[发明专利]商品推荐方法、装置、电子设备和存储介质

说明书

本发明提供一种商品推荐方法、系统、电子设备和存储介质，能够以用户行为的特征数据为基础来计算商品关联度以及用户购物意图商品，从而在减少商品关联度计算的复杂程度以及在考虑到用户浏览比较商品的行为特点的情况下为用户推荐商品。该方法包括如下步骤：从用户对待选商品的行为来获得行为数据；基于离线购物周期内的行为数据，计算商品的关联度；在所述关联度大于预定阈值的商品集合中，基于在线购物周期内的行为数据，来计算用户意图购买商品，作为待被推荐给用户的商品。

技术领域

本发明涉及一种基于用户行为序列挖掘的商品推荐方法、系统、电子设备和存储介质。

背景技术

近年来电子商务兴起，越来越多的用户选择网络购物的方式购买所需商品。随着电子商务规模的不断扩大，商品种类和数量快速增长，用户需要花费大量的时间才能从海量商品中找到所需商品。为了提升用户购物体验，购物网站通过推荐系统为用户提供个性化的决策支持和商品信息服务。

推荐系统包括三个模块：用户兴趣模块、推荐对象模块、推荐算法模块。推荐系统将用户兴趣信息和推荐对象中的信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。用户兴趣模块的核心是计算用户的购买意图商品。推荐对象模块的核心是计算每一个商品的关联商品。推荐算法模块的核心是输入购买意图商品，从推荐对象模块中召回关联商品，然后对召回的结果进行合理排序。

在现有技术中，计算购物意图商品的一般的做法是将用户最近一段时间浏览的所有商品作为购物意图商品集合。而计算商品的关联度的一般做法是通过分词的方式将商品标题信息分解为特征向量，商品的关联度用特征向量的距离来表达。然而，用户购物的行为特点是浏览比较商品，根据比较信息做出决策，从而选出所需商品。直接使用最近浏览商品集合作为购物意图，没有考虑用户这一行为特点，造成购物意图商品中存在多余的对比商品数据。此外，从商品标题中提取特征向量的过程涉及到中文分词，中文分词技术有较高的开发成本。与此同时，计算特征向量距离可能面临高维的特征空间，计算时复杂度较高。

发明内容

有鉴于此，本发明实施例提供一种基于用户行为序列挖掘的商品推荐方法、系统、电子设备和存储介质，能够凭借降低了计算复杂度且提高了可信度的商品关联度和在考虑到用户浏览比较商品之后才做出购买行为这一特点的情况下所计算出的用户购物意图商品来为用户提供个性化的商品推荐。

为实现上述目的，根据本发明实施例的一个方面，提供了一种基于用户行为序列挖掘的商品推荐方法。

根据本发明的商品推荐方法包括如下步骤：从用户对待选商品的行为来获得行为数据并将其实时采集到用户行为日志中，所述行为数据包括离线购物周期内的行为数据和在线购物周期内的行为数据；基于离线购物周期内的行为数据，计算商品的关联度；在所述关联度大于预定阈值的商品集合中，基于在线购物周期内的行为数据，来计算用户意图购买商品，作为待被推荐给用户的商品。

可选地，所述行为数据包括：搜索、浏览、收藏、加入购物车以及购买。