[发明专利]推荐方法及装置

说明书

技术领域

本发明涉及大数据领域，特别是涉及一种推荐方法及装置。

背景技术

随着电子商务的发展，越来越多的人利用电子商务平台进行商品信息的获取和商品的购买，在购买过程中，电子商务平台通常会对用户进行推荐，以提高用户的购买体验。目前的推荐算法主要有基于人口统计学的推荐、基于内容的推荐、协同过滤推荐等，其中，协同过滤算法有基于领域的方法（基于记忆的方法）、隐语义模型、基于图的随机游走算法等。

但上述推荐算法通常都有严重的可扩展性问题，推荐的实效性较差，且在推荐过程中，通常只基于单点数据进行推荐，使得推荐的范围较窄。如何避免推荐算法的可扩展性问题，提高推荐的实效性，扩大推荐范围，是目前提高用户购买体验亟待解决的问题之一。

发明内容

本发明主要解决的技术问题是提供一种推荐方法及装置，可避免推荐算法的可扩展性问题，提高推荐的实效性，并可扩大推荐范围。

为解决上述技术问题，本发明提供一种推荐方法，包括以下步骤：获取用户信息，用户信息包括浏览信息和购买信息；提取用户信息中的商品元素信息和行程元素信息；将商品元素信息和行程元素信息通过预先训练的BP神经网络的处理形成用户评分；计算用户评分与用户评分库里的评分值的相似度；获取与用户评分相似度较高的评分值对应的门店信息；将门店信息进行推荐。

其中，预先训练的BP神经网络是以用户信息为输入、用户评分为输出的BP神经网络。

其中，用户评分库是将用户信息中的商品元素信息和行程元素信息通过预先训练的BP神经网络的处理形成的用户评分库。

其中，商品元素信息为手表相关信息。

其中，门店信息为手表门店信息，包括门店地址信息、手表品牌信息及手表价格信息。

为解决上述技术问题，本发明提供一种推荐装置，包括：第一获取模块，用于获取用户信息，用户信息包括浏览信息和购买信息；提取模块，用于提取用户信息中的商品元素信息和行程元素信息；形成模块，用于将商品元素信息和行程元素信息通过预先训练的BP神经网络的处理形成用户评分；计算模块，用于计算用户评分与用户评分库里的评分值的相似度；第二获取模块，用于获取与用户评分相似度较高的评分值对应的门店信息；推荐模块，用于将门店信息进行推荐。

其中，预先训练的BP神经网络是以用户信息为输入、用户评分为输出的BP神经网络。

其中，用户评分库是将用户信息中的商品元素信息和行程元素信息通过预先训练的BP神经网络的处理形成的用户评分库。

其中，商品元素信息为手表相关信息。

其中，门店信息为手表门店信息，包括门店地址信息、手表品牌信息及手表价格信息。

本发明的有益效果是：区别于现有技术的情况，本发明的推荐方法具体为：首先获取用户信息，该用户信息包括浏览信息和购买信息，提取该用户信息中的商品元素信息和行程元素信息，然后将提取的商品元素信息和行程元素信息通过预先训练的BP神经网络，形成用户评分，计算该用户评分与用户评分库里的评分值的相似度，获取相似度较高的评分值对应的门店信息，最后将获取的门店信息进行推荐。其中，相似度的计算和门店信息的推荐采用基于用户的协同过滤算法。通过上述方式，BP神经网络和协同过滤算法相结合，可解决协同过滤算法扩展性差的问题，提高推荐的实效性，且对于BP神经网络，对其权值进行人工适当调节，可进一步提高推荐的实效性。在推荐过程中，基于商品元素信息和行程元素信息，大量的数据可扩大推荐的范围。

附图说明

图1是本发明推荐方法一实施例的流程示意图；

图2是本发明推荐装置一实施例的结构示意图。

具体实施方式

下面结合附图和实施例对本发明进行详细说明。

请参阅图1，图1是本发明推荐方法一实施例的流程示意图，如图1所示，包括以下步骤：

S11，获取用户信息，用户信息包括浏览信息和购买信息。

本实施例方法由商品交易平台实现，当用户使用该平台时，对用户进行门店信息的推荐。在推荐过程中，首先获取用户的信息，用户信息为用户在互联网上的信息，如浏览信息、购买信息等。

S12，提取用户信息中的商品元素信息和行程元素信息。