一种商品信息推荐方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种商品信息推荐方法、装置、计算机设备和存储介质。方法包括：获取待推荐用户数据和目标门店数据；基于待推荐用户数据进行特征提取，得到第一稀疏特征和第一稠密特征；基于目标门店数据进行特征提取，得到第二稀疏特征和第二稠密特征；将第一稀疏特征和第一稠密特征进行特征拼接，得到第一拼接特征；将第二稀疏特征和第二稠密特征进行特征拼接，得到第二拼接特征；对第一拼接特征和第二拼接特征进行相似度计算以得到待推荐用户到达目标门店的概率，进而对待推荐用户进行商品信息推荐。本申请能够根据待推荐用户数据以及目标门店数据有针对性的对用户进行商品信息推荐，能够使得商品信息推荐更为准确，极大了优化了用户购物体验。用户购物体验。用户购物体验。

【技术实现步骤摘要】
一种商品信息推荐方法、装置、计算机设备和存储介质


[0001]本申请涉及数据处理
，特别是涉及一种商品信息推荐方法、装置、计算机设备和存储介质。

技术介绍

[0002]随着电商的兴起，越来越多的消费者选择在网上购物。目前，现有的电商平台大多数仍然以线上销售为主。然而，线上购物只是消费者购买商品的第一步，如果能够将线上购买商品的用户引流到线下门店内，就可以更好地满足消费者的需求，提高销售额和客户满意度。但是现有的线下门店的商品无法精准的匹配用户的需求，导致用户在线下门店往往无法购买到合适的商品。

