基于大数据的售酒小程序内产品推荐方法技术

本发明专利技术涉及产品推荐技术领域，具体涉及基于大数据的售酒小程序内产品推荐方法。方法包括：获取用户在售酒小程序上所点击的产品；根据所点击的产品与数据库中的产品的相似度和关联性，确定新用户的待推荐产品或老用户的候选产品；根据每个候选产品的不同类别的评价中程度副词的数量以及不同类别的评价的数量占比，得到评价相关值；根据老用户历史购买酒产品的种类、品牌、购买数量、购买次数和平均时间间隔，确定置信程度；结合候选产品与老用户历史购买酒产品的价格的差异，得到候选产品的推荐值，确定老用户的待推荐产品，进而对用户进行酒产品推荐。本发明专利技术改善了酒产品推荐效果，提高了用户对酒产品推荐结果的满意度和信任度。度。度。

【技术实现步骤摘要】
基于大数据的售酒小程序内产品推荐方法


[0001]本专利技术涉及产品推荐
，具体涉及基于大数据的售酒小程序内产品推荐方法。

技术介绍

[0002]随着互联网大数据的快速发展，基于大数据的产品推荐方法在各个行业得到广泛应用，酒类行业也不例外。同时伴随着移动技术的发展，小程序的在线平台成为酒类产品销售的重要渠道之一，基于大数据的售酒小程序内产品推荐方法在酒类行业中的应用逐渐成熟，推荐系统可以帮助用户发现感兴趣的产品，提高消费者的购物体验，同时也可以增加对应销售平台的业绩，为商家提供更精准的营销手段。
[0003]现有的产品推荐方法主要关注物品之间的评分相似性，对于物品的其他属性考虑有所欠缺，而这些其他属性往往对于推荐的多样性和个性化具有重要作用，因此现有的酒类产品推荐方法的推荐效果较差，进而使得用户对推荐结果的满意度和信任度较低。

