新零售模式下基于机器学习算法的商品推送方法及设备技术

本发明专利技术公开了一种新零售模式下基于机器学习算法的商品推送方法及设备，该方法包括：获取若干历史购买者的用户信息以及商品购买记录，得到各个商品对应的用户信息；根据特定算法基于所述各个商品对应的用户信息进行训练，得到各个商品对应的预测模型，所述预测模型用于建立商品与用户信息之间的映射关系；获取待推送用户的用户信息，将所述待推送用户的用户信息输入所述各个商品对应的预测模型，得到若干预测值；基于所述若干预测值，确定待推送商品；将所述待推送商品的商品信息推送至所述待推送用户的用户终端。通过本发明专利技术，实现了精准的向用户推送其需要的商品信息。

Commodity Pushing Method and Equipment Based on Machine Learning Algorithms in New Retail Mode

【技术实现步骤摘要】
新零售模式下基于机器学习算法的商品推送方法及设备
本专利技术涉及新零售
，尤其涉及新零售模式下基于机器学习算法的商品推送方法及设备。
技术介绍
在零售行业中，为了推销商品或刺激购买者进行消费，一般会向购买者进行商品消息推送。推送消息对应的商品一般由店家确定，例如新到店的商品或是应季商品等。这种方式，导致有些用户收到的商品推送消息并不符合其需求，导致了用户与商家的互动黏着度低。
技术实现思路
本专利技术的主要目的在于提供一种新零售模式下基于机器学习算法的商品推送方法及设备，旨在解决现有技术中无法精准的向用户推送其需要的商品信息的技术问题。为实现上述目的，本专利技术提供一种新零售模式下基于机器学习算法的商品推送方法，所述新零售模式下基于机器学习算法的商品推送方法包括以下步骤：获取若干历史购买者的用户信息以及商品购买记录，得到各个商品对应的用户信息；根据特定算法基于所述各个商品对应的用户信息进行训练，得到各个商品对应的预测模型，所述预测模型用于建立商品与用户信息之间的映射关系；获取待推送用户的用户信息，将所述待推送用户的用户信息输入所述各个商品对应的预测模型，得到若干预测值；基于所述若干预测值，确定待推送商品；将所述待推送商品的商品信息推送至所述待推送用户的用户终端。可选的，所述根据特定算法基于所述各个商品对应的用户信息进行训练，得到各个商品对应的预测模型的步骤包括：计算所述各个商品对应的用户信息的特征值，并将所述特征值代入公式，得到多个函数；对所述多个函数进行迭代求解，得到各个商品对应的预测模型；所述公式如下：其中，hθ(x)代表用户信息与商品的匹配度，θi为用户信息i的权重值，xi为用户信息i对应的特征值，θT＝[θ1，θ2，...，θn]，x＝[x1，x2，...，xn]。可选的，所述基于所述若干预测值，确定待推送商品的步骤包括：检测所述若干预测值中是否存在大于或等于预设阈值的目标预测值；若存在大于或等于预设阈值的目标预测值，则将所述目标预测值对应的预测模型关联的商品作为待推送商品。可选的，在所述若存在大于或等于预设阈值的目标预测值，则将所述目标预测值对应的预测模型关联的商品作为待推送商品的步骤包括：若存在大于或等于预设阈值的目标预测值，且目标预测值的数量至少为两个，则从所述至少两个目标预测值中选取最大目标预测值；将所述最大目标预测值对应的预测模型关联的商品作为待推送商品。可选的，在所述检测所述若干预测值中是否存在大于或等于预设阈值的目标预测值的步骤之后，还包括：若不存在大于或等于预设阈值的目标预测值，则以当前的促销商品作为待推送商品。此外，为实现上述目的，本专利技术还提供一种新零售模式下基于机器学习算法的商品推送设备，所述新零售模式下基于机器学习算法的商品推送设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的新零售模式下基于机器学习算法的商品推送程序，所述新零售模式下基于机器学习算法的商品推送程序被处理器执行时实现如上所述的新零售模式下基于机器学习算法的商品推送方法的步骤。此外，为实现上述目的，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有新零售模式下基于机器学习算法的商品推送程序，所述新零售模式下基于机器学习算法的商品推送程序被处理器执行时实现如上所述的新零售模式下基于机器学习算法的商品推送方法的步骤。本专利技术中，获取若干历史购买者的用户信息以及商品购买记录，得到各个商品对应的用户信息；根据特定算法基于所述各个商品对应的用户信息进行训练，得到各个商品对应的预测模型，所述预测模型用于建立商品与用户信息之间的映射关系；获取待推送用户的用户信息，将所述待推送用户的用户信息输入所述各个商品对应的预测模型，得到若干预测值；基于所述若干预测值，确定待推送商品；将所述待推送商品的商品信息推送至所述待推送用户的用户终端。通过本专利技术，基于机器学习算法根据待推送用户的用户信息，为待推送用户选择待推送商品，然后将待推送商品的商品信息推送至待推送用户的用户终端，实现了精准的向用户推送其需要的商品信息。附图说明图1为本专利技术实施例方案涉及的硬件运行环境的新零售模式下基于机器学习算法的商品推送设备结构示意图；图2为本专利技术新零售模式下基于机器学习算法的商品推送方法第一实施例的流程示意图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。如图1所示，图1为本专利技术实施例方案涉及的硬件运行环境的新零售模式下基于机器学习算法的商品推送设备结构示意图。如图1所示，该新零售模式下基于机器学习算法的商品推送设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的新零售模式下基于机器学习算法的商品推送设备结构并不构成对新零售模式下基于机器学习算法的商品推送设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及新零售模式下基于机器学习算法的商品推送程序。在图1所示的新零售模式下基于机器学习算法的商品推送设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的新零售模式下基于机器学习算法的商品推送程序，并执行以下操作：获取若干历史购买者的用户信息以及商品购买记录，得到各个商品对应的用户信息；根据特定算法基于所述各个商品对应的用户信息进行训练，得到各个商品对应的预测模型，所述预测模型用于建立商品与用户信息之间的映射关系；获取待推送用户的用户信息，将所述待推送用户的用户信息输入所述各个商品对应的预测模型，得到若干预测值；基于所述若干预测值，确定待推送商品；将所述待推送商品的商品信息推送至所述待推送用户的用户终端。进一步地，处理器1001可以调用存储器1005中存储的新零售模式下基于机器学习算法的商品推送程序，还执行以下操作：计算所述各个商品对应的用户信息的特征值，并将所述特征值代入公式，得到多个函数；对所述多个函数进行迭代求解，得到各个商品对应的预测模型；所述公式如下：其中，hθ(x)代表用户信息与商品的匹配度，θi为用户信息i的权重值，xi为用户信息i对应的特征值，θT＝[θ1，θ2，...，θn]，x＝[x1，x2，...，xn]。进一步地，处理器1001可以调用存储器1005中存储的新零售模式下基于机器学习算法的商品本文档来自技高网...

