新用户的商品个性化推荐方法及系统的制作方法
【技术领域】
[0001]本发明涉及数据处理技术领域，特别涉及一种新用户的商品个性化推荐方法及系统。
【背景技术】
[0002]现有的推荐模型针对老客，模型预测目标为销售额，根据老客的购买点击收藏历史，给不同的用户推荐他们感兴趣的商品。即现有推荐模型针对老客，用历史加实时数据对模型进行训练，其中训练数据的预测目标是销售额，即目标是最大化销售额。模型训练结果输出各商品的销售额，根据销售额，输出商品排序，为用户达到个性化推荐的目的。
[0003]现有的商品推荐模型针对老用户，模型预测目标为销售额，根据老用户的购买点击收藏历史行为，给不同的用户推荐他们感兴趣的商品，缺点是过分依赖老用户的历史行为且是以销售额为预测目标，对用户群体中的绝大部分老用户可以起到精准推荐的作用，可是对于没有历史行为的新客，通过现有的商品推荐模式进行商品推荐，推荐精度不高，要提升新客数量和销售量就比较困难。
【发明内容】
[0004]基于此，有必要针对推荐精度不高的问题，提供一种提高推荐精度的新用户的商品个性化推荐方法及系统。
[0005]一种新用户的商品个性化推荐方法，包括如下步骤:
[0006]获取历史商品数据，根据所述历史商品数据，记录所述历史商品数据的历史商品的属性特征以及历史商品的销售量；
[0007]根据所述历史商品的属性特征以及所述历史商品的销售量，获得商品属性特征与商品的销售量之间的对应关系；
[0008]获取待推荐商品的属性特征；
[0009]根据所述待推荐商品的属性特征以及商品属性特征与商品的销售量之间的所述对应关系，预测待推荐商品的销售量；
[0010]根据所述待推荐商品的销售量，对所述待推荐商品进行排序；
[0011]根据所述待推荐商品的排序结果，为新用户推荐商品。
[0012]本发明还提供一种新用户的商品个性化推荐系统，包括:
[0013]第一获取模块，用于获取历史商品数据，根据所述历史商品数据，记录所述历史商品数据的历史商品的属性特征以及历史商品的销售量；
[0014]第二获取模块，用于根据所述历史商品的属性特征以及所述历史商品的销售量，获得商品属性特征与商品的销售量之间的对应关系；
[0015]第三获取模块，用于获取待推荐商品的属性特征；
[0016]预测模块，用于根据所述待推荐商品的属性特征以及商品属性特征与商品的销售量之间的所述对应关系，预测待推荐商品的销售量；
[0017]第一排序模块，用于根据所述待推荐商品的销售量，对所述待推荐商品进行排序;
[0018]推荐模块，用于根据所述待推荐商品的排序结果，为新用户推荐商品。
[0019]上述新用户的商品个性化推荐方法及系统，针对新用户没有对应的购买商品的属性特征，通过根据历史商品的属性特征，以商品的销售量作为预测目标，获取商品属性特征与商品的销售量之间的对应关系，根据推荐商品属性特征，通过商品属性特征与商品的销售量之间的对应关系对待推荐商品的销售量进行预测，并根据待推荐商品的销售量，对待推荐商品进行排序，根据排序结果进行个性化推荐。通过将预测目标设定为销售量，考虑的是有多少新用户进行购买而不是新用户贡献了多少销售额，对于占网页访问量大多数的新用户，这样设定预测目标的动机更明确，可进行精确的推荐，达到更好的推荐效果。
【附图说明】
[0020]图1为一实施方式的新用户的商品个性化推荐方法的流程图；
[0021]图2为另一实施方式的新用户的商品个性化推荐方法的子流程图；
[0022]图3为另一实施方式的新用户的商品个性化推荐方法的子流程图；
[0023]图4为一实施方式的新用户的商品个性化推荐系统的模块图；
[0024]图5为另一实施方式的新用户的商品个性化推荐系统的子模块图；
[0025]图6为另一实施方式的新用户的商品个性化推荐系统的子模块图。
【具体实施方式】
[0026]请参阅图1，提供一种实施方式的新用户的商品个性化推荐方法，包括以下步骤:
[0027]SlOO:获取历史商品数据，根据历史商品数据，记录历史商品数据的历史商品的属性特征以及历史商品的销售量。
[0028]用户访问网页进行商品购买行为，会产生购买的商品的相关数据，从而产生历史商品数据，根据历史商品数据，对历史商品的属性特征以及销售量进行记录，获取历史商品的属性特征以及销售量，以备后续查询和使用。
[0029]S200:根据历史商品的属性特征以及历史商品的销售量，获得商品属性特征与商品的销售量之间的对应关系。
[0030]在为新用户进行商品推荐时，由于新用户没有购买记录，没有购买商品的属性特征，从而根据已经记录的历史商品的属性特征以及历史商品的销售量，以获得商品属性特征与商品的销售量之间的对应关系，后续根据商品的属性特征以及商品属性特征与商品的销售量之间的对应关系，即可预知该商品的销售量。
[0031]在实际应用中，根据记录的历史商品的属性特征以及历史商品的销售量，获得商品属性特征与商品的销售量之间的对应关系的过程可视为对商品个性化推荐模型的训练过程，商品个性化推荐模型的输入为历史商品的属性特征，预测输出为历史商品的销售量，对商品个性化推荐模型的训练的过程即是对模型参数不断修正的过程，使商品的预测销售量不断接近商品的实际销售量。
[0032]S300:获取待推荐商品的属性特征。
[0033]在获得商品属性特征与商品的销售量之间的对应关系之后，即对商品个性化推荐模型训练完成后，需对待推荐商品的销售量进行预测，根据预测的销售量来决定给用户推荐哪种商品，从而需要获取待推荐商品的属性特征。
[0034]S400:根据待推荐商品的属性特征以及商品属性特征与商品的销售量之间的对应关系，预测待推荐商品的销售量。
[0035]在获得商品属性特征与商品的销售量之间的对应关系以及获取待推荐商品属性特征后，可以预测待推荐商品的销售量。即可视为对商品个性化推荐模型训练后，将待推荐商品的属性特征输入至训练后的商品个性化推荐模型，预测待推荐商品的销售量。
[0036]S500:根据待推荐商品的销售量，对待推荐商品进行排序。
[0037]根据商品属性特征与商品的销售量之间的对应关系对待推荐商品的销售量进行预测，得到待推荐商品的销售量，根据待推荐商品的销售量，对待推荐商品进行排序。在本实施例中，待对推荐商品的销售量越高，待推荐商品排序越靠前，表示该待推荐商品的权重越高，也说明越有可能推荐给用户。具体地，由于根据商品属性特征与商品的销售量之间的对应关系得到的待推荐商品的预测结果的数据量比较大，在进行待推荐商品的销售量数据传输时，可对其进行二进制化压缩处理，缩减数据量，减小存储空间。
[0038]S600:根据待推荐商品的排序结果，为新用户推荐商品。
[0039]对待推荐商品的排序结束后，根据排序结果进行商品个性化推荐。在本实施例中，商品的排序结果越靠前，为新用户推荐该商品的可能性越大，为新用户推荐排序结果为前预设值内的商品。例如，预设值为100，则为新用户个性化推荐排序结果为前100的商品。
[0040]根据调研，网页访问者中大多数是新用户，且市场关键绩效指标中主要考虑新增用户，也就是说，主要需要考虑的是有多少新用户，即商品能有多少人买，而不是考虑新客户贡献了多少销售额，从而将预测目标设为销售量，而不是现有推荐模型中的销售额。
[0041]上述提出的新用户的商品个性化推荐方法，针对新用户没有购买商品，即没有对应的历史商品的属性特征，通过根据记录的历史商品属性特征，以商品的销售量作为预测目标，获得商品属性特征与商品的销售量之间的对应关系，再根据待推荐商品属性特征，通过获得的商品属性特征与商品的销售量之间的对应关系对待推荐商品的销售量进行预测，并根据待推荐商品的销售量，对待推荐商品进行排序，根据排序结果进行个性化推荐。通过将预测目标设定为销售量，考虑的是有多少新用户进行购买而不是新用户贡献了多少销售额，对于占网页访问量大多数的新用户，这样设定预测目标的动机更明确，可进行精确的推荐，达到更好的推荐效果。通过实际测试，相较于利用现有的推荐模