[发明专利]基于线下行为的商品推荐方法和系统

权利要求书

1.一种基于线下行为的商品推荐方法，其特征在于，包括以下步骤；

获取顾客的顾客特征信息和行为交互信息及商品的商品特征信息，对所述行为交互信息进行筛选，得到浏览交互信息；

根据所述顾客特征信息、行为交互信息及商品特征信息利用机器学习建立商品推荐模型；在建立商品推荐模型时，将所述浏览交互信息作为负样本；

获取顾客的当前顾客特征信息和当前行为交互信息，根据所述当前顾客特征信息和当前行为交互信息通过所述商品推荐模型确定对应的推荐商品信息；同时，将所述推荐商品信息实时推荐给对应的顾客。

2.如权利要求1所述的基于线下行为的商品推荐方法，其特征在于，所述根据所述顾客特征信息、行为交互信息及商品特征信息利用机器学习建立商品推荐模型；在建立商品推荐模型时，将所述浏览交互信息作为负样本，包括以下步骤；

将所述顾客特征信息输入深度神经网络中进行训练，得到顾客特征模型；

将所述行为交互信息输入深度神经网络中进行训练，并将所述浏览交互信息作为负样本，得到购买行为模型；

将所述商品特征信息输入深度神经网络中进行训练，得到商品特征模型；

利用对抗神经网络，将所述顾客特征模型、购买行为模型以及商品特征模型中的任意两个模型对第三个模型进行优化训练，直至完成对所述顾客特征模型、购买行为模型以及商品特征模型的全部优化，得到商品推荐模型。

3.如权利要求1所述的基于线下行为的商品推荐方法，其特征在于，通过至少以下方式之一，获取顾客的顾客特征信息和行为交互信息；

通过对顾客进行人脸认证的方式；或，

通过对顾客进行二维码识别的方式；或，

通过与顾客进行语音交互的方式；或，

通过对顾客的行为进行拍摄识别的方式；或，

通过对用于监测商品的传感器进行数据获取分析的方式。

4.如权利要求1所述的基于线下行为的商品推荐方法，其特征在于，通过至少以下方式之一，获取顾客的商品特征信息；

通过对商品的库存量单位进行查询的方式；或，

通过对商品进行拍摄识别的方式；或，

通过对商品的买卖记录进行查询的方式。

5.如权利要求1-4任意一项所述的基于线下行为的商品推荐方法，其特征在于，还包括以下步骤；

在建立商品推荐模型之后，将实时获取顾客的当前顾客特征信息和当前行为交互信息以当前时间戳进行存储，利用机器学习根据存储后的当前顾客特征信息和当前行为交互信息对所述商品推荐模型进行二次优化。

6.一种基于线下行为的商品推荐系统，其特征在于，包括获取模块、模型建立模块以及推荐模块；

所述获取模块，用于获取顾客的顾客特征信息和行为交互信息及商品的商品特征信息，对所述行为交互信息进行筛选，得到浏览交互信息；

所述模型建立模块，根据所述顾客特征信息、行为交互信息及商品特征信息利用机器学习建立商品推荐模型；在建立商品推荐模型时，将所述浏览交互信息作为负样本；

所述推荐模块，用于获取顾客的当前顾客特征信息和当前行为交互信息，根据所述当前顾客特征信息和当前行为交互信息通过所述商品推荐模型确定对应的推荐商品信息；同时，将所述推荐商品信息实时推荐给对应的顾客。

7.如权利要求6所述的基于线下行为的商品推荐系统，其特征在于，所述模型建立模块包括第一训练单元、第二训练单元、第三训练单元以及优化单元；

所述第一训练单元，用于将所述顾客特征信息输入深度神经网络中进行训练，得到顾客特征模型；

所述第二训练单元，用于将所述行为交互信息输入深度神经网络中进行训练，并将所述浏览交互信息作为负样本，得到购买行为模型；

所述第三训练单元，用于将所述商品特征信息输入深度神经网络中进行训练，得到商品特征模型；

所述优化单元，用于利用对抗神经网络，将所述顾客特征模型、购买行为模型以及商品特征模型中的任意两个模型对第三个模型进行优化训练，直至完成对所述顾客特征模型、购买行为模型以及商品特征模型的全部优化，得到商品推荐模型。