本發(fā)明涉及數(shù)據(jù)處理領(lǐng)域，特別涉及一種基于大數(shù)據(jù)進(jìn)行購物推薦的方法和設(shè)備。

背景技術(shù)：

現(xiàn)在隨著網(wǎng)絡(luò)購物的發(fā)展，人們越來越傾向于在網(wǎng)絡(luò)上進(jìn)行購物，但是，賣家以及商品的豐富程度太高了，導(dǎo)致目前的網(wǎng)購方式中用戶輸入關(guān)鍵詞后，得到的結(jié)果太多，而用戶想要找到自己想要的商品，還是需要經(jīng)過自己人工的方式進(jìn)行大量的篩選才能得到，以此造成了時間上以及精力上的浪費，進(jìn)而導(dǎo)致用戶體驗不好。

為此，目前需要一種更精準(zhǔn)給用戶購物推薦的方式。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)中的缺陷，本發(fā)明提出了一種基于大數(shù)據(jù)進(jìn)行購物推薦的方法和設(shè)備，實現(xiàn)了對用戶的精準(zhǔn)購物推薦。

具體的，本發(fā)明提出了以下具體的實施例：

本發(fā)明實施例提出了一種基于大數(shù)據(jù)進(jìn)行購物推薦的方法，包括：

獲取用戶所輸入的搜索關(guān)鍵詞；

確定所述搜索關(guān)鍵詞對應(yīng)的商品信息；

從所述用戶的大數(shù)據(jù)中確定與所述用戶存在人際關(guān)系的其他用戶；其中，與所述用戶的人際關(guān)系越近的其他用戶，所對應(yīng)的影響權(quán)重越大；

基于各所述其他用戶的購買記錄和影響權(quán)重對所述商品信息進(jìn)行篩選，以確定待推薦商品信息；

將所述待推薦商品信息推薦給所述用戶。

在一個具體的實施例中，若所述推薦商品信息的數(shù)量超過預(yù)設(shè)值；所述商品信息中包括商家的信息；該方法還包括：

獲取各所述推薦商品信息的商家的發(fā)貨位置以及信譽(yù)信息；

基于所述商家的發(fā)貨位置與所述用戶對應(yīng)的地址的遠(yuǎn)近對所述商家設(shè)置位置權(quán)重；

基于所述信譽(yù)信息從高到地對所述商家進(jìn)行排序，以生成信譽(yù)序列；

從所述信譽(yù)序列中篩選預(yù)設(shè)個數(shù)的商家；

對篩選出的商家按照位置權(quán)重從高到低生成推薦序列；

所述將所述待推薦商品信息推薦給所述用戶，包括：

將所述推薦序列所包括的待推薦商品信息按照所述位置權(quán)重的高低順序推薦給所述用戶。

在一個具體的實施例中，將所述待推薦商品信息推薦給所述用戶之后，該方法還包括：

獲取所述用戶的歷史購買記錄；

基于所述歷史購買記錄中的商品確定所述待推薦商品信息中商品的購買記錄；

基于所述購買記錄對所購買的商品對應(yīng)的其他用戶的影響權(quán)重進(jìn)行調(diào)整；其中，購買記錄中商品的購買數(shù)量越多，調(diào)整后所購買的商品對應(yīng)的其他用戶的影響權(quán)重越大。

在一個具體的實施例中，該方法還包括：

獲取所述用戶的購買記錄；

判斷所述商品信息中是否存在有商品與所述購買記錄中的商品一致；

若判斷結(jié)果為是，則將所述購買記錄中的商品設(shè)置為待推薦商品信息。

在一個具體的實施例中，所述待推薦商品信息中包括鏈接；

所述“將所述待推薦商品信息推薦給所述用戶”，包括：

提取所述待推薦商品信息中的鏈接；

將所述鏈接推送給所述用戶。

本發(fā)明實施例還提出了一種基于大數(shù)據(jù)進(jìn)行購物推薦的設(shè)備，包括：

獲取模塊，用于獲取用戶所輸入的搜索關(guān)鍵詞；

第一確定模塊，用于確定所述搜索關(guān)鍵詞對應(yīng)的商品信息；

第二確定模塊，用于從所述用戶的大數(shù)據(jù)中確定與所述用戶存在人際關(guān)系的其他用戶；其中，與所述用戶的人際關(guān)系越近的其他用戶，所對應(yīng)的影響權(quán)重越大；

