[发明专利]一种物品推荐方法及系统

权利要求书

1.一种物品推荐方法，其特征在于，所述方法包括：

获取一段时间的历史数据，所述历史数据包括用户信息、物品信息、用户订单信息、用户浏览物品信息、用户收藏物品信息或用户对物品的评价信息；

根据所述历史数据生成元特征，所述元特征包括：用户信息、交互行为特征、关注行为特征和用户购买转化率；

在所述一段时间内构建时间窗口，所述时间窗口为从标签月向前推算时间宽度得到；所述标签月是指从所述一段时间的起始月向后推算最大窗口的月份到所述一段时间的终止月之间的月份，所述时间窗口至少有两个；

根据通过所述时间窗口扩充后的样本集分别分析所述元特征，构建训练集；

根据所述训练集训练LightGBM模型，其中，采用交叉验证法对所述LightGBM模型进行训练；

根据所述LightGBM模型生成回归预测结果，所述回归预测结果包括用户购买订单数；

根据所述回归预测结果将物品推荐给所述用户。

2.根据权利要求1所述的物品推荐方法，其特征在于，所述交互行为特征包括：购买特征、地理特征、参数信息、用户花费、用户购买集中度或用户物品忠诚度；

所述关注行为特征包括：浏览、收藏或加购物车特征。

3.根据权利要求2所述的物品推荐方法，其特征在于，所述根据所述回归预测结果将物品推荐给所述用户，包括：

对所述回归预测结果由高到低进行排序，根据排序结果将物品推荐给对应的所述用户。

4.根据权利要求3所述的物品推荐方法，其特征在于，所述时间窗口包括：从标签月前一个月分别向前推算7天、14天、1个月、3个月和6个月。

5.根据权利要求4所述的物品推荐方法，其特征在于，所述根据所述LightGBM模型生成回归预测结果，包括：

根据采用交叉验证法训练后获得的LightGBM模型分别获取预测结果，计算预测结果的平均值，作为回归预测结果。

6.根据权利要求5所述的物品推荐方法，其特征在于，所述方法还包括：

收集被推荐用户接收物品推荐后的购买数据，所述购买数据包括实际购买的用户数；

根据用户推荐购买率评价所述回归预测结果；

所述用户推荐购买率＝实际购买的用户数/推荐用户总数，其中，所述推荐用户总数从所述回归预测结果中获得。

7.一种物品推荐系统，其特征在于，所述系统包括：

数据获取单元，用于获取一段时间的历史数据，所述历史数据包括用户信息、物品信息、用户订单信息、用户浏览物品信息、用户收藏物品信息或用户对物品的评价信息；

特征生成单元，用于根据所述历史数据生成元特征，所述元特征包括：用户信息、交互行为特征、关注行为特征和用户购买转化率；

训练集构建单元，用于在所述一段时间内构建时间窗口，所述时间窗口为从标签月向前推算时间宽度得到；所述标签月是指从所述一段时间的起始月向后推算最大窗口的月份到所述一段时间的终止月之间的月份，所述时间窗口至少有两个；以及

根据通过所述时间窗口扩充后的样本集分别分析所述元特征，构建训练集；

模型构建单元，用于根据所述训练集训练LightGBM模型，其中，采用交叉验证法对所述LightGBM模型进行训练；

分析单元，用于根据所述LightGBM模型生成回归预测结果，所述回归预测结果包括用户购买订单数；

推荐单元，用于根据所述回归预测结果将物品推荐给所述用户。

8.根据权利要求7所述的物品推荐系统，其特征在于，所述交互行为特征包括：购买特征、地理特征、参数信息、用户花费、用户购买集中度或用户物品忠诚度；

所述关注行为特征包括：浏览、收藏或加购物车特征。

9.根据权利要求8所述的物品推荐系统，其特征在于，所述根据所述回归预测结果将物品推荐给所述用户包括：

对所述回归预测结果由高到低进行排序，根据排序结果将物品推荐给对应的所述用户。