基于用户行为的智慧社区推荐系统及方法与流程

1.本发明涉及智慧社区技术领域，特别涉及基于用户行为的智慧社区推荐系统及方法。


背景技术：

2.随着互联网信息技术的发展，数字化的智慧服务技术走进了社区，为社区人民提供各类生活服务，极大地方便了社区群众，网络服务商为用户提供网络在线服务，同时为了更好的为用户提供服务，服务商会记录用户的历史行为，尤其是用户的点击行为。用户对物品的点击行为是分析用户偏好的重要信息，用户对某商品的点击查看次数越多，说明用户对该商品的属性特征越感兴趣，从而判断用户需求。
3.现有技术中，通常是采用大数据挖掘方法对用户在互联网服务平台的点击行为进行挖掘分析，从而获取用户感兴趣的商品，以便于服务商提供更优质的商品信息推送服务，但现有技术中仅对用户的点击行为进行挖掘会导致推送的商品信息越来越偏向于与用户浏览的商品信息相近或相同的其他商品，并不能够根据用户的实际需求来进行商品信息推送，如何将户的点击行为和用户的实际需求进行结合，实现个性化、精准推送，是目前亟需解决的问题。为此，我们提出基于用户行为的智慧社区推荐系统及方法。


技术实现要素：

4.本发明的主要目的在于提供基于用户行为的智慧社区推荐系统及方法，可以有效解决背景技术中的问题。
5.为实现上述目的，本发明采取的技术方案为：基于用户行为的智慧社区推荐方法，所述方法包括以下步骤：步骤1：通过智能移动终端采集用户行为数据，包括在固定时间维度内当所述智能移动终端出现商品信息弹窗时用户对商品的访问频次及当所述智能移动终端未出现商品信息弹窗时用户对商品的搜索频次；步骤2，根据获取的用户行为数据分析用户对商品的访问情况，获取在固定时间维度内用户对第i类属性商品的满意程度分类情况，其中，所述满意程度分类情况包括满意度高、满意度较高、满意度为零、满意度较低及满意度低五种类型；步骤2具体包括以下步骤：步骤2-1，获取用户对于所有属性商品的用户行为数据的统计结果集合，分别记作：；；其中，uan、ubn分别表示在固定时间维度内当所述智能移动终端出现商品信息弹窗时用户对第n类属性商品的访问频次及当所述智能移动终端未出现商品信息弹窗时用户对第n类属性商品的搜索频次；
步骤2-2，获取在固定时间维度内用户对第i类属性商品的用户行为数据uai、ubi；步骤2-3，采用阈值分割法将第i类属性商品的用户行为数据uai、ubi分别进行等级划分，获取用户对于第i类属性商品的满意程度分类情况；步骤2-3具体包括以下步骤：步骤2-31，获取集合ua和ub中的最大值及最小值，分别记作uamax、uamin、ubmax、ubmin；步骤步骤2-32，用户行为数据uai的等级划分原则为：当uamax≥uai＞uaq时，uai的等级划分为满意度高；当uaq≥uai＞uaw时，uai的等级划分为满意度较高；当uaw≥uai＞uar时，uai的等级划分为满意度为零；当uar≥uai＞uat时，uai的等级划分为满意度较低；当uat≥uai≥uamin时，uai的等级划分为满意度低；其中，uaq、uaw、uar、uat分别表示当所述智能移动终端出现商品信息弹窗时用户对第q、w、r、t类属性商品的访问频次，且有uamax＞uaq＞uaw＞uar＞uat＞uamin；步骤步骤2-33，用户行为数据ubi的等级划分原则为：当ubmax≥ubi＞uby时，ubi的等级划分为满意度低；当uby≥ubi＞ubo时，ubi的等级划分为满意度较低；当ubo≥ubi＞ubp时，ubi的等级划分为满意度为零；当ubp≥ubi＞ubk时，ubi的等级划分为满意度较高；当ubk≥ubi≥ubmin时，ubi的等级划分为满意度高；其中，uby、ubo、ubp、ubk分别表示当所述智能移动