商店及商品推荐方法、装置、设备及可读存储介质与流程

本发明涉及大数据领域，具体涉及一种商店及商品推荐方法、装置、设备及可读存储介质。

背景技术：

随着社会的不断发展，未来城市将承载更多的人口，因而城市的可持续发展显得尤为重要。智慧城市的起点是现代信息技术发展下的网络化和数字化，最终目的是将其上升到整合、集群、协同管理的高度，与绿色可持续发展相结合，构建宜居的城市环境。智慧城市以物联网、云计算、大数据、空间地理信息集成等新一代信息技术为基础，通过感知、分析、整合城市运行核心系统的各项关键信息，对城市服务、公共安全、环保、民生、工商业活动在内的各种需求做出智能响应，实现城市规划管理信息化、基础设施智能化、公共服务便捷化。

现有的精准营销方法大多根据历史购物数据以及搜索历史来推荐商品、店铺等，并未对用户的个人信息进行全面分析，使得对用户的购物消费需求预测得不够精准。

技术实现要素：

本发明的目的在于克服现有技术中所存在的上述不足，提供一种商店及商品推荐方法、装置、设备及可读存储介质，所述商店及商品推荐方法通过对用户数据进行分析，结合物联网、大数据及神经网络，对用户进行精准画像，预测用户的购物需要，以推荐相应的商店或商品。

