1;
[0063] 所述服务器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。
[0064] 采用上述方案后，本发明的移动020推荐方法具有W下有益效果：其精准推荐，综 合了现有常见的基于内容的推荐系统，并在此基础上增加了位置属性，有利于商户实现线 上线下资源的综合利用，精确实现020应用，大大增强用户粘性。
【附图说明】
[0065] 图1为本发明的流程图。
【具体实施方式】
[0066] 为了进一步解释本发明的技术方案，下面通过具体实施例来对本发明进行详细阐 述。
[0067] 如图1所示，本发明的移动020推荐方法，主要通过服务器和移动端对应实现W下 步骤。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。
[0068] 1)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：
[0069]
[0070] 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。消费项目包括商品和/或服务。另 夕F，每次的消费清单还可指一次消费行为，一次消费行为可W是指每消费一种名称的消费 的行为，例如购买衣服为一次消费，购买鞋子为另一次消费。一次消费行为还可W是指在同 一实体店的消费为一次消费行为，例如在一个实体店内既购买衣服又购买鞋子属于一次消 费行为，在另一个实体店内购买衣服和鞋子属于第二次消费行为。
[0071] 2)平均消费周期模块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。同类消费项目可W是指购买相同或者不同的鞋的消费行为属于鞋类消费 项目，运些鞋可W是在同一家实体店、同一品牌的不同实体店、或者不同品牌的不同实体店 购买的。W此类推，购买多种衣服的消费行为属于服装类消费项目，作美容、美发、美甲等消 费行为属于美容类消费项目，............。
[0072]
[0073] 式中：表示消费者第n次消费，消费第j种消费项目的数量，表示数量， 并非指数量为2个，而是本公式是数量运一消费信息用"2"表示；表示第i次消费第j 种消费项目的时间，即时间运一消费信息用3表示；S/Is表示第k次消费第j种消费项目的 时间。
[0074] 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，则该消费者 在所述地点第i次消费第j种消费项目、^4,则地点频次如下：
[00巧]
[0076] 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 点，例如排名第1、2、3、4……的若干个地点。
[0077] 4)移动端通过GI^S定位系统进行定位，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，则服务器的推送模块将各商户的各类商品、服务的商业信息 与该消费者的对应消费信息进行匹配，得出推送信息，并通过移动端向消费者发送所述推 送信息。例如，该消费者通常消费某品牌衣服，某商户的该品牌衣服的打折、优惠、特价、新 品上市等商业信息相应地生成推送信息，并向移动到某商户附近的该消费者发送该推送信 息。
[007引较佳地，时间包括：天日期、星期日期和时刻，天日期是指某年某月某日，星期日期 是指星期一、星期二、星期=……星期日，时刻是指小时、分、秒。服务器还包括：星期日期模 块、时槽模块和消费天日期模块，各模块分别对应实现W下步骤。
[0079] 1)星期日期模块：在所述时间周期D内共有m次消费清单，如一周或者一个月为 单位，或者是前面计算的时间间隔山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：
[0080] 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：
[0081]
[008引式中：表示第i次消费，消费第j种消费项目，星期日期W5表示，运里的5不 是指星期五，而是代指"星期日期"运一参数。
[008引对星期日期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。例 如排名第1的星期日期、排名第2的星期日期、排名第3的星期日期、排名第4的星期日 期......0
[0084] 在所述频次最高前若干个星期日期内，其消费最频繁的前若干个时槽P，计算方法 如下：
[0085]
[008引式中：表示第k次消费，消费第j种消费项目，时刻W6表示，并非指6点，而 是W6表示"时刻"运一消费信息，（Td，Td+引表示W时刻Td开始的第d个时槽。
[0087] 对时槽P排序，得出最频繁的前若干个时槽P。
[0088] 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：
[0089]
[0090] 式中：5表示天日期估算的误差补偿，取值为2或1。
[0091] 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。
[0092] 本发明的服务器可针对消费者消费商品、服务生成消费矩阵，并预测消费者对某 件商品的下一次消费日期，消费地点、消费时间。当消费者在某个频繁日期的频繁时间进入 频繁消费地点后，马上向其定向推送专口的商品广告，实现精准营销。
[0093] 实施例一
[0094] 本系统主要步骤如下：
[0095] 1)通过电子商务平台，每一个消费者的每一次消费清单，一般是周期性商品，都保 存为一个消费矩阵，下面的消费矩阵表示第i次消费清单构建的消费矩阵：
[0096]
[0097] 每一行代表一个商品的各种属性记录，记录了该商品的各种消费信息。每一行从 第一列、第二列、第=列分别代表商品名称、数量、消费日期如年月日、消费地点、消费星期 日期如星期一或星期日、消费时刻如时、分、秒，等等消费信息。
[009引消费信息并不W-定的顺序排列为限。运里虽然W按名称、数量、日期和地点按第 1属性、第2属性、第3属性、第4属性进行排序，但并不W此为限，限定各属性的顺序。
[0099] 消费天日期如年月日、消费星期日期如星期一或星期日、消费时刻如时分秒，运3 种统称为消费时间，简称为时间。例如上面的消费矩阵表示第i次的消费行为：第一行数集 表示第1类商品的消费商品的名称、数量、消费日期、消费地点、消费星期日期、消费时刻等 等消费信息。
[0100] 2)从消费者的历次消费矩阵中，对于同类型的商品，计算出消费数量和时间跨度 t，预测消费者在某个周期d内的商品消费周期；即计算：
[0101]
d表示第k次消费到第i次消费的时间间隔
[010引式中：表示消费者第n次消费中，消费了第j种商品的数量；表示第i次 消费的时间，表示第k次消费的时间。
[0103] 3)根据消费地点，统计消费者的消费地点偏好，预测其下次消费地点：
[0104]
[0105] 对运place进行排序，可计算出消费任一商品j的地点最频繁的前3-5个地点，运 3-5个地点称为频繁消费地点。
[0106] 运样可W对消费者的消费地点进行排序。
[0107] 4)通过消费日期、时间数据，挖掘出消费者的最频繁消费时间段及消费日期，W- 周计算。
[010引 5)当最后一次消费结束后，计算出消费者的对某一商品的下一次消费日期，即：
[0109]
[0110] 其中5是日期估算的误差补偿，可取2。
[01川 6)在twxt日期时刻，或w拥间的P拥槽，即某个频繁日期时刻，生成消费者可能 需要的信息并在