终端未出现商品信息弹窗时用户对第y、o、p、k类属性商品的搜索频次，且有ubmax＞uby＞ubo＞ubp＞ubk＞ubmin；步骤3，根据获取的满意程度分类情况构建用户需求kano模型，通过构建的用户需求kano模型将用户对所有商品的需求属性进行分类，根据所述用户需求kano模型将所述需求属性分类为基本型需求、期望型需求、魅力型需求、无差异型需求四种类型，并对需求要素进行筛选，确定需求要素改进的优先次序；步骤3具体包括以下步骤：步骤3-1，构建二维属性归属分类矩阵，根据获取的满意程度分类情况确定用户对于各种商品的需求属性分类结果；步骤3-2，计算用户对于各种商品需求属性的better-worse系数，获取各种商品需求属性的better值si和worse值dsi，计算公式为：；；其中，a、o、m、i分别为魅力型需求、期望型需求、基本型需求、无差异型需求的频数；其中，魅力型需求、期望型需求、基本型需求、无差异型需求的频数为二维属性归
属分类矩阵元素中uai与ubi中的最大值；步骤3-3，分别以每个需求要素的不满意影响力dsi值的绝对值和满意影响力si值作为纵、横坐标，构建要素敏感性比较矩阵，用半径为0.707的四分之一圆弧作为要素选择线l，筛选出位于要素选择线l右侧的需求要素点；步骤3-4，以灵敏度r表征需求要素有待改进的程度，其中，灵敏度r的计算公式为：；
6.其中，要素选择线l的点的灵敏度为0，灵敏度r表示右侧点到要素选择线要素选择线l的距离，位于要素选择线l左侧的需求要素无需改进，位于要素选择线l右侧的需求要素需要改进，且灵敏度r的值越大的需求要素，越需要改进；步骤4，根据需求属性分类结果和需求要素改进的优先次序制定不同的商品推荐策略，并通过智能移动终端实施所述商品推荐策略；步骤4具体包括以下步骤：步骤4-1，构建以商品需求属性的better值si和worse值dsi为坐标值的四分位图；步骤4-2，确定各种商品以better值si和worse值dsi为坐标值的点位于四分位图中的位置；步骤4-3，根据坐标值的点位于四分位图中的位置制定不同的商品推荐策略，其中商品推荐策略的制定原则为：当坐标值的点位于四分位图中左上四分之一部分时，增加向用户推荐对应商品的弹窗，且当坐标值的点位于要素选择线l右侧时，与要素选择线l距离越远，即r值越大的所对应的商品的弹窗增加量越大；当坐标值的点位于四分位图中右上部分时，增加向用户推荐对应商品的弹窗，且当坐标值的点与要素选择线l距离越远，即r值越大的所对应的商品增加量越大；当坐标值的点位于四分位图中右下部分时，增加向用户推荐对应商品的弹窗，且当坐标值的点位于要素选择线l右侧时，与要素选择线l距离越远，即r值越大的所对应的商品的弹窗增加量越大；当坐标值的点位于四分位图中左下部分时，减少向用户推荐对应商品的弹窗。
7.基于用户行为的智慧社区推荐系统，所述系统包括：至少一个智能移动终端，所述智能移动终端用于采集用户行为数据，所述用户行为数据包括在固定时间维度内当所述智能移动终端出现商品信息弹窗时用户对商品的访问频次及当所述智能移动终端未出现商品信息弹窗时用户对商品的搜索频次；数据分析模块，用于根据获取的用户行为数据分析用户对商品的访问情况，获取在固定时间维度内用户对第i类属性商品的满意程度分类情况；处理模块，用于根据获取的满意程度分类情况构建用户需求kano模型，并通过构建的用户需求kano模型将用户对所有商品的需求属性进行分类，筛选需求要素，确定需求要素改进的优先次序；商品推荐模块，用于根据需求属性分类结果和需求要素改进的优先次序制定不同的商品推荐策略，并将制定的商品推荐策略推送至所述智能移动终端。
