基于用户画像的商品推荐方法及系统与流程

专利2025-06-23  19


本发明涉及数据处理,尤其涉及一种基于用户画像的商品推荐方法及系统。


背景技术:

1、随着对于用户流量的引导和利用的重视程度提高,许多企业开始思考如何有效利用用户在接触产品中产生的流量来进行更有效的商业运营,提高商业盈利,例如用户在购买部分商品前会被引导至特定的网络服务端以留下相应的用户数据,对于这些数据的利用以及后续的商品推荐开始得到重视。现有技术在对这些数据进行利用时,一般仅基于数据算法单独地对这些用户数据进行分析以得到用户的特征,没有考虑到利用这些数据对应的销售设备和网络渠道的数据来进一步构建用户画像来进行商品推荐,因此其对于用户数据的利用率以及后续的商品推荐效果较差。可见,现有技术存在缺陷,亟待解决。


技术实现思路

1、本发明所要解决的技术问题在于,提供一种基于用户画像的商品推荐方法及系统,能够充分考虑销售设备和网络渠道的数据来提高用户画像的准确性,实现更加智能和合理的用户画像构建和用户商品推荐,提高推荐效果。

2、为了解决上述技术问题,本发明第一方面公开了一种基于用户画像的商品推荐方法,所述方法包括:

3、通过多个销售设备的多个网络渠道收集目标用户的多个用户信息和对应的设备数据和渠道数据;

4、根据所述多个用户信息,基于预设的画像算法,确定所述目标用户的用户画像特征;

5、根据所述设备数据和所述渠道数据,对所述用户画像特征进行校正,得到校正后画像特征;

6、根据所述校正后画像特征,从多个候选商品中筛选出目标推荐商品以推荐给所述目标用户。

7、作为一个可选的实施方式,在本发明第一方面中,所述设备数据包括设备参数和用户操作数据;所述设备参数包括设备位置参数、设备性能参数、设备电量参数和设备部件状况参数;所述用户操作数据包括用户在所述销售设备进行多次物理操作的操作序列数据;所述渠道数据包括网址数据和访问时操作数据;所述访问时操作数据包括用户通过终端设备访问所述网络渠道时的页面操作数据。

8、作为一个可选的实施方式,在本发明第一方面中,所述根据所述多个用户信息,基于预设的画像算法,确定所述目标用户的用户画像特征,包括:

9、计算所述多个用户信息的交集,得到用户统一特征集合;所述用户信息包括有用户名、用户生理参数、用户位置和用户设备型号;

10、将所述用户统一特征集合分别输入至训练好的商品类别偏好预测神经网络、商品购买数量预测神经网络和商品购买方式预测神经网络,以得到所述目标用户的商品类别偏好预测结果、商品购买数量预测结果和商品购买方式预测结果;

11、将所述目标用户的商品类别偏好预测结果、商品购买数量预测结果和商品购买方式预测结果,确定为所述目标用户的用户画像特征。

12、作为一个可选的实施方式,在本发明第一方面中,所述根据所述设备数据和所述渠道数据,对所述用户画像特征进行校正,得到校正后画像特征,包括:

13、将所述设备数据和所述渠道数据作为预测数据,将所述预测数据分别输入至所述商品类别偏好预测神经网络、所述商品购买数量预测神经网络和所述商品购买方式预测神经网络,以得到对应的修正类别偏好预测结果、修正数量预测结果和修正购买方式预测结果;所述商品类别偏好预测结果和所述修正类别偏好预测结果中均包括有多种商品类别对应的偏好预测概率;所述商品购买方式预测结果和所述修正购买方式预测结果中均包括有多种购买方式对应的预测概率;所述商品类别偏好预测神经网络、所述商品购买数量预测神经网络和所述商品购买方式预测神经网络均是通过包括有多个训练用户特征以及对应的设备数据标注和渠道数据标注和预测目标标注的训练数据集训练得到;所述预测目标标注为商品类别偏好标注、商品购买数量标注或商品购买方式标注;

14、根据所述修正类别偏好预测结果、修正数量预测结果和修正购买方式预测结果,对所述商品类别偏好预测结果、商品购买数量预测结果和商品购买方式预测结果进行校正,得到所述目标用户的校正后画像特征。

