商品推荐方法和装置与流程

1.本技术涉及计算机领域，具体而言，涉及一种商品推荐方法和装置。


背景技术：

2.随着信息技术的不断发展，线上购物广泛应用，现有平台不管是商户独立商城或者公共平台，均只是给商户搭建了一个线上环境，用于线上销售，线上销售也仅是局限商户自主行为，商户基于自己已有资源来进行运营处理，客群单一，对不同客群的商品推荐准确性较差，从而导致商户拓客难度大。
3.现有技术中存在针对不同客群进行商品推荐的准确性较低的技术问题。


技术实现要素：

4.本技术的主要目的在于提供一种商品推荐方法和装置，以提高针对不同客群进行商品推荐的准确性。
5.为了实现上述目的，在本技术的第一方面，提出了一种商品推荐方法，包括：
6.对用户行为数据进行商品偏好分析，得到第一推荐特征数据，其中，所述第一推荐特征数据为用户偏好特征数据；
7.对商户数据进行用户群分析，得到第二推荐特征数据，其中，所述第二特征数据为商户目标群特征数据；
8.根据用户信息对所述第一推荐特征数据和所述第二推荐特征数据进行过滤处理，得到商户相似群特征数据；以及
9.在预设商品数据库中匹配与所述商户相似群特征数据对应的商品数据。
10.可选地，对用户行为数据进行商品偏好分析，得到第一推荐特征数据包括：
11.对所述用户行为数据进行识别，得到显性反馈行为数据与隐性反馈行为数据；
12.对所述显性反馈行为数据进行显性特征计算处理，得到显性特征数据；
13.对所述隐性反馈行为数据进行隐性特征计算处理，得到隐性特征数据；以及
14.基于预设特征权重对所述显性特征数据和所述隐性特征数据进行推荐特征生成处理，得到所述第一推荐特征数据。
15.可选地，对商户数据进行用户群分析，得到第二推荐特征数据包括：
16.对所述商户数据进行识别，得到用户商户数据和商户特征数据，其中，所述用户商户数据为用户在商户中的相关数据；
17.对所述用户商户数据进行商品偏好分析，得到所述商户的用户偏好特征数据；以及
18.对所述商户特征数据与所述商户的用户偏好特征数据进行用户群分析处理，得到所述第二推荐特征数据。
19.可选地，根据用户信息对所述第一推荐特征数据和所述第二推荐特征数据进行过滤处理，得到商户相似群特征数据包括：
20.对所述第一推荐特征数据进行识别，得到第一用户画像数据；
21.对所述第二推荐特征数据进行识别，得到第二用户画像数据；
22.计算所述第一用户画像数据与所述第二用户画像数据的相似度，若满足预设用户相似度规则，得到所述商户相似度特征数据，其中，所述商户相似度特征数据与所述第一用户画像数据对应；以及
23.若不满足预设用户相似度规则，更新所述第一用户画像数据，直至满足所述预设相似度规则，得到所述商户相似度特征数据。
24.可选地，在预设商品数据库中匹配与所述商户相似群特征数据对应的商品数据包括：
25.对所述商户相似群特征数据进行识别，得到相似偏好商品特征数据，其中，所述相似偏好商品特征数据与所述商户相似群特征数据对应；
26.对所述商户数据进行识别，得到商户商品特征数据；
27.计算所述相似偏好商品特征数据与所述商户商品特征数据的相似度，若满足预设商品相似度规则，在预设商品数据库中匹配与所述相似偏好商品特征数据对应的商品数据；以及
28.若不满足所述预设商品相似度规则，输出提示信息。
29.根据本技术的第二方面，提出了一种商品推荐装置，包括：
30.第一分析模块，用于对用户行为数据进行商品偏好分析，得到第一推荐特征数据，其中，所述第一推荐特征数据为用户偏好特征数据；
31.第二分析模块，用于对商户数据进行用户群分析，得到第二推荐特征数据，其中，所述第二特征数据为商户目标群特征数据；
32.综合分析模块，用于根据用户信息对所述第一推荐特征数据和所述第二推荐特征数据进行过滤处理，得到商户相似群特征数据；以及
33.商品模块，用于在预设商品数据库中匹配与所述商户相似群特征数据对应的商品数据。
34.可选地，第一分析模块，包括：
35.行为识别模块，用于对所述用户行为数据进行识别，得到显性反馈行为数据与隐性反馈行为数据；
36.显性特征模块，用于对所述显性反馈行为数据进行显性特征计算处理，得到显性特征数据；
