【技术实现步骤摘要】
本专利技术属于计算机应用，涉及电子商务，具体涉及一种基于互联网数据分析在电子商务中精准推荐商品的方法。
技术介绍
1、近些年来，随着通信技术的发展迅速，也帮助电商平台了迅速发展，在此过程中交互了许多数据信息。电商平台上的数据内容包括消费者的浏览信息，商品特征信息，消费者的评论以及消费者的基本信息。对电子商务数据进行处理和进一步挖掘，可以提高消费者对电子商务平台的忠诚度，创造出更多的价值，提高电子商务的竞争力。在大数据背景下的电子商务平台要满足消费者的个性化需求，不能简单地将商品陈列在平台上，而是应该使用一定的手段使得消费者可以快速接触到商品，提供其可能感兴趣的商品，以此提高消费者选择商品的效率，增加其体验值。
2、随着电子技术和网络技术的不断发展，越来越多的用户喜欢网络购物。但现有用户的历史购物数据没有被充分利用，尤其对于用户需要周期购物的商品，需要用户自己想去才能去下单购物，不仅给用户带来使用的不便，而且影响电商平台的销售量。
技术实现思路
1、针对现有技术的不足，本专利技术的目的旨在提供一种基于互联网数据分析在电子商务中精准推荐商品的方法，能够根据用户的需求精准推荐其可能感兴趣的商品，同时还能够根据用户购物的性质周期性的推荐某种商品。
2、为实现上述目的，本专利技术采用如下技术方案：
3、一种基于互联网数据分析在电子商务中精准推荐商品的方法，具体步骤为：
4、根据商品的功能、用途对商品进行大、中、小三等级分类，将分类好的商品按照上
5、获取用户关于商品的浏览行为，所述浏览行为包括用户对商品的浏览次数和每次浏览时间；
6、统计一周内，用户对该商品的浏览时间总和及次数；
7、将用户浏览商品的时间分为5秒以下、5.1秒至60秒，60秒至120秒，120秒至300秒，300秒至600秒，600秒以上；用户浏览该商品的时间越长说明用户对该类似产品越感兴趣；
8、以用户浏览的商品为单位，根据公式：
9、
10、计算用户对商品的兴趣值，其中，u1为用户对某一定义属性商品在一周内的兴趣值，∑ubt为用户在一周内对该商品的浏览时间赋值的总和，∑utst为用户在一周内对所有商品的浏览时间赋值的总和；
11、以用户浏览的商品某一定义属性为单位，根据公式：
12、
13、计算用户对某一定义属性商品的兴趣值，其中，u2为用户对某一定义属性商品在一周内兴趣值，∑ubt为用户在一周内对该商品的浏览时间赋值的总和，∑uat为用户在一周内对该某一定义属性商品的浏览时间赋值的总和；
14、获取用户的历史购物信息；
15、基于历史购物信息计算所购商品的净含量，汇总同类商品后得到各类商品的总含量，并筛选出用户多次购买的相似或相同商品；
16、根据用户n天次内所购某类商品的总含量及历史购物日期，计算待预测用户对该类商品的日均消耗量，其中n大有等于2，且n为整数；
17、建立机器学习模型，结合所述日均消耗量及历史购物时间测算待预测用户对该类商品的再次回购时间以及商品的购买概率；
18、根据上述步骤生成产品列表，推荐给用户。
19、进一步地，所述一周内多次浏览的商品及该商品所处小类中的产品包含用户历史购买过得商品和未购买过得商品；
20、若为用户购买过得商品，且预测用户回购该商品的时间正好落在本周内，则重点推荐该商品，并在用户登录购物平台时，自动提示用户是否购买。
21、进一步地，在获取用户的历史购物信息之前还包括：清洗所述历史购物数据，去除刷单订单、退货订单和代购订单。
22、进一步地，所述筛选出用户多次购买的相似或相同商品，推荐给用户，具体为：
23、记录用户多次购买的相似或相同产品的购买时间；
24、获取用户相邻两次购买相同或相似商品的时间间隔；
25、按照该时间间隔推算，用户下次购买该类商品的时间；
26、在推算的时间提前一周便开始给用户推送相似或相同类的商品；
