一种电子商务中的商品推荐方法及其系统的制作方法
【技术领域】
[0001] 本发明涉及互联网领域，尤其涉及互联网领域中电子商务中的商品推荐方法及其 系统。
【背景技术】
[0002] 随着互联网的普及和电子商务的发展，电子商务系统在为用户提供越来越多选择 的同时，其结构也变得更加复杂，用户经常会迷失在大量的商品信息空间中，无法顺利找到 自己需要的商品。为此，电子商务网站都W获得最大利益为目标，用技术和非技术的方法， 增加注册顾客、增加订单量、提供优质的服务。在送些前提下，个性化的商品推荐技术应运 而生。
[0003] 现有技术中，使用"数据库查询"，通过sql语句找到数据库中和顾客浏览、收藏或 是购买的商品有相同作者、相同分类、相同主题等的其他一些商品，推荐给顾客。"问卷反 馈"方式，通过提问，让顾客回答一些问题，直接了解顾客的喜好，推荐合适的商品。此外还 有"关联规则"等等形式的商品推荐方法。W上送些方法，在推荐的准确性、实时性等方面 不够理想，推荐的自动化程度和持久性程度低，缺乏个性化。
【发明内容】
[0004] 为了解决上述问题，本发明的技术方案涉及一种电子商务中商品推荐方法及其系 统，其具体技术方案如下：
[0005] -种电子商务中的商品推荐方法，包括W下步骤：
[0006] 步骤S1、采集用户在电子商务网站的历史行为数据；
[0007] 步骤S2、根据用户的历史行为数据进行商品特征计算，输出用户的关于购买商品 概率预测特征向量；
[0008] 步骤S3、根据输出的用户关于购买商品概率预测特征向量分别按特征和分类代入 统计函数计算用户购买概率预测模型，获得购买概率预测模型；
[0009] 步骤S4、根据用户的购买概率预测模型W及用户登录信息进行商品推荐。
[0010] 还包括：
[0011] 步骤S5、利用购买概率预测模型计算相关或相似商品的购买概率；
[0012] 步骤S6、根据计算得到的购买概率，将相关或相似商品推荐给用户。
[0013] 所述的历史行为数据包括；用户登录信息，用户浏览的网页，浏览网页的时长，用 户搜索过的商品，用户加入收藏夹的商品，用户加入购物车的商品，用户提交订单的商品， 购买与浏览占比。
[0014] 基于用户的历史行为数据构造用户购买商品概率预测特征向量，具体包括W下步 骤：
[0015] 1)根据用户历史数据，进行电子商务网站上不同类型页面权重计算，不同商品品 类的时间衰减函数计算和不同商品的相关或相似商品集合计算；其中，所述的页面权重计 算，是统计不同页面来源的转化率，即页面对转化率贡献权重计算，根据转化率计算同来源 页面权重；
[0016] 2)根据1)中获得的用户历史数据计算的结果，构造商品购买预测特征向量。
[0017] 其中步骤1)中所述的不同商品的相关或相似商品集合计算，是获得每个商品的 相关或相似商品集合，计算每个商品品类的相关或相似商品，具体包括：
[0018] 1. 1)将商品根据商品的相似性进行分类，每一类为一个商品组；
[0019] 1. 2)采用协同过滤或者关联规则计算每个商品的关联商品组；
[0020] 1. 3)采取每个商品组下相关性最高的前N个商品组下的全部商品作为该商品组 下巧品的相关或者相似巧品。
[0021] 其中步骤2)中所述的构造商品购买预测特征向量包括：分别计算加入购物车中 商品的相关或相似商品、加入收藏夹的商品的相关或相似商品，浏览该商品的次数和时长、 浏览相似或相关商品的次数和、时长、购买过相关商品记录的特征值。
[0022] 还包括，对所述购买预测模型进行训练。
[0023] 其中步骤S4具体包括：
[0024] 步骤S401、基于用户的购买历史行为数据，采用关联规则或者协同过滤算法，计算 该商品的关联商品，取关联度最高的前n个商品，作为该商品的相关或相似商品集合；
