一种基于多策略池的线下零售门店用商品推荐方法及系统

技术领域

本发明涉及数据处理应用领域，具体涉及一种基于多策略池的线下零售门店用商品推荐方法及系统。

背景技术

随着互联网、电子支付、大数据等技术的快速发展，为了满足消费者的个性化需求，由于面向消费者(B2C、C2C)类的线上电商平台千人千面的消费者个性化精准推荐起步很早，如美国的亚马逊、中国的淘宝、京东等，因此相关研究也比较丰富，平台构架和关键技术已经比较成熟，反观传统线下零售门店，由于数字化程度低且缺乏消费者数字化洞察能力，仍然大量依靠导购经验为消费者提供推荐服务，很少有学者专门针对其推荐系统展开深入的研究，只能说还处于逐步探索的阶段。

不同于常用的线上推荐算法(主要包括基于内容的推荐、协同过滤推荐、基于关联规则的推荐、基于知识的推荐等)。由于算法原理和过程的侧重各有不同，各种推荐算法各有优劣，适用的典型应用场景也各不相同。其中协同过滤(collaboratIve filtering，CF)推荐算法以相似用户群体对某一产品的满意度作为主要依据来推测另一与该群体相似的用户对相似产品的满意度，分为基于用户的(User-based)、基于物品的(Item-based)推荐算法等。其在推荐性能以及个性化方面具有一定的优势，但存在数据稀疏、冷启动、推荐质量决定于历史数据等问题。

线下零售门店场景的推荐算法，更加偏重在通过AIoT相关智能硬件提取门店用户实时偏好特征，结合线上消费偏好特征，建立推荐算法策略模型。主要难点在于：1)用户模型的稳定性：消费者对于商品的喜好会受流行趋势、季节变化等的影响，甚至是受某明星、某文化的一时影响，这些影响触及了基于用户的协同过滤短板，使得系统不能建立稳定的用户模型；2)推荐系统的运算量：商品的分类和评价方式更加多元化，加之用户兴趣的多变，导致推荐系统的数据多、计算量大、更新快，数据库维护成本高；3)用户动态模型的研究：随着时间的改变，用户相应的兴趣偏好也会随之改变，根据用户以往的偏好来推测现在，是不能引导用户发现新潮流的；4)推荐算法的单一化：目前大部分电商的智能推荐只运用单一的推荐技术、使用单一的推荐模型，无法在不同的场合进行不同的推荐服务，更不用说如何满足线下零售门店的应用场景-将推荐算法适用于企业的多个线下门店。故提出一套针对线下零售门店的推荐系统极为重要。

发明内容

本发明的目的在于，提供一种基于多策略池的线下零售门店用商品推荐方法及系统。本发明可以避免单一推荐算法的短板，提高了推荐效果。

为解决上述技术问题，本发明提供的技术方案如下：一种基于多策略池的线下零售门店用商品推荐方法，包括以下步骤：

S1：对商品和用户的数据进行采集；

S2：建立多策略池，所述多策略池包括用户特征匹配策略池、商品热度策略池、专家策略池、舆情策略池和备用策略池；根据采集的数据在多策略池中生成各策略池对应的用户-商品向量；

S3：收集多策略池中各策略池对应的用户-商品向量构成数据集，采用AdaBoost算法训练数据集更新各策略池的权重；

S4:根据更新的权重对多策略池中各策略池的推荐商品数量进行分配，将多策略池中各策略池的推荐商品投入总的推荐商品池中，形成推荐商品列表。

上述的基于多策略池的线下零售门店用商品推荐方法，步骤S1中的采集包括商品特征数据采集、线下订单数据采集、商品试用数据采集、设备数据采集和线上订单数据采集。

前述的基于多策略池的线下零售门店用商品推荐方法，所述用户特征匹配策略池由基于模型的协同过滤算法和基于用户的协同过滤算法并行生成；

所述的基于模型的协同过滤算法以用户行为与商品的关联度为标准进行评分，包括以下步骤：

1.1.1：用户进入实体店以后通过人脸识别，调取出用户个人资料与其行为记录。

1.1.2：将用户的行为记录分为长期行为与近期行为；

1.1.3：利用修正余弦相似度的公式对商品特征向量以及用户行为记录指向商品特征向量进行相似度计算，公式如下所示：

其中R

1.1.4：针对用户的近期行为与长期行为，使得用户在相隔很短时间内喜欢的商品具有更高的相似度，即加重用户近期行为的权重,公式如下所示：

其中t表示用户上次购买商品至今的时间间隔，

其中

1.1.5：预测目标用户对商品的评分，评分预测计算公式如下：

其中R

1.1.6：因为用户-商品矩阵R中会存在一定的缺失值，通过矩阵分解，将一个数据稀少的矩阵利用隐语义模型的方法分解成两个低维矩阵，即将用户-商品矩阵R分解成两个低维矩阵，分解后的矩阵U和V的乘积近似为R，如下式所示：