为了实现上述发明目的，本发明提供了以下技术方案：

一种商店及商品推荐方法，包括以下步骤：

s1，获取待预测数据，所述待预测数据包括用户数据与商店商品数据；

s2，根据步骤s1的用户数据与商店商品数据获得表征用户数据的用户特征向量以及表征商店商品数据的商店商品特征向量；

s3，将用户特征向量和商店商品特征向量输入神经网络模型中，输出概率向量；

s4，根据所述概率向量预测用户的购物需求，并推荐相应的商店及商品。

优选地，所述用户特征向量包括历史购物信息、搜索信息、消费水平、购物风格、年龄、身份、性别信息。

优选地，所述用户特征向量还包括位置信息。

优选地，所述步骤s3采用的神经网络模型还需采用训练样本训练，以更新神经网络模型各层的参数，进而提高神经网络模型的预测准确度；训练过程包括以下步骤：

t1，输入已标注的样本数据构建样本库，所述样本数据包括用户数据与商店商品数据；

t2，将样本库中的数据采用特征向量的形式表述，得到样本用户特征向量和样本商店商品特征向量；

t3，采用样本用户特征向量和样本商店商品特征向量对神经网络模型中的参数值进行训练，更新参数值。

优选地，所述用户特征向量通过用户画像分析获取，具体获取方式如下所示：

步骤a1，输入待测用户数据，通过sql查询和数据清洗获取用户的静态画像，所述静态画像包括年龄、职业、性别、婚姻状况、子女状况数据；

步骤a2，所述用户数据经过sql查询和数据清洗后输入多标签学习预测模型，获得用户的动态画像，所述动态画像包括用户的购物消费需求。

优选地，所述步骤a1中的数据清洗是指去除不合规则的数据信息，所述不合规则的数据信息包括重复记录的信息、不合法值、噪声数据、空值和缺失值以及隐私信息。

优选地，所述多标签学习预测模型的预测过程如下所示：

a21，输入多标签学习预测模型的数据按照标签种类进行分类，获取该数据针对每一个标签的特征向量；

a22，每一个标签的特征向量通过该标签对应的分类器获取每一个标签的预测概率向量；

a23，每一个标签的预测概率向量通过多标签分类器得到预测结果。

一种商店及商品推荐装置，包括：数据获取模块、数据处理模块、模型模块以及模型训练模块；

其中，数据获取模块，用于获取用户数据和商店商品数据；

数据处理模块，用于将用于获取的用户数据和商店商品数据转换为特征向量，并将特征向量输入模型模块；

模型模块，用于利用神经网络模型预测未来的购物消费需求；

模型训练模块，用于利用样本库的样本数据训练神经网络模型，更新模型参数。

一种商店及商品推荐设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时，实现商店及商品推荐方法的步骤。

一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现商店及商品推荐方法的步骤。

与现有技术相比，本发明的有益效果：。

结合大数据就可以对用户进行分析，做精准画像，以预测用户的购物需要，以推荐相应的商店以及商品等信息。

附图说明：

图1为本发明示例性实施例1的商店及商品推荐方法的流程图；

图2为本发明示例性实施例1的商店及商品推荐方法的训练过程流程图；

图3为本发明示例性实施例1的商店及商品推荐方法的训练过程步骤t3的流程图；

图4为本发明示例性实施例1的商店及商品推荐方法的用户特征的获取流程图；

图5为本发明示例性实施例1的商店及商品推荐方法的多标签学习预测模型的预测过程流程图；

图6为本发明示例性实施例2中商店及商品推荐装置的结构示意图；

图7为本发明示例性实施例3中商店及商品推荐设备的结构示意图；

图8为本发明示例性实施例3中商店及商品推荐设备的具体结构示意图。

具体实施方式

下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

实施例1

如图1所示，本实施例提供一种商店及商品推荐方法，包括以下步骤：

步骤s1，获取待预测数据，所述待预测数据包括用户数据与商店商品数据；

其中，用户数据包括年龄、职业、性别、位置信息、婚姻状况、子女状况、历史购物信息以及搜索历史等数据；商店商品数据包括商店类型、商店名称、商店位置、商品名称等数据。

步骤s2，根据步骤s1的用户数据与商店商品数据获得表征用户数据的用户特征向量以及表征商店商品数据的商店商品特征向量；

步骤s3，将用户特征向量和商店商品特征向量输入神经网络模型中，输出概率向量；

步骤s4，根据所述概率向量推荐相应的商店及商品。

用手机拨打电话、接发短信、浏览网页等行为发生时，就会产生大量的数据，这些已经产生的数据记作用户数据，通过对这些用户数据进行分析，得到用户特征向量，结合商店商品信息，预测用户的购物消费需求，推荐相应的商家或商品。上述用户购物消费需求预测方法通过wifi探针设备、gps设备、蓝牙模块、rfid模块、通讯模块等模块，获取手机设备的mac地址(网卡mac)及imei码(手机串码)以及其他信息，获取的数据通过数据融合、数据统计、数据分析等，实现智能决策。上述商店及商品推荐通过物联网、云计算、大数据等技术相结合，更好地对用户数据进行整理、统计及分析，综合考虑用户各方面的信息，预测其购物消费需求，减少用户获取收集商品信息的时间，更快更精准的提供其所需购买商品的信息；同时针对商家，能够快速发现其潜在客户，实现精准营销。

现有的商店及商品推荐方法大多根据历史购物数据以及搜索历史来推荐商品以及商店等，本实施所述方法基于已产生的大量的用户数据获取表征用户数据的用户特征向量，所述用户特征向量包括历史购物信息、搜索信息、消费水平、购物风格、年龄、身份、性别信息。所述用户特征向量与商店商品特征向量输入神经网络模型中，获得概率向量，依据概率向量推荐相应的商店及商品。

例如用户特征向量显示用户最近搜索历史为求职、身份为应届毕业生、性别男性，则会推荐西装、证件照拍摄等类型与求职相关联的商品；确认商品类型后，通过神经网络模型综合考虑用户的消费水平、购物风格、商品的评价等信息，得到概率向量，即对西装和证件照拍摄等商品进行排序，以推荐相应商家的商品。

其中用户特征向量还包括位置信息。

例如用户特征向量显示用户最近购物历史为健身器材、出现轨迹有健身房的记录，则会推荐健身餐等商品；若用户的消费水平为中等、且海鲜过敏，则会推荐非海鲜的与其消费水平相匹配的健身餐商品，并综合考虑配送距离，推荐相应商家的健身餐。

综合考虑用户的购物历史、消费水平、购物倾向、年龄、职业以及位置等信息，推荐用户一定距离范围内的相应的商店及商品；例如在位置a的用户，之前的购物历史显示该用户在附近的商店b购买过商品c，且根据消费频次预测用户需要购买商品c，即推荐商店b的商品c给用户；若用户购买过商品c，但最近经常搜索同类型商品商品d，则推荐距离最近的商品d所在的商店给用户；具体的预测过程由神经网络模型控制，上述推荐结果仅为可能出现的实例。

上述商店及商品推荐方法通过物联网、云计算、大数据等技术相结合，更好地对用户数据进行整理、统计及分析，综合考虑用户各方面的信息，预测其购物消费需求，结合其所在位置信息，推荐商店及商品，更快更精准的提供其所需购买商品的信息；同时针对商家，能够快速发现其潜在客户，实现精准营销。

步骤s3采用的神经网络模型还需采用训练样本训练，以更新神经网络模型各层的参数，进而提高神经网络模型的预测准确度；如图2所示，训练过程包括以下步骤：

步骤t1，输入已标注的样本数据构建样本库，所述样本数据包括用户数据与商店商品数据；

步骤t2，将样本库中的数据采用特征向量的形式表述，得到样本用户特征向量和样本商店商品特征向量；

步骤t3，采用样本用户特征向量和样本商店商品特征向量对神经网络模型中的参数值进行训练，更新参数值。

如图3所示，步骤t3更新参数值的详细步骤如下所述：

步骤t31，将一样本的用户特征向量和样本商店商品特征向量输入至神经网络模型中，经过神经网络模型的运算获得输出概率；

步骤t32，将输出概率与该已标注样本的真实值相比较，获得偏差值；

步骤t33，若偏差值大于预设阈值，则执行步骤t34；若偏差值小于预设阈值，则训练结束；

步骤t34，根据偏差值校正神经网络模型各个层的参数值，更新参数值，并更换样本，执行步骤t31至t33。

所述样本标注了真实的购买商品信息，通过采用已标注的样本进行训练，以调整模型的参数，使其推荐的商店及商品信息更为准确。通过训练神经网络，提高神经网络模型的预测精准度。

