用于促销对象的推荐方法、系统、存储介质及电子设备与流程

本发明涉及计算机技术领域，尤其涉及一种用于促销对象的推荐方法、系统、存储介质及电子设备。

背景技术：

随着电子商务的发展和普及，电商之间的竞争也逐渐加剧。为了吸引用户以提升产品的销量和利润，电商平台通常会根据用户的用户画像以及购物历史等信息，为用户推荐其可能感兴趣的产品。

现有技术中，通常采用两种方式为用户做推荐。第一种方式为，基于预先编写的推荐算法，为不同的用户推荐不同的单品。但是现有的用户往往倾向于购买性价比高的产品，若所推荐的单品并不是具有优惠价格的产品，用户通常会转去其他电商平台购买或者继续等待。第二种方式为，基于电商平台正在开展的促销活动列表，根据用户画像以及购物历史，为不同的用户展示不同的促销活动。但是，所推荐的促销活动并不一定涉及用户所需要的产品，例如：用户想要购买手机，但是现有的促销活动只是关于非手机品类的产品的促销。这种情况下，用户也可能转去其他正在对手机做促销的电商平台购买。现有技术中的两种推荐方式不仅很难提高平台中产品的销量和利润，还会造成用户流失，给电商平台带来损失。

如何为用户提供一种更准确有效的产品推荐方式是目前亟待解决的问题。

技术实现要素：

本发明实施例要解决的技术问题是为了克服现有技术中不能准确有效的为用户推荐产品的缺陷，提供一种用于促销对象的推荐方法、系统、存储介质及电子设备。

本发明实施例是通过下述技术方案来解决上述技术问题：

一种用于促销对象的推荐方法，所述推荐方法包括：

获取用户的历史流量数据，所述历史流量数据包括所述用户的历史浏览对象；

获取用户的实时流量数据，所述实时流量数据包括所述用户的实时浏览对象；

将所述历史浏览对象以及实时浏览对象进行组合，以得到用户感兴趣对象；

获取促销活动列表，所述促销活动列表包括正在促销的促销对象；

获取所述促销对象中的可推荐对象，并将所述可推荐对象推荐给所述用户，所述可推荐对象包括与所述感兴趣对象的品类相同的第一可推荐对象和/或与所述感兴趣对象的品类相关的第二可推荐对象，所述品类相关是指所述第二可推荐对象与所述感兴趣对象配套使用。