根据上式，评分预测值通过下式进行计算：

1.1.7：通过用户-商品矩阵R来得到U和V，并找到合适的U和V来最小化误差，定义损失函数如下式：

1.1.8：利用随机梯度下降法最小化定义损失函数，首先对参数求偏导，得到：

1.1.9：将参数沿下降最快的方向推进，递推公式如下：

1.1.10：损失函数定义的误差不再变化或达到误差范围内时，随机梯度下降法迭代结束,将上述两个求得矩阵进行行列内积，补全矩阵，得到所需用户-商品矩阵；

1.1.11：取出评分前Z的商品，生成用户-商品向量

所述的基于用户的协同过滤算法通过用户的特征找到其相似用户集，为用户推荐相似用户集中相似用户购买的其他商品，包括以下步骤：

1.2.1：用户进入实体店以后，通过利用人脸识别技术获得其个人的特征向量，将其个人的特征向量与其他用户的特征向量进行相似度计算；

1.2.2：相似度计算完毕以后，采用线性加权的方法计算出评分，公式如下：

其中P(i，j)为用户i和用户j的相似评分，λ

1.2.3：选取评分最高的k位用户，利用步骤1.1.10生成的用户-商品矩阵取k位用户购买的商品中评分最高的Z个商品，记为推荐商品，生成用户-商品向量

前述的基于多策略池的线下零售门店用商品推荐方法，所述的商品热度策略池根据商品线下销售和线下试用数据以及商品线上销售数据这两种数据并行地进行商品热度排序，包括以下步骤：

2.1：商品线下销售和线下试用数据计算，包括：

2.1.1：计算商品的线下销售量，公式如下：

其中B

2.1.2：计算该商品线下被试用的总次数，公式如下：

其中U

2.2.商品线上销售数据计算，包括：

2.2.1：计算该商品的线上销售量，公式如下：

其中B

2.3：将商品的唯一id标签、线下销售量、被试用次数、线上销售量作为特征数据，采用常用的K-Means聚类算法进行聚类，预设类别数为t＝2

2.3.1：数据预处理：将特征数据归一化操作，并且进行异常点检测，防止离群点或者噪声数据对均值产生较大的影响，导致中心偏移；

2.3.2：初始化：随机初始化各类的中心点σ

2.3.3：对于每个数据点x

其中i＝1，2，...8，k即为数据点x

2.3.4：针对每个分类，基于类别中的样本点，通过取类中所有向量的均值来重新计算聚类中心点，计算公式如下：

即属于该类的所有样本的质心，其中x为样本，c

2.3.5：目标函数为最小化平方误差E，公式如下：

迭代重复上述步骤，直到聚类中心不再变化，或者其变化在误差范围内，或者已达到最大迭代次数，则停止迭代；

2.3.6：随机初始化类别中心n次，筛选出n次均被分类到具有线下销售量高、被试用次数多、线上销售量高特征的一类的商品。

2.4：将热度为前Z的商品标记为推荐商品，生成用户-商品向量

前述的基于多策略池的线下零售门店用商品推荐方法，所述的专家策略池以商品被推荐的搭配次数以及专家的推荐能力的乘积作为评分标准,过程如下：

3.1：由r个专家给出商品的搭配策略，根据搭配策略推荐符合搭配的商品作为推荐商品；

3.2：将专家k推荐的搭配商品a和b量化，公式如下：

其中I

3.3：以商品和被推荐的搭配次数以及专家的推荐能力作为评分标准，公式如下：

p

3.4：将商品与商品之间的评分矩阵进行归一化，更新商品对的评分，公式如下:

其中商品一共有n件；

3.5：依据评分将专家评分前Z的商品记为推荐商品，生成用户-商品向量

前述的基于多策略池的线下零售门店用商品推荐方法，所述的舆情策略池以商品的舆论热度作为评分标准,过程如下：

4.1：通过网络爬虫手段获取商品最新相关动态，包括明星、网红在微博、小红书、抖音的推荐搭配以及微博、知乎的热度榜单；

4.2：从中选取前Z个符合要求的商品记为推荐商品，生成用户-商品向量

前述的基于多策略池的线下零售门店用商品推荐方法，所述的备用策略池根据商家售卖的不同商品种类本身特色作为标准，从中选取前Z个符合要求的商品记为推荐商品，生成用户-商品向量