37.隐形特征模块，用于对所述隐性反馈行为数据进行隐性特征计算处理，得到隐性特征数据；以及
38.第一特征模块，用于基于预设特征权重对所述显性特征数据和所述隐性特征数据进行推荐特征生成处理，得到所述第一推荐特征数据。
39.可选地，第二分析模块，包括：
40.商户数据识别模块，用于对所述商户数据进行识别，得到用户商户数据和商户特征数据，其中，所述用户商户数据为用户在商户中的相关数据；
41.偏好分析模块，用于对所述用户商户数据进行商品偏好分析，得到所述商户的用户偏好特征数据；以及
42.用户群分析模块，用于对所述商户特征数据与所述商户的用户偏好特征数据进行用户群分析处理，得到所述第二推荐特征数据。
43.根据本技术的第三方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行上述的商品推荐方法。
44.根据本技术的第四方面，提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行上述的商品推荐方法。
45.本技术的实施例提供的技术方案可以包括以下有益效果：
46.在本技术中，获取平台用户的行为数据，对用户行为数据进行商品偏好分析，得到第一推荐特征数据，对平台商户的商户数据进行分析，得到第二推荐特征数据，根据第二推荐特征数据，对第一推荐特征数据进行相似群特征数据计算，得到与商户目标用户群相似的用户群数据，计算相似用户群特征数据，通过像是用户群特征数据得到对应的推荐商品数据，通过得到推荐商品数据，商户可进行推荐商品补充，进而实现商户客群的拓展，本技术中通过从商户和用户维度进行商品推荐，解决了现有技术中商品推荐准确率较低的技术问题，提高了商品推荐准确率，从而提高的商户的拓客效率。
附图说明
47.构成本技术的一部分的附图用来提供对本技术的进一步理解，使得本技术的其它特征、目的和优点变得更明显。本技术的示意性实施例附图及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
48.图1为本技术提供的一种商品推荐方法的流程示意图；
49.图2为本技术提供的一种商品推荐方法的流程示意图；
50.图3为本技术提供的一种商品推荐方法的流程示意图；
51.图4为本技术提供的一种商品推荐方法的流程示意图；
52.图5为本技术提供的一种商品推荐方法的流程示意图；
53.图6为本技术提供的一种商品推荐装置的结构示意图；
54.图7为本技术提供的另一种商品推荐装置的结构示意图。
具体实施方式
55.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
56.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的
过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
57.在本技术中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本技术及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
58.并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本技术中的具体含义。
59.此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，“连接”可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本技术中的具体含义。
60.图1为本技术提供的一种商品推荐的数据处理方法，如图1所示，该方法包括以下步骤：
61.s101：对用户行为数据进行商品偏好分析，得到第一推荐特征数据；
