一种即时零售商品主动推荐方法及系统、存储介质与流程

本发明商品推荐，尤其涉及一种即时零售商品主动推荐方法和系统、存储介质。

背景技术：

1、即时零售是通过线上即时下单，线下即时履约，依托本地零售供给，满足本地即时需求的零售业态。即时零售填补了线上线下融合的“真空地带”。“本地化”是即时零售的显著特征，实现交易流程线上化，履约配送便利化。

2、为了提升本地供给能力，拓展消费者需求，各售卖平台都部署有商品推荐策略，可根据用户输入的商品向用户推荐各品牌的该类商品以及售卖此类商品的用户。

3、现有的推荐方法一般根据历史购买记录或历史搜索记录等暴力推荐，要么基于人工智能模型以及大数据进行推荐。例如，打开淘宝后，在主界面向用户主动推送其感兴趣的商品。

4、在实际运行过程中发现，暴力推荐方法虽然要求低，但推荐的物品往往不符合消费者的要求。而人工智能模型以及大数据推荐的商品尽管准确度较高，但随着用户群体的增大，数据日趋庞大，通过人工智能模型计算会消耗巨大的算力，降低整个系统的运行速度。

5、例如，中国专利申请cncn202311444961.7提供了一种商品推荐模型训练方法及商品推荐方法，包括：根据用户的点击序列确定所述用户对应的目标商品，所述点击序列包括被所述用户点击的商品的商品标识，所述目标商品与所述点击序列对应的所述商品属于不同售卖平台的商品；构建训练样本，一个所述训练样本包括一个用户对应的所述点击序列和所述目标商品的商品标识；基于各个所述训练样本对预构建的商品推荐模型进行训练，直至所述商品推荐模型满足要求，得到训练后的所述商品推荐模型。

6、又如，中国专利申请cn201910421814.5一种商品推荐方法，包括：获取第一用户的人脸图像；基于第一神经网络模型确定与所述人脸图像对应的用户属性；获取具有所述用户属性中任一用户属性的第一用户的购物行为数据；利用训练数据训练得到第二神经网络模型，其中，以具有所述任一用户属性的第一用户的购物行为数据作为所述训练数据，以所述任一用户属性作为所述训练数据的标签；获取第二用户的购物行为数据；基于所述第二神经网络模型确定与所述第二用户的购物行为数据对应的用户属性；以及基于与所述第二用户的购物行为数据对应的用户属性，向所述第二用户推送商品信息。本公开还提供了一种商品推荐装置、一种计算机设备以及一种计算机可读存储介质。和排列顺序。

7、现有技术中，都需要构建大量训练样本，并且需要预先构建神经网络模型，然后基于大量训练样本进行模型训练，直至模型满足要求后，再将其应用到实际的商品推荐中。对于人工智能的依赖实际上就是对算力的依赖，更为具体地，就是对芯片的依赖。基于如今的日益紧张的国际形势，如何摆脱对芯片的依赖是亟需解决的问题。

技术实现思路

1、本发明的目的在于提供一种即时零售商品推荐主动方法和系统、存储介质，部分地解决或缓解现有技术中的上述不足，能够在减少算力消耗的基础上，尽可能的提高主动推荐商品的精确度，从而提高用户体验。

2、为了解决上述所提到的技术问题，本发明具体采用以下技术方案：本发明提供了一种即时零售商品主动推荐方法，包括：

3、获取用户对质量以及价格的关注度之间的比例，形成用户画像；

4、根据用户画像分配推荐指标的权重，所述推荐指标包括质量、价格、售后服务、物流速度；

5、根据用户历史购买记录以及历史搜索记录获取用户感兴趣的商品；

6、根据用户感兴趣的商品类型以及对该商品的评价或者查看过的该商品的平均价格获取商品的质量度；

7、根据质量度对推荐指标的权重进行调整；

8、根据推荐指标为售卖用户感兴趣商品的商家评分，并基于商家评分向用户推荐商家售卖的该商品；

9、根据用户购买后的评价以及对推荐商品的接受度，对用户画像进行修正；

10、其中，获取商品质量度的方法包括：

11、在用户感兴趣的商品为购买过的商品及其同类商品和互补商品的情况下，获取用户对购买过的商品的评价；将用户对该商品质量评分的平均值与其他用户对该商品质量评分的平均值进行比较，若更低则将质量度归于第一档，若等于或者更高则将质量度归于第二档，若用户对该商品质量评分为满分则将质量度归于第三档；

