本发明涉及人工智能,具体涉及一种基于人工智能的电商产品推荐方法及装置。
背景技术:
1、由于计算机技术存储能力的提高,人们产生的数据量也呈指数级增长。在此背景下,传统的企业营销模式越来越无法适应复杂多变的社会环境,尤其是依托互联网的电子商务行业。另外,客户数量庞大,针对客户开展营销活动也变得越来越困难。而且,随着网络购物体系的不断完善,消费者的消费心理和消费形式正在发生变化,传统的营销方式已经远远不能满足当今消费者的需求。现阶段,很多电商企业在营销时没有明确的目标客户,对所有用户进行大数量、全覆盖的宣传和推广,这会让用户收到大量没有任何差别的消息。长此以往,可能会导致用户产生抵触心理,导致目标用户流失。
2、客户在购物网站或者app上与产品进行交互,会留下有关产品的浏览记录、购买记录以及评论等等交互信息,利用这些交互信息有助于接触目标客户。许多研究了机器学习模型来构建推荐系统。推荐系统的共同点是过滤出与客户最相关的产品,以便更长时间地保留它们,提高客户的产品体验。
3、目前用的比较多、比较成熟的推荐算法是协同过滤(collaborative filtering,简称cf)推荐算法。cf的基本思想是根据用户之前的喜好以及其他兴趣相近的用户的选择来给用户推荐物品。但是现有技术中cf推荐算法依赖于其他兴趣相近的用户而不是针对产品,而每一用户具有个性的用户购买习惯会使推荐范围过大,导致推荐的准确性和有效性较低极大影响用户体验。
技术实现思路
1、本发明的目的就在于解决上述背景技术的问题,而提出一种基于人工智能的电商产品推荐方法及装置。
2、本发明的目的可以通过以下技术方案实现:
3、本发明实施例提供了一种基于人工智能的电商产品推荐方法,所述方法应用于云端服务器,包括:
4、获取目标用户对应的用户终端发送的终端信息,根据所述终端信息调用所述目标用户的购买记录和第一推荐模型;所述终端信息包括用户标签和所述目标用户的个人模型参数;所述第一推荐模型为所述目标用户关联关系网的平均模型;
5、根据所述购买记录计算所述目标用户的目标价值矩阵,匹配其他用户的价值矩阵,将与所述目标价值矩阵相似度大于第一阈值的用户确定为第一用户集;
6、针对所述第一用户集中的每一用户,计算该用户与所述目标用户之间相关产品的价格相似度和品牌相似度,将根据价格相似度和品牌相似度的加权求和值大于第二阈值的用户确定为第二用户集;
7、使用个人模型参数修正所述第一推荐模型,并将第二用户集中各用户的相关产品作为模型输入,得到各产品的推荐概率;
8、根据推荐概率向所述用户终端返回产品信息作为第一电商产品推荐显示列表。
9、可选地,在获取目标用户对应的用户终端发送的终端信息,根据所述终端信息调用所述目标用户的购买记录和推荐模型之前所述方法还包括:
10、当检测到所述目标用户第一次登陆,创建所述目标用户的用户标签,获取所述目标用户的社交关系网作为关联关系网;所述关联关系网中各用户作为节点,用户之间基于信任概率连接作为节点之间的连接边,所述目标用户与所述关联关系网中任意用户的信任概率高于第三阈值;
11、获取所述关联关系网中各用户的购买记录输入预设推荐模型,得到各产品的推荐概率,根据推荐概率向所述用户终端返回产品信息作为第二电商产品推荐显示列表;
12、根据所述用户终端返回的浏览购买结果修正所述预设推荐模型,得到第二推荐模型;
13、将所述第二推荐模型的模型参数作为个人模型参数返回所述用户终端保存,并将所述关联关系网中各用户对应的模型参数求平均得到所述第一推荐模型。
14、可选地,所述关联关系网中的用户数量为第四阈值;所述第二用户集包含所述关联关系网。
15、可选地,根据所述购买记录计算所述目标用户的目标价值矩阵包括:
16、对所述购买记录行预处理去除异常数据并进行数据标准化,得到待处理数据;
17、根据所述待处理数据计算所述目标用户的购买频率、平均购买数量、平均花费和购买转化率;
18、将所述购买频率、所述平均购买数量、所述平均花费和所述购买转化率构成的协方差矩阵作为所述目标用户的目标价值矩阵。
19、可选地,计算该用户与所述目标用户之间相关产品的价格相似度和品牌相似度包括:
20、针对该用户与所述目标用户之间任意相关产品,计算该用户关于该相关产品的相对价格:
21、
22、其中,xi为第i个相关产品的相对价格,z为该用户购买各产品的价格总和,sj表示该用户购买任意产品的价格,si为第i个相关产品的实际价格;
23、确定该用户购买该相关产品对应品类的所有产品总价和,确定该相关产品的总价占所述总价和的比例,作为该相关产品品牌的相对品牌价值;
24、根据目标用户与该用户关于该相关产品的相对价格,计算该相关产品的价格相似度;
