本發(fā)明商品推薦，尤其涉及一種即時(shí)零售商品主動(dòng)推薦方法和系統(tǒng)、存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、即時(shí)零售是通過線上即時(shí)下單，線下即時(shí)履約，依托本地零售供給，滿足本地即時(shí)需求的零售業(yè)態(tài)。即時(shí)零售填補(bǔ)了線上線下融合的“真空地帶”?！氨镜鼗笔羌磿r(shí)零售的顯著特征，實(shí)現(xiàn)交易流程線上化，履約配送便利化。

2、為了提升本地供給能力，拓展消費(fèi)者需求，各售賣平臺(tái)都部署有商品推薦策略，可根據(jù)用戶輸入的商品向用戶推薦各品牌的該類商品以及售賣此類商品的用戶。

3、現(xiàn)有的推薦方法一般根據(jù)歷史購買記錄或歷史搜索記錄等暴力推薦，要么基于人工智能模型以及大數(shù)據(jù)進(jìn)行推薦。例如，打開淘寶后，在主界面向用戶主動(dòng)推送其感興趣的商品。

4、在實(shí)際運(yùn)行過程中發(fā)現(xiàn)，暴力推薦方法雖然要求低，但推薦的物品往往不符合消費(fèi)者的要求。而人工智能模型以及大數(shù)據(jù)推薦的商品盡管準(zhǔn)確度較高，但隨著用戶群體的增大，數(shù)據(jù)日趨龐大，通過人工智能模型計(jì)算會(huì)消耗巨大的算力，降低整個(gè)系統(tǒng)的運(yùn)行速度。

5、例如，中國專利申請(qǐng)cncn202311444961.7提供了一種商品推薦模型訓(xùn)練方法及商品推薦方法，包括：根據(jù)用戶的點(diǎn)擊序列確定所述用戶對(duì)應(yīng)的目標(biāo)商品，所述點(diǎn)擊序列包括被所述用戶點(diǎn)擊的商品的商品標(biāo)識(shí)，所述目標(biāo)商品與所述點(diǎn)擊序列對(duì)應(yīng)的所述商品屬于不同售賣平臺(tái)的商品；構(gòu)建訓(xùn)練樣本，一個(gè)所述訓(xùn)練樣本包括一個(gè)用戶對(duì)應(yīng)的所述點(diǎn)擊序列和所述目標(biāo)商品的商品標(biāo)識(shí)；基于各個(gè)所述訓(xùn)練樣本對(duì)預(yù)構(gòu)建的商品推薦模型進(jìn)行訓(xùn)練，直至所述商品推薦模型滿足要求，得到訓(xùn)練后的所述商品推薦模型。

6、又如，中國專利申請(qǐng)cn201910421814.5一種商品推薦方法，包括：獲取第一用戶的人臉圖像；基于第一神經(jīng)網(wǎng)絡(luò)模型確定與所述人臉圖像對(duì)應(yīng)的用戶屬性；獲取具有所述用戶屬性中任一用戶屬性的第一用戶的購物行為數(shù)據(jù)；利用訓(xùn)練數(shù)據(jù)訓(xùn)練得到第二神經(jīng)網(wǎng)絡(luò)模型，其中，以具有所述任一用戶屬性的第一用戶的購物行為數(shù)據(jù)作為所述訓(xùn)練數(shù)據(jù)，以所述任一用戶屬性作為所述訓(xùn)練數(shù)據(jù)的標(biāo)簽；獲取第二用戶的購物行為數(shù)據(jù)；基于所述第二神經(jīng)網(wǎng)絡(luò)模型確定與所述第二用戶的購物行為數(shù)據(jù)對(duì)應(yīng)的用戶屬性；以及基于與所述第二用戶的購物行為數(shù)據(jù)對(duì)應(yīng)的用戶屬性，向所述第二用戶推送商品信息。本公開還提供了一種商品推薦裝置、一種計(jì)算機(jī)設(shè)備以及一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。和排列順序。

7、現(xiàn)有技術(shù)中，都需要構(gòu)建大量訓(xùn)練樣本，并且需要預(yù)先構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，然后基于大量訓(xùn)練樣本進(jìn)行模型訓(xùn)練，直至模型滿足要求后，再將其應(yīng)用到實(shí)際的商品推薦中。對(duì)于人工智能的依賴實(shí)際上就是對(duì)算力的依賴，更為具體地，就是對(duì)芯片的依賴。基于如今的日益緊張的國際形勢(shì)，如何擺脫對(duì)芯片的依賴是亟需解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種即時(shí)零售商品推薦主動(dòng)方法和系統(tǒng)、存儲(chǔ)介質(zhì)，部分地解決或緩解現(xiàn)有技術(shù)中的上述不足，能夠在減少算力消耗的基礎(chǔ)上，盡可能的提高主動(dòng)推薦商品的精確度，從而提高用戶體驗(yàn)。

