本發(fā)明涉及智能冰箱
技術領域:
,更為具體來說,本發(fā)明是一種基于用戶行為的個性化商品推薦方法及裝置。
背景技術:
:隨著冰箱顯示屏越來越大,許多廠商開始在冰箱顯示屏上向用戶推薦商品。傳統(tǒng)的推薦方法有些是盲目推薦,推薦效果很差;傳統(tǒng)的推薦方法有些是依靠待推薦用戶對待推薦產品上大量的行為或者操作而得到相應產品的推薦結果,但是,對于新上線的產品,傳統(tǒng)的推薦方法則無法根據用戶個人的喜好進行推薦,如果勉強推薦,可能會造成用戶的反感,進而導致用戶體驗非常差。因此,如何能夠針對新上線的產品進行合理推薦、如何提高商品推薦時的用戶體驗,成為了本領域技術人員亟待解決的技術問題和始終研究的重點。技術實現要素:為解決現有技術無法對新上線的產品進行合理推薦、用戶體驗較差等問題,本發(fā)明公開了一種基于用戶行為的個性化商品推薦方法及裝置,從用戶喜好度相似的角度為用戶進行合理推薦,提高用戶體驗。為實現上述技術目的,本發(fā)明公開了一種基于用戶行為的個性化商品推薦方法,該推薦方法包括如下步驟,步驟1,收集用戶對商品的行為;步驟2,根據用戶對商品的行為,獲取用戶對商品的評分;步驟3,根據用戶對商品的評分或用戶畫像分析,計算待推薦用戶與其他用戶的喜好近似度,判斷出與待推薦用戶喜好近似度最大的關聯(lián)用戶;步驟4,合并待推薦用戶喜好的商品和關聯(lián)用戶喜好的商品,將合并后的部分或全部商品推薦給待推薦用戶。本發(fā)明創(chuàng)新地利用其他用戶喜好為待推薦用戶推薦商品,通過喜好近似度的方式判讀待推薦用戶的喜好,進而將相應的產品推薦給用戶,解決了傳統(tǒng)方式必須依靠待推薦用戶的使用數據才能進行推薦的問題,解決了剛上線的產品無法推薦或盲目推薦的問題。進一步地,步驟2中,將所述行為拆分為不同的動作,賦予每個動作預設的權重值,用戶對一商品的權重和為用戶對該商品的評分。本發(fā)明提供了一種合理的用戶對商品評分的方法,將用戶對商品行為均考慮在內,從而全方位、準確地得出用戶對商品的喜好程度,為后期判斷喜好度近似的不同用戶做了充足的準備。進一步地,步驟3中,構建用戶-商品的矩陣,矩陣元素為用戶對商品的評分;基于上述矩陣,利用曼哈頓距離計算的方法計算其他用戶與待推薦用戶的喜好近似度。本發(fā)明將評分作為用戶-商品的矩陣元素,創(chuàng)新地采用曼哈頓公式來判定用戶間的距離,進而得出用戶間喜好近似度。進一步地,步驟3中,與待推薦用戶間曼哈頓距離越短的用戶,與待推薦用戶間的喜好近似度越大。進一步地,步驟3中,通過構建距離關系圖的方式判斷與待推薦用戶喜好近似度最大的關聯(lián)用戶。進一步地,步驟4中,可將評分較高的產品推薦給待推薦用戶,按照評分由高到低的順序依次將合并后的部分或全部商品推薦給待推薦用戶。進一步地,步驟4中,根據用戶對商品的評分或用戶畫像分析得到待推薦用戶喜好的商品和關聯(lián)用戶喜好的商品。進一步地,步驟1中,所述用戶對商品的行為包括購買行為、飲食行為、烹飪行為中至少一種。進一步地,步驟1,用戶在冰箱和/或手機上對商品進行上述行為。進一步地,步驟2中,用戶對商品的評分越高,表明用戶對商品的喜好度越大。進一步地,步驟3中,所述用戶畫像依據標簽系統(tǒng)統(tǒng)計用戶數據。本發(fā)明的另一個發(fā)明目的在于提供一種基于用戶行為的個性化商品推薦裝置,該推薦裝置包括依次連接的收集模塊、獲取模塊、判斷模塊及推薦模塊,所述獲取模塊還與推薦模塊連接;所述收集模塊用于收集用戶對商品的行為;所述獲取模塊根據用戶對商品的行為,獲取用戶對商品的評分;所述判斷模塊根據用戶對商品的評分或用戶畫像分析,計算待推薦用戶與其他用戶的喜好近似度,判斷出與待推薦用戶喜好近似度最大的關聯(lián)用戶;所述推薦模塊合并待推薦用戶喜好的商品和關聯(lián)用戶喜好的商品,將合并后的部分或全部商品推薦給待推薦用戶。