一種基于大數(shù)據(jù)分析的智能推薦方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明提供了一種基于大數(shù)據(jù)分析的智能推薦方法及系統(tǒng)，所述方法包括：步驟101，提取用戶在電商應用或信息平臺的行為數(shù)據(jù)，存儲到大數(shù)據(jù)平臺；步驟102，對存儲在大數(shù)據(jù)平臺的用戶行為數(shù)據(jù)進行分析，根據(jù)預設的維度空間的量化值，查找獲得用戶關注商品的各維度空間的量化值，并且根據(jù)用戶對該維度空間的點擊率，獲得每個量化值對應的權重值；步驟103，根據(jù)用戶關注商品的各維度空間的量化值及每個量化值對應的權重值，與單個商品的數(shù)據(jù)作匹配運算，獲得單個商品推薦指數(shù)。本發(fā)明可以提升推薦數(shù)據(jù)的準確及有效性，提高商品成交可能性，為企業(yè)帶來更多的收益。
【專利說明】
-種基于大數(shù)據(jù)分析的智能推薦方法及系統(tǒng)
技術領域
[0001] 本發(fā)明屬于大數(shù)據(jù)處理技術領域，特別設及一種基于大數(shù)據(jù)分析的智能推薦方法 及系統(tǒng)。
【背景技術】
[0002] 隨著大數(shù)據(jù)時代的來臨，網(wǎng)絡中的信息量呈現(xiàn)指數(shù)式增長，隨之帶來了信息過載 問題。推薦系統(tǒng)是解決信息過載最有效的方式之一，大數(shù)據(jù)推薦系統(tǒng)已經(jīng)逐漸成為信息領 域的研究熱點。
[0003] 基于大數(shù)據(jù)的推薦系統(tǒng)通過研究用戶的歷史信息，得出用戶的興趣偏好，從而可 W向用戶推薦他們現(xiàn)在和將來可能會喜歡的項目。推薦數(shù)據(jù)的有效性、準確性已經(jīng)成為衡 量推薦系統(tǒng)的一個重要指標，如何確保推薦數(shù)據(jù)的準確性，成為技術人員首先要考慮的問 題。
[0004] 目前推薦系統(tǒng)大都應用于電商類的購物網(wǎng)站及網(wǎng)絡信息平臺，作相關商品及目標 對象的推薦。
[0005] 推薦系統(tǒng)通常是通過計算用戶瀏覽、收藏的商品與系統(tǒng)所有商品的相似度。將相 似度較高的商品推薦給用戶。并不是通過大數(shù)據(jù)綜合分析用戶的所有行為，作商品推薦。而 且用戶在實際查找商品過程中，由于每個人對商品要求的側重點不同。有的看重商品的價 格，有的看重商品的品牌，款式，材質(zhì)，產(chǎn)地等。如果只是基于上述運些商品的維度屬性來作 數(shù)據(jù)匹配，推薦數(shù)據(jù)的準確度不高，也無法達到提升轉(zhuǎn)化率，促進商品線上成交量的效果。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明所要解決的技術問題是提供一種基于大數(shù)據(jù)分析的智能推薦方法及系統(tǒng)， 實現(xiàn)更加準確的數(shù)據(jù)推薦，達到提升轉(zhuǎn)化率，促進商品線上成交量的效果。
[0007] 為了解決上述技術問題，本發(fā)明提供了一種基于大數(shù)據(jù)分析的智能推薦方法，所 述方法包括：
[0008] 步驟101，提取用戶在電商應用或信息平臺的行為數(shù)據(jù)，存儲到大數(shù)據(jù)平臺；
[0009] 步驟102,對存儲在大數(shù)據(jù)平臺的用戶行為數(shù)據(jù)進行分析，根據(jù)預設的維度空間的 量化值，查找獲得用戶關注商品的各維度空間的量化值，并且根據(jù)用戶對該維度空間的點 擊率，獲得每個量化值對應的權重值；
