CN117575747B - 一种基于用户分析的个性化推荐方法 - Google Patents

Abstract

本发明涉及计算机数据处理技术领域，特别是涉及一种基于用户分析的个性化推荐方法，该方法包括：推荐购买平台的街景车，根据销量和点击量生成初始推荐列表，用户登录后，获取其历史行为，调整初始推荐列表生成个性化推荐列表，并按照街景车排列顺序推荐；若用户无历史行为，则将初始推荐列表视为个性化推荐列表进行推荐；同时，实时获取用户的点击行为，调整个性化推荐列表；本发明通过分析用户历史行为，生成个性化推荐列表，提高推荐准确性和满足度；实时更新推荐列表，适应用户需求变化；可应用于多种推荐场景，只需调整算法和数据源。

Description

一种基于用户分析的个性化推荐方法

技术领域

本发明涉及计算机数据处理技术领域，特别是涉及一种基于用户分析的个性化推荐方法。

背景技术

售卖商品的街景车是一种特殊设计的流动商业车辆，通常用于在城市街道或特定区域提供商品销售和服务。这种类型的车辆通常被设计成开放式的结构，以便向顾客展示商品并进行交易。售卖商品的街景车具有丰富多样的形式和功能，它们可以根据市场需求和创意进行不同类型的设计和运营。

根据个人创业者的实际情况，选择适合自己的售卖商品的街景车类型是一个需要仔细权衡和研究的过程。例如，不同类型的街景车可能吸引不同的目标顾客群体，需要根据所在地区、人群特点等因素进行选择，以确保有足够的潜在客户群体；不同类型的街景车会涉及不同的启动成本；市场需求会随着不同地理环境的气候等因素变化，选择适合的街景车类型需要对市场趋势和消费者需求有较准确的了解。

通过自动化推荐系统对售卖商品的街景车进行推荐，可以为用户提供个性化、高效、准确的选择服务，同时也为企业提供了一个有效的营销工具，促进业务的增长。但目前还没有针对售卖商品的街景车的自动化推荐方法，因此，亟须一种基于用户分析的个性化推荐方法用于对实时用户进行街景车个性化推荐。

发明内容

为了解决上述技术问题，本发明提供了一种基于用户分析的个性化推荐方法，包括：

根据街景车推荐购买平台中街景车的销量和点击量生成初始推荐列表；

在用户登录所述街景车推荐购买平台后，获取所述用户的历史行为；

当存在所述历史行为时，根据所述历史行为调整所述初始推荐列表，获得个性化推荐列表，根据所述个性化推荐列表的街景车排列顺序向所述用户进行街景车推荐；

当不存在所述历史行为时，将所述初始推荐列表记为个性化推荐列表，根据所述个性化推荐列表的街景车排列顺序向所述用户进行街景车推荐；

获取所述用户的实时点击行为，根据实时点击行为调整所述个性化推荐列表。

优选的，根据街景车推荐购买平台中街景车的销量和点击量生成初始推荐列表时，包括：

获取所述街景车推荐购买平台中所有所述街景车的销量，按照所述销量从高到低的顺序生成基础推荐列表；

获取所述基础推荐列表中每一所述街景车的浏览次数，根据所有所述街景车的浏览次数调整所述基础推荐列表中的街景车顺序，获得初始推荐列表。

优选的，在获取所述基础推荐列表中每一所述街景车的浏览次数，根据所有所述街景车的浏览次数调整所述基础推荐列表中的街景车顺序，获得初始推荐列表时，包括：

获取所述基础推荐列表中每一所述街景车的销量和浏览次数，预先设定销量权重和浏览次数权重，根据每一所述街景车的所述销量、浏览次数、销量权重和浏览次数权重计算每一所述街景车的推荐总分，计算公式为：

；

其中，St表示推荐总分，ωs表示所述销量权重，s表示所述销量，ωv表示所述浏览次数权重，v表示所述浏览次数；

根据所述基础推荐列表中的每一所述街景车的推荐总分按照从高到低的顺序，对所述基础推荐列表中的所有所述街景车进行排序，获得初始推荐列表。

优选的，在用户登录所述街景车推荐购买平台后，获取所述用户的历史行为，包括：

所述历史行为包括历史登录行为和历史浏览行为；

在用户登录所述街景车推荐购买平台后，获取所述用户的历史登录行为；当存在所述历史登录行为时，同时获取所述历史浏览行为；

当存在所述历史浏览行为时，判定存在所述历史行为；

当不存在所述历史浏览行为时，判定不存在所述历史行为；

当不存在所述历史登录行为时，判定不存在所述历史行为。

优选的，当存在所述历史行为时，根据所述历史行为调整所述初始推荐列表，获得个性化推荐列表，包括：

获取所述历史浏览行为中的所有街景车；获取所述用户对每一所述街景车的浏览时长和点击频次，根据每一所述街景车的浏览时长和点击频次对所述历史浏览行为中的所有街景车进行排序，提取排名前a%的所述街景车的关键特征，记为历史关键特征，建立包含若干所述历史关键特征的历史关键特征集合；

