本發(fā)明屬于網絡
技術領域：
，尤其涉及購物推薦方法及系統(tǒng)。
背景技術：
：隨著互聯網的發(fā)展，人們正處于一個信息爆炸的時代。相比于過去的信息匱乏，面對現階段海量的信息數據，對信息的篩選和過濾成為了衡量一個系統(tǒng)的好壞。一個具有良好用戶體驗的系統(tǒng)，會將海量信息進行篩選、過濾，將用戶最關注最感興趣的信息展現在用戶面前，這大大增加了系統(tǒng)工作的效率，也節(jié)省了用戶篩選信息的時間。目前的購物推薦系統(tǒng)采用的算法是通過用戶提交購買需求、結合用戶位置、興趣類型、物品類型等來推薦商品，但是這種方法推薦的商品與客戶的關聯程度較低。如何滿足客戶的需求，向他們推薦符合其購買習慣和愛好的商品已經成為當前購物的重要問題之一。技術實現要素：本發(fā)明實施例的目的在于提供購物推薦方法及系統(tǒng)，旨在解決目前系統(tǒng)推薦的商品與客戶的關聯程度較低的問題。本發(fā)明實施例是這樣實現的，一種購物推薦方法，包括：分別獲取用戶定義的商品標簽與系統(tǒng)商品標簽、商家商品標簽的匹配分值；獲取用戶消費能力分值；獲取用戶對商品質量和商家服務的評分分值；將所述匹配分值、用戶消費能力分值和評分分值進行相加得到推薦總分；按照所述推薦總分，生成商品推薦信息并推薦給用戶。本發(fā)明實施例的另一目的在于提供一種購物推薦系統(tǒng)，包括：第一獲取單元，用于分別獲取用戶定義的標簽與系統(tǒng)商品標簽、商家商品標簽的匹配分值；第二獲取單元，用于獲取用戶消費能力分值；第三獲取單元，用于獲取用戶對商品質量和商家服務的評分分值；第一計算單元，用于將所述匹配分值、用戶消費能力分值和評分分值進行相加得到推薦總分；推薦單元，用于按照所述推薦總分，生成商品推薦信息并推薦給用戶。在本發(fā)明實施例中，通過分析用戶信息、商品信息及評分信息確定推薦總分，多方面信息的綜合考慮使得推薦的商品與用戶的關聯程度提高。附圖說明圖1是本發(fā)明實施例提供的購物推薦方法的流程圖；圖2是本發(fā)明實施例提供的購物推薦方法的構建商品庫流程圖；圖3是本發(fā)明實施例提供的購物推薦方法的構建用戶庫流程圖；圖4是本發(fā)明實施例提供的購物推薦方法的構建評分體系流程圖；圖5是本發(fā)明實施例提供的購物推薦系統(tǒng)的結構框圖。具體實施方式為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結合附圖及實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用于解釋本發(fā)明，并不用于限定本發(fā)明。圖1是本發(fā)明實施例提供的購物推薦方法的流程圖。在S101中，分別獲取用戶定義的標簽與系統(tǒng)商品標簽、商家商品標簽的匹配分值。在S101之前還包括，構建商品庫，如圖2所示。S201：配置系統(tǒng)商品標簽；S202：按照所述系統(tǒng)商品標簽對商品進行分類管理；S203：接收商家定義的商品標簽；S204：接收用戶定義的商品標簽；S205：分別預設用戶定義的商品標簽與系統(tǒng)商品標簽、商家商品標簽的匹配分值。所述系統(tǒng)商品標簽包括大類、中類、小類、商品細目等。所述大類包括：體現商品生產和流通領域的行業(yè)分工，如五金類、化工類、食品類、水產類等。所述中類(商品品類)包括：體現具有若干共同性質或特征商品的總稱，如食品類商品又可分為蔬菜和水果、肉和肉制品、乳和乳制品、蛋和蛋制品等。