【技术实现步骤摘要】
本专利技术涉及产品推荐，更具体地说，本专利技术涉及一种预制菜推荐方法和系统。
技术介绍
1、准确推荐预制菜的重要性不容忽视，它直接影响用户的购买决策和满意度，从而对用户留存率和平台的总体销售业绩产生显著影响，个性化推荐系统对于提升预制菜用户满意度和增加预制菜的销售至关重要。
2、在预制菜市场，消费者的偏好和需求极为多样化和动态变化。电商平台在对用户进行预制菜的推荐中，特别是对于经常关注和购买预制菜的用户，传统推荐系统往往依赖静态用户画像和过去的购买历史，难以及时响应用户偏好的快速变化，往往无法有效区分用户的购买频率和探索新产品的意愿，导致推荐的不够精准或多样化，不能对用户准确推荐预制菜。
3、为了解决上述问题，现提供一种技术方案。
技术实现思路
1、为了克服现有技术的上述缺陷，本专利技术的实施例提供一种预制菜推荐方法和系统以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种预制菜推荐方法，包括如下步骤：
4、基于数据库获取预制菜的潜在推荐用户，将潜在推荐用户分为预制菜常购买用户和预制菜不常购买用户；
5、对预制菜常购买用户的意向预制菜进行分析，筛选得到意向预制菜集合，对意向预制菜集合的特征变化程度进行分析，评估预制菜常购买用户的预制菜意向均一性；
6、对预制菜常购买用户搜索结果的再更新情况进行分析，评估预制菜常购买用户的预制菜意向发散程度；
7、基
8、通过分析预制菜常购买用户搜索关键词的熵，评估电商平台预制菜推荐的多样性需求强度；
9、通过对预制菜常购买用户的预制菜意向均一性、预制菜常购买用户的预制菜意向发散程度以及电商平台预制菜推荐的多样性需求强度进行综合分析，调节电商平台推荐预制菜给预制菜常购买用户的类别广泛性。
10、在一个优选的实施方式中，基于数据库获取预制菜的潜在推荐用户，将潜在推荐用户分为预制菜常购买用户和预制菜不常购买用户，具体为：
11、数据库的数据收集包括用户基本信息、交易信息、浏览历史以及产品信息；
12、基于数据库收集的数据构建用于用户分类的特征，用于用户分类的特征包括购买频率、购买偏好、消费水平以及活跃度；
13、根据购买频率给用户打标签，将数据分为训练集和测试集，使用随机森林算法训练模型；
14、将训练好的模型用于用户分类，将潜在推荐用户分为预制菜常购买用户和预制菜不常购买用户。
15、在一个优选的实施方式中，对预制菜常购买用户的意向预制菜进行分析，筛选得到意向预制菜集合，对意向预制菜集合的特征变化程度进行分析，评估预制菜常购买用户的预制菜意向均一性，具体为：
16、s101：根据预制菜常购买用户的历史购买数据和浏览行为，通过识别频繁购买和浏览的预制菜产品建立意向预制菜集合；
17、s102：收集意向预制菜集合的交易记录、用户评价、浏览数据及其他互动数据；
18、s103：对意向预制菜集合内每种意向预制菜提取关键特征，关键特征包括便利性、类别以及同质化程度；
19、s104：对每个关键特征进行标准差计算，根据关键特征的标准差计算结果量化关键特征变化的波动性；
20、s105：对每个关键特征赋予权重，对关键特征的标准差进行加权处理后求和，获得意向预制菜集合的意向综合变化指数，基于意向综合变化指数评估预制菜常购买用户的预制菜意向均一性；
21、意向综合变化指数的计算公式为：；
22、其中，为意向综合变化指数，为关键特征的数量，是关键特征的编号，是第个关键特征的权重，是第个关键特征对应的标准差计算结果。
23、在一个优选的实施方式中，对预制菜常购买用户搜索结果的再更新情况进行分析，评估预制菜常购买用户的预制菜意向发散程度，具体为：
24、将预制菜常购买用户开始搜索关于预制菜至退出电商平台的过程标记为搜索任务；
25、建立搜索任务集合，搜索任务集合包括近期预制菜常购买用户的多个搜索任务；
26、判断搜索任务中是否存在再搜索情况，将搜索任务集合内存在再搜索情况的搜索任务标记为发散搜索任务；
27、将搜索任务集合内发散搜索任务的数量与搜索任务集合内搜索任务的总数量的比值标记为发散搜索比；
28、记录发散搜索任务中预制菜常购买用户进行搜索的总次数；
29、对于发散搜索任务中每次搜索，记录预制菜常购买用户在搜索结果页浏览时间；
30、计算再搜索浏览时间比值；
31、通过对发散搜索任务中的再搜索浏览时间比值分别赋予权重后进行求和，计算得到每个发散搜索任务的搜索意向发散值；
32、对搜索任务集合内所有发散搜索任务的搜索意向发散值进行求和，得到集合搜索意向发散值；
33、将发散搜索比与集合搜索意向发散值进行无量纲化处理，将无量纲化处理后的发散搜索比与集合搜索意向发散值进行加权求和，计算得到搜索意向发散程度指数，其表达式为：
34、；
35、其中，为搜索意向发散程度指数，分别为无量纲化处理后的发散搜索比与集合搜索意向发散值，分别为无量纲化处理后的发散搜索比与集合搜索意向发散值的权重，且均大于0。
36、在一个优选的实施方式中，基于预制菜常购买用户的预制菜意向均一性和预制菜常购买用户的预制菜意向发散程度，评估预制菜常购买用户的用户画像需要被更新的紧迫性程度，并判断是否立即更新用户画像，具体为：
37、当意向综合变化指数小于等于意向综合变化阈值，且搜索意向发散程度指数小于等于搜索意向发散程度阈值时，则判定不立即更新用户画像；否则，则判定立即更新用户画像；
38、判定不立即更新用户画像时，基于预设的更新频率进行用户画像的更新。
39、在一个优选的实施方式中，通过分析预制菜常购买用户搜索关键词的熵，评估电商平台预制菜推荐的多样性需求强度，具体为：
40、s201：收集预设区间内预制菜常购买用户在电商平台上针对预制菜进行的所有搜索查询；搜索查询包括预制菜常购买用户输入的关键词、搜索频次以及搜索日期；
41、s202：提取所有独立的关键词；整理并清洗关键词，去除无意义的填充词；
42、s203：统计每个关键词在所有搜索查询中出现的次数，进而计算每个关键词的出现频率；每个关键词的出现频率计算公式为：；其中，为第个关键词的出现频率，为第个关键词的出现次数，是所有关键词的总出现次数；
43、s204：应用信息熵公式计算得到搜索多样熵评估指数，其表达式为：；是搜索多样熵评估指数，不同关键词的总数。
44、在一个优选的本文档来自技高网...
【技术保护点】
1.一种预制菜推荐方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种预制菜推荐方法，其特征在于，基于数据库获取预制菜的潜在推荐用户，将潜在推荐用户分为预制菜常购买用户和预制菜不常购买用户，具体为：
3.根据权利要求2所述的一种预制菜推荐方法，其特征在于，对预制菜常购买用户的意向预制菜进行分析，筛选得到意向预制菜集合，对意向预制菜集合的特征变化程度进行分析，评估预制菜常购买用户的预制菜意向均一性，具体为：
4.根据权利要求3所述的一种预制菜推荐方法，其特征在于，对预制菜常购买用户搜索结果的再更新情况进行分析，评估预制菜常购买用户的预制菜意向发散程度，具体为：
5.根据权利要求4所述的一种预制菜推荐方法，其特征在于，基于预制菜常购买用户的预制菜意向均一性和预制菜常购买用户的预制菜意向发散程度，评估预制菜常购买用户的用户画像需要被更新的紧迫性程度，并判断是否立即更新用户画像，具体为：
6.根据权利要求5所述的一种预制菜推荐方法，其特征在于，通过分析预制菜常购买用户搜索关键词的熵，评估电商平台预制菜推荐的多样性需求强
7.根据权利要求6所述的一种预制菜推荐方法，其特征在于，通过对预制菜常购买用户的预制菜意向均一性、预制菜常购买用户的预制菜意向发散程度以及电商平台预制菜推荐的多样性需求强度进行综合分析，调节电商平台推荐预制菜给预制菜常购买用户的类别广泛性，具体为：
8.一种预制菜推荐系统，用于实现权利要求1-7任一项所述的一种预制菜推荐方法，其特征在于，包括用户划分模块、意向均一评估模块、意向发散评估模块、画像更新判断模块、推荐多样评估模块以及推荐广泛调节模块；
...【技术特征摘要】
1.一种预制菜推荐方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种预制菜推荐方法，其特征在于，基于数据库获取预制菜的潜在推荐用户，将潜在推荐用户分为预制菜常购买用户和预制菜不常购买用户，具体为：
3.根据权利要求2所述的一种预制菜推荐方法，其特征在于，对预制菜常购买用户的意向预制菜进行分析，筛选得到意向预制菜集合，对意向预制菜集合的特征变化程度进行分析，评估预制菜常购买用户的预制菜意向均一性，具体为：
4.根据权利要求3所述的一种预制菜推荐方法，其特征在于，对预制菜常购买用户搜索结果的再更新情况进行分析，评估预制菜常购买用户的预制菜意向发散程度，具体为：
5.根据权利要求4所述的一种预制菜推荐方法，其特征在于，基于预制菜常购买用户的预制菜意向均一性和预制菜常购买用户的预制...
【专利技术属性】
技术研发人员：刘义，李慧，龚喜洋，许粟，李彬，魏林，陶光灿，李灵秀，毛雨泽，杨秀峰，白福均，龙毛妹，尚毓敏，刘明华，周靖，郭艳红，王成财，任勰珂，王在强，罗雅杰，
申请(专利权)人：贵州食品工程职业学院，
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。