基于混合推荐算法的大规模商品协同过滤推荐方法及系统与流程

本发明涉及人工智能与推荐系统，特别是涉及基于混合推荐算法的大规模商品协同过滤推荐方法及系统。

背景技术：

1、随着电子商务和移动互联网的快速发展，个性化推荐系统已成为电商平台提升用户体验和转化率的核心工具。目前主流的推荐技术主要包括基于协同过滤的推荐、基于内容的推荐、基于深度学习的推荐以及混合推荐等。

2、在中国专利文献中，已有多种相关的推荐技术被公开。例如，cn108876508a公开了一种基于hadoop和spark框架的混合式推荐方法，在hadoop框架下使用基于用户的协同过滤算法对海量数据进行离线分析生成离线推荐列表，在spark框架下采用基于物品的协同过滤算法生成实时推荐列表，再将两者合并为最终推荐列表。cn110362755a公开了一种基于物品协同过滤与关联规则的混合算法的推荐方法，通过构建用户行为历史记录数据集获取物品关联规则，构建用户物品评分矩阵计算物品相似度，同时构建物品内容属性矩阵计算基于物品属性的相似度。cn114461922a公开了一种基于图的混合消息传递机制的协同过滤信息推荐系统，将用户项目信息二部异质图解耦为用户、项目两个同质图，与隐式消息传递方法相结合形成混合消息传递机制。cn113761393b公开了一种商品协同推荐方法，获取商品对应的多个行为类型的交互行为数据，统计两两商品之间各个行为类型的共有用户总量计算加权相似度。

3、在虚拟人相关技术领域，cn120013641a公开了一种ai虚拟人产品匹配优化方法及系统，通过深度学习算法对用户数据进行特征提取和聚类分析构建用户画像，并基于自适应深度强化学习模型动态调整匹配策略。cn119250863a公开了一种基于多渠道融合的客户全生命周期管理系统及方法，通过创建客户数字孪生体进行客户行为预测。此外，还存在基于数字孪生的行为推荐装置，通过输入行为序列和监控参数集输出预测参数集。

4、尽管上述技术在一定程度上实现了个性化推荐，但仍存在以下显著不足：

5、（一）缺乏对用户生活全场景的建模

6、现有推荐系统主要基于用户的浏览、点击、购买等电商平台内部行为数据进行推荐，未能将用户线下的生活场景纳入建模范围，导致推荐缺乏生活感知能力。用户的真实需求往往源于日常生活中的实际消耗和场景变化，而现有技术无法捕捉这些需求信号。

7、（二）物品消耗预测能力缺失

8、现有技术无法根据用户的购物间隔、使用习惯等信息推断物品的使用进度和剩余寿命。例如，用户购买一瓶沐浴露后，系统无法判断该沐浴露何时用完，从而错失精准补货推荐的时机。虽然有相关技术涉及物联网传感器监控日用品消耗，但该类方法依赖硬件部署，成本高、普适性差，且无法覆盖所有商品类型。

9、（三）缺乏对用户迁徙行为的感知与利用

10、当用户发生居住地迁徙时，其生活场景和消费需求会发生显著变化，但现有推荐系统无法感知这一变化并据此调整推荐策略。现有基于用户轨迹的服务推荐主要用于路线规划等场景，未涉及商品推荐的场景适配。

