基于移动互联网的电子商城用户消费偏好处理分析系统

摘要

本发明公开了用户消费偏好分析技术领域的基于移动互联网的电子商城用户消费偏好处理分析系统，包括消费获取单元，用于获取不同类型用户在移动互联网电子商城中的消费行为数据，同时获取不同类型用户下的商品销售数据；偏好处理单元用于对消费获取单元所获取的消费行为数据进行近期购物特征提取，得到不同类型用户的在移动互联网电子商城中的近期购物特征数据；对消费获取单元所获取的商品销售数据进行商品特征提取；偏好分析单元基于联合聚类与用户特征提取的协同过滤推荐算法，定义用户偏好相似性；当可用数据还包括用户的属性信息时，算法提取共同偏好的用户的公共特征，定义基于属性的相似性，结合属性的相似性与打分相似性产生排序推荐。

说明书

技术领域

本发明涉及用户消费偏好分析的技术领域，尤其是涉及基于移动互联网的电子商城用户消费偏好处理分析系统。

背景技术

对于移动互联网电子商城中的用户消费行为时刻在发生，但是，目前的电子商城只能根据当前的数据信息对用户消费行为提供对应的服务，或者是提供对应的数据存储管理服务。如何从历史数据中找出规律，去预测用户未来的购买需求，让最合适的商品遇见最需要的人，是大数据应用在精准营销中的关键问题，也是所有电商平台在做智能化升级时所需要的核心技术。

在大数据时代，可获取的数据种类繁多，除了用户对商品的评分外，还可能得到用户的社交网络信息，用户个人特征信息，可以利用这些属性信息分析解释聚类结果，提取同一类中用户的共同特征，这些共同特征使得他们对这一类产生有所偏好。

针对上述中的相关技术，本发明提供基于移动互联网的电子商城用户消费偏好处理分析系统。

发明内容

本发明提供基于移动互联网的电子商城用户消费偏好处理分析系统，以解决上述背景技术中提出的问题。

本发明提供基于移动互联网的电子商城用户消费偏好处理分析系统，采用如下的技术方案：包括，

消费获取单元，用于获取不同类型用户在移动互联网电子商城中的消费行为数据，同时获取不同类型用户下的商品销售数据；

偏好处理单元，用于对所述消费获取单元所获取的消费行为数据进行近期购物特征提取，得到不同类型用户的在移动互联网电子商城中的近期购物特征数据；对所述消费获取单元所获取的商品销售数据进行商品特征提取；

偏好分析单元，基于联合聚类与用户特征提取的协同过滤推荐算法，识别用户偏好，定义用户偏好相似性；在偏好分析单元中，当可用数据还包括用户的属性信息时，所述算法提取共同偏好的用户的公共特征，进一步定义基于属性的相似性，结合属性的相似性与打分相似性产生排序推荐。

可选的，所述消费获取单元包括

消费数据获取模块，用于获取不同类型用户在移动互联网电子商城中的消费行为数据；

商品数据获取模块，用于获取不同类型用户下的商品销售数据。

可选的，所述偏好处理单元包括

近期购物特征提取模块，用于对所述消费获取单元所获取的消费行为数据进行近期购物特征提取；

商品特征提取模块，对所述消费获取单元所获取的商品销售数据进行商品特征提取。

可选的，所述近期购物特征包括分析用户历史购买记录提取用户行为特征，具体包括用户浏览商品详情页次数、用户加入购物车次数、用户购物车删除次数、用户下单次数、用户删除购物车次数、用户下单次数最大商品类别、用户下单次数最大商品品牌、用户最近浏览商品、用户最近购买商品、用户最近添加购物车商品以及用户最近删除购物车商品。

可选的，所述商品特征包括该商品被浏览次数统计、被点击次数、被购买次数、被添加购物车次数、该品牌在同类别中销量排名、该品牌在同类别中销量占比、品牌周一到周日平均每日下单次数、品牌当月最大下单日下单数、品牌当月最小下单日下单数、品牌下单数除以品牌添加购物车数以及品牌下单数处理品牌浏览详情页次数。

可选的，所述偏好分析单元包括

输入模块，用于输入用户打分矩阵，用户u

计算模块，将用户打分矩阵转换成二部图后，利用基于边的社团检测算法对二部图聚类得到二部图社团集合，根据用户u

输出模块，用于输出用户u

偏好排序模块，用于对打分排名进行排序，按照推荐顺序越靠前，推荐商品更受用户偏爱。

可选的，所述基于联合聚类与用户特征提取的协同过滤推荐算法步骤如下：

S1：输入：用户打分矩阵R

S2：(1)将打分矩阵R

(2)利用基于边的社团检测算法对二部图聚类，得到二部图社团集合 C＝{c

(3)如果存在社团c

其中，u

(4)如果用户u

(5)计算用户u

其中，d(u

S3：输出：用户u

综上所述，本发明包括以下至少一种有益效果：

本发明通过不同类型用户的消费行为数据以及商品销售数据，通过提取同一类中用户的共同特征以及商品的共同特征，通过用户们的属性信息和商品的共同特征，定义属性的相似性，在结合属性相似性和打分相似性为用户产生推荐相应的商品，推荐精度高，缓解了冷启动问题。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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为本发明结构框图。

