專利名稱：一種商品推薦方法和商品推薦系統的制作方法
技術領域：
本發明涉及商品應用領域，更具體地說，涉及一種商品推薦方法和商品推薦系統。
背景技術：
商品推薦分發系統可以在恰當的場景給用戶推薦恰當的商品。常見的如電子商務推薦系統，在互聯網上給用戶推薦各種商品，如推薦新的上架的商品，打折的商品，熱銷的商品。目前互聯網上的電子商務推薦系統，一般是基于商品銷售排行、用戶對商品的評價評分進行商品推薦，由于缺乏對用戶個性化推薦所需要使用的智能分析因素，因此在很多情況下推薦給用戶的商品并不是用戶所喜歡的。目前的電子商務推薦系統主要有以下缺陷1)實時性與推薦質量之間的平衡問題。推薦系統的推薦精度和實時性是一對矛盾，大部分推薦系統在保證實時性要求的同時，是以犧牲推薦系統的推薦質量為前提的。在提供實時推薦服務的同時，如何有效提高推薦系統的推薦質量，是商品推薦系統面臨的一個難題。2)當前電子商務推薦系統體系結構不完善，大部分的電子商務推薦系統都只是一個單一的工具，只能提供一種推薦模型。但由于電子商務系統本身的復雜性，不同場合需要不同類型的推薦。3)目前的電子商務推薦系統只能通過簡單的銷售排行、向用戶提供其他用戶對商品的評價評分信息等方式來達到上述目的，需要進一步研究更加有效的方法向用戶解釋產生推薦的原因，從而增加用戶對推薦系統的信任程度，說服用戶聽從推薦系統的推薦。4)提供推薦服務的對象幾乎都是注冊購買商品的用戶，而忽略了那些只訪問站點卻不購買東西的訪問者；而且缺乏對站點專家和分析員指導作用的考慮，僅僅是簡單的銷售排行。
發明內容
本發明要解決的技術問題在于，針對現有技術的上述商品推薦質量不高、實時性差以及推薦服務的對象單一的缺陷，提供一種商品推薦方法和商品推薦系統。本發明解決其技術問題所采用的技術方案是構造一種商品推薦方法，包括依據用戶的瀏覽記錄和/或用戶屬性獲取樣本訓練數據，并對所述樣本訓練數據建立關聯分析模型；依據關聯分析模型生成關聯數據；接收商品推薦請求，依據所述商品推薦請求獲取用戶信息，基于所述用戶信息以及所述關聯數據將與所述用戶信息相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶。在本發明所述的商品推薦方法中，依據關聯分析模型生成關聯數據具體包括依據關聯分析模型并基于支持度、置信度、提升度生成關聯數據。在本發明所述的商品推薦方法中，所述用戶信息包括用戶終端機型、瀏覽的商品；當用戶已登錄且處于瀏覽或訂購狀態時，基于所述用戶信息以及所述關聯數據將與所述用戶信息相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶具體包括基于所述用戶終端機型、瀏覽的商品以及所述關聯數據將與所述瀏覽的商品對應的相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶；所述門戶包括Wffff門戶、WAP門戶、用戶終端門戶。在本發明所述的商品推薦方法中，如果推薦給用戶的商品數量不足，則從預設商品庫中選取適于所述用戶終端機型的商品。在本發明所述的商品推薦方法中，所述用戶信息包括瀏覽的商品；當用戶未登錄且處于瀏覽或訂購狀態時，基于所述用戶信息以及所述關聯數據將與所述用戶信息相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶具體包括基于所述瀏覽的商品以及所述關聯數據將與所述瀏覽的商品對應的相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶；所述門戶包括Wffff門戶。在本發明所述的商品推薦方法中，當用戶已登錄且處于無瀏覽且無訂購狀態時，依據關聯分析模型生成關聯數據具體包括基于所述用戶屬性劃分多個用戶群，并對每一用戶群設置對應的標識，依據關聯分析模型生成關聯數據。