获取若干所述历史关键特征的出现频次，根据所述出现频次从大到小的顺序对所述历史关键特征集合中的若干所述历史关键特征进行优先级的排序，获得历史关键特征列表；将所述历史关键特征列表中的历史关键特征应用于初始推荐列表；根据所述历史关键特征的优先级，对初始推荐列表中的街景车的排序进行调整，获得所述个性化推荐列表。

优选的，在获取所述历史浏览行为中的所有街景车；获取所述用户对每一所述街景车的浏览时长和点击频次，根据每一所述街景车的浏览时长和点击频次对所述历史浏览行为中的所有街景车进行排序时，包括：

获取所述用户对每一所述街景车的浏览时长，记为单品历史浏览时长，同时获取历史浏览总时长；获取所述用户对每一所述街景车的点击频次，记为单品历史点击频次；

计算所述单品历史浏览时长占所述历史浏览总时长的百分比值，记为单品浏览时长占比；

根据所述用户的所述单品浏览时长占比和所述单品历史点击频次，分析所述用户的行为规律；

当所述用户的浏览时长普遍较长，所述行为规律则为所述用户倾向于浏览时间较长的所述街景车，则将每一所述单品浏览时长占比记为每一所述街景车的个性化推荐得分，根据所有所述个性化推荐得分，按照从高到低的顺序对所述历史浏览行为中的所有街景车进行排序；

当所述用户的点击频次普遍较高，所述行为规律则为所述用户倾向于点击频次较高的所述街景车，则将每一所述点击频次记为每一所述街景车的个性化推荐得分，根据所有所述个性化推荐得分，按照从高到低的顺序对所述历史浏览行为中的所有街景车进行排序；

当所述用户的行为规律同时涉及浏览时长和点击频次时，根据所述浏览时长和点击频次计算权衡因子，根据所述权衡因子对所述历史浏览行为中的所有街景车进行排序。

优选的，在根据所述用户的所述单品浏览时长占比和所述单品历史点击频次，分析所述用户的行为规律时，包括：

预先设定单品浏览时长预设占比A0和长时间浏览数量预设比值B0，将所述历史浏览行为中的所有街景车的数量记为C；其中，0.5＜B0＜1；

将所述单品浏览时长占比记为A，获取所述单品浏览时长占比A大于等于所述单品浏览时长预设占比A0的街景车数量，记为浏览数量C1；

计算所述浏览数量C1与所述历史浏览行为中的所有街景车的数量C的比值Q，将所述比值Q与所述长时间浏览数量预设比值B0进行比对；预先设定单品预设点击频次D0和点击高频次预设数量E0，将所述历史浏览行为中的所有街景车的数量记为C；其中，E0＜C；

将所述历史浏览行为中的每一所述街景车的点击频次记为F，获取所述历史浏览行为中的所有所述点击频次F大于等于所述单品预设点击频次D0的所述街景车的数量，记为G；将数量G与所述点击高频次预设数量E0进行比对；

当Q≥B0，且G＜E0时，判定所述用户的浏览时长普遍较长；

当G≥E0，且Q＜B0时，判定所述用户的点击频次普遍较高；

当Q≥B0，且G≥E0时，判定所述用户的行为规律同时涉及浏览时长和点击频次。

优选的，当所述用户的行为规律同时涉及浏览时长和点击频次时，根据所述浏览时长和点击频次计算权衡因子，根据所述权衡因子对所述历史浏览行为中的所有街景车进行排序，包括：

每一所述街景车的浏览时长和点击频次获取每一所述街景车对应的权衡因子，计算公式为：

；

按照所有所述权衡因子从大到小的顺序对所述历史浏览行为中的所有街景车进行排序。

优选的，获取若干所述历史关键特征的出现频次，根据所述出现频次从大到小的顺序对所述历史关键特征集合中的若干所述历史关键特征进行优先级的排序，获得历史关键特征列表；将所述历史关键特征列表中的历史关键特征应用于初始推荐列表；根据所述历史关键特征的优先级，对初始推荐列表中的街景车的排序进行调整，获得所述个性化推荐列表，包括：

每一所述街景车均包含若干个关键特征；判断所述初始推荐列表中的每一所述街景车的若干个关键特征中是否包含任一所述历史关键特征；

当所述街景车的若干个关键特征中包含所述历史关键特征时，根据所述街景车包含的所述历史关键特征的出现频次对所有包含所述历史关键特征的所述街景车进行排序；当若干所述街景车包含的所述历史关键特征的出现频次相同时，保持若干所述街景车在所述初始推荐列表中的原有排序；

当所述街景车的若干个关键特征中不包含所述历史关键特征时，保持不包含所述历史关键特征的所有所述街景车在所述初始推荐列表中的原有排序；并将所有不包含所述历史关键特征的街景车整体移动至所有包含所述历史关键特征的所述街景车之后，完成对所述初始推荐列表中的街景车的排序进行调整，获得所述个性化推荐列表。

优选的，当获取所述用户的实时点击行为，根据实时点击行为调整所述个性化推荐列表时，包括：

当所述用户点击所述个性化推荐列表中的街景车时，按照时间顺序提取所述用户的实时点击行为中的街景车的关键特征信息，获得若干所述关键特征信息；

按照时间先后顺序将若干所述关键特征信息进行排序，获取所述个性化推荐列表中包含所述关键特征信息的街景车，并提升包含所述关键特征信息的街景车在推荐列表中的排序优先级。

