[发明专利]一种基于用户行为大数据的商品推荐方法

说明书

本发明公开了一种基于用户行为大数据的商品推荐方法，该方法包括以下步骤：步骤(1)：首先，采集各个店铺的历史总访客数，所述的历史总访客数包括自主搜索访客数和其他间接引导商品的访客数。本发明通过根据各个店铺的历史访问数据进行采集、分析、处理、总结用户购买该类商品行为特征的共性，并从大数据中提取将要购买该类共性特征商品的用户，进而为用户提供想要预购的商品推荐列表，最后将商品有针对性的推荐给各个用户，从而高效的为各个店铺推荐用户，以便确保各个店铺商品推荐的更精准、更有效，从而有利于提高各个店铺的下单转化率以及支付转换率，极大的提升了商品的成交率，有利于减小数据运算的成本。

技术领域

本发明涉及商品推荐方法技术领域，尤其涉及一种基于用户行为大数据的商品推荐方法。

背景技术

众所周知，目前在电商购物的推荐算法大致可以分为三类：基于内容的推荐算法、协同过滤推荐算法和商品个性化推荐的推荐。目前对于用户商品个性化推荐较为常用，个性化推荐主要通过分析用户的行为习惯，将有效信息推荐给用户，节省用户筛选信息的时间，也提高了信息的有效利用率。

目前商品推荐主要采用的是单一用户和单一商品直接进行匹配比对的方法，对于目前动辄上千万种类的商品和上千万用户来说，运算量会几何倍上涨，大幅提高了商品推荐的运行成本，十分浪费资源，极大的加重了运算复杂度。因而现有技术CN108921673B公开了一种基于大数据的商品推荐方法，使得在用户使用的过程中进行实时推荐时，运算量非常小，可以大幅提高推荐速度；又如现有技术授权号为CN109685631B，公开了一种基于大数据用户行为分析的个性化推荐方法；充分利用了用户的历史行为数据，通过分析用户的浏览，关注或加入购物车等行为，量化用户对某件商品的购买意向。

但是，现有技术中，一般都是通过单个用户的单独个人的浏览、关注或加入购物车等行为来分析单个用户对某件商品的购买意向，采用这种匹配比对推荐的方法，对于目前大数据中的动辄上千万用户来说，数据运算量会几何倍上涨，仍然会大幅提高了商品推荐的运行成本，十分浪费资源，极大的加重了大数据品推荐运算的复杂度；而且不能根据各个店铺的历史访问数据来对各个店铺进行有效的商品与用户之间推荐，导致很多都是无效的商品推荐或用户推荐，不能提高各个店铺的下单转化率以及支付转换率，难以满足现有使用需要。

发明内容

基于背景技术存在的技术问题，本发明提出了一种基于用户行为大数据的商品推荐方法。

本发明提出的一种基于用户行为大数据的商品推荐方法，该方法包括以下步骤：

步骤(1)：首先，采集各个店铺的历史总访客数，所述的历史总访客数包括自主搜索访客数和其他间接引导商品的访客数；

步骤(2)：进一步根据自主搜索访客数中的引流搜索关键词，以及商品引导访客数来采集用户的访问数据；访问数据包括图文引导访客数和短视频引导访客数；

步骤(3)：对用户访问数据中的具体用户行为数据进行采集，具体用户行为数据进行采集包括浏览图文停留时间、观看短视频停留时间和浏览商品详情页面停留时间；

接着，采集用户的下单、支付、成交行为数据，具体行为数据包括下单数、支付买家数、商品成交数；

步骤(4)：对各个店铺采集到的用户行为数据进行具体分析；具体分析方向包括浏览商品图文、商品视频以及商品详情页面的停留时间，还包括下单数、支付买家数、商品成交数；

步骤(5)：对各个店铺分析得到的用户行为进行数据处理；所述的数据处理方向包括统计范围、去重逻辑、拨动差异，并得到过滤除杂后的商品行为特征；

步骤(6)：从统计范围内总用户中总结近期各个用户购买该类商品行为特征的共性；

步骤(7)：根据用户购买该类商品行为特征的共性，来从大数据中提取近期用户或实时用户具有购买该类共性商品的特征，并预测用户购买该类商品的概率；