8.所述系统还包括存储器、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。
9.本发明具有如下有益效果：（1）本发明方案通过智能移动终端采集用户行为数据，根据获取的用户行为数据分析用户对商品的访问情况，获取在固定时间维度内用户对各类属性商品的满意程度分类情况，并根据获取的满意程度分类情况构建用户需求kano模型，通过构建的用户需求kano模型将用户对所有商品的需求属性进行分类，并对需求要素进行筛选，确定需求要素改进的优先次序，根据需求属性分类结果和需求要素改进的优先次序制定不同的商品推荐策略，并通过智能移动终端实施所述商品推荐策略，能够对客户对于不同商品的需求种类进行深度挖掘，并根据客户的实际需求制定对应的推荐策略，使得推荐结果符合用户需求，实现商品信息的个性化精确推荐。
附图说明
10.图1为本发明基于用户行为的智慧社区推荐方法的技术路线示意图；图2为本发明基于用户行为的智慧社区推荐系统的结构示意图；图3为本发明基于用户行为的智慧社区推荐方法的四分位图。
具体实施方式
11.下面结合具体实施方式对本发明作进一步的说明，其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制，为了更好地说明本发明的具体实施方式，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸。
12.实施例1，如图1-图3所示，其中：本技术发明方案的具体实施步骤为：步骤1），用户通过智能移动终端在服务平台上浏览商品信息时，后台会同步记录该智能移动终端采集的用户行为数据，包括在固定时间维度内当智能移动终端出现商品信息弹窗时用户对商品的访问频次及当智能移动终端未出现商品信息弹窗时用户对商品的搜索频次；步骤2），数据分析模块根据获取的用户行为数据分析用户对商品的访问情况，获取用户对于所有属性商品的用户行为数据的统计结果集合，分别记作：；；其中，uan、ubn分别表示在固定时间维度内当智能移动终端出现商品信息弹窗时用户对第n类属性商品的访问频次及当智能移动终端未出现商品信息弹窗时用户对第n类属性商品的搜索频次；获取在固定时间维度内用户对第i类属性商品的用户行为数据uai、ubi；采用阈值分割法将第i类属性商品的用户行为数据uai、ubi分别进行等级划分，具体包括以下步骤：获取集合ua和ub中的最大值及最小值，分别记作uamax、uamin、ubmax、ubmin；用户行为数据uai的等级划分原则为：当uamax≥uai＞uaq时，uai的等级划分为满意度高；当uaq≥uai＞uaw时，uai的等级划分为满意度较高；
当uaw≥uai＞uar时，uai的等级划分为满意度为零；当uar≥uai＞uat时，uai的等级划分为满意度较低；当uat≥uai≥uamin时，uai的等级划分为满意度低；其中，uaq、uaw、uar、uat分别表示当智能移动终端出现商品信息弹窗时用户对第q、w、r、t类属性商品的访问频次，且有uamax＞uaq＞uaw＞uar＞uat＞uamin；用户行为数据ubi的等级划分原则为：当ubmax≥ubi＞uby时，ubi的等级划分为满意度低；当uby≥ubi＞ubo时，ubi的等级划分为满意度较低；当ubo≥ubi＞ubp时，ubi的等级划分为满意度为零；当ubp≥ubi＞ubk时，ubi的等级划分为满意度较高；当ubk≥ubi≥ubmin时，ubi的等级划分为满意度高；其中，uby、ubo、ubp、ubk分别表示当智能移动终端未出现商品信息弹窗时用户对第y、o、p、k类属性商品的搜索频次，且有ubmax＞uby＞ubo＞ubp＞ubk＞ubmin；根据上述划分原则获取在固定时间维度内用户对第i类属性商品的满意程度分类情况；步骤3），根据获取的满意程度分类情况构建用户需求kano模型；具体包括以下步骤：构建二维属性归属分类矩阵，如下表所示：
