个性化商品推荐与实时动态调整方法技术

本发明专利技术公开了个性化商品推荐与实时动态调整方法，涉及了电子商务技术领域，获取用户的商品历史购买记录

【技术实现步骤摘要】
个性化商品推荐与实时动态调整方法


[0001]本专利技术涉及电子商务
，具体是个性化商品推荐与实时动态调整方法
。

技术介绍

[0002]随着电子商务的快速发展，越来越多的用户在购物过程中面临着大量商品选择的困扰，传统的商品推荐方法主要基于用户的历史购买记录和兴趣模型，但这些方法存在无法实时适应用户需求的问题，导致推荐效果不佳
。
[0003]如何做到根据用户的需求，分析用户的行为特征构建相应的用户画像，进而做到个性化的商品推荐，并实时监测用户的需求，及时有效的进行所推荐商品的实时动态调整，以便提高推荐的准确度，进而提升用户的购物体验，这些都是我们所需要考虑的问题
。

技术实现思路

[0004]为了解决上述问题，本专利技术的目的在于提供个性化商品推荐与实时动态调整方法
。
[0005]本专利技术的目的可以通过以下技术方案实现：个性化商品推荐与实时动态调整方法，包括以下步骤：
[0006]步骤
S1
：获取用户的商品历史购买记录
、
商品历史浏览记录以及当前实时操作记录，并分别生成相应的历史交易数据集
、
历史交互数据集以及实时数据集；
[0007]步骤
S2
：根据历史交易数据集和历史交互数据集构建用户画像，获取用户关联的自定义关键词，通过自定义关键词扩展用户画像，进而生成个性化推荐模型，筛选出倾向商品；
[0008]步骤
S3
：根据实时数据集定位出若干个实时交互商品，获取若干个实时交互商品之间的内容相似度，进而进行倾向商品重置
。
[0009]进一步的，生成所述历史交易数据集和历史交互数据集的过程包括：
[0010]设置安全数据库和安全监测周期
T
，
T
＝
<T1，
T1`>
，
T1为监测起始时间，
T1`
为监测终止时间；
[0011]所述用户进行对商品的操作进而产生不同的记录信息，所述记录信息包括商品历史购买记录
、
商品历史浏览记录以及当前实时操作记录，将记录信息存储于安全数据库内，并备份记录信息，在
T1时生成一个安全序列，在
T1`
时接收安全序列，判断安全序列是否被篡改，并执行相应操作；
[0012]所述商品历史购买记录包括购买时间
、
购买商品信息以及购买次数；
[0013]所述商品历史浏览记录包括浏览行为和浏览时间；
[0014]将商品历史购买记录和商品历史浏览记录转换为相应的二进制
01
字符串，汇总若干个二进制
01
字符串至新建的文本文件中，所述文本文件包括文本文件
A
和文本文件
B
；
[0015]将根据商品历史购买记录转换的二进制
01
字符串存入文本文件
A
，将根据商品历史浏览记录转换的二进制
01
字符串存入文本文件
B
，汇总若干个文本文件
A
和文本文件
B
，进
而分别生成历史交易数据集和历史交互数据集
。
[0016]进一步的，根据当前实时操作记录生成所述实时数据集的过程包括：
[0017]获取当前实时操作记录，所述当前实时操作记录包括若干个操作项，操作项包括操作行为和操作商品，设置判别程序，判别程序预先录入有操作行为目录和操作商品列表，将若干个操作项输入至判别程序内进行判别：
[0018]当操作项对应的操作行为不属于操作行为目录，或者对应的操作商品不在操作商品列表，则标记相应的操作项为错误信息，并剔除错误信息；
[0019]当操作行为属于操作行为目录，且操作商品在操作商品列表内，标记相应操作项为正确操作项，汇总若干个正确操作项并转换为对应的数据流，进而封装为对应用户的实时数据集
。
[0020]进一步的，构建所述用户画像的过程包括：
[0021]获取历史交易数据集和历史交互数据集，并解构出对应的商品历史购买记录和商品历史浏览记录，设置高纬度特征绘制区间和低纬度特征绘制区间；
[0022]获取购买时间
、
购买商品信息以及购买次数，并分别标记为
D1、D2和
D3，根据
D1和
D3获取购买频率，记为
R
，取
D1对应的购买时间的相邻两次的数值，进而获取购买间隔，记为
S
，则有
R
＝
S/D3；
[0023]根据购买频率
R
和购买商品信息
D2形成用户特征序列一，根据
R
的数值分配相应的特征权重系数一，进而生成商品绘制系数，获取浏览行为和浏览时间，浏览行为包括不同的行为优先级，根据行为优先级分配相应的特征权重系数二，进而生成行为绘制系数一，根据浏览时间分配相应的特征权重系数三，进而生成行为绘制系数二；
[0024]获取同一个浏览行为和浏览时间对应的行为绘制系数一和行为绘制系数二，进而获取行为绘制系数，根据商品绘制系数
、
行为绘制系数与高纬度特征绘制区间以及低纬度特征绘制区间的从属关系，建立笛卡尔坐标系，获取用户坐标集合，进而构建用户画像
。
[0025]进一步的，扩展所述用户画像的过程包括：