技术实现思路

[0004]为了解决现有方法在对酒类产品进行推荐时存在的推荐效果较差，用户对推荐结果的满意度和信任度较低的问题，本专利技术的目的在于提供一种基于大数据的售酒小程序内产品推荐方法，所采用的技术方案具体如下：本专利技术提供了一种基于大数据的售酒小程序内产品推荐方法，该方法包括以下步骤：获取用户在售酒小程序上所点击的产品；根据用户的类别以及所述所点击的产品与数据库中的产品的相似度和关联性，确定新用户的待推荐产品或老用户的候选产品，所述用户的类别包括新用户、老用户；根据每个候选产品的不同类别的评价中程度副词的数量以及不同类别的评价的数量占比，得到每个候选产品的评价相关值；根据老用户历史购买酒产品的种类、品牌、购买数量和购买次数，得到老用户购买酒产品的多样性值；基于所述多样性值、老用户购买酒产品的购买次数和平均时间间隔，确定老用户对应的置信程度；根据每个候选产品的价格与老用户历史购买酒产品的价格的差异、所述评价相关值、所述置信程度以及对应的相似度，得到每个候选产品的推荐值；基于所述推荐值确定老用户的待推荐产品；基于待推荐产品对所对应的用户进行酒产品推荐。
[0005]优选的，所述根据用户的类别以及所述所点击的产品与数据库中的产品的相似度和关联性，确定新用户的待推荐产品或老用户的候选产品，包括：将数据库中与所述所点击的产品的相似度大于相似度阈值的产品作为待分析产品；采用FP
‑
Growth算法获得数据库中的产品与所述所点击的产品之间的关联规则，基于所述关联规则获得关联产品；若用户为新用户，则将所述待分析产品与所述关联产品的交集作为新用户的待推
荐产品；若用户为老用户，则将所述待分析产品与所述关联产品的交集作为特征产品；将数据库中与特征产品的相似度大于相似度阈值的产品、所述关联产品和所述待分析产品均确定为老用户的候选产品。
[0006]优选的，所述根据每个候选产品的不同类别的评价中程度副词的数量以及不同类别的评价的数量占比，得到每个候选产品的评价相关值，包括：对于第j个候选产品：将第j个候选产品的评价中极性方向为积极的评价中出现程度副词的评价个数与第j个候选产品的评价中极性方向为积极的评价个数的比值，确定为积极评价占比；根据第j个候选产品的评价中极性方向为积极的评价个数、所述积极评价占比和第j个候选产品的评价中极性方向为积极的每个评价中出现程度副词的个数，计算第j个候选产品的积极评价的极性值；将第j个候选产品的评价中极性方向为消极的评价中出现程度副词的评价个数与第j个候选产品的评价中极性方向为消极的评价个数的比值，确定为消极评价占比；根据第j个候选产品的评价中极性方向为消极的评价个数、所述消极评价占比和第j个候选产品的评价中极性方向为消极的每个评价中出现程度副词的个数，计算第j个候选产品的消极评价的极性值；计算第j个候选产品的所有中性评价的字符数量的均值，将所述字符数量的均值作为第j个候选产品的中性评价的极性值；将第j个候选产品的评价总次数与第j个候选产品的下单总次数的比值，确定为第j个候选产品评价订单的数量占比；根据第j个候选产品的积极评价的极性值、消极评价的极性值、中性评价的极性值以及所述第j个候选产品评价订单的数量占比，得到第j个候选产品的评价相关值。
[0007]优选的，第j个候选产品的积极评价的极性值和消极评价的极性值的计算公式分别为：别为：其中，表示第j个候选产品的积极评价的极性值，表示第j个候选产品的评价中极性方向为积极的评价个数，表示第j个候选产品的评价中极性方向为积极的评价中出现程度副词的评价个数，表示第j个候选产品的评价中极性方向为积极的第i个评价中出现程度副词的个数，表示第j个候选产品的消极评价的极性值，表示第j个候选产品的评价中极性方向为消极的评价个数，表示第j个候选产品的评价中极性方向为消极的评价中出现程度副词的评价个数，表示第j个候选产品的评价中极性方向为消极的第k个评价中出现程度副词的个数。
[0008]优选的，根据第j个候选产品的积极评价的极性值、消极评价的极性值、中性评价的极性值以及所述第j个候选产品评价订单的数量占比，得到第j个候选产品的评价相关值，包括：计算第j个候选产品的所述积极评价的极性值与所述中性评价的极性值的和值，将所述和值与所述消极评价的极性值的差值记为第一差值；获取所述第一差值和常数0中的最大值；将所述最大值与所述第j个候选产品评价订单的数量占比的乘积，确定为第j个候选产品的评价相关值。
[0009]优选的，采用如下公式计算老用户购买酒产品的多样性值：其中，Z为老用户购买酒产品的多样性值，为老用户历史购买酒产品的总个数，为老用户历史购买酒产品的种类数，为老用户历史购买次数最多的酒产品种类对应的酒产品购买总数量，为老用户历史购买酒产品的品牌个数，为老用户历史购买次数最多的酒产品品牌对应的酒产品购买总数量。