所述小類(商品品種)包括：對中類商品的進一步劃分，體現具體的商品名稱。如酒類商品分為白酒、啤酒、葡萄酒、果酒等。所述商品細目包括：對商品品種的詳盡區(qū)分，包括商品的規(guī)格、花色、等級等，更具體地體現商品的特征，如60°高杯牌五糧液。具體的，表1列出了手機的標簽。表1大類中類小類明細通訊設備數碼產品手機華為Meta8通訊設備數碼產品手機iphone6s所述商家定義的商品標簽，用于明確商家銷售的產品的特點。具體的，所述商家定義的標簽包括：1)商品的基本信息，包括但不限于商品的品類、原產地、價格、制作工藝、原料、商品圖片、服務等。2)商家店面的地址，如商家有實體店，則可填寫詳細地址，系統(tǒng)通過詳細地址，獲取商家實體店的地理位置。3)商家為商品定義標簽。如商家對華為手機Meta8定義標簽。如：商務、6.0英寸、華為、Meta8。用戶也可通過定義標簽，來標明自己感興趣的商品。如：手機、商務、6.0英寸。用戶可通過自已定義的一個或多個標簽，快速篩選出商品。表2列出了用戶定義的標簽與商家定義的標簽匹配度的計算規(guī)則；表3列出了用戶定義的標簽與系統(tǒng)定義的標簽的匹配度計算規(guī)則。表2匹配程度分值精確匹配2模糊匹配0.5匹配不到0表3匹配程度分值精確匹配1模糊匹配0.5匹配不到0在S101之前還包括，構建用戶庫，如圖3所示。S301：配置用戶標簽；S302：按照所述用戶標簽對用戶進行分類管理；S303：構建用戶消費能力模型；S304：根據所述用戶消費能力模型預設用戶消費能力分值。所述用戶標簽包括但不限于用戶的性別、年齡、學歷、職位、所在城市、籍貫、品位、收入水平、婚育情況等以及孩子的年齡、性別等信息。所述用戶標簽還包括用戶消費能力。所述用戶消費能力包括：通過用戶登記信息中提供的信息，如收入水平、歷史消費行為。所述用戶消費能力還包括：用戶的個人征信報告。用戶提供的個人征信報告，針對個人征信評分較高的用戶，系統(tǒng)結合用戶的歷史消費行為也會推薦遠高于自己消費能力范圍的產品。所述用戶消費能力還包括：第三方機構的用戶消費習慣報告數據，如表4所示。表4用戶消費能力級別金額區(qū)間高端用戶6000元以上中高端用戶3000～6000元中端用戶2000～3000元中低端用戶1000～2000元低端用戶1000元以下在S102中，獲取用戶消費能力分值。所述用戶消費能力分值包括：用戶查詢的商品售賣價格是否落在用戶的消0費能力的正態(tài)分布的范圍內，如果落在范圍內則進行加分，反之若未落在范圍內則進行減分。如表5所示。表5商品價格分值1000元以下-56000元以上-31000～2000元12000～3000元33000～6000元5在S103中，獲取用戶對商品質量和商家服務的評分分值。如圖4所示，在S103所述獲取用戶對商品質量和商家服務的評分分值包括：S401：構建用戶對商品質量的評分體系和用戶對商家服務的評分體系；S402：基于用戶對商品質量的評分體系和用戶對商家服務的評分體系，預設用戶對商品質量和商家服務的評分分值。在S101-S103之前還包括：通過協(xié)同過濾推薦算法計算用戶定義的標簽與系統(tǒng)商品標簽、商家商品標簽的預設匹配分值、用戶消費能力預設分值或用戶對商品質量和商家服務的預設評分分值，分別得到各自的分值。具體地，找出與目標用戶u最相似的K個用戶，用集合S(u,K)表示，將S中用戶已標記過該標簽的商品全部提取出來，并去除u已經標記過該標簽的商品。