基于线下行为的商品推荐方法和系统技术方案

本发明专利技术公开了一种基于线下行为的商品推荐方法和系统，其中，方法包括：对获取的顾客的行为交互信息进行筛选得到浏览交互信息；根据获取的顾客特征信息、行为交互信息及商品特征信息利用机器学习建立商品推荐模型；在建立商品推荐模型时，将浏览交互信息作为负样本；获取顾客的当前顾客特征信息和当前行为交互信息，根据当前顾客特征信息和当前行为交互信息通过商品推荐模型确定对应的推荐商品信息；同时，将推荐商品信息实时推荐给对应的顾客。本发明专利技术不仅考虑行为交互信息，且将行为交互信息中的浏览交互信息划分为负样本，有效提高商品推荐模型预测的准确性；使得推荐商品信息满足顾客的需求，而且提高顾客对推荐商品的购买转化率的效果。

Commodity recommendation method and system based on offline behavior

The invention discloses a commodity recommendation method and system based on on on-line behavior, wherein the method comprises: screening the acquired customer behavior interaction information to obtain browsing interaction information; establishing a commodity recommendation model by machine learning according to the acquired customer characteristics information, behavior interaction information and commodity characteristics information; When building a product recommendation model, we take the browsing interactive information as a negative sample, obtain the current customer feature information and current behavior interaction information, and determine the corresponding recommendation product information through the product recommendation model according to the current customer feature information and current behavior interaction information; at the same time, we push the recommendation product information in real time. Recommended to the corresponding customers. The invention not only considers the behavior interaction information, but also divides the browsing interaction information in the behavior interaction information into negative samples, thus effectively improving the accuracy of the prediction of the commodity recommendation model, making the recommendation commodity information meet the customer's needs, and improving the effect of the customer's purchase conversion rate of the recommended commodity.