较佳地，所述获取用户的历史流量数据的步骤之后还包括：

获取所述用户的历史购买对象；

计算所述历史购买对象的最后购买时间以及复购周期，所述复购周期是相邻两次购买相同的所述历史购买对象的平均时间差；

所述获取所述促销对象中的可推荐对象，并将所述可推荐对象推荐给所述用户的步骤具体包括：

判断所述历史购买对象的品类是否与所述感兴趣对象的品类相同；

若判断结果为是，则检测所述历史购买对象的最后购买时间与当前时间的时间差是否超过所述复购周期；

若检测结果为是，则将所述第一可推荐对象推荐给所述用户。

较佳地，所述获取所述促销对象中的可推荐对象，并将所述可推荐对象推荐给所述用户的步骤具体还包括：

若判断结果为否，则将所述第一可推荐对象推荐给所述用户。

较佳地，所述获取所述促销对象中的可推荐对象，并将所述可推荐对象推荐给所述用户的步骤具体还包括：

若检测结果为否，则将所述第二可推荐对象推荐给所述用户。

较佳地，所述第二可推荐对象为多个；

所述将所述第二可推荐对象推荐给所述用户的步骤具体包括：

计算多个所述第二可推荐对象分别相对于所述感兴趣对象的关联度，所述关联度＝同时购买所述第二可推荐对象以及所述感兴趣对象的用户数/购买感兴趣对象的用户数；

将与所述感兴趣对象的关联度最高的所述第二可推荐对象推荐给所述用户。

较佳地，所述获取所述促销对象中的可推荐对象，并将所述可推荐对象推荐给所述用户的步骤具体包括：

将所述可推荐对象发送至所述用户预先绑定的终端。

较佳地，所述终端包括移动终端和/或pc端。

一种用于促销对象的推荐系统，所述推荐系统包括：

历史流量数据获取模块，用于获取用户的历史流量数据，所述历史流量数据包括所述用户的历史浏览对象，

实时流量数据获取模块，用于获取用户的实时流量数据，所述实时流量数据包括所述用户的实时浏览对象；

组合模块，用于将所述历史浏览对象以及实时浏览对象进行组合，以得到用户感兴趣对象；

促销活动获取模块，用于获取促销活动列表，所述促销活动列表包括正在促销的促销对象；

推荐模块，用于获取所述促销对象中的可推荐对象，并将所述可推荐对象推荐给所述用户，所述可推荐对象包括与所述感兴趣对象的品类相同的第一可推荐对象和/或与所述感兴趣对象的品类相关的第二可推荐对象，所述品类相关是指所述第二可推荐对象与所述感兴趣对象配套使用。

一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现所述的用于促销对象的推荐方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的用于促销对象的推荐方法的步骤。

本发明实施例的积极进步效果在于：

本发明实施例通过用户的历史流量数据以及实时流量数据得到用户感兴趣对象的集合，然后在促销列表中查询获取适合为用户推荐的可推荐对象，所述可推荐对象包括与所述感兴趣对象的品类相同的第一可推荐对象和/或与所述感兴趣对象的品类相关的第二可推荐对象。由此，可以准确有效的将正在促销的用户感兴趣的对象推荐给用户，提高了用户体验。

进一步地，通过引入复购周期的概念来预估用户的购物规律，更加贴合用户的购物习惯和消费心理，从而可以更加准确的为用户推荐其可能感兴趣的产品，提高了用户下单的概率。

附图说明

图1为本发明实施例1的用于促销对象的推荐方法的流程图。

图2为本发明实施例2的用于促销对象的推荐方法的流程图。

图3是本发明实施例3的用于促销对象的推荐方法的流程图。

图4是本发明实施例4的用于促销对象的推荐系统的结构框图。

图5是本发明实施例5的用于促销对象的推荐系统的结构框图。

图6是本发明实施例6的用于促销对象的推荐系统的结构框图。

图7是本发明实施例7的实现用于促销对象的推荐方法的电子设备的结构示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

实施例1

一种用于促销对象的推荐方法，如图1所示，所述推荐方法可以包括如下步骤：

步骤s1：获取用户的历史流量数据，所述历史流量数据包括所述用户的历史浏览对象；

步骤s2：获取用户的实时流量数据，所述实时流量数据包括所述用户的实时浏览对象；

步骤s3：将所述历史浏览对象以及实时浏览对象进行组合，以得到用户感兴趣对象；

步骤s4：获取促销活动列表，所述促销活动列表包括正在促销的促销对象；

步骤s5：获取所述促销对象中的可推荐对象，并将所述可推荐对象推荐给所述用户，所述可推荐对象包括与所述感兴趣对象的品类相同的第一可推荐对象和/或与所述感兴趣对象的品类相关的第二可推荐对象，所述品类相关是指所述第二可推荐对象与所述感兴趣对象配套使用。

本实施例中，所述促销可以是指电商平台向用户传递有关产品的各种信息，包括降价信息、组合销售信息等，以吸引用户购买其产品。

所述促销对象可以包括手机、衣服、坚果、面粉等销售品类，每一个销售品类可以包括多个品牌的产品。

在具体执行步骤s5时，还可以将所述可推荐对象发送至所述用户预先绑定的终端，以方便用户及时接收促销信息，提高用户体验。

进一步地，可以通过有线或无线的方式将所述可推荐对象发送至所述终端，所述终端可以为任意型号的pc端(个人电脑)或移动终端(例如：手机，ipad(平板电脑))等，本实施例对此不做限制。

