[发明专利]智能终端、智能家居设备的营销推荐方法及系统

说明书

本发明涉及一种智能终端、智能家居设备的营销推荐方法及系统。方法包括：根据每台主机所绑定的设备清单，采用聚类算法对所有主机进行分类；统计每类主机下的用户，构成每类主机的用户池；对于某一类主机的用户池，采用时间衰减算法得到该用户池中每个用户的推荐向量；进而采用聚类算法对该用户池中的用户进行分类；统计该用户池中每类用户所在主机绑定的设备清单，构成该用户池中每类用户的设备池；对于每类用户下的某一个用户，将对应设备池中该用户未购买的设备推荐。本发明通过双聚类将推荐时，使用的数据范围进行缩小，并且兼顾了用户的近期设备的点击操作习惯，使得同类用户的相似度更高，不仅提高了推荐的准确性，而且有效的减少计算量。

技术领域

本发明涉及一种智能终端、智能家居设备的营销推荐方法及系统，属于智能家居技术领域。

背景技术

随着大数据时代到来，各行各业数据采集和存储设备不断健全，用户的数据量无论从时间维度还是空间维度都在迅速增加。智能家居行业更是数据产量大户，这些数据可以实现智能家居设备的精准营销，为用户推荐适合用户的可购买的智能家居产品。

目前，现有技术中用于营销的算法有以下几种：

1.聚类算法。作为无监督学习的聚类算法，主要分为以下几类：基于划分的聚类算法、基于层次的聚类算法以及基于密度的聚类算法等。例如：DBSCAN聚类算法，该算法可以对任意形状的稠密数据集进行聚类，抗异常点干扰能力强；然而当空间聚类的密度不均匀、聚类间距差相差很大时，聚类质量较差，导致推荐结果的准确度下降，用户的体检效果不佳。

2.协同过滤算法。协同过滤算法作为推荐系统的流行算法，被广泛应用于各大电商平台。协同过滤算法分为基于用户和基于物品两类，基于物品的协同过滤算法很难提供令用户信服的推荐解释，会使用户体验变差；基于用户的协同过滤算法适用于用户较少的场合，如果用户很多，计算用户相似度矩阵代价很大，推荐效率低，用户的体验效果不佳。

3.时间衰减算法。电商行业在给用户推荐商品时，会分析用户对于平台商品的兴趣偏好度，同时这个兴趣偏好度也会随着时间的流逝而发生变化。时间衰减算法考虑了用户兴趣偏好与时间远近有关，然而由于该算法侧重于考虑用户近期的兴趣偏好而使得整体推荐并不准确，用户的体检效果不佳。

综上，现有的算法推荐不准确、效率低，用户的体验效果不佳。

发明内容

本发明的目的在于提供一种智能家居设备的营销推荐方法，用以解决现有营销推荐方法推荐准确度低、效率低，用户体验效果不佳的问题；同时还提供一种智能家居设备的营销推荐系统，用以解决现有推荐系统推荐准确度低、效率低，用户体验效果不佳的问题；同时还提供一种智能终端，用以解决现有智能终端推荐准确度低、效率低，用户体验效果不佳的问题。

为实现上述目的，本发明提出一种智能家居设备的营销推荐方法，包括以下步骤：

根据每台主机所绑定的设备清单，采用聚类算法对所有主机进行分类；

统计每类主机下的用户，构成每类主机的用户池；

对于某一类主机的用户池，根据用户近期的设备点击次数，采用时间衰减算法得到该用户池中每个用户的推荐向量；

根据该用户池中每个用户的推荐向量，采用聚类算法对该用户池中的用户进行分类；

统计该用户池中每类用户所在主机绑定的设备清单，构成该用户池中每类用户的设备池；

对于该用户池中每类用户下的某一个用户，将对应设备池中该用户未购买的设备生成推荐清单推荐给该用户。