【技术实现步骤摘要】
本公开涉及商品营销，尤其涉及一种基于消费升级推荐模型进行信息强化学习推荐的方法、系统和电子设备。
技术介绍
1、商业研究表明，获得一个新客的成本大约是留住一个现有客户的5-10倍，所以在如何提升一个品牌的销售额或者复购率的问题上，从客户留存的方向出发比拉新要有效的多。既然要提高留存，就需要锁定盈利客户，使营销支出更有效，并有效引导促进消费升级。
2、如何为商户推荐具有高购买意向的消费者，对现在市场主体所关注的消费者进行商品升级推荐，是传统商户目前所面临的亟需解决问题，旨在进一步优化升级商品推荐方案，为商户推荐更高品质的消费者。
3、现有的商品推荐方案，比如美妆品的推荐方案，主要有：
4、个性化商品推荐：根据消费者的肤质或者消费习惯，推荐适合的商品，比如给干性肤质的消费者推荐保湿型类产品。
5、关联商品推荐：根据消费者的购买商品推荐可以组合或者叠加使用的商品，比如一个消费者购买了粉底，系统可以推荐关联的其他底妆产品，比如定妆散粉、保湿妆前乳等。
6、协同过滤：根据消费者商品偏好进行人群划分，假设有一组消费者在购买和喜好上相似，如果其中一个消费者购买了某种粉底液，系统可以向其他相似消费者推荐这款粉底液。
7、时序推荐：根据消费者的近期/历年同期的行为推荐感兴趣的商品，比如在夏季来临时，系统可以根据消费者以往的购买行为和浏览习惯，向他们推荐清爽的防晒霜和持久性更好的化妆品。
8、由于消费者的消费行为是动态的，而现有的商品推荐方案，在商品的定价及其在市场
技术实现思路
1、为了解决上述问题，本申请提出一种基于消费升级推荐模型进行信息强化学习推荐的方法、系统和电子设备。
2、本申请一方面，提出一种基于消费升级推荐模型进行信息强化学习推荐的方法，用于引导美妆行业会员消费升级，包括如下步骤：
3、获取会员在目标月份的消费数据；
4、将所述消费数据导入预设的自然复购模型中，通过所述自然复购模型对会员在目标月份的购买概率进行评估，输出对应的复购概率；
5、根据所述复购概率，选取在目标月份有购买意向的会员进入预设的商品推荐系统，利用所述商品推荐系统推荐会员感兴趣的商品信息；
6、将所述复购概率导入预设的购买力模型中，通过所述购买力模型选取在目标月份有购买意向的会员，并预测会员当前的购买力等级；
7、将推荐的会员感兴趣的所述商品信息和预测的会员当前的所述购买力等级作为输入，导入预设的消费升级推荐模型，使用强化学习ai算法实现商品升级，输出新的会员推荐商品；
8、引导在目标月份有购买意向的会员，购买新的会员推荐商品，实现消费升级。
9、作为本申请的一可选实施方案，可选地，所述消费升级推荐模型的构建方法，包括如下步骤：
10、获取会员在历史消费的原始数据，并提取数据特征；
11、建立环境模型(environment)，用于模拟真实的消费行为所发生的市场；
12、定义状态空间(state)，状态空间指的是当前environment下所有能够升级的与所述数据特征相对应的消费信息：st；
13、定义动作空间(action)，动作空间指的是agent推荐能够采取的所有动作：at；
14、定义奖励机制(reward)，奖励机制指的是根据消费者的购买行为和商品推荐结果来为每个动作和状态提供的奖励或惩罚：rt，用作模型在每次收到environment后对agent更新的策略；
15、基于强化学习算法(agent)，以状态空间(state)和奖励机制(reward)作为输入、以动作空间(action)作为输出，进行模型训练，生成所述消费升级推荐模型。
16、作为本申请的一可选实施方案，可选地，获取会员在历史消费的原始数据，并提取数据特征，包括：
17、从商品数据库、会员数据库、交易数据库、门店数据库和私域流量数据库中，分别提取会员在历史各个月份的消费数据；
18、对所提取的消费数据进行合并，合并后进行消费特征提取，提取得到：
19、会员关键特征，包括：历史购买偏好、购买力等级、复购概率、消费频次；
