一種基于大數(shù)據(jù)分析的智能推薦方法及系統(tǒng)的制作方法
【專(zhuān)利摘要】本發(fā)明提供了一種基于大數(shù)據(jù)分析的智能推薦方法及系統(tǒng)，所述方法包括：步驟101，提取用戶(hù)在電商應(yīng)用或信息平臺(tái)的行為數(shù)據(jù)，存儲(chǔ)到大數(shù)據(jù)平臺(tái)；步驟102，對(duì)存儲(chǔ)在大數(shù)據(jù)平臺(tái)的用戶(hù)行為數(shù)據(jù)進(jìn)行分析，根據(jù)預(yù)設(shè)的維度空間的量化值，查找獲得用戶(hù)關(guān)注商品的各維度空間的量化值，并且根據(jù)用戶(hù)對(duì)該維度空間的點(diǎn)擊率，獲得每個(gè)量化值對(duì)應(yīng)的權(quán)重值；步驟103，根據(jù)用戶(hù)關(guān)注商品的各維度空間的量化值及每個(gè)量化值對(duì)應(yīng)的權(quán)重值，與單個(gè)商品的數(shù)據(jù)作匹配運(yùn)算，獲得單個(gè)商品推薦指數(shù)。本發(fā)明可以提升推薦數(shù)據(jù)的準(zhǔn)確及有效性，提高商品成交可能性，為企業(yè)帶來(lái)更多的收益。
【專(zhuān)利說(shuō)明】
-種基于大數(shù)據(jù)分析的智能推薦方法及系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于大數(shù)據(jù)處理技術(shù)領(lǐng)域，特別設(shè)及一種基于大數(shù)據(jù)分析的智能推薦方法 及系統(tǒng)。
【背景技術(shù)】
[0002] 隨著大數(shù)據(jù)時(shí)代的來(lái)臨，網(wǎng)絡(luò)中的信息量呈現(xiàn)指數(shù)式增長(zhǎng)，隨之帶來(lái)了信息過(guò)載 問(wèn)題。推薦系統(tǒng)是解決信息過(guò)載最有效的方式之一，大數(shù)據(jù)推薦系統(tǒng)已經(jīng)逐漸成為信息領(lǐng) 域的研究熱點(diǎn)。
[0003] 基于大數(shù)據(jù)的推薦系統(tǒng)通過(guò)研究用戶(hù)的歷史信息，得出用戶(hù)的興趣偏好，從而可 W向用戶(hù)推薦他們現(xiàn)在和將來(lái)可能會(huì)喜歡的項(xiàng)目。推薦數(shù)據(jù)的有效性、準(zhǔn)確性已經(jīng)成為衡 量推薦系統(tǒng)的一個(gè)重要指標(biāo)，如何確保推薦數(shù)據(jù)的準(zhǔn)確性，成為技術(shù)人員首先要考慮的問(wèn) 題。
[0004] 目前推薦系統(tǒng)大都應(yīng)用于電商類(lèi)的購(gòu)物網(wǎng)站及網(wǎng)絡(luò)信息平臺(tái)，作相關(guān)商品及目標(biāo) 對(duì)象的推薦。
[0005] 推薦系統(tǒng)通常是通過(guò)計(jì)算用戶(hù)瀏覽、收藏的商品與系統(tǒng)所有商品的相似度。將相 似度較高的商品推薦給用戶(hù)。并不是通過(guò)大數(shù)據(jù)綜合分析用戶(hù)的所有行為，作商品推薦。而 且用戶(hù)在實(shí)際查找商品過(guò)程中，由于每個(gè)人對(duì)商品要求的側(cè)重點(diǎn)不同。有的看重商品的價(jià) 格，有的看重商品的品牌，款式，材質(zhì)，產(chǎn)地等。如果只是基于上述運(yùn)些商品的維度屬性來(lái)作 數(shù)據(jù)匹配，推薦數(shù)據(jù)的準(zhǔn)確度不高，也無(wú)法達(dá)到提升轉(zhuǎn)化率，促進(jìn)商品線(xiàn)上成交量的效果。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種基于大數(shù)據(jù)分析的智能推薦方法及系統(tǒng)， 實(shí)現(xiàn)更加準(zhǔn)確的數(shù)據(jù)推薦，達(dá)到提升轉(zhuǎn)化率，促進(jìn)商品線(xiàn)上成交量的效果。
