一种智能精准推荐方法技术

本发明专利技术公开了一种智能精准推荐方法，步骤包括：系统初始设置为初始态，当用户登录系统，系统进入登录状态；系统读取用户角色信息和历史选择记录，进入标定状态；首先推荐正向集，其次推荐延伸集，最后推荐负向集；在预选状态下，若用户最终选定目标，系统进入终选状态；若未最终选定，则根据用户浏览停留最长记录，更新并返回标定状态，并根据标定状态重置正向集、负向集和延伸集的优先级参数，选择强化或弱化或跳过推荐正向集、负向集和延伸集；在终选状态下，系统记录用户选择的特定标的物所属品类信息，将其设置为首选品类，而后开始更新用户信息，本发明专利技术可解决网络推荐算法重复性推荐所导致的用户体验低和推荐效用低的问题。导致的用户体验低和推荐效用低的问题。导致的用户体验低和推荐效用低的问题。

【技术实现步骤摘要】
一种智能精准推荐方法


[0001]本专利技术涉及计算机智能处理领域，特别是一种智能精准推荐方法。

技术介绍

[0002]智能推荐算法一般是根据用户行为、偏好、背景或特定内容，以一组或多组关联规则，向用户进行定向内容推荐，以期达到引导或改变用户行为和认知的目的。
[0003]现行算法具有重复性推荐的弊端，即在用户完成相关行为后，算法对用户进行重复性的无效推荐，所谓重复性推荐是指推荐的内容所可能导致产生的用户行为已经发生。这种重复性推荐不仅对用户产生不必要的困扰、降低用户体验，同时也降低了推荐算法的效用。
[0004]导致上述现象的原因是：推荐算法过于简单或依赖某种特定的机器学习算法，擅长利用已有数据和行为，对未知数据和行为预测能力不足。