8、根据权利要求1所述的基于多策略池的线下零售门店用商品推荐方法，其特征在于：步骤S3中，所述的数据集为

采用AdaBoost算法训练数据集更新各策略池的权重的过程如下：

5.1：初始化样本的权重：

D

其中：ω

5.2：对m＝1，2，…M重复以下操作得到M个基学习器：

5.2.1：按照样本权重D

G

5.2.2：计算G

5.2.3：计算G

5.2.4：更新训练样本的权重：

D

其中Z

5.2.5：输出所需权重(ω

5.2.6：隔一段时间后，依照上述步骤自动进行多策略池的权重更新。

前述的基于多策略池的线下零售门店用商品推荐方法，步骤S4中，总的推荐商品池中还具有商家自身推荐的商品，以此进行排序生成最终的推荐商品列表。

一种推荐系统，具有如前述的基于多策略池的线下零售门店用商品推荐方法的系统。

与现有技术相比，本发明具有以下有益效果：

1、本发明首先对商品和用户的数据进行采集，再建立多策略池；根据采集的数据在多策略池中生成各策略池对应的用户-商品向量，然后收集多策略池中各策略池对应的用户-商品向量构成数据集，采用AdaBoost算法训练数据集更新各策略池的权重；最后根据更新的权重对多策略池中各策略池的推荐商品数量进行分配，将多策略池中各策略池的推荐商品投入总的推荐商品池中，形成推荐商品列表。本发明通过混合多种策略池实时做出推荐决策，在避免单一推荐算法的短板的同时，保证了推挤效果，能够很好的为各企业的用户提供各种个性化需求的服务，提高商品转化率，将潜在用户转化为忠实用户。

2、本发明的多种策略池可以解决数据稀疏问题、模糊问题，即用户兴趣爱好不太明显、同义问题，即推荐相关性过大、甚至推荐重复的物品给用户的问题、冷启动等问题。

其中，针对数据稀疏问题，本发明的用户特征匹配策略池中采用基于模型的协同过滤算法中的矩阵分解，即降维的方式，将一个数据稀少的矩阵利用隐语义模型的方法分解成两个低维矩阵，再通过损失函数等步骤用以补全矩阵，从而可以解决数据稀疏问题。

针对模糊问题、用户喜好稳定性和可塑性问题，本发明一方面在基于模型的协同过滤推荐算法部分，增加了排序时根据对用户的兴趣物品进行时间衰减排序的步骤，使得基于近期的兴趣物品的推荐商品排序更靠前，可以根据用户的兴趣爱好随着时间改变作出相应的变化，同时由于用户对商品的喜好会受流行趋势、季节变化等的影响，甚至是受某明星、某文化的一时影响，因此本发明提出了舆情策略池及备用策略池模块，用于添加这些外部因素，其中舆情策略池包括商品最新相关动态，如明星穿搭、热销榜单等，从而可以良好的适应用户的喜好。

针对同义问题，本发明提出了商品热度策略池，根据商品线下销售和线下试用数据以及商品线上销售数据这两种数据并行地进行商品热度排序，将线上消费数据也作为一种参考，形成线上消费偏好特征，作为商品热度策略池的一部分，对用户进行商品推荐，解决推荐相关性过大、甚至推荐重复的物品给用户的问题。

针对线下零售门店场景，本发明提出了专家策略池模块，主要为设计师、专业导购人工搭配策略，即用户购买商品的互补商品或相关商品，以满足用户的消费需求，给用户以美好的购物体验；

针对冷启动问题，本发明在新用户启动后，根据用户特征匹配策略池中的基于用户的协同过滤算法、商品热度策略池、专家策略池、舆情策略池以及其他策略池进行商品推荐；新商品启动后，根据用户特征匹配策略池中的基于模型的协同过滤算法、专家策略池以及其他策略池进行商品推荐，新系统启动后，根据专家策略池以及其他策略池进行商品推荐，由此可以解决冷启动导致的商品推荐效果不好的问题。

3、本发明的备用策略池根据商家售卖的不同商品种类本身特色作为标准，商家可以设置当季主推款商品，这些商品在推荐的最终结果中必然会出现，以提高该商品的曝光率，进而促进消费。

