一种智能终端导购系统及方法与流程

本发明涉及无人售货机技术领域，具体涉及一种智能终端导购系统及方法。

背景技术：

随着消费模式的转变，无人售货机越来越多的出现在人们的生活中。无人售货机能充分补充人力资源的不足，适应消费环境和消费模式的变化。无人售货机可以24小时全天候营业，投入资本少、面积小，其新颖的购物模式，方便快捷的购物方式吸引了大量具有好奇心和购物欲的年轻人。

但是现有的无人售货机无法精确定位用户的需求。用户购买的商品后，无法对用户的使用情况进行统计。有些商品是需要使用一段时间后定期进行更换的，现有的无人售货机无法对用户进行及时提醒。用户商品快使用完时，也做不到及时提请用户进行商品补充，使用起来不够方便。

技术实现要素：

有鉴于此，为了解决现有技术中的上述问题，本发明提出一种智能终端导购系统及方法。

本发明通过以下技术手段解决上述问题：

一方面，本发明提供一种智能终端导购系统，包括：

支付识别模块，用于通过用户购买商品的支付识别用户信息；

信息采集模块，用于根据用户信息获取用户每次在商场购物平台的购物记录和消费清单；

信息分析模块，用于对用户的购物习惯进行分析，统计用户的商品消耗周期，本次购买的商品距离下次购买同类商品的时长；根据收集的用户信息，做出用户的消费画像；获取商城或者实体店的购物优惠信息，自动判断优惠信息与用户购物清单的匹配度；

商品推荐模块，用于根据用户以往的商品使用时长，以及商品消耗周期，到达对应的时间点时生成用户需求商品单推荐给用户；根据用户的消费画像，将类似画像用户购买的商品推荐给用户；根据优惠信息与用户购物清单的匹配度，当优惠匹配上用户的购物习惯时生成推荐购物清单及优惠信息推荐给用户。

进一步地，所述支付识别模块包括：

摄像头，用于获取用户的图像，并将图像信息发送给微信刷脸支付单元；

微信刷脸支付单元，用于接收图像信息，通过图像信息进行用户购买商品的刷脸支付，并识别用户信息。

进一步地，所述用户信息包括用户个人信息及用户商品购买记录。

进一步地，所述信息分析模块包括：

购物周期分析单元，用于对用户的购物习惯进行分析，统计用户的商品消耗周期，本次购买的商品距离下次购买同类商品的时长；

用户画像分析单元，用于根据收集的用户信息，做出用户的消费画像；

优惠信息分析单元，用于获取商城或者实体店的购物优惠信息，自动判断优惠信息与用户购物清单的匹配度。

进一步地，所述商品推荐模块包括：

周期商品推荐单元，用于根据用户以往的商品使用时长，以及商品消耗周期，到达对应的时间点时生成用户需求商品单推荐给用户；

类似商品推荐单元，用于根据用户的消费画像，将类似画像用户购买的商品推荐给用户；

优惠商品推荐单元，用于根据优惠信息与用户购物清单的匹配度，当优惠匹配上用户的购物习惯时生成推荐购物清单及优惠信息推荐给用户。

进一步地，所述商品推荐模块的推荐方法具体为：

在基于内容推荐的基础上做了协同过滤的推荐，首先计算用户对商品的偏好，形成u-v矩阵，u为用户矩阵，v为相似矩阵，然后根据用户属性计算u-u与v-v的相似度和根据用户对商品的偏好计算u与v的相似度，使用计算相似度的方法分别为曼哈顿距离、pearson相关系数；