第三確定模塊，用于基于各所述其他用戶的購買記錄和影響權(quán)重對所述商品信息進(jìn)行篩選，以確定待推薦商品信息；

推薦模塊，用于將所述待推薦商品信息推薦給所述用戶。

在一個具體的實施例中，該設(shè)備還包括：

排序模塊，用于當(dāng)所述推薦商品信息的數(shù)量超過預(yù)設(shè)值時，獲取各所述推薦商品信息的商家的發(fā)貨位置以及信譽(yù)信息；所述商品信息中包括商家的信息；

基于所述商家的發(fā)貨位置與所述用戶對應(yīng)的地址的遠(yuǎn)近對所述商家設(shè)置位置權(quán)重；

基于所述信譽(yù)信息從高到地對所述商家進(jìn)行排序，以生成信譽(yù)序列；

從所述信譽(yù)序列中篩選預(yù)設(shè)個數(shù)的商家；

對篩選出的商家按照位置權(quán)重從高到低生成推薦序列；

所述推薦模塊，用于：

將所述推薦序列所包括的待推薦商品信息按照所述位置權(quán)重的高低順序推薦給所述用戶。

在一個具體的實施例中，該設(shè)備還包括：調(diào)整模塊，用于：將所述待推薦商品信息推薦給所述用戶之后，獲取所述用戶的歷史購買記錄；

基于所述歷史購買記錄中的商品確定所述待推薦商品信息中商品的購買記錄；

基于所述購買記錄對所購買的商品對應(yīng)的其他用戶的影響權(quán)重進(jìn)行調(diào)整；其中，購買記錄中商品的購買數(shù)量越多，調(diào)整后所購買的商品對應(yīng)的其他用戶的影響權(quán)重越大。

在一個具體的實施例中，所述推薦模塊，還用于：

獲取所述用戶的購買記錄；

判斷所述商品信息中是否存在有商品與所述購買記錄中的商品一致；

若判斷結(jié)果為是，則將所述購買記錄中的商品設(shè)置為待推薦商品信息。

在一個具體的實施例中，所述待推薦商品信息中包括鏈接；

所述推薦模塊，用于：

提取所述待推薦商品信息中的鏈接；

將所述鏈接推送給所述用戶。

以此，本發(fā)明實施例提出了一種基于大數(shù)據(jù)進(jìn)行購物推薦的方法和設(shè)備，其中該方法包括：獲取用戶所輸入的搜索關(guān)鍵詞；確定所述搜索關(guān)鍵詞對應(yīng)的商品信息；從所述用戶的大數(shù)據(jù)中確定與所述用戶存在人際關(guān)系的其他用戶；其中，與所述用戶的人際關(guān)系越近的其他用戶，所對應(yīng)的影響權(quán)重越大；基于各所述其他用戶的購買記錄和影響權(quán)重對所述商品信息進(jìn)行篩選，以確定待推薦商品信息；將所述待推薦商品信息推薦給所述用戶。以此通過考慮人際關(guān)系的影響來對用戶進(jìn)行購物推薦，實現(xiàn)了對用戶的精準(zhǔn)購物推薦，減少了用戶篩選的工作量，提高了用戶的購物體驗。

附圖說明

為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對實施例中所需要使用的附圖作簡單地介紹，應(yīng)當(dāng)理解，以下附圖僅示出了本發(fā)明的某些實施例，因此不應(yīng)被看作是對范圍的限定，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他相關(guān)的附圖。