[0007] 為了解決上述技術(shù)問(wèn)題，本發(fā)明提供了一種基于大數(shù)據(jù)分析的智能推薦方法，所 述方法包括：
[0008] 步驟101，提取用戶(hù)在電商應(yīng)用或信息平臺(tái)的行為數(shù)據(jù)，存儲(chǔ)到大數(shù)據(jù)平臺(tái)；
[0009] 步驟102,對(duì)存儲(chǔ)在大數(shù)據(jù)平臺(tái)的用戶(hù)行為數(shù)據(jù)進(jìn)行分析，根據(jù)預(yù)設(shè)的維度空間的 量化值，查找獲得用戶(hù)關(guān)注商品的各維度空間的量化值，并且根據(jù)用戶(hù)對(duì)該維度空間的點(diǎn) 擊率，獲得每個(gè)量化值對(duì)應(yīng)的權(quán)重值；
[0010] 步驟103,根據(jù)用戶(hù)關(guān)注商品的各維度空間的量化值及每個(gè)量化值對(duì)應(yīng)的權(quán)重值， 與單個(gè)商品的數(shù)據(jù)作匹配運(yùn)算，獲得單個(gè)商品推薦指數(shù)。
[0011] 可選的，所述方法還包括：
[0012] 步驟104,根據(jù)單個(gè)商品推薦指數(shù)生成推薦商品列表。
[OOU] 可選的，
[0014]步驟104具體為，設(shè)置推薦指數(shù)闊值，當(dāng)單個(gè)商品的推薦指數(shù)大于所述推薦指數(shù)闊 值，則將所述單個(gè)商品加入推薦商品列表。
[0015] 可選的，步驟101中所述行為包括W下行為中的一種或者多種:瀏覽、點(diǎn)擊、收藏、 捜索;步驟103中所述單個(gè)商品的數(shù)據(jù)包括:單個(gè)商品維度空間量化值。
[0016] 可選的，所述方法還包括：
[0017] 步驟105,統(tǒng)計(jì)用戶(hù)對(duì)推薦商品的點(diǎn)擊率、轉(zhuǎn)化購(gòu)買(mǎi)率，評(píng)估推薦結(jié)果的準(zhǔn)確性。
[0018] 為了解決上述技術(shù)問(wèn)題，本發(fā)明還提供了一種基于大數(shù)據(jù)分析的智能推薦系統(tǒng)， 所述系統(tǒng)包括：
[0019] 數(shù)據(jù)集成模塊，提取用戶(hù)在電商應(yīng)用或信息平臺(tái)的行為數(shù)據(jù)，存儲(chǔ)到大數(shù)據(jù)平臺(tái)；
[0020] 大數(shù)據(jù)處理模塊，對(duì)存儲(chǔ)在大數(shù)據(jù)平臺(tái)的用戶(hù)行為數(shù)據(jù)進(jìn)行分析，根據(jù)預(yù)設(shè)的維 度空間的量化值，查找獲得用戶(hù)關(guān)注商品的各維度空間的量化值，并且根據(jù)用戶(hù)對(duì)該維度 空間的點(diǎn)擊率，獲得每個(gè)量化值對(duì)應(yīng)的權(quán)重值；
[0021] 推薦引薦模塊，根據(jù)用戶(hù)關(guān)注商品的各維度空間的量化值及每個(gè)量化值對(duì)應(yīng)的權(quán) 重值，與單個(gè)商品的數(shù)據(jù)作匹配運(yùn)算，獲得單個(gè)商品推薦指數(shù)。
[0022] 可選的，所述推薦引薦模塊，進(jìn)一步用于根據(jù)單個(gè)商品推薦指數(shù)生成推薦商品列 表。
[0023] 可選的，所述推薦引薦模塊，用于設(shè)置推薦指數(shù)闊值，當(dāng)單個(gè)商品的推薦指數(shù)大于 所述推薦指數(shù)闊值，則將所述單個(gè)商品加入推薦商品列表。
[0024] 可選的，數(shù)據(jù)集成模塊，用于提取的所述行為數(shù)據(jù)包括W下行為中的一種或者多 種:瀏覽、點(diǎn)擊、收藏、捜索;所述推薦引薦模塊，作匹配運(yùn)算的單個(gè)商品的數(shù)據(jù)包括:單個(gè)商 品維度空間量化值。
[00巧]可選的，所述系統(tǒng)還包括：