曼哈顿距离表示两个n维向量a(x11,x11,…x1n)与b(x21,x21,…x2n)在标准坐标系上的绝对轴距之和：

其中，k为第几个纬度，得出所有向量的值后，最小的值为相似度最高；

pearson相关系数来衡量两个变量x，y之间的线性相关性，pearson：-1～1；

-1：完全负相关；1：完全正相关；0：不相关，其计算公式为：

其中e为数学期望，n表示变量的取值个数。

另一方面，本发明还提供一种智能终端导购方法，包括如下步骤：

通过用户购买商品的支付识别用户信息；

根据用户信息获取用户每次在商场购物平台的购物记录和消费清单；

对用户的购物习惯进行分析，统计用户的商品消耗周期，本次购买的商品距离下次购买同类商品的时长；根据收集的用户信息，做出用户的消费画像；获取商城或者实体店的购物优惠信息，自动判断优惠信息与用户购物清单的匹配度；

根据用户以往的商品使用时长，以及商品消耗周期，到达对应的时间点时生成用户需求商品单推荐给用户；根据用户的消费画像，将类似画像用户购买的商品推荐给用户；根据优惠信息与用户购物清单的匹配度，当优惠匹配上用户的购物习惯时生成推荐购物清单及优惠信息推荐给用户。

进一步地，通过用户购买商品的支付识别用户信息具体包括：

获取用户的图像；

通过图像信息进行用户购买商品的刷脸支付，并识别用户信息。

进一步地，所述用户信息包括用户个人信息及用户商品购买记录。

进一步地，推荐方法具体为：

在基于内容推荐的基础上做了协同过滤的推荐，首先计算用户对商品的偏好，形成u-v矩阵，u为用户矩阵，v为相似矩阵，然后根据用户属性计算u-u与v-v的相似度和根据用户对商品的偏好计算u与v的相似度，使用计算相似度的方法分别为曼哈顿距离、pearson相关系数；

曼哈顿距离表示两个n维向量a(x11,x11,…x1n)与b(x21,x21,…x2n)在标准坐标系上的绝对轴距之和：

其中，k是第几个纬度，得出所有向量的值后，最小的值为相似度最高；

pearson相关系数来衡量两个变量x，y之间的线性相关性，pearson：-1～1；

-1：完全负相关；1：完全正相关；0：不相关，其计算公式为：

其中e为数学期望，n表示变量的取值个数。

与现有技术相比，本发明的有益效果至少包括：

本发明通过智能的导购分析，给每个用户不同的购物推荐，让购物流程更加贴近用户的使用习惯，并且使用智能系统的测算辅助，提前提醒用户补充购买商品，提高用户的购物体验感。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中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。

图1是本发明智能终端导购系统的结构示意图；

图2是本发明支付识别模块的时序图；

图3是本发明智能终端导购方法的流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

如图1所示，本发明提供一种智能终端导购系统，包括支付识别模块、信息采集模块、信息分析模块以及商品推荐模块；

所述支付识别模块用于通过用户购买商品的支付识别用户信息；所述用户信息包括用户个人信息及用户商品购买记录；

所述信息采集模块用于根据用户信息获取用户每次在商场购物平台的购物记录和消费清单；

所述信息分析模块用于对用户的购物习惯进行分析，统计用户的商品消耗周期，本次购买的商品距离下次购买同类商品的时长；根据收集的用户信息，做出用户的消费画像；获取商城或者实体店的购物优惠信息，自动判断优惠信息与用户购物清单的匹配度；

所述商品推荐模块用于根据用户以往的商品使用时长，以及商品消耗周期，到达对应的时间点时生成用户需求商品单推荐给用户；根据用户的消费画像，将类似画像用户购买的商品推荐给用户；根据优惠信息与用户购物清单的匹配度，当优惠匹配上用户的购物习惯时生成推荐购物清单及优惠信息推荐给用户。