【技术实现步骤摘要】
基于线下行为的商品推荐方法和系统
本专利技术涉及信息推荐
，尤其涉及一种基于线下行为的商品推荐方法和系统。
技术介绍
随着信息技术的发展，计算机和互联网被广泛应用于各行各业，并给人们的交流、出行方式及至工业生产方式等都带来了很大的变化。作为信息化时代的产物，近年来，电子商务迅速崛起，并以其低成本、高效率、全球化和交互性等特点对传统实体零售业产生很大的冲击。在实体店中，现有的推荐方法是根据商店销售的需求直接通过广告牌或者设置播放设备以广告的方式为客户推荐商品。这种方法只是粗放型的商品推荐形式，推荐效果差；且没有考虑到线下顾客行为特征，导致无法准确预测线下顾客可能喜欢的商品，推荐的商品无法满足顾客的需求，购买转化率较低。
技术实现思路
本专利技术的目的是提供一种基于线下行为的商品推荐方法和系统，使得利用商品推荐模型确定的推荐商品信息满足顾客的需求，具有准确性和实时性，而且提高顾客对推荐商品的购买转化率的效果。本专利技术提供了一种基于线下行为的商品推荐方法，包括以下步骤；获取顾客的顾客特征信息和行为交互信息及商品的商品特征信息，对所述行为交互信息进行筛选，得到浏览交互信息；根据所述顾客特征信息、行为交互信息及商品特征信息利用机器学习建立商品推荐模型；在建立商品推荐模型时，将所述浏览交互信息作为负样本；获取顾客的当前顾客特征信息和当前行为交互信息，根据所述当前顾客特征信息和当前行为交互信息通过所述商品推荐模型确定对应的推荐商品信息；同时，将所述推荐商品信息实时推荐给对应的顾客。作为一种可实施方式，所述根据所述顾客特征信息、行为交互信息及商品特征信息利用机器学习建立商品推荐模型；在建立商品推荐模型时，将所述浏览交互信息作为负样本，包括以下步骤；将所述顾客特征信息输入深度神经网络中进行训练，得到顾客特征模型；将所述行为交互信息输入深度神经网络中进行训练，并将所述浏览交互信息作为负样本，得到购买行为模型；将所述商品特征信息输入深度神经网络中进行训练，得到商品特征模型；利用对抗神经网络，将所述顾客特征模型、购买行为模型以及商品特征模型中的任意两个模型对第三个模型进行优化训练，直至完成对所述顾客特征模型、购买行为模型以及商品特征模型的全部优化，得到商品推荐模型。作为一种可实施方式，通过至少以下方式之一，获取顾客的顾客特征信息和行为交互信息；通过对顾客进行人脸认证的方式；或，通过对顾客进行二维码识别的方式；或，通过与顾客进行语音交互的方式；或，通过对顾客的行为进行拍摄识别的方式；或，通过对用于监测商品的传感器进行数据获取分析的方式。作为一种可实施方式，通过至少以下方式之一，获取顾客的商品特征信息；通过对商品的库存量单位进行查询的方式；或，通过对商品进行拍摄识别的方式；或，通过对商品的买卖记录进行查询的方式。作为一种可实施方式，本专利技术提供的基于线下行为的商品推荐方法，还包括以下步骤；在建立商品推荐模型之后，将实时获取顾客的当前顾客特征信息和当前行为交互信息以当前时间戳进行存储，利用机器学习根据存储后的当前顾客特征信息和当前行为交互信息对所述商品推荐模型进行二次优化。相应的，本专利技术还提供一种基于线下行为的商品推荐系统，包括获取模块、模型建立模块以及推荐模块；所述获取模块，用于获取顾客的顾客特征信息和行为交互信息及商品的商品特征信息，对所述行为交互信息进行筛选，得到浏览交互信息；所述模型建立模块，根据所述顾客特征信息、行为交互信息及商品特征信息利用机器学习建立商品推荐模型；在建立商品推荐模型时，将所述浏览交互信息作为负样本；所述推荐模块，用于获取顾客的当前顾客特征信息和当前行为交互信息，根据所述当前顾客特征信息和当前行为交互信息通过所述商品推荐模型确定对应的推荐商品信息；同时，将所述推荐商品信息实时推荐给对应的顾客。作为一种可实施方式，所述模型建立模块包括第一训练单元、第二训练单元、第三训练单元以及优化单元；所述第一训练单元，用于将所述顾客特征信息输入深度神经网络中进行训练，得到顾客特征模型；所述第二训练单元，用于将所述行为交互信息输入深度神经网络中进行训练，并将所述浏览交互信息作为负样本，得到购买行为模型；所述第三训练单元，用于将所述商品特征信息输入深度神经网络中进行训练，得到商品特征模型；所述优化单元，用于利用对抗神经网络，将所述顾客特征模型、购买行为模型以及商品特征模型中的任意两个模型对第三个模型进行优化训练，直至完成对所述顾客特征模型、购买行为模型以及商品特征模型的全部优化，得到商品推荐模型。作为一种可实施方式，所述获取模块至少包括以下之一；人脸认证单元，用于通过对顾客进行人脸认证的方式；或，二维码识别单元，用于通过对顾客进行二维码识别的方式；或，语音交互单元，用于通过与顾客进行语音交互的方式；或，第一拍摄识别单元，用于通过对顾客的行为进行拍摄识别的方式；或，数据获取分析单元，用于通过对用于监测商品的传感器进行数据获取分析的方式。作为一种可实施方式，所述获取模块还至少包括以下之一；第一查询单元，用于通过对商品的库存量单位进行查询的方式；或，第二拍摄识别单元，用于通过对商品进行拍摄识别的方式；或，第二查询单元，用于通过对商品的买卖记录进行查询的方式。作为一种可实施方式，本专利技术提供的基于线下行为的商品推荐系统，还包括二次优化模块；所述二次优化模块，用于在建立商品推荐模型之后，将实时获取顾客的当前顾客特征信息和当前行为交互信息以当前时间戳进行存储，利用机器学习根据存储后的当前顾客特征信息和当前行为交互信息对所述商品推荐模型进行二次优化。与现有技术相比，本技术方案具有以下优点：本专利技术提供的基于线下行为的商品推荐方法和系统，通过将获取的顾客的顾客特征信息和行为交互信息及商品的商品特征信息作为训练样本，利用机器学习建立商品推荐模型；在建立商品推荐模型时，将从行为交互信息中筛选出的浏览交互信息作为负样本；在建立商品推荐模型时，不仅考虑行为交互信息，且将浏览交互信息划分为负样本，有效提高商品推荐模型预测的准确性。而且是根据当前顾客特征信息和当前行为交互信息通过商品推荐模型确定对应的推荐商品信息；将推荐商品信息实时推荐给对应的顾客；使得推荐商品信息满足顾客的需求，具有准确性和实时性，而且提高顾客对推荐商品的购买转化率的效果。附图说明图1为本专利技术实施例一提供的基于线下行为的商品推荐方法的流程示意图；图2为本专利技术实施例三提供的基于线下行为的商品推荐系统的结构示意图；图3为图2中模型建立模块的结构示意图。图中：100、获取模块；200、模型建立模块；210、第一训练单元；220、第二训练单元；230、第三训练单元；240、优化单元；300、推荐模块；400、二次优化模块。具体实施方式以下结合附图，对本专利技术上述的和另外的技术特征和优点进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的部分实施例，而不是全部实施例。请参阅图1，本专利技术实施例一提供的基于线下行为的商品推荐方法，包括以下步骤；S100、获取顾客的顾客特征信息和行为交互信息及商品的商品特征信息，对行为交互信息进行筛选，得到浏览交互信息；S200、根据顾客特征信息、行为交互信息及商品特征信息利用机器学习建立商品推荐模型；在建立商品推荐模型时，将浏览交互信息作为负样本；S300、获本文档来自技高网...