15、作为一个可选的实施方式,在本发明第一方面中,所述根据所述修正类别偏好预测结果、修正数量预测结果和修正购买方式预测结果,对所述商品类别偏好预测结果、商品购买数量预测结果和商品购买方式预测结果进行校正,得到所述目标用户的校正后画像特征,包括:

16、对于任一所述商品类别,判断该商品类别对应的在所述商品类别偏好预测结果中的第一偏好预测概率是否大于第一概率阈值且在所述修正类别偏好预测结果中的第二偏好预测概率小于第二概率阈值,得到第一判断结果;

17、若所述第一判断结果为否,计算所述第一偏好预测概率和所述第二偏好预测概率的平均值,得到该商品类别的预测概率;

18、若所述第一判断结果为是,判断该商品类别在预设的商品关系中属于矛盾关系的多个其他商品类别在所述修正类别偏好预测结果中的偏好预测概率的平均值是否大于第三概率阈值,得到第二判断结果;

19、若所述第二判断结果为是,将所述第二偏好预测概率确定为该商品类别的预测概率;

20、若所述第二判断结果为否,计算所述第一偏好预测概率和所述第二偏好预测概率的加权求和平均值,得到该商品类别的预测概率;其中,所述第一偏好预测概率的第一权重大于所述第二偏好预测概率的第二权重;所述第一权重和所述用户统一特征集合的数据量大小成正比;所述第二权重和所述预测数据的数据量大小成正比;

21、将所有所述商品类别的预测概率确定为所述目标用户的商品类别偏好参数;

22、对于任一所述购买方式,判断该购买方式对应的在所述商品购买方式预测结果中的第一预测概率是否大于第三概率阈值且在所述修正购买方式预测结果中的第二预测概率小于第四概率阈值,得到第三判断结果;

23、若所述第三判断结果为否,计算所述第一预测概率和所述第二预测概率的平均值,得到该购买方式的预测概率;

24、若所述第三判断结果为是,判断该购买方式在预设的购买方式关系中属于低兼容可能关系的多个其他购买方式在所述修正购买方式预测结果中的预测概率的平均值是否大于第四概率阈值,得到第四判断结果;

25、若所述第四判断结果为是,将所述第二预测概率确定为该购买方式的预测概率;

26、若所述第四判断结果为否,计算所述第一预测概率和所述第二预测概率的加权求和平均值,得到该购买方式的预测概率;其中,所述第一预测概率的第三权重大于所述第二预测概率的第四权重;所述第三权重和所述用户统一特征集合的数据量大小成正比;所述第四权重和所述预测数据的数据量大小成正比;

27、将所有所述购买方式的预测概率确定为所述目标用户的商品购买方式参数;

28、计算所述修正数量预测结果和所述商品购买数量预测结果的加权求和平均值,得到所述目标用户的商品购买数量参数;

29、将所述商品类别偏好参数、所述商品购买方式参数和所述商品购买数量参数,确定为所述目标用户的校正后画像特征。

30、作为一个可选的实施方式,在本发明第一方面中,所述计算所述修正数量预测结果和所述商品购买数量预测结果的加权求和平均值,得到所述目标用户的商品购买数量参数,包括:

31、计算所有所述商品类别中所述第一判断结果和所述第二判断结果均为是的商品类别的数量占总商品类别数量的第一比值;

32、计算所有所述购买方式中所述第三判断结果和所述第四判断结果均为是的购买方式的数量占总购买方式数量的第二比值;

33、计算所述第一比值和所述第二比值的第一乘积,并计算与所述第一乘积成正比的第五权重;

34、计算所述修正数量预测结果和所述第五权重的第二乘积;

35、计算所述商品购买数量预测结果和所述第二乘积的和,得到所述目标用户的商品购买数量参数。

36、作为一个可选的实施方式,在本发明第一方面中,所述根据所述校正后画像特征,从多个候选商品中筛选出目标推荐商品以推荐给所述目标用户,包括:

37、对于每一候选商品,获取该候选商品的商品信息;所述商品信息包括商品类别、商品历史单次平均销量和商品可购买方式;

38、计算所述商品信息和所述校正后画像特征之间的匹配度;