[0026]每个用户有对应的自定义关键词，所述自定义关键词包括若干个商品标签，所述商品标签包括“商品价格区间”、“商品关键词”以及“商品模块”；
[0027]所述“商品价格区间”包括“最佳倾向价格区间”、“可接受价格区间”以及“不可接受价格区间”；
[0028]所述“商品关键词”包括“商品名称”、“商品好评度”、“商品关联店铺信息”以及“商品模糊关联词”；
[0029]所述“商品模块”设置为“优先展示模块”、“次优先展示模块”以及“屏蔽模块”；
[0030]将自定义关键词作为用户画像的扩充项，通过扩充项进行用户画像的扩展
。
[0031]进一步的，构建所述个性化推荐模型的过程包括：
[0032]获取用户画像，通过预设的建模语言构建商品推荐模型，所述个性化推荐模型根据不同的建模参数进行构建，所述建模参数包括第一建模参数
、
第二建模参数以及第三建模参数；
[0033]将“商品价格区间”作为第一建模参数，为第一建模参数设置不同价格权重，将“商品关键词”作为第二建模参数，统计第二建模参数所对应的商品搜索文本信息对应的搜索频率，将“商品模块”作为第三建模参数，为第三建模参数设置相应的第一展示系数，第二展
示系数以及第三展示系数，根据第一建模参数
、
第二建模参数以及第三建模参数，将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
个性化商品推荐与实时动态调整方法，其特征在于，包括以下步骤：步骤
S1
：获取用户的商品历史购买记录
、
商品历史浏览记录以及当前实时操作记录，并分别生成相应的历史交易数据集
、
历史交互数据集以及实时数据集；步骤
S2
：根据历史交易数据集和历史交互数据集构建用户画像，获取用户关联的自定义关键词，通过自定义关键词扩展用户画像，进而生成个性化推荐模型，筛选出倾向商品；步骤
S3
：根据实时数据集定位出若干个实时交互商品，获取若干个实时交互商品之间的内容相似度，进而进行倾向商品重置
。2.
根据权利要求1所述的个性化商品推荐与实时动态调整方法，其特征在于，生成所述历史交易数据集和历史交互数据集的过程包括：设置安全数据库和安全监测周期
T
，
T
＝
<T1，
T1`>
，
T1为监测起始时间，
T1`
为监测终止时间；所述用户进行对商品的操作进而产生不同的记录信息，所述记录信息包括商品历史购买记录
、
商品历史浏览记录以及当前实时操作记录，将记录信息存储于安全数据库内，并备份记录信息，在
T1时生成一个安全序列，在
T1`
时接收安全序列，判断安全序列是否被篡改，并执行相应操作；所述商品历史购买记录包括购买时间
、
购买商品信息以及购买次数；所述商品历史浏览记录包括浏览行为和浏览时间；将商品历史购买记录和商品历史浏览记录转换为相应的二进制
01
字符串，汇总若干个二进制
01
字符串至新建的文本文件中，所述文本文件包括文本文件
A
和文本文件
B
；将根据商品历史购买记录转换的二进制
01
字符串存入文本文件
A
，将根据商品历史浏览记录转换的二进制
01
字符串存入文本文件
B
，汇总若干个文本文件
A
和文本文件
B
，进而分别生成历史交易数据集和历史交互数据集
。3.
根据权利要求2所述的个性化商品推荐与实时动态调整方法，其特征在于，根据当前实时操作记录生成所述实时数据集的过程包括：获取当前实时操作记录，所述当前实时操作记录包括若干个操作项，操作项包括操作行为和操作商品，设置判别程序，判别程序预先录入有操作行为目录和操作商品列表，将若干个操作项输入至判别程序内进行判别：当操作项对应的操作行为不属于操作行为目录，或者对应的操作商品不在操作商品列表，则标记相应的操作项为错误信息，并剔除错误信息；当操作行为属于操作行为目录，且操作商品在操作商品列表内，标记相应操作项为正确操作项，汇总若干个正确操作项并转换为对应的数据流，进而封装为对应用户的实时数据集
。4.
根据权利要求3所述的个性化商品推荐与实时动态调整方法，其特征在于，构建所述用户画像的过程包括：获取历史交易数据集和历史交互数据集，并解构出对应的商品历史购买记录和商品历史浏览记录，设置高纬度特征绘制区间和低纬度特征绘制区间；获取购买时间
、
购买商品信息以及购买次数，并分别标记为
D1、D2和
D3，根据
D1和
D3获取购买频率，记为
R
，取
D1对应的购买时间的相邻两次的数值，进而获取购买间隔，记为
S
，则有
R
＝
S/D3；
根据购买频率
R
和购买商品信息
D2形成用户特征序列一，根据
R
的数值分配相应的特征权重系数一，进而生成商品绘制系数，获取浏览行为和浏览时间，浏览行为包括不同的行为优先级，根据行为优先级分配相应的特征权重系数...

【专利技术属性】
技术研发人员：李洋，谢丹，李晓琦，刘贞强，
申请(专利权)人：西安创业天下网络科技有限公司，
类型：发明
国别省市：