一种基于用户画像的二手手机销售推荐方法及系统与流程

本发明属于销售推荐，尤其涉及一种基于用户画像的二手手机销售推荐方法及系统。

背景技术：

1、用户画像也称为用户模型，可经过标签化用户信息来构建，用户画像是根据具体的商业需要对真实用户进行的可视化、形象化的建模，通过对用户设定标签并利用用户画像作出针对性决策可实现业务增长和数字化运营，根据用户个性和行为习惯的用户画像信息在信息检索领域的应用越来越广泛。然而，利用不同的数据构建用户画像，但未能将用户产生的数据进行融合，构建出的用户画像可能与用户真实画像存在偏差，如分别利用用户基本数据和用户行为数据对用户可以构建出不同层次的用户画像，但是若未将用户产生的数据进行结合再构建用户画像，并不能表现出用户对不同用户画像标签的数值化差异程度，导致使用这样的用户画像对用户进行推荐时容易出现不准确的问题。

技术实现思路

1、有鉴于此，本发明提供了一种提升二手手机销售推荐准确性和有效性的基于用户画像的二手手机销售推荐方法，来解决上述存在的技术问题，具体采用以下技术方案来实现。

2、第一方面，本发明提供了一种基于用户画像的二手手机销售推荐方法，包括以下步骤：

3、获取二手手机交易系统中的用户基本信息并根据用户基本信息构建用户类别标签，基于用户类别标签确定用户相似度，其中，用户基本信息包括用户的互动属性和用户的反馈属性；

4、从用户相似度最大的用户中获取目标用户的最近邻居集合，根据最近邻居集合对用户进行评分预测得到评分信息，其中，用户相似度包括结构相似度和数值相似度；

5、根据用户基本信息和用户评分信息构建用户画像，其中，用户画像包括用户的自然画像和用户的兴趣画像；

6、基于评分信息构建用户能力画像结合自然画像和兴趣画像进行归一化处理并完成向用户进行销售推荐，其中，用户能力画像包括用户评分能力画像和用户活跃能力画像。

7、作为上述技术方案的进一步改进，基于评分信息构建用户能力画像结合自然画像和兴趣画像进行归一化处理并完成向用户进行销售推荐，包括：

8、构建用户评分能力画像：用户i对项目j的评分专业度计算表达式为其中分别表示用户i评过分的最大值与最小值，用户i对于项目j的评分rij越接近于项目j的均值表示用户i对项目j的评分专业化程度越高；

9、预设用户i的评分项目集合为li，通过计算用户i对该集合中给每个项目的评分专业度求平均值得到用户i的评分专业程度，其对应的表达式为其中exp表示用户能力标签。

10、作为上述技术方案的进一步改进，构建用户活跃能力画像：用户i的评分新鲜度对用户活跃能力画像的影响因子rai的计算表达式为其中ts表示系统统计时间，tif表示在统计周期内用户i的第一次评分时间，til表示用户i在统计周期内用户i的最后一次评分时间；

11、使用最大最小归一化算法将所有用户的评分新鲜度因子rai规范到[0，1]内的计算表达式为其中表示所有用户的rai的最大值，表示所有用户的rai的最小值，用户i的评分频率对用户活跃能力画像的影响因子fei的计算表达式为其中cnti表示在统计周期内用户i评分总次数，tif表示在统计周期内用户i的第一次评分时间，til表示用户i在统计周期内用户i的最后一次评分时间；

12、使用最大最小归一化算法将所有用户的评分频率因子fei规范到[0，1]内的计算表达式为其中表示所有用户的fei的最大值，表示所有用户的fei的最小值；用户i的评分满意度对用户活跃能力画像的影响因子moi的计算表达式为其中，用户i与所有用户的评分均值可分别表示为使用最大最小归一化算法将所有用户的评分满意度因子moi规范到[0,1]内的表达式为其中表示所有用户的moi的最大值，表示所有用户的moi的最小值；

13、预设归一化后的评分新鲜度ra′i、评分频率因子fe′i、评分满意度因子对用户活跃能力画像的影响相当，将三者加权结合得到用户i对于用户能力标签act的偏好值的表达式为计算出用户i对所有用户能力标签的偏好值后可构建出用户对不同能力标签偏好值的能力画像。

14、作为上述技术方案的进一步改进，根据用户基本信息和用户评分信息构建用户画像，包括：

15、构建用户画像时结合用户的评分信息得到用户的自然画像，计算项目j对用户类别标签u的指数的表达式为其中cntj表示项目j的被评分次数，cntju表示具有用户类别标签u的用户的对项目j的评分次数，用户i对用户类别标签u的偏好值可表达为用户i对其评分项目集合li中项目的评分值与对应项目对用户类别标签u的指数的乘积和除以li集合元素个数|li|的表达式为计算出用户i对所有用户类别标签的偏好值后即构建出用户i的自然画像。