【技术保护点】
1.一种新零售模式下基于机器学习算法的商品推送方法，其特征在于，所述新零售模式下基于机器学习算法的商品推送方法包括以下步骤：获取若干历史购买者的用户信息以及商品购买记录，得到各个商品对应的用户信息；根据特定算法基于所述各个商品对应的用户信息进行训练，得到各个商品对应的预测模型，所述预测模型用于建立商品与用户信息之间的映射关系；获取待推送用户的用户信息，将所述待推送用户的用户信息输入所述各个商品对应的预测模型，得到若干预测值；基于所述若干预测值，确定待推送商品；将所述待推送商品的商品信息推送至所述待推送用户的用户终端。

【技术特征摘要】
1.一种新零售模式下基于机器学习算法的商品推送方法，其特征在于，所述新零售模式下基于机器学习算法的商品推送方法包括以下步骤：获取若干历史购买者的用户信息以及商品购买记录，得到各个商品对应的用户信息；根据特定算法基于所述各个商品对应的用户信息进行训练，得到各个商品对应的预测模型，所述预测模型用于建立商品与用户信息之间的映射关系；获取待推送用户的用户信息，将所述待推送用户的用户信息输入所述各个商品对应的预测模型，得到若干预测值；基于所述若干预测值，确定待推送商品；将所述待推送商品的商品信息推送至所述待推送用户的用户终端。2.如权利要求1所述的新零售模式下基于机器学习算法的商品推送方法，其特征在于，所述根据特定算法基于所述各个商品对应的用户信息进行训练，得到各个商品对应的预测模型的步骤包括：计算所述各个商品对应的用户信息的特征值，并将所述特征值代入公式，得到多个函数；对所述多个函数进行迭代求解，得到各个商品对应的预测模型；所述公式如下：其中，hθ(x)代表用户信息与商品的匹配度，θi为用户信息i的权重值，xi为用户信息i对应的特征值，θT＝[θ1，θ2，...，θn]，x＝[x1，x2，...，xn]。3.如权利要求1所述的新零售模式下基于机器学习算法的商品推送方法，其特征在于，所述基于所述若干预测值，确定待推送商品的步骤包括：检测所述若干预测值中是否存在大于或等于预设阈值的目标预测值；若存在大于或等于预设阈值的目标预测值，则将所述目标预测值对应的预测模型关联的商品作为待推送商品。4.如权利要求3所述的新零售模式下基于机器学习算法的商品推送方法，其特征在于，在所述若存在大于或等于预设阈值的目标预测值，则将所述目标预测值对应的预测模型关联的商品作为待推送商品的步骤包括：若存在大于或等于预设阈值的目标预测值，且目标预测值的数量至少为两个，则从所述至少两个目标预测值中选取最大目标预测值；将所述最大目标预测值对应的预测模型关联的商品作为待推送商品。5.如权利要求3所述的新零售模式下基于机器学习算法的商品推送方法，其特征在于，在所述检测所述若干预测值中是否存在大于或等于预设阈值的目标预测值的步骤之后，还包括：若不存在大于或等于预设阈值的目标预测值，则以当前的促销商品作为待推送商品。6.一种新零售模式下基于机器学习算法的商品推送设备，其特征在于，所述新零售模...

【专利技术属性】
技术研发人员：罗新，
申请(专利权)人：武汉久客网络科技有限公司，
类型：发明
国别省市：湖北,42