在本發明所述的商品推薦方法中，所述用戶信息包括用戶終端機型、用戶屬性；當用戶已登錄且處于無瀏覽且無訂購狀態時，基于所述用戶信息以及所述關聯數據將與所述用戶信息相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶具體包括基于已登錄用戶的用戶屬性、用戶終端機型以及所述關聯數據對用戶進行用戶群類別標識，將相同用戶群中其它用戶喜好且與所述用戶終端機型相匹配的商品推薦給相關門戶，以便由相關門戶顯示給用戶；所述門戶包括WWW門戶、WAP門戶、用戶終端門戶。本發明還構造一種商品推薦系統，包括模型建立單元，用于依據用戶的瀏覽記錄和/或用戶屬性獲取樣本訓練數據，并對所述樣本訓練數據建立關聯分析模型；商品推薦服務器，與所述模型建立單元通信連接，包括生成單元，用于依據關聯分析模型生成關聯數據；接收單元，用于接收商品推薦請求；推薦單元，用于依據所述商品推薦請求獲取用戶信息，基于所述用戶信息以及所述關聯數據將與所述用戶信息相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶。在本發明所述的商品推薦系統中，所述用戶信息包括用戶終端機型、瀏覽的商品；當用戶已登錄且處于瀏覽或訂購狀態時，所述推薦單元具體用于依據所述商品推薦請求獲取用戶信息，基于所述用戶終端機型、瀏覽的商品以及所述關聯數據將與所述瀏覽的商品對應的相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶。在本發明所述的商品推薦系統中，所述用戶信息包括瀏覽的商品；當用戶未登錄且處于瀏覽或訂購狀態時，所述推薦單元具體用于依據所述商品推薦請求獲取用戶信息，基于所述瀏覽的商品以及所述關聯數據將與所述瀏覽的商品對應的相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶。
采用本發明的技術方案，具有以下有益效果1)門戶只需要提供實時業務信息給商品推薦系統，商品推薦系統就能夠通過建立關聯分析模型并生成關聯數據，將推薦商品信息給業務系統。2)將Wffff門戶，WAP門戶，手機終端門戶同時結合起來，使用同一個商品推薦系統，使電子商務智能推薦系統成為現實。3)不同于普通的搜索引擎，也不同于只能通過簡單的銷售排行、向用戶提供其他用戶的商品的評價評分信息等方式達到說服用戶目的的電子商務推薦系統，而是將多種數據挖掘技術運用于多個推薦場景。4)將用戶手機型號也作為商品推薦的一個考慮因素。5)商品推薦方法和系統既保證了推薦質量，又提供實時高速的推薦服務。6)商品推薦系統的可擴展性強，還可以不斷增加使用其他數據挖掘方法或者統計分析方法，在更多的場景推薦商品。
下面將結合附圖及實施例對本發明作進一步說明，附圖中圖1是依據本發明一實施例的商品推薦方法流程示意圖；圖2是依據本發明一實施例的商品推薦系統結構示意圖；圖3是圖2中的商品推薦服務器結構示意圖。
具體實施例方式
本發明對用戶在WWW門戶，WAP門戶，手機終端門戶的有登陸有訂購(瀏覽)、無登陸有瀏覽、有登陸無瀏覽無訂購場景，使用數據挖掘技術離線建模，結合在線推薦計算，使用Memcached緩存技術對推薦結果進行緩存處理，在同一推薦分發系統對不同門戶不同場景提供不同接口，提供推薦商品數據返回給各大門戶展現；引入關聯、聚類等現代數據挖掘技術數據分析機制，無需用戶輸入，就能了解用戶偏好；根據業務場景以及業務支撐需要，還可以使用其它數據挖掘技術和統計方法等給各大在線門戶或者離線系統布置新的通信接口。圖1是依據本發明一實施例的商品推薦方法100流程示意圖。