一种基于大数据进行购物推荐的方法和设备与流程

本发明涉及数据处理领域，特别涉及一种基于大数据进行购物推荐的方法和设备。

背景技术：

现在随着网络购物的发展，人们越来越倾向于在网络上进行购物，但是，卖家以及商品的丰富程度太高了，导致目前的网购方式中用户输入关键词后，得到的结果太多，而用户想要找到自己想要的商品，还是需要经过自己人工的方式进行大量的筛选才能得到，以此造成了时间上以及精力上的浪费，进而导致用户体验不好。

为此，目前需要一种更精准给用户购物推荐的方式。

技术实现要素：

针对现有技术中的缺陷，本发明提出了一种基于大数据进行购物推荐的方法和设备，实现了对用户的精准购物推荐。

具体的，本发明提出了以下具体的实施例：

本发明实施例提出了一种基于大数据进行购物推荐的方法，包括：

获取用户所输入的搜索关键词；

确定所述搜索关键词对应的商品信息；

从所述用户的大数据中确定与所述用户存在人际关系的其他用户；其中，与所述用户的人际关系越近的其他用户，所对应的影响权重越大；

基于各所述其他用户的购买记录和影响权重对所述商品信息进行筛选，以确定待推荐商品信息；

将所述待推荐商品信息推荐给所述用户。

在一个具体的实施例中，若所述推荐商品信息的数量超过预设值；所述商品信息中包括商家的信息；该方法还包括：

获取各所述推荐商品信息的商家的发货位置以及信誉信息；

基于所述商家的发货位置与所述用户对应的地址的远近对所述商家设置位置权重；

基于所述信誉信息从高到地对所述商家进行排序，以生成信誉序列；

从所述信誉序列中筛选预设个数的商家；

对筛选出的商家按照位置权重从高到低生成推荐序列；

所述将所述待推荐商品信息推荐给所述用户，包括：

将所述推荐序列所包括的待推荐商品信息按照所述位置权重的高低顺序推荐给所述用户。

在一个具体的实施例中，将所述待推荐商品信息推荐给所述用户之后，该方法还包括：

获取所述用户的历史购买记录；

基于所述历史购买记录中的商品确定所述待推荐商品信息中商品的购买记录；

基于所述购买记录对所购买的商品对应的其他用户的影响权重进行调整；其中，购买记录中商品的购买数量越多，调整后所购买的商品对应的其他用户的影响权重越大。

在一个具体的实施例中，该方法还包括：

获取所述用户的购买记录；

判断所述商品信息中是否存在有商品与所述购买记录中的商品一致；

若判断结果为是，则将所述购买记录中的商品设置为待推荐商品信息。

在一个具体的实施例中，所述待推荐商品信息中包括链接；

所述“将所述待推荐商品信息推荐给所述用户”，包括：

提取所述待推荐商品信息中的链接；

将所述链接推送给所述用户。

本发明实施例还提出了一种基于大数据进行购物推荐的设备，包括：

获取模块，用于获取用户所输入的搜索关键词；

第一确定模块，用于确定所述搜索关键词对应的商品信息；

第二确定模块，用于从所述用户的大数据中确定与所述用户存在人际关系的其他用户；其中，与所述用户的人际关系越近的其他用户，所对应的影响权重越大；

第三确定模块，用于基于各所述其他用户的购买记录和影响权重对所述商品信息进行筛选，以确定待推荐商品信息；

推荐模块，用于将所述待推荐商品信息推荐给所述用户。

在一个具体的实施例中，该设备还包括：

排序模块，用于当所述推荐商品信息的数量超过预设值时，获取各所述推荐商品信息的商家的发货位置以及信誉信息；所述商品信息中包括商家的信息；

基于所述商家的发货位置与所述用户对应的地址的远近对所述商家设置位置权重；

基于所述信誉信息从高到地对所述商家进行排序，以生成信誉序列；

从所述信誉序列中筛选预设个数的商家；

对筛选出的商家按照位置权重从高到低生成推荐序列；

所述推荐模块，用于：

将所述推荐序列所包括的待推荐商品信息按照所述位置权重的高低顺序推荐给所述用户。

在一个具体的实施例中，该设备还包括：调整模块，用于：将所述待推荐商品信息推荐给所述用户之后，获取所述用户的历史购买记录；

基于所述历史购买记录中的商品确定所述待推荐商品信息中商品的购买记录；

