一种基于供应链的商品的智能推荐方法及系统与流程

本发明涉及数据处理，具体而言，涉及一种基于供应链的商品的智能推荐方法及系统。

背景技术：

1、随着电子商务的迅速发展和供应链管理的重要性日益凸显，传统的商品推荐方法的问题逐步凸显，表现为传统商品推荐主要基于用户的历史购物数据，忽视了供应链的影响，无法全面考虑商品的实际供应情况和用户需求的匹配度。历史购物数据仅能反映用户的个人偏好，然而商品的供应链信息则能更全面地反映商品的实际情况，如供货周期、存储量和货物生产量等因素，传统商品推荐方式因缺少考虑因素容易造成用户体验感下降，无法为用户提供准确的购物导向。

2、因此，本发明提出了一种基于供应链的商品的智能推荐方法及系统，为更准确地推荐适合用户的商品，并提高用户的购物体验，将用户的历史购物数据与供应链信息相结合。

技术实现思路

1、鉴于此，本发明提出了一种基于供应链的商品的智能推荐方法及系统，旨在解决当前供应链信息考虑不足、个性化推荐不满足用户需求的问题。

2、一个方面，本发明提出了一种基于供应链的商品的智能推荐方法，包括：

3、获取历史购物数据构建用户－商品矩阵r，对用户进行相似度计算，其中，所述相似度计算公式示下：

4、

5、其中，n表示用户i和用户j都评价过的商品集合，表示用户i的平均评分，表示用户j的平均评分，wi,k表示用户i对商品k的权重，wj,k表示用户j对商品k的权重；rj,k表示用户i对商品k的评分；

6、选择待推荐目标用户，对所述待推荐目标用户进行所述相似度计算，获取相似度较高用户，根据所述相似度较高用户获取相似商品集合；

7、对所述相似商品集合进行处理，生成推荐列表，并对所述推荐列表中商品进行推荐度排序；

8、获取所述推荐列表中商品的供应信息，根据所述供应信息对所述推荐度排序进行调整，根据调整后的推荐度排序向所述待推荐目标用户推荐商品。

9、进一步的，对所述相似商品集合进行处理，生成推荐列表，并对所述推荐列表中商品进行推荐度排序，包括：

10、对所述相似商品集合内的商品进行推荐度计算，根据推荐度从大到小生成推荐列表；

11、其中计算推荐度公式如下：

12、

13、其中，score(u,j)表示用户u对商品j的推荐度，k表示相似用户集合的大小，wu,v表示用户u和相似用户v的相似度，rv,j表示相似用户v对商品j的购买记录。

14、进一步的，获取所述推荐列表中商品的供应信息，根据所述供应信息对所述推荐度排序进行调整，其中，所述供应信息包括：存储量△c、供货周期△t和生产速率△s；

15、预先设定第一预设存储量c1、第二预设存储量c2、第三预设存储量c3和第四预设存储量c4，且c1＜c2＜c3＜c4；

16、预先设定第一预设调整系数a1、第二预设调整系数a2、第三预设调整系数a3和第四预设调整系数a4，且a1＜a2＜a3＜a4；

17、根据所述存储量△c与各预设存储量的大小关系选取调整系数对所述推荐度△d进行调整；

18、当c1≤△c＜c2时，选取所述第一预设调整系数a1对所述推荐度△d进行调整，获取调整后的推荐度△d*a1；

19、当c2≤△c＜c3时，选取所述第二预设调整系数a2对所述推荐度△d进行调整，获取调整后的推荐度△d*a2；

20、当c3≤△c＜c4时，选取所述第三预设调整系数a3对所述推荐度△d进行调整，获取调整后的推荐度△d*a3；

21、当c4≤△c时，选取所述第四预设调整系数a4对所述推荐度△d进行调整，获取调整后的推荐度△d*a4。

22、进一步的，在选取第i预设调整系数ai对所述推荐度△d进行调整，获取调整后的推荐度△d*ai后，i=1，2，3，4，所述根据所述供应信息对所述推荐度排序进行调整，还包括：

23、预先设定第一预设供货周期t1、第二预设供货周期t2、第三预设供货周期t3和第四预设供货周期t4，且t1＜t2＜t3＜t4；

24、根据所述供货周期△t与各预设供货周期的大小关系，选取调整系数对调整后的推荐度△d*ai进行二次调整。

25、进一步的，根据所述供货周期△t与各预设供货周期的大小关系，选取调整系数对调整后的推荐度△d*ai进行二次调整，包括：

26、当t1≤△t＜t2时，选取所述第四预设调整系数a4对所述调整后的推荐度△d*ai进行二次调整，获取二次调整后的推荐度△d*ai*a4；

27、当t2≤△t＜t3时，选取所述第三预设调整系数a3对所述调整后的推荐度△d*ai进行二次调整，获取二次调整后的推荐度△d*ai*a3；

28、当t3≤△t＜t4时，选取所述第二预设调整系数a2对所述调整后的推荐度△d*ai进行二次调整，获取二次调整后的推荐度△d*ai*a2；

29、当t4≤△t时，选取所述第一预设调整系数a1对所述调整后的推荐度△d*ai进行二次调整，获取二次调整后的推荐度△d*ai*a1。

30、进一步的，在选取第i预设调整系数ai对所述调整后的推荐度△d*ai进行二次调整，获取二次调整后的推荐度△d*ai*ai后，i=1，2，3，4，所述根据所述供应信息对所述推荐度排序进行调整，还包括：