13.表 1 商品的满意程度分类二维属性归属分类矩阵表其中，正向问题即为在固定时间维度内当智能移动终端出现商品信息弹窗时用户对商品的访问频次的满意程度，反向问题为当智能移动终端未出现商品信息弹窗时用户对商品的搜索频次的满意程度；其中，表中的m、o、a、i分别对应需求属性分类中的基本型需求、期望型需求、魅力型需求、无差异型需求四种类型，q、r分别为kano模型理论中的可疑需求和反向需求，在本实施例中不涉及；根据获取的满意程度分类情况确定用户对于各种商品的需求属性分类结果；计算用户对于各种商品需求属性的better-worse系数，获取各种商品需求属性的better值si和worse值dsi，计算公式为：
；；其中，a、o、m、i分别为魅力型需求、期望型需求、基本型需求、无差异型需求的频数，其中，魅力型需求、期望型需求、基本型需求、无差异型需求的频数为二维属性归属分类矩阵元素中uai与ubi中的最大值，取值如下表所示，其中，max(uai,ubi)表示uai,ubi中的最大值；
14.表 2 需求频数取值参考表分别以每个需求要素的不满意影响力dsi值的绝对值和满意影响力si值作为纵、横坐标，构建要素敏感性比较矩阵，用半径为0.707的四分之一圆弧作为要素选择线l，如图3所示，筛选出位于要素选择线l右侧的需求要素点；以灵敏度r表征需求要素有待改进的程度，其中，灵敏度r的计算公式为：；其中，要素选择线l的点的灵敏度为0，灵敏度r表示右侧点到要素选择线要素选择线l的距离，位于要素选择线l左侧的需求要素无需改进，位于要素选择线l右侧的需求要素需要改进，且灵敏度r的值越大的需求要素，越需要改进；通过构建的用户需求kano模型将用户对所有商品的需求属性进行分类，根据用户需求kano模型将需求属性分类为基本型需求、期望型需求、魅力型需求、无差异型需求四种类型，分别对应表1中的m、o、a、i；商品推荐模块根据需求属性分类结果和需求要素改进的优先次序制定不同的商品推荐策略；具体包括以下步骤：构建以商品需求属性的better值si和worse值dsi为坐标值的四分位图，如图3所示；确定各种商品以better值si和worse值dsi为坐标值的点位于四分位图中的位置；根据坐标值的点位于四分位图中的位置制定不同的商品推荐策略，其中商品推荐策略的制定原则为：当坐标值的点位于四分位图中左上四分之一部分时，增加向用户推荐对应商品的
弹窗，且当坐标值的点位于要素选择线l右侧时，与要素选择线l距离越远，即r值越大的所对应的商品的弹窗增加量越大；当坐标值的点位于四分位图中右上部分时，增加向用户推荐对应商品的弹窗，且当坐标值的点与要素选择线l距离越远，即r值越大的所对应的商品增加量越大；当坐标值的点位于四分位图中右下部分时，增加向用户推荐对应商品的弹窗，且当坐标值的点位于要素选择线l右侧时，与要素选择线l距离越远，即r值越大的所对应的商品的弹窗增加量越大；当坐标值的点位于四分位图中左下部分时，减少向用户推荐对应商品的弹窗；步骤4）将制定的商品推荐策略发动至通过智能移动终端，智能移动终端接收并实施商品推荐策略。
15.以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

技术特征：