[0010] 步驟103,根據(jù)用戶關注商品的各維度空間的量化值及每個量化值對應的權重值， 與單個商品的數(shù)據(jù)作匹配運算，獲得單個商品推薦指數(shù)。
[0011] 可選的，所述方法還包括：
[0012] 步驟104,根據(jù)單個商品推薦指數(shù)生成推薦商品列表。
[OOU] 可選的，
[0014]步驟104具體為，設置推薦指數(shù)闊值，當單個商品的推薦指數(shù)大于所述推薦指數(shù)闊 值，則將所述單個商品加入推薦商品列表。
[0015] 可選的，步驟101中所述行為包括W下行為中的一種或者多種:瀏覽、點擊、收藏、 捜索;步驟103中所述單個商品的數(shù)據(jù)包括:單個商品維度空間量化值。
[0016] 可選的，所述方法還包括：
[0017] 步驟105,統(tǒng)計用戶對推薦商品的點擊率、轉(zhuǎn)化購買率，評估推薦結果的準確性。
[0018] 為了解決上述技術問題，本發(fā)明還提供了一種基于大數(shù)據(jù)分析的智能推薦系統(tǒng)， 所述系統(tǒng)包括：
[0019] 數(shù)據(jù)集成模塊，提取用戶在電商應用或信息平臺的行為數(shù)據(jù)，存儲到大數(shù)據(jù)平臺；
[0020] 大數(shù)據(jù)處理模塊，對存儲在大數(shù)據(jù)平臺的用戶行為數(shù)據(jù)進行分析，根據(jù)預設的維 度空間的量化值，查找獲得用戶關注商品的各維度空間的量化值，并且根據(jù)用戶對該維度 空間的點擊率，獲得每個量化值對應的權重值；
[0021] 推薦引薦模塊，根據(jù)用戶關注商品的各維度空間的量化值及每個量化值對應的權 重值，與單個商品的數(shù)據(jù)作匹配運算，獲得單個商品推薦指數(shù)。
[0022] 可選的，所述推薦引薦模塊，進一步用于根據(jù)單個商品推薦指數(shù)生成推薦商品列 表。
[0023] 可選的，所述推薦引薦模塊，用于設置推薦指數(shù)闊值，當單個商品的推薦指數(shù)大于 所述推薦指數(shù)闊值，則將所述單個商品加入推薦商品列表。
[0024] 可選的，數(shù)據(jù)集成模塊，用于提取的所述行為數(shù)據(jù)包括W下行為中的一種或者多 種:瀏覽、點擊、收藏、捜索;所述推薦引薦模塊，作匹配運算的單個商品的數(shù)據(jù)包括:單個商 品維度空間量化值。
[00巧]可選的，所述系統(tǒng)還包括：
[0026] 推薦效果評估模塊104,用于統(tǒng)計用戶對推薦商品的點擊率、轉(zhuǎn)化購買率，評估推 薦結果的準確性。
[0027] 本發(fā)明基于對用戶在網(wǎng)站上瀏覽，點擊，捜索，收藏W及其它反饋行為留下的日志 數(shù)據(jù)，將運些用戶日志行為數(shù)據(jù)，通過大數(shù)據(jù)技術作分析挖掘處理。對用戶進行畫像(描述 用戶對關注商品屬性各維度要求及其所占權重），并通過多種推薦算法組合使用將用戶畫 像數(shù)據(jù)與商品數(shù)據(jù)作匹配，最終生成與用戶匹配度較高的商品推薦數(shù)據(jù)，提升推薦數(shù)據(jù)的 準確及有效性，提高商品成交可能性，為企業(yè)帶來更多的收益。
【附圖說明】
[0028] 圖1為本發(fā)明智能推薦方法流程圖。
[0029] 圖2為本發(fā)明智能推薦系統(tǒng)功能模塊圖。
【具體實施方式】