39、将所有所述匹配度大于预设的匹配度阈值的所述候选商品确定为目标推荐商品,以推荐给所述目标用户。

40、作为一个可选的实施方式,在本发明第一方面中,所述计算所述商品信息和所述校正后画像特征之间的匹配度,包括:

41、确定该候选商品的商品类别在所述商品类别偏好参数中的预测概率;

42、计算所述商品历史单次平均销量和所述商品购买数量参数之间的数量差值的倒数;

43、计算所述商品可购买方式中的每一购买方式在所述商品购买方式参数中的预测概率的概率平均值;

44、计算所述预测概率、所述倒数和所述概率平均值的加权求和值,得到所述商品信息和所述校正后画像特征之间的匹配度;其中,所述预测概率、所述概率平均值和所述倒数对应的计算权重依次减小。

45、本发明实施例第二方面公开了一种基于用户画像的商品推荐系统,所述系统包括:

46、收集模块,用于通过多个销售设备的多个网络渠道收集目标用户的多个用户信息和对应的设备数据和渠道数据;

47、确定模块,用于根据所述多个用户信息,基于预设的画像算法,确定所述目标用户的用户画像特征;

48、校正模块,用于根据所述设备数据和所述渠道数据,对所述用户画像特征进行校正,得到校正后画像特征;

49、推荐模块,用于根据所述校正后画像特征,从多个候选商品中筛选出目标推荐商品以推荐给所述目标用户。

50、作为一个可选的实施方式,在本发明第二方面中,所述设备数据包括设备参数和用户操作数据;所述设备参数包括设备位置参数、设备性能参数、设备电量参数和设备部件状况参数;所述用户操作数据包括用户在所述销售设备进行多次物理操作的操作序列数据;所述渠道数据包括网址数据和访问时操作数据;所述访问时操作数据包括用户通过终端设备访问所述网络渠道时的页面操作数据。

51、作为一个可选的实施方式,在本发明第二方面中,所述确定模块根据所述多个用户信息,基于预设的画像算法,确定所述目标用户的用户画像特征的具体方式,包括:

52、计算所述多个用户信息的交集,得到用户统一特征集合;所述用户信息包括有用户名、用户生理参数、用户位置和用户设备型号;

53、将所述用户统一特征集合分别输入至训练好的商品类别偏好预测神经网络、商品购买数量预测神经网络和商品购买方式预测神经网络,以得到所述目标用户的商品类别偏好预测结果、商品购买数量预测结果和商品购买方式预测结果;

54、将所述目标用户的商品类别偏好预测结果、商品购买数量预测结果和商品购买方式预测结果,确定为所述目标用户的用户画像特征。

55、作为一个可选的实施方式,在本发明第二方面中,所述校正模块根据所述设备数据和所述渠道数据,对所述用户画像特征进行校正,得到校正后画像特征的具体方式,包括:

56、将所述设备数据和所述渠道数据作为预测数据,将所述预测数据分别输入至所述商品类别偏好预测神经网络、所述商品购买数量预测神经网络和所述商品购买方式预测神经网络,以得到对应的修正类别偏好预测结果、修正数量预测结果和修正购买方式预测结果;所述商品类别偏好预测结果和所述修正类别偏好预测结果中均包括有多种商品类别对应的偏好预测概率;所述商品购买方式预测结果和所述修正购买方式预测结果中均包括有多种购买方式对应的预测概率;所述商品类别偏好预测神经网络、所述商品购买数量预测神经网络和所述商品购买方式预测神经网络均是通过包括有多个训练用户特征以及对应的设备数据标注和渠道数据标注和预测目标标注的训练数据集训练得到;所述预测目标标注为商品类别偏好标注、商品购买数量标注或商品购买方式标注;

57、根据所述修正类别偏好预测结果、修正数量预测结果和修正购买方式预测结果,对所述商品类别偏好预测结果、商品购买数量预测结果和商品购买方式预测结果进行校正,得到所述目标用户的校正后画像特征。

58、作为一个可选的实施方式,在本发明第二方面中,所述校正模块根据所述修正类别偏好预测结果、修正数量预测结果和修正购买方式预测结果,对所述商品类别偏好预测结果、商品购买数量预测结果和商品购买方式预测结果进行校正,得到所述目标用户的校正后画像特征的具体方式,包括:

59、对于任一所述商品类别,判断该商品类别对应的在所述商品类别偏好预测结果中的第一偏好预测概率是否大于第一概率阈值且在所述修正类别偏好预测结果中的第二偏好预测概率小于第二概率阈值,得到第一判断结果;

60、若所述第一判断结果为否,计算所述第一偏好预测概率和所述第二偏好预测概率的平均值,得到该商品类别的预测概率;

61、若所述第一判断结果为是,判断该商品类别在预设的商品关系中属于矛盾关系的多个其他商品类别在所述修正类别偏好预测结果中的偏好预测概率的平均值是否大于第三概率阈值,得到第二判断结果;

62、若所述第二判断结果为是,将所述第二偏好预测概率确定为该商品类别的预测概率;

63、若所述第二判断结果为否,计算所述第一偏好预测概率和所述第二偏好预测概率的加权求和平均值,得到该商品类别的预测概率;其中,所述第一偏好预测概率的第一权重大于所述第二偏好预测概率的第二权重;所述第一权重和所述用户统一特征集合的数据量大小成正比;所述第二权重和所述预测数据的数据量大小成正比;

64、将所有所述商品类别的预测概率确定为所述目标用户的商品类别偏好参数;

65、对于任一所述购买方式,判断该购买方式对应的在所述商品购买方式预测结果中的第一预测概率是否大于第三概率阈值且在所述修正购买方式预测结果中的第二预测概率小于第四概率阈值,得到第三判断结果;

66、若所述第三判断结果为否,计算所述第一预测概率和所述第二预测概率的平均值,得到该购买方式的预测概率;

67、若所述第三判断结果为是,判断该购买方式在预设的购买方式关系中属于低兼容可能关系的多个其他购买方式在所述修正购买方式预测结果中的预测概率的平均值是否大于第四概率阈值,得到第四判断结果;

68、若所述第四判断结果为是,将所述第二预测概率确定为该购买方式的预测概率;

69、若所述第四判断结果为否,计算所述第一预测概率和所述第二预测概率的加权求和平均值,得到该购买方式的预测概率;其中,所述第一预测概率的第三权重大于所述第二预测概率的第四权重;所述第三权重和所述用户统一特征集合的数据量大小成正比;所述第四权重和所述预测数据的数据量大小成正比;

70、将所有所述购买方式的预测概率确定为所述目标用户的商品购买方式参数;

71、计算所述修正数量预测结果和所述商品购买数量预测结果的加权求和平均值,得到所述目标用户的商品购买数量参数;

72、将所述商品类别偏好参数、所述商品购买方式参数和所述商品购买数量参数,确定为所述目标用户的校正后画像特征。

73、作为一个可选的实施方式,在本发明第二方面中,所述校正模块计算所述修正数量预测结果和所述商品购买数量预测结果的加权求和平均值,得到所述目标用户的商品购买数量参数的具体方式,包括:

74、计算所有所述商品类别中所述第一判断结果和所述第二判断结果均为是的商品类别的数量占总商品类别数量的第一比值;

75、计算所有所述购买方式中所述第三判断结果和所述第四判断结果均为是的购买方式的数量占总购买方式数量的第二比值;

76、计算所述第一比值和所述第二比值的第一乘积,并计算与所述第一乘积成正比的第五权重;

77、计算所述修正数量预测结果和所述第五权重的第二乘积;

78、计算所述商品购买数量预测结果和所述第二乘积的和,得到所述目标用户的商品购买数量参数。

79、作为一个可选的实施方式,在本发明第二方面中,所述推荐模块根据所述校正后画像特征,从多个候选商品中筛选出目标推荐商品以推荐给所述目标用户的具体方式,包括:

80、对于每一候选商品,获取该候选商品的商品信息;所述商品信息包括商品类别、商品历史单次平均销量和商品可购买方式;

81、计算所述商品信息和所述校正后画像特征之间的匹配度;

82、将所有所述匹配度大于预设的匹配度阈值的所述候选商品确定为目标推荐商品,以推荐给所述目标用户。

83、作为一个可选的实施方式,在本发明第二方面中,所述推荐模块计算所述商品信息和所述校正后画像特征之间的匹配度的具体方式,包括:

84、确定该候选商品的商品类别在所述商品类别偏好参数中的预测概率;