本实施例可以将品类作为推荐的主体，而不是针对某一个品牌的单品，也可以说，若用户对手机感兴趣，则会为用户无差别的推荐各类正在促销的手机或者与手机配套使用的手机壳，以增加用户选择的范围。由此，可以准确有效的将正在促销的用户感兴趣的对象推荐给用户，提高了用户体验。

实施例2

一种用于促销对象的推荐方法，如图2所示，本实施例中的推荐方法是在实施例1基础上的进一步改进。

具体地，所述步骤s1之后还可以包括如下步骤：

步骤s6：获取所述用户的历史购买对象；

步骤s7：计算所述历史购买对象的最后购买时间以及复购周期，所述复购周期是相邻两次购买相同的所述历史购买对象的平均时间差。

下面以一个非限制性的具体应用场景对复购周期、最后购买时间以及关联度的计算方式进行详细说明。

本实施例中，利用数据库中存储的历史交易数据进行复购周期的计算，历史交易数据包括电商平台的业务数据(例如：促销记录、订单日志等)以及用户的历史流量数据(例如：浏览记录、购买记录等)，数据库中的所有数据组成了数据集市。

所述数据集市中的数据为原始数据，由于原始数据包括的字段较多，对于冗余的数据字段进行处理后，只保留必要的字段，结构如下：

复购周期的计算逻辑如下：

将购买记录(表1)与品类映射(表4)进行关联，记作表1_4，每条记录有如下字段(user_id,sku_id,buy_num,order_id,buy_date,category_id)。

按照(user_id,category_id)两个字段进行分组，统计每组不重复的buy_date个数，记作buy_times，表示某个用户购买某个品类的次数(同一天多次购买算一次)。

从表1_4中删除(user_id,category_id)组合的buy_times小于2的记录。

按照(user_id,category_id,buy_date)三个字段进行分组，对buy_num进行求和，表示某个用户每次购买某个品类的数量。

按照(user_id,category_id,buy_date)三个字段进行排序，添加下一次的购买日期next_buy_date。

删除找不到next_buy_date的记录，即删除每个用户在每个品类的最后一次购物的记录。

计算每次购物距离下次购物的间隔天数，buy_interval＝next_buy_date–buy_date。

计算每次购物的复购周期，这里平摊到每件商品，ndays1＝buy_interval/buy_num。

按照(user_id,category_id)分组，对多个ndays1求平均，计算每个人在每个品类的复购周期ndays2。

按照category_id分组，对ndays2求平均，最终计算每个品类平均的复购周期ndays。

本实施例中，最终计算得到的品类复购周期可以利用表5的形式进行存储。

最后购买时间的计算逻辑如下：

将购买记录(表1)与品类映射(表4)进行关联，记作表1_4，每条记录有如下字段(user_id,sku_id,buy_num,order_id,buy_date,category_id)。

按照(user_id,category_id)分组，求buy_date的最大值，即最后购买时间last_buy_date。

本实施例中，最终计算得到的最后购买时间可以利用表6的形式进行存储。

关联度的计算逻辑如下：

将浏览记录(表1)与品类映射(表4)进行关联，记作表1_4，每条记录有如下字段(user_id,sku_id,buy_num,order_id,buy_date,category_id)。

按照category_id分组，统计不重复的user_id个数，即每个品类被多少用户购买过。

按照user_id分组，统计每组不重复的category_id列表，即每个用户购买过的品类列表，记作c。

每一个用户购买过的品类列表，生成两两品类组合，并计数为1。例如用户”zhangsan001”购买过的品类列表为c＝{“655”,”700”,”112”}，则会生成6条记录：

(”zhangsan001”,”655”,”700”,1),

(”zhangsan001”,”700”,”655”,1),

(”zhangsan001”,”655”,”112”,1),

(”zhangsan001”,”112”,”655”,1),

(”zhangsan001”,”700”,”112”,1),

(”zhangsan001”,”112”,”700”,1)。

将上述记录中的字段名称定义为(user_id，category1_id,category2_id,count)。按照(category1_id,category2_id)分组，对count进行求和，得到两个品类共同被同一个用户购买的次数。

