基于用户画像的个性化商品推荐方法及系统与流程

1.本发明涉及个性化商品推荐技术领域，特别是涉及基于用户画像的个性化商品推荐方法及系统。


背景技术：

2.本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
3.精准营销已经在传统电商平台得到了广泛的应用，消费者在使用互联网公司购物平台的同时，无形中为服务商提供了个人信息、兴趣爱好等数据，平台后台通过对这些数据进行提取特征，相似用户进行聚类，就能够实现基于协同过滤的推荐模式。但是，此类以线上平台数据为中心的算法没能够有效利用线下的用户数据。
4.现有的商品推荐技术方案一般根据用户在线上商店浏览喜欢的物品列表，在物品的数据库中查询与用户喜欢物品具有最为相似的属性的其他物品，量化物品的相似度来衡量用户对推荐的物品的喜欢程度。最终，与用户的浏览记录中越相似的物品在用户推荐列表获得比较高的评分的可能性越大，以此为原理对用户进行个性商品推荐。
5.现有技术存在的缺点主要是没能将用户的线上购物行为与线下日常生活深度融合，造成这一现象的原因是线上平台一般不注重下沉市场，没有智慧社区运营的基础，因而缺乏用户的线下数据收集与使用。


技术实现要素：

6.为了解决现有技术的不足，本发明提供了基于用户画像的个性化商品推荐方法及系统；本发明使用线上平台与智慧社区线下的用户数据，为用户提供更贴近生活需求的商品推荐方案。
7.第一方面，本发明提供了基于用户画像的个性化商品推荐方法；
8.基于用户画像的个性化商品推荐方法，包括：
9.获取目标用户线上注册的基本信息；获取目标用户线上和线下浏览数据；对目标用户注册基本信息、目标用户线上浏览数据和目标用户线下浏览数据均进行预处理；
10.基于预处理后的目标用户注册基本信息、目标用户线上浏览数据和目标用户线下浏览数据，构建目标用户画像；
11.基于目标用户与其他用户的线上交互记录，和目标用户与居住社区内其他用户的线下交互记录，构建目标用户的社交网络；
12.构建目标用户的社交网络中除了目标用户以外的其他用户的用户画像；
13.比较目标用户与所述社交网络中其他用户画像的相似度，确定所述目标用户的近邻用户；
14.根据目标用户与所述近邻用户的浏览记录，采用协同过滤算法，为目标用户提供商品推荐结果。
15.第二方面，本发明提供了基于用户画像的个性化商品推荐系统；
16.基于用户画像的个性化商品推荐系统，包括：
17.获取模块，其被配置为：获取目标用户线上注册的基本信息；获取目标用户线上和线下浏览数据；对目标用户注册基本信息、目标用户线上浏览数据和目标用户线下浏览数据均进行预处理；
18.第一用户画像构建模块，其被配置为：基于预处理后的目标用户注册基本信息、目标用户线上浏览数据和目标用户线下浏览数据，构建目标用户画像；
19.社交网络构建模块，其被配置为：基于目标用户与其他用户的线上交互记录，和目标用户与居住社区内其他用户的线下交互记录，构建目标用户的社交网络；
20.第二用户画像构建模块，其被配置为：构建目标用户的社交网络中除了目标用户以外的其他用户的用户画像；
21.近邻用户确定模块，其被配置为：比较目标用户与所述社交网络中其他用户画像的相似度，确定所述目标用户的近邻用户；
22.个性化推荐模块，其被配置为：根据目标用户与所述近邻用户的浏览记录，采用协同过滤算法，为目标用户提供商品推荐结果。
23.第三方面，本发明还提供了一种电子设备，包括：
24.存储器，用于非暂时性存储计算机可读指令；以及
25.处理器，用于运行所述计算机可读指令，
26.其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法。
27.第四方面，本发明还提供了一种存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行第一方面所述方法的指令。
28.第五方面，本发明还提供了一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。
29.与现有技术相比，本发明的有益效果是：
30.本发明基于智慧社区中的数据基础进行用户画像，再接入社区线上购物平台的用户数据库，扩充数据来源，将对商品的推荐扩展到对生活服务、饮食起居等全方位的推荐与规划。
31.数据来源更广，更贴近用户生活需求；从商家角度来说，营销效果更好，降低仓储率，提高货品和资金流动效率；推荐物品种类更多，从商品层面扩充到服务层面，拉动社区周边经济发展。
附图说明
32.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
33.图1为实施例一的方法流程图。
具体实施方式
34.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
35.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