本發(fā)明創(chuàng)新地利用其他用戶喜好為待推薦用戶推薦商品,通過喜好近似度的方式判讀待推薦用戶的喜好,進而將相應的產品推薦給用戶,解決了傳統(tǒng)方式必須依靠待推薦用戶的使用數據才能進行推薦的問題,解決了剛上線的產品無法推薦或盲目推薦的問題。進一步地,所述獲取模塊包括依次連接的拆分單元、賦值單元、第一計算單元,所述拆分單元將所述行為拆分為不同的動作,所述賦值單元賦予每個動作預設的權重值,所述第一計算單元用于計算商品的權重和。本發(fā)明提供了一種合理的用戶對商品評分的裝置,將用戶對商品行為均考慮在內,從而全方位、準確地得出用戶對商品的喜好程度,為后期判斷喜好度近似的不同用戶做了充足的準備。進一步地,所述判斷模塊包括相互連接的構建單元和第二計算單元,所述構建單元用于構建用戶-商品的矩陣,矩陣元素為用戶對商品的評分,所述第二計算單元利用曼哈頓距離計算的方法計算其他用戶與待推薦用戶的喜好近似度。本發(fā)明將評分作為用戶-商品的矩陣元素,創(chuàng)新地采用曼哈頓公式來判定用戶間的距離,進而得出用戶間喜好近似度。進一步地,所述推薦模塊包括排序單元,將合并后的商品按照評分由高到低的順序排序。進一步地,所述收集模塊設置于冰箱和/或手機上。本發(fā)明的有益效果為:在產品剛上線具有較少用戶行為數據集的情況下,本發(fā)明能夠較全面地提供個性化的推薦結果;本發(fā)明具有推薦效果好、推薦準確度高、用戶體驗較好等優(yōu)點。附圖說明圖1為基于用戶行為的個性化商品推薦方法流程示意圖。圖2為基于用戶行為的個性化商品推薦裝置組成示意圖。圖3為實施例一中基于用戶行為的個性化商品推薦流程。具體實施方式下面結合說明書附圖對本發(fā)明基于用戶行為的個性化商品推薦方法及裝置進行詳細的解釋和說明。實施例一:如圖1、3、2所示,一種基于用戶行為的個性化商品推薦方法,該推薦方法包括如下步驟,步驟1,收集用戶對商品的行為,具體地,本發(fā)明用戶對商品的行為可包括購買行為、飲食行為、烹飪行為中至少一種。本發(fā)明中,用戶可在冰箱和/或手機等設備上對商品進行上述行為,比如,本發(fā)明通過收集用戶在冰箱大屏和手機應用上的購買行為、飲食行為及烹飪行為。需要說明的是,本發(fā)明中涉及的“和/或”應理解為“和”、“或”兩種并列的意思,比如,“冰箱和/或手機”表示“冰箱”、“手機”、“冰箱”和“手機”三種意思。步驟2,根據用戶對商品的行為,獲取用戶對商品的評分,本實施例中,用戶對商品的評分越高,表明用戶對商品的喜好度越大。本發(fā)明中,提供了一種權重計分方式,將用戶對商品的行為拆分為不同的動作,賦予每個動作預設的權重值或權重分數,權重值或權重分數的大小表明該動作的重要性,用戶對一商品的權重和為用戶對該商品的評分;用戶每發(fā)生一次動作,該動作對應的商品評分都會加上相應的權重值,比如,通過每天增量的方式累加權重、進而計算出用戶對商品的喜好度。如果權重值或權重分數越大,則對應動作的重要性越大。需要說明的是,針對不同的情況,本發(fā)明的權重值可根據需要而進行動態(tài)調整。步驟3,根據用戶對商品的評分,構建用戶-商品的矩陣,矩陣元素為用戶對商品的評分,本發(fā)明通過構建用戶-商品的矩陣圖,計算出用戶間的相似距離,找到興趣度相似的用戶關系圖?;谏鲜鼍仃嚕寐D距離計算的方法計算其他用戶與待推薦用戶的喜好近似度,本實施例中,與待推薦用戶間曼哈頓距離越短的用戶,與待推薦用戶間的喜好近似度越大,選出距離待推薦用戶最短的用戶作為關聯(lián)用戶,從而判斷出與待推薦用戶喜好近似度最大的關聯(lián)用戶;而且,使用曼哈頓距離公式計算后,本發(fā)明可通過構建距離關系圖的方式判斷與待推薦用戶喜好近似度最大的關聯(lián)用戶。