2、為了解決上述所提到的技術(shù)問題，本發(fā)明具體采用以下技術(shù)方案：本發(fā)明提供了一種即時(shí)零售商品主動(dòng)推薦方法，包括：

3、獲取用戶對(duì)質(zhì)量以及價(jià)格的關(guān)注度之間的比例，形成用戶畫像；

4、根據(jù)用戶畫像分配推薦指標(biāo)的權(quán)重，所述推薦指標(biāo)包括質(zhì)量、價(jià)格、售后服務(wù)、物流速度；

5、根據(jù)用戶歷史購買記錄以及歷史搜索記錄獲取用戶感興趣的商品；

6、根據(jù)用戶感興趣的商品類型以及對(duì)該商品的評(píng)價(jià)或者查看過的該商品的平均價(jià)格獲取商品的質(zhì)量度；

7、根據(jù)質(zhì)量度對(duì)推薦指標(biāo)的權(quán)重進(jìn)行調(diào)整；

8、根據(jù)推薦指標(biāo)為售賣用戶感興趣商品的商家評(píng)分，并基于商家評(píng)分向用戶推薦商家售賣的該商品；

9、根據(jù)用戶購買后的評(píng)價(jià)以及對(duì)推薦商品的接受度，對(duì)用戶畫像進(jìn)行修正；

10、其中，獲取商品質(zhì)量度的方法包括：

11、在用戶感興趣的商品為購買過的商品及其同類商品和互補(bǔ)商品的情況下，獲取用戶對(duì)購買過的商品的評(píng)價(jià)；將用戶對(duì)該商品質(zhì)量評(píng)分的平均值與其他用戶對(duì)該商品質(zhì)量評(píng)分的平均值進(jìn)行比較，若更低則將質(zhì)量度歸于第一檔，若等于或者更高則將質(zhì)量度歸于第二檔，若用戶對(duì)該商品質(zhì)量評(píng)分為滿分則將質(zhì)量度歸于第三檔；

12、在用戶感興趣的商品為僅搜索但未購買的商品及其同類商品和互補(bǔ)商品的情況下，統(tǒng)計(jì)用戶查看過的該類商品的平均價(jià)格；將用戶查看過的該類商品的平均價(jià)格與所有該類商品的平均價(jià)格進(jìn)行比較，若高30%以上則將質(zhì)量度歸于第一檔，若在低30%到高30%之間則將質(zhì)量度歸于第二檔，若低30%以上則將質(zhì)量度歸于第三檔；

13、根據(jù)質(zhì)量度對(duì)推薦指標(biāo)分配權(quán)重的步驟具體包括：

14、所述質(zhì)量權(quán)重為k1，所述價(jià)格為k2，所述售后服務(wù)權(quán)重為k3，所述物流速度權(quán)重為k4；

15、在質(zhì)量度為第一檔的情況下，k1=（k1+k2）*80%，k2=（k1+k2）*20%，k3=(k3+k4)*80%，k4=（k3+k4）*20%，k1+k2+k3+k4=1；

16、在質(zhì)量度為第二檔的情況下，k1=（k1+k2）*55%，k2=（k1+k2）*45%，k3=（k3+k4）*60%，k4=（k3+k4）*40%，k1+k2+k3+k4=1；

17、在質(zhì)量度為第三檔的情況下，k1=（k1+k2）*20%，k2=（k1+k2）*80%，k3=（k3+k4）*20%，k4=（k3+k4）*80%，k1+k2+k3+k4=1。

18、作為一種改進(jìn)，所述獲取用戶對(duì)物流速度以及質(zhì)量的關(guān)注度之間的比例的步驟，具體包括：

19、用戶注冊(cè)時(shí)，在用戶注冊(cè)頁面上顯示進(jìn)度條；所述進(jìn)度條一端為價(jià)格，另一端為質(zhì)量；所述進(jìn)度條上設(shè)置有可沿進(jìn)度條滑動(dòng)的滑塊；用戶通過拖動(dòng)滑塊改變價(jià)格端與質(zhì)量端之間的比例，所述價(jià)格端比例與質(zhì)量端比例的和為固定不變。

20、作為一種改進(jìn)，根據(jù)用戶畫像分配推薦指標(biāo)的權(quán)重的步驟，具體包括：

21、初始化推薦指標(biāo)的權(quán)重，賦予每個(gè)推薦指標(biāo)初始權(quán)重；

22、按照用戶對(duì)價(jià)格以及質(zhì)量的關(guān)注度之間的比例對(duì)價(jià)格權(quán)重和質(zhì)量權(quán)重進(jìn)行重新分配。