技术实现思路

[0003]基于此，有必要针对上述技术问题，提供一种能够有针对性的对用户进行商品信息推荐，能够使得商品信息推荐更为准确，优化了用户购物体验的商品信息推荐方法、装置、计算机设备和存储介质。
[0004]为了解决上述技术问题，第一方面，提供一种商品信息推荐方法，方法包括：
[0005]获取待推荐用户数据以及目标门店数据；
[0006]基于待推荐用户数据进行特征提取，得到第一稀疏特征以及第一稠密特征；基于目标门店数据进行特征提取，得到第二稀疏特征以及第二稠密特征；
[0007]将第一稀疏特征以及第一稠密特征进行特征拼接，得到第一拼接特征；将第二稀疏特征以及第二稠密特征进行特征拼接，得到第二拼接特征；
[0008]对第一拼接特征以及第二拼接特征进行相似度计算，得到相似度计算结果；
[0009]根据相似度计算结果，确定待推荐用户到达目标门店的概率；/>[0010]当待推荐用户到达目标门店的概率大于预设值时，对待推荐用户进行商品信息推荐。
[0011]在其中一个实施例中，所述待推荐用户数据包括待推荐用户属性数据以及待推荐用户行为数据，目标门店数据包括目标门店属性数据以及目标门店行为数据，方法还包括：
[0012]对待推荐用户属性数据进行特征提取，得到第一稠密特征；对用待推荐用户属性数据以及待推荐用户行为数据进行特征提取，得到第一稀疏特征；
[0013]对目标门店属性数据进行特征提取，得到第二稠密特征；对目标门店属性数据以及目标门店行为数据进行特征提取，得到第二稀疏特征。
[0014]在其中一个实施例中，对所述待推荐用户进行商品信息推荐包括：
[0015]根据目标品类销售概率以及交叉品类销售概率对待推荐用户进行商品信息的推荐；
[0016]商品信息包括目标门店中的目标商品品类信息以及目标门店中的交叉商品品类信息。
[0017]在其中一个实施例中，根据目标品类销售概率对待推荐的用户进行商品信息的推荐包括：
[0018]获取待推荐用户的用户属性数据；
[0019]对待推荐用户属性数据进行特征提取，提取待推荐用户属性数据特征向量；
[0020]获取目标商品品类相关的待推荐用户行为数据，并提取目标品类相关的待推荐用户行为数据的特征向量；
[0021]利用预先训练好的目标品类销售预测模型对待推荐用户属性数据特征向量以及目标品类相关的待推荐用户行为数据的特征向量进行加工，得到目标品类销售概率；
[0022]根据目标品类销售概率对待推荐的用户进行商品信息。
[0023]在其中一个实施例中，根据交叉品类销售概率对待推荐的用户进行商品信息的推荐包括：
[0024]获取待推荐用户的用户行为数据，用以构建待推荐用户行为数据的数据集；
[0025]基于Apriorir算法对待推荐用户行为数据的数据集中的待推荐用户的用户行为数据进行关联规则挖掘，得到第一关联规则；
[0026]计算第一关联规则中每一关联规则的置信度、支持度；
[0027]根据每一关联规则的置信度、支持度计算出每一关联规则的提升度；
[0028]遍历第一关联规则，选取提升度大于阈值的关联规则，作为目标关联规则；
[0029]利用交叉商品销售预测模型，对目标关联规则进行加工，得到交叉商品销售预测概率；
[0030]根据交叉品类销售概率对待推荐的用户进行商品信息的推荐。
[0031]在其中一个实施例中，待推荐用户数据以及目标门店数据包括数值化数据以及非数值数据，方法还包括：
[0032]利用模型对获取到的非数值化的数据信息进行数据处理，得到非数值化数据信息的词向量。
[0033]在其中一个实施例中，根据相似度计算结果，确定待推荐用户到达目标门店的概率：
[0034]计算第一拼接特征以及第二拼接特征的余弦相似度，根据余弦相似度的高低，确定待推荐用户到达目标门店的概率。
[0035]为了解决上述技术问题，第二方面，提供了一种商品信息推荐装置，装置包括：
[0036]获取模块，用于获取待推荐用户数据以及目标门店数据；
[0037]处理模块，用于基于待推荐用户数据进行特征提取，得到第一稀疏特征以及第一稠密特征；基于目标门店数据进行特征提取，得到第二稀疏特征以及第二稠密特征；将第一稀疏特征以及第一稠密特征进行特征拼接，得到第一拼接特征；将第二稀疏特征以及第二稠密特征进行特征拼接，得到第二拼接特征；
[0038]计算模块，用于对第一拼接特征以及第二拼接特征进行相似度计算，得到相似度计算结果；根据相似度计算结果，确定待推荐用户到达目标门店的概率；
[0039]推荐模块，用于当待推荐用户到达目标门店的概率大于预设值时，对待推荐用户进行商品信息推荐。
[0040]为了解决上述技术问题，第三方面，提供了一种计算机设备，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，处理器执行计算机程序时实现以下步骤：处理器执行计算机程序时实现上述第一方面方法的步骤。
[0041]为了解决上述技术问题，第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面的方法的步骤。
[0042]本专利技术的有益效果是：区别于现有技术，本专利技术基于待推荐用户数据进行特征提取，得到第一稀疏特征和第一稠密特征；基于目标门店数据进行特征提取，得到第二稀疏特征和第二稠密特征；将第一稀疏特征和第一稠密特征进行特征拼接，得到第一拼接特征；将第二稀疏特征和第二稠密特征进行特征拼接，得到第二拼接特征；对第一拼接特征和第二拼接特征进行相似度计算以得到待推荐用户到达目标门店的概率，进而对待推荐用户进行商品信息推荐。如此设置，实现有针对性的对用户进行商品信息推荐，能够使得商品信息推荐更为准确，极大了优化了用户购物体验。
附图说明
[0043]图1为一个实施例中商品信息推荐方法的应用环境图；
[0044]图2为一个实施例中商品信息推荐方法的流程示意图；
[0045]图3为一个实施例中用户到店预测模型的结构示意图；
[0046]图4为另一个实施例中商品信息推荐方法的流程示意图；
[0047]图5为又一个实施例中商品信息推荐方法的流程示意图；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种商品信息推荐方法，其特征在于，包括：获取待推荐用户数据以及目标门店数据；基于所述待推荐用户数据进行特征提取，得到第一稀疏特征以及第一稠密特征；基于所述目标门店数据进行特征提取，得到第二稀疏特征以及第二稠密特征；将所述第一稀疏特征以及所述第一稠密特征进行特征拼接，得到第一拼接特征；将所述第二稀疏特征以及所述第二稠密特征进行特征拼接，得到第二拼接特征；对所述第一拼接特征以及所述第二拼接特征进行相似度计算，得到相似度计算结果；根据所述相似度计算结果，确定所述待推荐用户到达目标门店的概率；当所述待推荐用户到达目标门店的概率大于预设值时，对所述待推荐用户进行商品信息推荐。2.根据权利要求1所述的方法，其特征性在于，所述待推荐用户数据包括待推荐用户属性数据以及待推荐用户行为数据，所述目标门店数据包括目标门店属性数据以及目标门店行为数据，所述方法还包括：对待推荐用户属性数据进行特征提取，得到第一稠密特征；对用所述待推荐用户属性数据以及待推荐用户行为数据进行特征提取，得到第一稀疏特征；对目标门店属性数据进行特征提取，得到第二稠密特征；对所述目标门店属性数据以及目标门店行为数据进行特征提取，得到第二稀疏特征。3.根据权利要求1所述的方法，其特征在于，所述对所述待推荐用户进行商品信息推荐包括：根据目标品类销售概率以及交叉品类销售概率对待推荐用户进行商品信息的推荐；所述商品信息包括目标门店中的目标商品品类信息以及目标门店中的交叉商品品类信息。4.根据权利要求3所述的方法，其特征在于，所述根据目标品类销售概率对待推荐的用户进行商品信息的推荐包括：获取待推荐用户的用户属性数据；对所述待推荐用户属性数据进行特征提取，提取待推荐用户属性数据特征向量；获取目标商品品类相关的待推荐用户行为数据，并提取目标品类相关的待推荐用户行为数据的特征向量；利用预先训练好的目标品类销售预测模型对所述待推荐用户属性数据特征向量以及目标品类相关的待推荐用户行为数据的特征向量进行加工，得到所述目标品类销售概率；根据所述目标品类销售概率对待推荐的用户进行商品信息。5.根据权利要求3所述的方法，其特征在于，所述根据交叉品类销售概率对待推荐的用户进行商品信息的推荐包括：获取待推荐用户的用户行为数据，用以...

【专利技术属性】
技术研发人员：李少杰，冯青锋，葛疏桐，
申请(专利权)人：苏宁易购集团股份有限公司，
类型：发明
国别省市：