附图说明

图1是本发明的示意图。

具体实施方式

下面结合实施例和附图对本发明作进一步的说明，但并不作为对本发明限制的依据。

实施例：一种基于多策略池的线下零售门店用商品推荐方法，如图1所示，包括以下步骤：

S1：对商品和用户的数据进行采集；采集包括商品特征数据采集、线下订单数据采集、商品试用数据采集、设备数据采集和线上订单数据采集。其中，商品特征数据采集根据商品的标签进行商品特征数据的采集，将抽象数据量化成计算机能够处理的数据，并且赋予每一件商品以唯一的id标签值，以便后续处理。线下订单数据采集根据线下订单，即用户在线下零售门店的购买记录，提取所需的用户标签、商品标签、购买数量、购买时间等信息，以便后续处理。商品试用数据采集是通过在线下零售门店，通过感知设备进行数据采集，获得用户试用该商品的次数，以得到用户的实时偏好数据。设备采集数据采集是通过在线下零售门店，通过设备进行数据采集，利用人脸识别等技术获得用户个人数据，如性别、年龄段等信息。线上订单数据采集类似于线下订单数据采集，提取订单中包含的用户标签、商品标签、购买数量、购买时间等信息，不同的是，订单来源为线上销售。

S2：建立多策略池，所述多策略池包括用户特征匹配策略池、商品热度策略池、专家策略池、舆情策略池和备用策略池；根据采集的数据在多策略池中生成各策略池对应的用户-商品向量；具体如下：

所述用户特征匹配策略池由基于模型的协同过滤算法和基于用户的协同过滤算法并行生成；

所述的基于模型的协同过滤算法以用户行为与商品的关联度为标准进行评分，包括以下步骤：

1.1.1：用户进入实体店以后通过人脸识别，调取出用户个人资料与其行为记录。

1.1.2：将用户的行为记录分为长期行为与近期行为；

1.1.3：利用修正余弦相似度的公式对商品特征向量以及用户行为记录指向商品特征向量进行相似度计算，公式如下所示：

其中R

1.1.4：针对用户的近期行为与长期行为，使得用户在相隔很短时间内喜欢的商品具有更高的相似度，即加重用户近期行为的权重,公式如下所示：

其中t表示用户上次购买商品至今的时间间隔，如1个月，

其中

1.1.5：预测目标用户对商品的评分，评分预测计算公式如下：

其中R

1.1.6：因为用户-商品矩阵R中会存在一定的缺失值，通过矩阵分解，将一个数据稀少的矩阵利用隐语义模型的方法分解成两个低维矩阵，即将用户-商品矩阵R分解成两个低维矩阵，分解后的矩阵U和V的乘积近似为R，如下式所示：

根据上式，评分预测值通过下式进行计算：

1.1.7：通过用户-商品矩阵R来得到U和V，并找到合适的U和V来最小化误差，定义损失函数如下式：

1.1.8：利用随机梯度下降法最小化定义损失函数，首先对参数求偏导，得到：

1.1.9：将参数沿下降最快的方向推进，递推公式如下：

1.1.10：损失函数定义的误差不再变化或达到误差范围内时，随机梯度下降法迭代结束,将上述两个求得矩阵进行行列内积，补全矩阵，得到所需用户-商品矩阵；

1.1.11：取出评分前Z的商品，生成用户-商品向量

所述的基于用户的协同过滤算法通过用户的特征找到其相似用户集，为用户推荐相似用户集中相似用户购买的其他商品，包括以下步骤：

1.2.1：用户进入实体店以后，通过利用人脸识别技术获得其个人的特征向量，将其个人的特征向量与其他用户的特征向量进行相似度计算；例如性别、年龄段等。主要方法如下：

①性别

定义用户性别取值如下：

其中U

当两个用户性别相同时，则相似度为1，反之则为0。相似度计算的公式如下：

②年龄段

不同年龄层的用户的兴趣爱好关注点存在一定的差异，年龄段相似度的计算如下：

其中U

③共同购买的商品数量

如果该用户是老用户，则还需要通过用户的历史购买数据去寻找其他相似用户，通过对比用户之间共同购买的商品的进行评分。

其中T

④其他

除了上述性质外，各种不同的商品类推荐还可采集不同的信息，比如服饰类还可采集用户身上服饰品牌、颜色等，将其个人特征向量与其他用户特征向量进行相似度计算。

1.2.2：相似度计算完毕以后，采用线性加权的方法计算出评分，公式如下：

其中P(i，j)为用户i和用户j的相似评分，λ

1.2.3：选取评分最高(即相似度最高)的k位用户，利用步骤1.1.10生成的用户-商品矩阵取k位用户购买的商品中评分最高的Z个商品，记为推荐商品，生成用户-商品向量

