当所述关键字与预设标签的关键字相同，将所述预设标签设置为用户标签。
3.如权利要求1所述的智能推荐方法，其特征在于，根据所述网购产品偏好结果计算所述网购产品的推荐指数，根据所述推荐指数对所述网购产品进行推荐，包括：
根据所述网购产品偏好结果获取所述网购产品对应的浏览次数、好评次数以及喜欢人数；
根据所述浏览次数、所述好评次数及所述喜欢人数进行计算，得到所述网购产品的推荐指数；
利用下述公式进行计算，得到所述网购产品的推荐指数：
其中，
表示所述网购产品的推荐指数，
表示所述浏览次数，
表示所述好评次数，
表示所述喜欢人数，
、
、
表示预设的比例系数，
表示预设的修正因子；
根据所述网购产品的推荐指数的高低对所述网购产品进行推荐。
4.一种智能推荐装置，应用于如权利要求1至3中任意一项所述的智能推荐方法，其特征在于，所述装置包括：
用户画像构建模块，获取用户数据，根据所述用户数据生成用户标签，根据所述用户标签构建用户画像；
参考用户画像生成模块，获取后台历史购买记录数据，并根据所述后台历史购买记录数据生成历史用户画像，将所述历史用户画像与所述用户画像进行匹配，得到参考用户画像；
第一偏好分析值生成模块，获取所述参考用户画像的参考历史购买产品，根据预设的网购产品与所述参考历史购买产品的匹配度进行计算，得到第一偏好分析值；
特征统计类目表生成模块，从所述用户数据中提取用户行为特征，根据所述用户行为特征进行分类统计，得到特征统计类目表；
第二偏好分析值生成模块，根据所述特征统计类目表进行权重计算，得到第二偏好分析值；
网购产品偏好生成模块，根据所述第一偏好分析值及所述第二偏好分析值确定网购产品偏好结果，并根据所述网购产品偏好结果计算所述网购产品的推荐指数，根据所述推荐指数对所述网购产品进行推荐。
5.一种电子设备，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3中任意一项所述的智能推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211341243.2A CN115391669B (zh) | 2022-10-31 | 2022-10-31 | 一种智能推荐方法、装置、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211341243.2A CN115391669B (zh) | 2022-10-31 | 2022-10-31 | 一种智能推荐方法、装置、电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115391669A CN115391669A (zh) | 2022-11-25 |
| CN115391669B true CN115391669B (zh) | 2023-03-10 |
Family
ID=84115083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211341243.2A Active CN115391669B (zh) | 2022-10-31 | 2022-10-31 | 一种智能推荐方法、装置、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115391669B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116304351B (zh) * | 2023-03-29 | 2024-02-02 | 陕西维纳数字科技股份有限公司 | 一种基于大数据的智能数据信息统计管理系统及方法 |
| CN117539638B (zh) * | 2024-01-04 | 2024-03-22 | 江西拓荒者科技有限公司 | 一种用于工业大数据平台的数据处理方法及系统 |
| CN117520864B (zh) * | 2024-01-08 | 2024-03-19 | 四川易利数字城市科技有限公司 | 一种数据要素多特征融合智能匹配方法 |
| CN118096325B (zh) * | 2024-04-25 | 2024-07-26 | 深圳市城市公共安全技术研究院有限公司 | 一种企业安全产品推荐方法、装置、设备和存储介质 |
| CN118170996B (zh) * | 2024-05-08 | 2024-07-26 | 菏泽学院 | 一种基于大数据的活动分析系统及方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110555717A (zh) * | 2019-07-29 | 2019-12-10 | 华南理工大学 | 基于用户行为特征挖掘用户潜在购买商品和品类的方法 |
| CN111190939B (zh) * | 2019-12-27 | 2024-02-02 | 深圳市优必选科技股份有限公司 | 一种用户画像构建方法及装置 |
| CN112258260A (zh) * | 2020-08-14 | 2021-01-22 | 北京沃东天骏信息技术有限公司 | 基于用户特征的页面展示方法、装置、介质及电子设备 |
| CN113886691A (zh) * | 2021-09-29 | 2022-01-04 | 平安银行股份有限公司 | 基于历史数据的智能推荐方法、装置、电子设备及介质 |
| CN113946754A (zh) * | 2021-10-29 | 2022-01-18 | 平安科技（深圳）有限公司 | 基于用户画像的权益推荐方法、装置、设备及存储介质 |
| CN114493782A (zh) * | 2022-01-25 | 2022-05-13 | 青岛文达通科技股份有限公司 | 基于用户画像的个性化商品推荐方法及系统 |
| CN114663198A (zh) * | 2022-04-25 | 2022-06-24 | 未鲲(上海)科技服务有限公司 | 基于用户画像的产品推荐方法、装置、设备及存储介质 |
| CN114648392B (zh) * | 2022-05-19 | 2022-07-29 | 湖南华菱电子商务有限公司 | 基于用户画像的产品推荐方法、装置、电子设备及介质 |
| CN115186188A (zh) * | 2022-07-22 | 2022-10-14 | 平安信托有限责任公司 | 基于行为分析的产品推荐方法、装置、设备及存储介质 |
-
2022
- 2022-10-31 CN CN202211341243.2A patent/CN115391669B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115391669A (zh) | 2022-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115391669B (zh) | 一种智能推荐方法、装置、电子设备 | |
| WO2022141861A1 (zh) | 情感分类方法、装置、电子设备及存储介质 | |
| CN113449187B (zh) | 基于双画像的产品推荐方法、装置、设备及存储介质 | |
| CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
| CN114648392B (zh) | 基于用户画像的产品推荐方法、装置、电子设备及介质 | |
| CN114912948B (zh) | 基于云服务的跨境电商大数据智能处理方法、装置及设备 | |
| CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
| CN113360768A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
| CN115018588A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN116167825A (zh) | 基于电子商务的商品推荐方法、装置、设备及存储介质 | |
| CN113592605A (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
| CN113886708A (zh) | 基于用户信息的产品推荐方法、装置、设备及存储介质 | |
| CN114625975B (zh) | 一种基于知识图谱的客户行为分析系统 | |
| CN113343306B (zh) | 基于差分隐私的数据查询方法、装置、设备及存储介质 | |
| CN114398560A (zh) | 基于web平台的营销界面设置方法、装置、设备及介质 | |
| CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
| CN114187096A (zh) | 基于用户画像的风险评估方法、装置、设备及存储介质 | |
| CN115641186A (zh) | 直播产品偏好的智能分析方法、装置、设备及存储介质 | |
| CN116720118A (zh) | 标签质量智能分析方法、装置、电子设备及存储介质 | |
| CN116703515A (zh) | 基于人工智能的推荐方法、装置、计算机设备及存储介质 | |
| CN115862791A (zh) | 基于健康测评的问卷标签生成方法、装置、设备及介质 | |
| CN115713384A (zh) | 推荐物品的方法、装置、存储介质及电子设备 | |
| CN113706207A (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
| CN113704407A (zh) | 基于类别分析的投诉量分析方法、装置、设备及存储介质 |
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 |