【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及信息，尤其涉及一種基于人工智能的商品推薦方法及系統(tǒng)。
技術(shù)介紹
1、隨著電子商務(wù)平臺(tái)的快速發(fā)展，商品推薦系統(tǒng)成為提升用戶購(gòu)物體驗(yàn)和平臺(tái)銷售轉(zhuǎn)化率的重要工具。然而，現(xiàn)有的推薦系統(tǒng)在應(yīng)對(duì)用戶復(fù)雜的購(gòu)買行為和季節(jié)性需求方面存在諸多不足，亟需進(jìn)一步優(yōu)化。傳統(tǒng)推薦系統(tǒng)主要基于用戶的歷史購(gòu)買記錄和點(diǎn)擊行為，缺乏對(duì)季節(jié)性因素的深入分析。這種方法難以準(zhǔn)確識(shí)別季節(jié)性商品，導(dǎo)致在特定季節(jié)內(nèi)無(wú)法有效推薦用戶當(dāng)前需要的商品。例如，在夏季推薦冬季服裝或在冬季推薦夏季防曬用品，都會(huì)顯著降低用戶的滿意度。不同用戶對(duì)季節(jié)性商品的敏感性存在顯著差異。一些用戶在某些季節(jié)可能表現(xiàn)出對(duì)特定商品的高度需求，而其他用戶則可能對(duì)這些商品需求較少。現(xiàn)有系統(tǒng)通常無(wú)法區(qū)分用戶的這種差異性，導(dǎo)致推薦的商品并未真正符合用戶的季節(jié)性需求，進(jìn)而影響用戶體驗(yàn)和平臺(tái)銷售轉(zhuǎn)化率。用戶的購(gòu)買行為不僅受季節(jié)影響，還與個(gè)人習(xí)慣、生活方式等因素密切相關(guān)。傳統(tǒng)的推薦算法往往缺乏對(duì)用戶購(gòu)買習(xí)慣的深度分析，導(dǎo)致推薦的商品組合不夠個(gè)性化和精準(zhǔn)，難以滿足用戶多樣化的購(gòu)買需求。例如，對(duì)于那些習(xí)慣于在季節(jié)開(kāi)始前購(gòu)買季節(jié)性商品的用戶，傳統(tǒng)推薦系統(tǒng)無(wú)法提前推薦合適的商品。當(dāng)前推薦系統(tǒng)通常側(cè)重于推薦與用戶歷史行為相似的商品，導(dǎo)致推薦內(nèi)容的多樣性不足。這種單一化的推薦模式容易引起用戶的視覺(jué)疲勞，降低用戶對(duì)平臺(tái)的興趣和粘性。同時(shí)，缺乏多樣性的推薦也會(huì)錯(cuò)失向用戶展示更多潛在興趣商品的機(jī)會(huì)，限制了平臺(tái)的銷售增長(zhǎng)。用戶的購(gòu)買行為受到外部因素的影響，例如季節(jié)促銷、個(gè)人生活變化等，這些因素可能導(dǎo)致用戶行為模式發(fā)生偏移。傳
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)對(duì)上述現(xiàn)有技術(shù)存在的問(wèn)題，提供一種基于人工智能的商品推薦方法，主要包括：
2、根據(jù)商品的銷售時(shí)間、銷售量和銷售波動(dòng)指標(biāo)，判斷商品是否屬于季節(jié)性商品，并根據(jù)用戶在各個(gè)季節(jié)的購(gòu)買行為數(shù)據(jù)，計(jì)算用戶的季節(jié)敏感性度，判斷用戶在不同季節(jié)的季節(jié)敏感性類型；
3、根據(jù)用戶不同季節(jié)的的用戶行為數(shù)據(jù)，確定用戶季節(jié)性商品的購(gòu)買習(xí)慣；
4、通過(guò)用戶行為數(shù)據(jù)確定用戶的商品偏好，生成各季節(jié)的初步商品推薦列表，基于用戶在各個(gè)季節(jié)的季節(jié)敏感度，調(diào)整初步推薦列表中的季節(jié)性商品的推薦比例，并結(jié)合用戶的購(gòu)買習(xí)慣分類結(jié)果，確定不同季節(jié)的商品推薦時(shí)機(jī)；