1.基于用户行为的智慧社区推荐方法，其特征在于：所述方法包括以下步骤：步骤1：通过智能移动终端采集用户行为数据，包括在固定时间维度内当所述智能移动终端出现商品信息弹窗时用户对商品的访问频次及当所述智能移动终端未出现商品信息弹窗时用户对商品的搜索频次；步骤2，根据获取的用户行为数据分析用户对商品的访问情况，获取在固定时间维度内用户对第i类属性商品的满意程度分类情况；步骤3，根据获取的满意程度分类情况构建用户需求kano模型，通过构建的用户需求kano模型将用户对所有商品的需求属性进行分类，并对需求要素进行筛选，确定需求要素改进的优先次序；步骤4，根据需求属性分类结果和需求要素改进的优先次序制定不同的商品推荐策略，并通过智能移动终端实施所述商品推荐策略；上述步骤中，步骤2具体包括以下步骤：步骤2-1，获取用户对于所有属性商品的用户行为数据的统计结果集合，分别记作：；；其中，uan、ubn分别表示在固定时间维度内当所述智能移动终端出现商品信息弹窗时用户对第n类属性商品的访问频次及当所述智能移动终端未出现商品信息弹窗时用户对第n类属性商品的搜索频次；步骤2-2，获取在固定时间维度内用户对第i类属性商品的用户行为数据uai、ubi；步骤2-3，采用阈值分割法将第i类属性商品的用户行为数据uai、ubi分别进行等级划分，获取用户对于第i类属性商品的满意程度分类情况。2.根据权利要求1所述的基于用户行为的智慧社区推荐方法，其特征在于：根据所述用户需求kano模型将所述需求属性分类为基本型需求、期望型需求、魅力型需求、无差异型需求四种类型。3.根据权利要求1所述的基于用户行为的智慧社区推荐方法，其特征在于：所述满意程度分类情况包括满意度高、满意度较高、满意度为零、满意度较低及满意度低五种类型。4.根据权利要求1或3所述的基于用户行为的智慧社区推荐方法，其特征在于：步骤2-3具体包括以下步骤：步骤2-31，获取集合ua和ub中的最大值及最小值，分别记作uamax、uamin、ubmax、ubmin；步骤步骤2-32，用户行为数据uai的等级划分原则为：当uamax≥uai＞uaq时，uai的等级划分为满意度高；当uaq≥uai＞uaw时，uai的等级划分为满意度较高；当uaw≥uai＞uar时，uai的等级划分为满意度为零；当uar≥uai＞uat时，uai的等级划分为满意度较低；当uat≥uai≥uamin时，uai的等级划分为满意度低；其中，uaq、uaw、uar、uat分别表示当所述智能移动终端出现商品信息弹窗时用户对第q、w、r、t类属性商品的访问频次，且有uamax＞uaq＞uaw＞uar＞uat＞uamin；
步骤步骤2-33，用户行为数据ubi的等级划分原则为：当ubmax≥ubi＞uby时，ubi的等级划分为满意度低；当uby≥ubi＞ubo时，ubi的等级划分为满意度较低；当ubo≥ubi＞ubp时，ubi的等级划分为满意度为零；当ubp≥ubi＞ubk时，ubi的等级划分为满意度较高；当ubk≥ubi≥ubmin时，ubi的等级划分为满意度高；其中，uby、ubo、ubp、ubk分别表示当所述智能移动终端未出现商品信息弹窗时用户对第y、o、p、k类属性商品的搜索频次，且有ubmax＞uby＞ubo＞ubp＞ubk＞ubmin。5.根据权利要求1所述的基于用户行为的智慧社区推荐方法，其特征在于：步骤3具体包括以下步骤：步骤3-1，构建二维属性归属分类矩阵，根据获取的满意程度分类情况确定用户对于各种商品的需求属性分类结果；步骤3-2，计算用户对于各种商品需求属性的better-worse系数，获取各种商品需求属性的better值si和worse值dsi，计算公式为：；；其中，a、o、m、i分别为魅力型需求、期望型需求、基本型需求、无差异型需求的频数；步骤3-3，分别以每个需求要素的不满意影响力dsi值的绝对值和满意影响力si值作为纵、横坐标，构建要素敏感性比较矩阵，用半径为0.707的四分之一圆弧作为要素选择线l，筛选出位于要素选择线l右侧的需求要素点；步骤3-4，以灵敏度r表征需求要素有待改进的程度，其中，灵敏度r的计算公式为：；其中，要素选择线l的点的灵敏度为0，灵敏度r表示右侧点到要素选择线要素选择线l的距离，位于要素选择线l左侧的需求要素无需改进，位于要素选择线l右侧的需求要素需要改进，且灵敏度r的值越大的需求要素，越需要改进。