基于所述购买记录对所购买的商品对应的其他用户的影响权重进行调整；其中，购买记录中商品的购买数量越多，调整后所购买的商品对应的其他用户的影响权重越大。

在一个具体的实施例中，所述推荐模块，还用于：

获取所述用户的购买记录；

判断所述商品信息中是否存在有商品与所述购买记录中的商品一致；

若判断结果为是，则将所述购买记录中的商品设置为待推荐商品信息。

在一个具体的实施例中，所述待推荐商品信息中包括链接；

所述推荐模块，用于：

提取所述待推荐商品信息中的链接；

将所述链接推送给所述用户。

以此，本发明实施例提出了一种基于大数据进行购物推荐的方法和设备，其中该方法包括：获取用户所输入的搜索关键词；确定所述搜索关键词对应的商品信息；从所述用户的大数据中确定与所述用户存在人际关系的其他用户；其中，与所述用户的人际关系越近的其他用户，所对应的影响权重越大；基于各所述其他用户的购买记录和影响权重对所述商品信息进行筛选，以确定待推荐商品信息；将所述待推荐商品信息推荐给所述用户。以此通过考虑人际关系的影响来对用户进行购物推荐，实现了对用户的精准购物推荐，减少了用户筛选的工作量，提高了用户的购物体验。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例提出的一种基于大数据进行购物推荐的方法的流程示意图；

图2为本发明实施例提出的一种基于大数据进行购物推荐的设备的结构示意图；

图3为本发明实施例提出的一种基于大数据进行购物推荐的设备的结构示意图；

图4为本发明实施例提出的一种基于大数据进行购物推荐的设备的结构示意图。

具体实施方式

在下文中，将更全面地描述本公开的各种实施例。本公开可具有各种实施例，并且可在其中做出调整和改变。然而，应理解：不存在将本公开的各种实施例限于在此公开的特定实施例的意图，而是应将本公开理解为涵盖落入本公开的各种实施例的精神和范围内的所有调整、等同物和/或可选方案。

在下文中，可在本公开的各种实施例中使用的术语“包括”或“可包括”指示所公开的功能、操作或元件的存在，并且不限制一个或更多个功能、操作或元件的增加。此外，如在本公开的各种实施例中所使用，术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。

在本公开的各种实施例中，表述“或”或“a或/和b中的至少一个”包括同时列出的文字的任何组合或所有组合。例如，表述“a或b”或“a或/和b中的至少一个”可包括a、可包括b或可包括a和b二者。

在本公开的各种实施例中使用的表述(诸如“第一”、“第二”等)可修饰在各种实施例中的各种组成元件，不过可不限制相应组成元件。例如，以上表述并不限制所述元件的顺序和/或重要性。以上表述仅用于将一个元件与其它元件区别开的目的。例如，第一用户装置和第二用户装置指示不同用户装置，尽管二者都是用户装置。例如，在不脱离本公开的各种实施例的范围的情况下，第一元件可被称为第二元件，同样地，第二元件也可被称为第一元件。

应注意到：如果描述将一个组成元件“连接”到另一组成元件，则可将第一组成元件直接连接到第二组成元件，并且可在第一组成元件和第二组成元件之间“连接”第三组成元件。相反地，当将一个组成元件“直接连接”到另一组成元件时，可理解为在第一组成元件和第二组成元件之间不存在第三组成元件。

在本公开的各种实施例中使用的术语“用户”可指示使用电子装置的人或使用电子装置的装置(例如，人工智能电子装置)。

在本公开的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本公开的各种实施例。如在此所使用，单数形式意在也包括复数形式，除非上下文清楚地另有指示。除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本公开的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本公开的各种实施例中被清楚地限定。