[0030] 下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完 整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；?本發(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他 實施例，都屬于本發(fā)明保護的范圍。
[0031] 本發(fā)明的主要思想是通過大數(shù)據(jù)技術，對用戶在網(wǎng)站上瀏覽，點擊，捜索，收藏W 及其它反饋形為留下的日志數(shù)據(jù)，進行分析挖掘處理，對用戶進行畫像(描述用戶對商品各 維度屬性要求及其所占權重），采用加權相似度匹配及其它算法，與商品數(shù)據(jù)進行匹配，得 到相似度較高的推薦數(shù)據(jù)。
[0032] 如果只是基于商品的維度屬性來作數(shù)據(jù)匹配，忽視了屬性權重的重要性，推薦數(shù) 據(jù)的準確度也不高，也無法達到提升轉(zhuǎn)化率，促進商品線上成交量的效果。本發(fā)明通過綜合 分析用戶關注的商品屬性維度信息W及其所占權重，更加全面地分析用戶行為數(shù)據(jù)，從而 提高了推薦數(shù)據(jù)的準確度。
[0033] 首先介紹一下本發(fā)明中需要用到的幾個名詞。
[0034] 商品的維度，是指表征商品屬性的各個方面，W房屋信息平臺為例，表征商品的維 度可W包括:面積、單價、總價、交通條件等；
[0035] 維度空間，是指每個維度的區(qū)間，比如面積區(qū)間為80-100平米，單價區(qū)間為2000- 2500元等；
[0036] 維度空間的量化值，是指為了查找計算方便，而對每個維度空間設置的對應值，比 如量化值7表示面積區(qū)間為80-100平米;量化值6表示單價區(qū)間為2000-2500元等；
[0037] 權重值，用W表征用戶對于商品每個維度空間的關注程度。
[0038] 參照圖1所示，為本發(fā)明智能推薦方法流程圖。所述方法包括W下步驟：
[0039] 步驟101，提取用戶在電商應用或信息平臺（PC網(wǎng)站，APP)的行為數(shù)據(jù)(瀏覽，點擊， 收藏，捜索等），存儲到大數(shù)據(jù)平臺；
[0040] 步驟102,對存儲在大數(shù)據(jù)平臺的用戶行為數(shù)據(jù)進行分析，對用戶進行畫像，具體 為根據(jù)預設的維度空間的量化值，查找獲得用戶關注商品的各維度空間的量化值，并且根 據(jù)用戶對該維度空間的點擊率，獲得每個量化值對應的權重值；
[0041] 步驟103,根據(jù)用戶關注商品的各維度空間的量化值及每個量化值對應的權重值， 與單個商品的數(shù)據(jù)作匹配運算，獲得單個商品推薦指數(shù)。
[0042] 在本發(fā)明的一個優(yōu)選實施例中，所述方法還包括：
[0043] 步驟104,根據(jù)單個商品推薦指數(shù)生成與用戶匹配度較高的推薦商品列表。具體 為，設置一定的推薦指數(shù)闊值，當單個商品的推薦指數(shù)大于所述推薦指數(shù)闊值，則將所述單 個商品加入推薦商品列表；
[0044] 步驟105,統(tǒng)計用戶對推薦商品的點擊率、轉(zhuǎn)化購買率，評估推薦結果的準確性。
[0045] 參照圖2所示，為本發(fā)明智能推薦系統(tǒng)功能模塊圖。為本發(fā)明的推薦系統(tǒng)功能模塊 描述如下：
[0046] 數(shù)據(jù)集成模塊201，用于提取用戶在電商應用或信息平臺（PC網(wǎng)站，APP)的行為數(shù) 據(jù)(瀏覽，點擊，收藏，捜索等），存儲到大數(shù)據(jù)平臺。