62.第一推荐特征数据为用户偏好特征数据。通过获取用户在当前平台中的行为数据，对用户行为数据进行商品偏好分析，得到用户的推荐特征数据，在对用户行为数据进行商品偏好分析前，对用户行为数据进行预处理，用户行为数据从平台数据库中获取得到，可以基于预设的数据分析规则，对用户行为数据进行无效数据和错误数据过滤操作，可以根据用户画像数据对用户行为数据进行分析，用户画像数据可以为用户年龄，用户地区，用户购物频次等，举例说明，如，根据用户的年龄段进行对应的年龄段客群的行为数据采集，不同的年龄段对应不同用户群的行为数据，得到对应的第一偏好特征数据；根据用户的地区进行对应的地区的行为数据采集分析，不用的地区对应不同用户群的行为数据，得到对应的第一偏好特征数据。也可以根据当前平台中的商品种类进行用户行为数据的分析。
63.图2为本技术提供的一种商品推荐的数据处理方法，如图2所示，该方法包括以下步骤：
64.s201：对所述用户行为数据进行识别，得到显性反馈行为数据与隐性反馈行为数据；
65.根据行为数据类型对获取的用户行为数据进行识别，其中，显性反馈行为，包括用户对商品的评价、下的订单中的商品频次、购物车商品等；隐性反馈行为，包括用户多商户店铺页面浏览商品数据。
66.s202：对所述显性反馈行为数据进行显性特征计算处理，得到显性特征数据；
67.通过预设的算法模型，对显性反馈行为数据进行显性特征计算，得到显性特征。
68.s203：对所述隐性反馈行为数据进行隐性特征计算处理，得到隐性特征数据；
69.通过预设的算法模型，对隐性反馈行为进行隐性特征计算，得到隐性特征数据。
70.s204：基于预设特征权重对所述显性特征数据和所述隐性特征数据进行推荐特征生成处理，得到所述第一推荐特征数据。
71.对显性特征数据和隐性特征数据设置不同的特征权重，计算得到当前用户群对应的推荐特征数据。举例说明如，获取用户群a中的显性特征数据和隐性特征数据，用户群a中存在大量的商品，分别计算多个商品对应的显性特征数据和隐性特征数据，得到用户群a分别对多个商品的偏好值，按照偏好值由高到低的顺序进行排列，选取前n个商品对应的数据信息，得到第一推荐特征数据。
72.在本技术的实施例中，通过获取全平台用户的行为数据，得到平台用户中不同用户群的对应的偏好商品，得到基于用户维度的商品推荐，通过对平台中的用户偏好特征进行分析，可以得到当前平台中用户的偏好特征，更便于平台商户针对当前平台中用户的偏好特征进行对应客群的商品推荐，提高商户拓客效率。
73.s102：对商户数据进行用户群分析，得到第二推荐特征数据；
74.其中，第二特征数据为商户目标群特征数据；
75.图3为本技术提供的一种商品推荐的数据处理方法，如图3所示，该方法包括以下步骤：
76.s301：对所述商户数据进行识别，得到用户商户数据和商户特征数据；
77.用户商户数据为用户在商户中的相关数据，用户商户数据为用户在当前商户中产生的行为数据，包括：购物数据、浏览数据、评价数据等；商户特征数据为商户的经营数据，如经营时长、经营商品种类、商户类型等。
78.s302：对所述用户商户数据进行商品偏好分析，得到所述商户的用户偏好特征数据；
79.对当前商户中用户的行为数据进行偏好分析，可以通过上述用户行为数据分析方法识别得到当前商户中的用户群偏好商品，得到当前商户中的不同商品的用户偏好。
80.s303：对所述商户特征数据与所述商户的用户偏好特征数据进行用户群分析处理，得到所述第二推荐特征数据。
81.根据预设的机器学习模型识别商户特征数据与所述商户的用户偏好特征的关联关系，得到第二推荐特征数据。如，判断商户的经营商品种类与用户的偏好特征的关联程度，商户经营不同种类的电子产品，不同种类的电子产品与当前商户的客户群的关联关系，判断商户的类型与用户的偏好特征的关联程度，商户是否为连锁型与当前商户的客户群的关联关系。
82.s103：根据用户信息对第一推荐特征数据和第二推荐特征数据进行过滤处理，得到商户相似群特征数据；
83.图4为本技术提供的一种商品推荐的数据处理方法，如图4所示，该方法包括以下步骤：
84.s401：对所述第一推荐特征数据进行识别，得到第一用户画像数据；
85.s402：对所述第二推荐特征数据进行识别，得到第二用户画像数据；
86.s403：计算所述第一用户画像数据与所述第二用户画像数据的相似度；
87.s404：若满足预设用户相似度规则，得到所述商户相似度特征数据；
88.其中，所述商户相似度特征数据与所述第一用户画像数据对应。
