一种基于电商大数据的用户兴趣分析方法与流程

1.本发明涉及用户兴趣分析技术领域，涉及到一种基于电商大数据的用户兴趣分析方法。


背景技术：

2.随着电子商务的不断发展，网络购物用户规模会一直呈增长状态，致使电商平台的推荐技术得到应用，带来的效果越来越明显。为了满足用户需求并增加购物体验感，电商平台已经研发并应用基于用户兴趣的交友推荐功能。
3.目前，电商平台现有的交友推荐方法主要为协同过滤推荐方法，其核心思想是给用户推荐购买过相同商品的其他用户，但现有的交友推荐方法没有区分用户之间的信息差异性，从而无法实现对用户的显性反馈信息进行多维度的精细化匹配，导致电商平台的用户推荐精准性和针对性不高，进一步无法满足电商平台用户的购物交友需求，进而影响电商平台用户的信任度和体验感；同时电商平台现有的交友推荐方法未能结合用户行为数据智能分析用户兴趣，从而无法实现根据用户兴趣进行针对性的交友推荐，降低电商平台用户的交友匹配度，使得电商平台用户在交互过程中缺乏共同话题，进而降低用户相互之间交流与分享的契机，进一步降低电商平台的商品推广度，在极大程度上影响电商平台的收益。


技术实现要素：

4.针对上述缺陷和不足，本发明实施例提供了一种基于电商大数据的用户兴趣分析方法。
5.本发明的目的可以通过以下技术方案实现：一种基于电商大数据的用户兴趣分析方法，包括如下步骤：
6.步骤一、目标用户显性反馈信息获取：获取电商平台内目标用户对应的显性反馈信息，其中显性反馈信息包括基本信息和兴趣标签；
7.步骤二、目标用户显性反馈信息匹配：将电商平台内目标用户对应的显性反馈信息与各待匹配用户对应的显性反馈信息进行匹配，分析电商平台内目标用户与各待匹配用户对应的显性反馈信息匹配系数，并筛选电商平台内目标用户对应的各指定用户；
8.步骤三、关联商品类型筛选：根据电商平台内目标用户对应的兴趣标签，筛选电商平台内目标用户对应兴趣标签的关联商品类型，进而提取电商平台内目标用户对应隐性反馈信息中的关联商品信息，其中隐性反馈信息包括浏览记录信息和历史购物信息；
9.步骤四、关联商品信息解析：对电商平台内目标用户对应隐性反馈信息中的关联商品信息进行解析，得到电商平台内目标用户与各指定用户对应的隐性反馈信息匹配系数；
10.步骤五、用户兴趣符合度指数评估：评估电商平台内目标用户与各指定用户的兴趣符合度指数，并按照兴趣符合度指数从大到小的顺序依次进行排序，将排序结果发送至
目标用户。
11.作为一种可选的实施方式，所述步骤二对应的具体步骤如下：
12.s21、从电商平台后台提取各待匹配用户对应的显性反馈信息，得到各待匹配用户对应的基本信息，将电商平台内目标用户对应的基本信息与各待匹配用户对应的基本信息进行匹配，得到电商平台内目标用户与各待匹配用户的基本信息匹配度，将其标记为φi，i＝1,2,...,n， i表示为第i个待匹配用户的编号；
13.s22、将电商平台内目标用户对应的兴趣标签与预设的各兴趣类型对应的各设定兴趣标签进行对比，筛选电商平台内目标用户对应兴趣标签的兴趣类型，并其记为目标用户对应的兴趣类型，并筛选电商平台内各待匹配用户对应的兴趣类型，将目标用户对应的兴趣类型与各待匹配用户对应的兴趣类型进行对比，统计目标用户与各待匹配用户的兴趣类型符合度，将其标记为αi；
14.s23、分析电商平台内目标用户与各待匹配用户对应的显性反馈信息匹配系数其中θi表示为电商平台内目标用户与第i个待匹配用户对应的显性反馈信息匹配系数，μ表示为预设的用户显性反馈信息匹配修正因子；
