一种O2O商品推荐方法、系统及设备技术方案

本发明专利技术公开了一种O2O商品推荐方法包括：获取历史行为数据，并对历史行为数据进行预处理，得到预处理数据；选取N个考察日，利用考察日之前的预设时间跨度内和考察日的预处理数据构建K个训练集；对每个训练集进行特征提取，得到所述训练集对应的目标特征集；利用目标特征集训练LightGBM模型，将目标特征集中的特征转换到一个高维稀疏空间，经过one‑hot编码后作为新的特征训练LR模型，利用训练完成的LR模型对测试集进行预测得到O2O商品推荐结果。本发明专利技术公开的O2O商品推荐方法为用户提供更准确的商品推荐服务。本发明专利技术还公开了一种O2O商品推荐系统及设备和一种计算机可读存储介质，同样能实现上述技术效果。

【技术实现步骤摘要】
一种O2O商品推荐方法、系统及设备
本专利技术涉及信息处理
，更具体地说，涉及一种O2O商品推荐方法、系统及一种O2O商品推荐设备和一种计算机可读存储介质。
技术介绍
随着移动互联网和O2O模式的迅猛发展，移动端产生并不断增加大量的用户访问数据信息，传统的关系型数据库管理系统不符合海量数据的处理器，不能够符合企业的成本效益。为加快了数据处理速度，各种大数据存储和计算平台应运而生，其中SparkSQL能够有效地在Spark中加载和查询结构型数据，Hadoop是一个高度可扩展的存储平台，可以存储和分发横跨数百个并行操作的廉价的服务器数据集群。随着电商的商品类别越来越丰富，从非O2O商品扩展到O2O商品，促销活动层出不穷导致数据信息量巨大，数据分析和挖掘已成为电商提高效益的主要方式。通过数据挖掘将用户、商品和营销方式相结合，既能评估营销效果，又能挖掘潜在用户，更能熟悉自己的商品在在不同时间段，不同消费人群、不同地域的需求情况，从而掌握市场趋势，有的放矢的刺激用户需求。在商品的推荐问题上，基于物品的协同过滤更倾向于推荐用户购买过的类似商品，会出现多样性的不足，推荐惊喜度低的问题；基于用本文档来自技高网...

【技术保护点】
一种O2O商品推荐方法，其特征在于，包括：获取历史行为数据，并对所述历史行为数据进行预处理，得到预处理数据；选取N个考察日，利用所述考察日之前的预设时间跨度内的预处理数据和所述考察日的预处理数据构建K个训练集；其中，N、K为正整数；对每个所述训练集进行特征提取，得到每个所述训练集对应的目标特征集；利用所述目标特征集训练LightGBM模型，利用训练完成的LightGBM模型将所述目标特征集中的特征转换到一个高维稀疏空间，经过one‑hot编码后作为新的特征训练LR模型，利用训练完成的LR模型对测试集进行预测得到O2O商品推荐结果。

【技术特征摘要】
1.一种O2O商品推荐方法，其特征在于，包括：获取历史行为数据，并对所述历史行为数据进行预处理，得到预处理数据；选取N个考察日，利用所述考察日之前的预设时间跨度内的预处理数据和所述考察日的预处理数据构建K个训练集；其中，N、K为正整数；对每个所述训练集进行特征提取，得到每个所述训练集对应的目标特征集；利用所述目标特征集训练LightGBM模型，利用训练完成的LightGBM模型将所述目标特征集中的特征转换到一个高维稀疏空间，经过one-hot编码后作为新的特征训练LR模型，利用训练完成的LR模型对测试集进行预测得到O2O商品推荐结果。2.根据权利要求1所述O2O商品推荐方法，其特征在于，利用所述特征集训练LightGBM模型之前，还包括：利用所述LightGBM模型去除所述目标特征集中分数低于预设值的特征。3.根据权利要求1所述O2O商品推荐方法，其特征在于，所述利用训练完成的LR模型对测试集进行预测得到O2O商品推荐结果，包括：提取所述测试集中O2O商品的历史行为数据，利用训练完成的LR模型对所述测试集进行预测；对于同一目标特征集对应的预测结果取前P个，得到每个所述目标特征集对应的预测结果；合并每个所述目标特征集的预测结果并取前Q个预测结果，将所述Q个预测结果作为所述测试集的O2O商品推荐结果；其中，P、Q为均为正整数，Q小于P。4.根据权利要求1所述O2O商品推荐方法，其特征在于，获取历史行为数据，并对所述历史行为数据进行预处理，得到预处理数据，包括：获取全量商品的历史行为数据，并提取所述历史行为数据中存在交互行为的数据，作为所述预处理数据。5.根据权利要求3所述O2O商品推荐方法，其特征在于，将所述Q个预测结果作为所述测试集的O2O商品推荐结果之前，还包括：根据预设原则对所述Q个预测结果进行筛选和补充。6.根据权利要求1所述O2O商品推荐方法，其特征在于，对每个所述...

【专利技术属性】
技术研发人员：蒋文武，何昭水，谢胜利，黄世锋，李炳聪，刘嘉穗，王沛涛，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44