与现有技术相比，其有益效果在于：

本发明公开一种基于用户分析的个性化推荐方法。

首先，该方法可以根据用户的个性化需求进行推荐，提高了推荐的准确性和满足度。通过对用户的历史行为进行分析，可以更准确地了解用户的兴趣和偏好，从而生成更符合用户需求的个性化推荐列表。

其次，该方法能够实时更新推荐列表，以适应用户的实时需求和变化。通过获取用户的实时点击行为，可以及时调整推荐列表，确保推荐内容与用户的当前兴趣保持一致。

此外，该方法还具有较高的可扩展性和灵活性。它可以应用于各种推荐场景，如电商、视频、音乐等，只需根据具体场景调整推荐算法和数据源即可。

最后，该方法还可以提高用户的满意度和忠诚度。通过提供个性化的推荐服务，可以增加用户对平台的信任和依赖，从而促进用户留存和活跃度的提高。

综上所述，本发明基于用户分析的个性化推荐方法具有多种优势，可以提高推荐的准确性、满足度、实时性、可扩展性和用户满意度。

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，还可以根据提供的附图获得其他的附图。

图1是本发明实施例提供的一种基于用户分析的个性化推荐方法的流程图。

具体实施方式

下面将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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明提供了一种基于用户分析的个性化推荐方法，包括：

S1、根据街景车推荐购买平台中街景车的销量和点击量生成初始推荐列表；

S2、在用户登录所述街景车推荐购买平台后，获取所述用户的历史行为；

S3、当存在所述历史行为时，根据所述历史行为调整所述初始推荐列表，获得个性化推荐列表，根据所述个性化推荐列表的街景车排列顺序向所述用户进行街景车推荐；

S4、当不存在所述历史行为时，将所述初始推荐列表记为个性化推荐列表，根据所述个性化推荐列表的街景车排列顺序向所述用户进行街景车推荐；

S5、获取所述用户的实时点击行为，根据实时点击行为调整所述个性化推荐列表。

可以理解的是，在本实施例中，首先根据街景车的销量和点击量生成初始推荐列表。销量和点击量是反映街景车受欢迎程度的重要指标，通过对这些数据的分析，可以初步确定哪些街景车更受用户欢迎。

在用户登录街景车推荐购买平台后，系统会获取用户的历史行为。这些历史行为包括用户的浏览记录、购买记录、收藏记录等。通过对这些历史行为的分析，可以了解用户的喜好、购买习惯等信息。

当存在用户历史行为时，系统会根据历史行为调整初始推荐列表。例如，如果用户在过去多次浏览并购买了某款街景车，那么这款街景车在个性化推荐列表中的排名就会相应提高。

当不存在用户历史行为时，系统会将初始推荐列表作为个性化推荐列表。这样，即使新用户首次登录平台，也能获得一份基于其历史行为的个性化推荐列表。

最后，系统会持续获取用户的实时点击行为，并根据这些行为实时调整个性化推荐列表。例如，如果某款街景车在一段时间内被大量用户点击并购买，那么这款街景车在个性化推荐列表中的排名就会相应提高。

综上所述，本实施例这种基于用户分析的个性化推荐方法通过综合考虑街景车的销量和点击量、用户的历史行为以及实时点击行为，为用户提供更加精准、个性化的推荐服务。在未来的发展中，该方法还可以进一步结合人工智能技术，实现更加智能化、个性化的推荐服务。

在本申请的其中一些实施例中，根据街景车推荐购买平台中街景车的销量和点击量生成初始推荐列表时，包括：

获取所述街景车推荐购买平台中所有所述街景车的销量，按照所述销量从高到低的顺序生成基础推荐列表；

获取所述基础推荐列表中每一所述街景车的浏览次数，根据所有所述街景车的浏览次数调整所述基础推荐列表中的街景车顺序，获得初始推荐列表。

可以理解的是，在本实施例中，生成初始推荐列表的过程是一个综合了销量和点击量的考虑因素的过程。首先，获取街景车推荐购买平台中所有街景车的销量数据。这里的销量数据提供了消费者购买行为的直接反映，是评价街景车受欢迎程度的重要指标。然后，将这些销量数据按照从高到低的顺序进行排列，生成基础推荐列表。这样的排序方式确保了销量较高的街景车在推荐列表中的位置靠前，为消费者提供了购买行为中最受欢迎的选项。

然而，销量虽然是一个重要的参考因素，但点击量也同样反映了消费者的兴趣和关注度。因此，进一步获取基础推荐列表中每一街景车的浏览次数。浏览次数可以理解为消费者对街景车的关注程度，是评价街景车吸引力的另一个重要指标。根据所有街景车的浏览次数，对基础推荐列表中的街景车顺序进行调整。这意味着那些虽然销量不高，但点击量较大的街景车有机会被提升到推荐列表的前列，为消费者提供更全面的选择。

