智能导购方法
【技术领域】
[0001] 本发明涉及大数据分析技术、数据挖掘技术领域；具体涉及一种智能导购方法。
【背景技术】
[0002] 随着电子商务的迅猛发展，零售实体（以下简称商超）的市场分额受到了严重挤 压；不仅如此，众多商超间的同质化竞争也使得商超留住客户越来越难。为了应对电商的冲 击及同行的挑战，提升消费体验、留住消费者是商超的必由之路。
[0003] 考虑到智能手机的普及使人们能够方便的获取用户的实时位置数据，在这些数据 背后，隐含了丰富的用户行为规律信息。因此，在商业环境下，对逛店消费者的时空信息进 行深入的挖掘和分析，可以使我们更加深刻地理解个体消费者的逛店行为特征以及对产品 及商铺的偏好，进而对产品推荐，商铺推荐，商铺布局以及广告推送等具有非常重要的意 义。
[0004] 目前，商业环境下针对消费者时空信息的应用主要集中在定位导航方面，例如：将 消费者导航至商超内的电梯、店铺、收银台等任意地点；此外，基于时空数据的统计分析也 可以直观，全面地展示逛店消费者的实时位置、驻留时间、到访频次以及商超内客流密度、 客流动线等。
[0005] 虽然以上应用建立在对消费者时空信息初步分析的基础上，截止目前，我们尚未 发现相关技术对这些时空信息背后所蕴藏的知识进行深入分析，发掘消费者的购物偏好， 并据此进行智能化、多样化的导购。然而，这样的技术被广泛认为是"提高消费者消费满意 度，为商超在激烈的竞争中寻找新的增长点"的关键。
【发明内容】
[0006] 本发明的目的是针对上述【背景技术】中存在的问题，对消费者的逛店时空信息进行 深入分析，发现消费者对于产品、品牌等的兴趣度，进而实现智能化导购。
[0007] 为了达到上述的技术效果，本发明采取以下技术方案：一种智能导购方法，包括以 下步骤：
[0008] al、数据采集：通过开发基于地图的快速wifi定位指纹数据采集算法，获取移动 终端位置数据，同时，获取商场内的详细地图数据；
[0009] a2、数据清洗：对采集到的数据进行清洗，消除数据中存在的不一致、空缺、噪音的 问题；
[0010] a3、数据分析：对清洗后的数据进行聚类分析，提取消费者的群体轨迹模型，挖掘 频繁模式；
[0011] a4、智能导购：结合应用场景，客户轨迹和频繁模式进行智能化的导购。
[0012] 进一步的技术方案是：上述步骤a2数据清洗包括以下步骤：
[0013] a21、采用窗口平滑滤波方式，去除数据采集导致的客户楼层定位误差；
[0014] a22、最近邻判断，根据Jordancurve理论，判断消费者位置是否在某个店铺内，同 时计算消费者位置与店铺中心点的欧式距离，并将消费者归入离其最近的店铺，去除数据 采集导致的客户入店定位误差。
[0015] 进一步的技术方案是：上述步骤a3数据分析包括以下步骤：
[0016]a31、获取客户逛店轨迹；
[0017]a32、热门/冷门店铺判断；
[0018] a33、热门轨迹分析；
[0019]a33、基于用户逛店兴趣进行协同过滤推荐。
[0020] 进一步的技术方案是：所述热门/冷门店铺判断采取以下方法：获取各个店
[0021] 铺所有逛店消费者的ID及人数，设定高、低两个阈值，当逛店人数大于高
[0022] 阈值，说明该店铺为热门店铺；当逛店人数小于低阈值，说明该店铺为冷
[0023] 门点店铺。
[0024] 进一步的技术方案是：所述热门轨迹分析采取以下方法：
[0025] bl、计算频繁2项路径集；
[0026] b2、分别对每个频繁2项进行路径扩展，保存最终的路径。
[0027] 进一步的技术方案是：步骤b2通过以下步骤实现：
[0028] b21、提取该频繁2项的头结点和尾结点；
[0029] b22、遍历频繁2项路径集，寻找头结点的子结点；
[0030] b23、遍历频繁2项路径集，寻找尾结点的子节点；