[0047] 大數(shù)據(jù)處理模塊202,用于對存儲在大數(shù)據(jù)平臺的用戶行為數(shù)據(jù)進行分析，對用戶 進行畫像，具體為根據(jù)預設的維度空間的量化值，查找獲得用戶關注商品的各維度空間的 量化值，并且根據(jù)用戶對該維度空間的點擊率，獲得每個量化值對應的權重值；
[004引下面舉兩個例子對量化值及權重值進行說明。
[0049] 例一：W房屋信息平臺為例，用戶對房源各維度屬性要求，比如：
[0050] 面積的量化值為7(對應面積區(qū)間80-100平米），權重值為8; (W下所有的權重值表 征用戶對商品的關注程度，根據(jù)點擊率獲得）；
[0051 ]價格的量化值為6(對應價格區(qū)間2000-2500元），權重值為5，
[0052] 交通條件的量化值為8(對應交通便利），權重值為6，
[0053] 例二:針對電商平臺WB2C平臺為例，用戶對服裝類商品各維度屬性要求，比如：
[0054] 價格的量化值為4(對應價格區(qū)間150-200元），權重值為7，
[0055] 品牌的量化值為5(對應中端品牌），權重值為8，
[0化6] 顏色的量化值為4 (對應白色），權重值為6等。
[0057] 推薦引薦模塊203,用于根據(jù)用戶關注商品的各維度空間的量化值及每個量化值 對應的權重值，與單個商品的數(shù)據(jù)作匹配運算，獲得單個商品推薦指數(shù)。
[0058] 在本發(fā)明的一個優(yōu)選實施例中，所述推薦引薦模塊203進一步用于根據(jù)單個商品 推薦指數(shù)生成與用戶匹配度較高的推薦商品列表。具體為，設置一定的推薦指數(shù)闊值，當單 個商品的推薦指數(shù)大于所述推薦指數(shù)闊值，則將所述單個商品加入推薦商品列表。推薦引 薦模塊203主要采用加權相似度匹配算法，采用加權歐式距離算法，對比用戶維度數(shù)據(jù)與商 品維度數(shù)據(jù)，計算數(shù)據(jù)樣本之間的相似度，通過加權充分體現(xiàn)各個屬性的重要性，從而提高 結果的準確性和有效性。
[0化9]算法公式如下：
[0060]
[0061] 設兩個9維向量義1 = ^;11,義12,，，，，義19)和幻=(幻1,幻2,，，，，幻9)，分別表示兩個 對比對象的維度量化值，W為維度權重，它們的歐氏距離越近表示相似度越高，推薦指數(shù)就 越高。
[0062] 算法的計算過程：
[0063] 算法輸入：
[0064] 對比對象I(Xj):用戶關注的某類商品各維度空間（共P個)量化值及對應的權重 值；
[0065] 對比對象2(xi):單個商品維度空間量化值；
[0066] 算法輸出：d(xi，xj)表示兩個對比對象距離值。
[0067] 輸出結果值越小表示兩個對象的相似度越高，推薦指數(shù)就越高。
[0068] 推薦效果評估模塊204,用于通過統(tǒng)計用戶對推薦商品的點擊率、轉(zhuǎn)化購買率，來 評估推薦算法的準確性，將評估結果發(fā)送給推薦引薦模塊203。
[0069] 可W根據(jù)推薦效果評估模塊的評估結果，推薦引薦模塊203不斷優(yōu)化推薦算法，提 升推薦數(shù)據(jù)的準確性。
[0070] 推薦效果評估模塊204主要通過計算推薦商品的轉(zhuǎn)化率來評估推薦數(shù)據(jù)的準確 性，推薦引薦模塊203調(diào)整算法中要求的商品維度權重或者維度值參數(shù)的大小，或者再加入 一些別的推薦算法(如協(xié)同過濾算法)綜合起來作數(shù)據(jù)推薦。運樣反復的調(diào)整，直到能達到 一個滿意的轉(zhuǎn)化率。最終的目的是提升商品在線成交量。