通过这样的处理过程，获得了一个综合了销量和点击量的初始推荐列表。这个列表既考虑了消费者的购买行为，又考虑了消费者的关注度，从而为消费者提供了一个更全面、更准确的购买建议。

在本申请的其中一些实施例中，在获取所述基础推荐列表中每一所述街景车的浏览次数，根据所有所述街景车的浏览次数调整所述基础推荐列表中的街景车顺序，获得初始推荐列表时，包括：

获取所述基础推荐列表中每一所述街景车的销量和浏览次数，预先设定销量权重和浏览次数权重，根据每一所述街景车的所述销量、浏览次数、销量权重和浏览次数权重计算每一所述街景车的推荐总分，计算公式为：

；

其中，St表示推荐总分，ωs表示所述销量权重，s表示所述销量，ωv表示所述浏览次数权重，v表示所述浏览次数；

根据所述基础推荐列表中的每一所述街景车的推荐总分按照从高到低的顺序，对所述基础推荐列表中的所有所述街景车进行排序，获得初始推荐列表。

可以理解的是，在本实施例中，通过以下步骤获取一个初始推荐列表：

首先，需要获取基础推荐列表中每一街景车的浏览次数。这可以通过记录每个街景车被用户浏览的次数来获得。

然后，根据所有街景车的浏览次数来调整基础推荐列表中的街景车顺序。这可以通过设定一个浏览次数权重，然后根据每个街景车的浏览次数和权重来计算一个推荐总分。

接着，获取基础推荐列表中每一街景车的销量。这可以通过记录每个街景车的销售数量来获得。

同样，根据所有街景车的销量来调整推荐列表的顺序。这可以通过设定一个销量权重，然后根据每个街景车的销量、浏览次数、销量权重和浏览次数权重来计算一个推荐总分。

最后，根据每个街景车的推荐总分按照从高到低的顺序，对基础推荐列表中的所有街景车进行排序，从而获得一个初始推荐列表。

这个初始推荐列表不仅考虑了每个街景车的销量和浏览次数，还考虑了它们的权重。这样可以更全面地反映每个街景车的受欢迎程度和销售情况，从而为用户提供更准确、更有用的推荐。

在本申请的其中一些实施例中，在用户登录所述街景车推荐购买平台后，获取所述用户的历史行为，包括：

所述历史行为包括历史登录行为和历史浏览行为；

在用户登录所述街景车推荐购买平台后，获取所述用户的历史登录行为；当存在所述历史登录行为时，同时获取所述历史浏览行为；

当存在所述历史浏览行为时，判定存在所述历史行为；

当不存在所述历史浏览行为时，判定不存在所述历史行为；

当不存在所述历史登录行为时，判定不存在所述历史行为。

可以理解的是，在本实施例公开了一种街景车推荐购买平台的用户行为追踪机制。当用户登录该平台后，系统会开始追踪他们的历史行为，这些行为包括历史登录行为和历史浏览行为。

首先，当用户登录街景车推荐购买平台后，系统会记录下这一行为，作为用户历史行为的一部分。这些信息有助于更好地理解用户的需求和习惯，从而提供更加个性化的推荐服务。

接下来，当用户在平台上浏览商品或信息时，系统会记录下这些浏览行为。这些浏览行为的记录可以帮助了解用户对哪些商品或信息感兴趣，以及他们的浏览习惯和偏好。通过分析用户的浏览行为，可以为用户提供更加符合他们需求的商品或信息推荐。

为了实现这一追踪机制，采用了多种技术和方法。当存在历史登录行为时，同时获取历史浏览行为；当存在历史浏览行为时，判定存在历史行为；当不存在历史浏览行为时，判定不存在历史行为；当不存在历史登录行为时，判定不存在历史行为。

这种用户行为追踪机制的应用场景非常广泛。例如，在街景车推荐购买平台上，可以根据用户的登录和浏览行为，为他们提供个性化的商品推荐。此外，还可以根据用户的购买历史和浏览历史，为他们提供更加精准的价格优惠和促销活动信息。

总之，本实施例提供了一种街景车推荐购买平台的用户行为追踪机制。通过追踪用户的登录和浏览行为，可以更好地理解用户的需求和习惯，从而提供更加个性化的推荐服务。这一机制的应用场景广泛，可以应用于其他类似的推荐购买平台上，为消费者提供更加便捷、个性化的购物体验。

在本申请的其中一些实施例中，当存在所述历史行为时，根据所述历史行为调整所述初始推荐列表，获得个性化推荐列表，包括：

获取所述历史浏览行为中的所有街景车；获取所述用户对每一所述街景车的浏览时长和点击频次，根据每一所述街景车的浏览时长和点击频次对所述历史浏览行为中的所有街景车进行排序，提取排名前a%的所述街景车的关键特征，记为历史关键特征，建立包含若干所述历史关键特征的历史关键特征集合；

获取若干所述历史关键特征的出现频次，根据所述出现频次从大到小的顺序对所述历史关键特征集合中的若干所述历史关键特征进行优先级的排序，获得历史关键特征列表；将所述历史关键特征列表中的历史关键特征应用于初始推荐列表；根据所述历史关键特征的优先级，对初始推荐列表中的街景车的排序进行调整，获得所述个性化推荐列表。

