一种购物推荐的方法、系统、装置及存储介质制造方法及图纸

本申请涉及人工智能及智能推荐技术领域，尤其涉及一种购物推荐的方法、系统、装置及存储介质，包括：获取用户相关数据信息；利用所述用户相关数据信息，得到行为特征向量信息；利用行为特征向量信息，构建引擎推荐模型；利用所述引擎推荐模型，生成推荐信息，将所述推荐信息发送给相关用户。通过利用所述引擎推荐模型，生成推荐信息，将所述推荐信息发送给相关用户，帮助实现精准定位客户的购买需求，进行智能推荐。智能推荐。智能推荐。

【技术实现步骤摘要】
一种购物推荐的方法、系统、装置及存储介质


[0001]本申请涉及人工智能及智能推荐
，尤其涉及一种购物推荐的方法、系统、装置及存储介质。

技术介绍

[0002]消费者(用户)在面临大量的信息或者物品时可能无法真正从中获得自己期望或有用的商品。与此同时，生产者的困扰在于如何让自己的商品呈现给更多用户，如何在海量的商品中脱颖而出。目前的购物推荐系统采用的算法是通过用户提交购买需求、结合用户位置、物品类型等来推荐商品,但是这种方法推荐的商品与客户的关联程度较低，无法做到精准定位客户的购买需求，进行智能推荐。
[0003]即现有技术中，目前的购物推荐系统推荐的商品与客户的关联程度较低，法做到精准定位客户的购买需求，进行智能推荐。