圖1為本發(fā)明實施例提出的一種基于大數(shù)據(jù)進(jìn)行購物推薦的方法的流程示意圖；

圖2為本發(fā)明實施例提出的一種基于大數(shù)據(jù)進(jìn)行購物推薦的設(shè)備的結(jié)構(gòu)示意圖；

圖3為本發(fā)明實施例提出的一種基于大數(shù)據(jù)進(jìn)行購物推薦的設(shè)備的結(jié)構(gòu)示意圖；

圖4為本發(fā)明實施例提出的一種基于大數(shù)據(jù)進(jìn)行購物推薦的設(shè)備的結(jié)構(gòu)示意圖。

具體實施方式

在下文中，將更全面地描述本公開的各種實施例。本公開可具有各種實施例，并且可在其中做出調(diào)整和改變。然而，應(yīng)理解：不存在將本公開的各種實施例限于在此公開的特定實施例的意圖，而是應(yīng)將本公開理解為涵蓋落入本公開的各種實施例的精神和范圍內(nèi)的所有調(diào)整、等同物和/或可選方案。

在下文中，可在本公開的各種實施例中使用的術(shù)語“包括”或“可包括”指示所公開的功能、操作或元件的存在，并且不限制一個或更多個功能、操作或元件的增加。此外，如在本公開的各種實施例中所使用，術(shù)語“包括”、“具有”及其同源詞僅意在表示特定特征、數(shù)字、步驟、操作、元件、組件或前述項的組合，并且不應(yīng)被理解為首先排除一個或更多個其它特征、數(shù)字、步驟、操作、元件、組件或前述項的組合的存在或增加一個或更多個特征、數(shù)字、步驟、操作、元件、組件或前述項的組合的可能性。

在本公開的各種實施例中，表述“或”或“a或/和b中的至少一個”包括同時列出的文字的任何組合或所有組合。例如，表述“a或b”或“a或/和b中的至少一個”可包括a、可包括b或可包括a和b二者。

在本公開的各種實施例中使用的表述(諸如“第一”、“第二”等)可修飾在各種實施例中的各種組成元件，不過可不限制相應(yīng)組成元件。例如，以上表述并不限制所述元件的順序和/或重要性。以上表述僅用于將一個元件與其它元件區(qū)別開的目的。例如，第一用戶裝置和第二用戶裝置指示不同用戶裝置，盡管二者都是用戶裝置。例如，在不脫離本公開的各種實施例的范圍的情況下，第一元件可被稱為第二元件，同樣地，第二元件也可被稱為第一元件。

應(yīng)注意到：如果描述將一個組成元件“連接”到另一組成元件，則可將第一組成元件直接連接到第二組成元件，并且可在第一組成元件和第二組成元件之間“連接”第三組成元件。相反地，當(dāng)將一個組成元件“直接連接”到另一組成元件時，可理解為在第一組成元件和第二組成元件之間不存在第三組成元件。

在本公開的各種實施例中使用的術(shù)語“用戶”可指示使用電子裝置的人或使用電子裝置的裝置(例如，人工智能電子裝置)。

在本公開的各種實施例中使用的術(shù)語僅用于描述特定實施例的目的并且并非意在限制本公開的各種實施例。如在此所使用，單數(shù)形式意在也包括復(fù)數(shù)形式，除非上下文清楚地另有指示。除非另有限定，否則在這里使用的所有術(shù)語(包括技術(shù)術(shù)語和科學(xué)術(shù)語)具有與本公開的各種實施例所屬領(lǐng)域普通技術(shù)人員通常理解的含義相同的含義。所述術(shù)語(諸如在一般使用的詞典中限定的術(shù)語)將被解釋為具有與在相關(guān)技術(shù)領(lǐng)域中的語境含義相同的含義并且將不被解釋為具有理想化的含義或過于正式的含義，除非在本公開的各種實施例中被清楚地限定。