可以理解的是，在本实施例中，当存在用户的历史行为时，通过调整初始推荐列表来获得个性化的推荐列表。具体来说，首先获取历史浏览行为中的所有街景车，并获取用户对每一辆街景车的浏览时长和点击频次。然后，我们根据每一辆街景车的浏览时长和点击频次对历史浏览行为中的所有街景车进行排序。接下来，提取排名前a%的街景车的关键特征，这些特征被记为历史关键特征，建立了一个包含若干历史关键特征的历史关键特征集合。

然后，获取若干历史关键特征的出现频次，并根据出现频次从大到小的顺序对历史关键特征集合中的若干历史关键特征进行优先级的排序，从而获得历史关键特征列表。

接下来，将历史关键特征列表中的历史关键特征应用于初始推荐列表。然后，我们根据历史关键特征的优先级对初始推荐列表中的街景车的排序进行调整，从而获得个性化的推荐列表。

通过这种方式，可以根据用户的历史行为来调整初始推荐列表，从而提供更加个性化的推荐。这种个性化推荐可以更好地满足用户的兴趣和需求，提高用户的满意度和忠诚度。

在本申请的其中一些实施例中，在获取所述历史浏览行为中的所有街景车；获取所述用户对每一所述街景车的浏览时长和点击频次，根据每一所述街景车的浏览时长和点击频次对所述历史浏览行为中的所有街景车进行排序时，包括：

获取所述用户对每一所述街景车的浏览时长，记为单品历史浏览时长，同时获取历史浏览总时长；获取所述用户对每一所述街景车的点击频次，记为单品历史点击频次；

计算所述单品历史浏览时长占所述历史浏览总时长的百分比值，记为单品浏览时长占比；

根据所述用户的所述单品浏览时长占比和所述单品历史点击频次，分析所述用户的行为规律；

当所述用户的浏览时长普遍较长，所述行为规律则为所述用户倾向于浏览时间较长的所述街景车，则将每一所述单品浏览时长占比记为每一所述街景车的个性化推荐得分，根据所有所述个性化推荐得分，按照从高到低的顺序对所述历史浏览行为中的所有街景车进行排序；

当所述用户的点击频次普遍较高，所述行为规律则为所述用户倾向于点击频次较高的所述街景车，则将每一所述点击频次记为每一所述街景车的个性化推荐得分，根据所有所述个性化推荐得分，按照从高到低的顺序对所述历史浏览行为中的所有街景车进行排序；

当所述用户的行为规律同时涉及浏览时长和点击频次时，根据所述浏览时长和点击频次计算权衡因子，根据所述权衡因子对所述历史浏览行为中的所有街景车进行排序。

可以理解的是，本实施例通过以下步骤获取并排序历史浏览行为中的所有街景车。

首先，需要获取用户对每一辆街景车的浏览时长和点击频次。这可以通过记录用户在浏览街景车时的行为数据来实现。浏览时长可以记录用户对每一辆街景车的观看时间，而点击频次则可以记录用户对每一辆街景车的点击次数。

接下来，根据每一辆街景车的浏览时长和点击频次对历史浏览行为中的所有街景车进行排序。在排序过程中，可以考虑以下因素：

1. 浏览时长：通过计算单品历史浏览时长占历史浏览总时长的百分比值，即单品浏览时长占比，来反映用户对某一辆街景车的关注程度。如果用户的浏览时长普遍较长，那么他们的行为规律可能是倾向于浏览时间较长的街景车。

2. 点击频次：通过记录用户对每一辆街景车的点击次数，即单品历史点击频次，来反映用户对某一辆街景车的兴趣程度。如果用户的点击频次普遍较高，那么他们的行为规律可能是倾向于点击频次较高的街景车。

在排序过程中，根据用户的浏览时长和点击频次分析他们的行为规律。如果用户的浏览时长普遍较长，那么将每一辆街景车的单品浏览时长占比记为个性化推荐得分，并根据所有个性化推荐得分从高到低的顺序对历史浏览行为中的所有街景车进行排序。如果用户的点击频次普遍较高，那么将每一辆街景车的点击频次记为个性化推荐得分，并根据所有个性化推荐得分从高到低的顺序对历史浏览行为中的所有街景车进行排序。当用户的浏览时长和点击频次同时涉及时，可以根据这两个因素计算权衡因子，并根据权衡因子对历史浏览行为中的所有街景车进行排序。权衡因子的计算可以根据用户的浏览时长和点击频次的相对重要性来确定。

通过以上步骤，可以获取并排序历史浏览行为中的所有街景车，以反映用户的关注和兴趣偏好。这对于推荐系统和其他基于用户行为的决策场景具有重要意义。

在本申请的其中一些实施例中，在根据所述用户的所述单品浏览时长占比和所述单品历史点击频次，分析所述用户的行为规律时，包括：

预先设定单品浏览时长预设占比A0和长时间浏览数量预设比值B0，将所述历史浏览行为中的所有街景车的数量记为C；其中，0.5＜B0＜1；

将所述单品浏览时长占比记为A，获取所述单品浏览时长占比A大于等于所述单品浏览时长预设占比A0的街景车数量，记为浏览数量C1；

计算所述浏览数量C1与所述历史浏览行为中的所有街景车的数量C的比值Q，将所述比值Q与所述长时间浏览数量预设比值B0进行比对；预先设定单品预设点击频次D0和点击高频次预设数量E0，将所述历史浏览行为中的所有街景车的数量记为C；其中，E0＜C；