36.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
37.本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。
38.实施例一
39.本实施例提供了基于用户画像的个性化商品推荐方法；
40.如图1所示，基于用户画像的个性化商品推荐方法，包括：
41.s101：获取目标用户线上注册的基本信息；获取目标用户线上和线下浏览数据；对目标用户注册基本信息、目标用户线上浏览数据和目标用户线下浏览数据均进行预处理；
42.s102：基于预处理后的目标用户注册基本信息、目标用户线上浏览数据和目标用户线下浏览数据，构建目标用户画像；
43.s103：基于目标用户与其他用户的线上交互记录，和目标用户与居住社区内其他用户的线下交互记录，构建目标用户的社交网络；
44.s104：构建目标用户的社交网络中除了目标用户以外的其他用户的用户画像；
45.s105：比较目标用户与所述社交网络中其他用户画像的相似度，确定所述目标用户的近邻用户；
46.s106：根据目标用户与所述近邻用户的浏览记录，采用协同过滤算法，为目标用户提供商品推荐结果。
47.进一步地，s101：获取目标用户线上注册的基本信息；其中，线上注册的基本信息，包括：姓名、性别、年龄和/或职业。
48.进一步地，获取目标用户线上和线下浏览数据；
49.其中，线上浏览数据，包括：商品浏览次数、商品浏览市场、商品是否添加购物车、商品是否购买、商品购买次数、商品购买频率；
50.其中，线下浏览数据，包括：到店消费次数、到店消费频率、到店登记次数。
51.进一步地，对目标用户注册基本信息、目标用户线上浏览数据和目标用户线下浏览数据均进行预处理；具体包括：
52.将非结构化数据转换为结构化数据；将非数值数据转换为数值数据。
53.进一步地，s102：基于预处理后的目标用户注册基本信息、目标用户线上浏览数据和目标用户线下浏览数据，构建目标用户画像；其中，目标用户画像的构建过程为：
54.将预处理后的目标用户注册基本信息进行编码处理，得到第一文本向量；
55.将目标用户线上浏览数据进行编码处理，得到第二文本向量；
56.将目标用户线下浏览数据进行编码处理，得到第三文本向量；
57.将第一、第二和第三文本向量进行串联拼接，得到目标用户画像。
58.其中，所述编码处理，采用的是utf-8编码；或者采用的是word2vec编码。
59.进一步地，s103：基于目标用户与其他用户的线上交互记录，和目标用户与居住社区内其他用户的线下交互记录，构建目标用户的社交网络；其中，
60.基于目标用户与其他用户的线上交互记录，包括：目标用户与社交软件好友的聊天次数以及聊天频率；
61.目标用户与居住社区内其他用户的线下交互记录，包括：目标用户与所居住社区内其他用户的相同实体店相同时间点的购物次数。
62.进一步地，所述s103：基于目标用户与其他用户的线上交互记录，和目标用户与居住社区内其他用户的线下交互记录，构建目标用户的社交网络；具体包括：
63.将目标用户和其他所有用户均视为社交网络的节点；
64.将目标用户与其他每个用户之间的连接线视为社交网络的边；
65.如果目标用户与线上其他用户存在交互记录，则表示二者之间存在边；
66.如果目标用户与线上其他用户不存在交互记录，则表示二者之间不存在边；
67.同样的，如果目标用户与居住社区内的其他用户存在相同时间点和相同地点的购物记录，则表示二者之间存在边；
68.如果目标用户与居住社区内的其他用户不存在相同时间点和相同地点的购物记录，则表示二者之间不存在边；
69.最后，将与目标用户存在连接边的用户节点保留，对不存在连接边的用户节点删除，得到目标用户的社交网络。
70.进一步地，s104：构建目标用户的社交网络中除了目标用户以外的其他用户的用户画像；这里其他用户的用户画像的构建过程与目标用户的用户画像的构建过程是一致的，此处不再赘述。
71.进一步地，s105：比较目标用户与所述社交网络中其他用户画像的相似度，确定所述目标用户的近邻用户；其中，相似度是采用余弦相似度或者欧式距离来衡量。
72.进一步地，s106：根据目标用户与所述近邻用户的浏览记录，采用协同过滤算法，为目标用户提供商品推荐结果；具体包括：
73.利用目标用户浏览记录中对商品的历史购买记录，和近邻用户对商品的历史购买记录，计算目标用户与近邻用户的距离；
74.选择距离最近的用户，根据距离最近的用户对商品的浏览记录，将商品推荐给目标用户。
75.基于协同过滤的推荐一般采用最近邻算法的思想，利用用户浏览记录中留存的偏好信息来计算与社交网络中其他用户的距离，再选择距离待推荐的目标用户最近的用户，根据该用户对商品类目的偏好种类，来预测待推荐的目标用户对此类商品的偏好程度，如果超过设定的某阈值，则进行推荐。
76.本发明的独特之处是将电商平台的推荐模式应用于线上线下结合的智慧社区新零售模式中。相比于现有的营销模式，本发明的数据来源立足于民生生活的基本面——社区，以服务百姓日常生活所需为切入点，灵活采集并挖掘智慧社区内与购物偏好相关的信息，从而掌握消费者的消费偏好和消费动机，为线上线下结合的新零售模式和精准营销提供数据层面的支撑。
