[发明专利]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

说明书

本发明公开了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。本发明可以避免单一推荐算法的短板，提高了推荐效果。

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。