商品推薦方法100，包括如下步驟在步驟101中，依據用戶的瀏覽記錄和/或用戶屬性獲取樣本訓練數據，并對所述樣本訓練數據建立關聯分析模型；在步驟102中，依據關聯分析模型生成關聯數據，也可稱為關聯規則；這里的關聯分析模型包括采用關聯分析建模方法或聚類分析建模方法建立的模型，下文將做詳細闡述。在步驟103中，接收商品推薦請求，依據所述商品推薦請求獲取用戶信息，基于所述用戶信息以及所述關聯數據將與所述用戶信息相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶。在本發明一實施例中，步驟102具體包括依據關聯分析模型并基于支持度、置信度、提升度生成關聯數據。關于支持度、置信度、提升度的示例如表1所示
表 1
關聯規則提升度支持度置信度規則左邊規則右邊音蟲手機琴=>手機電筒2. 4813. 954. 47音蟲手機琴手機電筒推箱子=>數獨4. 974. 4759. 61推箱子數獨 表1以手機應用軟件為例進行闡述，“音蟲手機琴”、“手機電筒”、“推箱子”、“數獨”都是游戲軟件名稱。本發明并不限于軟件應用，還可以是其它的實際的商品。提升度，采用該規則比在總體樣本的比例提高的倍數——規則的有效性(深)；支持度，規則左右邊同時出現在全體樣本中的比例——規則的覆蓋面(廣)；置信度，規則右邊之于規則左邊的條件概率——規則的度量值。第一條關聯規則的解釋訂購了應用音蟲手機琴同時訂購了應用手機電筒的用戶占總用戶量的13.9% ；在訂購了應用音蟲手機琴的總用戶中有47%的用戶訂購了應用手機電筒；在訂購了應用音蟲手機琴的用戶中，也訂購應用手機電筒的概率，是總用戶中訂購應用手機電筒的概率的2. 48倍。第二條關聯規則的解釋訂購了應用推箱子同時訂購了應用數獨的用戶占總用戶量的4. 47% ；在訂購了應用推箱子的總用戶中有59. 61%的用戶訂購了應用數獨；在訂購了應用推箱子的用戶中，也訂購應用數獨的概率，是總用戶中訂購應用數獨的概率的4. 97倍。在本發明一實施例中，圖1的用戶信息包括用戶終端機型、瀏覽的商品。當用戶已登錄且處于瀏覽或訂購狀態時，步驟103中基于所述用戶信息以及所述關聯數據將與所述用戶信息相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶具體包括基于所述用戶終端機型、瀏覽的商品以及所述關聯數據將與所述瀏覽的商品對應的相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶，所述門戶包括WWW門戶、WAP門戶、用戶終端門戶。這里的關聯數據是指商品關聯數據。在本發明一實施例中，如果推薦給用戶的商品數量不足，則從預設商品庫中選取適于所述用戶終端機型的商品。這里的預設商品庫可以是例如機型匹配成功且訂購量排名靠前的商品，例如但不限于排名前40的商品。關于用戶已登錄且處于瀏覽或訂購狀態的應用場景，本發明商品推薦方法的過程詳述如下Si)業務分析人員通過對所有用戶訂購(瀏覽)商品行為的歷史數據進行清洗、過濾、轉換后，取70%的樣本數據作為關聯分析模型的樣本訓練數據。使用數據挖掘工具，用關聯分析算法對樣本訓練數據進行關聯分析模型建模。S2)模型訓練完成得出模型結果后，對模型結果進行評估，選取效果較好的模型，導出模型結果(即關聯規則)，然后將關聯規則導入到智能分發平臺。S3)智能分發平臺(即下文描述的商品推薦服務器，下同)通過對模型生成的關聯規則，從支持度、置信度、提升度、業務角度進行確認，得到業務使用的關聯規則。S4)當用戶在Wffff門戶/WAP門戶/終端門戶登陸后，在訂購(瀏覽)商品頁面時，需要給用戶推薦與該商品有關聯的其它商品；S5)Wffff門戶/WAP門戶/終端門戶向智能分發平臺請求推薦的商品；智能分發平臺根據用戶號碼、用戶機型、瀏覽的商品為用戶準備推薦商品，推薦的規則如下；a、依據用戶機型、訂購(瀏覽)的商品，通過關聯規則，把與訂購(瀏覽)的商品對應的關聯的商品推薦給用戶；該最近一段時間內訂購過的商品不再推薦；若需推薦多個商品，則需選取多條與訂購(瀏覽)的商品對應的關聯規則。