[发明专利]一种基于大数据的商品推荐方法及装置

说明书

本发明涉及大数据处理技术领域，具体涉及一种基于大数据的商品推荐方法及装置，通过收集已成交商品的商品数据和用户数据，形成特征样本，进而构建模型；通过获取新用户的行为记录数据，为新用户推荐排序后的商品数据，本发明能够对新用户提供较高准确度的商品推荐。

技术领域

本发明涉及大数据处理技术领域，具体涉及一种基于大数据的商品推荐方法及装置。

背景技术

在家装领域，尤其是地板、瓷砖等用品，用户的复购率一般较低，难以通过用户的历史数据预测购买行为，而在销售过程中，如何准确把握用户的购买需求，进而推荐用户需要的商品是一个十分重要的环节。传统的推荐行为大多根据销售人员的行业经验来判断，而面对新用户时，不确定因素太多，导致推荐商品的准确度起伏较大。

基于大数据，通过对前期沉淀的消费者购买行为和商品信息形成比较稳定的购物模型，通过获取新用户的信息数据，形成用户画像，可以提供一种比较稳定的商品推荐方式，因此，如何利用大数据对新用户提供较高准确度的商品推荐成为值得解决的问题。

发明内容

本发明提供一种基于大数据的商品推荐方法及装置，能够对新用户提供较高准确度的商品推荐。

本发明提供的一种基于大数据的商品推荐方法，包括以下步骤：

步骤A、收集已成交商品的商品数据和用户数据，对所述用户数据进行预处理，形成包含商品数据和用户数据的特征样本；

步骤B、根据所述特征样本构建模型；

步骤C、获取新用户的行为记录数据；

步骤D、为新用户发送排序后的推荐商品数据。

进一步，所述步骤A中：

所述商品信息包括；商品的名称、型号、规格、价格；

所述用户数据包括：用户的个人基本信息、地理位置信息、浏览记录信息、消费记录信息、与所述浏览记录信息、消费记录信息对应的时间信息；

所述预处理包括：数据清洗、填充、归一化在内的操作。

进一步，所述步骤B具体包括：

步骤B1、设置使损失函数极小化的常数值，计算损失函数的负梯度在当前模型的值，作为残差值；

步骤B2、设置回归树的叶节点区域，拟合得出残差值；

步骤B3、利用线性搜索估计节点区域的值，使损失函数极小化；

步骤B4、更新回归树，得到输出的模型。

进一步，所述步骤C中新用户的行为记录数据具体包括：用户的个人基本信息、地理位置信息、浏览记录信息、与所述浏览记录信息对应的时间信息。

进一步，所述步骤D具体包括：

步骤D1、将所述新用户的行为记录数据与所述模型进行关联度匹配，按关联度排序；其中，对地理位置信息、浏览记录信息、与所述浏览记录信息对应的时间信息、用户的个人基本信息按由大到小的顺序赋予不同权重；

步骤D2、根据匹配的结果获取待推荐的商品信息；

步骤D3、将所述待推荐商品按照商品被购买的概率由大到小排列进行排序，生成推荐商品集合；

步骤D4、将所述推荐商品集合的商品数据发送给所述新用户。

进一步，所述步骤D3中商品被购买的概率由如下公式计算获得：