计算关联度，例如：品类a与品类b的关联度为correlation(a,b)＝同时购买品类a和品类b的用户数/品类a的购买用户数。

本实施例中，最终计算得到的关联度可以利用表7的形式进行存储。

优选地，上述的表1-表7可以存储于mysql(一种关系型数据库管理系统)中。

本实施例中，所述步骤s5具体可以包括：

步骤s51：判断所述历史购买对象的品类是否与所述感兴趣对象的品类相同；

若判断结果为否，则执行步骤s52：将所述第一可推荐对象推荐给所述用户；

若判断结果为是，则执行步骤s53：检测所述历史购买对象的最后购买时间与当前时间的时间差是否超过所述复购周期；

若检测结果为是，则执行步骤s52：将所述第一可推荐对象推荐给所述用户。

若检测结果为否，则执行步骤s54：将所述第二可推荐对象推荐给所述用户。

本实施例通过计算复购周期来预估用户的实际购物规律，并且结合用户最后的购买时间来更加准确地判断用户当前是否需要再次购买某个品类的产品。由此，可以更加准确的为用户推荐其可能感兴趣的产品，提高了用户下单的概率。

实施例3

一种用于促销对象的推荐方法，如图3所示，本实施例中的推荐方法是在实施例2基础上的进一步改进。

进一步地，所述第二可推荐对象可以为多个；

则所述步骤s54具体可以包括：

步骤s541：计算多个所述第二可推荐对象分别相对于所述感兴趣对象的关联度，所述关联度＝同时购买所述第二可推荐对象以及所述感兴趣对象的用户数/购买感兴趣对象的用户数；

步骤s542：将与所述感兴趣对象的关联度最高的所述第二可推荐对象推荐给所述用户。

作为一个变化例，也可以将关联度排序靠前的多个品类的产品一起推荐给用户，使得推荐结果更加贴近用户的需求，并且为用户提供更多的选择空间，进一步提高了用户体验。

实施例4

一种用于促销对象的推荐系统，如图4所示，所述推荐系统1可以包括：

历史流量数据获取模块11，用于获取用户的历史流量数据，所述历史流量数据包括所述用户的历史浏览对象；

实时流量数据获取模块12，用于获取用户的实时流量数据，所述实时流量数据包括所述用户的实时浏览对象；

组合模块13，用于将所述历史浏览对象以及实时浏览对象进行组合，以得到用户感兴趣对象；

促销活动获取模块14，用于获取促销活动列表，所述促销活动列表包括正在促销的促销对象；

推荐模块15，用于获取所述促销对象中的可推荐对象，并将所述可推荐对象推荐给所述用户，所述可推荐对象包括与所述感兴趣对象的品类相同的第一可推荐对象和/或与所述感兴趣对象的品类相关的第二可推荐对象，所述品类相关是指所述第二可推荐对象与所述感兴趣对象配套使用。

进一步地，所述推荐模块15可以将所述可推荐对象发送至所述用户预先绑定的终端。

优选地，可以通过有线或无线的方式将所述可推荐对象发送至所述终端，所述终端可以为任意型号的pc端(个人电脑)或移动终端(例如：手机，ipad(平板电脑))等，本实施例对此不做限制。

关于实施例4中的所述推荐系统的工作原理、工作方式的更多内容，可以参照实施例1中的关于推荐方法的相关描述，这里不再赘述。

本实施例中的推荐系统在运行时可以将品类作为推荐的主体，而不是针对某一个品牌的单品，也可以说，若用户对手机感兴趣，则会为用户无差别的推荐各类正在促销的手机或者与手机配套使用的手机壳，以增加用户选择的范围。由此，可以准确有效的将正在促销的用户感兴趣的对象推荐给用户，提高了用户体验。