[0026] 推薦效果評(píng)估模塊104,用于統(tǒng)計(jì)用戶(hù)對(duì)推薦商品的點(diǎn)擊率、轉(zhuǎn)化購(gòu)買(mǎi)率，評(píng)估推 薦結(jié)果的準(zhǔn)確性。
[0027] 本發(fā)明基于對(duì)用戶(hù)在網(wǎng)站上瀏覽，點(diǎn)擊，捜索，收藏W及其它反饋行為留下的日志 數(shù)據(jù)，將運(yùn)些用戶(hù)日志行為數(shù)據(jù)，通過(guò)大數(shù)據(jù)技術(shù)作分析挖掘處理。對(duì)用戶(hù)進(jìn)行畫(huà)像(描述 用戶(hù)對(duì)關(guān)注商品屬性各維度要求及其所占權(quán)重），并通過(guò)多種推薦算法組合使用將用戶(hù)畫(huà) 像數(shù)據(jù)與商品數(shù)據(jù)作匹配，最終生成與用戶(hù)匹配度較高的商品推薦數(shù)據(jù)，提升推薦數(shù)據(jù)的 準(zhǔn)確及有效性，提高商品成交可能性，為企業(yè)帶來(lái)更多的收益。
【附圖說(shuō)明】
[0028] 圖1為本發(fā)明智能推薦方法流程圖。
[0029] 圖2為本發(fā)明智能推薦系統(tǒng)功能模塊圖。
【具體實(shí)施方式】
[0030] 下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完 整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；?本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他 實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0031] 本發(fā)明的主要思想是通過(guò)大數(shù)據(jù)技術(shù)，對(duì)用戶(hù)在網(wǎng)站上瀏覽，點(diǎn)擊，捜索，收藏W 及其它反饋形為留下的日志數(shù)據(jù)，進(jìn)行分析挖掘處理，對(duì)用戶(hù)進(jìn)行畫(huà)像(描述用戶(hù)對(duì)商品各 維度屬性要求及其所占權(quán)重），采用加權(quán)相似度匹配及其它算法，與商品數(shù)據(jù)進(jìn)行匹配，得 到相似度較高的推薦數(shù)據(jù)。
[0032] 如果只是基于商品的維度屬性來(lái)作數(shù)據(jù)匹配，忽視了屬性權(quán)重的重要性，推薦數(shù) 據(jù)的準(zhǔn)確度也不高，也無(wú)法達(dá)到提升轉(zhuǎn)化率，促進(jìn)商品線(xiàn)上成交量的效果。本發(fā)明通過(guò)綜合 分析用戶(hù)關(guān)注的商品屬性維度信息W及其所占權(quán)重，更加全面地分析用戶(hù)行為數(shù)據(jù)，從而 提高了推薦數(shù)據(jù)的準(zhǔn)確度。
[0033] 首先介紹一下本發(fā)明中需要用到的幾個(gè)名詞。
[0034] 商品的維度，是指表征商品屬性的各個(gè)方面，W房屋信息平臺(tái)為例，表征商品的維 度可W包括:面積、單價(jià)、總價(jià)、交通條件等；
[0035] 維度空間，是指每個(gè)維度的區(qū)間，比如面積區(qū)間為80-100平米，單價(jià)區(qū)間為2000- 2500元等；
[0036] 維度空間的量化值，是指為了查找計(jì)算方便，而對(duì)每個(gè)維度空間設(shè)置的對(duì)應(yīng)值，比 如量化值7表示面積區(qū)間為80-100平米;量化值6表示單價(jià)區(qū)間為2000-2500元等；
[0037] 權(quán)重值，用W表征用戶(hù)對(duì)于商品每個(gè)維度空間的關(guān)注程度。
[0038] 參照?qǐng)D1所示，為本發(fā)明智能推薦方法流程圖。所述方法包括W下步驟：
[0039] 步驟101，提取用戶(hù)在電商應(yīng)用或信息平臺(tái)（PC網(wǎng)站，APP)的行為數(shù)據(jù)(瀏覽，點(diǎn)擊， 收藏，捜索等），存儲(chǔ)到大數(shù)據(jù)平臺(tái)；
