[發明專利]基于用戶動態分類的電商平臺商品推薦方法及系統

在審

• 申請號: 202010566331.7
• 申請日: 2020-06-19
• 公開（公告）號: CN111709812A
• 公開（公告）日: 2020-09-25
• 發明（設計）人: 聞思源;王睿
• 申請（專利權）人: 山東財經大學
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06F16/9535
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 黃海麗

本公開公開了基于用戶動態分類的電商平臺商品推薦方法及系統，包括：獲取待推薦用戶的基礎信息、實時評論數據和實時瀏覽記錄；從獲取的數據中，提取待推薦用戶的興趣特征標簽向量及向量權重；基于待推薦用戶的興趣特征標簽向量及向量權重，對待推薦用戶進行分類，得到待推薦用戶的用戶類別；基于待推薦用戶的用戶類別和預先構建的用戶類別與商品類別對應關系列表，輸出推薦的商品。

技術領域

本公開涉及商品推薦技術領域，特別是涉及基于用戶動態分類的電商平臺商品推薦方法及系統。

背景技術

本部分的陳述僅僅是提到了與本公開相關的背景技術，并不必然構成現有技術。

電商平臺上，商品種類繁多，用戶的行為有搜索、瀏覽、點擊、收藏、購買等，構成了用戶行為日志，不同用戶和物品的日志數據千差萬別，點擊行為的數據量往往遠大于購買行為的數據量，因此，僅僅根據購買和收藏行為并不能準確感知線上顧客的購買意愿，利用商品銷售和顧客注冊、購買行為的多維度數據，基于邏輯分類方法構建顧客和商品匹配的購買意愿分類評估模型是有效利用多樣化日志數據，形成不同種類商品對于不同用戶的購買意愿評估，并由此形成精準商品推薦的必然技術途徑。

為達成精確商品推薦，其本質是構建不同用戶對于不同種類商品購買意愿的定性評估，這是邏輯分類問題，其結果表達為1(推薦)和0(不推薦)。為實現動態商品推薦，需要解決以下主要技術問題：

1.面對海量數據時的實時性處理；

2.時間推移和數據增長所帶來的推薦規則更新；

3.商品和客戶的有效分類及其及時更新；

目前的商品推薦系統中，主要有以下兩種方法：

1.基于內容的推薦(CB，Content-Based Recommendation)。

CB基于內容相關性構建商品模型推薦，利用內容本身的特征進行推薦。將商品相關的類目、品牌、商品屬性、商品標題、商品標簽等相似內容推薦給用戶。內容的推薦是非常基礎的推薦方法，計算的是內容本身的相關程度。CB算法實現起來比較簡單、推薦結果容易被用戶感知、結果可解釋，很容易找到可解釋的相關特征、新商品的推薦實時性好。但CB算法存在無個性化、分析特征，有限對商品相關性考慮不足、用戶行為較少時推薦精度不足等缺點。

2.基于協同過濾的推薦。

基于用戶行為分析的推薦算法是個性化推薦系統的重要算法，一般稱為“協同過濾算法”，有基于用戶的協同過濾、基于商品的協同過濾，也有將兩者全都納入的。協同過濾算法是指通過用戶行為分析，不斷獲取用戶互動信息，是用戶的推薦列表不斷過濾掉自己不感興趣或者不匹配的商品，讓結果不斷提升用戶的滿意度。簡單來說，這種方法不單單只是根據自己的喜愛，而且還引入了“鄰居”的喜好來進行推薦。這樣推薦更加充分，而且可以深入挖掘用戶的潛在的興趣。

基于用戶的協同過濾(User-based CF)：系統通過分析用戶和其他用戶的特征值，找出相近的特征用戶，然后根據特征用戶的喜好商品，從中找到一些商品推薦給該用戶。UseCF方法適合于用戶量較小或者小于商品量的場景，如果用戶量過大在計算用戶間相似度上代價很大。

基于商品的協同過濾(Item-based CF)：由亞馬遜首先提出，通過分析用戶標簽數據和行為數據，判斷出用戶喜好商品的類型，然后從這類喜歡共同類型商品的用戶中挑選一些類似的商品推薦給該用戶。ItemCF方法適用于物品數量少于用戶量的場景，物品數量很多則計算相似度上運力要求很高，同時適合用戶個性化需求比較強、物品豐富的場景。

基于人口統計學的推薦是比較容易實現的推薦算法。該算法僅使用用戶的基本信息，比如年齡、性別等，衡量用戶的相似性，將與當前用戶相似的其他用戶所偏好的物品推薦給當前用戶。

在實現本公開的過程中，發明人發現現有技術中存在以下技術問題：