31、预先设定第一预设生产速率s1、第二预设生产速率s2、第三预设生产速率s3和第四预设生产速率s4，且s1＜s2＜s3＜s4；

32、根据所述生产速率△s与各预设生产速率的大小关系，选取调整系数对二次调整后的推荐度△d*ai*ai进行三次调整。

33、进一步的，根据所述生产速率△s与各预设生产速率的大小关系，选取调整系数对二次调整后的推荐度△d*ai*ai进行三次调整，包括：

34、当s1≤△s＜s2时，选取所述第一预设调整系数a1对所述二次调整后的推荐度△d*ai*ai进行三次调整，获取三次调整后的推荐度△d*ai*ai*a1；

35、当s2≤△s＜s3时，选取所述第二预设调整系数a2对所述二次调整后的推荐度△d*ai*ai进行三次调整，获取三次调整后的推荐度△d*ai*ai*a2；

36、当s3≤△s＜s4时，选取所述第三预设调整系数a3对所述二次调整后的推荐度△d*ai*ai进行三次调整，获取三次调整后的推荐度△d*ai*ai*a3；

37、当s4≤△s时，选取所述第四预设调整系数a4对所述二次调整后的推荐度△d*ai*ai进行三次调整，获取三次调整后的推荐度△d*ai*ai*a4。

38、进一步的，在选取第i预设调整系数ai对所述二次调整后的推荐度△d*ai*ai进行三次调整，获取三次调整后的推荐度△d*ai*ai*ai后，所述根据调整后的推荐度排序向所述待推荐目标用户推荐商品，还包括：

39、预先设定第一预设推荐度d1、第二预设推荐度d2、第三预设推荐度d3和第四预设推荐度d4，且d1＜d2＜d3＜d4；

40、根据所述调整后的推荐度△d*ai*ai*ai与各预设商品推荐度的大小关系确定所述推荐列表中商品的推荐等级；

41、当d1≤△d*ai*ai*ai＜d2时，将所述商品列为第四推荐等级；

42、当d2≤△d*ai*ai*ai＜d3时，将所述商品列为第三推荐等级；

43、当d3≤△d*ai*ai*ai＜d4时，将所述商品列为第二推荐等级；

44、当d4≤△d*ai*ai*ai时，将所述商品列为第一推荐等级。

45、进一步的，在根据所述调整后的推荐度△d*ai*ai*ai与各预设商品推荐度的大小关系确定所述推荐列表中商品的推荐等级后，所述根据调整后的推荐度排序向所述待推荐目标用户推荐商品，还包括：

46、获取用户购物频率△g，预先设定第一预设购物频率g1、第二预设购物频率g2、第三预设购物频率g3和第四预设购物频率g4，且g1＜g2＜g3＜g4；

47、根据所述用户的购物频率△g与各预设购物频率的大小关系，向所述用户推荐不同等级商品；

48、当g1≤△g＜g2时，向所述用户推荐所述第一推荐等级的商品；

49、当g2≤△g＜g3时，向所述用户推荐所述第一推荐等级和第二推荐等级的商品；

50、当g3≤△g＜g4时，向所述用户推荐所述第一推荐等级、第二推荐等级和第三推荐等级的商品；

51、当g4≤△g时，向所述用户推荐全部推荐等级的商品。

52、与现有技术相比，本发明的有益效果在于：通过构建用户－商品矩阵和相似度计算，能够分析用户的购物偏好和行为模式，从而为用户提供更符合其兴趣和需求的商品推荐。提高了用户购买的准确性和满意度。有利于满足用户的个性化需求，提供更加个性化和个性化的商品推荐，提高用户的购物体验，有助于用户更快地发现感兴趣的商品，减少浏览时间和选择困难。通过获取推荐列表中商品的供应信息，并根据供应信息对推荐度排序进行调整，能够更好地反映商品的实际供应情况。有利于避免推荐缺货或供应不足的情况，提供用户可获得的商品选择，增加购物的便利性和可行性。

53、另一方面，本发明还提出了一种基于供应链的商品的智能推荐系统，包括：

54、采集模块：用于获取历史购物数据构建用户－商品矩阵r，对用户进行相似度计算；

55、分析模块：用于选择待推荐目标用户，对所述待推荐目标用户进行所述相似度计算，获取相似度较高用户，根据所述相似度较高用户获取相似商品集合；

56、处理模块：用于对所述相似商品集合进行处理，生成推荐列表，并对所述推荐列表中商品进行推荐度排序；

57、推荐模块：用于获取所述推荐列表中商品的供应信息，根据所述供应信息对所述推荐度排序进行调整，根据调整后的推荐度排序向所述待推荐目标用户推荐商品。

58、可以理解的是，上述基于供应链的商品的智能推荐方法及系统具备相同的有益效果，在此不再赘述。