System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及数据分析,尤其涉及基于大数据的产品推荐策略生成方法、系统及介质。
技术介绍
1、随着互联网技术的普及和用户数据的积累,越来越多的企业意识到利用大数据技术进行产品推荐可以提高用户体验,增加销售额,并提升市场竞争力。但为了在对目标用户进行产品推荐时提高产品推荐的精准性,需要生成更加符合用户行为的产品推荐策略,从而对目标用户进行产品推荐。
2、现有的大数据产品推荐策略生成技术是根据用户行为数据和物品之间的关联性进行推荐,基于用户行为历史和相似用户对物品的偏好,通过计算用户之间或物品之间的相似度,来预测用户可能喜欢的物品。实际应用中,用户对于产品的喜好程度是会实时变化的,仅仅考虑用户和物品之间的关联性,可能导致无法实时掌握用户的喜好,从而对用户进行产品推荐策略生成时的准确性较低。
技术实现思路
1、本专利技术提供一种基于大数据的产品推荐策略生成方法、系统及介质,其主要目的在于解决进行对用户进行产品推荐策略生成时的准确性较低的问题。
2、为实现上述目的,本专利技术提供的一种基于大数据的产品推荐策略生成方法,包括:
3、获取目标用户的多维属性数据及产品属性数据,根据所述多维属性数据及所述产品属性数据计算产品关联度,其中所述根据所述多维属性数据及所述产品属性数据计算产品关联度,包括:将所述多维属性数据进行向量转换,得到多维属性特征向量;将所述产品属性数据进行向量转换,得到产品属性特征向量;提取所述多维属性特征向量中的目标产品特征向量;利用如下预设
4、其中,为第个产品的产品关联度,为第个产品的目标产品特征向量,为第个产品的产品属性特征向量,为第个产品的目标产品特征向量;
5、根据所述产品关联度生成所述目标用户的产品列表,根据预设的兴趣产品对所述产品列表中的产品进行划分,得到产品类别,通过所述多维属性数据中的属性值及所述产品类别生成产品属性矩阵;
6、利用预设的动态双向融合评分算法计算所述产品属性矩阵中每个产品的产品分值,根据所述产品分值生成初步产品推荐列表;
7、通过预设的实时时间因子检测所述初步产品推荐列表中每个产品的产品实时更新状态值,根据所述产品实时更新状态值对所述初步产品推荐列表进行更新,得到产品更新推荐列表;
8、根据所述产品更新推荐列表生成产品个性化推荐序列,根据所述产品个性化推荐序列生成产品推荐策略。
9、可选地,所述根据预设的兴趣产品对所述产品列表中的产品进行划分,得到产品类别,包括:
10、提取所述兴趣产品中的兴趣属性;
11、根据所述兴趣属性对所述产品列表中的产品进行兴趣类别划分,得到目标产品;
12、将所述目标产品进行类别规整,得到产品类别。
13、可选地,所述通过所述多维属性数据中的属性值及所述产品类别生成产品属性矩阵,包括:
14、将所述产品类别划分为单一产品类别及多维产品类别;
15、提取所述属性值中所述单一产品类别对应的单一属性值,将所述单一属性值与所述单一产品类别进行映射,得到单一二维映射关系;
16、提取所述属性值中所述多维产品类别对应的多维属性值,将所述多维属性值与所述多维产品类别进行映射,得到多维映射关系;
17、根据所述单一二维映射关系生成单一产品属性矩阵,根据所述多维映射关系生成多维产品属性矩阵;
18、汇集所述单一产品属性矩阵及所述多维产品属性矩阵为产品属性矩阵。
19、可选地,所述利用预设的动态双向融合评分算法计算所述产品属性矩阵中每个产品的产品分值,包括:
20、提取目标产品的反馈语义,根据所述反馈语义确定每个目标产品的反馈值;
21、利用如下的动态双向融合评分算法根据所述产品属性矩阵中每个产品对应的属性值及所述反馈值计算每个产品的产品分值:其中,为第个产品的产品分值,为正向融合权重,为反馈融合权重,为第个产品的购买次数,为第个产品的实时增加购买次数,为第个产品的第个兴趣属性的属性值,为第个产品的第个兴趣属性的实时增加属性值,为所述反馈值,为产品总数量。
22、可选地,所述根据所述产品分值生成初步产品推荐列表,包括:
23、按照从大到小的顺序将所述产品分值进行排序,得到产品分值序列;
24、根据所述产品分值序列将产品进行排序,得到初步产品推荐列表。
25、可选地,所述通过预设的实时时间因子检测所述初步产品推荐列表中每个产品的产品实时更新状态值,包括:
26、提取所述初步产品推荐列表中每个产品的最新浏览时间及浏览持续时间;