[0040] 步驟102,對(duì)存儲(chǔ)在大數(shù)據(jù)平臺(tái)的用戶(hù)行為數(shù)據(jù)進(jìn)行分析，對(duì)用戶(hù)進(jìn)行畫(huà)像，具體 為根據(jù)預(yù)設(shè)的維度空間的量化值，查找獲得用戶(hù)關(guān)注商品的各維度空間的量化值，并且根 據(jù)用戶(hù)對(duì)該維度空間的點(diǎn)擊率，獲得每個(gè)量化值對(duì)應(yīng)的權(quán)重值；
[0041] 步驟103,根據(jù)用戶(hù)關(guān)注商品的各維度空間的量化值及每個(gè)量化值對(duì)應(yīng)的權(quán)重值， 與單個(gè)商品的數(shù)據(jù)作匹配運(yùn)算，獲得單個(gè)商品推薦指數(shù)。
[0042] 在本發(fā)明的一個(gè)優(yōu)選實(shí)施例中，所述方法還包括：
[0043] 步驟104,根據(jù)單個(gè)商品推薦指數(shù)生成與用戶(hù)匹配度較高的推薦商品列表。具體 為，設(shè)置一定的推薦指數(shù)闊值，當(dāng)單個(gè)商品的推薦指數(shù)大于所述推薦指數(shù)闊值，則將所述單 個(gè)商品加入推薦商品列表；
[0044] 步驟105,統(tǒng)計(jì)用戶(hù)對(duì)推薦商品的點(diǎn)擊率、轉(zhuǎn)化購(gòu)買(mǎi)率，評(píng)估推薦結(jié)果的準(zhǔn)確性。
[0045] 參照?qǐng)D2所示，為本發(fā)明智能推薦系統(tǒng)功能模塊圖。為本發(fā)明的推薦系統(tǒng)功能模塊 描述如下：
[0046] 數(shù)據(jù)集成模塊201，用于提取用戶(hù)在電商應(yīng)用或信息平臺(tái)（PC網(wǎng)站，APP)的行為數(shù) 據(jù)(瀏覽，點(diǎn)擊，收藏，捜索等），存儲(chǔ)到大數(shù)據(jù)平臺(tái)。
[0047] 大數(shù)據(jù)處理模塊202,用于對(duì)存儲(chǔ)在大數(shù)據(jù)平臺(tái)的用戶(hù)行為數(shù)據(jù)進(jìn)行分析，對(duì)用戶(hù) 進(jìn)行畫(huà)像，具體為根據(jù)預(yù)設(shè)的維度空間的量化值，查找獲得用戶(hù)關(guān)注商品的各維度空間的 量化值，并且根據(jù)用戶(hù)對(duì)該維度空間的點(diǎn)擊率，獲得每個(gè)量化值對(duì)應(yīng)的權(quán)重值；
[004引下面舉兩個(gè)例子對(duì)量化值及權(quán)重值進(jìn)行說(shuō)明。
[0049] 例一：W房屋信息平臺(tái)為例，用戶(hù)對(duì)房源各維度屬性要求，比如：
[0050] 面積的量化值為7(對(duì)應(yīng)面積區(qū)間80-100平米），權(quán)重值為8; (W下所有的權(quán)重值表 征用戶(hù)對(duì)商品的關(guān)注程度，根據(jù)點(diǎn)擊率獲得）；
[0051 ]價(jià)格的量化值為6(對(duì)應(yīng)價(jià)格區(qū)間2000-2500元），權(quán)重值為5，
[0052] 交通條件的量化值為8(對(duì)應(yīng)交通便利），權(quán)重值為6，
[0053] 例二:針對(duì)電商平臺(tái)WB2C平臺(tái)為例，用戶(hù)對(duì)服裝類(lèi)商品各維度屬性要求，比如：
[0054] 價(jià)格的量化值為4(對(duì)應(yīng)價(jià)格區(qū)間150-200元），權(quán)重值為7，
[0055] 品牌的量化值為5(對(duì)應(yīng)中端品牌），權(quán)重值為8，
[0化6] 顏色的量化值為4 (對(duì)應(yīng)白色），權(quán)重值為6等。
[0057] 推薦引薦模塊203,用于根據(jù)用戶(hù)關(guān)注商品的各維度空間的量化值及每個(gè)量化值 對(duì)應(yīng)的權(quán)重值，與單個(gè)商品的數(shù)據(jù)作匹配運(yùn)算，獲得單個(gè)商品推薦指數(shù)。
