新用戶的商品個性化推薦方法及系統的制作方法
【技術領域】
[0001]本發明涉及數據處理技術領域，特別涉及一種新用戶的商品個性化推薦方法及系統。
【背景技術】
[0002]現有的推薦模型針對老客，模型預測目標為銷售額，根據老客的購買點擊收藏歷史，給不同的用戶推薦他們感興趣的商品。即現有推薦模型針對老客，用歷史加實時數據對模型進行訓練，其中訓練數據的預測目標是銷售額，即目標是最大化銷售額。模型訓練結果輸出各商品的銷售額，根據銷售額，輸出商品排序，為用戶達到個性化推薦的目的。
[0003]現有的商品推薦模型針對老用戶，模型預測目標為銷售額，根據老用戶的購買點擊收藏歷史行為，給不同的用戶推薦他們感興趣的商品，缺點是過分依賴老用戶的歷史行為且是以銷售額為預測目標，對用戶群體中的絕大部分老用戶可以起到精準推薦的作用，可是對于沒有歷史行為的新客，通過現有的商品推薦模式進行商品推薦，推薦精度不高，要提升新客數量和銷售量就比較困難。
【發明內容】
[0004]基于此，有必要針對推薦精度不高的問題，提供一種提高推薦精度的新用戶的商品個性化推薦方法及系統。
[0005]一種新用戶的商品個性化推薦方法，包括如下步驟:
[0006]獲取歷史商品數據，根據所述歷史商品數據，記錄所述歷史商品數據的歷史商品的屬性特征以及歷史商品的銷售量；
[0007]根據所述歷史商品的屬性特征以及所述歷史商品的銷售量，獲得商品屬性特征與商品的銷售量之間的對應關系；
[0008]獲取待推薦商品的屬性特征；
[0009]根據所述待推薦商品的屬性特征以及商品屬性特征與商品的銷售量之間的所述對應關系，預測待推薦商品的銷售量；
[0010]根據所述待推薦商品的銷售量，對所述待推薦商品進行排序；
[0011]根據所述待推薦商品的排序結果，為新用戶推薦商品。
[0012]本發明還提供一種新用戶的商品個性化推薦系統，包括:
[0013]第一獲取模塊，用于獲取歷史商品數據，根據所述歷史商品數據，記錄所述歷史商品數據的歷史商品的屬性特征以及歷史商品的銷售量；
[0014]第二獲取模塊，用于根據所述歷史商品的屬性特征以及所述歷史商品的銷售量，獲得商品屬性特征與商品的銷售量之間的對應關系；
[0015]第三獲取模塊，用于獲取待推薦商品的屬性特征；
[0016]預測模塊，用于根據所述待推薦商品的屬性特征以及商品屬性特征與商品的銷售量之間的所述對應關系，預測待推薦商品的銷售量；
[0017]第一排序模塊，用于根據所述待推薦商品的銷售量，對所述待推薦商品進行排序;
[0018]推薦模塊，用于根據所述待推薦商品的排序結果，為新用戶推薦商品。
[0019]上述新用戶的商品個性化推薦方法及系統，針對新用戶沒有對應的購買商品的屬性特征，通過根據歷史商品的屬性特征，以商品的銷售量作為預測目標，獲取商品屬性特征與商品的銷售量之間的對應關系，根據推薦商品屬性特征，通過商品屬性特征與商品的銷售量之間的對應關系對待推薦商品的銷售量進行預測，并根據待推薦商品的銷售量，對待推薦商品進行排序，根據排序結果進行個性化推薦。通過將預測目標設定為銷售量，考慮的是有多少新用戶進行購買而不是新用戶貢獻了多少銷售額，對于占網頁訪問量大多數的新用戶，這樣設定預測目標的動機更明確，可進行精確的推薦，達到更好的推薦效果。
【附圖說明】
[0020]圖1為一實施方式的新用戶的商品個性化推薦方法的流程圖；
[0021]圖2為另一實施方式的新用戶的商品個性化推薦方法的子流程圖；
[0022]圖3為另一實施方式的新用戶的商品個性化推薦方法的子流程圖；
[0023]圖4為一實施方式的新用戶的商品個性化推薦系統的模塊圖；
[0024]圖5為另一實施方式的新用戶的商品個性化推薦系統的子模塊圖；
[0025]圖6為另一實施方式的新用戶的商品個性化推薦系統的子模塊圖。
【具體實施方式】
[0026]請參閱圖1，提供一種實施方式的新用戶的商品個性化推薦方法，包括以下步驟:
[0027]SlOO:獲取歷史商品數據，根據歷史商品數據，記錄歷史商品數據的歷史商品的屬性特征以及歷史商品的銷售量。
[0028]用戶訪問網頁進行商品購買行為，會產生購買的商品的相關數據，從而產生歷史商品數據，根據歷史商品數據，對歷史商品的屬性特征以及銷售量進行記錄，獲取歷史商品的屬性特征以及銷售量，以備后續查詢和使用。
[0029]S200:根據歷史商品的屬性特征以及歷史商品的銷售量，獲得商品屬性特征與商品的銷售量之間的對應關系。
[0030]在為新用戶進行商品推薦時，由于新用戶沒有購買記錄，沒有購買商品的屬性特征，從而根據已經記錄的歷史商品的屬性特征以及歷史商品的銷售量，以獲得商品屬性特征與商品的銷售量之間的對應關系，后續根據商品的屬性特征以及商品屬性特征與商品的銷售量之間的對應關系，即可預知該商品的銷售量。
[0031]在實際應用中，根據記錄的歷史商品的屬性特征以及歷史商品的銷售量，獲得商品屬性特征與商品的銷售量之間的對應關系的過程可視為對商品個性化推薦模型的訓練過程，商品個性化推薦模型的輸入為歷史商品的屬性特征，預測輸出為歷史商品的銷售量，對商品個性化推薦模型的訓練的過程即是對模型參數不斷修正的過程，使商品的預測銷售量不斷接近商品的實際銷售量。
[0032]S300:獲取待推薦商品的屬性特征。
[0033]在獲得商品屬性特征與商品的銷售量之間的對應關系之后，即對商品個性化推薦模型訓練完成后，需對待推薦商品的銷售量進行預測，根據預測的銷售量來決定給用戶推薦哪種商品，從而需要獲取待推薦商品的屬性特征。
[0034]S400:根據待推薦商品的屬性特征以及商品屬性特征與商品的銷售量之間的對應關系，預測待推薦商品的銷售量。
[0035]在獲得商品屬性特征與商品的銷售量之間的對應關系以及獲取待推薦商品屬性特征后，可以預測待推薦商品的銷售量。即可視為對商品個性化推薦模型訓練后，將待推薦商品的屬性特征輸入至訓練后的商品個性化推薦模型，預測待推薦商品的銷售量。
[0036]S500:根據待推薦商品的銷售量，對待推薦商品進行排序。
[0037]根據商品屬性特征與商品的銷售量之間的對應關系對待推薦商品的銷售量進行預測，得到待推薦商品的銷售量，根據待推薦商品的銷售量，對待推薦商品進行排序。在本實施例中，待對推薦商品的銷售量越高，待推薦商品排序越靠前，表示該待推薦商品的權重越高，也說明越有可能推薦給用戶。具體地，由于根據商品屬性特征與商品的銷售量之間的對應關系得到的待推薦商品的預測結果的數據量比較大，在進行待推薦商品的銷售量數據傳輸時，可對其進行二進制化壓縮處理，縮減數據量，減小存儲空間。
[0038]S600:根據待推薦商品的排序結果，為新用戶推薦商品。
[0039]對待推薦商品的排序結束后，根據排序結果進行商品個性化推薦。在本實施例中，商品的排序結果越靠前，為新用戶推薦該商品的可能性越大，為新用戶推薦排序結果為前預設值內的商品。例如，預設值為100，則為新用戶個性化推薦排序結果為前100的商品。
[0040]根據調研，網頁訪問者中大多數是新用戶，且市場關鍵績效指標中主要考慮新增用戶，也就是說，主要需要考慮的是有多少新用戶，即商品能有多少人買，而不是考慮新客戶貢獻了多少銷售額，從而將預測目標設為銷售量，而不是現有推薦模型中的銷售額。
[0041]上述提出的新用戶的商品個性化推薦方法，針對新用戶沒有購買商品，即沒有對應的歷史商品的屬性特征，通過根據記錄的歷史商品屬性特征，以商品的銷售量作為預測目標，獲得商品屬性特征與商品的銷售量之間的對應關系，再根據待推薦商品屬性特征，通過獲得的商品屬性特征與商品的銷售量之間的對應關系對待推薦商品的銷售量進行預測，并根據待推薦商品的銷售量，對待推薦商品進行排序，根據排序結果進行個性化推薦。通過將預測目標設定為銷售量，考慮的是有多少新用戶進行購買而不是新用戶貢獻了多少銷售額，對于占網頁訪問量大多數的新用戶，這樣設定預測目標的動機更明確，可進行精確的推薦，達到更好的推薦效果。通過實際測試，相較于利用現有的推薦模