[0031] b24、获取头结点和尾结点扩展后的路径；如果路径长度没有发生变化，则保存该 路径；反之，如果路径长度发生变化，则返回到步骤b21。
[0032] 进一步的技术方案是：所述基于用户逛店兴趣进行协同过滤推荐采取以下方法：
[0033] cl、获取每位消费者所逛店铺及相应的逛店时间；
[0034] c2、利用以下公式计算消费者u和消费者v间的相似度sinvv):
[0035]
[0036] 公式中RUil、RVil分别为消费者u、v对店铺i的逛店时间，E、瓦分别为消费者 u、v所逛店铺的平均时间；
[0037] c3、利用消费者相似度找出与指定消费者最相似的k个消费者，及其所逛店铺集 合；从前述集合中去掉指定消费者的已逛店铺，作为推荐店铺集合；
[0038] c4、计算指定消费者对推荐店铺集合中每个店铺的预测逛店时间PUil
[0039]
[0040] 公式中Su，#消费者u、v的相似度；
[0041] c5、对预测的逛店时间从高到底排序，并选取前N个店铺推荐给指定消费者。
[0042] 本发明与现有技术相比，具有以下的有益效果：，对逛店消费者的时空信息进行 深入的挖掘和分析，可以使我们更加深刻地理解个体消费者的逛店行为特征以及对产品及 商铺的偏好，进而对产品推荐，商铺推荐，商铺布局以及广告推送等具有非常重要的意义。 发掘消费者的购物偏好，并据此进行智能化、多样化的导购，提高消费者消费满意度，为商 超在激烈的竞争中寻找新的增长点。
【附图说明】
[0043] 图1是本发明方法流程不意图；
[0044] 图2是本发明轨迹分析流程图。
【具体实施方式】
[0045] 下面结合本发明的实施例对本发明作进一步的阐述和说明。
[0046] 实施例：
[0047] 如图1所示，智能导购的方法主要包括以下步骤：
[0048] ( -）数据采集：通过开发基于地图的快速wifi定位指纹数据采集算法，获取移 动终端位置数据，同时，获取商场内的详细地图数据。
[0049] (二）数据清洗：
[0050] 通过定位技术采集到的消费者位置数据可能存在误差。因此，我们采用以下方法 进行数据清洗，以消除不一致及错误的信息，为后续分析提供高质量的数据。
[0051] (1)、针对消费者在短时间内在不同楼层跳跃的情况，我们采用窗口平滑滤波的方 式进行过滤及修正。
[0052] (2)、针对同一消费者在同一店铺内外不停跳跃出现的情况，我们对消费者的入店 行为进行更加灵活的处理，详见步骤入店判断。
[0053] (三）数据分析：
[0054] (1)、入店判断。根据Jordancurve理论，判断消费者位置是否在某个店铺（多变 形）内。同时计算消费者位置与店铺中心点的欧式距离，并将消费者归入离其最近的店铺， 作为入店判断的辅助条件。
[0055] Jordancurve理论，即对一个封闭的弧线区域，如果某个点在该区域内，那么从该 点向任意方向延伸的射线都与该区域的边有交点；反之，如果某个点在该区域以外，那么从 该点沿部分方向的射线与该区域的任何一条边都没有交点。
[0056] 欧式距离，也即欧氏距离（Euclideandistance)也称欧几里得距离，它是一个通 常采用的距离定义，它是在m维空间中两个点之间的真实距离。在二维和三维空间中的欧 氏距离就是两点之间的距离。
[0057] 二维的公式
[0058] d=sqrt((xl~x2)'2+(yl-y2)'2)
[0059] 三维的公式
[0060] d=sqrt((xl_x2)~2+(yl_y2)~2+(zl_z2)~2)
[0061] 推广到n维空间，
[0062] 欧氏距离的公式
[0063] d=sqrt(E(xil_xi2) ~2)这里i= 1，2. ?n
[0064] Xil表示第一个点的第i维坐标，Xi2表示第二个点的第i维坐标，
[0065] n维欧氏空间是一个点集，它的每个点可以表示