85、计算所述商品历史单次平均销量和所述商品购买数量参数之间的数量差值的倒数;

86、计算所述商品可购买方式中的每一购买方式在所述商品购买方式参数中的预测概率的概率平均值;

87、计算所述预测概率、所述倒数和所述概率平均值的加权求和值,得到所述商品信息和所述校正后画像特征之间的匹配度;其中,所述预测概率、所述概率平均值和所述倒数对应的计算权重依次减小。

88、本发明第三方面公开了另一种基于用户画像的商品推荐系统,所述系统包括:

89、存储有可执行程序代码的存储器;

90、与所述存储器耦合的处理器;

91、所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于用户画像的商品推荐方法中的部分或全部步骤。

92、本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第一方面公开的基于用户画像的商品推荐方法中的部分或全部步骤。

93、与现有技术相比,本发明实施例具有以下有益效果:

94、本发明能够基于通过多个销售设备的多个网络渠道获取的数据来确定以及校正用户的画像特征,以得到更加准确的用户画像,并基于此实现更加精准的商品推荐,从而能够充分考虑销售设备和网络渠道的数据来提高用户画像的准确性,实现更加智能和合理的用户画像构建和用户商品推荐,提高推荐效果。


技术特征:

1.一种基于用户画像的商品推荐方法,其特征在于,所述方法包括:

2.根据权利要求1所述的基于用户画像的商品推荐方法,其特征在于,所述设备数据包括设备参数和用户操作数据;所述设备参数包括设备位置参数、设备性能参数、设备电量参数和设备部件状况参数;所述用户操作数据包括用户在所述销售设备进行多次物理操作的操作序列数据;所述渠道数据包括网址数据和访问时操作数据;所述访问时操作数据包括用户通过终端设备访问所述网络渠道时的页面操作数据。

3.根据权利要求1所述的基于用户画像的商品推荐方法,其特征在于,所述根据所述多个用户信息,基于预设的画像算法,确定所述目标用户的用户画像特征,包括:

4.根据权利要求3所述的基于用户画像的商品推荐方法,其特征在于,所述根据所述设备数据和所述渠道数据,对所述用户画像特征进行校正,得到校正后画像特征,包括:

5.根据权利要求4所述的基于用户画像的商品推荐方法,其特征在于,所述根据所述修正类别偏好预测结果、修正数量预测结果和修正购买方式预测结果,对所述商品类别偏好预测结果、商品购买数量预测结果和商品购买方式预测结果进行校正,得到所述目标用户的校正后画像特征,包括:

6.根据权利要求5所述的基于用户画像的商品推荐方法,其特征在于,所述计算所述修正数量预测结果和所述商品购买数量预测结果的加权求和平均值,得到所述目标用户的商品购买数量参数,包括:

7.根据权利要求5所述的基于用户画像的商品推荐方法,其特征在于,所述根据所述校正后画像特征,从多个候选商品中筛选出目标推荐商品以推荐给所述目标用户,包括:

8.根据权利要求7所述的基于用户画像的商品推荐方法,其特征在于,所述计算所述商品信息和所述校正后画像特征之间的匹配度,包括:

9.一种基于用户画像的商品推荐系统,其特征在于,所述系统包括:

10.一种基于用户画像的商品推荐系统,其特征在于,所述系统包括:


技术总结
本发明公开了一种基于用户画像的商品推荐方法及系统,该方法包括:通过多个销售设备的多个网络渠道收集目标用户的多个用户信息和对应的设备数据和渠道数据;根据所述多个用户信息,基于预设的画像算法,确定所述目标用户的用户画像特征;根据所述设备数据和所述渠道数据,对所述用户画像特征进行校正,得到校正后画像特征;根据所述校正后画像特征,从多个候选商品中筛选出目标推荐商品以推荐给所述目标用户。可见,本发明能够充分考虑销售设备和网络渠道的数据来提高用户画像的准确性,实现更加智能和合理的用户画像构建和用户商品推荐,提高推荐效果。

技术研发人员:廖宇星
受保护的技术使用者:厦门麻花科技有限公司
技术研发日:
技术公布日:2024/6/26
转载请注明原文地址:https://doc.8miu.com/read-1821716.html

最新回复(0)