關聯規則選取原則對關聯規則按照置信度TOPn選取(比如η取5)b、在a規則下如果推薦的商品數量不足，則從精品庫中隨機選取適配用戶終端的商品補齊，用戶三個月內訂購過的商品及在a步驟推薦過的商品不再推薦。精品商品的判斷條件機型適配成功且訂購量在T0P40。C、如b步驟無法取得足夠數量的商品，則直接返回能夠推薦數量的商品。d、如果無法識別用戶機型，則不推薦商品。在本發明又一實施例中，圖1的用戶信息包括瀏覽的商品。當用戶未登錄且處于瀏覽或訂購狀態時，步驟103中基于所述用戶信息以及所述關聯數據將與所述用戶信息相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶具體包括基于所述瀏覽的商品以及所述關聯數據將與所述瀏覽的商品對應的相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶；所述門戶為WWW門戶。由于WAP門戶/終端門戶上的用戶能獲取到用戶的手機號碼，此應用場景不適用。這里的關聯數據是指商品關聯數據。關于用戶無登錄且處于瀏覽或訂購狀態的應用場景，本發明商品推薦方法的過程詳述如下Si，)業務分析人員通過對所有用戶訂購(瀏覽)商品行為的歷史數據進行清洗、過濾、轉換后，取70%的樣本數據作為關聯分析模型的樣本訓練數據。使用數據挖掘工具，用關聯分析算法對樣本訓練數據進行關聯分析模型建模。S2’)模型訓練完成得出模型結果后，對模型結果進行評估，選取效果較好的模型，導出模型結果(即關聯規則)，然后將關聯規則導入到智能分發平臺。S3’ )智能分發平臺通過對模型生成的關聯規則，從支持度、置信度、提升度、業務角度進行確認，得到業務使用的關聯規則。S4’)當用戶在WWW門戶瀏覽商品頁面時，需要給用戶推薦與該商品有關聯的其它商品；S5’ )Wffff門戶向智能分發平臺請求推薦的商品；S6’ )智能分發平臺根據用戶瀏覽的商品為用戶準備推薦商品，推薦的規則如下；a、依據用戶瀏覽的商品，通過關聯規則，把與瀏覽的商品對應的關聯的商品推薦給用戶；若需推薦多個商品，則需選取多條與瀏覽的商品對應的關聯規則。關聯規則選取原則對關聯規則按照置信度TOPn選取(比如η取5)b、在a規則下如果推薦的商品數量不足，則從同類商品中的精品應用中隨機選取商品補齊，在a步驟推薦過的商品不再推薦。精品商品的判斷條件同類商品中訂購量T0P40。
S7’)智能分發平臺把推薦應用返回WWW門戶根據智能分發返回的應用，找到應用對應的商品向用戶推薦。在本發明再一實施例中，當用戶已登錄且處于無瀏覽且無訂購狀態時，圖1中的步驟102具體包括基于所述用戶屬性劃分多個用戶群，并對每一用戶群設置對應的標識，依據關聯分析模型生成關聯數據。步驟102中的關聯分析模型就具體化為聚類分析模型，這里的關聯數據為用戶分群數據，采用聚類分析模型來得到用戶分群數據。在此實施例中，用戶信息包括用戶終端機型、用戶屬性；當用戶已登錄且處于無瀏覽且無訂購狀態時，步驟103基于所述用戶信息以及所述關聯數據將與所述用戶信息相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶具體包括基于已登錄用戶的用戶屬性、用戶終端機型以及所述關聯數據對用戶進行用戶群類別標識，將相同用戶群中其它用戶喜好且與所述用戶終端機型相匹配的商品推薦給相關門戶，以便由相關門戶顯示給用戶；所述門戶包括WWW門戶、WAP門戶、用戶終端門戶。