技术实现思路

[0004]为至少在一定程度上克服相关技术中目前的购物推荐系统推荐的商品与客户的关联程度较低，法做到精准定位客户的购买需求，进行智能推荐的问题，本申请提供一种购物推荐的方法、系统、装置及存储介质。
[0005]本申请的方案如下：
[0006]第一方面，本申请提供一种购物推荐的方法，所述方法包括：
[0007]获取用户相关数据信息；
[0008]利用所述用户相关数据信息，得到行为特征向量信息；
[0009]利用行为特征向量信息，构建引擎推荐模型；
[0010]利用所述引擎推荐模型，生成推荐信息，将所述推荐信息发送给相关用户。
[0011]进一步地，所述用户相关数据信息，包括：
[0012]用户基本属性信息和用户行为数据信息。
[0013]进一步地，所述利用所述用户相关数据信息，得到行为特征向量信息，包括:
[0014]利用所述相关数据信息，通过行为事件分析法提取用户行为数据信息的行为，得到行为特征向量信息。
[0015]进一步地，所述利用行为特征向量信息，构建引擎推荐模型，包括：
[0016]利用行为特征向量信息，通过协同过滤算法搜索用户感兴趣的内容信息，获取第一感兴趣区域合集；
[0017]利用行为特征向量信息，通过基于内容的推荐算法搜索用户感兴趣的内容信息，获取第二感兴趣区域合集；
[0018]利用所述第一感兴趣区域合集及第二感兴趣区域合集，基于后台设定规则进行组合处理，得到用户的感兴趣区域信息。
[0019]第二方面，本申请提供一种购物推荐的系统，所述系统包括：
[0020]获取模块，用于获取用户相关数据信息；
[0021]特征提取模块，用于利用所述用户相关数据信息，得到行为特征向量信息；
[0022]模型构建模块，用于利用行为特征向量信息，构建引擎推荐模型；
[0023]推荐模块，用于利用所述引擎推荐模型，生成推荐信息，将所述推荐信息发送给相关用户。
[0024]第三方面，本申请提供一种购物推荐的装置，所述装置包括：
[0025]存储器，其上存储有可执行程序；
[0026]处理器，用于执行所述存储器中的所述可执行程序，以实现上述中任一项所述方法的步骤。
[0027]第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行上述中任一项所述方法的步骤。
[0028]本申请提供的技术方案可以包括以下有益效果：
[0029]本申请通过获取用户相关数据信息；利用所述用户相关数据信息，得到行为特征向量信息；利用行为特征向量信息，构建引擎推荐模型；利用所述引擎推荐模型，生成推荐信息，将所述推荐信息发送给相关用户。通过利用所述引擎推荐模型，生成推荐信息，将所述推荐信息发送给相关用户，帮助实现精准定位客户的购买需求，进行智能推荐。
[0030]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
[0031]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0032]图1是本申请一个实施例提供的一种购物推荐的方法流程示意图；
[0033]图2是本申请另一个实施例提供的一种购物推荐的系统组成示意图；
[0034]图3是本申请又一个实施例提供的一种购物推荐的装置组成示意图。
具体实施方式
[0035]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0036]实施例一
[0037]请参阅图1，图1是本申请一个实施例提供的一种购物推荐的方法流程示意图，所述方法包括：
[0038]S1.获取用户相关数据信息；
[0039]S2.利用所述用户相关数据信息，得到行为特征向量信息；
[0040]S3.利用行为特征向量信息，构建引擎推荐模型；
[0041]S4.利用所述引擎推荐模型，生成推荐信息，将所述推荐信息发送给相关用户。
[0042]在一个实施例中，如步骤S1所述，所述获取用户相关数据信息，包括：用户基本属
性信息和用户行为数据信息。
[0043]具体的，如何判断用户是否感兴趣的主要依据是来源于已知的用户数据，本质上是基于数据统计推断。所以这里描述的是可能感兴趣，这一点很重要。而说到用户数据，这里需要提一下方便后续的理解和扩展，用户数据的主要类型：
[0044]用户基本属性：这里主要是用户地理信息，用户社会属性数据(性别、年龄等)等。
[0045]用户行为数据：这里主要是用户的寄件、收件数据等。当然，考虑到人类行为动力学特征研究结果(大多数情况下，人对一件事情的关注只能持续较短的时间)，在此还需要做拆分，即历史行为数据和实时行为数据。
[0046]在一个实施例中，如步骤S2所述，所述利用所述用户相关数据信息，得到行为特征向量信息，包括：
[0047]利用所述相关数据信息，通过行为事件分析法提取用户行为数据信息的行为，得到行为特征向量信息。
[0048]在具体实施时，行为事件分析法主要用于研究某行为事件的发生对产品的影响及影响程度，在申请实施例中，主要用于提取所述用户行为数据信息的行为，对于具体的行为,首先要对其进行定义,将人物(Who)、时间(When)、地点(Where)、交互(How)、交互内容(What)进行聚合,构成一个完整的用户行为事件。
[0049]其中，Who:事件的参与主体，如用户id,设备id等；When:事件发生的时间；Where:事件发生的地点,如通过ip地址解析,GPS获取；How:用户从事行为的方式,如使用的设备、app版本、渠道等；What:用户在事件中所做行为的具体内容,如对于购买行为事件,可能包含购本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种购物推荐的方法，其特征在于，所述方法包括：获取用户相关数据信息；利用所述用户相关数据信息，得到行为特征向量信息；利用行为特征向量信息，构建引擎推荐模型；利用所述引擎推荐模型，生成推荐信息，将所述推荐信息发送给相关用户。2.根据权利要求1所述的方法，其特征在于，所述用户相关数据信息，包括：用户基本属性信息和用户行为数据信息。3.根据权利要求1所述的方法，其特征在于，所述利用所述用户相关数据信息，得到行为特征向量信息，包括:利用所述相关数据信息，通过行为事件分析法提取用户行为数据信息的行为，得到行为特征向量信息。4.根据权利要求1所述的方法，其特征在于，所述利用行为特征向量信息，构建引擎推荐模型，包括：利用行为特征向量信息，通过协同过滤算法搜索用户感兴趣的内容信息，获取第一感兴趣区域合集；利用行为特征向量信息，通过基于内容的推荐算法搜索用户感兴趣的内容信息，获取第二感兴趣区...

【专利技术属性】
技术研发人员：林毕成，
申请(专利权)人：上海中通吉网络技术有限公司，
类型：发明
国别省市：