移动o2o推荐方法及其系统的制作方法
【技术领域】
[0001] 本发明设及一种基于用户智能终端的位置感知，结合历史交易数据在电子商务系 统及线下实体店中实现精准移动020推荐。
【背景技术】
[0002] 目前主流的推荐系统主要分为W下4类：
[000引（1)基于内容的推荐：即通过用户的捜索关键字、在线标准、消费记录等，从后台 数据裤中找到最匹配的信息向用户推荐；虽然推荐的准确度很高，无需学习，但其本质依然 是被动推荐，无法发现用户的多样化需要。
[0004] (2)协同过滤推荐：先将用户分类，再利用分类中其他成员的消费、评价记录，向 用户推荐商品。一般分为两种：
[0005] 1)基于模型：此方法先在训练集上构建某种模型，如统计模型、贝叶斯模型、决策 树、概率相关等，并通过该模型向用户推荐信息。运种方法虽然稳定性好、匹配度较高，但是 训练时间长、计算复杂性高。
[0006] 2)启发式：该方法先建立用户消费项目评分矩阵，根据相似用户具有相似偏好的 假设进行推荐，通过相似度的计算，如各种距离的计算：欧氏距离、明可夫斯基距离、曼哈顿 距离、皮尔森相关系数、Jaccard相似系数等计算，找到与用户兴趣相似的其他用户，并将其 他用户的消费项目向目标用户推荐，从而实现协同推荐。虽然能实现多样化推荐，但是存在 冷启动问题，即当用户是刚刚加入的新用户时，因为其没有加入其他组，故无法实现推荐。
[0007] (3)基于知识的推荐：利用在特定领域中的某些规则或实例实现推荐，虽然不需 要建立用户需求偏好模型，但是领域内合理的推理规则很难制定。
[0008] (4)组合推荐：综合W上各种推荐方法，目前基于内容的推荐与协同过滤推荐组 合比较普遍。
【发明内容】
[0009] 有鉴于此，本发明的目的在于提供一种针对位置有效推荐的移动020推荐方法。
[0010] 本发明的目的在于还提供一种针对位置有效推荐的移动020推荐系统。
[0011] 为了达成上述目的，本发明的解决方案是：
[0012] 一种移动020推荐方法，通过W下步骤实现：
[0013] 1)服务器根据消费者的任一消费清单，自动生成对应的消费矩阵，即：
[0014]
[0015] 式中：第i次消费清单生成的第i次消费矩阵，每一行分别表示各消费项目对应的 各种消费信息，消费信息包括：名称、数量、时间和地点；
[0016] 2)服务器从历次所述消费矩阵中，根据同类消费项目的所述数量和所述时间跨 度，预测该消费者从第i次消费到第k次消费的时间间隔d内的同类消费项目的平均消费 周期t，即：
[0017]
[001引式中：^表示消费者第n次消费，消费第j种消费项目的数量；表示第i次 消费的时间，^3表示第k次消费的时间；
[0019] 3)根据所述地点统计该消费者在各地点消费的地点频次，设该消费者在设定的时 间周期D内，共计在m个所述地方消费，分别为€IX，，则该消费者在所述地点第 i次消费第j种消费项□ 则地点频次如下：
[0020]
[0021] 对所述地点place排序，计算出消费任一消费项目的地点频次排前的若干个地 占.