[0058] 在本發(fā)明的一個(gè)優(yōu)選實(shí)施例中，所述推薦引薦模塊203進(jìn)一步用于根據(jù)單個(gè)商品 推薦指數(shù)生成與用戶(hù)匹配度較高的推薦商品列表。具體為，設(shè)置一定的推薦指數(shù)闊值，當(dāng)單 個(gè)商品的推薦指數(shù)大于所述推薦指數(shù)闊值，則將所述單個(gè)商品加入推薦商品列表。推薦引 薦模塊203主要采用加權(quán)相似度匹配算法，采用加權(quán)歐式距離算法，對(duì)比用戶(hù)維度數(shù)據(jù)與商 品維度數(shù)據(jù)，計(jì)算數(shù)據(jù)樣本之間的相似度，通過(guò)加權(quán)充分體現(xiàn)各個(gè)屬性的重要性，從而提高 結(jié)果的準(zhǔn)確性和有效性。
[0化9]算法公式如下：
[0060]
[0061] 設(shè)兩個(gè)9維向量義1 = ^;11,義12,，，，，義19)和幻=(幻1,幻2,，，，，幻9)，分別表示兩個(gè) 對(duì)比對(duì)象的維度量化值，W為維度權(quán)重，它們的歐氏距離越近表示相似度越高，推薦指數(shù)就 越高。
[0062] 算法的計(jì)算過(guò)程：
[0063] 算法輸入：
[0064] 對(duì)比對(duì)象I(Xj):用戶(hù)關(guān)注的某類(lèi)商品各維度空間（共P個(gè))量化值及對(duì)應(yīng)的權(quán)重 值；
[0065] 對(duì)比對(duì)象2(xi):單個(gè)商品維度空間量化值；
[0066] 算法輸出：d(xi，xj)表示兩個(gè)對(duì)比對(duì)象距離值。
[0067] 輸出結(jié)果值越小表示兩個(gè)對(duì)象的相似度越高，推薦指數(shù)就越高。
[0068] 推薦效果評(píng)估模塊204,用于通過(guò)統(tǒng)計(jì)用戶(hù)對(duì)推薦商品的點(diǎn)擊率、轉(zhuǎn)化購(gòu)買(mǎi)率，來(lái) 評(píng)估推薦算法的準(zhǔn)確性，將評(píng)估結(jié)果發(fā)送給推薦引薦模塊203。
[0069] 可W根據(jù)推薦效果評(píng)估模塊的評(píng)估結(jié)果，推薦引薦模塊203不斷優(yōu)化推薦算法，提 升推薦數(shù)據(jù)的準(zhǔn)確性。
[0070] 推薦效果評(píng)估模塊204主要通過(guò)計(jì)算推薦商品的轉(zhuǎn)化率來(lái)評(píng)估推薦數(shù)據(jù)的準(zhǔn)確 性，推薦引薦模塊203調(diào)整算法中要求的商品維度權(quán)重或者維度值參數(shù)的大小，或者再加入 一些別的推薦算法(如協(xié)同過(guò)濾算法)綜合起來(lái)作數(shù)據(jù)推薦。運(yùn)樣反復(fù)的調(diào)整，直到能達(dá)到 一個(gè)滿(mǎn)意的轉(zhuǎn)化率。最終的目的是提升商品在線(xiàn)成交量。
[0071] W上所述的【具體實(shí)施方式】，對(duì)本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步 詳細(xì)說(shuō)明，所應(yīng)理解的是，W上所述僅為本發(fā)明的【具體實(shí)施方式】而已，并不用于限定本發(fā)明 的保護(hù)范圍，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含 在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于大數(shù)據(jù)分析的智能推薦方法，其特征在于，所述方法包括： 步驟101，提取用戶(hù)在電商應(yīng)用或信息平臺(tái)的行為數(shù)據(jù)，存儲(chǔ)到大數(shù)據(jù)平臺(tái)； 步驟102,對(duì)存儲(chǔ)在大數(shù)據(jù)平臺(tái)的用戶(hù)行為數(shù)據(jù)進(jìn)行分析，根據(jù)預(yù)設(shè)的維度空間的量化 值，查找獲得用戶(hù)關(guān)注商品的各維度空間的量化值，并且根據(jù)用戶(hù)對(duì)該維度空間的點(diǎn)擊率， 獲得每個(gè)量化值對(duì)應(yīng)的權(quán)重值； 步驟103,根據(jù)用戶(hù)關(guān)注商品的各維度空間的量化值及每個(gè)量化值對(duì)應(yīng)的權(quán)重值，與單 個(gè)商品的數(shù)據(jù)作匹配運(yùn)算，獲得單個(gè)商品推薦指數(shù)。