15.s24、将电商平台内目标用户与各待匹配用户对应的显性反馈信息匹配系数分别与预设的用户显性反馈信息匹配系数阈值进行对比，若目标用户与某待匹配用户对应的显性反馈信息匹配系数大于或等于预设的用户显性反馈信息匹配系数阈值，则将该待匹配用户记为目标用户对应的指定用户，并统计电商平台内目标用户对应的各指定用户。
16.作为一种可选的实施方式，所述步骤三对应的具体步骤如下：
17.s31、提取电商平台数据存储库中储存的各兴趣标签对应的关联商品类型，并根据电商平台内目标用户对应的兴趣标签，筛选电商平台内目标用户对应兴趣标签的关联商品类型；
18.s32、获取电商平台内目标用户对应的隐性反馈信息，提取电商平台内目标用户对应浏览记录信息中各浏览商品的商品类型，筛选目标用户对应浏览记录信息中的关联商品数量，并获取目标用户对应浏览记录信息中各关联商品的属性信息，将目标用户对应浏览记录信息中关联商品数量和各关联商品的属性信息记为目标用户对应浏览记录信息中的关联商品信息；
19.s33、同理，筛选目标用户对应历史购物信息中的关联商品数量，并获取目标用户对应历史购物信息中各关联商品的属性信息，将目标用户对应历史购物信息中关联商品数量和各关联商品的属性信息记为目标用户对应历史购物信息中的关联商品信息。
20.作为一种可选的实施方式，所述步骤四对应的具体步骤如下：
21.s41、获取电商平台内各指定用户对应隐性反馈信息中的关联商品信息，提取电商平台内各指定用户对应隐性反馈信息中各关联商品的属性信息，对比统计电商平台内目标用户与各指定用户对应隐性反馈信息中相同关联商品数量，解析得到电商平台内目标用户与各指定用户的关联商品数量符合权重系数；
22.s42、根据电商平台内各指定用户对应隐性反馈信息中各关联商品的属性信息，解析得到电商平台内目标用户与各指定用户对应隐性反馈信息中的相同关联商品属性信息相似权重系数；
23.s43、提取电商平台内目标用户对应历史购物信息中各相同关联商品的评论信息和各指定用户对应历史购物信息中各相同关联商品的评论信息，解析得到电商平台内目标用户与各指定用户对应历史购物信息中的相同关联商品评论信息相似权重系数；
24.s44、综合分析电商平台内目标用户与各指定用户对应的隐性反馈信息匹配系数。
25.作为一种可选的实施方式，所述步骤s41对应的具体步骤包括：
26.根据电商平台内目标用户对应隐性反馈信息中的关联商品信息获得方式，得到电商平台内各指定用户对应隐性反馈信息中的关联商品信息；
27.提取电商平台内各指定用户对应浏览记录信息中各关联商品的属性信息，得到电商平台内各指定用户对应浏览记录信息中各关联商品的名称，并提取电商平台内目标用户对应浏览记录信息中各关联商品的名称，对比统计电商平台内目标用户与各指定用户对应浏览记录信息中名称相同的关联商品数量，记为目标用户与各指定用户对应浏览记录信息中相同关联商品数量，将其标记为z
j1
，j＝1,2,...,m，j表示为第j个指定用户的编号；同理，统计电商平台内目标用户与各指定用户对应历史购物信息中相同关联商品数量，将其标记为z
j2
；
28.分析电商平台内目标用户与各指定用户的关联商品数量符合权重系数其中δ1、δ2分别表示为用户浏览记录信息中关联商品符合影响因子和用户历史购物信息中关联商品符合影响因子，x1和x2分别表示为目标用户对应浏览记录信息和历史购物信息中关联商品数量，x
′
j1
和x
′
j2
分别表示为第 j个指定用户对应浏览记录信息和历史购物信息中关联商品数量。
29.作为一种可选的实施方式，所述步骤s42对应的具体步骤包括：