技术实现思路

[0005]针对现有技术中存在的问题，本专利技术提供了一种智能精准推荐方法，可以解决网络推荐算法重复性推荐所导致的用户体验低和推荐效用低的问题。
[0006]本专利技术的目的通过以下技术方案实现。
[0007]一种智能精准推荐方法，步骤包括：
[0008]1)系统初始设置为初始态，当用户登录系统，获取用户角色信息，系统进入登录状态；
[0009]2)在登录状态下，系统读取用户角色信息和历史选择记录，进入标定状态；
[0010]3)在标定状态下，首先推荐正向集，其次推荐延伸集，最后推荐负向集，根据用户刷新或翻页或滚动操作第次推荐，过程中一旦用户选定特定标的物，系统进入预选状态；
[0011]4)在预选状态下，若用户最终选定目标，系统进入终选状态；若未最终选定，则根据用户浏览停留最长记录，更新并返回标定状态，并根据标定状态重置正向集、负向集和延伸集的优先级参数，选择强化或弱化或跳过推荐正向集、负向集和延伸集；
[0012]5)在终选状态下，系统记录用户选择的特定标的物所属品类信息，将其设置为首选品类，而后开始更新用户信息。
[0013]6)更新用户信息时，系统根据用户当前终选品类，更新正向集、负向集和延伸集属性品类信息，更新后返回登录状态。
[0014]所述用户角色信息包括用户性别、年龄、个人爱好、历史操作记录。
[0015]在标定状态下，系统根据用户角色信息、历史选择记录与不同品类的关联度，初始化正向集、负向集和延伸集。
[0016]所述正向集、负向集和延伸集包括若干不同品类，其中正向集合内包括与用户角色信息和历史选择记录正关联的品类，负向集合内包括与用户角色信息和历史选择记录负关联的品类，延伸集包括与正向关联集内品类具有正关联或负关联关系的品类集合；品类
按关联度绝对值在各自集合内从高到低排序。
[0017]所述正关联是指品类所属属性与用户角色属性相同。
[0018]所述登录状态，是指用户已经登录系统的状态，该状态下可查询用户角色信息和历史操作记录；
[0019]所述标定状态，是指系统根据用户角色信息、历史操作记录向用户推荐异类集、同类集和隐含集三种品类集合的状态，在该状态下计算用户与品类的关联参数R，计算方法为：
[0020]R＝(S&L&H)*(|L|+|H|)，其中：
[0021]R：关联参数；
[0022]S：用户角色与待推荐商品角色属性关联性，取(1)获(
‑
1)；
[0023]L：用户爱好与待推荐商品功能属性关联性匹配次数，取正整数或0或负整数；为0表示无匹配；
[0024]H：用户历史操作记录功能属性与待推荐商品功能属性关联性匹配下若干次匹配权重值的累加和，取正整数或0或负整数；为0表示无匹配；为负数表示反向匹配，例如腹泻药与便秘药；近1周时间内的每次匹配权重值设置为3，近1月的每次匹配权重值设置为2，近1年的每次匹配权重值设置为1；
[0025]&：与运算
[0026]|x|：值x的绝对值运算；
[0027]所述预选状态，是指用户在推荐的3类集合中预选定某一个或多个特定商品的状态。
[0028]所述终选状态，是指用户对预选商品确认选择和最终下单的状态。
[0029]所述更新用户，是指用户的历史操作记录，用户历史操作记录按日期从最晚向最早排列。
[0030]所述的同类集，是指关联参数R为正数的商品集合，品类按关联度绝对值在集合内从高到低排序；所述的异类集，是指关联参数R为负数的商品集合，品类按关联度绝对值在集合内从高到低排序；所述的隐含集，是指关联参数R为0的商品集合，品类在集合内随机排序。
[0031]所述的步骤4)，当用户放弃预选商品时，应修改关联参数计算公式，重新计算正向集、负向集和延伸集内商品关联参数并更新集合内容，新公式为：
[0032]R＝L，其中：
[0033]R：关联参数；
[0034]L：预选商品与待推荐商品功能属性关联性匹配次数，取正整数或0或负整数；为0表示无匹配。
[0035]相比于现有技术，本专利技术的优点在于：本专利技术可以解决网络推荐算法重复性推荐所导致的用户体验低和推荐效用低的问题。
附图说明
[0036]图1为本专利技术流程框图。
具体实施方式
[0037]下面结合说明书附图和具体的实施例，对本专利技术作详细描述。
[0038]1.系统初始设置为初始态，当用户登录系统，获取用户角色信息，系统进入登录状态；其中用户角色信息可以包括用户性别、年龄、个人爱好、历史选择记录等信息；
[0039]2.在登录状态下，系统读取用户角色信息和历史选择记录，进入标定状态。在该状态下，系统根据用户角色信息、历史选择记录与不同品类的关联度，初始化正向集、负向集和延伸集。所属的每一类集合下可以包含若干不同品类。其中正向集合内包含与用户角色信息和历史选择记录正关联的品类，负向集合内包含与用户角色信息和历史选择记录负关联的品类，延伸集包含与正向关联集内品类具有正关联或负关联关系的品类集合；品类按关联度绝对值在各自集合内从高到低排序。
[0040]3.上述(2)中所谓正关联是指品类所属属性与用户角色属性相同，例如男性用品与男性正关联；所谓负关联是指品类所属属性与用户角色相反，例如女性用品与男性负关联。
[0041]3.在标定状态下，首先推荐正向集，其次推荐延伸集，最后推荐负向集，根据用户刷新或翻页或滚动操作第次推荐，过程中一旦用户选定特定标的物，系统进入预选状态。
[0042]4.在预选状态下，若用户最终选定目标，系统进入终选状态；若未最终选定，则根据用户浏览停留最长记录，更新并返回标定状态，并根据标定状态重置正向集、负向集和延伸集的关联参数并更新各集合内容。
[0043]5.在终选状态下，系统记录用户选择的特定标的物所属品类信息，并更新用户历史操作信息,更新后返回登录状态。
[0044]6.更新用户信息时，系统根据用户当前终选品类，更新正关联集、负关联集和延伸关联集属性品类信息，更新后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能精准推荐方法，其特征在于步骤包括：1)系统初始设置为初始态，当用户登录系统，获取用户角色信息，系统进入登录状态；2)在登录状态下，系统读取用户角色信息和历史选择记录，进入标定状态；3)在标定状态下，首先推荐正向集，其次推荐延伸集，最后推荐负向集，根据用户刷新或翻页或滚动操作第次推荐，过程中一旦用户选定特定标的物，系统进入预选状态；4)在预选状态下，若用户最终选定目标，系统进入终选状态；若未最终选定，则根据用户浏览停留最长记录，更新并返回标定状态，并根据标定状态重置正向集、负向集和延伸集的优先级参数，选择强化或弱化或跳过推荐正向集、负向集和延伸集；5)在终选状态下，系统记录用户选择的特定标的物所属品类信息，将其设置为首选品类，而后开始更新用户信息。6)更新用户信息时，系统根据用户当前终选品类，更新正向集、负向集和延伸集属性品类信息，更新后返回登录状态。2.根据权利要求1所述的一种智能精准推荐方法，其特征在于所述用户角色信息包括用户性别、年龄、个人爱好、历史操作记录。3.根据权利要求1所述的一种智能精准推荐方法，其特征在于在标定状态下，系统根据用户角色信息、历史选择记录与不同品类的关联度，初始化正向集、负向集和延伸集。4.根据权利要求3所述的一种智能精准推荐方法，其特征在于所述正向集、负向集和延伸集包括若干不同品类，其中正向集合内包括与用户角色信息和历史选择记录正关联的品类，负向集合内包括与用户角色信息和历史选择记录负关联的品类，延伸集包括与正向关联集内品类具有正关联或负关联关系的品类集合；品类按关联度绝对值在各自集合内从高到低排序。5.根据权利要求4所述的一种智能精准推荐方法，其特征在于所述正关联是指品类所属属性与用户角色属性相同。6.根据权利要求1所述的一种智能精准推荐方法，其特征在于所述登录状态，是指用户已经登录系统的状态，该状态下可查询用户角色信...

【专利技术属性】
技术研发人员：贺峰，楼桦，邹晓华，朱敏，杨青丰，
申请(专利权)人：常州信息职业技术学院，
类型：发明
国别省市：