[发明专利]一种基于点击率模型预测O2O实时个性化排序方法

说明书

一种基于点击率模型预测O2O实时个性化排序方法，包括以下步骤：S1、获取店铺中的商品信息；S2、获取用户信息；用户信息包括：用户对商品的点击率和以购买商品信息，以及获取用户的社交信息；S3、用户信息，对用户进行画像；S4、商品信息和用户的画像真作为特征提供给GBDT+LR处理；其中，首先李勇渐进GBDT对特征进行筛选；然后，将筛选特征投入LR模型进行处理；最后，LR模型预测出用户对商品的点击概率；S5、根据点击概率的大小对商品进行重新排序；S6、将商品按照排序发送至用户端，供用户查阅。本发明中，采用GBDT+LR的算法对用户信息和商品信息进行处理，做出更加准确的预测，提高用户的购买体验，便于向用户推荐用户更加青睐的产品，增加用户的购买乐趣。

技术领域

本发明涉及商品排序方法领域，尤其涉及一种基于点击率模型预测O2O实时个性化排序方法。

背景技术

O2O即Online To Offline(在线离线/线上到线下)，是指将线下的商务机会与互联网结合，让互联网成为线下交易的平台，用户在购物平台上消费时，商家会对用户进行相关商品的推荐，以达到吸引用户，增大销量的目的。

但是，不同客户的消费标准不一致，消费商品种类也不一致，往往出现发费大量精力向用户推荐一些用户不需要的商品，极大的浪费了用户的精力，并且使得用户对此次购买形成非常不好的购买体验。

因此，如何保证向用户推荐合适的商品，是需要解决的问题。

发明内容

(一)发明目的

为解决背景技术中存在的技术问题，本发明提出一种基于点击率模型预测O2O实时个性化排序方法，根据商品信息和用户信息对商品进行排序，提高用户的购买体验，增加用户的乐趣，节省用户的时间。

(二)技术方案

为解决上述问题，本发明提供了一种基于点击率模型预测O2O实时个性化排序方法，包括以下步骤：

S1、获取店铺中的商品信息；

S2、获取用户信息；用户信息包括：用户对商品的点击率和以购买商品信息，以及获取用户的社交信息；

S3、用户信息，对用户进行画像；

S4、商品信息和用户的画像真作为特征提供给GBDT+LR处理；其中，首先李勇渐进GBDT对特征进行筛选；然后，将筛选特征投入LR模型进行处理；最后，LR模型预测出用户对商品的点击概率；

S5、根据点击概率的大小对商品进行重新排序；

S6、将商品按照排序发送至用户端，供用户查阅。

优选的，商品信息包括商品种类和品牌，以及商品成交价格、商品折扣率、是否科使用优惠卷，以及商品的配送信息。

优选的，用户信息还包括商品历史完成订单信息、用户的商品浏览信息、商品收藏关注信息，以及用户放在商品购物车内但未进行付款的商品信息。

优选的，对用户进行实时跟踪，再次获取用户对新排序商品的点击率，并将该信息发送至GBDT+LR，GBDT+LR根据信息对商品进行重新排序。

本发明还提出一种基于点击率模型预测O2O实时个性化排序方法的工作系统，工作系统包括数据存储模块和数据更新模块；数据处理模块用于将商品信息和用户信息分别存储；数据更新模块用于及时更新用户信息和商品信息。

优选的，还包括信息提示模块，用于向用户发送最新的商品排序列单或通知信息。

本发明的上述技术方案具有如下有益的技术效果：