一种基于大数据的网购方法、设备及介质与流程

1.本技术涉及互联网领域，具体涉及一种基于大数据的网购方法、设备及介质。


背景技术：

2.随着电商行业的快速发展，用户对网购的需求也不断增加。然而，如何识别用户需求、提高购物体验和销售效率，已成为电商行业所面临的重要问题。目前，大数据技术的应用已成为解决这一问题的重要手段。
3.传统的方案中，通常只基于用户的浏览数据判定用户的喜好，导致最终的判定结果并不准确。


技术实现要素：

4.为了解决上述问题，本技术提出了一种基于大数据的网购方法，包括：
5.在电商平台中获取历史网购数据，并将所述历史网购数据与对应的用户信息建立映射关系；
6.对所述历史网购数据进行分类；
7.针对每条分类后的历史网购数据，根据与该历史网购数据具有所述映射关系的用户信息进行特征提取，得到对应的用户身份特征，并根据该用户身份特征以及该历史网购数据进行特征提取，得到用户行为特征；
8.根据所述用户行为特征为目标用户在网购过程中进行商品推荐。
9.在一个示例中，对所述历史网购数据进行分类，具体包括：
10.确定所述历史网购数据的数据来源，所述数据来源属于所述电商平台中的不同模块；
11.根据所述数据来源，对所述历史网购数据进行分类，其中，分类得到的类别至少包括：浏览数据、购物车数据、订单数据。
12.在一个示例中，根据该用户行为特征以及该历史网购数据进行特征提取，得到用户行为特征，具体包括：
13.根据该历史网购数据对应的类别，提取得到对应的中间特征；
14.根据该用户身份特征与所述中间特征建立关联，得到与该用户身份特征匹配的用户行为特征。
15.在一个示例中，根据该历史网购数据对应的类别，提取得到对应的中间特征，具体包括：
16.根据所述浏览数据提取得到对应的用户兴趣数据；
17.并根据所述购物车数据和所述订单数据，提取得到对应的用户购买意愿。
18.在一个示例中，根据所述浏览数据提取得到对应的用户兴趣数据，具体包括：
19.确定所述浏览数据中包含的商品对应的商品标签；
20.针对每个商品标签，根据该商品标签在所述浏览数据中的出现次数，确定用户针
对每个商品标签的兴趣程度，所述兴趣程度与所述出现次数呈正相关。
21.在一个示例中，根据所述购物车数据和所述订单数据，提取得到对应的用户购买意愿，具体包括：
22.确定所述购物车数据和所述订单数据中分别包含的商品的商品标签；
23.针对每个商品标签，根据该商品标签在所述购物车数据中的出现次数，相比于在订单数据中的出现次数的占比，得到用户针对每个商品标签的购买意愿，所述购买意愿与所述占比呈正相关。
24.在一个示例中，根据该用户身份特征与所述中间特征建立关联，得到与该用户身份特征匹配的用户行为特征，具体包括：
25.确定所述中间特征对应的商品标签；
26.针对每个商品标签，对该用户身份特征与该商品标签之间的关联程度进行评分，其中，当所述中间特征为用户购买意愿时，购买意愿与评分呈正相关；当所述中间特征为用户兴趣数据时，兴趣程度与评分呈正相关；且在评分中，购买意愿相比于兴趣程度所占权重更大；
27.将评分后的商标标签与该用户身份特征建立关联，从而得到与该用户身份特征匹配的用户行为特征。
28.在一个示例中，根据所述用户行为特征为目标用户在网购过程中进行商品推荐，具体包括：
29.根据目标用户的身份信息提取得到所述目标用户的用户身份特征；
30.根据所述用户行为特征，确定与所述目标用户的用户身份特征的关联程度最高的若干个商品标签；
31.在商品库中，将携带有所述若干个商品标签的商品推荐给所述目标用户。
32.另一方面，本技术还提出了一种基于大数据的网购设备，包括：
33.至少一个处理器；以及，
34.与所述至少一个处理器通信连接的存储器；其中，
35.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如：
36.在电商平台中获取历史网购数据，并将所述历史网购数据与对应的用户信息建立映射关系；
37.对所述历史网购数据进行分类；
38.针对每条分类后的历史网购数据，根据与该历史网购数据具有所述映射关系的用户信息进行特征提取，得到对应的用户身份特征，并根据该用户身份特征以及该历史网购数据进行特征提取，得到用户行为特征；
39.根据所述用户行为特征为目标用户在网购过程中进行商品推荐。
40.另一方面，本技术还提出了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
41.在电商平台中获取历史网购数据，并将所述历史网购数据与对应的用户信息建立映射关系；
42.对所述历史网购数据进行分类；
