基于用户行为及反馈的化妆品推荐方法技术

本发明专利技术涉及一种基于用户行为及反馈的化妆品推荐方法，包括以下步骤：(1)对模型进行训练；(2)使用模型对用户数据进行预测；(3)模型优化。本发明专利技术的优点是：通过不同时间段的用户的行为和反馈对模型进行训练和持续修正，可以深度挖掘出用户行为背后反映的用户真正的购买偏好，这种方法比起简单的推荐逻辑，可以反应不同时间变化对用户偏好的影响，不同品类的购买历史和用户当前购买决策的相关关系等，是更为综合的推荐考量，相较于当下的协同过滤等推荐方法，推荐效果更为准确。推荐效果更为准确。

【技术实现步骤摘要】
基于用户行为及反馈的化妆品推荐方法


[0001]本专利技术涉及一种基于用户行为及反馈的化妆品推荐方法，属于人工智能及大数据分析领域。

技术介绍

[0002]随着生活节奏的不断加快，电商购物成为了消费者的主要消费场景。对于高速发展的美妆行业，用户目前在筛选不断涌现的化妆品新品时，只能依赖基本的产品信息，或者参考一些社交媒体的测评推荐，但这些信息本身和用户自身的偏好和需求距离尚远。各类美妆电商平台为了增加用户下单，使用各种手段希望帮助用户推荐合适的产品，减小用户的选择成本。目前，通常电商网站的做法是在分析用户的基本行为资料的基础上，直接推荐有相似关键词的产品，或者结合与用户画像相似的用户行为，利用协同过滤等方法，为用户进行产品推荐。然而这种做法未能深度挖掘用户行为背后的深度价值，比如未考虑不同时间维度的行为，未考虑用户购买其他品类产品对某产品的影响等等，因此仅是帮用户缩小了一定的选择范围。综上所述，一种更深入的挖掘用户行为价值的分析方法对于向用户推荐化妆品将达到更好的效果。