11、（四）用户画像静态化

12、现有用户画像多为静态或准静态更新，缺乏对用户生活状态动态演变的持续追踪和模拟能力，无法反映用户生活场景的动态变化。

13、（五）推荐系统为单向信息流

14、现有推荐系统是用户到商品的单向信息流，系统无法将聚合后的用户需求信号反馈给商家和供应链，无法实现供需双侧的协同优化。

15、因此，我们提出了一种基于混合推荐算法的大规模商品协同过滤推荐方法及系统。

技术实现思路

1、本发明的目的是针对现有技术的不足之处，提供基于混合推荐算法的大规模商品协同过滤推荐方法及系统，解决上述背景技术中所提到的技术问题。

2、为实现上述目的，本发明提供如下技术方案：

3、基于混合推荐算法的大规模商品协同过滤推荐方法，包括以下步骤：

4、s1:采集用户的多维度数据，所述多维度数据包括购物数据、地址数据、行为数据和时空数据；

5、s2:基于所述多维度数据构建虚拟人物生存场景，所述虚拟人物生存场景至少包括：虚拟人物的空间定位信息、虚拟库存信息、购物习惯信息和迁徙轨迹信息；

6、s3:基于所述虚拟库存信息和所述购物习惯信息，计算各物品的预估剩余使用天数；

7、s4:当所述预估剩余使用天数低于预设阈值时，触发消耗触发型推荐；

8、s5:基于所述迁徙轨迹信息检测居住地变化事件，当检测到居住地变化时，触发场景变化触发型推荐；

9、s6:将所述虚拟人物生存场景的特征作为用户画像的增强维度，融入协同过滤算法进行协同过滤增强推荐；

10、s7:综合所述消耗触发型推荐、所述场景变化触发型推荐和所述协同过滤增强推荐的结果，生成最终推荐列表。

11、优选的，所述虚拟库存信息的构建方法包括：

12、当用户购买商品时，根据商品规格和品类属性初始化该物品在虚拟库存中的初始存量；

13、根据该用户对该品类商品的历史购买间隔推算该用户的日均消耗速率，并结合同类用户的平均消耗速率进行校正，建立个性化的物品消耗曲线；

14、基于所述初始存量和所述日均消耗速率，实时计算各物品的预估剩余天数。

15、优选的，所述预估剩余使用天数由物品的当前剩余规格量除以该用户对该品类的日均消耗速率得到；所述日均消耗速率通过以下方式确定：对于已有历史购买记录的用户，基于其在预设历史时间窗口内对该品类商品多次购买的规格量和对应的时间点计算单位时间内的平均消耗量；对于缺乏历史购买记录的用户，采用同类用户在该品类上的平均消耗速率作为初始值，并在该用户产生后续购买记录后逐步更新为个性化参数。

16、优选的，所述迁徙轨迹信息的构建方法包括：

17、持续监控用户的收货地址变化，当新地址与历史地址中的城市或城区信息不一致时，记录迁徙事件，所述迁徙事件包括迁徙时间、迁出地、迁入地和迁徙类型；

18、分析迁徙前后的消费特征变化，建立迁徙与消费之间的映射关系；

19、基于历史迁徙模式和外部数据预测用户未来的迁徙可能性。

20、优选的，所述场景变化触发型推荐包括：

21、迁徙触发推荐：当检测到用户发生居住地迁徙时，获取迁入地的城市特征向量，将所述城市特征向量与用户的历史消费特征进行匹配，计算用户在新城市可能产生的新需求品类集合，生成迁徙触发推荐列表；

22、季节变化触发推荐：根据虚拟人物所在地的气候和季节变化，推荐应季商品；

23、生活阶段变化触发推荐：根据用户消费品类结构的变化推断生活阶段变化，推荐相应生活阶段的适配商品。

24、优选的，所述协同过滤增强推荐中，将用户的虚拟生存场景特征编码为场景特征向量，将用户的历史交互行为编码为交互特征向量，拼接形成用户综合特征向量；在计算用户之间的相似度时，分别计算两个用户在场景特征向量上的场景相似度和在交互特征向量上的交互相似度，将所述场景相似度和所述交互相似度以预设权重进行加权求和，得到用户综合相似度；基于所述用户综合相似度确定近邻用户，聚合所述近邻用户对目标商品的交互情况，预测当前用户对目标商品的偏好得分。

25、优选的，还包括以下步骤：

26、将各用户的虚拟生存场景数据进行标准化处理后，在时空维度进行聚合，生成区域级和品类级的需求预测；

27、基于所述需求预测生成面向商家的补货建议，所述补货建议包括补货商品、建议补货量、建议补货时间和建议补货地点；

28、将所述补货建议推送至对应的商家终端；

29、基于所述需求预测对平台侧的库存分布和物流调度进行优化。

30、优选的，所述在时空维度进行聚合的步骤包括：

31、按时间维度聚合：将各用户同一商品或品类的预估用完日期进行归并统计，生成时间序列需求预测曲线；

32、按空间维度聚合：将各用户的地理位置信息与需求预测关联，生成区域需求热力图；

33、按迁徙维度聚合：将用户的迁徙预测与目的地的新增需求进行关联分析，生成迁徙驱动的区域需求预警。

34、优选的，所述建议补货量通过在预测需求量的基础上乘以安全系数确定，所述安全系数大于一，其具体取值根据该品类商品的历史需求预测误差和供应稳定性动态调整；在补货建议中按各子区域的需求预测比例分配所述建议补货量。

35、基于混合推荐算法的大规模商品协同过滤推荐系统，包括：

36、数据采集模块，用于采集用户的多维度数据，所述多维度数据包括购物数据、地址数据、行为数据和时空数据；

37、虚拟场景构建模块，用于基于所述多维度数据构建虚拟人物生存场景，所述虚拟人物生存场景至少包括虚拟人物的空间定位信息、虚拟库存信息、购物习惯信息和迁徙轨迹信息；

38、物品消耗预测模块，用于基于所述虚拟库存信息和所述购物习惯信息计算各物品的预估剩余使用天数；

39、场景变化检测模块，用于基于所述迁徙轨迹信息检测居住地变化事件和生活阶段变化事件；

40、推荐生成模块，用于基于所述预估剩余使用天数生成消耗触发型推荐，基于所述居住地变化事件和生活阶段变化事件生成场景变化触发型推荐；

41、协同过滤增强模块，用于将所述虚拟人物生存场景的特征作为用户画像的增强维度融入协同过滤算法进行协同过滤增强推荐，并综合消耗触发型推荐、场景变化触发型推荐和协同过滤增强推荐的结果生成最终推荐列表；

