科创中国

行业领域

电子信息技术

需求背景

目前已构建了生鲜的供应链服务平台，但随着单量的日益增加和对用户的更高切合度的需求，希望能有一套生鲜消费数据的大数据分析，通过大数据分析，能够具备生鲜商品市场的决策力、市场洞察力和趋势分析能力，预测1年内商品类别趋势、销售量趋势、消费者分布趋势等。

需解决的主要技术难题

目前已有的在线产品推荐方法，包括基于协同过滤的推荐方法、基于内容的推荐方法和基于关联规则挖掘的推荐方法等个性化推荐算法，以及使用了特征工程和模型融合的在线购买预测方法等，广泛用于电商领域。随着生鲜电商的发展，生鲜农产品的精准推荐逐步成为发展生鲜电商的服务重点。对生鲜农产品实现精准推荐，一方面需要体现出农产品特征因素，如产地、价格、品类、品牌等因素，以及顾客针对生鲜农产品各项特征的消费偏好，另一方面需要考虑到生鲜农产品的季节性特征，研究购买周期内的顾客在线消费行为，设计更适用于农产品的推荐方案，从而进一步提升模型预测的精度。

期望实现的主要技术目标

(1)所有的用户构成的用户集合U表示为U＝{u1,u2,u3,…}，所有的商品构成的商品集合I表示为I＝{i1,i2,i3,…}，一个购买周期s表示一个用户在一定时间范围内经过对比和选择并最终产生购买行为的过程，表示为一个三元组s＝(u,sq,ib)，其中u∈U，表示该购买周期的用户；sq＝{ib1,ib2,ib3……}表示用户在该购买周期内的商品操作序列，ib∈sq表示用户在此次购买周期中经过比较和选择之后最终购买的商品；所有购买周期的集合记为S＝{s1,s2,s3,……}，

(2)去除低频生鲜产品，整理为用户在选购过程中对于生鲜产品的历史行为序列；

(3)采用启发式方法进行一个购买周期的划分，以用户每次的购买行为为分割点向前搜索，如果搜索的操作记录小于设定的阙值，则归为一个购买周期，获得在不同购买周期的用户行为序列；

(4)对各个购买周期内生鲜产品的频次和位次进行降序排序和统计分析，以频次和位次作为构建序列效用函数；

(5)对数据集进行划分，按比例将数据分为训练集与测试集，针对训练集，学习到预测模型M；针对测试集，在已知u和sequence的情况下，对任意待预测周期s′，利用预测模型预测最有可能购买的农产品，作为预测的结果，推荐给特定的用户。

处理进度