[0071] W上所述的【具體實施方式】，對本發(fā)明的目的、技術方案和有益效果進行了進一步 詳細說明，所應理解的是，W上所述僅為本發(fā)明的【具體實施方式】而已，并不用于限定本發(fā)明 的保護范圍，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進等，均應包含 在本發(fā)明的保護范圍之內(nèi)。
【主權項】
1. 一種基于大數(shù)據(jù)分析的智能推薦方法，其特征在于，所述方法包括： 步驟101，提取用戶在電商應用或信息平臺的行為數(shù)據(jù)，存儲到大數(shù)據(jù)平臺； 步驟102,對存儲在大數(shù)據(jù)平臺的用戶行為數(shù)據(jù)進行分析，根據(jù)預設的維度空間的量化 值，查找獲得用戶關注商品的各維度空間的量化值，并且根據(jù)用戶對該維度空間的點擊率， 獲得每個量化值對應的權重值； 步驟103,根據(jù)用戶關注商品的各維度空間的量化值及每個量化值對應的權重值，與單 個商品的數(shù)據(jù)作匹配運算，獲得單個商品推薦指數(shù)。2. 如權利要求1所述的方法，其特征在于，所述方法還包括： 步驟104,根據(jù)單個商品推薦指數(shù)生成推薦商品列表。3. 如權利要求2所述的方法，其特征在于， 步驟104具體為，設置推薦指數(shù)閾值，當單個商品的推薦指數(shù)大于所述推薦指數(shù)閾值， 則將所述單個商品加入推薦商品列表。4. 如權利要求1所述的方法，其特征在于，步驟101中所述行為包括以下行為中的一種 或者多種:瀏覽、點擊、收藏、搜索;步驟103中所述單個商品的數(shù)據(jù)包括:單個商品維度空間 量化值。5. 如權利要求1所述的方法，其特征在于，所述方法還包括： 步驟105,統(tǒng)計用戶對推薦商品的點擊率、轉(zhuǎn)化購買率，評估推薦結果的準確性。6. -種基于大數(shù)據(jù)分析的智能推薦系統(tǒng)，其特征在于，所述系統(tǒng)包括： 數(shù)據(jù)集成模塊，提取用戶在電商應用或信息平臺的行為數(shù)據(jù)，存儲到大數(shù)據(jù)平臺； 大數(shù)據(jù)處理模塊，對存儲在大數(shù)據(jù)平臺的用戶行為數(shù)據(jù)進行分析，根據(jù)預設的維度空 間的量化值，查找獲得用戶關注商品的各維度空間的量化值，并且根據(jù)用戶對該維度空間 的點擊率，獲得每個量化值對應的權重值； 推薦引薦模塊，根據(jù)用戶關注商品的各維度空間的量化值及每個量化值對應的權重 值，與單個商品的數(shù)據(jù)作匹配運算，獲得單個商品推薦指數(shù)。7. 如權利要求6所述的系統(tǒng)，其特征在于，所述推薦引薦模塊，進一步用于根據(jù)單個商 品推薦指數(shù)生成推薦商品列表。8. 如權利要求7所述的系統(tǒng)，其特征在于，所述推薦引薦模塊，用于設置推薦指數(shù)閾值， 當單個商品的推薦指數(shù)大于所述推薦指數(shù)閾值，則將所述單個商品加入推薦商品列表。9. 如權利要求6所述的系統(tǒng)，其特征在于，數(shù)據(jù)集成模塊，用于提取的所述行為數(shù)據(jù)包 括以下行為中的一種或者多種:瀏覽、點擊、收藏、搜索;所述推薦引薦模塊，作匹配運算的 單個商品的數(shù)據(jù)包括:單個商品維度空間量化值。10. 如權利要求6所述的系統(tǒng)，其特征在于，所述系統(tǒng)還包括： 推薦效果評估模塊，用于統(tǒng)計用戶對推薦商品的點擊率、轉(zhuǎn)化購買率，評估推薦結果的 準確性。
【文檔編號】G06F17/30GK106021337SQ201610300499
【公開日】2016年10月12日
【申請日】2016年5月9日
【發(fā)明人】馬躍
【申請人】房加科技（北京）有限公司