關于用戶已登錄且處于無瀏覽且無訂購狀態的應用場景，本發明商品推薦方法的過程詳述如下Si，，)業務分析人員通過對所有用戶屬性數據(包括是否飛信用戶、是否手機定制用戶、是否集團用戶、是否使用天氣預報、屬于哪個品牌、資費套餐費用)進行清洗、過濾、轉換后，取70%的樣本數據作為聚類分析模型的樣本訓練數據。使用數據挖掘工具，用聚類算法對樣本訓練數據進行聚類模型建模。S2”)模型訓練完成得出模型結果后，對模型結果進行評估，選取效果較好的模型，導出模型結果(即聚類規則)，并且對每個用戶群進行分析描述，給各個群體進行標識，然后將群體標識以及各個群體對應的聚類規則導入到智能分發平臺。商品聚類規則如下形式如果用戶具有以下特點是飛信、手機定制用戶、集團用戶、使用天氣預報、動感地帶品牌、資費套餐中等，則該用戶被標識為偏好軟件群。S3”)當用戶在Wffff門戶/WAP門戶/終端門戶登陸時，需要給用戶推薦用戶喜愛的商品；S4”)WWW門戶/WAP門戶/終端門戶向智能分發平臺傳送用戶信息、請求推薦商S5”)智能分發平臺根據用戶屬性、用戶機型為用戶準備推薦商品，推薦的規則如下；a、依據用戶屬性，根據聚類規則，對用戶進行類別標識，選取相同用戶群的其他用戶喜愛的并且與用戶機型相匹配的商品推薦給用戶；相同群的其他用戶喜愛的商品選取原則對相同群的其他用戶喜愛的商品按照訂購量TOPn選取(比如η取5)。b、在a規則下如果推薦的商品數量不足，則從相同群的其他用戶喜愛的商品類中的精品應用中隨機選取適配用戶終端的商品補齊，在a步驟推薦過的商品不再推薦。精品商品的判斷條件機型適配成功且訂購量在T0P40。C、如b步驟無法取得足夠數量的商品，則直接返回能夠推薦數量的商品。d、如果無法識別用戶機型，則不推薦商品。
S6”)智能分發平臺把推薦應用返回Wffff門戶/WAP門戶/終端門戶S7'OffWff門戶/WAP門戶/終端門戶根據智能分發返回的商品，找到用戶對應的商
品向用戶推薦。圖2是依據本發明一實施例的商品推薦系統200結構示意圖。商品推薦系統200包括模型建立單元201和商品推薦服務器202。商品推薦服務器202與WWW門戶/WAP門戶/終端門戶通信連接。商品推薦服務器202包括生成單元2021、接收單元2022、推薦單元2023，詳見圖3。模型建立單元201，用于依據用戶的瀏覽記錄和/或用戶屬性獲取樣本訓練數據，并對所述樣本訓練數據建立關聯分析模型；商品推薦服務器202，與模型建立單元201通信連接，包括生成單元2021，用于依據關聯分析模型生成關聯數據；接收單元2022，用于接收商品推薦請求；推薦單元2023，用于依據所述商品推薦請求獲取用戶信息，基于所述用戶信息以及所述關聯數據將與所述用戶信息相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶。商品推薦服務器202與相關門戶例如Wffff門戶/WAP門戶/終端門戶之間通過例如通信接口進行數據傳送。在本發明一實施例中，用戶信息包括用戶終端機型、瀏覽的商品。當用戶已登錄且處于瀏覽或訂購狀態時，所述推薦單元具體用于依據所述商品推薦請求獲取用戶信息，基于所述用戶終端機型、瀏覽的商品以及所述關聯數據將與所述瀏覽的商品對應的相關聯的商品推薦給用戶。在本發明又一實施例中，用戶信息包括瀏覽的商品。當用戶未登錄且處于瀏覽或訂購狀態時，所述推薦單元具體用于依據所述商品推薦請求獲取用戶信息，基于所述瀏覽的商品以及所述關聯數據將與所述瀏覽的商品對應的相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶。在本發明再一實施例中，用戶信息包括用戶終端機型、用戶屬性。當用戶已登錄且處于無瀏覽且無訂購狀態時，生成單元2021具體用于基于所述用戶屬性劃分多個用戶群，并對每一用戶群設置對應的標識，依據關聯分析模型生成關聯數據。