[0022] 4)通过GPS定位系统，当消费者携带的移动端位于消费矩阵中的消费地点能感知 的范围时，则服务器触发商户与消费者需求的匹配算法得出推送信息，并通过移动端向消 费者发送所述推送信息。
[0023] 所述时间包括：天日期、星期日期和时刻；还包括W下步骤：
[0024] 1)在所述时间周期D内共有m次消费清单，W此计算：（1)消费者在星期一至星期 日中，最频繁消费的前若干个星期日期；（2) -天24小时，W2小时为单位，划分成12个时 槽，计算消费者在消费频次最高的前若干个时槽，具体计算方法如下：
[00巧]设消费者在时间周期D内，在星期日期W，24小时制的P个时间段内消费过，星期 日期W如下计算：
[0026]
[0027]式中：表示第i次消费，消费第j种消费项目，星期日期W5表示；
[002引对W排序，得出消费第j种消费项目，最频繁的前若干个星期日期；
[0029] 在所述频次最高的前若干个时槽P，计算方法如下：
[0030]
[003。式中：Sjj.表示第k次消费，消费第j种消费项目，时刻W6表示，（Td，Td+^表示 W时刻Td开始的第d个时槽；
[0032] 对时槽P排序，得出最频繁的前若干个时槽P ;
[0033] 2)根据历次消费矩阵中的消费信息，计算出消费者对某一消费项目的下一次消费 天日期t"ext，即：
[0034]
[0035] 式中：5表示天日期估算的误差补偿，取值为2 ;
[0036] 3)在下一次最频繁的所述天日期、星期日期和/或时槽，针对该消费者生成对应 的项目的商户推送信息，并将该推送信息发送给该消费者。
[0037] 所述步骤4中，设定的时间段D为一周或一月。
[003引一种移动020推荐系统，实现如权利要求1所述的方法，包括：
[0039] 1)服务器：包括消费矩阵模块、平均消费周期模块、地点频次模块和推送模块；
[0040]消费矩阵模块：根据消费者的任一消费清单，自动生成对应的消费矩阵，即：
[0041]
[0042] 式中：第i次消费清单生成的第i次消费矩阵，每一行分别表示各消费项目对应的 各种消费信息，消费信息包括：名称、数量、时间和地点；
[004引。平均消费周期模块：服务器从历次所述消费矩阵中，根据同类消费项目的所述 数量和所述时间跨度，预测该消费者从第i次消费到第k次消费的时间间隔d内的同类消 费项目的平均消费周期t，即：
[0044]
[004引式中：^隶示消费者第n次消费，消费第j种消费项目的数量；表示第i次 消费的时间，巧示第k次消费的时间；
[0046] 3)地点频次模块：根据所述地点统计该消费者在各地点消费的地点频次，设该消 费者在设定的时间周期D内，共计在m个所述地方消费，分别为€iX,m.!，则该消费 者在所述地点第i次消费第j种消费项目、则地点频次如下：
[0047]
[0048] 对所述地点place排序，计算出消费任一消费项目的地点频次排前的若干个地 占.
[0049] 4)移动端：通过GI^S定位系统，当消费者携带移动端位于消费矩阵中的消费地点 能感知的范围时，则服务器的推送模块根据商户与消费者需求的匹配性，得出推送信息，并 通过移动端向消费者发送所述推送信息。
[0050] 移动020推荐方系统还包括：星期日期模块、时槽模块和消费天日期模块；
[0051] (1)星期日期模块：在所述时间周期D内共有m次消费清单，W此计算消费者在星 期一至星期日中，最频繁消费的前若干个星期日期；（2)时槽模块：一天24小时，W2小时 为单位，划分成12个时槽，计算消费者在消费频次最高的前若干个时槽，具体计算方法如 下：
[0052] 设消费者在时间周期D内，在星期日期W，24小时制的P个时间段内消费过，星期 日期W如下计算：
[0053]
[0054] 式中：5s表示第i次消费，消费第j种消费项目，星期日期W5表示；
[005引对W排序，得出消费第j种消费项目，最频繁的前若干个星期日期；
[0056] 在所述频次最高的前若干个时槽P，计算方法如下：
[0057]
[005引式中：*^^^表示第1^次消费，消费第^'种消费项目，时刻^6表示，化，Td+引表示W时刻Td开始的第d个时槽；
[0059] 对时槽P排序，得出最频繁的前若干个时槽P;
[0060] (3)消费天日期模块：根据历次消费矩阵中的消费信息，计算出消费者对某一消 费项目的下一次消费天日期t。。、,，即：
[0061]
[0062] 式中：5表示天日期估算的误差补偿，取值为2或