[00巧]步骤S402、利用购买概率预测模型和用户登录信息计算相关或相似商品的购买概 率。
[0026] 一种采用电子商务中商品推荐方法的系统，包括：
[0027] 用户行为数据获取模块，用于采集用户在电子商务网站的历史行为，或采集用户 登录信息，获取登录用户的历史信息；
[0028] 用户购买预测特征向量计算模块，用于基于用户历史行为或历史信息构造用户特 征向量，或根据登录用户的历史行为数据，构造用户特征向量；
[0029] 购买概率预测模型模块，根据用户特征向量训练购买概率预测模型模块，从而计 算获得商品的购买概率；或，根据登录用户的特征向量和训练购买概率预测模型模块计算 用户对商品的购买概率；
[0030] 用户商品推荐模块，用于根据商品的购买概率，将商品推荐给用户。其中，用户购 买预测特征向量计算模块，还包括：
[0031] 相似性计算模块，将商品根据商品的相似性进行分类，每一类为一个商品组；
[0032] 关联商品组计算模块，采用协同过滤或者关联规则计算每个上平的关联商品组；
[0033] 关联商品获取模块，采取每个商品组下相关性最高的前N个商品组下的全部上平 作为该商品组下商品的相关后相似商品。
[0034] 所述的系统采用上述的商品推荐方法。
[0035] 本发明提供了一种电子商务中商品推荐方法及其系统，实现对客户需求的商品进 行推荐，实现个性化推荐，提升客户满意度，增强良好的用户体验感。
【附图说明】
[0036] 图Ia为本发明涉及的方法总体流程示意图。
[0037] 图化为本发明涉及的方法的另一流程的示意图。
[0038] 图2为本发明具体实施例中的方法总体流程示意图。
[0039] 图3为本发明涉及的购买概率预测模型的框图示意图。
[0040] 图4a为本发明涉及的商品购买概率预测特征向量计算总体流程框图示意图。
[0041] 图4b为本发明涉及的实施例中页面权重计算、时间衰减函数计算W及相关和相 似商品计算的流程示意图。
[0042] 图5为本发明涉及的不同商品的相关相似商品集合计算流示意图。
[0043] 图6为本发明涉及的购买概率预测特征向量计算流程示意图。
[0044] 图7为本发明涉及的购买预测模型建设计算流程示意图。
[0045] 图8a为本发明涉及的计算相关或相似商品的购买概率计算流程示意图。
[0046] 图8b为本发明涉及的计算相关或相似商品的购买概率计算流程的后续步骤示意 图。
[0047] 图9为本发明涉及的系统的示意图。
【具体实施方式】
[0048] 商品购买概率预测是电子商务网站进行商品营销，个性化推荐等的基础预测数 据。而本发明中提出了一种电子商务中基于商品购买概率的商品推荐方法及其系统，该方 法基于用户在电子商务网站上的历史行为，采用线性回归和统计分类的方法预测用户对电 子商务网站上商品的购买概率。
[004引如图1曰，图化所示，本发明的具体实施例的流程，具体地，可W分解为如图2所示 的步骤，如下：
[0050] 1)采集用户在电子商务网站的历史行为；
[0051] 2)基于用户历史行为构造用户特征向量；
[005引如根据用户特征向量训练统计分类模型，从而计算获得商品的购买概率；
[005引 4)输出购买概率。
[0054]或，
[00巧]1)采集用户登录信息；
[0056] 2)获取登录用户的历史信息；根据登录用户的历史行为数据，构造用户特征向 量；
[0057] 3)根据登录用户的特征向量和训练的购买概率预测模型计算用户对商品的购买 概率；
[005引 4)输出购买概率。
[0059] 其中，如图3所示，购买概率预测模块进一步包括：
[0060] 1、用户历史行为信息获取模块：
[0061] 该模块主要用户采集用户的历史行为数据，包括用户浏览的网页，浏览网页的时 长，用户搜索过的商品，用户加入收藏夹的商品，用户加入购物车的商品，用户提交订单的 巧品；
[0062