将所述历史浏览行为中的每一所述街景车的点击频次记为F，获取所述历史浏览行为中的所有所述点击频次F大于等于所述单品预设点击频次D0的所述街景车的数量，记为G；将数量G与所述点击高频次预设数量E0进行比对；

当Q≥B0，且G＜E0时，判定所述用户的浏览时长普遍较长；

当G≥E0，且Q＜B0时，判定所述用户的点击频次普遍较高；

当Q≥B0，且G≥E0时，判定所述用户的行为规律同时涉及浏览时长和点击频次。

在本申请的其中一些实施例中，当所述用户的行为规律同时涉及浏览时长和点击频次时，根据所述浏览时长和点击频次计算权衡因子，根据所述权衡因子对所述历史浏览行为中的所有街景车进行排序，包括：

每一所述街景车的浏览时长和点击频次获取每一所述街景车对应的权衡因子，计算公式为：

；

按照所有所述权衡因子从大到小的顺序对所述历史浏览行为中的所有街景车进行排序。

可以理解的是，本实施例通过考虑用户的浏览时长和点击频次来计算权衡因子，可以更全面地评估用户对街景车的兴趣程度。浏览时长和点击频次都是反映用户兴趣的重要指标，综合考虑这两个因素可以更准确地预测用户的兴趣和偏好。因此，这种方法可以用于为用户推荐更符合其兴趣的街景车，提高用户体验。

在本申请的其中一些实施例中，获取若干所述历史关键特征的出现频次，根据所述出现频次从大到小的顺序对所述历史关键特征集合中的若干所述历史关键特征进行优先级的排序，获得历史关键特征列表；将所述历史关键特征列表中的历史关键特征应用于初始推荐列表；根据所述历史关键特征的优先级，对初始推荐列表中的街景车的排序进行调整，获得所述个性化推荐列表，包括：

每一所述街景车均包含若干个关键特征；判断所述初始推荐列表中的每一所述街景车的若干个关键特征中是否包含任一所述历史关键特征；

当所述街景车的若干个关键特征中包含所述历史关键特征时，根据所述街景车包含的所述历史关键特征的出现频次对所有包含所述历史关键特征的所述街景车进行排序；当若干所述街景车包含的所述历史关键特征的出现频次相同时，保持若干所述街景车在所述初始推荐列表中的原有排序；

当所述街景车的若干个关键特征中不包含所述历史关键特征时，保持不包含所述历史关键特征的所有所述街景车在所述初始推荐列表中的原有排序；并将所有不包含所述历史关键特征的街景车整体移动至所有包含所述历史关键特征的所述街景车之后，完成对所述初始推荐列表中的街景车的排序进行调整，获得所述个性化推荐列表。

可以理解的是，本实施例首先获取了若干历史关键特征的出现频次。这些历史关键特征是那些在历史数据中频繁出现，对推荐结果有重要影响的特征。然后，根据这些特征的出现频次，从大到小的顺序对它们进行优先级排序，从而获得一个历史关键特征列表。

接下来，将这个历史关键特征列表应用于初始推荐列表。初始推荐列表通常是由算法根据用户的历史行为和偏好生成的推荐列表。将历史关键特征应用于这个列表，是为了更好地反映用户的兴趣和偏好。

然后，根据历史关键特征的优先级，对初始推荐列表中的街景车进行排序调整。具体来说，首先判断每一辆街景车是否包含任一历史关键特征。如果包含，就根据街景车包含的历史关键特征的出现频次进行排序。频次越高，优先级越高。

如果几辆街景车包含的历史关键特征的频次相同，保持它们在初始推荐列表中的原有排序。这样可以保证推荐的多样性，避免因为单一特征的频次相同而导致的排序混乱。

对于那些不包含历史关键特征的街景车，保持它们在初始推荐列表中的原有排序。这样可以保证推荐的全面性，不遗漏那些可能对用户有吸引力的车辆。

最后，将所有不包含历史关键特征的街景车整体移动到所有包含历史关键特征的街景车之后。这样做的目的是为了突出那些与用户兴趣和偏好更匹配的推荐结果，同时保持推荐的全面性。

通过以上步骤，完成了对初始推荐列表中的街景车的排序调整，从而获得一个个性化的推荐列表。这个列表更好地反映了用户的兴趣和偏好，提高了推荐的准确性和满意度。

在本申请的其中一些实施例中，当获取所述用户的实时点击行为，根据实时点击行为调整所述个性化推荐列表时，包括：

当所述用户点击所述个性化推荐列表中的街景车时，按照时间顺序提取所述用户的实时点击行为中的街景车的关键特征信息，获得若干所述关键特征信息；

按照时间先后顺序将若干所述关键特征信息进行排序，获取所述个性化推荐列表中包含所述关键特征信息的街景车，并提升包含所述关键特征信息的街景车在推荐列表中的排序优先级。