技术实现思路

[0003]为克服现有技术的缺陷，本专利技术提供一种基于用户行为及反馈的化妆品推荐方法，本专利技术的技术方案是：
[0004]一种基于用户行为及反馈的化妆品推荐方法，包括以下步骤：
[0005](1)对模型进行训练：依次进行选取典型产品数据、随机选取预定量的用户数据和对用户数据打标签，完成训练数据的生成后，使用有监督学习算法对数据进行训练，通过训练将获得对于每个产品集合的最佳权重向量；
[0006](2)使用模型对用户数据进行预测：将新用户相应时间维度的浏览、购买数据处理为特征值向量，并带入模型输出推荐等级；
[0007](3)模型优化：随着新的用户反馈数据加入，通过用户对于被推荐产品的浏览、购买以及评价情况，对模型的预测情况加以验证；通过计算每个产品种类的预测偏差值，将偏差值超过预设范围的用户数据及标记加入训练集，然后重新对模型进行训练，以修正模型的权重向量输出，提高模型的预测结果。
[0008]所述的步骤(1)具体为：
[0009](1
‑
1)选取典型产品数据：首先对于全库美妆产品数据按照产品种类分类，并对每一类别进行聚类，聚类选取的参数为化妆品的基本信息，然后从聚类的每类产品中选预定量的典型产品数据，结合具体使用的聚类算法的分群方法，分层次选取；
[0010](1
‑
2)随机选取预定量的用户数据：获取用户的完整数据，包括用户的年龄、性别、成为会员时长的用户基础数据，以及用户的会员的不同时间点的行为数据；以及去年同期当月对于各类化妆品的浏览数据、购买数据以及评价数据，用户的客单价，对品牌购买的偏
好度；这些数据通过清洗和处理后将组成特征点向量；
[0011](1
‑
3)对用户数据打标签：对参与训练的用户数据标记出其对于步骤(1
‑
1)中聚类后每个集合的推荐分数，分数通过统计用户上个月对于集合中产品的总浏览量、总购买量、总好评数、总差评数，并通过权重计算出总分数，所述权重在0～1之间，再根据分数的区间标记出“不推荐”、“推荐”两个级别。
[0012]在所述的步骤(1
‑
1)中，选择K均值算法进行运算，这里的K取值根据参数数量在3～6之间选择；聚类完成后,在每个类别中选择最有代表性的5款产品作为典型产品进入后续的计算，使用k均值算法时，计算每个聚类中每个产品数据点到簇心的欧式距离，从最远的数据点到簇心划分为4层，每层中选择销售量最高的产品；
[0013]假如一共有I个粉底类产品，每个产品的参数向量为一个p维向量z
i
，i＝1，
…
，I,通过取K＝3,所有产品被聚类为3簇，Z1，Z2，Z3,同时得到每个簇的簇心分别为接下来计算每簇中各个点到簇心的欧式距离，以簇1为例：
[0014][0015][0016]其中I1为簇Z1中数据点的数量；簇1中选择出的5款产品将为：
[0017][0018]其中为簇心，分别为上述每个集合中销售量最高的产品。
[0019]所述的步骤(1
‑
3)具体为：
[0020]对参与训练的用户数据标记出其对于步骤(1
‑
1)中聚类后每个集合的推荐结果，针对每类产品中的每簇，通过步骤(1
‑
1)已获取了每簇中的5款目标产品，首先统计用户上个月对于这5款产品的总浏览量v、总购买量p、总好评数g、总差评数b，并计算出总分数s，再根据分数的区间标记出“不推荐”、“推荐”2个级别，用户i的分数计算与标记的公式如下:
[0021][0022][0023]其中，r
p
是全平台平均浏览成交转化率，r
q
为全平台平均购买好评率，r
b
为全平台平均购买差评率；y
i
为用户i的推荐标签；最终对于N个用户数据，形成了训练数据集{y
i
，x
i
}，i＝1，
…
，N；
[0024]完成训练数据的生成后，将使用有监督学习算法对数据进行训练。我们训练的目的是找到推荐分数与用户特征值之间的关系，即有最佳权重向量w使得根据逻辑回归算法，获得根据已知特征值推荐情况的条件概率如下：
[0025][0026][0027]因而最佳权重向量通过计算最大条件对数似然函数得到，该函数如下：
[0028]max
w
L(w)＝lnΠP(y
i
|w，x
i
)
[0029]使上述等式右侧取最大值的w就是最终模型训练的结果。
[0030]所述的步骤(2)具体为：通过将推荐等级由高到低排序，将对于每个用户生成产品种类推荐排序表，按顺序在每个类别中随机为用户选择产品呈现在用户的客户端。
[0031]所述的步骤(3)具体为：每个月结束时，首先在当月有浏览记录的用户中随机选择N的用户行为数据。首先按照计算推荐分数的方式计算实际推荐分数s
′
i
,然后根据取值区间标记出实际的推荐结果y
′
i
；通过y
′
i
和月初的预测值y
i
进行比较，得到用户i的误差值err
i
:
[0032][0033]对于聚类的每簇产品，统计其平均误差值：
[0034][0035]当时，选择的N个用户形成的数据集，{y
′
i
，x
′
i
}纳入训练数据，
[0036]并重复步骤(1)的训练步骤，拟合出新的最佳权重向量。
[0037]本专利技术的优点是：通过不同时间段的用户的行为和反馈对模型进行训练和持续修正，可以深度挖掘出用户行为背后反映的用户真正的购买偏好，这种方法比起简单的推荐逻辑，可以反应不同时间变化对用户偏好的影响，不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用户行为及反馈的化妆品推荐方法，其特征在于，包括以下步骤：(1)对模型进行训练：依次进行选取典型产品数据、随机选取预定量的用户数据和对用户数据打标签，完成训练数据的生成后，使用有监督学习算法对数据进行训练，通过训练将获得对于每个产品集合的最佳权重向量；(2)使用模型对用户数据进行预测：将新用户相应时间维度的浏览、购买数据处理为特征值向量，并带入模型输出推荐等级；(3)模型优化：随着新的用户反馈数据加入，通过用户对于被推荐产品的浏览、购买以及评价情况，对模型的预测情况加以验证；通过计算每个产品种类的预测偏差值，将偏差值超过预设范围的用户数据及标记加入训练集，然后重新对模型进行训练，以修正模型的权重向量输出，提高模型的预测结果。2.根据权利要求1所述的基于用户行为及反馈的化妆品推荐方法，其特征在于，所述的步骤(1)具体为：(1
‑
1)选取典型产品数据：首先对于全库美妆产品数据按照产品种类分类，并对每一类别进行聚类，聚类选取的参数为化妆品的基本信息，然后从聚类的每类产品中选预定量的典型产品数据，结合具体使用的聚类算法的分群方法，分层次选取；(1
‑
2)随机选取预定量的用户数据：获取用户的完整数据，包括用户的年龄、性别、成为会员时长的用户基础数据，以及用户的会员的不同时间点的行为数据；以及去年同期当月对于各类化妆品的浏览数据、购买数据以及评价数据，用户的客单价，对品牌购买的偏好度；这些数据通过清洗和处理后将组成特征点向量；(1
‑
3)对用户数据打标签：对参与训练的用户数据标记出其对于步骤(1
‑
1)中聚类后每个集合的推荐分数，分数通过统计用户上个月对于集合中产品的总浏览量、总购买量、总好评数、总差评数，并通过权重计算出总分数，所述权重在0～1之间，再根据分数的区间标记出“不推荐”、“推荐”两个级别。3.根据权利要求1或2所述的基于用户行为及反馈的化妆品推荐方法，其特征在于，所述的步骤(2)具体为：通过将推荐等级由高到低排序，将对于每个用户生成产品种类推荐排序表，按顺序在每个类别中随机为用户选择产品呈现在用户的客户端。4.根据权利要求2所述的基于用户行为及反馈的化妆品推荐方法，其特征在于，在所述的步骤(1
‑
1)中，选择K均值算法进行运算，这里的K取值根据参数数量在3～6之间选择；聚类完成后，在每个类别中选择最有代表性的5款产品作为典型产品进入后续的计算，使用k均值算法时，计算每个聚类中每个产品数据点到簇心的欧式距离，从最远的数据点到簇心划分为4层，每层中选择销售量最高的产品；假如一共有I个粉底类产品，每个产品的参数向量为一个p维向量z
i
，i＝1，
…
，I，通过取K＝3，所有产品被聚类为3簇，Z1，...

【专利技术属性】
技术研发人员：李文奇，刘峰，
申请(专利权)人：北京小样科技有限公司，
类型：发明
国别省市：