6.根据权利要求1或5所述的基于用户行为的智慧社区推荐方法，其特征在于：步骤4具体包括以下步骤：步骤4-1，构建以商品需求属性的better值si和worse值dsi为坐标值的四分位图；步骤4-2，确定各种商品以better值si和worse值dsi为坐标值的点位于四分位图中的位置；步骤4-3，根据坐标值的点位于四分位图中的位置制定不同的商品推荐策略，其中商品推荐策略的制定原则为：当坐标值的点位于四分位图中左上四分之一部分时，增加向用户推荐对应商品的弹窗，且当坐标值的点位于要素选择线l右侧时，与要素选择线l距离越远，即r值越大的所对应的商品的弹窗增加量越大；当坐标值的点位于四分位图中右上部分时，增加向用户推荐对应商品的弹窗，且当坐
标值的点与要素选择线l距离越远，即r值越大的所对应的商品增加量越大；当坐标值的点位于四分位图中右下部分时，增加向用户推荐对应商品的弹窗，且当坐标值的点位于要素选择线l右侧时，与要素选择线l距离越远，即r值越大的所对应的商品的弹窗增加量越大；当坐标值的点位于四分位图中左下部分时，减少向用户推荐对应商品的弹窗。7.根据权利要求5所述的基于用户行为的智慧社区推荐方法，其特征在于：魅力型需求、期望型需求、基本型需求、无差异型需求的频数为二维属性归属分类矩阵元素中uai与ubi中的最大值。8.基于用户行为的智慧社区推荐系统，其特征在于：所述系统包括：至少一个智能移动终端，所述智能移动终端用于采集用户行为数据，所述用户行为数据包括在固定时间维度内当所述智能移动终端出现商品信息弹窗时用户对商品的访问频次及当所述智能移动终端未出现商品信息弹窗时用户对商品的搜索频次；数据分析模块，用于根据获取的用户行为数据分析用户对商品的访问情况，获取在固定时间维度内用户对第i类属性商品的满意程度分类情况；处理模块，用于根据获取的满意程度分类情况构建用户需求kano模型，并通过构建的用户需求kano模型将用户对所有商品的需求属性进行分类，筛选需求要素，确定需求要素改进的优先次序；商品推荐模块，用于根据需求属性分类结果和需求要素改进的优先次序制定不同的商品推荐策略，并将制定的商品推荐策略推送至所述智能移动终端。9.基于用户行为的智慧社区推荐系统，其特征在于：所述系统还包括存储器、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，其中，处理器执行程序时实现权利要求1-7中任一项所述方法的步骤。

技术总结
本发明公开了基于用户行为的智慧社区推荐系统及方法，通过智能移动终端采集用户行为数据，根据获取的用户行为数据分析用户对商品的访问情况，获取在固定时间维度内用户对各类属性商品的满意程度分类情况，并根据获取的满意程度分类情况构建用户需求KANO模型，通过构建的用户需求KANO模型将用户对所有商品的需求属性进行分类，根据需求属性分类结果和需求要素改进的优先次序制定不同的商品推荐策略，并通过智能移动终端实施所述商品推荐策略，能够对客户对于不同商品的需求种类进行深度挖掘，并根据客户的实际需求制定对应的推荐策略，使得推荐结果符合用户需求，实现商品信息的个性化精确推荐。的个性化精确推荐。的个性化精确推荐。


技术研发人员：童磊 黄晗 游文超 莫诚旭
受保护的技术使用者：武汉福匠科技有限公司
技术研发日：2023.07.23
技术公布日：2023/8/24