77.本发明提供的具体功能以实现商品精准推荐、满足客户购物需求为目标，通过利
用智慧社区的用户数据构建用户画像与社交网络，并结合推荐算法生成用户群的兴趣点推荐内容。用户画像的构建基于用户的线上消费数据和线下社区人员的数据构建，实现对用户消费习惯和购物偏好的信息挖掘。同时，用户的购买需求易受与其相关的社交网络影响，应深入挖掘用户的社交网络信息，最终融合用户画像和社交网络信息，并以此为据实现用户商品的个性化精准推荐。基于智慧社区大数据的用户画像建模算法；基于用户画像与协同过滤的兴趣点发现算法基于兴趣点发现与社交网络的推荐算法。
78.从智慧社区背景迁移到类似的诸如智慧写字楼、智慧校园等场景，实质上都是距离相近，经常聚集的一类群体。
79.推荐算法使用除协同过滤以外的其他算法，包括但不限于关联规则法、基于效用法等推荐算法。
80.用户画像使用皮尔森距离聚类外的其他算法，包括但不限于knn、主成分分析、支持向量机等聚类算法。
81.基于协同过滤的推荐与基于内容的推荐的最大区别是能够推荐新信息，如果最近邻的用户点击了与之前毫不相干的新信息，基于协同过滤的推荐机制就有可能将这一新类型的信息推荐给用户，而基于内容的推荐大都是用户本就熟悉的内容，对新种类的信息推荐能力较弱。
82.基于协同过滤的思想很易于理解且贴合实际，一般在日常生活中，人们对商品信息的获取经常通过与朋友的交流互动等过程实现，协同过滤正是从这一特点出发，根据具有相似兴趣点的用户的选择，来确定推荐物品的次序。
83.协同过滤推荐的最大优点是避免了使用计算机分析复杂的商品属性和概念，仅通过共享其他用户的经验的方法避免了对商品属性的刻画，能够对不具有具体属性或者具有复杂属性和难以表述概念的商品进行推荐。同时，当相近用户获取具有新属性的商品时，近邻用户也能收到相似的推荐，有利于用户发现新的兴趣点，助力销售额的增长。
84.实施例二
85.本实施例提供了基于用户画像的个性化商品推荐系统；
86.基于用户画像的个性化商品推荐系统，包括：
87.获取模块，其被配置为：获取目标用户线上注册的基本信息；获取目标用户线上和线下浏览数据；对目标用户注册基本信息、目标用户线上浏览数据和目标用户线下浏览数据均进行预处理；
88.第一用户画像构建模块，其被配置为：基于预处理后的目标用户注册基本信息、目标用户线上浏览数据和目标用户线下浏览数据，构建目标用户画像；
89.社交网络构建模块，其被配置为：基于目标用户与其他用户的线上交互记录，和目标用户与居住社区内其他用户的线下交互记录，构建目标用户的社交网络；
90.第二用户画像构建模块，其被配置为：构建目标用户的社交网络中除了目标用户以外的其他用户的用户画像；
91.近邻用户确定模块，其被配置为：比较目标用户与所述社交网络中其他用户画像的相似度，确定所述目标用户的近邻用户；
92.个性化推荐模块，其被配置为：根据目标用户与所述近邻用户的浏览记录，采用协同过滤算法，为目标用户提供商品推荐结果。
93.此处需要说明的是，上述获取模块、第一用户画像构建模块、社交网络构建模块、第二用户画像构建模块、近邻用户确定模块和个性化推荐模块对应于实施例一中的步骤s101至s106，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
94.上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
95.所提出的系统，可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
96.实施例三
97.本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。
98.应理解，本实施例中，处理器可以是中央处理单元cpu，处理器还可以是其他通用处理器、数字信号处理器dsp、专用集成电路asic，现成可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
99.存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
100.在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
101.实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
102.本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
103.实施例四
104.本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
105.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修
改、等同替换、改进等，均应包含在本发明的保护范围之内。