實施例1

本發(fā)明實施例1公開了一種基于大數(shù)據(jù)進(jìn)行購物推薦的方法，如圖1所示，包括：

步驟101、獲取用戶所輸入的搜索關(guān)鍵詞；

具體的搜索關(guān)鍵詞為用戶在搜索欄所輸入的信息，例如“電腦”、“顯卡”等等，具體的在獲取到用戶輸入的信息后，還可以對該信息進(jìn)行處理，例如進(jìn)行錯別字，或者諧音字進(jìn)行更正，以便確定用戶真正想要輸入的信息，后續(xù)還可以進(jìn)一步搜索與輸入的信息相同或者相似的詞意的詞語，例如“cpu”與“處理器”等。

步驟102、確定所述搜索關(guān)鍵詞對應(yīng)的商品信息；

具體的，根據(jù)搜索關(guān)鍵詞在搜索引擎中進(jìn)行搜索，可以得到對應(yīng)的商品信息。

步驟103、從所述用戶的大數(shù)據(jù)中確定與所述用戶存在人際關(guān)系的其他用戶；其中，與所述用戶的人際關(guān)系越近的其他用戶，所對應(yīng)的影響權(quán)重越大；

具體的，該步驟是基于六度分隔理論來進(jìn)行，具體的六度分隔(sixdegreesofseparation)現(xiàn)象(又稱為“小世界現(xiàn)象”smallworldphenomenon)，可通俗地闡述為：“你和任何一個陌生人之間所間隔的人不會超過六個，也就是說，最多通過六個人你就能夠認(rèn)識任何一個陌生。而人際關(guān)系越近，相同的愛好的概率也越大。

以此，基于六度分隔理論查詢與用戶，例如為用戶a存在人際關(guān)系的其他用戶，例如用戶1與用戶a是好友，則用戶1與用戶a之間直接聯(lián)系，則可以認(rèn)為用戶1與用戶a的人際關(guān)系的距離為1，而若是用戶2與用戶1是好友，但不認(rèn)識用戶a，則可以認(rèn)為用戶2與用戶a的人際關(guān)系的距離為2，以此類推，所獲取的其他用戶的數(shù)量越多越好，但處于處理的需要，可以選取距離為1和2的其他用戶，或者選取距離為1的其他用戶；具體的可以根據(jù)需要進(jìn)行設(shè)置。

此外，根據(jù)人際關(guān)系的距離的遠(yuǎn)近設(shè)置影響權(quán)重，其中距離越近，影響權(quán)重越大，具體的，例如用戶1的權(quán)重設(shè)置為0.8，而用戶2的權(quán)重設(shè)置為0.2.

步驟104、基于各所述其他用戶的購買記錄和影響權(quán)重對所述商品信息進(jìn)行篩選，以確定待推薦商品信息；

仍以上述為例來進(jìn)行說明，獲取到其他用戶的購買記錄，查看其中是否對應(yīng)有搜索關(guān)鍵詞對應(yīng)的商品信息，若有，則將對應(yīng)的其他用戶篩選出來作為參考用戶，例如參考用戶有用戶1和用戶2，并基于用戶1和用戶2的影響權(quán)重來對商品信息進(jìn)行篩選，例如用戶1中購買了商品信息中的商品1，而用戶2購買了商品信息中的商品2；則將商品1和商品2確定為待推薦商品，至于商品信息中的其他商品，則不做推薦，且推薦可以根據(jù)影響權(quán)重進(jìn)行排序，或者只篩選出影響權(quán)重大于預(yù)設(shè)閾值的其他用戶所購買商品來作為待推薦商品。