推薦單元2023具體用于基于已登錄用戶的用戶屬性、用戶終端機型以及所述關聯數據對用戶進行用戶群類別標識，將相同用戶群中其它用戶喜好且與所述用戶終端機型相匹配的商品推薦給相關門戶，以便由相關門戶顯示給用戶。所述門戶包括WWW門戶、WAP門戶、用戶終端門戶。上文關于商品推薦方法的描述同樣適用于商品推薦系統，此處不做贅述。本發明的技術方案，具有以下優點1、智能分發平臺是首個為互聯網移動手機應用商城而做的數據業務推薦分發系統，給移動手機應用商城的WWW門戶，WAP門戶，手機終端門戶運營提供數據支撐。2、首次將傳統的數據挖掘技術和各個門戶結合起來，在商品推薦方面發揮作用。Wffff門戶，WAP門戶，手機終端門戶各個業務系統不需要關心智能分發平臺紛繁蕪雜的實現細節，只需要按照接口提供實時業務信息給智能分發平臺，智能分發平臺以約定的接口返回推薦商品信息給業務系統。3、首次將WWW門戶，WAP門戶，手機終端門戶同時結合起來，使用同一個推薦分發平臺。同時使用了近代發展起來的數據挖掘技術，使電子商務智能推薦系統成為現實。4、不同于普通的搜索引擎，也不同于目前的只能通過簡單的銷售排行、向用戶提供其他用戶的商品的評價評分信息等方式達到說服用戶目的的電子商務推薦系統，而是將多種數據挖掘技術運用于多個推薦場景。5、首次將用戶手機型號也作為商品推薦的一個考慮因素。6、智能分發平臺通過將復雜耗時的數據挖掘模型建模以及模型評估放在離線部分，推薦計算部分放在在線部分，同時使用緩存技術對推薦結果進行緩存處理，再將它們有機結合，既保證了推薦質量，又提供實時高速的推薦服務。由于數據挖掘模型在模型訓練、評估的時間較長，且使用的樣本數據是已有的歷史數據，所以放在離線部分；而在門戶上是需要即時推薦服務的，所以需要在線進行推薦計算。再把由數據挖掘模型生成好的推薦規則數據放在緩存處理，就可以提供實時的推薦。7.智能分發平臺的可擴展性強，還可以不斷增加使用其他數據挖掘方法或者統計分析方法，在更多的場景推薦商品。本發明的技術方案對用戶在WWW門戶，WAP門戶，手機終端門戶的有登陸有訂購(瀏覽)、無登陸有瀏覽、有登陸無瀏覽無訂購場景，使用數據挖掘技術離線建模，結合在線推薦計算，使用例如Memcached緩存技術對推薦結果進行緩存處理，在同一推薦分發系統對不同門戶不同場景提供不同接口，提供推薦商品數據返回給各大門戶展現；引入關聯、聚類等現代數據挖掘技術數據分析機制，無需用戶輸入，就能了解用戶偏好；根據業務場景以及業務支撐需要，還可以使用其它數據挖掘技術和統計方法等給各大在線門戶或者離線系統布置新的通信接口。
權利要求
1.一種商品推薦方法，其特征在于，包括依據用戶的瀏覽記錄和/或用戶屬性獲取樣本訓練數據，并對所述樣本訓練數據建立關聯分析模型；依據關聯分析模型生成關聯數據；接收商品推薦請求，依據所述商品推薦請求獲取用戶信息，基于所述用戶信息以及所述關聯數據將與所述用戶信息相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶。
2.根據權利要求1所述的商品推薦方法，其特征在于，依據關聯分析模型生成關聯數據具體包括依據關聯分析模型并基于支持度、置信度、提升度生成關聯數據。
3.根據權利要求2所述的商品推薦方法，其特征在于，所述用戶信息包括用戶終端機型、瀏覽的商品；當用戶已登錄且處于瀏覽或訂購狀態時，基于所述用戶信息以及所述關聯數據將與所述用戶信息相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶具體包括基于所述用戶終端機型、瀏覽的商品以及所述關聯數據將與所述瀏覽的商品對應的相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶，所述門戶包括WWW門戶、WAP門戶、用戶終端門戶。
