一种O2O电商场景下用户的多种推荐算法的融合方法与流程

本发明涉及电商领域，尤其涉及一种o2o电商场景下用户的多种推荐算法的融合方法。

背景技术：

o2o即onlinetooffline(在线离线/线上到线下)，是指将线下的商务机会与互联网结合，让互联网成为线下交易的平台，用户在购物平台上消费时，商家会对用户进行相关商品的推荐，以达到吸引用户，增大销量的目的，常用的推荐算法如协同过滤和基于内容的个性化推荐算法，其中协同过滤简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人通过合作的机制给予信息相当程度的回应(如评分)并记录下来以达到过滤的目的进而帮助别人筛选信息，回应不一定局限于特别感兴趣的；基于内容的推荐算法关键在于标签，推荐算法将产品分解为一系列标签，并根据用户对产品的行为(例如，购买、浏览)将用户也描述为一系列标签。

上述方法在推荐过程中都存在准确度和单一性等问题；用户的喜好程度和口味不尽相同，基于时间、地理未知的维度信息也增加了推荐系统的难度。

为解决上述问题，本技术中提出一种o2o电商场景下用户的多种推荐算法的融合方法。

技术实现要素：

(一)发明目的

为解决背景技术中存在的技术问题，本发明提出一种o2o电商场景下用户的多种推荐算法的融合方法，本发明利用个性化融合内容和协同过滤推荐算法一定程度上满足了用户的多样性需求和粒度上的兴趣需求；引入商品展示位置加权、门店品类加权、考虑当前用户所处的场景等信息，通过这些策略在推荐算法的不同表现进行融合，不同的算法在上述维度上表现各有优劣，利用融合策略最大程度释放每种算法的优点，从而实现对不同用户的推荐的精准性、高效性。

(二)技术方案

为解决上述问题，本发明提供了一种o2o电商场景下用户的多种推荐算法的融合方法，方法步骤包括：

s1、收集用户信息；

s2、将协同过滤和内容融合，采用融合的个性化推荐算法处理用户信息；

s3、对处理后的信息进行校正；

s4、综合个性化推荐算法和校正结果，向用户推荐个性化商品；

s5、追踪用户对推荐商品的接受情况，并收集相关数据。

优选的，在s1中，收集的信息内容包括用户在购物平台上的浏览、收藏和购买的商品信息。

优选的，在s2中，首先将购物平台上的商品分解为一系列标签，并根据标签进行分类；接着对收集的用户信息进行标签化处理，计算每个用户的兴趣标签，并根据用户的兴趣标签近似度进行分组；例如，用户购买了一个产品，则将该产品的所有标签对应给该用户，每个标签打分为1，用户浏览了一个产品，则将该产品的所有标签对于给该用户，每个标签打分为0.5；然后参考同组用户的兴趣标签及个人兴趣标签来推荐用户感兴趣的商品信息；最后对新推出的商品进行标签化处理，根据新商品的标签与用户兴趣标签的匹配度进行相关推荐。

优选的，在s3中，引入商品展示位置加权、门店品类加权、考虑当前用户所处的场景信息对个性化推荐算法结果进行校正。

优选的，在s5中，对用户进行商品推荐后，追踪用户对商品的浏览、收藏和购买情况，收集相关信息，从而进一步校正推荐算法的准确性。

本发明的上述技术方案具有如下有益的技术效果：

常用的推荐算法如协同过滤和基于内容的个性化推荐算法，在推荐过程中存在准确度和单一性等问题；用户的喜好程度和口味不尽相同，基于时间、地理未知的维度信息也增加了推荐系统的难度，本发明利用个性化融合内容和协同过滤推荐算法一定程度上满足了用户的多样性需求和粒度上的兴趣需求；引入商品展示位置加权、门店品类加权、考虑当前用户所处的场景等信息，通过这些策略在推荐算法的不同表现进行融合，不同的算法在上述维度上表现各有优劣，利用融合策略最大程度释放每种算法的优点，从而实现对不同用户的推荐的精准性、高效性。

附图说明

图1为本发明提出的一种o2o电商场景下用户的多种推荐算法的融合方法的流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

如图1所示，本发明提出的一种o2o电商场景下用户的多种推荐算法的融合方法，方法步骤包括：

s1、收集用户信息；

s2、将协同过滤和内容融合，采用融合的个性化推荐算法处理用户信息；

s3、对处理后的信息进行校正；

s4、综合个性化推荐算法和校正结果，向用户推荐个性化商品；

s5、追踪用户对推荐商品的接受情况，并收集相关数据。

在一个可选的实施例中，在s1中，收集的信息内容包括用户在购物平台上的浏览、收藏和购买的商品信息。

在一个可选的实施例中，在s2中，首先将购物平台上的商品分解为一系列标签，并根据标签进行分类；接着对收集的用户信息进行标签化处理，计算每个用户的兴趣标签，并根据用户的兴趣标签近似度进行分组；例如，用户购买了一个产品，则将该产品的所有标签对应给该用户，每个标签打分为1，用户浏览了一个产品，则将该产品的所有标签对于给该用户，每个标签打分为0.5；然后参考同组用户的兴趣标签及个人兴趣标签来推荐用户感兴趣的商品信息；最后对新推出的商品进行标签化处理，根据新商品的标签与用户兴趣标签的匹配度进行相关推荐。

在一个可选的实施例中，在s3中，引入商品展示位置加权、门店品类加权、考虑当前用户所处的场景信息对个性化推荐算法结果进行校正。

在一个可选的实施例中，在s5中，对用户进行商品推荐后，追踪用户对商品的浏览、收藏和购买情况，收集相关信息，从而进一步校正推荐算法的准确性。

本发明中，利用个性化融合内容和协同过滤推荐算法一定程度上满足了用户的多样性需求和粒度上的兴趣需求；引入商品展示位置加权、门店品类加权、考虑当前用户所处的场景等信息，通过这些策略在推荐算法的不同表现进行融合，不同的算法在上述维度上表现各有优劣，利用融合策略最大程度释放每种算法的优点，从而实现对不同用户的推荐的精准性、高效性。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

技术特征：

技术总结
一种O2O电商场景下用户的多种推荐算法的融合方法，方法步骤包括：收集用户信息；将协同过滤和内容融合，采用融合的个性化推荐算法处理用户信息；对处理后的信息进行校正；综合个性化推荐算法和校正结果，向用户推荐个性化商品；追踪用户对推荐商品的接受情况，并收集相关数据。本发明利用个性化融合内容和协同过滤推荐算法一定程度上满足了用户的多样性需求和粒度上的兴趣需求；引入商品展示位置加权、门店品类加权、考虑当前用户所处的场景等信息，通过这些策略在推荐算法的不同表现进行融合，不同的算法在上述维度上表现各有优劣，利用融合策略最大程度释放每种算法的优点，从而实现对不同用户的推荐的精准性、高效性。

技术研发人员：韩强;周小草;柳晛;王浩
受保护的技术使用者：达疆网络科技（上海）有限公司
技术研发日：2019.06.05
技术公布日：2019.09.27