仍以上述為例，若同一商品，例如商品1同時都存在在用戶1和用戶2的購買記錄中，則商品1的影響權(quán)重為用戶1與用戶2的影響權(quán)重的和。

步驟105、將所述待推薦商品信息推薦給所述用戶。

在一個，若所述推薦商品信息的數(shù)量超過預(yù)設(shè)值；所述商品信息中包括商家的信息；該方法還包括：

獲取各所述推薦商品信息的商家的發(fā)貨位置以及信譽(yù)信息；

基于所述商家的發(fā)貨位置與所述用戶對應(yīng)的地址的遠(yuǎn)近對所述商家設(shè)置位置權(quán)重；

基于所述信譽(yù)信息從高到地對所述商家進(jìn)行排序，以生成信譽(yù)序列；

從所述信譽(yù)序列中篩選預(yù)設(shè)個數(shù)的商家；

對篩選出的商家按照位置權(quán)重從高到低生成推薦序列；

所述將所述待推薦商品信息推薦給所述用戶，包括：

將所述推薦序列所包括的待推薦商品信息按照所述位置權(quán)重的高低順序推薦給所述用戶。

具體的，為了進(jìn)一步減少用戶的篩選量，基于待推薦商品的商家的發(fā)貨位置以及信息進(jìn)行排序，并在排序之后才推薦給用戶。

在一個具體的實施例中，將所述待推薦商品信息推薦給所述用戶之后，該方法還包括：

獲取所述用戶的歷史購買記錄；

基于所述歷史購買記錄中的商品確定所述待推薦商品信息中商品的購買記錄；

基于所述購買記錄對所購買的商品對應(yīng)的其他用戶的影響權(quán)重進(jìn)行調(diào)整；其中，購買記錄中商品的購買數(shù)量越多，調(diào)整后所購買的商品對應(yīng)的其他用戶的影響權(quán)重越大。

具體的，為了提供本方案推薦的準(zhǔn)確性，還周期性的獲取用戶的歷史購買記錄，判斷購買的產(chǎn)品與待推薦商品信息之間的關(guān)系，并根據(jù)購買的次數(shù)對影響權(quán)重進(jìn)行調(diào)整，購買的越多，相應(yīng)的影響權(quán)重越大，例如基于用戶1所購買的商品的次數(shù)最多，則可以將用戶1的影響權(quán)重從0.8調(diào)整為0.9，其他以此類推，但是調(diào)整后的影響權(quán)重同樣符合與所述用戶的人際關(guān)系越近的其他用戶，所對應(yīng)的影響權(quán)重越大的原則。

在一個具體的實施例中，該方法還包括：

獲取所述用戶的購買記錄；

判斷所述商品信息中是否存在有商品與所述購買記錄中的商品一致；

若判斷結(jié)果為是，則將所述購買記錄中的商品設(shè)置為待推薦商品信息。

具體的，考慮到用戶自身的習(xí)慣，若之前有購買過同樣的商品，則再次購買的概率很大，因此將自身的之前購買的該商品作為待推薦商品信息。

在一個具體的實施例中，所述待推薦商品信息中包括鏈接；

所述“將所述待推薦商品信息推薦給所述用戶”，包括：

提取所述待推薦商品信息中的鏈接；

將所述鏈接推送給所述用戶。

實施例2

本發(fā)明實施例2還公開了一種基于大數(shù)據(jù)進(jìn)行購物推薦的設(shè)備，如圖2所示，包括：

獲取模塊201，用于獲取用戶所輸入的搜索關(guān)鍵詞；

第一確定模塊202，用于確定所述搜索關(guān)鍵詞對應(yīng)的商品信息；

第二確定模塊203，用于從所述用戶的大數(shù)據(jù)中確定與所述用戶存在人際關(guān)系的其他用戶；其中，與所述用戶的人際關(guān)系越近的其他用戶，所對應(yīng)的影響權(quán)重越大；