5、根據(jù)用戶當(dāng)前季節(jié)的購(gòu)買記錄數(shù)據(jù)和該季節(jié)的歷史購(gòu)買記錄數(shù)據(jù)，判斷用戶是否存在購(gòu)買行為偏移，并識(shí)別用戶在不同季節(jié)購(gòu)買的高頻商品組合，生成后續(xù)季節(jié)的商品推薦列表；
6、根據(jù)不同季節(jié)的商品銷量數(shù)據(jù)、用戶購(gòu)買行為數(shù)據(jù)和商品的屬性數(shù)據(jù)，計(jì)算商品推薦列表中每個(gè)商品在當(dāng)前季節(jié)的相關(guān)性分?jǐn)?shù)和多樣性分?jǐn)?shù)，并根據(jù)多目標(biāo)優(yōu)化函數(shù)，平衡商品推薦列表中的推薦商品的季節(jié)性相關(guān)性和商品多樣性，確定最佳推薦商品集合，調(diào)整商品推薦列表；
7、實(shí)時(shí)監(jiān)測(cè)商品推薦效果，并根據(jù)商品推薦效果調(diào)整商品推薦列表。
8、進(jìn)一步地，所述根據(jù)商品的銷售時(shí)間、銷售量和銷售波動(dòng)指標(biāo)，判斷商品是否屬于季節(jié)性商品，并根據(jù)用戶在各個(gè)季節(jié)的購(gòu)買行為數(shù)據(jù)，計(jì)算用戶的季節(jié)敏感性度，判斷用戶在不同季節(jié)的季節(jié)敏感性類型，包括:
9、通過(guò)電子商務(wù)平臺(tái)數(shù)據(jù)庫(kù)中提取商品的銷售時(shí)間和銷售量，對(duì)獲取的數(shù)據(jù)進(jìn)行清洗，去除異常值和缺失值，并將日期字段轉(zhuǎn)換為時(shí)間序列格式；采用移動(dòng)平均法計(jì)算銷售波動(dòng)，得到商品的銷售波動(dòng)指標(biāo)，包括銷售量峰值和谷值、銷售量的標(biāo)準(zhǔn)差和方差、以及季節(jié)性指數(shù)，季節(jié)性指數(shù)為商品在不同季節(jié)的銷售量相對(duì)于平均銷售量的比率；根據(jù)商品的銷售量和銷售波動(dòng)指標(biāo)，使用k-means聚類算法進(jìn)行模型訓(xùn)練，判斷商品是否屬于季節(jié)性商品；通過(guò)電子商務(wù)平臺(tái)數(shù)據(jù)庫(kù)的銷售記錄中提取用戶在不同季節(jié)購(gòu)買的季節(jié)性商品購(gòu)買記錄數(shù)據(jù)，購(gòu)買記錄數(shù)據(jù)包括商品id、商品類別、購(gòu)買時(shí)間、購(gòu)買數(shù)量和購(gòu)買金額；將用戶的季節(jié)性商品購(gòu)買記錄數(shù)據(jù)按季節(jié)劃分，確定用戶在各個(gè)季節(jié)的購(gòu)買行為數(shù)據(jù)，購(gòu)買行為數(shù)據(jù)包括購(gòu)買頻率、購(gòu)買量和購(gòu)買金額；根據(jù)用戶在各個(gè)季節(jié)的購(gòu)買行為數(shù)據(jù)，采用季節(jié)敏感度評(píng)估公式計(jì)算用戶的季節(jié)敏感性度，其中，f表示用戶季節(jié)性商品的購(gòu)買頻率，q表示用戶季節(jié)性商品的購(gòu)買量，a表示用戶季節(jié)性商品的購(gòu)買金額，ftotal表示該季節(jié)所有商品的總購(gòu)買頻率，qtotal表示該季節(jié)所有商品的總購(gòu)買量，atotal表示該季節(jié)所有商品的總購(gòu)買金額，s表示用戶的季節(jié)敏感性度，χ為購(gòu)買頻率的影響程度、δ為購(gòu)買量的影響程度、ε為購(gòu)買金額的影響程度、φ為指數(shù)調(diào)節(jié)因子，用于控制購(gòu)買頻率、購(gòu)買量、購(gòu)買金額在計(jì)算季節(jié)敏感性度時(shí)的整體影響程度，χ、δ、ε、φ均由對(duì)歷史購(gòu)買數(shù)據(jù)的探索性分析得到；根據(jù)計(jì)算得到的季節(jié)敏感性度，通過(guò)設(shè)定敏感性閾值，確定用戶在不同季節(jié)的季節(jié)敏感性類型，包括高季節(jié)敏感性和低季節(jié)敏感性。
10、進(jìn)一步地，所述根據(jù)用戶不同季節(jié)的的用戶行為數(shù)據(jù)，確定用戶季節(jié)性商品的購(gòu)買習(xí)慣，包括:
11、通過(guò)電子商務(wù)平臺(tái)數(shù)據(jù)庫(kù)，基于用戶id查詢用戶不同季節(jié)的的用戶行為數(shù)據(jù)，并標(biāo)注用戶的季節(jié)敏感性類型，用戶行為數(shù)據(jù)包括瀏覽記錄、點(diǎn)擊記錄和購(gòu)買記錄數(shù)據(jù)；根據(jù)預(yù)設(shè)時(shí)間段，將用戶不同季節(jié)的的用戶行為數(shù)據(jù)劃分為不同的時(shí)間區(qū)間，并將用戶行為數(shù)據(jù)按商品的分類標(biāo)簽進(jìn)劃分，商品的分類標(biāo)簽包括季節(jié)性商品和非季節(jié)性商品；通過(guò)用戶特征，將用戶行為數(shù)據(jù)進(jìn)行分組，用戶特征包括年齡、性別、地理位置；根據(jù)每個(gè)用戶在不同季節(jié)的各個(gè)時(shí)間段內(nèi)不同商品類別的購(gòu)買頻率、購(gòu)買數(shù)量和購(gòu)買金額，使用決策樹(shù)算法進(jìn)行模型訓(xùn)練，確定用戶季節(jié)性商品的購(gòu)買習(xí)慣，購(gòu)買習(xí)慣包括提前購(gòu)買、即時(shí)購(gòu)買和滯后購(gòu)買。
12、進(jìn)一步地，所述通過(guò)用戶行為數(shù)據(jù)確定用戶的商品偏好，生成各季節(jié)的初步商品推薦列表，基于用戶在各個(gè)季節(jié)的季節(jié)敏感度，調(diào)整初步推薦列表中的季節(jié)性商品的推薦比例，并結(jié)合用戶的購(gòu)買習(xí)慣分類結(jié)果，確定不同季節(jié)的商品推薦時(shí)機(jī)，包括:
13、根據(jù)用戶行為數(shù)據(jù)，確定用戶的商品偏好；根據(jù)用戶在各季節(jié)的商品偏好，采用基于商品的協(xié)同過(guò)濾推薦算法計(jì)算商品之間的相似度，使用相似度矩陣生成各季節(jié)的初步商品推薦列表；通過(guò)用戶在各季節(jié)的購(gòu)買行為數(shù)據(jù)，使用季節(jié)敏感度評(píng)估公式，得到用戶在各個(gè)季節(jié)的季節(jié)敏感度；若用戶為高季節(jié)敏感性用戶，則根據(jù)用戶的季節(jié)敏感度，使用季節(jié)性商品推薦比例調(diào)整公式p1＝p×(1+s)，確定季節(jié)性商品最終推薦比例，對(duì)初步推薦列表中的季節(jié)性商品推薦比例進(jìn)行調(diào)整，并本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于人工智能的商品推薦方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的方法，其中，所述根據(jù)商品的銷售時(shí)間、銷售量和銷售波動(dòng)指標(biāo)，判斷商品是否屬于季節(jié)性商品，并根據(jù)用戶在各個(gè)季節(jié)的購(gòu)買行為數(shù)據(jù)，計(jì)算用戶的季節(jié)敏感性度，判斷用戶在不同季節(jié)的季節(jié)敏感性類型，包括:
3.根據(jù)權(quán)利要求1所述的方法，其中，所述根據(jù)用戶不同季節(jié)的的用戶行為數(shù)據(jù)，確定用戶季節(jié)性商品的購(gòu)買習(xí)慣，包括:
4.根據(jù)權(quán)利要求1所述的方法，其中，所述通過(guò)用戶行為數(shù)據(jù)確定用戶的商品偏好，生成各季節(jié)的初步商品推薦列表，基于用戶在各個(gè)季節(jié)的季節(jié)敏感度，調(diào)整初步推薦列表中的季節(jié)性商品的推薦比例，并結(jié)合用戶的購(gòu)買習(xí)慣分類結(jié)果，確定不同季節(jié)的商品推薦時(shí)機(jī)，包括:
5.根據(jù)權(quán)利要求1所述的方法，其中，所述根據(jù)用戶當(dāng)前季節(jié)的購(gòu)買記錄數(shù)據(jù)和該季節(jié)的歷史購(gòu)買記錄數(shù)據(jù)，判斷用戶是否存在購(gòu)買行為偏移，并識(shí)別用戶在不同季節(jié)購(gòu)買的高頻商品組合，生成后續(xù)季節(jié)的商品推薦列表，包括:
6.根據(jù)權(quán)利要求1所述的方法，其中，所述根據(jù)不同季節(jié)的商品銷量數(shù)據(jù)、用戶購(gòu)買行為數(shù)據(jù)和商品的屬
7.根據(jù)權(quán)利要求1所述的方法，其中，所述實(shí)時(shí)監(jiān)測(cè)商品推薦效果，并根據(jù)商品推薦效果調(diào)整商品推薦列表，包括:
8.一種基于人工智能的商品推薦系統(tǒng)，其特征在于，所述系統(tǒng)包括：
...【技術(shù)特征摘要】
1.一種基于人工智能的商品推薦方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的方法，其中，所述根據(jù)商品的銷售時(shí)間、銷售量和銷售波動(dòng)指標(biāo)，判斷商品是否屬于季節(jié)性商品，并根據(jù)用戶在各個(gè)季節(jié)的購(gòu)買行為數(shù)據(jù)，計(jì)算用戶的季節(jié)敏感性度，判斷用戶在不同季節(jié)的季節(jié)敏感性類型，包括:
3.根據(jù)權(quán)利要求1所述的方法，其中，所述根據(jù)用戶不同季節(jié)的的用戶行為數(shù)據(jù)，確定用戶季節(jié)性商品的購(gòu)買習(xí)慣，包括:
4.根據(jù)權(quán)利要求1所述的方法，其中，所述通過(guò)用戶行為數(shù)據(jù)確定用戶的商品偏好，生成各季節(jié)的初步商品推薦列表，基于用戶在各個(gè)季節(jié)的季節(jié)敏感度，調(diào)整初步推薦列表中的季節(jié)性商品的推薦比例，并結(jié)合用戶的購(gòu)買習(xí)慣分類結(jié)果，確定不同季節(jié)的商品推薦時(shí)機(jī)，包括:
5.根據(jù)...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：馬旭，唐陳龍，徐志江，王晗，
申請(qǐng)(專利權(quán))人：廣州快批信息科技有限公司，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。