12、在用户感兴趣的商品为仅搜索但未购买的商品及其同类商品和互补商品的情况下，统计用户查看过的该类商品的平均价格；将用户查看过的该类商品的平均价格与所有该类商品的平均价格进行比较，若高30%以上则将质量度归于第一档，若在低30%到高30%之间则将质量度归于第二档，若低30%以上则将质量度归于第三档；

13、根据质量度对推荐指标分配权重的步骤具体包括：

14、所述质量权重为k1，所述价格为k2，所述售后服务权重为k3，所述物流速度权重为k4；

15、在质量度为第一档的情况下，k1=（k1+k2）*80%，k2=（k1+k2）*20%，k3=(k3+k4)*80%，k4=（k3+k4）*20%，k1+k2+k3+k4=1；

16、在质量度为第二档的情况下，k1=（k1+k2）*55%，k2=（k1+k2）*45%，k3=（k3+k4）*60%，k4=（k3+k4）*40%，k1+k2+k3+k4=1；

17、在质量度为第三档的情况下，k1=（k1+k2）*20%，k2=（k1+k2）*80%，k3=（k3+k4）*20%，k4=（k3+k4）*80%，k1+k2+k3+k4=1。

18、作为一种改进，所述获取用户对物流速度以及质量的关注度之间的比例的步骤，具体包括：

19、用户注册时，在用户注册页面上显示进度条；所述进度条一端为价格，另一端为质量；所述进度条上设置有可沿进度条滑动的滑块；用户通过拖动滑块改变价格端与质量端之间的比例，所述价格端比例与质量端比例的和为固定不变。

20、作为一种改进，根据用户画像分配推荐指标的权重的步骤，具体包括：

21、初始化推荐指标的权重，赋予每个推荐指标初始权重；

22、按照用户对价格以及质量的关注度之间的比例对价格权重和质量权重进行重新分配。

23、作为一种改进，根据用户历史购买记录以及历史搜索记录获取用户感兴趣的商品的步骤，具体包括：

24、根据用户历史搜索记录获取用户搜索的商品，将用户搜索的商品及其同类商品和互补商品作为用户感兴趣的商品；

25、根据用户历史购买记录获取用户购买过的商品，将用户购买过的商品及其同类商品和互补商品作为用户感兴趣的商品。

26、作为一种改进，根据推荐指标为售卖用户感兴趣商品的商家评分的步骤，具体包括：

27、获取商家的用户评价，所述用户评价各个推荐指标的单项评分；

28、计算所有用户每个推荐指标单项评分的平均值；

29、将每个推荐指标单项评分的平均值乘以该推荐指标的权重获得调整后的评分；

30、对所有推荐指标调整后的评分进行求和，获得商家评分。

31、作为一种改进，基于商家评分向用户推荐商家售卖的该商品的步骤，具体包括：

32、按照商家评分从大到小的顺序对商家进行排序，将排名高于排名阈值的商家所售卖的用户感兴趣商品向用户推荐；或者，

33、将商家评分高于评分阈值的商家所售卖的用户感兴趣商品向用户推荐。

34、作为一种改进，根据用户购买后的评价以及对推荐商品的接受度，对用户画像进行修正的步骤，具体在于：

35、在用户对于推荐的商家不予以接受的次数超过次数阈值的情况下对用户画像进行调整；调整的步骤，具体包括：

36、将用户对于某个推荐指标的平均评分a1，与其他所有用户对某个指标的平均评分a2进行比较，在a1＜a2的情况下，将该推荐指标的权重提高第一百分比；在a1≥a2且a1不为满分的情况下，将该推荐指标的权重提高第二百分比；在a1为满分的情况下，将该推荐指标的权重降低第三百分比；其中，第一百分比＞第二百分比。

37、本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序指令，当所述计算机程序指令被至少一个处理器执行时用于实现上述主动推荐方法。