30.提取电商平台内目标用户对应浏览记录信息中各相同关联商品的属性信息，构成电商平台内目标用户对应浏览记录信息中各相同关联商品的属性信息集合pra＝{pra1,pra2,...,p
raf
,...,p
rag
}，p
raf
表示为电商平台内目标用户对应浏览记录信息中第r个相同关联商品的第f 种属性信息，r＝1,2,...,u，f＝1,2,...,g；
31.提取电商平台内各指定用户对应浏览记录信息中各相同关联商品的属性信息，构成电商平台内各指定用户对应浏览记录信息中各相同关联商品的属性信息集合q
jr
a＝{q
jr
a1,q
jr
a2,...,q
jraf
,...,q
jrag
}， q
jraf
表示为电商平台内第j个指定用户对应浏览记录信息中第r个相同关联商品的第f种属性信息；
32.通过相同关联商品属性信息相似权重系数解析公式得到电商平台内目标用户与各指定用户对应浏览记录信息中的相同关联商品属性信息相似权重系数
33.同理，提取电商平台内目标用户对应历史购物信息中各相同关联商品的属性信息和各指定用户对应历史购物信息中各相同关联商品的属性信息，解析得到电商平台内目标用户与各指定用户对应历史购物信息中的相同关联商品属性信息相似权重系数
34.作为一种可选的实施方式，所述步骤s43中对应的具体步骤包括：
35.提取电商平台内目标用户对应历史购物信息中各相同关联商品的评论信息，得到电商平台内目标用户对应历史购物信息中各相同关联商品的评价类型和评价星级，分析电商平台内目标用户对应历史购物信息中各相同关联商品的评价分值，将其标记为kr；
36.提取电商平台内各指定用户对应历史购物信息中各相同关联商品的评论信息，分析电商平台内各指定用户对应历史购物信息中各相同关联商品的评价分值，将其标记为k
′
jr
；
37.解析得到电商平台内目标用户与各指定用户对应历史购物信息中的相同关联商品评论信息相似权重系数其中σ表示为预设的商品评论信息相似权重修正因子，u表示为相同关联商品的总数量。
38.作为一种可选的实施方式，所述步骤s44中电商平台内目标用户与各指定用户对应的隐性反馈信息匹配系数分析公式为其中ψj表示为电商平台内目标用户与第j个指定用户对应的隐性反馈信息匹配系数，β1、β2分别表示为预设的商品数量符合偏正因子和商品信息相似偏正因子， e表示为自然常数。
39.作为一种可选的实施方式，所述步骤五中评估电商平台内目标用户与各指定用户的兴趣符合度指数，具体评估方式为：
40.根据电商平台内目标用户与各待匹配用户对应的显性反馈信息匹配系数，筛选电商平台内目标用户与各指定用户对应的显性反馈信息匹配系数θj；
41.将电商平台内目标用户与各指定用户对应的显性反馈信息匹配系数θj和隐性反馈信息匹配系数ψj代入兴趣符合度指数评估公式得到电商平台内目标用户与各指定用户的兴趣符合度指数τj，其中λ1和λ2分别表示为预设的显性反馈信息影响权重因子和隐性反馈信息影响权重因子。
42.相对于现有技术，本发明所述的一种基于电商大数据的用户兴趣分析方法具有以下有益效果：
43.本发明通过获取电商平台内目标用户对应的显性反馈信息，将电商平台内目标用户对应的显性反馈信息与各待匹配用户对应的显性反馈信息进行匹配，分析电商平台内目标用户与各待匹配用户对应的显性反馈信息匹配系数，并筛选电商平台内目标用户对应的各指定用户，从而能够有效区分用户之间的信息差异性，实现对用户的显性反馈信息进行多维度的精细化匹配，进而提高后期电商平台的用户推荐精准性和针对性，进一步满足电商平台用户的购物交友需求，增加电商平台用户的信任度和体验感。