所述的商品热度策略池根据商品线下销售和线下试用数据以及商品线上销售数据这两种数据并行地进行商品热度排序，包括以下步骤：

2.1：商品线下销售和线下试用数据计算，包括：

2.1.1：计算商品的线下销售量，公式如下：

其中B

2.1.2：计算该商品线下被试用的总次数，公式如下：

其中U

2.2.商品线上销售数据计算，包括：

2.2.1：计算该商品的线上销售量，公式如下：

其中B

2.3：将商品的唯一id标签、线下销售量、被试用次数、线上销售量作为特征数据，采用常用的K-Means聚类算法进行聚类，预设类别数为t＝2

2.3.1：数据预处理：将特征数据归一化操作，并且进行异常点检测，防止离群点或者噪声数据对均值产生较大的影响，导致中心偏移；

2.3.2：初始化：随机初始化各类的中心点σ

2.3.3：对于每个数据点x

其中i＝1，2，...8，k即为数据点x

2.3.4：针对每个分类，基于类别中的样本点，通过取类中所有向量的均值来重新计算聚类中心点，计算公式如下：

即属于该类的所有样本的质心，其中x为样本，c

2.3.5：目标函数为最小化平方误差E，公式如下：

迭代重复上述步骤，直到聚类中心不再变化，或者其变化在误差范围内，或者已达到最大迭代次数，则停止迭代；

2.3.6：以防万一本次聚类效果不好，随机初始化类别中心n次，筛选出n次均被分类到具有线下销售量高、被试用次数多、线上销售量高特征的一类的商品。

2.4：将热度为前Z的商品标记为推荐商品，生成用户-商品向量

所述的专家策略池以商品被推荐的搭配次数以及专家的推荐能力的乘积作为评分标准,过程如下：

3.1：由r个专家给出商品的搭配策略(例如服装类商家的专家会给出服装的穿搭策略)，根据搭配策略推荐符合搭配的商品作为推荐商品；

3.2：将专家k推荐的搭配商品a和b量化，公式如下：

其中I

3.3：以商品和被推荐的搭配次数以及专家的推荐能力作为评分标准，公式如下：

p

3.4：将商品与商品之间的评分矩阵进行归一化，更新商品对的评分，公式如下:

其中商品一共有n件；

3.5：依据评分将专家评分前Z的商品记为推荐商品，生成用户-商品向量

所述的舆情策略池以商品的舆论热度作为评分标准,过程如下：

4.1：通过网络爬虫手段获取商品最新相关动态，包括明星、网红在微博、小红书、抖音的推荐搭配以及微博、知乎的热度榜单；

4.2：从中选取前Z个符合要求的商品记为推荐商品，生成用户-商品向量

所述的备用策略池根据商家售卖的不同商品种类本身特色作为标准，从中选取前Z个符合要求的商品记为推荐商品，生成用户-商品向量

S3：收集多策略池中各策略池对应的用户-商品向量构成数据集，采用AdaBoost算法训练数据集更新各策略池的权重；

步骤S3中，所述的数据集为

采用AdaBoost算法训练数据集更新各策略池的权重的过程如下：

5.1：初始化样本的权重：

D

其中：ω

5.2：对m＝1，2，…M重复以下操作得到M个基学习器：

5.2.1：按照样本权重D

G

5.2.2：计算G

5.2.3：计算G

5.2.4：更新训练样本的权重：

D

其中Z

5.2.5：输出所需权重(ω

5.2.6：隔一段时间后，在商家停止营业时，依照上述步骤自动进行多策略池的权重更新。

S4:根据更新的权重对多策略池中各策略池的推荐商品数量进行分配，将多策略池中各策略池的推荐商品投入总的推荐商品池中，形成推荐商品列表，其中，总的推荐商品池中还具有商家自身推荐的商品，以此进行排序生成最终的推荐商品列表。

综上，本发明首先对商品和用户的数据进行采集，再建立多策略池；根据采集的数据在多策略池中生成各策略池对应的用户-商品向量，然后收集多策略池中各策略池对应的用户-商品向量构成数据集，采用AdaBoost算法训练数据集更新各策略池的权重；最后根据更新的权重对多策略池中各策略池的推荐商品数量进行分配，将多策略池中各策略池的推荐商品投入总的推荐商品池中，形成推荐商品列表。本发明通过混合多种策略池实时做出推荐决策，在避免单一推荐算法的短板的同时，保证了推挤效果，能够很好的为各企业的用户提供各种个性化需求的服务，提高商品转化率，将潜在用户转化为忠实用户。