步驟4,根據用戶對商品的評分得到待推薦用戶喜好的商品和關聯(lián)用戶喜好的商品,合并待推薦用戶喜好的商品和關聯(lián)用戶喜好的商品,將合并后的部分或全部商品推薦給待推薦用戶,比如,將合并后評分最高的n個商品推薦給待推薦用戶A,其中n不大于合并后的全部商品個數。為實現更有針對性地推薦,按照評分由高到低的順序依次將合并后的部分或全部商品推薦給待推薦用戶。當然,本步驟也可通過用戶畫像分析得到待推薦用戶喜好的商品和關聯(lián)用戶喜好的商品。如圖2、3、1所示,本發(fā)明還公開了一種基于用戶行為的個性化商品推薦裝置,該推薦裝置包括依次連接的收集模塊、獲取模塊、判斷模塊及推薦模塊,獲取模塊還與推薦模塊連接。收集模塊用于收集用戶對商品的行為。本實施例中,收集模塊設置于冰箱和/或手機上,用戶對商品的行為包括購買行為、飲食行為、烹飪行為中至少一種。獲取模塊根據用戶對商品的行為,獲取用戶對商品的評分。本發(fā)明中,獲取模塊包括依次連接的拆分單元、賦值單元、第一計算單元,拆分單元將行為拆分為不同的動作,賦值單元賦予每個動作預設的權重值,第一計算單元用于計算商品的權重和,用戶對一商品的權重和為用戶對該商品的評分,用戶對商品的評分越高,表明用戶對商品的喜好度越大。判斷模塊根據用戶對商品的評分或用戶畫像分析,計算待推薦用戶與其他用戶的喜好近似度,判斷出與待推薦用戶喜好近似度最大的關聯(lián)用戶。本發(fā)明中,判斷模塊包括相互連接的構建單元和第二計算單元,構建單元用于構建用戶-商品的矩陣,矩陣元素為用戶對商品的評分,第二計算單元利用曼哈頓距離計算的方法計算其他用戶與待推薦用戶的喜好近似度。本發(fā)明中,與待推薦用戶間曼哈頓距離越短的用戶,與待推薦用戶間的喜好近似度越大。本實施例中,通過構建距離關系圖的方式判斷與待推薦用戶喜好近似度最大的關聯(lián)用戶。推薦模塊合并待推薦用戶喜好的商品和關聯(lián)用戶喜好的商品,將合并后的部分或全部商品推薦給待推薦用戶。本發(fā)明中,推薦模塊包括排序單元,將合并后的商品按照評分由高到低的順序排序。如圖3、1、2所示,本發(fā)明可按照如下的方式實施:(一)對商品的行為分類并權重計算本實施例中,首先將用戶行為分為三個大類:購買行為,飲食行為和烹飪行為。其中,購買行為是指用戶在手機應用和冰箱大屏上的購買行為;飲食行為是指用戶將食材放入和拿出冰箱,拿出冰箱表示用戶將食材吃掉;烹飪行為是指用戶通過手機應用或者冰箱大屏查看菜譜的行為,權重是指菜譜主食材所對應商品的權重,例如用戶瀏覽【紅燒排骨】菜譜,紅燒排骨的主食材商品為【豬排骨】,因此,增加該用戶【豬排骨】這個商品的評分。用戶行為動作和權重值如上表,但不局限于下表所描述,權重值可動態(tài)調整。根據上表中描述的行為動作和權重,我們就可以計算某用戶對應的某商品的得分,計算方法如下:當用戶A每發(fā)生一次購買、飲食或烹飪行為時,先提取出這個行為動作所對應的食材商品,再根據行為動作的權重值為對應的商品增加或者減少評分。(二)建立用戶-商品的評分矩陣根據上述表格中描述的行為動作分類和評分計算方法,建立如下表中的【用戶與商品評分稀疏矩陣】,矩陣中的評分值是根據不同的行為累計計算的結果,結果值會動態(tài)變化。商品1商品2商品3商品4用戶A0.10.200.05用戶B000.10.02用戶C0.0200.30用戶D0.10.20.050.1用戶E0.300.020.05用戶F0000.1(三)計算出用戶相似距離曼哈頓距離是計算兩個n維向量a(x11,x12,…,x1n)與b(x21,x22,…,x2n)在標準坐標系上的絕對軸距總和,也即最短距離;曼哈頓距離公式如下:其中,dij表示兩個向量之間的距離,xik標示a(xi1,xi2,…,xin)向量,xjk表示b(xj1,xj2,…,xjn)向量。