44.本发明通过提取电商平台内目标用户和各指定用户对应隐性反馈信息中的关联商品信息，解析得到电商平台内目标用户与各指定用户对应的隐性反馈信息匹配系数，从而实现对用户的隐性反馈信息进行多维度的精细化匹配，为后期电商平台的交友推荐提供可靠的参考依据，并评估电商平台内目标用户与各指定用户的兴趣符合度指数，将按照兴趣符合度指数从大到小的顺序排序后的结果发送至目标用户，从而实现根据用户兴趣进行
针对性的交友推荐，提高电商平台用户的交友匹配度，进而使得电商平台用户在交互过程中能够拥有更多的共同话题，增加用户相互之间交流与分享的契机，进一步增加电商平台的商品推广度，保障电商平台收益。
附图说明
45.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
46.图1为本发明的方法流程示意图。
具体实施方式
47.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
48.请参阅图1所示，本发明提供一种基于电商大数据的用户兴趣分析方法，包括如下步骤：
49.步骤一、目标用户显性反馈信息获取：获取电商平台内目标用户对应的显性反馈信息，其中显性反馈信息包括基本信息和兴趣标签。
50.进一步地，所述电商平台内目标用户对应的基本信息包括但不限于：性别、年龄、行业和学历。
51.步骤二、目标用户显性反馈信息匹配：将电商平台内目标用户对应的显性反馈信息与各待匹配用户对应的显性反馈信息进行匹配，分析电商平台内目标用户与各待匹配用户对应的显性反馈信息匹配系数，并筛选电商平台内目标用户对应的各指定用户。
52.作为一种可选的实施方式，所述步骤二对应的具体步骤如下：
53.s21、从电商平台后台提取各待匹配用户对应的显性反馈信息，得到各待匹配用户对应的基本信息，将电商平台内目标用户对应的基本信息与各待匹配用户对应的基本信息进行匹配，得到电商平台内目标用户与各待匹配用户的基本信息匹配度，将其标记为φi，i＝1,2,...,n， i表示为第i个待匹配用户的编号；
54.s22、将电商平台内目标用户对应的兴趣标签与预设的各兴趣类型对应的各设定兴趣标签进行对比，筛选电商平台内目标用户对应兴趣标签的兴趣类型，并其记为目标用户对应的兴趣类型，并筛选电商平台内各待匹配用户对应的兴趣类型，将目标用户对应的兴趣类型与各待匹配用户对应的兴趣类型进行对比，统计目标用户与各待匹配用户的兴趣类型符合度，将其标记为αi；
55.s23、分析电商平台内目标用户与各待匹配用户对应的显性反馈信息匹配系数其中θi表示为电商平台内目标用户与第i个待匹配用户对应的显性反馈信息匹配系数，μ表示为预设的用户显性反馈信息匹配修正因子；
56.s24、将电商平台内目标用户与各待匹配用户对应的显性反馈信息匹配系数分别与预设的用户显性反馈信息匹配系数阈值进行对比，若目标用户与某待匹配用户对应的显性反馈信息匹配系数大于或等于预设的用户显性反馈信息匹配系数阈值，则将该待匹配用户记为目标用户对应的指定用户，并统计电商平台内目标用户对应的各指定用户。
57.需要说明的是，所述电商平台内目标用户与各待匹配用户的基本信息匹配度分析方式为：
58.将电商平台内目标用户对应基本信息中的性别与各待匹配用户对应基本信息中的性别进行匹配，若电商平台内目标用户对应基本信息中的性别与某待匹配用户对应基本信息中的性别相同，则将电商平台内目标用户与该待匹配用户的基本信息匹配分值记为1，反之，则将电商平台内目标用户与该待匹配用户的基本信息匹配分值记为0，同理，将电商平台内目标用户对应基本信息中的年龄、行业、学历分别与该待匹配用户对应基本信息中的年龄、行业、学历进行匹配，得到电商平台内目标用户与该待匹配用户的基本信息匹配分值，进而统计电商平台内目标用户与各待匹配用户的基本信息匹配分值xi，且 0≤xi≤5，并分析电商平台内目标用户与各待匹配用户的基本信息匹配度其中φ