可以理解的是，本实施例通过获取用户的实时点击行为来调整个性化推荐列表。具体来说，当用户点击推荐列表中的街景车时，按照时间顺序提取用户的实时点击行为中的街景车的关键特征信息。这些关键特征信息可能包括用户的点击时间、点击位置、点击次数等。通过这种方式，可以获得若干关键特征信息。

接下来，按照时间先后顺序将这些关键特征信息进行排序。这样可以获取推荐列表中包含这些关键特征信息的街景车，并提升这些街景车在推荐列表中的排序优先级。这意味着，如果用户多次点击同一款街景车，那么这款街景车在推荐列表中的排名会逐渐上升，从而更有可能被用户看到和选择。

这种基于实时点击行为的个性化推荐列表调整方法，可以更好地满足用户的需求和喜好。通过提取和分析用户的实时点击行为，可以更准确地了解用户的兴趣和偏好，从而为用户提供更加精准的个性化推荐服务。同时，这种方法还可以提高推荐列表的点击率和转化率，从而提升用户体验和商业价值。

总之，本实施例基于实时点击行为的个性化推荐列表调整方法是一种有效的提高用户体验和商业价值的方法。通过提取和分析用户的实时点击行为，可以更准确地了解用户的兴趣和偏好，从而为用户提供更加精准的个性化推荐服务。

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。

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。

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 (8)

1.一种基于用户分析的个性化推荐方法，其特征在于，包括：

根据街景车推荐购买平台中街景车的销量和点击量生成初始推荐列表；

在用户登录所述街景车推荐购买平台后，获取所述用户的历史行为；

当存在所述历史行为时，根据所述历史行为调整所述初始推荐列表，获得个性化推荐列表，根据所述个性化推荐列表的街景车排列顺序向所述用户进行街景车推荐；

当不存在所述历史行为时，将所述初始推荐列表记为个性化推荐列表，根据所述个性化推荐列表的街景车排列顺序向所述用户进行街景车推荐；

获取所述用户的实时点击行为，根据实时点击行为调整所述个性化推荐列表；

在用户登录所述街景车推荐购买平台后，获取所述用户的历史行为，包括：

所述历史行为包括历史登录行为和历史浏览行为；

在用户登录所述街景车推荐购买平台后，获取所述用户的历史登录行为；当存在所述历史登录行为时，同时获取所述历史浏览行为；

当存在所述历史浏览行为时，判定存在所述历史行为；

当不存在所述历史浏览行为时，判定不存在所述历史行为；

当不存在所述历史登录行为时，判定不存在所述历史行为；

当存在所述历史行为时，根据所述历史行为调整所述初始推荐列表，获得个性化推荐列表，包括：

获取所述历史浏览行为中的所有街景车；获取所述用户对每一所述街景车的浏览时长和点击频次，根据每一所述街景车的浏览时长和点击频次对所述历史浏览行为中的所有街景车进行排序，提取排名前a%的所述街景车的关键特征，记为历史关键特征，建立包含若干所述历史关键特征的历史关键特征集合；

获取若干所述历史关键特征的出现频次，根据所述出现频次从大到小的顺序对所述历史关键特征集合中的若干所述历史关键特征进行优先级的排序，获得历史关键特征列表；将所述历史关键特征列表中的历史关键特征应用于初始推荐列表；根据所述历史关键特征的优先级，对初始推荐列表中的街景车的排序进行调整，获得所述个性化推荐列表。

2.根据权利要求1所述的基于用户分析的个性化推荐方法，其特征在于，根据街景车推荐购买平台中街景车的销量和点击量生成初始推荐列表时，包括：

获取所述街景车推荐购买平台中所有所述街景车的销量，按照所述销量从高到低的顺序生成基础推荐列表；

获取所述基础推荐列表中每一所述街景车的浏览次数，根据所有所述街景车的浏览次数调整所述基础推荐列表中的街景车顺序，获得初始推荐列表。

3.根据权利要求2所述的基于用户分析的个性化推荐方法，其特征在于，在获取所述基础推荐列表中每一所述街景车的浏览次数，根据所有所述街景车的浏览次数调整所述基础推荐列表中的街景车顺序，获得初始推荐列表时，包括：

获取所述基础推荐列表中每一所述街景车的销量和浏览次数，预先设定销量权重和浏览次数权重，根据每一所述街景车的所述销量、浏览次数、销量权重和浏览次数权重计算每一所述街景车的推荐总分，计算公式为：

；

其中，St表示推荐总分，ωs表示所述销量权重，s表示所述销量，ωv表示所述浏览次数权重，v表示所述浏览次数；

根据所述基础推荐列表中的每一所述街景车的推荐总分按照从高到低的顺序，对所述基础推荐列表中的所有所述街景车进行排序，获得初始推荐列表。

4.根据权利要求1所述的基于用户分析的个性化推荐方法，其特征在于，在获取所述历史浏览行为中的所有街景车；获取所述用户对每一所述街景车的浏览时长和点击频次，根据每一所述街景车的浏览时长和点击频次对所述历史浏览行为中的所有街景车进行排序时，包括：

