一种基于大数据的产品推荐方法及系统技术方案

本发明专利技术涉及大数据领域，尤其是涉及一种基于大数据的产品推荐方法及系统，所述方法包括如下步骤：利用大数据获取客户的账户信息；使用账户信息对客户进行聚类得到多个聚类集群；计算不同聚类集群之间的购买关联性，进而预测不同的聚类集群的购买方向；依据聚类集群确定产品的推荐群体和产品清单；基于购买方向和产品清单向客户推荐产品；根据账户信息对客户进行情感分析，进而更新推荐的产品

【技术实现步骤摘要】
一种基于大数据的产品推荐方法及系统


[0001]本专利技术涉及大数据领域，尤其是涉及一种基于大数据的产品推荐方法及系统
。

技术介绍

[0002]随着互联网行业的发展，产品的营销手段也在快速发展，基于互联网的产品推荐方式也在飞速发展
。
产品推荐的基本思想是根据客户的历史以及实时行为挖掘客户的兴趣，从而将客户感兴趣的商品推荐给客户，避免了客户在庞杂的商品项目中的搜索行为，更好的方便客户
。
[0003]然而，现有产品推荐方法主要是根据历史销售记录，选择销量较好的产品或者根据客户的购买记录进行推荐，但是每个客户的个人情况
、
购买需求等都各不相同，这种产品推荐的模式也无法真正满足所有的消费者
。
此外，现有技术的产品推荐方法对客户的实际需求存在考虑不足的问题，忽略了客户的情感特征，胡乱的产品推荐降低了客户的购买欲望，换言之，现有的产品推荐方法的准确性不足，人性化程度有待提高
。