43.针对每条分类后的历史网购数据，根据与该历史网购数据具有所述映射关系的用户信息进行特征提取，得到对应的用户身份特征，并根据该用户身份特征以及该历史网购数据进行特征提取，得到用户行为特征；
44.根据所述用户行为特征为目标用户在网购过程中进行商品推荐。
45.通过本技术提出基于大数据的网购方法能够带来如下有益效果：
46.基于网购数据中中的多个类别，能够在多个维度下更加全面的判断用户的喜好，从而得到更加合理客观的用户行为特征，如此在为用户推荐商品时，能够推荐到更符合用户喜好，有更高的浏览率和更高成交率的商品。
附图说明
47.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
48.图1为本技术实施例中基于大数据的网购方法的流程示意图；
49.图2为本技术实施例中基于大数据的网购设备的示意图。
具体实施方式
50.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
51.以下结合附图，详细说明本技术各实施例提供的技术方案。
52.如图1所示，本技术实施例提供一种基于大数据的网购方法，包括：
53.s101：在电商平台中获取历史网购数据，并将所述历史网购数据与对应的用户信息建立映射关系。
54.为了通过历史网购数据进行大数据分析，可以采集多个电商平台中的数据，以及电商平台中不同类型的用户的历史网购数据。映射关系用于表示该历史网购数据是哪个用户对应的。
55.s102：对所述历史网购数据进行分类。
56.确定历史网购数据的数据来源，数据来源属于电商平台中的不同模块，比如，购物车模块、订单模块等。根据数据来源，对历史网购数据进行分类，其中，分类得到的类别至少包括：浏览数据、购物车数据、订单数据。不同的模块采集到的数据分类不同。
57.s103：针对每条分类后的历史网购数据，根据与该历史网购数据具有所述映射关系的用户信息进行特征提取，得到对应的用户身份特征，并根据该用户身份特征以及该历史网购数据进行特征提取，得到用户行为特征。
58.用户身份特征用户表示用户的身份信息，比如，其可以包括：年龄、性别、网购年限等。用户行为特征主要用于表示，不同身份特征的用户，其在电商平台中的行为(比如，更喜欢哪些商品)。
59.具体地，根据该历史网购数据对应的类别(浏览数据、购物车数据、订单数据)，提取得到对应的中间特征。根据该用户身份特征与中间特征建立关联，从而得到与该用户身
份特征匹配的用户行为特征。
60.其中，在确定中间特征时，根据浏览数据提取得到对应的用户兴趣数据；并根据购物车数据和订单数据，提取得到对应的用户购买意愿。
61.具体地，每个商品均预先设置有相应的商品标签，比如，某洗发水的商品标签可以是：a品牌、洗发水(生活用品)；某手机的商品标签可以是：b品牌、智能手机、3000元价位。
62.确定浏览数据中包含的商品对应的商品标签。浏览数据可以指的是，用户在电商平台中，点开了商品的详情页后，并停留预设时长(比如5秒)以上，作为浏览数据中包含的商品。
63.针对每个商品标签，根据该商品标签在浏览数据中的出现次数，确定用户针对每个商品标签的兴趣程度，兴趣程度与出现次数呈正相关。比如，用户浏览数据中的商品共包括：c品牌的智能手机和d品牌的智能手机，其分别对应的标签可以包括：c品牌、智能手机、3000元价位；d品牌、智能手机、5000元价位。此时，用户针对“智能手机”这个商品标签的兴趣程度最高。可以将出现次数作为兴趣程度，此时，用户对于“智能手机”的商品标签的兴趣程度为2，对其他商品标签的兴趣程度为1。
64.确定购物车数据和订单数据中分别包含的商品的商品标签。针对每个商品标签，根据该商品标签在购物车数据中的出现次数，相比于在订单数据中的出现次数的占比，得到用户针对每个商品标签的购买意愿，购买意愿与占比呈正相关。比如，用户购物车数据中的商品共包括：c品牌的智能手机和d品牌的智能手机，而订单数据中的商品共包括：c品牌的智能手机。此时可以得到，“c品牌”、“3000元价位”的占比为100％，“智能手机”的占比为50％，“d品牌”、“5000元价位”的占比为0％。可以得知，用户对于c品牌和3000元价位的智能手机具有更高的购买意愿。
65.基于此，在得到用户行为特征时，确定中间特征对应的商品标签，中间特征可能包括用户兴趣数据和用户购买意愿，其中包含有的相应的商品标签，以及商品标签在其中对应的排名。
66.针对每个商品标签，对该用户身份特征与该商品标签之间的关联程度进行评分，其中，当中间特征为用户购买意愿时，购买意愿与评分呈正相关；当中间特征为用户兴趣数据时，兴趣程度与评分呈正相关。也就是，用户对于某个商品标签的兴趣数据和购买意愿越高，对该商品标签的评分越高。且购买意愿相比于兴趣程度所占权重更大。比如，购买意愿的所占权重为70％，兴趣程度所占权重为30％，将兴趣程度进行归一化后，与购买意愿分别乘相应的权重占比，得到最终的评分。评分越高，表示用户对于该商品标签越感兴趣，越可能会购买。