第三確定模塊204，用于基于各所述其他用戶的購買記錄和影響權(quán)重對所述商品信息進(jìn)行篩選，以確定待推薦商品信息；

推薦模塊205，用于將所述待推薦商品信息推薦給所述用戶。

在一個具體的實施例中，如圖3所示，還包括：

排序模塊206，用于當(dāng)所述推薦商品信息的數(shù)量超過預(yù)設(shè)值時，獲取各所述推薦商品信息的商家的發(fā)貨位置以及信譽(yù)信息；所述商品信息中包括商家的信息；

基于所述商家的發(fā)貨位置與所述用戶對應(yīng)的地址的遠(yuǎn)近對所述商家設(shè)置位置權(quán)重；

基于所述信譽(yù)信息從高到地對所述商家進(jìn)行排序，以生成信譽(yù)序列；

從所述信譽(yù)序列中篩選預(yù)設(shè)個數(shù)的商家；

對篩選出的商家按照位置權(quán)重從高到低生成推薦序列；

所述推薦模塊205，用于：

將所述推薦序列所包括的待推薦商品信息按照所述位置權(quán)重的高低順序推薦給所述用戶。

在一個具體的實施例中，如圖4所示，還包括：調(diào)整模塊207，用于：將所述待推薦商品信息推薦給所述用戶之后，獲取所述用戶的歷史購買記錄；

基于所述歷史購買記錄中的商品確定所述待推薦商品信息中商品的購買記錄；

基于所述購買記錄對所購買的商品對應(yīng)的其他用戶的影響權(quán)重進(jìn)行調(diào)整；其中，購買記錄中商品的購買數(shù)量越多，調(diào)整后所購買的商品對應(yīng)的其他用戶的影響權(quán)重越大。

在一個具體的實施例中，所述推薦模塊205，還用于：

獲取所述用戶的購買記錄；

判斷所述商品信息中是否存在有商品與所述購買記錄中的商品一致；

若判斷結(jié)果為是，則將所述購買記錄中的商品設(shè)置為待推薦商品信息。

在一個具體的實施例中，所述待推薦商品信息中包括鏈接；

所述推薦模塊205，用于：

提取所述待推薦商品信息中的鏈接；

將所述鏈接推送給所述用戶。

以此，本發(fā)明實施例提出了一種基于大數(shù)據(jù)進(jìn)行購物推薦的方法和設(shè)備，其中該方法包括：獲取用戶所輸入的搜索關(guān)鍵詞；確定所述搜索關(guān)鍵詞對應(yīng)的商品信息；從所述用戶的大數(shù)據(jù)中確定與所述用戶存在人際關(guān)系的其他用戶；其中，與所述用戶的人際關(guān)系越近的其他用戶，所對應(yīng)的影響權(quán)重越大；基于各所述其他用戶的購買記錄和影響權(quán)重對所述商品信息進(jìn)行篩選，以確定待推薦商品信息；將所述待推薦商品信息推薦給所述用戶。以此通過考慮人際關(guān)系的影響來對用戶進(jìn)行購物推薦，實現(xiàn)了對用戶的精準(zhǔn)購物推薦，減少了用戶篩選的工作量，提高了用戶的購物體驗。

本領(lǐng)域技術(shù)人員可以理解附圖只是一個優(yōu)選實施場景的示意圖，附圖中的模塊或流程并不一定是實施本發(fā)明所必須的。

本領(lǐng)域技術(shù)人員可以理解實施場景中的裝置中的模塊可以按照實施場景描述進(jìn)行分布于實施場景的裝置中，也可以進(jìn)行相應(yīng)變化位于不同于本實施場景的一個或多個裝置中。上述實施場景的模塊可以合并為一個模塊，也可以進(jìn)一步拆分成多個子模塊。

上述本發(fā)明序號僅僅為了描述，不代表實施場景的優(yōu)劣。

以上公開的僅為本發(fā)明的幾個具體實施場景，但是，本發(fā)明并非局限于此，任何本領(lǐng)域的技術(shù)人員能思之的變化都應(yīng)落入本發(fā)明的保護(hù)范圍。