23、作為一種改進(jìn)，根據(jù)用戶歷史購買記錄以及歷史搜索記錄獲取用戶感興趣的商品的步驟，具體包括：

24、根據(jù)用戶歷史搜索記錄獲取用戶搜索的商品，將用戶搜索的商品及其同類商品和互補(bǔ)商品作為用戶感興趣的商品；

25、根據(jù)用戶歷史購買記錄獲取用戶購買過的商品，將用戶購買過的商品及其同類商品和互補(bǔ)商品作為用戶感興趣的商品。

26、作為一種改進(jìn)，根據(jù)推薦指標(biāo)為售賣用戶感興趣商品的商家評(píng)分的步驟，具體包括：

27、獲取商家的用戶評(píng)價(jià)，所述用戶評(píng)價(jià)各個(gè)推薦指標(biāo)的單項(xiàng)評(píng)分；

28、計(jì)算所有用戶每個(gè)推薦指標(biāo)單項(xiàng)評(píng)分的平均值；

29、將每個(gè)推薦指標(biāo)單項(xiàng)評(píng)分的平均值乘以該推薦指標(biāo)的權(quán)重獲得調(diào)整后的評(píng)分；

30、對(duì)所有推薦指標(biāo)調(diào)整后的評(píng)分進(jìn)行求和，獲得商家評(píng)分。

31、作為一種改進(jìn)，基于商家評(píng)分向用戶推薦商家售賣的該商品的步驟，具體包括：

32、按照商家評(píng)分從大到小的順序?qū)ι碳疫M(jìn)行排序，將排名高于排名閾值的商家所售賣的用戶感興趣商品向用戶推薦；或者，

33、將商家評(píng)分高于評(píng)分閾值的商家所售賣的用戶感興趣商品向用戶推薦。

34、作為一種改進(jìn)，根據(jù)用戶購買后的評(píng)價(jià)以及對(duì)推薦商品的接受度，對(duì)用戶畫像進(jìn)行修正的步驟，具體在于：

35、在用戶對(duì)于推薦的商家不予以接受的次數(shù)超過次數(shù)閾值的情況下對(duì)用戶畫像進(jìn)行調(diào)整；調(diào)整的步驟，具體包括：

36、將用戶對(duì)于某個(gè)推薦指標(biāo)的平均評(píng)分a1，與其他所有用戶對(duì)某個(gè)指標(biāo)的平均評(píng)分a2進(jìn)行比較，在a1＜a2的情況下，將該推薦指標(biāo)的權(quán)重提高第一百分比；在a1≥a2且a1不為滿分的情況下，將該推薦指標(biāo)的權(quán)重提高第二百分比；在a1為滿分的情況下，將該推薦指標(biāo)的權(quán)重降低第三百分比；其中，第一百分比＞第二百分比。

37、本發(fā)明還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有計(jì)算機(jī)程序指令，當(dāng)所述計(jì)算機(jī)程序指令被至少一個(gè)處理器執(zhí)行時(shí)用于實(shí)現(xiàn)上述主動(dòng)推薦方法。

38、本發(fā)明還提供一種計(jì)算機(jī)系統(tǒng)，其特征在于：包括存儲(chǔ)器和處理器；所述存儲(chǔ)器內(nèi)存儲(chǔ)有計(jì)算機(jī)程序；當(dāng)所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，可實(shí)現(xiàn)上述主動(dòng)推薦方法。

39、本發(fā)明還提供一種即時(shí)零售商品主動(dòng)推薦系統(tǒng)，包括：

40、用戶畫像構(gòu)建模塊，用于獲取用戶對(duì)物流速度以及質(zhì)量的關(guān)注度之間的比例，形成用戶畫像；

41、權(quán)重分配模塊，用于根據(jù)用戶畫像分配推薦指標(biāo)的權(quán)重，所述推薦指標(biāo)包括質(zhì)量、價(jià)格、售后服務(wù)、物流速度；

42、質(zhì)量度計(jì)算模塊，根據(jù)用戶歷史購買記錄以及歷史搜索記錄獲取用戶感興趣的商品；根據(jù)用戶感興趣的商品類型以及對(duì)該商品的評(píng)價(jià)或者查看過的該商品的平均價(jià)格獲取商品的質(zhì)量度；