预设
表示为预设的用户基本信息匹配度参考阈值。
59.需要说明的是，所述目标用户与各待匹配用户的兴趣类型符合度对比方式为：
60.将目标用户对应的兴趣类型与各待匹配用户对应的兴趣类型进行对比，若目标用户对应的兴趣类型与某待匹配用户对应的兴趣类型相同，则将目标用户与该待匹配用户的兴趣类型符合度记为α
′
，反之，则将目标用户与该待匹配用户的兴趣类型符合度记为0，统计目标用户与各待匹配用户的兴趣类型符合度αi，其中αi＝α
′
或0。
61.在本实施例中，本发明通过获取电商平台内目标用户对应的显性反馈信息，将电商平台内目标用户对应的显性反馈信息与各待匹配用户对应的显性反馈信息进行匹配，分析电商平台内目标用户与各待匹配用户对应的显性反馈信息匹配系数，并筛选电商平台内目标用户对应的各指定用户，从而能够有效区分用户之间的信息差异性，实现对用户的显性反馈信息进行多维度的精细化匹配，进而提高后期电商平台的用户推荐精准性和针对性，进一步满足电商平台用户的购物交友需求，增加电商平台用户的信任度和体验感。
62.步骤三、关联商品类型筛选：根据电商平台内目标用户对应的兴趣标签，筛选电商平台内目标用户对应兴趣标签的关联商品类型，进而提取电商平台内目标用户对应隐性反馈信息中的关联商品信息，其中隐性反馈信息包括浏览记录信息和历史购物信息。
63.作为一种可选的实施方式，所述步骤三对应的具体步骤如下：
64.s31、提取电商平台数据存储库中储存的各兴趣标签对应的关联商品类型，并根据电商平台内目标用户对应的兴趣标签，筛选电商平台内目标用户对应兴趣标签的关联商品类型；
65.s32、获取电商平台内目标用户对应的隐性反馈信息，提取电商平台内目标用户对应浏览记录信息中各浏览商品的商品类型，筛选目标用户对应浏览记录信息中的关联商品数量，并获取目标用户对应浏览记录信息中各关联商品的属性信息，将目标用户对应浏览记录信息中关联商品数量和各关联商品的属性信息记为目标用户对应浏览记录信息中的关联商品信息；
66.s33、同理，筛选目标用户对应历史购物信息中的关联商品数量，并获取目标用户对应历史购物信息中各关联商品的属性信息，将目标用户对应历史购物信息中关联商品数量和各关联商品的属性信息记为目标用户对应历史购物信息中的关联商品信息。
67.进一步地，上述中筛选目标用户对应浏览记录信息中的关联商品数量，具体筛选方式为：
68.将电商平台内目标用户对应浏览记录信息中各浏览商品的商品类型与其对应兴趣标签的关联商品类型进行对比，若电商平台内目标用户对应浏览记录信息中某浏览商品的商品类型与其对应兴趣标签的关联商品类型相同，则将电商平台内目标用户对应浏览记录信息中该浏览商品记为关联商品，统计电商平台内目标用户对应浏览记录信息中的关联商品数量。
69.步骤四、关联商品信息解析：对电商平台内目标用户对应隐性反馈信息中的关联商品信息进行解析，得到电商平台内目标用户与各指定用户对应的隐性反馈信息匹配系数。
70.作为一种可选的实施方式，所述步骤四对应的具体步骤如下：
71.s41、获取电商平台内各指定用户对应隐性反馈信息中的关联商品信息，提取电商平台内各指定用户对应隐性反馈信息中各关联商品的属性信息，对比统计电商平台内目标用户与各指定用户对应隐性反馈信息中相同关联商品数量，解析得到电商平台内目标用户与各指定用户的关联商品数量符合权重系数。