实施例5

一种用于促销对象的推荐系统，如图5所示，本实施例中的推荐系统是在实施例4基础上的进一步改进。

具体地，所述推荐系统1还可以包括：

历史购买对象获取模块16，用于获取所述用户的历史购买对象；

复购周期计算模块17，用于计算所述历史购买对象的最后购买时间以及复购周期，所述复购周期是相邻两次购买相同的所述历史购买对象的平均时间差；

本实施例中，所述推荐模块15具体可以包括：

判断子模块151，用于判断所述历史购买对象的品类是否与所述感兴趣对象的品类相同；

若判断结果为否，则调用第一推荐子模块152，所述第一推荐子模块152用于将所述第一可推荐对象推荐给所述用户；

若判断结果为是，则调用检测模块153，所述检测模块153用于检测所述历史购买对象的最后购买时间与当前时间的时间差是否超过所述复购周期；

若检测结果为是，则调用第一推荐子模块152，所述第一推荐子模块152用于将所述第一可推荐对象推荐给所述用户。

若检测结果为否，则调用第二推荐子模块154，所述第二推荐子模块154用于将所述第二可推荐对象推荐给所述用户。

关于实施例5中的所述推荐系统的工作原理、工作方式的更多内容，可以参照实施例2中的关于推荐方法的相关描述，这里不再赘述。

本实施例中的推荐系统在运行时可以通过计算复购周期来预估用户的实际购物规律，并且结合用户最后的购买时间来更加准确地判断用户当前是否需要再次购买某个品类的产品。由此，可以更加准确的为用户推荐其可能感兴趣的产品，提高了用户下单的概率。

实施例6

一种用于促销对象的推荐系统，如图6所示，本实施例中的推荐系统是在实施例5基础上的进一步改进。

进一步地，所述第二可推荐对象可以为多个；

则所述第二推荐子模块154具体可以包括：

关联度计算单元1541，用于计算多个所述第二可推荐对象分别相对于所述感兴趣对象的关联度，所述关联度＝同时购买所述第二可推荐对象以及所述感兴趣对象的用户数/购买感兴趣对象的用户数；

推荐执行单元1542，用于将与所述感兴趣对象的关联度最高的所述第二可推荐对象推荐给所述用户。

关于实施例6中的所述推荐系统的工作原理、工作方式的更多内容，可以参照实施例3中的关于推荐方法的相关描述，这里不再赘述。

另外，作为一个变化例，所述推荐执行单元1542还可以将关联度排序靠前的多个品类的产品一起推荐给用户，使得推荐结果更加贴近用户的需求，并且为用户提供更多的选择空间，进一步提高了用户体验。

实施例7

图7为本发明实施例7提供的一种电子设备的结构示意图。所述电子设备可以包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现实施例1至3中任意一实施例中的用于促销对象的推荐方法的步骤。

可以理解的是，图7所示的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图7所示，电子设备2可以以通用计算设备的形式表现，例如：其可以为服务器设备。电子设备2的组件可以包括但不限于：上述至少一个处理器3、上述至少一个存储器4、连接不同系统组件(包括存储器4和处理器3)的总线5。

所述总线5可以包括数据总线、地址总线和控制总线。

所述存储器4可以包括易失性存储器，例如随机存取存储器(ram)41和/或高速缓存存储器42，还可以进一步包括只读存储器(rom)43。

所述存储器4还可以包括具有一组(至少一个)程序模块44的程序工具45(或实用工具)，这样的程序模块44包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

所述处理器3通过运行存储在所述存储器4中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1-3任一实施例所提供的用于促销对象的推荐方法的步骤。

所述电子设备2也可以与一个或多个外部设备6(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(i/o)接口7进行。并且，模型生成的电子设备2还可以通过网络适配器8与一个或者多个网络(例如局域网lan，广域网wan和/或公共网络)通信。

如图7所示，网络适配器8可以通过总线5与模型生成的电子设备2的其它模块通信。本领域技术人员应当明白，尽管图中未示出，可以结合模型生成的电子设备2使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。

需要说明的是，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

实施例8

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现实施例1至3中任意一实施例中的用于促销对象的推荐方法的步骤。

其中，计算机可读存储介质可以采用的更具体方式可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。

在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行实现实施例1至3中任意一实施例中的用于促销对象的推荐方法的步骤。

其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。