20、商品关键特征，包括：定价、稀缺性、类型、历史购买行为、商品偏好。
21、作为本申请的一可选实施方案，可选地，在获取会员在历史消费的原始数据之后，还包括：
22、预设数据验证规则；
23、按照所述数据验证规则，对获取的原始数据进行：
24、数据质量验证，判断所述原始数据中是否存在错误、缺失或者异常的数据值；
25、数据完整性验证，判断所述原始数据中是否涵盖训练所述消费升级推荐模型所需要的所有关键特征和目标变量；
26、数据分布验证，判断所述原始数据是否符合预期的数据分布；
27、当数据质量验证、数据完整性验证和数据分布验证，皆验证通过，则认定数据验证成功。
28、作为本申请的一可选实施方案，可选地，所述强化学习算法(agent)，采用q-learning算法。
29、作为本申请的一可选实施方案，可选地，基于强化学习算法(agent)，以状态空间(state)和奖励机制(reward)作为输入、以动作空间(action)作为输出，进行模型训练，生成所述消费升级推荐模型，包括：
30、定义q值函数，所述q值函数表示在特定状态下采取特定动作的累积奖励预期，表示为：
31、q(s，a)，其中，s是状态，a是动作；
32、初始化q值，为所述q值函数配置初始值，并与环境模型(environment)交互；
33、配置q-learning更新策略，q值的更新函数表示为：
34、qnew(st，at)←(1-α)·q(st，at)+α·(rt+γ·max a q(st+1，a))，
35、其中：α是学习率影响更新步长；γ是折扣因子，用于平衡未来奖励的重要性；a为初始的动作；qnew(st，at)表示在每个时间步t，根据当前状态st、采取的动作at、获得的奖励rt、下一个状态st+本文档来自技高网...
【技术保护点】
1.一种基于消费升级推荐模型进行信息强化学习推荐的方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于消费升级推荐模型进行信息强化学习推荐的方法，其特征在于，所述消费升级推荐模型的构建方法，包括如下步骤：
3.根据权利要求2所述的一种基于消费升级推荐模型进行信息强化学习推荐的方法，其特征在于，获取会员在历史消费的原始数据，并提取数据特征，包括：
4.根据权利要求2所述的一种基于消费升级推荐模型进行信息强化学习推荐的方法，其特征在于，在获取会员在历史消费的原始数据之后，还包括：
5.根据权利要求2所述的一种基于消费升级推荐模型进行信息强化学习推荐的方法，其特征在于，所述强化学习算法，采用Q-learning算法。
6.根据权利要求5所述的一种基于消费升级推荐模型进行信息强化学习推荐的方法，其特征在于，基于强化学习算法，以状态空间和奖励机制作为输入、以动作空间作为输出，进行模型训练，生成所述消费升级推荐模型，包括：
7.一种实现1-6中任一项所述的一种基于消费升级推荐模型进行信息强化学习推荐的方法的
8.一种电子设备，其特征在于，包括：
...【技术特征摘要】
1.一种基于消费升级推荐模型进行信息强化学习推荐的方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于消费升级推荐模型进行信息强化学习推荐的方法，其特征在于，所述消费升级推荐模型的构建方法，包括如下步骤：
3.根据权利要求2所述的一种基于消费升级推荐模型进行信息强化学习推荐的方法，其特征在于，获取会员在历史消费的原始数据，并提取数据特征，包括：
4.根据权利要求2所述的一种基于消费升级推荐模型进行信息强化学习推荐的方法，其特征在于，在获取会员在历史消费的原始数据之后，还包括：
【专利技术属性】
技术研发人员：张进，王安安，周远，姚军勇，苏春园，
申请(专利权)人：杭州观远数据有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。