实施例1

本发明实施例1公开了一种基于大数据进行购物推荐的方法，如图1所示，包括：

步骤101、获取用户所输入的搜索关键词；

具体的搜索关键词为用户在搜索栏所输入的信息，例如“电脑”、“显卡”等等，具体的在获取到用户输入的信息后，还可以对该信息进行处理，例如进行错别字，或者谐音字进行更正，以便确定用户真正想要输入的信息，后续还可以进一步搜索与输入的信息相同或者相似的词意的词语，例如“cpu”与“处理器”等。

步骤102、确定所述搜索关键词对应的商品信息；

具体的，根据搜索关键词在搜索引擎中进行搜索，可以得到对应的商品信息。

步骤103、从所述用户的大数据中确定与所述用户存在人际关系的其他用户；其中，与所述用户的人际关系越近的其他用户，所对应的影响权重越大；

具体的，该步骤是基于六度分隔理论来进行，具体的六度分隔(sixdegreesofseparation)现象(又称为“小世界现象”smallworldphenomenon)，可通俗地阐述为：“你和任何一个陌生人之间所间隔的人不会超过六个，也就是说，最多通过六个人你就能够认识任何一个陌生。而人际关系越近，相同的爱好的概率也越大。

以此，基于六度分隔理论查询与用户，例如为用户a存在人际关系的其他用户，例如用户1与用户a是好友，则用户1与用户a之间直接联系，则可以认为用户1与用户a的人际关系的距离为1，而若是用户2与用户1是好友，但不认识用户a，则可以认为用户2与用户a的人际关系的距离为2，以此类推，所获取的其他用户的数量越多越好，但处于处理的需要，可以选取距离为1和2的其他用户，或者选取距离为1的其他用户；具体的可以根据需要进行设置。

此外，根据人际关系的距离的远近设置影响权重，其中距离越近，影响权重越大，具体的，例如用户1的权重设置为0.8，而用户2的权重设置为0.2.

步骤104、基于各所述其他用户的购买记录和影响权重对所述商品信息进行筛选，以确定待推荐商品信息；

仍以上述为例来进行说明，获取到其他用户的购买记录，查看其中是否对应有搜索关键词对应的商品信息，若有，则将对应的其他用户筛选出来作为参考用户，例如参考用户有用户1和用户2，并基于用户1和用户2的影响权重来对商品信息进行筛选，例如用户1中购买了商品信息中的商品1，而用户2购买了商品信息中的商品2；则将商品1和商品2确定为待推荐商品，至于商品信息中的其他商品，则不做推荐，且推荐可以根据影响权重进行排序，或者只筛选出影响权重大于预设阈值的其他用户所购买商品来作为待推荐商品。

仍以上述为例，若同一商品，例如商品1同时都存在在用户1和用户2的购买记录中，则商品1的影响权重为用户1与用户2的影响权重的和。

步骤105、将所述待推荐商品信息推荐给所述用户。

在一个，若所述推荐商品信息的数量超过预设值；所述商品信息中包括商家的信息；该方法还包括：

获取各所述推荐商品信息的商家的发货位置以及信誉信息；

基于所述商家的发货位置与所述用户对应的地址的远近对所述商家设置位置权重；

基于所述信誉信息从高到地对所述商家进行排序，以生成信誉序列；

从所述信誉序列中筛选预设个数的商家；

对筛选出的商家按照位置权重从高到低生成推荐序列；

所述将所述待推荐商品信息推荐给所述用户，包括：

将所述推荐序列所包括的待推荐商品信息按照所述位置权重的高低顺序推荐给所述用户。

具体的，为了进一步减少用户的筛选量，基于待推荐商品的商家的发货位置以及信息进行排序，并在排序之后才推荐给用户。

在一个具体的实施例中，将所述待推荐商品信息推荐给所述用户之后，该方法还包括：

获取所述用户的历史购买记录；

基于所述历史购买记录中的商品确定所述待推荐商品信息中商品的购买记录；

基于所述购买记录对所购买的商品对应的其他用户的影响权重进行调整；其中，购买记录中商品的购买数量越多，调整后所购买的商品对应的其他用户的影响权重越大。

具体的，为了提供本方案推荐的准确性，还周期性的获取用户的历史购买记录，判断购买的产品与待推荐商品信息之间的关系，并根据购买的次数对影响权重进行调整，购买的越多，相应的影响权重越大，例如基于用户1所购买的商品的次数最多，则可以将用户1的影响权重从0.8调整为0.9，其他以此类推，但是调整后的影响权重同样符合与所述用户的人际关系越近的其他用户，所对应的影响权重越大的原则。