38、本发明还提供一种计算机系统，其特征在于：包括存储器和处理器；所述存储器内存储有计算机程序；当所述计算机程序被处理器执行时，可实现上述主动推荐方法。

39、本发明还提供一种即时零售商品主动推荐系统，包括：

40、用户画像构建模块，用于获取用户对物流速度以及质量的关注度之间的比例，形成用户画像；

41、权重分配模块，用于根据用户画像分配推荐指标的权重，所述推荐指标包括质量、价格、售后服务、物流速度；

42、质量度计算模块，根据用户历史购买记录以及历史搜索记录获取用户感兴趣的商品；根据用户感兴趣的商品类型以及对该商品的评价或者查看过的该商品的平均价格获取商品的质量度；

43、权重调整模块，用于根据质量度对推荐指标权重进行调整；

44、推荐模块，用于根据推荐指标为售卖用户感兴趣商品的商家评分，并基于商家评分向用户推荐商家售卖的该商品；

45、用户画像修正模块，用于根据用户购买后的评价以及对推荐商家的接受度，对用户画像进行修正；

46、其中，所述权重模块获取商品质量度具体包括：

47、在用户感兴趣的商品为购买过的商品及其同类商品和互补商品的情况下，获取用户对购买过的商品的评价；将用户对该商品质量评分的平均值与其他用户对该商品质量评分的平均值进行比较，若更低则将质量度归于第一档，若等于或者更高则将质量度归于第二档，若用户对该商品质量评分为满分则将质量度归于第三档；

48、在用户感兴趣的商品为仅搜索但未购买的商品及其同类商品和互补商品的情况下，统计用户查看过的该类商品的平均价格；将用户查看过的该类商品的平均价格与所有该类商品的平均价格进行比较，若高30%以上则将质量度归于第一档，若在低30%到高30%之间则将质量度归于第二档，若低30%以上则将质量度归于第三档；

49、所述权重调整模块根据质量度对推荐指标分配权重具体包括：

50、所述质量权重为k1，所述价格为k2，所述售后服务权重为k3，所述物流速度权重为k4；

51、在质量度为第一档的情况下，k1=（k1+k2）*80%，k2=（k1+k2）*20%，k3=(k3+k4)*80%，k4=（k3+k4）*20%，k1+k2+k3+k4=1；

52、在质量度为第二档的情况下，k1=（k1+k2）*55%，k2=（k1+k2）*45%，k3=（k3+k4）*60%，k4=（k3+k4）*40%，k1+k2+k3+k4=1；

53、在质量度为第三档的情况下，k1=（k1+k2）*20%，k2=（k1+k2）*80%，k3=（k3+k4）*20%，k4=（k3+k4）*80%，k1+k2+k3+k4=1。

54、本发明的有益之处在于：

55、与常规上线购物（例如，京东或淘宝等平台）有所不同，即时零售商品其通常对物流的要求远高于常规线上购物（例如，隔天到，或者三天到，用户更关注商品质量），而其之所以对物流要求高，是因为其需求商品的紧急程度相较于常规线上购物要高的多。若仅仅根据距离和物流信息来向用户推荐商品显然是不明智的。因为用户同时还会关注商品的质量。但在没有一个非常明确的方式能够获得用户对这两者之间的关注程度的前提下，本发明通过获取用户对价格以及质量的关注度之间的比例，形成用户画像。根据用户画像分配推荐指标的权重作为基调。根据用户历史购买记录以及历史搜索记录获取用户可能感兴趣的商品；根据用户感兴趣的商品类型以及对该商品的评价或者查看过的该商品的平均价格获取商品的质量度；根据质量度针对本次推荐的物品对推荐指标权重进行调整。根据推荐指标为售卖用户感兴趣商品的商家评分，并基于商家评分向用户推荐商品。最后根据用户购买后的评价以及对推荐商品的接受度，对用户画像进行修正，形成闭环控制。

56、本发明不依赖人工智能模型，摆脱了对芯片以及大算力的依赖，在国际形势日趋紧张的背景下，更加符合时代的需求。尽管没有人工智能的支持，本发明依然能够较为准确地预测出用户的需求，从而为用户推荐最为适合的商家。本发明还能根据用户反馈进行自我修正，从而逐步自我完善，使其更加符合用户的真实面貌。

57、除此之外，本发明通过进度条和滑块的模式来获取用户对物流速度和质量的关注度，更容易被用户接受。