27、根据所述最新浏览时间、所述浏览持续时间及所述实时时间因子计算每个产品的产品更新值:其中,为第个产品的产品更新值,为第个产品的浏览持续时间,为第个产品的实时时间因子,为第个产品的最新浏览时间;
28、按照从小到大的顺序根据所述产品更新值对每个产品进行更新赋值,得到更新因子;
29、根据所述更新因子确定每个产品的产品实时更新状态值。
30、可选地,所述根据所述产品实时更新状态值对所述初步产品推荐列表进行更新,得到产品更新推荐列表,包括:
31、提取所述初步产品推荐列表中每个产品的产品分值;
32、将所述产品实时更新状态值与所述产品分值进行叠加,得到叠加更新值;
33、按照所述从大到小的顺序及所述叠加更新值对每个产品进行排序,得到产品更新推荐列表。
34、可选地,所述根据所述产品更新推荐列表生成产品个性化推荐序列,包括:
35、根据所述产品更新推荐列表中的每个产品确定同类产品;
36、将所述同类产品生成同类产品序列;
37、汇集所述同类产品序列为所述产品个性化推荐序列。
38、为了解决上述问题,本专利技术还提供一种基于大数据的产品推荐策略生成系统,所述系统包括:
39、产品关联度计算模块,用于获取目标用户的多维属性数据及产品属性数据,根据所述多维属性数据及所述产品属性数据计算产品关联度;
40、产品属性矩阵生成模块,用于根据所述产品关联度生成所述目标用户的产品列表,根据预设的兴趣产品对所述产品列表中的产品进行划分,得到产品类别,通过所述多维属性数据中的属性值及所述产品类别生成产品属性矩阵;
41、初步产品推荐列表生成模块,用于利用预设的动态双向融合评分算法计算所述产品属性矩阵中每个产品的产品分值,根据所述产品分值生成初步产品推荐列表;
42、初步产品推荐列表更新模块,用于通过预设的实时时间因子检测所述初步产品推荐列表中每个产品的产品实时更新状态值,根据所述产品实时更新状态值对所述初步产品推荐列表进行更新,得到产品更新推荐列表;
43、产品推荐策略生成模块,用于根据所述产品更新本文档来自技高网...
【技术保护点】
1.一种基于大数据的产品推荐策略生成方法,其特征在于,所述方法包括:
2.如权利要求1所述的基于大数据的产品推荐策略生成方法,其特征在于,所述根据预设的兴趣产品对所述产品列表中的产品进行划分,得到产品类别,包括:
3.如权利要求1所述的基于大数据的产品推荐策略生成方法,其特征在于,所述通过所述多维属性数据中的属性值及所述产品类别生成产品属性矩阵,包括:
4.如权利要求1所述的基于大数据的产品推荐策略生成方法,其特征在于,所述利用预设的动态双向融合评分算法计算所述产品属性矩阵中每个产品的产品分值,包括:
5.如权利要求1所述的基于大数据的产品推荐策略生成方法,其特征在于,所述根据所述产品分值生成初步产品推荐列表,包括:
6.如权利要求1所述的基于大数据的产品推荐策略生成方法,其特征在于,所述通过预设的实时时间因子检测所述初步产品推荐列表中每个产品的产品实时更新状态值,包括:
7.如权利要求1所述的基于大数据的产品推荐策略生成方法,其特征在于,所述根据所述产品实时更新状态值对所述初步产品推荐列表进行更新,得到产品
8.如权利要求1所述的基于大数据的产品推荐策略生成方法,其特征在于,所述根据所述产品更新推荐列表生成产品个性化推荐序列,包括:
9.一种基于大数据的产品推荐策略生成系统,其特征在于,所述系统包括:
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8中任意一项所述的基于大数据的产品推荐策略生成方法。
...【技术特征摘要】
1.一种基于大数据的产品推荐策略生成方法,其特征在于,所述方法包括:
2.如权利要求1所述的基于大数据的产品推荐策略生成方法,其特征在于,所述根据预设的兴趣产品对所述产品列表中的产品进行划分,得到产品类别,包括:
3.如权利要求1所述的基于大数据的产品推荐策略生成方法,其特征在于,所述通过所述多维属性数据中的属性值及所述产品类别生成产品属性矩阵,包括:
4.如权利要求1所述的基于大数据的产品推荐策略生成方法,其特征在于,所述利用预设的动态双向融合评分算法计算所述产品属性矩阵中每个产品的产品分值,包括:
5.如权利要求1所述的基于大数据的产品推荐策略生成方法,其特征在于,所述根据所述产品分值生成初步产品推荐列表,包括:
6.如权利要求1所...
【专利技术属性】
技术研发人员:许文华,李建民,王田志,
申请(专利权)人:深圳市幺柒零信息科技有限公司,
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。