以用戶A為例,計算出用戶A分別于用戶B,C,D,E,F的距離如下:用戶A與用戶B距離:0.43000000000000005;用戶A與用戶C距離:0.33;用戶A與用戶D距離:0.41;用戶A與用戶E距離:0.42000000000000004;用戶A與用戶F距離:0.35000000000000003。(四)計算出用戶相似距離通過上述計算說明,用戶A與用戶C之間的距離最短,他們的愛好更接近,我們可以將用戶A和用戶C喜好的商品合并,按照評分大小將商品推薦給用戶A,推薦數量由系統(tǒng)設置,如下表加粗標識,推薦3個商品給用戶A。商品1商品2商品3商品4用戶A0.10.200.05用戶B000.10.02用戶C0.0200.30用戶D0.10.20.050.1用戶E0.300.020.05用戶F0000.1實施例二:本實施例與實施例一基本相同,其區(qū)別在于:本實施例基于用戶行為的個性化商品推薦方法僅包括如下步驟,步驟3,根據用戶畫像分析用戶對商品的評價,本實施例中,用戶畫像依據標簽系統(tǒng)統(tǒng)計用戶數據,計算待推薦用戶與其他用戶的喜好近似度,判斷出與待推薦用戶喜好近似度最大的關聯(lián)用戶;步驟4,根據用戶畫像分析得到待推薦用戶喜好的商品和關聯(lián)用戶喜好的商品,合并待推薦用戶喜好的商品和關聯(lián)用戶喜好的商品,將合并后的部分或全部商品推薦給待推薦用戶。當然,本實施例也可通過用戶對商品的評分得到待推薦用戶喜好的商品和關聯(lián)用戶喜好的商品。在某些情況下,通過用戶對商品評分僅能籠統(tǒng)極端體現出一個用戶對某種商品的評價,不能全方位體現出一個用戶對商品的定位,因此,本實施例中通過用戶畫像的分析用戶對商品的評價,需要通過獲取用戶多維度數據構建用戶畫像,本發(fā)明可基于用戶畫像,依賴一套完善的標簽系統(tǒng),需要用戶一個全方位的數據集,是一個長期數據積累與計算的過程,然后基于用戶畫像給用戶推薦商品。此外,術語“第一”、“第二”僅用于描述目的,而不能理解為指示或暗示相對重要性或者隱含指明所指示的技術特征的數量。由此,限定有“第一”、“第二”的特征可以明示或者隱含地包括至少一個該特征。在本發(fā)明的描述中,“多個”的含義是至少兩個,例如兩個,三個等,除非另有明確具體的限定。在本發(fā)明中,除非另有明確的規(guī)定和限定,術語“安裝”、“相連”、“連接”、“固定”等術語應做廣義理解,例如,可以是固定連接,也可以是可拆卸連接,或成一體;可以是機械連接,也可以是電連接;可以是直接相連,也可以通過中間媒介間接相連,可以是兩個元件內部的連通或兩個元件的相互作用關系,除非另有明確的限定。對于本領域的普通技術人員而言,可以根據具體情況理解上述術語在本發(fā)明中的具體含義。在本說明書的描述中,參考術語“一個實施例”、“一些實施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結合該實施例或示例描述的具體特征、結構、材料或者特點包含于本發(fā)明的至少一個實施例或示例中。在本說明書中,對上述術語的示意性表述不必須針對的是相同的實施例或示例。而且,描述的具體特征、結構、材料或者特點可以在任一個或多個實施例或示例中以合適的方式結合。此外,在不相互矛盾的情況下,本領域的技術人員可以將本說明書中描述的不同實施例或示例以及不同實施例或示例的特征進行結合和組合。以上所述僅為本發(fā)明的較佳實施例而已,并不用以限制本發(fā)明,凡在本發(fā)明實質內容上所作的任何修改、等同替換和簡單改進等,均應包含在本發(fā)明的保護范圍之內。當前第1頁1 2 3