72.需要说明的是，所述步骤s41对应的具体步骤包括：
73.根据电商平台内目标用户对应隐性反馈信息中的关联商品信息获得方式，得到电商平台内各指定用户对应隐性反馈信息中的关联商品信息；
74.提取电商平台内各指定用户对应浏览记录信息中各关联商品的属性信息，得到电商平台内各指定用户对应浏览记录信息中各关联商品的名称，并提取电商平台内目标用户对应浏览记录信息中各关联商品的名称，对比统计电商平台内目标用户与各指定用户对应浏览记录信息中名称相同的关联商品数量，记为目标用户与各指定用户对应浏览记录信息中相同关联商品数量，将其标记为z
j1
，j＝1,2,...,m，j表示为第j个指定用户的编号；同理，统计电商平台内目标用户与各指定用户对应历史购物信息中相同关联商品数量，将其标记为z
j2
；
75.分析电商平台内目标用户与各指定用户的关联商品数量符合权重系数其中ξj表示为电商平台内目标用户与第j个指定用户的关联商品数量符合权重系数，δ1、δ2分别表示为用户浏览记录信息中关联商品符合影响因子和用户历史购物信息中关联商品符合影响因子，x1和x2分别表示为目标用户对应浏览记录信息和历史购物信息中关联商品数量，x
′
j1
和x
′
j2
分别表示为第j个指定用户对应浏览记录信息和历史购物信息中关联商品数量。
76.s42、根据电商平台内各指定用户对应隐性反馈信息中各关联商品的属性信息，解析得到电商平台内目标用户与各指定用户对应隐性反馈信息中的相同关联商品属性信息相似权重系数。
77.需要说明的是，所述步骤s42对应的具体步骤包括：
78.提取电商平台内目标用户对应浏览记录信息中各相同关联商品的属性信息，构成电商平台内目标用户对应浏览记录信息中各相同关联商品的属性信息集合pra＝{pra1,pra2,...,p
raf
,...,p
rag
}，p
raf
表示为电商平台内目标用户对应浏览记录信息中第r个相同关联商品的第f 种属性信息，r＝1,2,...,u，f＝1,2,...,g；
79.提取电商平台内各指定用户对应浏览记录信息中各相同关联商品的属性信息，构成电商平台内各指定用户对应浏览记录信息中各相同关联商品的属性信息集合q
jr
a＝{q
jr
a1,q
jr
a2,...,q
jraf
,...,q
jrag
}， q
jraf
表示为电商平台内第j个指定用户对应浏览记录信息中第r个相同关联商品的第f种属性信息；
80.通过相同关联商品属性信息相似权重系数解析公式得到电商平台内目标用户与各指定用户对应浏览记录信息中的相同关联商品属性信息相似权重系数
81.同理，提取电商平台内目标用户对应历史购物信息中各相同关联商品的属性信息和各指定用户对应历史购物信息中各相同关联商品的属性信息，解析得到电商平台内目标用户与各指定用户对应历史购物信息中的相同关联商品属性信息相似权重系数
82.进一步地，所述属性信息包括但不限于品牌、型号、规格、颜色和金额。
83.s43、提取电商平台内目标用户对应历史购物信息中各相同关联商品的评论信息和各指定用户对应历史购物信息中各相同关联商品的评论信息，解析得到电商平台内目标用户与各指定用户对应历史购物信息中的相同关联商品评论信息相似权重系数。
84.需要说明的是，所述步骤s43中对应的具体步骤包括：
85.提取电商平台内目标用户对应历史购物信息中各相同关联商品的评论信息，得到电商平台内目标用户对应历史购物信息中各相同关联商品的评价类型和评价星级，分析电商平台内目标用户对应历史购物信息中各相同关联商品的评价分值，将其标记为kr；