43、權(quán)重調(diào)整模塊，用于根據(jù)質(zhì)量度對(duì)推薦指標(biāo)權(quán)重進(jìn)行調(diào)整；

44、推薦模塊，用于根據(jù)推薦指標(biāo)為售賣用戶感興趣商品的商家評(píng)分，并基于商家評(píng)分向用戶推薦商家售賣的該商品；

45、用戶畫像修正模塊，用于根據(jù)用戶購買后的評(píng)價(jià)以及對(duì)推薦商家的接受度，對(duì)用戶畫像進(jìn)行修正；

46、其中，所述權(quán)重模塊獲取商品質(zhì)量度具體包括：

47、在用戶感興趣的商品為購買過的商品及其同類商品和互補(bǔ)商品的情況下，獲取用戶對(duì)購買過的商品的評(píng)價(jià)；將用戶對(duì)該商品質(zhì)量評(píng)分的平均值與其他用戶對(duì)該商品質(zhì)量評(píng)分的平均值進(jìn)行比較，若更低則將質(zhì)量度歸于第一檔，若等于或者更高則將質(zhì)量度歸于第二檔，若用戶對(duì)該商品質(zhì)量評(píng)分為滿分則將質(zhì)量度歸于第三檔；

48、在用戶感興趣的商品為僅搜索但未購買的商品及其同類商品和互補(bǔ)商品的情況下，統(tǒng)計(jì)用戶查看過的該類商品的平均價(jià)格；將用戶查看過的該類商品的平均價(jià)格與所有該類商品的平均價(jià)格進(jìn)行比較，若高30%以上則將質(zhì)量度歸于第一檔，若在低30%到高30%之間則將質(zhì)量度歸于第二檔，若低30%以上則將質(zhì)量度歸于第三檔；

49、所述權(quán)重調(diào)整模塊根據(jù)質(zhì)量度對(duì)推薦指標(biāo)分配權(quán)重具體包括：

50、所述質(zhì)量權(quán)重為k1，所述價(jià)格為k2，所述售后服務(wù)權(quán)重為k3，所述物流速度權(quán)重為k4；

51、在質(zhì)量度為第一檔的情況下，k1=（k1+k2）*80%，k2=（k1+k2）*20%，k3=(k3+k4)*80%，k4=（k3+k4）*20%，k1+k2+k3+k4=1；

52、在質(zhì)量度為第二檔的情況下，k1=（k1+k2）*55%，k2=（k1+k2）*45%，k3=（k3+k4）*60%，k4=（k3+k4）*40%，k1+k2+k3+k4=1；

53、在質(zhì)量度為第三檔的情況下，k1=（k1+k2）*20%，k2=（k1+k2）*80%，k3=（k3+k4）*20%，k4=（k3+k4）*80%，k1+k2+k3+k4=1。

54、本發(fā)明的有益之處在于：

55、與常規(guī)上線購物（例如，京東或淘寶等平臺(tái)）有所不同，即時(shí)零售商品其通常對(duì)物流的要求遠(yuǎn)高于常規(guī)線上購物（例如，隔天到，或者三天到，用戶更關(guān)注商品質(zhì)量），而其之所以對(duì)物流要求高，是因?yàn)槠湫枨笊唐返木o急程度相較于常規(guī)線上購物要高的多。若僅僅根據(jù)距離和物流信息來向用戶推薦商品顯然是不明智的。因?yàn)橛脩敉瑫r(shí)還會(huì)關(guān)注商品的質(zhì)量。但在沒有一個(gè)非常明確的方式能夠獲得用戶對(duì)這兩者之間的關(guān)注程度的前提下，本發(fā)明通過獲取用戶對(duì)價(jià)格以及質(zhì)量的關(guān)注度之間的比例，形成用戶畫像。根據(jù)用戶畫像分配推薦指標(biāo)的權(quán)重作為基調(diào)。根據(jù)用戶歷史購買記錄以及歷史搜索記錄獲取用戶可能感興趣的商品；根據(jù)用戶感興趣的商品類型以及對(duì)該商品的評(píng)價(jià)或者查看過的該商品的平均價(jià)格獲取商品的質(zhì)量度；根據(jù)質(zhì)量度針對(duì)本次推薦的物品對(duì)推薦指標(biāo)權(quán)重進(jìn)行調(diào)整。根據(jù)推薦指標(biāo)為售賣用戶感興趣商品的商家評(píng)分，并基于商家評(píng)分向用戶推薦商品。最后根據(jù)用戶購買后的評(píng)價(jià)以及對(duì)推薦商品的接受度，對(duì)用戶畫像進(jìn)行修正，形成閉環(huán)控制。

56、本發(fā)明不依賴人工智能模型，擺脫了對(duì)芯片以及大算力的依賴，在國際形勢(shì)日趨緊張的背景下，更加符合時(shí)代的需求。盡管沒有人工智能的支持，本發(fā)明依然能夠較為準(zhǔn)確地預(yù)測(cè)出用戶的需求，從而為用戶推薦最為適合的商家。本發(fā)明還能根據(jù)用戶反饋進(jìn)行自我修正，從而逐步自我完善，使其更加符合用戶的真實(shí)面貌。

57、除此之外，本發(fā)明通過進(jìn)度條和滑塊的模式來獲取用戶對(duì)物流速度和質(zhì)量的關(guān)注度，更容易被用戶接受。