67.将评分后的商标标签与该用户身份特征建立关联，从而得到与该用户身份特征匹配的用户行为特征，在用户行为特征中，包含有其对于不同商品标签的评分(当然，可以只选择评分最高top20商品标签，作为用户行为特征)。
68.s104：根据所述用户行为特征为目标用户在网购过程中进行商品推荐。
69.在得到用户行为特征后，也就能够了解不同用户对于各商品标签的喜好，从而根据目标用户的身份信息提取得到目标用户的用户身份特征，然后根据用户行为特征，确定与目标用户的用户身份特征的关联程度最高的若干个商品标签，在商品库中，将携带有若干个商品标签的商品推荐给目标用户。当然，携带有越多的商品标签，越应该主动积极的推
荐给目标用户。
70.基于网购数据中中的多个类别，能够在多个维度下更加全面的判断用户的喜好，从而得到更加合理客观的用户行为特征，如此在为用户推荐商品时，能够推荐到更符合用户喜好，有更高的浏览率和更高成交率的商品。
71.如图2所示，本技术实施例还提供了一种基于大数据的网购设备，包括：
72.至少一个处理器；以及，
73.与所述至少一个处理器通信连接的存储器；其中，
74.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如：
75.在电商平台中获取历史网购数据，并将所述历史网购数据与对应的用户信息建立映射关系；
76.对所述历史网购数据进行分类；
77.针对每条分类后的历史网购数据，根据与该历史网购数据具有所述映射关系的用户信息进行特征提取，得到对应的用户身份特征，并根据该用户身份特征以及该历史网购数据进行特征提取，得到用户行为特征；
78.根据所述用户行为特征为目标用户在网购过程中进行商品推荐。
79.本技术实施例还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
80.在电商平台中获取历史网购数据，并将所述历史网购数据与对应的用户信息建立映射关系；
81.对所述历史网购数据进行分类；
82.针对每条分类后的历史网购数据，根据与该历史网购数据具有所述映射关系的用户信息进行特征提取，得到对应的用户身份特征，并根据该用户身份特征以及该历史网购数据进行特征提取，得到用户行为特征；
83.根据所述用户行为特征为目标用户在网购过程中进行商品推荐。
84.本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
85.本技术实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
86.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
87.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流
程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
88.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
89.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
90.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
91.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
92.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
93.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
