【技术实现步骤摘要】
本专利技术属于互联网，具体涉及一种b2b商铺模板商品推荐及优化方法及系统。
技术介绍
1、商铺模板是一种预先设计和配置的电子商务网站框架，能帮助企业迅速建立专属的电子商务平台，提高在线业务的效率和竞争力，它在b2b(企业对企业)电子商务环境中发挥着重要作用。但是现有b2b电商平台商铺模板支持度不高，缺乏根据客户属性进行个性化推荐和定制化排版能力。一般情况下，客户属性包括但不限于以下几个方面：1.公司类型和规模：客户所属的公司类型(制造商、批发商、零售商等)以及公司的规模(中小型企业、大型企业等)；2.行业和领域：客户所在的行业和领域，例如电子商务、制造业、医疗保健等；3.地理位置：客户所在的国家、地区或城市；4.购买偏好：客户的购买偏好，例如偏好某种类型的产品、品牌或价格范围等；5.购买历史和行为：客户的购买历史、购买频率、购买金额等。
2、缺乏根据客户属性进行定制可能导致以下问题：1.信息过载：商铺中可能存在大量的产品和内容，但由于缺乏个性化推荐和定制化排版能力，客户需要花费更多时间和精力来筛选和查找符合其需求的内容，从而增加了信息过载的风险，同时，商铺也无法根据客户需求和属性精准推荐商品和服务；2.用户流失：如果商铺无法根据客户属性进行定制，客户可能无法快速找到符合其需求的产品，降低了购买的便利性和满意度，进而增加了用户流失的可能性；3.销售机会减少：如果商铺无法根据客户的特定属性和需求进行个性化推荐和定制化排版，客户可能错过了与其需求相匹配的产品，商铺也无法根据自己的商品和服务实现多渠道联动推广，从而减少了销售
技术实现思路
1、针对以上问题，本专利技术提出了一种b2b商铺模板商品推荐及优化方法及系统。为解决以上技术问题，本专利技术所采用的技术方案如下：
2、一种b2b商铺模板商品推荐及优化方法，包括如下步骤：
3、s1，收集商铺中所有用户对每个商品的浏览行为信息和订单行为信息，基于浏览行为信息构建用户-商品评分矩阵，基于订单行为信息构建每个用户的已购商品集；
4、s2，利用矩阵分解法对用户-商品评分矩阵进行分解得到用户特征矩阵和商品特征矩阵，将用户特征矩阵和商品特征矩阵分别输入自动编码器获取对应的用户特征向量和商品特征向量；
5、s3，根据步骤s2得到的用户特征向量和商品特征向量利用相似度计算方法计算每个用户与商铺中每个商品之间的兴趣匹配度；
6、s4，基于步骤s1得到的已购商品集，利用相似度计算方法计算商铺中每个商品与每个用户的已购商品集中每个商品之间的匹配程度，并基于匹配程度、步骤s3得到的兴趣匹配度以及步骤s1得到的用户-商品评分矩阵计算每个商品的推荐得分；
7、s5，利用深度学习方法构建训练模型，基于步骤s1得到的浏览行为信息和订单行为信息获取商品推荐模型，利用商品推荐模型生成在线用户的商品推荐列表，基于商品推荐列表获取在线用户对每个商品的商品实时评分；
8、s6，利用步骤s1-s4的方法获取商铺中每个商品面向在线用户的推荐得分，基于推荐得分和步骤s5得到的商品实时评分确认最终推荐分，基于预设的推荐分阈值生成推荐结果列表。
9、在步骤s1中，所述浏览行为信息包括是否收藏商品、商品访问次数、是否添加购物车、是否点赞商品，所述基于浏览行为信息构建用户-商品评分矩阵包括如下步骤：
10、i，基于每种浏览行为信息的预设评分规则生成每个用户对每个商品的基础评分；
11、ii，基于步骤i得到的基础评分计算每个用户对每个商品的最终评分；
12、iii，基于步骤ii得到的最终评分构建用户-商品评分矩阵。
13、所述浏览行为信息还包括商品停留时间、购物车停留时间、评论内容和评论倾向性中的至少一个；
14、用户对于商品的商品访问次数的基础评分的计算公式为：
15、
16、式中，ni,j表示第i个用户对第j个商品的访问次数，表示第i个用户对所有商品的最小访问次数，表示第i个用户对所有商品的最大访问次数，表示第i个用户对第j个商品的访问次数的基础评分；
17、用户对于商品的商品停留时间的基础评分的计算公式为：
18、
19、式中，exp(·)为指数函数，x表示用户在商品页面的停留时间；
20、用户对于商品的评论内容和评论倾向性的基础评分的计算公式为：
21、