【技术保护点】
1.一种基于线下行为的商品推荐方法，其特征在于，包括以下步骤；获取顾客的顾客特征信息和行为交互信息及商品的商品特征信息，对所述行为交互信息进行筛选，得到浏览交互信息；根据所述顾客特征信息、行为交互信息及商品特征信息利用机器学习建立商品推荐模型；在建立商品推荐模型时，将所述浏览交互信息作为负样本；获取顾客的当前顾客特征信息和当前行为交互信息，根据所述当前顾客特征信息和当前行为交互信息通过所述商品推荐模型确定对应的推荐商品信息；同时，将所述推荐商品信息实时推荐给对应的顾客。

【技术特征摘要】
1.一种基于线下行为的商品推荐方法，其特征在于，包括以下步骤；获取顾客的顾客特征信息和行为交互信息及商品的商品特征信息，对所述行为交互信息进行筛选，得到浏览交互信息；根据所述顾客特征信息、行为交互信息及商品特征信息利用机器学习建立商品推荐模型；在建立商品推荐模型时，将所述浏览交互信息作为负样本；获取顾客的当前顾客特征信息和当前行为交互信息，根据所述当前顾客特征信息和当前行为交互信息通过所述商品推荐模型确定对应的推荐商品信息；同时，将所述推荐商品信息实时推荐给对应的顾客。2.如权利要求1所述的基于线下行为的商品推荐方法，其特征在于，所述根据所述顾客特征信息、行为交互信息及商品特征信息利用机器学习建立商品推荐模型；在建立商品推荐模型时，将所述浏览交互信息作为负样本，包括以下步骤；将所述顾客特征信息输入深度神经网络中进行训练，得到顾客特征模型；将所述行为交互信息输入深度神经网络中进行训练，并将所述浏览交互信息作为负样本，得到购买行为模型；将所述商品特征信息输入深度神经网络中进行训练，得到商品特征模型；利用对抗神经网络，将所述顾客特征模型、购买行为模型以及商品特征模型中的任意两个模型对第三个模型进行优化训练，直至完成对所述顾客特征模型、购买行为模型以及商品特征模型的全部优化，得到商品推荐模型。3.如权利要求1所述的基于线下行为的商品推荐方法，其特征在于，通过至少以下方式之一，获取顾客的顾客特征信息和行为交互信息；通过对顾客进行人脸认证的方式；或，通过对顾客进行二维码识别的方式；或，通过与顾客进行语音交互的方式；或，通过对顾客的行为进行拍摄识别的方式；或，通过对用于监测商品的传感器进行数据获取分析的方式。4.如权利要求1所述的基于线下行为的商品推荐方法，其特征在于，通过至少以下方式之一，获取顾客的商品特征信息；通过对商品的库存量单位进行查询的方式；或，通过对商品进行拍摄识别的方式；或，通过对商品的买卖记录进行查询的方式。5.如权利要求1-4任意一项所述的基于线下行为的商品推荐方法，其特征在于，还包括以下步骤；在建立商品推荐模型之后，将实时获取顾客的当前顾客特征信息和当前行为交互信息以当前时间戳进行存储，利用机器学习根据存储后的当前顾客特征信息和当前行为交互信息对所述商品推荐模型进行二次优化。6.一种基于线下行为的商品推荐系统，其特征在于，包括获取模块、模型建立模块以及推荐模块；所述获取模块，用于获取顾客的...

【专利技术属性】
技术研发人员：叶生晅，
申请(专利权)人：帷幄匠心科技杭州有限公司，
类型：发明
国别省市：浙江,33