[0010]优选的，所述基于所述多样性值、老用户购买酒产品的购买次数和平均时间间隔，确定老用户对应的置信程度，包括：将老用户购买酒产品的购买次数与所述平均时间间隔的比值记为第一特征值；根据所述第一特征值和所述多样性值，得到老用户对应的置信程度，所述第一特征值和所述多样性值均与所述置信程度呈正相关关系。
[0011]优选的，所述根据每个候选产品的价格与老用户历史购买酒产品的价格的差异、所述评价相关值、所述置信程度以及对应的相似度，得到每个候选产品的推荐值，包括：对于第j个候选产品：计算老用户历史购买酒产品的平均单价；将第j个候选产品的价格与所述平均单价的差异记为价格差异；根据所述评价相关值、所述置信程度、所述平均单价、所述价格差异、第j个候选产品与老用户所点击的产品的相似度，得到第j个候选产品的推荐值。
[0012]优选的，采用如下公式计算第j个候选产品的推荐值：其中，为第j个候选产品的推荐值，为第j个候选产品的评价相关值的归一化结果，为老用户对应的置信程度的归一化结果，为第j个候选产品与老用户所点击的产品的相似度，为第j个候选产品的价格，为老用户历史购买酒产品的平均单价，为预设调整参数，| |为取绝对值符号。
[0013]优选的，所述基于所述推荐值确定老用户的待本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的售酒小程序内产品推荐方法，其特征在于，该方法包括以下步骤：获取用户在售酒小程序上所点击的产品；根据用户的类别以及所述所点击的产品与数据库中的产品的相似度和关联性，确定新用户的待推荐产品或老用户的候选产品，所述用户的类别包括新用户、老用户；根据每个候选产品的不同类别的评价中程度副词的数量以及不同类别的评价的数量占比，得到每个候选产品的评价相关值；根据老用户历史购买酒产品的种类、品牌、购买数量和购买次数，得到老用户购买酒产品的多样性值；基于所述多样性值、老用户购买酒产品的购买次数和平均时间间隔，确定老用户对应的置信程度；根据每个候选产品的价格与老用户历史购买酒产品的价格的差异、所述评价相关值、所述置信程度以及对应的相似度，得到每个候选产品的推荐值；基于所述推荐值确定老用户的待推荐产品；基于待推荐产品对所对应的用户进行酒产品推荐。2.根据权利要求1所述的基于大数据的售酒小程序内产品推荐方法，其特征在于，所述根据用户的类别以及所述所点击的产品与数据库中的产品的相似度和关联性，确定新用户的待推荐产品或老用户的候选产品，包括：将数据库中与所述所点击的产品的相似度大于相似度阈值的产品作为待分析产品；采用FP
‑
Growth算法获得数据库中的产品与所述所点击的产品之间的关联规则，基于所述关联规则获得关联产品；若用户为新用户，则将所述待分析产品与所述关联产品的交集作为新用户的待推荐产品；若用户为老用户，则将所述待分析产品与所述关联产品的交集作为特征产品；将数据库中与特征产品的相似度大于相似度阈值的产品、所述关联产品和所述待分析产品均确定为老用户的候选产品。3.根据权利要求1所述的基于大数据的售酒小程序内产品推荐方法，其特征在于，所述根据每个候选产品的不同类别的评价中程度副词的数量以及不同类别的评价的数量占比，得到每个候选产品的评价相关值，包括：对于第j个候选产品：将第j个候选产品的评价中极性方向为积极的评价中出现程度副词的评价个数与第j个候选产品的评价中极性方向为积极的评价个数的比值，确定为积极评价占比；根据第j个候选产品的评价中极性方向为积极的评价个数、所述积极评价占比和第j个候选产品的评价中极性方向为积极的每个评价中出现程度副词的个数，计算第j个候选产品的积极评价的极性值；将第j个候选产品的评价中极性方向为消极的评价中出现程度副词的评价个数与第j个候选产品的评价中极性方向为消极的评价个数的比值，确定为消极评价占比；根据第j个候选产品的评价中极性方向为消极的评价个数、所述消极评价占比和第j个候选产品的评价中极性方向为消极的每个评价中出现程度副词的个数，计算第j个候选产品的消极评价的极性值；计算第j个候选产品的所有中性评价的字符数量的均值，将所述字符数量的均值作为第j个候选产品的中性评价的极性值；将第j个候选产品的评价总次数与第j个候选产品的下单总次数的比值，确定为第j个
候选产品评价订单的数量占比；根据第j个候选产品的积极评价的极性值、消极评价的极性值、中性评价的极性值以及所述第j个候选产品评价订单的数量占比，得到第j个候选产品的评价相关值。4.根据权利要求3所述的基于大数据的售酒小程序内产品推荐方法，其特征在于，第j个候选产品的积极评价的极性值和消极评价的极性值的计算公式分别为：个候选产品的积极评价的极性值和消极评价的极性...

【专利技术属性】
技术研发人员：刘慧雯，
申请(专利权)人：酒仙网络科技股份有限公司，
类型：发明
国别省市：