27、若用户已购买则停止推算；
28、依次，形成周期循环。
29、进一步地，所述历史购物信息包括历史购买记录、总得购买商品数量、关注信息和评价信息；对所述用户的历史购买记录、总得购买商品数量、关注信息、评价信息进行标准化处理以及特征组合和提取。
30、进一步地，所述建立机器学习模型，结合所述日均消耗量及历史购物时间测算待预测用户对商品的购买概率，具体方法为：
31、采用k折交叉验证法对每个机器学习推荐模型进行训练，在训练阶段，每个机器学习推荐模型采用网格搜索法进行参数调优，得到最优参数，并生成各个用户在各个机器学习推荐模型下的产品推荐列表，以及产品的购买概率。
32、进一步地，采用k折交叉验证法对每个机器学习推荐模型进行训练包括以下步骤：
33、将各个机器学习推荐模型的训练样本集划分成k个大小相同且内容互斥的子集；
34、进行k次迭代，每次迭代均采用k-1个子集的并集作为训练集，余下的子集作为测试集，将得到的k组训练集和测试集进行所述机器学习推荐模型的训练。
35、本专利技术的有益效果在于：本专利技术能够全面了解用户的购买习惯，根据用户的浏览信息和购买历史清单，能够获取用户比较钟爱于购买哪一类商品，可以重点推荐；对于用户定期购买的时间，则不需要实时推荐，而是推算用户下次购买的时间，然后精准推荐，避免浪费网络资源。
本文档来自技高网...【技术保护点】
1.一种基于互联网数据分析在电子商务中精准推荐商品的方法，其特征在于，具体步骤为：
2.如权利要求1所述的一种基于互联网数据分析在电子商务中精准推荐商品的方法，其特征在于，所述一周内多次浏览的商品及该商品所处小类中的产品包含用户历史购买过得商品和未购买过得商品；
3.如权利要求1所述的一种基于互联网数据分析在电子商务中精准推荐商品的方法，其特征在于，在获取用户的历史购物信息之前还包括：清洗所述历史购物数据，去除刷单订单、退货订单和代购订单。
4.如权利要求1所述的一种基于互联网数据分析在电子商务中精准推荐商品的方法，其特征在于，所述筛选出用户多次购买的相似或相同商品，推荐给用户，具体为：
5.如权利要求1所述的一种基于互联网数据分析在电子商务中精准推荐商品的方法，其特征在于，所述历史购物信息包括历史购买记录、总得购买商品数量、关注信息和评价信息；对所述用户的历史购买记录、总得购买商品数量、关注信息、评价信息进行标准化处理以及特征组合和提取。
6.如权利要求1所述的一种基于互联网数据分析在电子商务中精准推荐商品的方法，其特
7.如权利要求6所述的一种基于互联网数据分析在电子商务中精准推荐商品的方法，其特征在于，采用k折交叉验证法对每个机器学习推荐模型进行训练包括以下步骤：
...【技术特征摘要】
1.一种基于互联网数据分析在电子商务中精准推荐商品的方法，其特征在于，具体步骤为：
2.如权利要求1所述的一种基于互联网数据分析在电子商务中精准推荐商品的方法，其特征在于，所述一周内多次浏览的商品及该商品所处小类中的产品包含用户历史购买过得商品和未购买过得商品；
3.如权利要求1所述的一种基于互联网数据分析在电子商务中精准推荐商品的方法，其特征在于，在获取用户的历史购物信息之前还包括：清洗所述历史购物数据，去除刷单订单、退货订单和代购订单。
4.如权利要求1所述的一种基于互联网数据分析在电子商务中精准推荐商品的方法，其特征在于，所述筛选出用户多次购买的相似或相同商品，推荐给用户，具体为：<...
【专利技术属性】
技术研发人员：丁辉，马晓燕，刘强，王守涛，张春华，张艳梅，徐璐，臧秀云，郭洪玮，赵培欣，孙一哲，夏秀英，
申请(专利权)人：青岛市黄岛区高级职业技术学校，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。