如图4所示，用户特征向量通过用户画像分析获取，具体获取方式如下所示：

步骤a1，输入待测用户数据，通过sql查询和数据清洗获取用户的静态画像，所述静态画像包括年龄、职业、性别、婚姻状况、子女状况等数据；

步骤a2，所述用户数据经过sql查询和数据清洗后输入多标签学习预测模型，获得用户的动态画像，所述动态画像包括用户购物消费需求；购物消费需求信息包括用户的购物商品，购物偏好，购物力度，购物间隔时间等。

如图5所示，步骤a1中的数据清洗是指去除不合规则的数据信息，如重复记录、不合法值、噪声数据、空值和缺失值以及隐私信息。

其中，多标签学习预测模型的预测过程如下所示：

a21，输入多标签学习预测模型的数据按照标签种类进行分类，获取该数据针对每一个标签的特征向量；

a22，每一个标签的特征向量通过该标签对应的分类器获取每一个标签的预测概率向量；

a23，每一个标签的预测概率向量通过多标签分类器得到预测结果。

本实施例步骤a21中采用的分类方法为k-means聚类方法。本实施例步骤a22中采用的分类器为xgboost分类器或gbdt分类器；则采用的多标签分类器为xgboost多标签分类器或gbdt多标签分类器。

多标签学习预测模型需采用已标注的样本进行训练，以调整模型的参数，使其得到的用户特征向量与购物相关，例如为历史购物信息、搜索信息、消费水平、购物风格等，以更加准确的推荐商店及商品信息。

本实施例通过大数据与神经网络相结合，进行数据挖掘、数据分析和数据应用，以提供与购物消费需求相匹配的商店及商品信息，帮助用户更好地了解商店与商品，更快速的购买到符合用户购物需求的商品。

实施例2

相应于上面的方法实施例，本实施例还提供了一种商店及商品推荐装置，下文描述的商店及商品推荐装置与上文描述的商店及商品推荐方法可相互对应参照。

参见图6所示，该装置包括以下模块：数据获取模块101、数据处理模块102、模型模块103以及模型训练模块104；

其中，数据获取模块101，用于获取用户数据和商店商品数据；本实施例可以通过手机或移动终端等采集用户数据；采集的用户数据包括手机或移动终端等wifimac地址、根据手机设备的mac地址和imei，通过云端大数据比对，定位用户的身份，获取到对应的手机号、日常使用的app等信息。

数据处理模块102，用于将获取的用户数据和商店商品数据转换为特征向量，并将特征向量输入模型模块103；

模型模块103，用于利用神经网络模型预测未来的购物消费需求；本实施例使用mapreduce计算框架对分布式存储的海量数据进行计算，在此基础上实现数据共享、数据融合、统计分析、智能决策。

模型训练模块104，用于利用样本库的样本数据训练神经网络模型，更新模型参数。

数据处理模块102还包括用户画像分析模块，通过用户画像分析模块将用户数据转换为用户特征向量；

所述用户画像分析模块包括查询清洗模块以及多标签学习预测模块；所述查询清洗模块用于剔除不合规则的数据信息，并获取用户的静态画像；所述多标签学习预测模块采用xgboost分类器获取用户标签，将用户数据转换为用户特征向量，以预测用户的购物消费需求。

应用本发明实施例所提供的装置，获取用户数据和商店商品数据；数据通过数据处理模块102转换为相应的特征向量，通过模型模块预测购物消费需求，以提供与购物消费需求相匹配的商店及商品信息，帮助用户更好地了解商店与商品，更快速的购买到符合用户购物需求的商品。

实施例3

相应于上面的方法实施例，本实施例还提供了一种商店及商品推荐设备，下文描述的一种商店及商品推荐设备与上文描述的一种商店及商品推荐方法可相互对应参照。

参见图7所示，该商店及商品推荐设备包括：

存储器dl，用于存储计算机程序；

处理器d2，用于执行计算机程序时实现上述方法实施例的商店及商品推荐方法的步骤。

具体的，请参考图8，为本实施例提供的商店及商品推荐设备的具体结构示意图，该商店及商品推荐设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessingunits，cpu；或gpu，npu，fpga等)322(例如，一个或一个以上处理器)和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在用户行政业务需求预测设备301上执行存储介质330中的一系列指令操作。

商店及商品推荐设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341。例如，windowsservertm，macosxtm，unixtm，linuxtm，freebsdtm等。

上文所描述的商店及商品推荐方法中的步骤可以由商店及商品推荐设备的结构实现。

实施例4

相应于上面的方法实施例，本实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种商店及商品推荐方法可相互对应参照。

一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的商店及商品推荐方法的步骤。

该可读存储介质具体可以为u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

以上所述，仅为本发明具体实施方式的详细说明，而非对本发明的限制。相关技术领域的技术人员在不脱离本发明的原则和范围的情况下，做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。