在一个具体的实施例中，该方法还包括：

获取所述用户的购买记录；

判断所述商品信息中是否存在有商品与所述购买记录中的商品一致；

若判断结果为是，则将所述购买记录中的商品设置为待推荐商品信息。

具体的，考虑到用户自身的习惯，若之前有购买过同样的商品，则再次购买的概率很大，因此将自身的之前购买的该商品作为待推荐商品信息。

在一个具体的实施例中，所述待推荐商品信息中包括链接；

所述“将所述待推荐商品信息推荐给所述用户”，包括：

提取所述待推荐商品信息中的链接；

将所述链接推送给所述用户。

实施例2

本发明实施例2还公开了一种基于大数据进行购物推荐的设备，如图2所示，包括：

获取模块201，用于获取用户所输入的搜索关键词；

第一确定模块202，用于确定所述搜索关键词对应的商品信息；

第二确定模块203，用于从所述用户的大数据中确定与所述用户存在人际关系的其他用户；其中，与所述用户的人际关系越近的其他用户，所对应的影响权重越大；

第三确定模块204，用于基于各所述其他用户的购买记录和影响权重对所述商品信息进行筛选，以确定待推荐商品信息；

推荐模块205，用于将所述待推荐商品信息推荐给所述用户。

在一个具体的实施例中，如图3所示，还包括：

排序模块206，用于当所述推荐商品信息的数量超过预设值时，获取各所述推荐商品信息的商家的发货位置以及信誉信息；所述商品信息中包括商家的信息；

基于所述商家的发货位置与所述用户对应的地址的远近对所述商家设置位置权重；

基于所述信誉信息从高到地对所述商家进行排序，以生成信誉序列；

从所述信誉序列中筛选预设个数的商家；

对筛选出的商家按照位置权重从高到低生成推荐序列；

所述推荐模块205，用于：

将所述推荐序列所包括的待推荐商品信息按照所述位置权重的高低顺序推荐给所述用户。

在一个具体的实施例中，如图4所示，还包括：调整模块207，用于：将所述待推荐商品信息推荐给所述用户之后，获取所述用户的历史购买记录；

基于所述历史购买记录中的商品确定所述待推荐商品信息中商品的购买记录；

基于所述购买记录对所购买的商品对应的其他用户的影响权重进行调整；其中，购买记录中商品的购买数量越多，调整后所购买的商品对应的其他用户的影响权重越大。

在一个具体的实施例中，所述推荐模块205，还用于：

获取所述用户的购买记录；

判断所述商品信息中是否存在有商品与所述购买记录中的商品一致；

若判断结果为是，则将所述购买记录中的商品设置为待推荐商品信息。

在一个具体的实施例中，所述待推荐商品信息中包括链接；

所述推荐模块205，用于：

提取所述待推荐商品信息中的链接；

将所述链接推送给所述用户。

以此，本发明实施例提出了一种基于大数据进行购物推荐的方法和设备，其中该方法包括：获取用户所输入的搜索关键词；确定所述搜索关键词对应的商品信息；从所述用户的大数据中确定与所述用户存在人际关系的其他用户；其中，与所述用户的人际关系越近的其他用户，所对应的影响权重越大；基于各所述其他用户的购买记录和影响权重对所述商品信息进行筛选，以确定待推荐商品信息；将所述待推荐商品信息推荐给所述用户。以此通过考虑人际关系的影响来对用户进行购物推荐，实现了对用户的精准购物推荐，减少了用户筛选的工作量，提高了用户的购物体验。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本发明序号仅仅为了描述，不代表实施场景的优劣。

以上公开的仅为本发明的几个具体实施场景，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。