16、作为上述技术方案的进一步改进，使用用户评分信息中的关键信息去构建用户的兴趣画像，即使用大于等于其评分均值的评分信息构建该用户的兴趣画像，包括：

17、热门项目惩罚因子对热门项目标签进行惩罚，项目标签v的热门惩罚因子的计算表达式为其中cntv表示项目标签v被评分总次数，cntav表示所有项目标签被用户评分的总次数，受热门惩罚因子影响的用户i对项目标签v的偏好值的计算表达式为其中∑ri，v表示用户i对项目标签v的总评分值，σri,av表示用户i对所有项目标签的总评分值，计算出用户i对所有项目类别标签的偏好值以构建出用户i的兴趣画像。

18、作为上述技术方案的进一步改进，根据最近邻居集合对用户进行评分预测得到评分信息，包括：

19、通过对目标用户最近邻集和的确定以对未知项评分进行预测，目标用户i的最近邻集合用j表示，用户i对项目c的评分预测表达式为

20、作为上述技术方案的进一步改进，从用户相似度最大的用户中获取目标用户的最近邻居集合，包括：

21、预设存在m个用户、n个项目，构建出m行n列的用户-项目评分矩阵r的表达式为用户之间的结构相似度可从用户对项目的评分结构中得到，杰卡德相似度可度量出用户评分结构上的相似程度的计算表达式为其中，被用户i打分的项目集合可表示为ii，被用户j打分的项目可表示为ij；

22、采用余弦相似性来计算数值相似性的表达式为其中用户i与用户j共同评分项集合表示为iij。

23、作为上述技术方案的进一步改进，获取二手手机交易系统中的用户基本信息并根据用户基本信息构建用户类别标签，基于用户类别标签确定用户相似度，包括：

24、根据所收集的指标值来计算得到整体的互动值a的表达式为a＝∑ωj·aij，其中aij表示单个用户互动属性下的每个特征aij进行数据标准化处理所得的表达式为其中minaj表示第j个指标的最小值，maxaj表示第j个指标的最大值，ωj表示各个特征所对应的权重值，根据熵权法所代表的各特征指标的不确定性来计算该值的表达式为信息熵ej的表达式为fijl表示第i个用户第j个特征占该所有用户j特征值的概率即

25、作为上述技术方案的进一步改进，将用户评分s和用户评论情感值e作为用户反馈属性的指标，反馈值的计算表达式为f＝α×s+β×e，其中，当用户只有评分而无评论时，α＝1，否则α＝β＝0.5，用户评分s表示单个用户所有评分的均值即用户情感值e表示单个用户所有评论的情感值均值的表达式为

26、第二方面，本发明还提供了一种基于用户画像的二手手机销售推荐系统，包括：

27、获取单元，用于获取二手手机交易系统中的用户基本信息并根据用户基本信息构建用户类别标签，基于用户类别标签确定用户相似度，其中，用户基本信息包括用户的互动属性和用户的反馈属性；

28、确定单元，用于从用户相似度最大的用户中获取目标用户的最近邻居集合，根据最近邻居集合对用户进行评分预测得到评分信息，其中，用户相似度包括结构相似度和数值相似度；

29、构建单元，用于根据用户基本信息和用户评分信息构建用户画像，其中，用户画像包括用户的自然画像和用户的兴趣画像；

30、推荐单元，用于基于评分信息构建用户能力画像结合自然画像和兴趣画像进行归一化处理并完成向用户进行销售推荐，其中，用户能力画像包括用户评分能力画像和用户活跃能力画像。

31、本发明提供了一种基于用户画像的二手手机销售推荐方法及系统，通过获取二手手机交易系统中的用户基本信息并根据用户基本信息构建用户类别标签，基于用户类别标签确定用户相似度，从用户相似度最大的用户中获取目标用户的最近邻居集合，根据最近邻居集合对用户进行评分预测得到评分信息，根据用户基本信息和用户评分信息构建用户画像，基于评分信息构建用户能力画像结合自然画像和兴趣画像进行归一化处理并完成向用户进行销售推荐，使用用户评分信息计算出用户对不同用户类别特征的偏好值以构建出用户的自然画像，根据用户评分能力构建出用户能力标签并结合用户评分信息计算出用户对不同能力标签的偏好值以构建出用户的能力画像，提高了用户画像构建的准确性，从而有效提升了推荐的精确度，也提升了用户体验度。