一种基于贝叶斯回归分析的大宗商品推荐方法及系统技术方案

本发明专利技术属于数据处理技术领域，提供了一种基于贝叶斯回归分析的大宗商品推荐方法及系统。该方法包括，基于商家信息和大宗商品信息生成各商家的总喜好评分矩阵和商家对商品类型的偏好评分矩阵；其中，所述各商家的总喜好评分矩阵的生成考虑包括：各商家对不同商品的喜好程度、各商品的质量以及各商品的价格；基于各商家的总喜好评分矩阵和商家对商品类型的偏好评分矩阵构建贝叶斯回归分析模型；基于贝叶斯回归分析模型将评分高于设定阈值的商品推荐给商家。品推荐给商家。品推荐给商家。

【技术实现步骤摘要】
一种基于贝叶斯回归分析的大宗商品推荐方法及系统


[0001]本专利技术属于数据处理
，尤其涉及一种基于贝叶斯回归分析的大宗商品推荐方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]大宗商品是用于工农业生产与消费使用的大批量买卖的物质商品，具体涉及到有色金属、黑色、贵金属、谷物、软产品、油脂、化工产品、鸡蛋、建筑材料等产业，42个交易品种。在部分突发情况下，大宗商品价格出现了一定程度的涨幅，一方面，货物消费对服务消费出现了大规模的替代，推动了全球货物贸易和工业生产的迅速正常化，从而助推了价格；另一方面，对基础商品供应能力的抑制，以及对供应链的扰动从供给端推动价格上涨。大宗商品价格的变动，在很大程度上影响了商家对大宗商品的喜好程度和采购。

技术实现思路

[0004]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种基于贝叶斯回归分析的大宗商品推荐方法及系统，其能够为商家找到适合自己的大宗产品。
[0005]为了实现上述目的，本专利技术采用如下技术方案：
[0006]本专利技术的第一个方面提供一种基于贝叶斯回归分析的大宗商品推荐方法。
[0007]一种基于贝叶斯回归分析的大宗商品推荐方法，包括：
[0008]基于商家信息和大宗商品信息生成各商家的总喜好评分矩阵和商家对商品类型的偏好评分矩阵；其中，所述各商家的总喜好评分矩阵的生成考虑包括：各商家对不同商品的喜好程度、各商品的质量以及各商品的价格；
[0009]基于各商家的总喜好评分矩阵和商家对商品类型的偏好评分矩阵构建贝叶斯回归分析模型；
[0010]基于贝叶斯回归分析模型将评分高于设定阈值的商品推荐给商家。
[0011]进一步的，所述各商家的总喜好评分矩阵生成包括：基于商家信息和大宗商品信息，利用主成分分析法获得每个商家对每种大宗商品的喜好程度，得到商家的总喜好评分矩阵。
[0012]进一步的，利用奇异值分解方法，将商家的总喜好评分矩阵分解成具有发展潜力的商家矩阵和具有发展潜力的大宗商品矩阵，基于具有发展潜力的商家矩阵和具有发展潜力的大宗商品矩阵得到某个商家对某种商品的喜好程度评分。
[0013]进一步的，所述各商家对不同商品的喜好程度包括：商家对不同商品的购买次数、浏览次数和每次浏览的时间。
[0014]进一步的，各商品的质量和各商品的价格的获取包括：采用网上公开数据和/或线下问卷调查的数据，获取各商品的质量和各商品的价格数据。
[0015]进一步的，所述商家对商品类型的偏好评分矩阵的生成，基于商家对某类型大宗商品评分的产品数量和该类型产品数量的关系。
[0016]进一步的，所述商品类型包括：能源商品、基础原材料和农副产品。
[0017]本专利技术的第二个方面提供一种基于贝叶斯回归分析的大宗商品推荐系统。
[0018]一种基于贝叶斯回归分析的大宗商品推荐系统，包括：
[0019]总喜好和类型偏好获取单元，其被配置为：基于商家信息和大宗商品信息生成各商家的总喜好评分矩阵和商家对商品类型的偏好评分矩阵；其中，所述各商家的总喜好评分矩阵的生成考虑包括：各商家对不同商品的喜好程度、各商品的质量以及各商品的价格；
[0020]模型构建单元，其被配置为：基于各商家的总喜好评分矩阵和商家对商品类型的偏好评分矩阵构建贝叶斯回归分析模型；
[0021]大宗商品推荐单元，其被配置为：基于贝叶斯回归分析模型将评分高于设定阈值的商品推荐给商家。
[0022]本专利技术的第三个方面提供一种计算机可读存储介质。
[0023]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的基于贝叶斯回归分析的大宗商品推荐方法中的步骤。
[0024]本专利技术的第四个方面提供一种计算机设备。
[0025]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的基于贝叶斯回归分析的大宗商品推荐方法中的步骤。
[0026]与现有技术相比，本专利技术的有益效果是：
[0027]本专利技术可以更有效的为每个商家采购大宗商品提供指导性的建议，提高推荐效率和准确率。
[0028]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0029]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0030]图1是本专利技术实施例一的一种大宗商品推荐方法的流程示意图；
[0031]图2是本专利技术实施例一的一种大宗商品推荐方法的商家
‑
大宗商品的总体喜好评分矩阵流程图；
[0032]图3是本专利技术实施例一商家的总体喜好评分矩阵、类型偏好评分矩阵、最终评分矩阵的关系图；
[0033]图4是本专利技术实施例一提供的大宗商品推荐装置结构示意图。
具体实施方式
[0034]下面结合附图与实施例对本专利技术作进一步说明。
[0035]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常
理解的相同含义。
[0036]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0037]需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
[0038]实施例一
[0039]如图1所示，本实施例提供了一种基于贝叶斯回归分析的大宗商品推荐方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于贝叶斯回归分析的大宗商品推荐方法，其特征在于，包括：基于商家信息和大宗商品信息生成各商家的总喜好评分矩阵和商家对商品类型的偏好评分矩阵；其中，所述各商家的总喜好评分矩阵的生成考虑包括：各商家对不同商品的喜好程度、各商品的质量以及各商品的价格；基于各商家的总喜好评分矩阵和商家对商品类型的偏好评分矩阵构建贝叶斯回归分析模型；基于贝叶斯回归分析模型将评分高于设定阈值的商品推荐给商家。2.根据权利要求1所述的基于贝叶斯回归分析的大宗商品推荐方法，其特征在于，所述各商家的总喜好评分矩阵生成包括：基于商家信息和大宗商品信息，利用主成分分析法获得每个商家对每种大宗商品的喜好程度，得到商家的总喜好评分矩阵。3.根据权利要求2所述的基于贝叶斯回归分析的大宗商品推荐方法，其特征在于，利用奇异值分解方法，将商家的总喜好评分矩阵分解成具有发展潜力的商家矩阵和具有发展潜力的大宗商品矩阵，基于具有发展潜力的商家矩阵和具有发展潜力的大宗商品矩阵得到某个商家对某种商品的喜好程度评分。4.根据权利要求1所述的基于贝叶斯回归分析的大宗商品推荐方法，其特征在于，所述各商家对不同商品的喜好程度包括：商家对不同商品的购买次数、浏览次数和每次浏览的时间。5.根据权利要求1所述的基于贝叶斯回归分析的大宗商品推荐方法，其特征在于，各商品的质量和各商品的价格的获取包括：采用网上公开数据和/或线下问卷调查的数据，获取各商品的质量和各商品的价格数...

【专利技术属性】
技术研发人员：王光臣，黄鹏琰，王钰，张盼盼，邢壮壮，
申请(专利权)人：山东大学，
类型：发明
国别省市：