本发明属于电子商务,具体涉及一种基于用户关系的商品推荐方法及系统。
背景技术:
1、随着互联网时代的到来,人们的生活习惯和购物习惯也随之发生了变化,越来越多的消费者开始通过网上进行购物和消费。而随着电子商务的发展和应用,同时为了便于商家对不同的用户进行有针对性的定向推荐,很多电商企业开发了基于大数据分析的商品推荐服务方案。
2、目前,现有的商品推荐服务方案主要是通过对当前用户或者与当前用户有交集的其他用户的购买和浏览等行为进行统计分析,并根据分析结果进行商品推荐。由于这种商品推荐服务方案主要是考虑用户与用户之间的关系和/或用户与商品之间的关系,而忽略了用户与商家之间的信任关系,因此现有商品推荐服务方案还停留在战术层面,如何基于用户与商家之间的信任关系进行战略性商品推荐,以便提高商品推荐服务的准确度和商家总收益,进而帮助商家进行客情维护,提升商品推荐服务软件的商家黏度,是本领域技术人员亟需研究的课题。
技术实现思路
1、本发明的目的是提供一种基于用户关系的商品推荐方法、系统、计算机设备及计算机可读存储介质,用以解决现有商品推荐服务方案还停留在战术层面,导致商品推荐服务的准确度、对商家客情维护的帮助以及商家总收益均有限的问题。
2、为了实现上述目的,本发明采用以下技术方案:
3、第一方面,提供了一种基于用户关系的商品推荐方法,包括:
4、获取多对样本交易双方在历史单位时期的历史交易互评记录数据和用户关系标签,其中,所述样本交易双方是指发生商品交易行为的样本用户和样本商家,所述用户关系标签用于反映用户与商家的信任关系等级,并由浅入深划分有无关系、微关系、弱关系、强关系和超强关系;
5、针对在所述多对样本交易双方中的各对样本交易双方,从对应的历史交易互评记录数据中提取出对应的多个样本特征词,其中,所述样本特征词包含有利于信任关系提升的正面话语用词、引发信任关系下降的负面话语用词和中性词;
6、应用所述各对样本交易双方的所述多个样本特征词以及所述用户关系标签对基于lightgbm的机器学习模型进行分类训练,得到用户关系估计模型;
7、获取目标交易双方在最近单位时期内的最近交易互评记录数据,其中,所述目标交易双方是指待发生商品交易行为的目标用户和目标商家;
8、从所述最近交易互评记录数据中提取出所述目标交易双方的多个目标特征词,其中,所述多个目标特征词与所述多个样本特征词具有相同词数,所述目标特征词也包含有利于信任关系提升的正面话语用词、引发信任关系下降的负面话语用词和中性词;
9、将所述目标交易双方的所述多个目标特征词输入所述用户关系估计模型,输出得到所述目标交易双方在所述最近单位时期的用户关系标签或在各个用户关系标签上的概率,其中,所述各个用户关系标签是指所述无关系、所述微关系、所述弱关系、所述强关系和所述超强关系;
10、根据所述目标交易双方在所述最近单位时期的用户关系标签或在各个用户关系标签上的概率,指示所述目标商家向所述目标用户推荐与之匹配的商品。
11、基于上述
技术实现要素:
,提供了一种基于历史交易互评记录数据的用户关系估计模型训练并应用进行商品推荐的新方案,即在获取多对样本交易双方的历史交易互评记录数据和用户关系标签后,针对各对样本交易双方从对应的历史交易互评记录数据中提取出对应的多个样本特征词,然后应用所述各对样本交易双方的所述多个样本特征词以及所述用户关系标签对基于lightgbm的机器学习模型进行分类训练,可得到用户关系估计模型,再然后将目标交易双方的多个目标特征词输入所述用户关系估计模型,即可输出得到目标交易双方的用户关系标签或在各个用户关系标签上的概率,最后根据输出结果指示目标商家向目标用户推荐与之匹配的商品,如此可以基于用户与商家之间的信任关系进行战略性商品推荐,提高商品推荐服务的准确度和商家总收益,进而帮助商家进行客情维护,提升商品推荐服务软件的商家黏度,便于实际应用和推广。
12、在一个可能的设计中,针对在所述多对样本交易双方中的各对样本交易双方,从对应的历史交易互评记录数据中提取出对应的多个样本特征词,包括:
13、针对在所述多对样本交易双方中的各对样本交易双方,将对应的历史交易互评记录数据转换为文本并做分词处理,得到对应的历史用词集合;
14、针对所述各对样本交易双方,从对应的历史用词集合中抽取出利于信任关系提升的正面话语用词、引发信任关系下降的负面话语用词和中性词,得到对应的历史话语用词集合;
15、根据所有的所述历史话语用词集合,采用词频-逆文档频率tf-idf统计算法计算得到在第一话语用词总集合中的各个话语用词在各个所述历史话语用词集合中的词频,其中,所述第一话语用词总集合包含有在所有的所述历史话语用词集合中的所有话语用词;
16、采用如下方式为所述各对样本交易双方分别选取多个样本特征词:先针对各个话语用词类别,从所述第一话语用词总集合中选取属于对应类别的且按样本交易双方词频从高至低顺序排序的前round(w×m)个话语用词作为对应的选取特征词,然后汇总所述各个话语用词类别的选取特征词,得到所述多个样本特征词,其中,所述话语用词类别包括正面话语用词类别、负面话语用词类型和中性词类型,所述样本交易双方词频是指话语用词在与样本交易双方对应的所述历史话语用词集合中的词频,w表示对应类别的话语用词在所述话语用词总集合中的占比,m表示特征词选取总数,round()表示四舍五入取整函数。
17、在一个可能的设计中,从所述最近交易互评记录数据中提取出所述目标交易双方的多个目标特征词,包括:
18、将所述最近交易互评记录数据转换为文本并做分词处理,得到最近用词集合;
19、从所述最近用词集合中抽取出利于信任关系提升的正面话语用词、引发信任关系下降的负面话语用词和中性词,得到最近话语用词集合;
20、根据所述最近话语用词集合和所有的所述历史话语用词集合,采用词频-逆文档频率tf-idf统计算法计算得到在第二话语用词总集合中的各个话语用词在所述最近话语用词集合和各个所述历史话语用词集合中的词频,其中,所述第二话语用词总集合包含有在所述最近话语用词集合和所有的所述历史话语用词集合中的所有话语用词;
21、采用如下方式为所述目标交易双方选取多个目标特征词:先针对所述各个话语用词类别,从所述第二话语用词总集合中选取属于对应类别的且按目标交易双方词频从高至低顺序排序的前round(w×m)个话语用词作为对应的选取特征词,然后汇总所述各个话语用词类别的选取特征词,得到所述多个目标特征词,其中,所述目标交易双方词频是指话语用词在与目标交易双方对应的所述最近话语用词集合中的词频。
22、在一个可能的设计中,在所述机器学习模型的分类训练过程中,采用基于树结构的贝叶斯优化算法对模型参数进行调优。
23、在一个可能的设计中,根据所述目标交易双方在所述最近单位时期的用户关系标签,指示所述目标商家向所述目标用户推荐与之匹配的商品,包括:
24、针对所述目标交易双方在所述最近单位时期的用户关系标签,确定对应的预设商品推荐策略;
25、指示所述目标商家向所述目标用户推荐符合所述预设商品推荐策略的商品。
26、在一个可能的设计中,针对所述目标交易双方在所述最近单位时期的用户关系标签,确定对应的预设商品推荐策略,包括:
27、当所述目标交易双方在所述最近单位时期的用户关系标签为无关系时,确定与所述无关系对应的预设商品推荐策略为推荐当前属于爆款的引流商品;
28、当所述目标交易双方在所述最近单位时期的用户关系标签为微关系时,确定与所述微关系对应的预设商品推荐策略为推荐与已购商品相似的毛利商品;
29、当所述目标交易双方在所述最近单位时期的用户关系标签为弱关系时,确定与所述弱关系对应的预设商品推荐策略为推荐与已购商品相似的形象商品;
30、当所述目标交易双方在所述最近单位时期的用户关系标签为强关系时,确定与所述强关系对应的预设商品推荐策略为推荐与已购商品相似的普通商品;
31、当所述目标交易双方在所述最近单位时期的用户关系标签为超强关系时,确定与所述超强关系对应的预设商品推荐策略为推荐与已购商品相似的新上市商品。
32、在一个可能的设计中,根据所述目标交易双方在所述最近单位时期的且在各个用户关系标签上的概率,指示所述目标商家向所述目标用户推荐与之匹配的商品,包括:
33、针对所述各个用户关系标签,确定对应的预设商品推荐策略,并指示所述目标商家向所述目标用户推荐符合该预设商品推荐策略的x个商品,其中,x=round(t×η),t表示推荐商品总数,η表示所述目标交易双方在所述最近单位时期的且在对应标签上的概率,round()表示四舍五入取整函数。
34、第二方面,提供了一种基于用户关系的商品推荐系统,包括有互评数据获取模块、特征词提取模块、模型训练模块、用户关系估计模块和商品推荐指示模块;
35、所述互评数据获取模块,用于获取多对样本交易双方在历史单位时期的历史交易互评记录数据和用户关系标签,以及还用于获取目标交易双方在最近单位时期内的最近交易互评记录数据,其中,所述样本交易双方是指发生商品交易行为的样本用户和样本商家,所述目标交易双方是指待发生商品交易行为的目标用户和目标商家,所述用户关系标签用于反映用户与商家的信任关系等级,并由浅入深划分有无关系、微关系、弱关系、强关系和超强关系;
36、所述特征词提取模块,通信连接所述互评数据获取模块,用于针对在所述多对样本交易双方中的各对样本交易双方,从对应的历史交易互评记录数据中提取出对应的多个样本特征词,以及还用于从所述最近交易互评记录数据中提取出所述目标交易双方的多个目标特征词,其中,所述样本特征词包含有利于信任关系提升的正面话语用词、引发信任关系下降的负面话语用词和中性词,所述多个目标特征词与所述多个样本特征词具有相同词数,所述目标特征词也包含有利于信任关系提升的正面话语用词、引发信任关系下降的负面话语用词和中性词;
37、所述模型训练模块,通信连接所述特征词提取模块,用于应用所述各对样本交易双方的所述多个样本特征词以及所述用户关系标签对基于lightgbm的机器学习模型进行分类训练,得到用户关系估计模型;
38、所述用户关系估计模,分别通信连接所述特征词提取模块和所述模型训练模块,用于将所述目标交易双方的所述多个目标特征词输入所述用户关系估计模型,输出得到所述目标交易双方在所述最近单位时期的用户关系标签或在各个用户关系标签上的概率,其中,所述各个用户关系标签是指所述无关系、所述微关系、所述弱关系、所述强关系和所述超强关系;
39、所述商品推荐指示模块,通信连接所述用户关系估计模块,用于根据所述目标交易双方在所述最近单位时期的用户关系标签或在各个用户关系标签上的概率,指示所述目标商家向所述目标用户推荐与之匹配的商品。
40、第三方面,本发明提供了一种计算机设备,包括有依次通信连接的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面或第一方面中任意可能设计所述的商品推荐方法。
41、第四方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面或第一方面中任意可能设计所述的商品推荐方法。
42、第五方面,本发明提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第一方面或第一方面中任意可能设计所述的商品推荐方法。
43、上述方案的有益效果:
44、(1)本发明创造性提供了一种基于历史交易互评记录数据的用户关系估计模型训练并应用进行商品推荐的新方案,即在获取多对样本交易双方的历史交易互评记录数据和用户关系标签后,针对各对样本交易双方从对应的历史交易互评记录数据中提取出对应的多个样本特征词,然后应用所述各对样本交易双方的所述多个样本特征词以及所述用户关系标签对基于lightgbm的机器学习模型进行分类训练,可得到用户关系估计模型,再然后将目标交易双方的多个目标特征词输入所述用户关系估计模型,即可输出得到目标交易双方的用户关系标签或在各个用户关系标签上的概率,最后根据输出结果指示目标商家向目标用户推荐与之匹配的商品,如此可以基于用户与商家之间的信任关系进行战略性商品推荐,提高商品推荐服务的准确度和商家总收益,进而帮助商家进行客情维护,提升商品推荐服务软件的商家黏度,便于实际应用和推广。