對于每個候選商品i，用戶u對它感興趣的程度用如下公式計算：其中wuv為余弦相似度，用于計算兩個用戶之間的相似度。rvi用戶v對i的喜歡程度，在本發(fā)明實施例中設為1。設N(u)為用戶u喜歡的物品集合，N(v)為用戶v喜歡的物品集合，則u和v的相似度wuv是：假設向用戶A推薦商品，選取K＝3個相似用戶，相似用戶為B、C、D，那么他們已標記過標簽并且A沒有標記過該標簽的商品有：c、e，那么分別計算p(A,c)和p(A,e)：由此可以看出，用戶A對c和e的喜歡程度是一樣的。然后將用戶對該商品的用戶標簽與系統(tǒng)商品標簽的匹配分值、商品質量評分、商家服務質量評分、用戶消費能力評分分值、地理位置計算分值(可選維度)分別代入協(xié)同過濾推薦算法計算得分?？蛇x地，所述地理位置為用戶的地理位置。具體地，按距離用戶當前位置的遠近來計算分值。離用戶越近，分值越大。表6與當前位置的距離分值10公里以上-55～10公里-35～10公里11～5公里31公里以內5表7列出了用戶對商品質量的評分與對應的分值之間的關系，如用戶對商品質量的評價為1顆星，則對應分值-5分；同樣的用戶對商家服務的評分與對應的分值之間的關系與表7一樣。表7星數分值1星-52星-33星14星35星5在S104中，將所述匹配分值、用戶消費能力分值和評分分值進行相加得到推薦總分。在S105中，按照所述推薦總分，生成商品推薦信息并推薦給用戶。所述生成商品推薦信息并推薦給用戶包括：根據商品推薦總分的高低，顯示用戶查詢結果；或者以微信、短信、郵件等方式推送給用戶最前面幾個商品。對應于該發(fā)明實施例提供的一種購物推薦方法，圖5示出了本發(fā)明實施例提供的一種購物推薦系統(tǒng)的結構框圖，為了便于說明，僅示出了與本實施例相關的部分。參照圖5，該系統(tǒng)包括：第一獲取單元51，用于分別獲取用戶定義的標簽與系統(tǒng)商品標簽、商家商品標簽的匹配分值；第二獲取單元52，用于獲取用戶消費能力分值；第三獲取單元53，用于獲取用戶對商品質量和商家服務的評分分值；第一計算單元54，用于將所述匹配分值、用戶消費能力分值和評分分值進行相加得到推薦總分；推薦單元55，用于按照所述推薦總分，生成商品推薦信息并推薦給用戶。所述第一獲取單元51具體用于：配置系統(tǒng)商品標簽；按照所述系統(tǒng)商品標簽對商品進行分類管理；接收商家定義的商品標簽；接收用戶定義的商品標簽；分別預設用戶定義的商品標簽與系統(tǒng)商品標簽、商家商品標簽的匹配分值。所述第二獲取單元52具體用于：配置用戶標簽；按照所述用戶標簽對用戶進行分類管理；構建所述用戶消費能力模型；根據所述用戶消費能力模型預設用戶消費能力分值。所述第三獲取單元53具體用于：構建用戶對商品質量的評分體系和用戶對商家服務的評分體系；基于用戶對商品質量的評分體系和用戶對商家服務的評分體系，預設用戶對商品質量和商家服務的評分分值。所述系統(tǒng)還包括：第二計算單元，用于通過協(xié)同過濾推薦算法計算用戶定義的標簽與系統(tǒng)商品標簽、商家商品標簽的預設匹配分值、用戶消費能力預設分值或用戶對商品質量和商家服務的預設評分分值，分別得到各自的分值。在本發(fā)明實施例中，通過分析用戶信息、商品信息及評分信息確定推薦總分，多方面信息的綜合考慮使得推薦的商品與用戶的關聯程度提高。以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內所作的任何修改、等同替換和改進等，均應包含在本發(fā)明的保護范圍之內。當前第1頁1 2 3