86.提取电商平台内各指定用户对应历史购物信息中各相同关联商品的评论信息，分析电商平台内各指定用户对应历史购物信息中各相同关联商品的评价分值，将其标记为k
′
jr
；
87.解析得到电商平台内目标用户与各指定用户对应历史购物信息中的相同关联商品评论信息相似权重系数其中σ表示为预设的商品评论信息相似权重修正因子，u表示为相同关联商品的总数量。
88.进一步地，所述评论类型包括好评、中评和差评；所述评价星级包括一星评价、二星评价、三星评价、四星评价和五星评价，其中五星评价＞四星评价＞三星评价＞二星评价＞一星评价。
89.进一步地，所述电商平台内目标用户对应历史购物信息中各相同关联商品的评价分值分析方式为：
90.根据预设的各评价星级对应的评价权重，筛选得到电商平台内目标用户对应历史购物信息中各相同关联商品的评价星级对应评价权重，将其标记为χr；
91.根据预设的各评论类型对应的初始评分，筛选得到电商平台内目标用户对应历史购物信息中各相同关联商品的评价类型对应初始评分，将其标记为wr；
92.分析电商平台内目标用户对应历史购物信息中各相同关联商品的评价分值其中e表示为自然常数。
93.s44、综合分析电商平台内目标用户与各指定用户对应的隐性反馈信息匹配系数。
94.需要说明的是，所述步骤s44中电商平台内目标用户与各指定用户对应的隐性反馈信息匹配系数分析公式为其中ψj表示为电商平台内目标用户与第j个指定用户对应的隐性反馈信息匹配系数，β1、β2分别表示为预设的商品数量符合偏正因子和商品信息相似偏正因子。
95.步骤五、用户兴趣符合度指数评估：评估电商平台内目标用户与各指定用户的兴趣符合度指数，并按照兴趣符合度指数从大到小的顺序依次进行排序，将排序结果发送至目标用户。
96.作为一种可选的实施方式，所述步骤五中评估电商平台内目标用户与各指定用户的兴趣符合度指数，具体评估方式为：
97.根据电商平台内目标用户与各待匹配用户对应的显性反馈信息匹配系数，筛选电商平台内目标用户与各指定用户对应的显性反馈信息匹配系数θj；
98.将电商平台内目标用户与各指定用户对应的显性反馈信息匹配系数θj和隐性反馈信息匹配系数ψj代入兴趣符合度指数评估公式得到电商平台内目标用户与各指定用户的兴趣符合度指数τj，其中λ1和λ2分别表示为预设的显性反馈信息影响权重因子和隐性反馈信息影响权重因子。
99.需要说明的是，所述将电商平台内目标用户与各指定用户的兴趣符合度指数按照兴趣符合度指数从大到小的顺序依次进行排序，得到电商平台内目标用户对应兴趣符合度排序后的各指定用户，并获取电商平台内排名前五的各指定用户对应联系方式，将其发送至目标用户。
100.在本实施例中，本发明通过提取电商平台内目标用户和各指定用户对应隐性反馈信息中的关联商品信息，解析得到电商平台内目标用户与各指定用户对应的隐性反馈信息匹配系数，从而实现对用户的隐性反馈信息进行多维度的精细化匹配，为后期电商平台的交友推荐提供可靠的参考依据，并评估电商平台内目标用户与各指定用户的兴趣符合度指数，将按照兴趣符合度指数从大到小的顺序排序后的结果发送至目标用户，从而实现根据用户兴趣进行针对性的交友推荐，提高电商平台用户的交友匹配度，进而使得电商平台用户在交互过程中能够拥有更多的共同话题，增加用户相互之间交流与分享的契机，进一步增加电商平台的商品推广度，保障电商平台收益。
101.以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。