89.s405：若不满足预设用户相似度规则，更新所述第一用户画像数据，直至满足所述预设相似度规则，得到所述商户相似度特征数据。
90.识别第二推荐特征数据中的当前商户的用户群画像数据，得到当前商户的目标用户群画像，识别第一特征数据中的不同用户群的画像数据，将根据第一特征数据得到的不同用户群的不同画像数据与第二用户画像数据进行比较，得到当前商户的目标用户群的相似用户群。
91.s104：在预设商品数据库中匹配与商户相似群特征数据对应的商品数据。
92.图5为本技术提供的一种商品推荐的数据处理方法，如图5所示，该方法包括以下步骤：
93.s501：对所述商户相似群特征数据进行识别，得到相似偏好商品特征数据；
94.其中，所述相似偏好商品特征数据与所述商户相似群特征数据对应。
95.s502：对所述商户数据进行识别，得到商户商品特征数据；
96.s503：计算所述相似偏好商品特征数据与所述商户商品特征数据的相似度；
97.s504：若满足预设商品相似度规则，在预设商品数据库中匹配与所述相似偏好商品特征数据对应的商品数据；
98.s505：若不满足所述预设商品相似度规则，输出提示信息。
99.得到当前商户的目标用户群的相似用户群的偏好商品，计算相似用户群的偏好商品与目标用户群的偏好商品的商品相似度，按照商品相似度由高到低的顺序进行排列，剔除相似度为100％的商品，选取预设相似度前m个的商品，得到推荐商品数据。
100.通过对当前商户目标群的相似用户群进行分析，得到相似用户群偏好的商品且当前商户缺少的商品，将上述商品数据推荐至商家，便于商家进行准确的用户的拓展，从用户的维度进行产品的补充，实现了提高商品推荐准确率和商户拓客效率的技术效果。
101.图6为本技术提供的一种商品推荐装置的结构示意图，如图6所述，该装置包括：
102.第一分析模块61，用于对用户行为数据进行商品偏好分析，得到第一推荐特征数据，其中，所述第一推荐特征数据为用户偏好特征数据；
103.第二分析模块62，用于对商户数据进行用户群分析，得到第二推荐特征数据，其中，所述第二特征数据为商户目标群特征数据；
104.综合分析模块63，用于根据用户信息对所述第一推荐特征数据和所述第二推荐特征数据进行过滤处理，得到商户相似群特征数据；以及
105.商品模块64，用于在预设商品数据库中匹配与所述商户相似群特征数据对应的商品数据。
106.图7为本技术提供的一种商品推荐装置的结构示意图，如图7所述，该装置包括：
107.行为识别模块71，用于对所述用户行为数据进行识别，得到显性反馈行为数据与隐性反馈行为数据；
108.显性特征模块72，用于对所述显性反馈行为数据进行显性特征计算处理，得到显性特征数据；
109.隐形特征模块73，用于对所述隐性反馈行为数据进行隐性特征计算处理，得到隐性特征数据；以及
110.第一特征模块74，用于基于预设特征权重对所述显性特征数据和所述隐性特征数据进行推荐特征生成处理，得到所述第一推荐特征数据。
111.关于上述实施例中各单元的执行操作的具体方式已经在有关该方法的实施例中
进行了详细描述，此处将不做详细阐述说明。
112.综上所述，在本技术中，获取平台用户的行为数据，对用户行为数据进行商品偏好分析，得到第一推荐特征数据，对平台商户的商户数据进行分析，得到第二推荐特征数据，根据第二推荐特征数据，对第一推荐特征数据进行相似群特征数据计算，得到与商户目标用户群相似的用户群数据，计算相似用户群特征数据，通过像是用户群特征数据得到对应的推荐商品数据，通过得到推荐商品数据，商户可进行推荐商品补充，进而实现商户客群的拓展，本技术中通过从商户和用户维度进行商品推荐，解决了现有技术中商品推荐准确率较低的技术问题，提高了商品推荐准确率，从而提高的商户的拓客效率。
113.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
114.显然，本领域的技术人员应该明白，上述的本技术的各单元或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本技术不限制于任何特定的硬件和软件结合。
115.以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。