具体实施方式

以下结合附图1对本发明作进一步详细说明。

参照图1，本发明公开基于移动互联网的电子商城用户消费偏好处理分析系统，包括，

消费获取单元，用于获取不同类型用户在移动互联网电子商城中的消费行为数据，同时获取不同类型用户下的商品销售数据；

消费获取单元包括

消费数据获取模块，用于获取不同类型用户在移动互联网电子商城中的消费行为数据；首先本发明将某日只有下单行为而无添加购物车或无浏览详情页这两种行为作为异常数据，删除当日下单用户商品对的所有历史交互数据，剔除了用户只有下单行为无添加购物车行为的下单用户商品对的所有历史交互信息，接下来通过近期购物特征提取模块提取用户历史购买记录提取用户行为特征，近期购物特征包括分析用户历史购买记录提取用户行为特征，具体包括用户浏览商品详情页次数、用户加入购物车次数、用户购物车删除次数、用户下单次数、用户删除购物车次数、用户下单次数最大商品类别、用户下单次数最大商品品牌、用户最近浏览商品、用户最近购买商品、用户最近添加购物车商品以及用户最近删除购物车商品。

商品数据获取模块，用于获取不同类型用户下的商品销售数据，通过商品特征提取模块对商品销售数据进行商品特征提取，商品特征包括该商品被浏览次数统计、被点击次数、被购买次数、被添加购物车次数、该品牌在同类别中销量排名、该品牌在同类别中销量占比、品牌周一到周日平均每日下单次数、品牌当月最大下单日下单数、品牌当月最小下单日下单数、品牌下单数除以品牌添加购物车数以及品牌下单数处理品牌浏览详情页次数。

其中，上述模块添加过滤规则，如过滤掉黑名单用户，过滤不合规商品，过滤敏感词语，过滤掉敏感商品等，最后执行推荐操作并保留返回的用户商品对交互数据，为接下来的数据分析与模型优化提供帮助。

偏好处理单元，用于对所述消费获取单元所获取的消费行为数据进行近期购物特征提取，得到不同类型用户的在移动互联网电子商城中的近期购物特征数据；对所述消费获取单元所获取的商品销售数据进行商品特征提取；

偏好分析单元，基于联合聚类与用户特征提取的协同过滤推荐算法，识别用户偏好，定义用户偏好相似性；在偏好分析单元中，当可用数据还包括用户的属性信息时，所述算法提取共同偏好的用户的公共特征，进一步定义基于属性的相似性，结合属性的相似性与打分相似性产生排序推荐。

所述偏好分析单元包括

输入模块，用于输入用户打分矩阵，用户u

计算模块，将用户打分矩阵转换成二部图后，利用基于边的社团检测算法对二部图聚类得到二部图社团集合，根据用户u

输出模块，用于输出用户u

偏好排序模块，用于对打分排名进行排序，按照推荐顺序越靠前，推荐商品更受用户偏爱。

基于联合聚类与用户特征提取的协同过滤推荐算法步骤如下：

S1：输入：用户打分矩阵R

S2：(1)将打分矩阵R

(2)利用基于边的社团检测算法对二部图聚类，得到二部图社团集合 C＝{c

(3)如果存在社团c

其中，u

(4)如果用户u

(5)计算用户u

其中，d(u

S3：输出：用户u

实施例

在基于联合聚类与用户特征提取的协同过滤推荐算法中，预测打分时，需要结合用户之间基于打分的相似性和用户与社团间基于属性的相似性，用户打过分的商品越多，产生推荐时基于打分的相似性所占比重越大，当给没有选择过任何商品的新用户推荐用户时，仅使用属性相似性也可以计算预测得分，比如使用用户年龄、性别、职业、爱好等构建用户属性树。

算法检测到257个社团，去除没有明显特征的社团和特征少于5的社团后，得到162个明显特征的社团。社团特征可以帮助系统为用户推荐信息，例如，在找到的一个社团中，大部分用户都在30-40岁，职业主要是老师和家长，喜欢的商品类型是教育产品、家用产品，当新用户是一个三十多岁的老师时，且注册时填写喜欢教育时，可以尝试为其推荐该社团中打分较高的商品。

以上均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。