获取所述用户对每一所述街景车的浏览时长，记为单品历史浏览时长，同时获取历史浏览总时长；获取所述用户对每一所述街景车的点击频次，记为单品历史点击频次；

计算所述单品历史浏览时长占所述历史浏览总时长的百分比值，记为单品浏览时长占比；

根据所述用户的所述单品浏览时长占比和所述单品历史点击频次，分析所述用户的行为规律；

当所述用户的浏览时长普遍较长，所述行为规律则为所述用户倾向于浏览时间较长的所述街景车，则将每一所述单品浏览时长占比记为每一所述街景车的个性化推荐得分，根据所有所述个性化推荐得分，按照从高到低的顺序对所述历史浏览行为中的所有街景车进行排序；

当所述用户的点击频次普遍较高，所述行为规律则为所述用户倾向于点击频次较高的所述街景车，则将每一所述点击频次记为每一所述街景车的个性化推荐得分，根据所有所述个性化推荐得分，按照从高到低的顺序对所述历史浏览行为中的所有街景车进行排序；

当所述用户的行为规律同时涉及浏览时长和点击频次时，根据所述浏览时长和点击频次计算权衡因子，根据所述权衡因子对所述历史浏览行为中的所有街景车进行排序。

5.根据权利要求4所述的基于用户分析的个性化推荐方法，其特征在于，在根据所述用户的所述单品浏览时长占比和所述单品历史点击频次，分析所述用户的行为规律时，包括：

预先设定单品浏览时长预设占比A0和长时间浏览数量预设比值B0，将所述历史浏览行为中的所有街景车的数量记为C；其中，0.5＜B0＜1；

将所述单品浏览时长占比记为A，获取所述单品浏览时长占比A大于等于所述单品浏览时长预设占比A0的街景车数量，记为浏览数量C1；

计算所述浏览数量C1与所述历史浏览行为中的所有街景车的数量C的比值Q，将所述比值Q与所述长时间浏览数量预设比值B0进行比对；预先设定单品预设点击频次D0和点击高频次预设数量E0，将所述历史浏览行为中的所有街景车的数量记为C；其中，E0＜C；

将所述历史浏览行为中的每一所述街景车的点击频次记为F，获取所述历史浏览行为中的所有所述点击频次F大于等于所述单品预设点击频次D0的所述街景车的数量，记为G；将数量G与所述点击高频次预设数量E0进行比对；

当Q≥B0，且G＜E0时，判定所述用户的浏览时长普遍较长；

当G≥E0，且Q＜B0时，判定所述用户的点击频次普遍较高；

当Q≥B0，且G≥E0时，判定所述用户的行为规律同时涉及浏览时长和点击频次。

6.根据权利要求4所述的基于用户分析的个性化推荐方法，其特征在于，当所述用户的行为规律同时涉及浏览时长和点击频次时，根据所述浏览时长和点击频次计算权衡因子，根据所述权衡因子对所述历史浏览行为中的所有街景车进行排序，包括：

每一所述街景车的浏览时长和点击频次获取每一所述街景车对应的权衡因子，计算公式为：

；

按照所有所述权衡因子从大到小的顺序对所述历史浏览行为中的所有街景车进行排序。

7.根据权利要求1所述的基于用户分析的个性化推荐方法，其特征在于，获取若干所述历史关键特征的出现频次，根据所述出现频次从大到小的顺序对所述历史关键特征集合中的若干所述历史关键特征进行优先级的排序，获得历史关键特征列表；将所述历史关键特征列表中的历史关键特征应用于初始推荐列表；根据所述历史关键特征的优先级，对初始推荐列表中的街景车的排序进行调整，获得所述个性化推荐列表，包括：

每一所述街景车均包含若干个关键特征；判断所述初始推荐列表中的每一所述街景车的若干个关键特征中是否包含任一所述历史关键特征；

当所述街景车的若干个关键特征中包含所述历史关键特征时，根据所述街景车包含的所述历史关键特征的出现频次对所有包含所述历史关键特征的所述街景车进行排序；当若干所述街景车包含的所述历史关键特征的出现频次相同时，保持若干所述街景车在所述初始推荐列表中的原有排序；

当所述街景车的若干个关键特征中不包含所述历史关键特征时，保持不包含所述历史关键特征的所有所述街景车在所述初始推荐列表中的原有排序；并将所有不包含所述历史关键特征的街景车整体移动至所有包含所述历史关键特征的所述街景车之后，完成对所述初始推荐列表中的街景车的排序进行调整，获得所述个性化推荐列表。

8.根据权利要求1所述的基于用户分析的个性化推荐方法，其特征在于，当获取所述用户的实时点击行为，根据实时点击行为调整所述个性化推荐列表时，包括：

当所述用户点击所述个性化推荐列表中的街景车时，按照时间顺序提取所述用户的实时点击行为中的街景车的关键特征信息，获得若干所述关键特征信息；

按照时间先后顺序将若干所述关键特征信息进行排序，获取所述个性化推荐列表中包含所述关键特征信息的街景车，并提升包含所述关键特征信息的街景车在推荐列表中的排序优先级。