25、根据目标用户与该用户关于该相关产品的相对品牌价值,计算该相关产品的品牌相似度。
26、本发明实施例第二方面提供了一种基于人工智能的电商产品推荐装置,所述装置应用于云端服务器,包括:
27、第一数据获取模块,用于获取目标用户对应的用户终端发送的终端信息,根据所述终端信息调用所述目标用户的购买记录和第一推荐模型;所述终端信息包括用户标签和所述目标用户的个人模型参数;所述第一推荐模型为所述目标用户关联关系网的平均模型;
28、第一用户集模块,用于根据所述购买记录计算所述目标用户的目标价值矩阵,匹配其他用户的价值矩阵,将与所述目标价值矩阵相似度大于第一阈值的用户确定为第一用户集;
29、第二用户集模块,用于针对所述第一用户集中的每一用户,计算该用户与所述目标用户之间相关产品的价格相似度和品牌相似度,将根据价格相似度和品牌相似度的加权求和值大于第二阈值的用户确定为第二用户集;
30、推荐计算模块,用于使用个人模型参数修正所述第一推荐模型,并将第二用户集中各用户的相关产品作为模型输入,得到各产品的推荐概率;
31、第一推荐返回模块,用于根据推荐概率向所述用户终端返回产品信息作为第一电商产品推荐显示列表。
32、可选地,所述装置还包括:
33、第二数据获取模块,用于当检测到所述目标用户第一次登陆,创建所述目标用户的用户标签,获取所述目标用户的社交关系网作为关联关系网;所述关联关系网中各用户作为节点,用户之间基于信任概率连接作为节点之间的连接边,所述目标用户与所述关联关系网中任意用户的信任概率高于第三阈值;
34、第二推荐返回模块,用于获取所述关联关系网中各用户的购买记录输入预设推荐模型,得到各产品的推荐概率,根据推荐概率向所述用户终端返回产品信息作为第二电商产品推荐显示列表;
35、模型修正模块,用于根据所述用户终端返回的浏览购买结果修正所述预设推荐模型,得到第二推荐模型;
36、模型存储模块,将所述第二推荐模型的模型参数作为个人模型参数返回所述用户终端保存,并将所述关联关系网中各用户对应的模型参数求平均得到所述第一推荐模型。
37、可选地,所述关联关系网中的用户数量为第四阈值;所述第二用户集包含所述关联关系网。
38、可选地,所述第一用户集模块包括目标价值矩阵模块;所述目标价值矩阵模块包括:
39、预处理模块,用于对所述购买记录行预处理去除异常数据并进行数据标准化,得到待处理数据;
40、特征计算模块,根据所述待处理数据计算所述目标用户的购买频率、平均购买数量、平均花费和购买转化率;
41、矩阵构建模块,用于将所述购买频率、所述平均购买数量、所述平均花费和所述购买转化率构成的协方差矩阵作为所述目标用户的目标价值矩阵。
42、可选地,所述第二用户集模块包括相识度模块,所述相识度模块包括:
43、相对价格计算模块,用于针对该用户与所述目标用户之间任意相关产品,计算该用户关于该相关产品的相对价格:
44、
45、其中,xi为第i个相关产品的相对价格,z为该用户购买各产品的价格总和,sj表示该用户购买任意产品的价格,si为第i个相关产品的实际价格;
46、相对品牌价值计算模块,用于确定该用户购买该相关产品对应品类的所有产品总价和,确定该相关产品的总价占所述总价和的比例,作为该相关产品品牌的相对品牌价值;
47、第一相似度模块,根据目标用户与该用户关于该相关产品的相对价格,计算该相关产品的价格相似度;
48、第二相似度模块,根据目标用户与该用户关于该相关产品的相对品牌价值,计算该相关产品的品牌相似度。
49、本发明的有益效果:
50、本发明实施例提供了一种基于人工智能的电商产品推荐方法,方法应用于云端服务器,包括:获取目标用户对应的用户终端发送的终端信息,根据终端信息调用目标用户的购买记录和第一推荐模型;终端信息包括用户标签和目标用户的个人模型参数;第一推荐模型为目标用户关联关系网的平均模型;根据购买记录计算目标用户的目标价值矩阵,匹配其他用户的价值矩阵,将与目标价值矩阵相似度大于第一阈值的用户确定为第一用户集;针对第一用户集中的每一用户,计算该用户与目标用户之间相关产品的价格相似度和品牌相似度,将根据价格相似度和品牌相似度的加权求和值大于第二阈值的用户确定为第二用户集;使用个人模型参数修正第一推荐模型,并将第二用户集中各用户的相关产品作为模型输入,得到各产品的推荐概率;根据推荐概率向用户终端返回产品信息作为第一电商产品推荐显示列表。利用价值矩阵进行第一次用户匹配,并根据价格相似度和品牌相似度进行第二次用户匹配,并且第二次用户匹配是直接与产品本身关联,减少了用户个性的用户购买习惯对于推荐的影响,减小了推荐范围,提高了推荐的准确性和有效性,提升用户体验。