4.根據權利要求3所述的商品推薦方法，其特征在于，如果推薦給用戶的商品數量不足，則從預設商品庫中選取適于所述用戶終端機型的商品。
5.根據權利要求2所述的商品推薦方法，其特征在于，所述用戶信息包括瀏覽的商品；當用戶未登錄且處于瀏覽或訂購狀態時，基于所述用戶信息以及所述關聯數據將與所述用戶信息相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶具體包括基于所述瀏覽的商品以及所述關聯數據將與所述瀏覽的商品對應的相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶；所述門戶包括WWW門戶。
6.根據權利要求1所述的商品推薦方法，其特征在于，當用戶已登錄且處于無瀏覽且無訂購狀態時，依據關聯分析模型生成關聯數據具體包括基于所述用戶屬性劃分多個用戶群，并對每一用戶群設置對應的標識，依據關聯分析模型生成關聯數據。
7.根據權利要求6所述的商品推薦方法，其特征在于，所述用戶信息包括用戶終端機型、用戶屬性；當用戶已登錄且處于無瀏覽且無訂購狀態時，基于所述用戶信息以及所述關聯數據將與所述用戶信息相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶具體包括基于已登錄用戶的用戶屬性、用戶終端機型以及所述關聯數據對用戶進行用戶群類別標識，將相同用戶群中其它用戶喜好且與所述用戶終端機型相匹配的商品推薦給相關門戶，以便由相關門戶顯示給用戶；所述門戶包括WWW門戶、WAP門戶、用戶終端門戶。
8.—種商品推薦系統，其特征在于，包括模型建立單元，用于依據用戶的瀏覽記錄和/或用戶屬性獲取樣本訓練數據，并對所述樣本訓練數據建立關聯分析模型；商品推薦服務器，與所述模型建立單元通信連接，包括生成單元，用于依據關聯分析模型生成關聯數據；接收單元，用于接收商品推薦請求；推薦單元，用于依據所述商品推薦請求獲取用戶信息，基于所述用戶信息以及所述關聯數據將與所述用戶信息相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶。
9.根據權利要求8所述的商品推薦系統，其特征在于，所述用戶信息包括用戶終端機型、瀏覽的商品；當用戶已登錄且處于瀏覽或訂購狀態時，所述推薦單元具體用于依據所述商品推薦請求獲取用戶信息，基于所述用戶終端機型、瀏覽的商品以及所述關聯數據將與所述瀏覽的商品對應的相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶。
10.根據權利要求8所述的商品推薦系統，其特征在于，所述用戶信息包括瀏覽的商品；當用戶未登錄且處于瀏覽或訂購狀態時，所述推薦單元具體用于依據所述商品推薦請求獲取用戶信息，基于所述瀏覽的商品以及所述關聯數據將與所述瀏覽的商品對應的相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶。
全文摘要
本發明涉及一種商品推薦方法和商品推薦系統，方法包括依據用戶的瀏覽記錄和/或用戶屬性獲取樣本訓練數據，并對所述樣本訓練數據建立關聯分析模型；依據關聯分析模型生成關聯數據；接收商品推薦請求，依據所述商品推薦請求獲取用戶信息，基于所述用戶信息以及所述關聯數據將與所述用戶信息相關聯的商品推薦給相關門戶，以便由相關門戶顯示給用戶。商品推薦系統包括模型建立單元和商品推薦服務器。本發明的技術方案既保證了推薦質量，又提供實時高速的推薦服務，且可擴展性強，適于不同的應用場景。
文檔編號G06F17/30GK102592223SQ201110020649
公開日2012年7月18日 申請日期2011年1月18日 優先權日2011年1月18日
發明者吳亞雪, 曾華維, 潘柱新, 龔劍輝 申請人:卓望數碼技術(深圳)有限公司