技术实现思路

[0004]针对现有技术中的不足，本专利技术提供一种基于大数据的产品推荐方法及系统
。
[0005]为了实现上述目的，第一方面，本专利技术提供了一种基于大数据的产品推荐方法，所述方法包括如下步骤：利用大数据获取客户的账户信息，所述账户信息包括客户基础信息
、
浏览偏好
、
购买水平
、
购买历史
、
购买渠道和客户评论；使用所述账户信息对客户进行聚类得到多个聚类集群；根据所述购买历史计算不同所述聚类集群之间的购买关联性，进而预测不同的所述聚类集群的购买方向；依据所述聚类集群确定产品的第一推荐群体和第二推荐群体；根据所述购买历史确定所述第一推荐群体的第一产品清单和所述第二推荐群体的第二产品清单；基于所述购买方向
、
所述第一产品清单和所述第二产品清单向客户推荐产品；根据所述客户评论和所述浏览偏好对客户进行多模态情感分析；利用多模态情感分析的结果更新推荐的产品
。
本专利技术提供的方法基于大数据能够准确的找到商品推荐群体，同时利用账户信息预测并推荐客户未来可能购买的产品，并且本专利技术也能够根据客户购买产品的情感特征及时更新推荐产品，实现了关联推荐
、
预测推荐和推荐更新相结合的产品推荐机制，提高了产品推荐的准确性和人性化程度
。
[0006]可选地，所述利用大数据获取客户的账户信息，所述账户信息包括客户基础信息
、
浏览偏好
、
购买水平
、
购买历史
、
购买渠道和客户评论包括如下步骤：利用大数据获取全网客户的初步账户信息；对所述初步账户信息进行预处理得到所述账户信息，所述账户信息包括客户基础信息
、
浏览偏好
、
购买水平
、
购买历史
、
购买渠道和客户评论
。
[0007]进一步的，客户基础信息包括客户姓名
、
客户年龄和客户性别，获取的浏览偏好和客户评论中可能存在噪声，需要去除，同时也需要剔除一些特殊的账户信息，使账户信息有利于反映客户的实际购买情况，进而提高产品推荐的准确性
。
[0008]可选地，所述使用所述账户信息对客户进行聚类得到多个聚类集群包括如下步骤：根据所述客户基础信息进行第一次聚类得到初始聚类集群；依据所述浏览偏好
、
所述购买水平
、
所述购买渠道对所述初始聚类集群进行第二次聚类，得到所述聚类集群
。
[0009]进一步的，基于客户年龄和客户性别对账户信息进行第一次聚类，经过第二次聚类之后得到的聚类集群能够很好的凸显客户群体的产品喜好特征，为准确的推荐产品提供数据基础
。
[0010]可选地，所述根据所述购买历史计算不同所述聚类集群之间的购买关联性，进而预测不同的所述聚类集群的购买方向包括如下步骤：根据所述购买历史计算不同所述聚类集群之间的购买关联性；设定关联性阈值，根据所述关联性阈值和所述购买关联性预测不同所述聚类集群的第一购买方向；利用所述客户基础信息和所述购买历史预测所述聚类集群中客户的第二购买方向
。
[0011]进一步的，利用购买方向预测客户未来可能购买的产品，有利于提高客户的购买欲望
。
[0012]可选地，所述依据所述聚类集群确定产品的第一推荐群体和第二推荐群体包括如下步骤：根据所述聚类集群得到多个独立推荐群体；提取所述独立推荐群体之间的复合部分作为第一推荐群体；使用各个所述独立推荐群体减去所述第一推荐群体即为所述第二推荐群体
。
[0013]可选地，所述利用所述客户基础信息和所述购买历史预测所述聚类集群中客户的第二购买方向包括如下步骤：根据所述购买历史提取商品特征和商品客户交互特征；根据所述商品特征
、
所述商品客户交互特征和所述客户基础信息建立产品购买预测模型，并根据所述产品购买预测模型预测客户的第二购买方向
。
[0014]进一步的，将不同聚类集群中的客户可能的购买方向与基于客户本身得到的购买方向相结合，进而预测客户未来可能购买的产品，可以提高预测的准确性，实现精准推荐
。
[0015]可选地，所述根据所述客户评论和所述浏览偏好对客户进行多模态情感分析包括如下步骤：对所述浏览偏好和所述客户评论中的文本
、
音频和视频进行单模态表示提取；根据单模态表示提取的结果，利用跨模态注意力得到单模态之间的动态交互信息；利用所述动态交互信息提取总体特征和显著特征，利用所述显著特征和所述总体特征得到综合情感特征，并利用所述综合情感特征得到客户的情感
。
[0016]进一步的，利用跨模态注意力机制对客户评论和浏览偏好进行多模态情感分析，提高细粒度的情感分类结果，更加准确的反映客户对于推荐产品的态度，有利于及时更新推荐产品，提高产品推荐的准确性和客户的满意度，提升客户的购买欲望
。
[0017]可选地，所述跨模态注意力满足如下关系：
[0018]其中，为第
i
个模态的所述跨模态注意力，为第
i
个模态的输入向量矩阵，表示第
i
个模态的查询矩阵，表示第
i
个所述查询矩阵的权重矩阵，表示第
j
个模态的键矩阵，表示第
j
个所述键矩阵的所述权重矩阵的转置矩阵，表示第
j
个模态的输入向量矩阵的转置矩阵，为缩放比例因子，表示第
j
个模态的值矩阵，表示第
j
个所述值矩阵的权重矩阵
。
[0019]可选地，所述情感特征满足如下关系：
[0020]其中，表示第
i
个所述综合情感特征，表示所述总体特征，表示所述显著特征
。
[0021]综上所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于大数据的产品推荐方法，其特征在于，包括如下步骤：利用大数据获取客户的账户信息，所述账户信息包括客户基础信息
、
浏览偏好
、
购买水平
、
购买历史
、
购买渠道和客户评论；使用所述账户信息对客户进行聚类得到多个聚类集群；根据所述购买历史计算不同所述聚类集群之间的购买关联性，进而预测不同的所述聚类集群的购买方向；依据所述聚类集群确定产品的第一推荐群体和第二推荐群体；根据所述购买历史确定所述第一推荐群体的第一产品清单和所述第二推荐群体的第二产品清单；基于所述购买方向
、
所述第一产品清单和所述第二产品清单向客户推荐产品；根据所述客户评论和所述浏览偏好对客户进行多模态情感分析；利用多模态情感分析的结果更新推荐的产品
。2.
根据权利要求1所述的一种基于大数据的产品推荐方法，其特征在于，所述利用大数据获取客户的账户信息，所述账户信息包括客户基础信息
、
浏览偏好
、
购买水平
、
购买历史
、
购买渠道和客户评论包括如下步骤：利用大数据获取全网客户的初步账户信息；对所述初步账户信息进行预处理得到所述账户信息，所述账户信息包括客户基础信息
、
浏览偏好
、
购买水平
、
购买历史
、
购买渠道和客户评论
。3.
根据权利要求1所述的一种基于大数据的产品推荐方法，其特征在于，所述使用所述账户信息对客户进行聚类得到多个聚类集群包括如下步骤：根据所述客户基础信息进行第一次聚类得到初始聚类集群；依据所述浏览偏好
、
所述购买水平
、
所述购买渠道对所述初始聚类集群进行第二次聚类，得到所述聚类集群
。4.
根据权利要求1所述的一种基于大数据的产品推荐方法，其特征在于，所述根据所述购买历史计算不同所述聚类集群之间的购买关联性，进而预测不同的所述聚类集群的购买方向包括如下步骤：根据所述购买历史计算不同所述聚类集群之间的购买关联性；设定关联性阈值，根据所述关联性阈值和所述购买关联性预测不同所述聚类集群的第一购买方向；利用所述客户基础信息和所述购买历史预测所述聚类集群中客户的第二购买方向
。5.
根据权利要求1所述的一种基于大数据的产品推荐方法，其特征在于，所述依据所述聚类集群确定产品的第一推荐群体和第二推荐群体包括如下步骤：根据所述聚类集群得到多个独立推荐群体；提取所述独立推荐群体之间的复合部分作为第一推荐群体；使用各个所述独立推荐群体减去所述第一推荐群体即为所述第二推荐群体
。6.
根据权利要求4所述的一种基于大数据的产品推荐方法，其特征在于，所述利用所述客户基础信息和所述购买历史预测所述聚类集群中客户的第二购...

【专利技术属性】
技术研发人员：林毅，张娟，
申请(专利权)人：北京中电云华信息技术有限公司，
类型：发明
国别省市：