技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种自动售货机商品融合推荐方法及系统  >  正文

一种自动售货机商品融合推荐方法及系统

  • 国知局
  • 2024-07-31 23:24:47

本发明涉及一种自动售货机商品融合推荐方法及系统,属于智能推荐、自动售货机。

背景技术:

1、传统的自动售货机通常只能提供基本的商品销售服务,缺乏对用户偏好和购买行为的深入理解。现有技术中也有部分自动售货机开始采用基本的推荐系统,但存在一些局限性。部分推荐技术完全依赖于特定用户的历史购物信息,需要对用户进行认证(识别)后才能做出推荐。如专利申请cn201810964683.0中公开的一种基于自动售货机的商品推荐方法及其装置,需要查询用户认证信息后检索其购物历史。部分推荐技术则完全不考虑特定用户的历史购物信息,无法达到个性化的效果。如专利申请cn201910034402.6中公开的自动售货机的商品推荐方法、系统及装置,仅考虑了售货机自身销售的各种因素,未考虑消费者的差异。

2、此外,现有技术中自动售货机推荐技术还存在如下不足:1、难以捕捉季节性变化,其推荐结果对时间不敏感。例如:冬天和夏天的消费者需求差异;凌晨和下午的消费者需求差异。2、现有各种个性化推荐算法局限于对消费者个人购物历史的分析,所得出的推荐结果确实具有吻合度,但对于销售方而言,未能直接起到提振销售额的作用。即推荐结果仅与消费者购物习惯相关,未考虑销售额趋势。3、现有个性化推荐技术需要在消费者认证后(即可识别后)才能累积其购物历史。难以在启用推荐前,利用消费者过去的购物记录。

技术实现思路

1、发明目的:针对上述现有技术中存在的一个或多个问题,本发明的目的在于提供一种自动售货机商品融合推荐方法及系统,提升推荐效果、用户购物体验。

2、技术方案:为实现上述发明目的,本发明采用的技术方案为:

3、一种自动售货机商品融合推荐方法,包括如下步骤:

4、基于消费者id或付款方id获取消费者信息和历史消费记录信息;

5、采用个性化推荐模型进行商品推荐,得到第一商品推荐列表;

6、获取自动售货机的销售数据;

7、采用基于时间序列的预测模型进行销售额预测并转化为商品推荐,得到第二商品推荐列表;

8、对于第一商品推荐列表和第二商品推荐列表中的每个商品,根据其在列表中的位置计算加权综合分数,得到商品融合推荐结果。

9、进一步地,所述方法还包括在启用推荐前填充历史销售数据中的付款方id,所述付款方id根据移动支付工具在返回支付结果信息时向商户传递的用户支付id设置。

10、进一步地,所述方法还包括:填充历史销售数据中的消费者id,具体为:通过消费者在自动售货机上选购时出示会员码识别消费者id,在消费者出示会员码并完成支付后,搜寻移动支付工具返回的用户支付id所对应的付款方id,将历史销售数据中匹配所述付款方id且未记录消费者id的行填充其消费者id。

11、作为优选,以支付方优先的数据归并原则来处理历史销售数据。

12、作为优选,所述个性化推荐模型同时考虑消费者特征、商品特征以及消费者和商品间的交互数据;所述消费者特征包括消费者id或者付款方id,以及常用支付方式;所述商品特征包括商品id、售价、品牌、类别、标签和促销标记。

13、作为优选,针对销售额的预测,考虑时间段影响,将每日划分为不同时间段,对每个在售商品在每个时间段的近期销售额统计求和,选出每个时间段近期销售总额排名前预设数量的候选商品,形成含有销售日期、时间段、销售额的基础数据集,并增加是否工作日、当日设备所在地最低和最高气温的属性,作为预测模型额外的回归器;使用基于时间序列的预测模型对所述近期销售总额排名前预设数量的候选商品进行销售额预测,并基于预测结果重新排名,从而得出商品推荐。

14、作为优选,采用如下公式计算推荐商品g的综合分数其中和分别表示商品g在第一商品推荐列表和第二商品推荐列表中的排序得分,0≤d≤1为个性化推荐动态权重值;对于只出现在一个推荐列表中的商品,设其在另一个推荐列表中的排序为最大值。

15、作为优选,对于可识别的消费者,进行融合推荐,允许使用动态权重值;对于不可识别的消费者,省去个性化推荐;个性化推荐动态权重值根据不同场景感知要素进行调整,所述场景感知要素包括丰富的购物历史、工作日、深夜,以及季节或气温骤变中的一种或多种。

16、基于相同的发明构思,本发明提供一种自动售货机商品融合推荐系统,包括:

17、个性化数据获取模块,用于基于消费者id或付款方id获取消费者信息和历史消费记录信息;

18、个性化推荐模块,用于采用个性化推荐模型进行商品推荐,得到第一商品推荐列表;

19、销售数据获取模块,用于获取自动售货机的销售数据;

20、销售预测模块,用于采用基于时间序列的预测模型进行销售额预测并转化为商品推荐,得到第二商品推荐列表;