22、式中，α2和β2均为权重系数，ai,j表示第i个用户对第j个商品的评论倾向得分，γ用于控制评论内容长度对评论得分的影响，li,j表示第i个用户对第j个商品的评论内容的长度，表示第i个用户对商品j的最短评论长度，表示第i个用户对商品j的最长评论长度，δ用于控制评论内容的关键词对评论得分的影响，ki,j表示第i个用户对第j个商品的评论内容中出现积极性词汇次数的次数，numi,j表示第i个用户对第j个商品的评论内容中的评论总词汇数。
23、所述步骤s3包括如下步骤：
24、s3.1，利用不同的相似度计算方法计算任意用户特征向量和商品特征向量之间的相似度；
25、所述相似度计算方法包括余弦相似度、欧氏距离、皮尔逊相关系数；
26、s3.2，基于步骤s3.1得到的相似度计算每个用户与每个商品之间的兴趣匹配度；
27、所述兴趣匹配度的计算公式为：
28、
29、式中，表示基于第n种相似度计算方法得到用户特征向量ui和商品特征向量vj之间的相似度，w1、w2和wn均表示权重，n表示相似度计算方法的种类数，表示用户特征向量ui和商品特征向量vj之间的兴趣匹配度。
30、在步骤s4中，所述匹配程度的计算公式为：
31、
32、式中，m表示第i个用户的已购商品集中的商品个数，表示第i个用户的已购商品集中第m个商品所对应的商品特征向量，interest(j,i)表示第j个商品与第i个用户的已购商品集中商品的匹配程度，表示商品特征向量vj所代表的商品和商品特征向量所代表的商品之间的相似度；
33、所述推荐得分的计算公式为：
34、
35、式中，si,j表示第i个用户对第j个商品的推荐得分，表示用户-商品评分矩阵中第i个用户对第j个商品的评分，ω1、ω2、ω3均表示权重。
36、还包括步骤s7，对在线用户对推荐结果列表的浏览行为信息和订单行为信息进行记录，优化商品推荐模型和用户-商品评分矩阵，基于优化后的商品推荐模型和用户-商品评分矩阵更新推荐结果列表。
37、一种b2b商铺模板商品推荐及优化系统，包括：
38、数据收集模块：用于收集商铺中所有用户对每个商品的浏览行为信息和订单行为信息，并基于订单行为信息构建每个用户的已购商品集；
39、用户-商品评分矩阵构建模块：用户基于数据收集模块得到的浏览行为信息构建用户-商品评分矩阵；<本文档来自技高网...
【技术保护点】
1.一种B2B商铺模板商品推荐及优化方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的B2B商铺模板商品推荐及优化方法，其特征在于，在步骤S1中，所述浏览行为信息包括是否收藏商品、商品访问次数、是否添加购物车、是否点赞商品，所述基于浏览行为信息构建用户-商品评分矩阵包括如下步骤：
3.根据权利要求2所述的B2B商铺模板商品推荐及优化方法，其特征在于，所述浏览行为信息还包括商品停留时间、购物车停留时间、评论内容和评论倾向性中的至少一个；
4.根据权利要求1所述的B2B商铺模板商品推荐及优化方法，其特征在于，所述步骤S3包括如下步骤：
5.根据权利要求1所述的B2B商铺模板商品推荐及优化方法，其特征在于，在步骤S4中，所述匹配程度的计算公式为：
6.根据权利要求1所述的B2B商铺模板商品推荐及优化方法，其特征在于，还包括步骤S7，对在线用户对推荐结果列表的浏览行为信息和订单行为信息进行记录，优化商品推荐模型和用户-商品评分矩阵，基于优化后的商品推荐模型和用户-商品评分矩阵更新推荐结果列表。
7.一种B2B
...【技术特征摘要】
1.一种b2b商铺模板商品推荐及优化方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的b2b商铺模板商品推荐及优化方法，其特征在于，在步骤s1中，所述浏览行为信息包括是否收藏商品、商品访问次数、是否添加购物车、是否点赞商品，所述基于浏览行为信息构建用户-商品评分矩阵包括如下步骤：
3.根据权利要求2所述的b2b商铺模板商品推荐及优化方法，其特征在于，所述浏览行为信息还包括商品停留时间、购物车停留时间、评论内容和评论倾向性中的至少一个；
4.根据权利要求1所述的b2b商铺模...
【专利技术属性】
技术研发人员：张阳华，刘建辉，石楠，
申请(专利权)人：郑州悉知信息科技股份有限公司，
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。