94.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种基于大数据的网购方法，其特征在于，包括：在电商平台中获取历史网购数据，并将所述历史网购数据与对应的用户信息建立映射关系；对所述历史网购数据进行分类；针对每条分类后的历史网购数据，根据与该历史网购数据具有所述映射关系的用户信息进行特征提取，得到对应的用户身份特征，并根据该用户身份特征以及该历史网购数据进行特征提取，得到用户行为特征；根据所述用户行为特征为目标用户在网购过程中进行商品推荐。2.根据权利要求1所述的方法，其特征在于，对所述历史网购数据进行分类，具体包括：确定所述历史网购数据的数据来源，所述数据来源属于所述电商平台中的不同模块；根据所述数据来源，对所述历史网购数据进行分类，其中，分类得到的类别至少包括：浏览数据、购物车数据、订单数据。3.根据权利要求2所述的方法，其特征在于，根据该用户行为特征以及该历史网购数据进行特征提取，得到用户行为特征，具体包括：根据该历史网购数据对应的类别，提取得到对应的中间特征；根据该用户身份特征与所述中间特征建立关联，得到与该用户身份特征匹配的用户行为特征。4.根据权利要求3所述的方法，其特征在于，根据该历史网购数据对应的类别，提取得到对应的中间特征，具体包括：根据所述浏览数据提取得到对应的用户兴趣数据；并根据所述购物车数据和所述订单数据，提取得到对应的用户购买意愿。5.根据权利要求4所述的方法，其特征在于，根据所述浏览数据提取得到对应的用户兴趣数据，具体包括：确定所述浏览数据中包含的商品对应的商品标签；针对每个商品标签，根据该商品标签在所述浏览数据中的出现次数，确定用户针对每个商品标签的兴趣程度，所述兴趣程度与所述出现次数呈正相关。6.根据权利要求4所述的方法，其特征在于，根据所述购物车数据和所述订单数据，提取得到对应的用户购买意愿，具体包括：确定所述购物车数据和所述订单数据中分别包含的商品的商品标签；针对每个商品标签，根据该商品标签在所述购物车数据中的出现次数，相比于在订单数据中的出现次数的占比，得到用户针对每个商品标签的购买意愿，所述购买意愿与所述占比呈正相关。7.根据权利要求5或6所述的方法，其特征在于，根据该用户身份特征与所述中间特征建立关联，得到与该用户身份特征匹配的用户行为特征，具体包括：确定所述中间特征对应的商品标签；针对每个商品标签，对该用户身份特征与该商品标签之间的关联程度进行评分，其中，当所述中间特征为用户购买意愿时，购买意愿与评分呈正相关；当所述中间特征为用户兴趣数据时，兴趣程度与评分呈正相关；且在评分中，购买意愿相比于兴趣程度所占权重更大；
将评分后的商标标签与该用户身份特征建立关联，从而得到与该用户身份特征匹配的用户行为特征。8.根据权利要求7所述的方法，其特征在于，根据所述用户行为特征为目标用户在网购过程中进行商品推荐，具体包括：根据目标用户的身份信息提取得到所述目标用户的用户身份特征；根据所述用户行为特征，确定与所述目标用户的用户身份特征的关联程度最高的若干个商品标签；在商品库中，将携带有所述若干个商品标签的商品推荐给所述目标用户。9.一种基于大数据的网购设备，其特征在于，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如：在电商平台中获取历史网购数据，并将所述历史网购数据与对应的用户信息建立映射关系；对所述历史网购数据进行分类；针对每条分类后的历史网购数据，根据与该历史网购数据具有所述映射关系的用户信息进行特征提取，得到对应的用户身份特征，并根据该用户身份特征以及该历史网购数据进行特征提取，得到用户行为特征；根据所述用户行为特征为目标用户在网购过程中进行商品推荐。10.一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：在电商平台中获取历史网购数据，并将所述历史网购数据与对应的用户信息建立映射关系；对所述历史网购数据进行分类；针对每条分类后的历史网购数据，根据与该历史网购数据具有所述映射关系的用户信息进行特征提取，得到对应的用户身份特征，并根据该用户身份特征以及该历史网购数据进行特征提取，得到用户行为特征；根据所述用户行为特征为目标用户在网购过程中进行商品推荐。

技术总结
本申请公开了一种基于大数据的网购方法、设备及介质，方法包括：在电商平台中获取历史网购数据，并将历史网购数据与对应的用户信息建立映射关系；对历史网购数据进行分类；针对每条分类后的历史网购数据，根据与该历史网购数据具有映射关系的用户信息进行特征提取，得到对应的用户身份特征，并根据该用户身份特征以及该历史网购数据进行特征提取，得到用户行为特征；根据用户行为特征为目标用户在网购过程中进行商品推荐。基于网购数据中中的多个类别，能够在多个维度下更加全面的判断用户的喜好，从而得到更加合理客观的用户行为特征，如此在为用户推荐商品时，能够推荐到更符合用户喜好，有更高的浏览率和更高成交率的商品。有更高的浏览率和更高成交率的商品。有更高的浏览率和更高成交率的商品。


技术研发人员：魏光旭 单震 国靖
受保护的技术使用者：浪潮卓数大数据产业发展有限公司
技术研发日：2023.05.04
技术公布日：2023/8/9