21、融合推荐模块,用于对于第一商品推荐列表和第二商品推荐列表中的每个商品,根据其在列表中的位置计算加权综合分数,得到商品融合推荐结果。

22、基于相同的发明构思,本发明提供一种计算机系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被加载至处理器时实现所述的一种自动售货机商品融合推荐方法的步骤。

23、有益效果:与现有技术相比,本发明具有如下优点:

24、1.本发明通过基于时间序列的预测模型预测销售排行并转化为商品推荐,让推荐结果能够响应季节性等时间变化。

25、2.本发明在常规的个性化推荐算法基础上,通过融合时序预测转化而来的商品推荐,让商品销售趋势影响推荐结果(在时序预测结果中,销售趋势较好的商品会排前面),从而促进消费者选择销售趋势较好的优选商品。

26、3.本发明融合个性化推荐和时序预测销售的推荐效果,并考虑到在企业运营的视角下难以绝对地量化衡量,通过设置动态权重值,允许自动售货机运营商自行调整比重或通过不同场景感知要素自动调整权重比重,以平衡在消费者个性化推荐满意度和销售趋势上的不同侧重。

27、4.本发明不仅适用于消费者可识别的情况,也适用于消费者不可识别的情况,当消费者无法识别时(不提供消费者id或不存在历史购物记录),也能够基于时序预测转化而来的商品推荐给出推荐。

28、5.本发明通过设置付款方id和消费者id,基于移动支付工具返回的用户支付id,为消费者构建身份识别,关联并利用先前的购物记录,在未应用本推荐方案前的历史购物数据,能够被利用起来。

技术特征:

1.一种自动售货机商品融合推荐方法,其特征在于,包括如下步骤:

2.根据权利要求1所述的一种自动售货机商品融合推荐方法,其特征在于,还包括:在启用推荐前填充历史销售数据中的付款方id,所述付款方id根据移动支付工具在返回支付结果信息时向商户传递的用户支付id设置。

3.根据权利要求2所述的一种自动售货机商品融合推荐方法,其特征在于,还包括:填充历史销售数据中的消费者id,具体为:通过消费者在自动售货机上选购时出示会员码识别消费者id,在消费者出示会员码并完成支付后,搜寻移动支付工具返回的用户支付id所对应的付款方id,将历史销售数据中匹配所述付款方id且未记录消费者id的行填充其消费者id。

4.根据权利要求1所述的一种自动售货机商品融合推荐方法,其特征在于,以支付方优先的数据归并原则来处理历史销售数据。

5.根据权利要求1所述的一种自动售货机商品融合推荐方法,其特征在于,所述个性化推荐模型同时考虑消费者特征、商品特征以及消费者和商品间的交互数据;所述消费者特征包括消费者id或者付款方id,以及常用支付方式;所述商品特征包括商品id、售价、品牌、类别、标签和促销标记。

6.根据权利要求1所述的一种自动售货机商品融合推荐方法,其特征在于,针对销售额的预测,考虑时间段影响,将每日划分为不同时间段,对每个在售商品在每个时间段的近期销售额统计求和,选出每个时间段近期销售总额排名前预设数量的候选商品,形成含有销售日期、时间段、销售额的基础数据集,并增加是否工作日、当日设备所在地最低和最高气温的属性,作为预测模型额外的回归器;使用基于时间序列的预测模型对所述近期销售总额排名前预设数量的候选商品进行销售额预测,并基于预测结果重新排名,从而得出商品推荐。

7.根据权利要求1所述的一种自动售货机商品融合推荐方法,其特征在于,采用如下公式计算推荐商品g的综合分数其中和分别表示商品g在第一商品推荐列表和第二商品推荐列表中的排序得分,0≤d≤1为个性化推荐动态权重值;对于只出现在一个推荐列表中的商品,设其在另一个推荐列表中的排序为最大值。

8.根据权利要求1所述的一种自动售货机商品融合推荐方法,其特征在于,对于可识别的消费者,进行融合推荐,允许使用动态权重值;对于不可识别的消费者,省去个性化推荐;个性化推荐动态权重值根据不同场景感知要素进行调整,所述场景感知要素包括丰富的购物历史、工作日、深夜,以及季节或气温骤变中的一种或多种。

9.一种自动售货机商品融合推荐系统,其特征在于,包括:

10.一种计算机系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被加载至处理器时实现根据权利要求1-8任一项所述的一种自动售货机商品融合推荐方法的步骤。

技术总结本发明公开了一种自动售货机商品融合推荐方法及系统,本发明包括:基于消费者ID或付款方ID获取消费者信息和历史消费记录信息,采用个性化推荐模型进行商品推荐,得到第一商品推荐列表;获取自动售货机的销售数据,采用基于时间序列的预测模型进行销售额预测并转化为商品推荐,得到第二商品推荐列表;对于第一商品推荐列表和第二商品推荐列表中的每个商品,根据其在列表中的位置计算加权综合分数,得到商品融合推荐结果。本发明融合了个性化推荐和时序预测销售的推荐效果,克服了单维度推荐的不足,提升了推荐效果和用户购物体验。技术研发人员:曹裕豪,孙小兵,薄莉莉,杨昕业受保护的技术使用者:扬州大学技术研发日:技术公布日:2024/7/29

本文地址:https://www.jishuxx.com/zhuanli/20240730/197409.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。