42、需求聚合模块，用于将各用户的虚拟生存场景数据在时空维度进行聚合，生成区域级和品类级的需求预测；

43、补货建议生成模块，用于基于所述需求预测生成面向商家的补货建议；

44、供需匹配优化模块，用于基于所述需求预测对平台侧的库存分布和物流调度进行优化；

45、反馈优化模块，用于根据用户反馈和商家反馈持续优化各模块的模型参数。

46、本发明的有益效果在于：

47、1.本发明突破性地将推荐系统的建模视角从用户的平台内部行为数据拓展至用户的线下生活全场景，通过构建包含空间定位、物品库存、购物习惯和迁徙轨迹四维一体的虚拟人物生存场景，使推荐系统具备了“感知用户生活状态”的能力。传统推荐系统仅能回答“用户可能喜欢什么”，本发明能够回答“用户在生活中需要什么”，实现了推荐逻辑从偏好匹配到生存场景推演的本质跨越。由此带来的技术效果是：推荐系统不再被动等待用户的浏览或搜索行为，而是主动感知用户生活中的消耗进度和场景变化，在用户尚未主动表达需求之前即完成需求预判，推荐时机更加精准，推荐内容更加贴合用户的真实生活状态，用户点击率和转化率显著提升。

48、2.本发明无需依赖任何物联网传感器等硬件设备，仅通过分析用户同品类商品的历史购买间隔和规格量，即可建立个性化的物品消耗曲线，精准预测各物品的剩余使用天数。这一技术方案的成本远低于依赖传感器的物联网补货方案，且可覆盖所有商品类型，具有良好的普适性和可扩展性。当物品预估剩余天数低于预设阈值时，系统自动触发消耗型推荐，实现了从“用户想起购买”到“系统提醒购买”的被动转主动的推荐范式转变。由此带来的技术效果是：日用消耗品的复购周期显著缩短，用户不再面临物品用完后才想起购买的断档尴尬，平台的整体复购率和用户生命周期价值得到有效提升。

49、3.本发明通过持续监控用户收货地址的变化，精准识别用户的居住地迁徙事件及其类型（如毕业生离校、职场搬迁、返乡、置业等），并基于迁入地的城市特征与用户历史消费特征的匹配，自动生成迁徙场景下的适配推荐列表。这一技术方案解决了现有推荐系统无法感知用户生活场景剧变、推荐内容与实际需求脱节的技术问题。由此带来的技术效果是：当用户发生居住地迁徙时，系统能够在新生活场景下精准推荐用户实际需要的商品（如搬家后的收纳用品、新气候条件下的适应当地商品、新生活阶段所需的特定品类商品），推荐内容与用户当前生活状态的匹配度大幅提升，用户的迁徙适应期体验得到显著改善。

50、4.本发明通过虚拟生存场景特征的构建，使得新用户在仅有少量交互数据的情况下，仍能通过其收货地址、首次购买的商品品类等有限信息初步构建虚拟生存场景，并与具有相似生存场景的成熟用户建立关联，从而产生有效推荐。这一技术方案改变了传统协同过滤算法完全依赖用户交互数据的困境，将冷启动问题从“数据不足无法推荐”转化为“场景匹配即可推荐”。由此带来的技术效果是：新用户的首屏推荐质量显著提升，新用户留存率和初期转化率得到有效改善，平台冷启动场景下的推荐效果与成熟用户之间的差距大幅缩小。

51、5.本发明不仅将虚拟生存场景用于用户侧的个性化推荐，还通过聚合海量用户的虚拟生存场景数据，生成区域级和品类级的需求预测，并反向推送至商家端形成补货建议。这一技术方案打破了现有推荐系统“用户到商品”的单向信息流格局，构建了“用户需求感知→平台聚合预测→商家精准补货→商品提前部署→用户体验提升”的完整闭环。由此带来的技术效果是：商家端获得了可执行的精准补货决策支持，库存周转率提升、缺货率下降、库存持有成本降低；平台端实现了智能分仓和物流优化，配送时效提升、物流成本下降；用户端获得了更加丰富的选择和更快捷的配送服务。三方价值同步提升，推荐系统从“成本中心”转化为“价值中心”，系统的商业可持续性和社会效益均得到显著增强。

52、6.本发明通过反馈优化模块收集用户对推荐结果的隐式反馈和显式反馈，以及商家对补货建议的采纳率与实际需求之间的偏差数据，定期对各预测模型和推荐模型进行增量训练和参数调优。这一技术方案使系统具备了闭环持续进化的能力，随着运行时间的延长，各预测模型的精度不断提升，推荐效果持续改善，系统的自适应性、鲁棒性和长期有效性均得到有效保障。