如图2所示，所述支付识别模块包括摄像头和微信刷脸支付单元；

所述摄像头用于获取用户的图像，并将图像信息发送给微信刷脸支付单元；

所述微信刷脸支付单元用于接收图像信息，通过图像信息进行用户购买商品的刷脸支付，并识别用户信息。

具体地，所述信息分析模块包括购物周期分析单元、用户画像分析单元、以及优惠信息分析单元；

所述购物周期分析单元用于对用户的购物习惯进行分析，统计用户的商品消耗周期，本次购买的商品距离下次购买同类商品的时长；

所述用户画像分析单元用于根据收集的用户信息，做出用户的消费画像；

所述优惠信息分析单元用于获取商城或者实体店的购物优惠信息，自动判断优惠信息与用户购物清单的匹配度。

具体地，所述商品推荐模块包括周期商品推荐单元、类似商品推荐单元以及优惠商品推荐单元；

所述周期商品推荐单元用于根据用户以往的商品使用时长，以及商品消耗周期，到达对应的时间点时生成用户需求商品单推荐给用户；

所述类似商品推荐单元用于根据用户的消费画像，将类似画像用户购买的商品推荐给用户；

所述优惠商品推荐单元用于根据优惠信息与用户购物清单的匹配度，当优惠匹配上用户的购物习惯时生成推荐购物清单及优惠信息推荐给用户。

实施例2

本实施例在实施例1的基础上，所述商品推荐模块的推荐方法具体为：

在基于内容推荐的基础上做了协同过滤的推荐，首先计算用户对商品的偏好，形成u-v矩阵，u为用户矩阵，v为相似矩阵，然后根据用户属性计算u-u与v-v的相似度和根据用户对商品的偏好计算u与v的相似度，使用计算相似度的方法分别为曼哈顿距离、pearson相关系数；

曼哈顿距离表示两个n维向量a(x11,x11,…x1n)与b(x21,x21,…x2n)在标准坐标系上的绝对轴距之和：

其中，k为第几个纬度，得出所有向量的值后，最小的值为相似度最高；

pearson相关系数来衡量两个变量x，y之间的线性相关性，pearson：-1～1；

-1：完全负相关；1：完全正相关；0：不相关，其计算公式为：

其中e为数学期望，n表示变量的取值个数。

实施例3

如图3所示，本发明还提供一种智能终端导购方法，包括如下步骤：

s1、通过用户购买商品的支付识别用户信息；所述用户信息包括用户个人信息及用户商品购买记录；

s2、根据用户信息获取用户每次在商场购物平台的购物记录和消费清单；

s3、对用户的购物习惯进行分析，统计用户的商品消耗周期，本次购买的商品距离下次购买同类商品的时长；根据收集的用户信息，做出用户的消费画像；获取商城或者实体店的购物优惠信息，自动判断优惠信息与用户购物清单的匹配度；

s4、根据用户以往的商品使用时长，以及商品消耗周期，到达对应的时间点时生成用户需求商品单推荐给用户；根据用户的消费画像，将类似画像用户购买的商品推荐给用户；根据优惠信息与用户购物清单的匹配度，当优惠匹配上用户的购物习惯时生成推荐购物清单及优惠信息推荐给用户。

具体地，步骤s1具体包括：

s11、获取用户的图像；

s12、通过图像信息进行用户购买商品的刷脸支付，并识别用户信息。

实施例4

本实施例在实施例3的基础上，推荐方法具体为：

在基于内容推荐的基础上做了协同过滤的推荐，首先计算用户对商品的偏好，形成u-v矩阵，u为用户矩阵，v为相似矩阵，然后根据用户属性计算u-u与v-v的相似度和根据用户对商品的偏好计算u与v的相似度，使用计算相似度的方法分别为曼哈顿距离、pearson相关系数；

曼哈顿距离表示两个n维向量a(x11,x11,…x1n)与b(x21,x21,…x2n)在标准坐标系上的绝对轴距之和：

其中，k为第几个纬度，得出所有向量的值后，最小的值为相似度最高；

pearson相关系数来衡量两个变量x，y之间的线性相关性，pearson：-1～1；

-1：完全负相关；1：完全正相关；0：不相关，其计算公式为：

其中e为数学期望，n表示变量的取值个数。

本发明通过智能的导购分析，给每个用户不同的购物推荐，让购物流程更加贴近用户的使用习惯，并且使用智能系统的测算辅助，提前提醒用户补充购买商品，提高用户的购物体验感。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。