2. 如權(quán)利要求1所述的方法，其特征在于，所述方法還包括： 步驟104,根據(jù)單個(gè)商品推薦指數(shù)生成推薦商品列表。3. 如權(quán)利要求2所述的方法，其特征在于， 步驟104具體為，設(shè)置推薦指數(shù)閾值，當(dāng)單個(gè)商品的推薦指數(shù)大于所述推薦指數(shù)閾值， 則將所述單個(gè)商品加入推薦商品列表。4. 如權(quán)利要求1所述的方法，其特征在于，步驟101中所述行為包括以下行為中的一種 或者多種:瀏覽、點(diǎn)擊、收藏、搜索;步驟103中所述單個(gè)商品的數(shù)據(jù)包括:單個(gè)商品維度空間 量化值。5. 如權(quán)利要求1所述的方法，其特征在于，所述方法還包括： 步驟105,統(tǒng)計(jì)用戶(hù)對(duì)推薦商品的點(diǎn)擊率、轉(zhuǎn)化購(gòu)買(mǎi)率，評(píng)估推薦結(jié)果的準(zhǔn)確性。6. -種基于大數(shù)據(jù)分析的智能推薦系統(tǒng)，其特征在于，所述系統(tǒng)包括： 數(shù)據(jù)集成模塊，提取用戶(hù)在電商應(yīng)用或信息平臺(tái)的行為數(shù)據(jù)，存儲(chǔ)到大數(shù)據(jù)平臺(tái)； 大數(shù)據(jù)處理模塊，對(duì)存儲(chǔ)在大數(shù)據(jù)平臺(tái)的用戶(hù)行為數(shù)據(jù)進(jìn)行分析，根據(jù)預(yù)設(shè)的維度空 間的量化值，查找獲得用戶(hù)關(guān)注商品的各維度空間的量化值，并且根據(jù)用戶(hù)對(duì)該維度空間 的點(diǎn)擊率，獲得每個(gè)量化值對(duì)應(yīng)的權(quán)重值； 推薦引薦模塊，根據(jù)用戶(hù)關(guān)注商品的各維度空間的量化值及每個(gè)量化值對(duì)應(yīng)的權(quán)重 值，與單個(gè)商品的數(shù)據(jù)作匹配運(yùn)算，獲得單個(gè)商品推薦指數(shù)。7. 如權(quán)利要求6所述的系統(tǒng)，其特征在于，所述推薦引薦模塊，進(jìn)一步用于根據(jù)單個(gè)商 品推薦指數(shù)生成推薦商品列表。8. 如權(quán)利要求7所述的系統(tǒng)，其特征在于，所述推薦引薦模塊，用于設(shè)置推薦指數(shù)閾值， 當(dāng)單個(gè)商品的推薦指數(shù)大于所述推薦指數(shù)閾值，則將所述單個(gè)商品加入推薦商品列表。9. 如權(quán)利要求6所述的系統(tǒng)，其特征在于，數(shù)據(jù)集成模塊，用于提取的所述行為數(shù)據(jù)包 括以下行為中的一種或者多種:瀏覽、點(diǎn)擊、收藏、搜索;所述推薦引薦模塊，作匹配運(yùn)算的 單個(gè)商品的數(shù)據(jù)包括:單個(gè)商品維度空間量化值。10. 如權(quán)利要求6所述的系統(tǒng)，其特征在于，所述系統(tǒng)還包括： 推薦效果評(píng)估模塊，用于統(tǒng)計(jì)用戶(hù)對(duì)推薦商品的點(diǎn)擊率、轉(zhuǎn)化購(gòu)買(mǎi)率，評(píng)估推薦結(jié)果的 準(zhǔn)確性。
【文檔編號(hào)】G06F17/30GK106021337SQ201610300499
【公開(kāi)日】2016年10月12日
【申請(qǐng)日】2016年5月9日
【發(fā)明人】馬躍
【申請(qǐng)人】房加科技（北京）有限公司