本發(fā)明涉及終端
技術領域：
，尤其涉及一種基于流式用戶行為分析的產品推送方法和裝置。
背景技術：
：隨著社會發(fā)展和進步，現在的終端可以智能化的為用戶推薦商品等，以便于用戶查找需要的商品?，F有技術中，通常終端會統計大部分人曾經搜索過的商品，進而經過統計之后把大部分人曾經搜索過的商品推薦給用戶；或者終端根據自身的設置或者廣告主的需求，把想推薦給用戶的商品去推薦給用戶；或者用戶在該終端上有過搜索記錄，然后終端把與搜索記錄中的相關產品，都推薦給用戶。然而現有技術中，把大部分人曾經搜索過的商品推薦給用戶、以及把想推薦給用戶的商品去推薦給用戶的方法，不能滿足當前用戶的需求；終端把與搜索記錄中的相關產品都推薦給用戶的方法并不準確，推薦方法不準確。技術實現要素：本發(fā)明提供一種基于流式用戶行為分析的產品推送方法和裝置，用以解決現有技術中終端把與搜索記錄中的相關產品都推薦給用戶的方法，并不準確，推薦方法不準確的問題。本發(fā)明的一方面是提供一種基于流式用戶行為分析的產品推送方法，包括：獲取各用戶的用戶行為數據；根據用戶行為數據，采用流計算方法確定用戶行為信息，其中，用戶行為信息包括用戶瀏覽信息和/或用戶購買信息；根據用戶行為信息，采用流計算方法確定各用戶的關聯推薦商品類別候選集，其中，每一個關聯推薦商品類別候選集中包括關聯商品推薦度數據、與關聯商品推薦度數據對應的影響因子數據；對各用戶的關聯推薦商品類別候選集進行合并頻集處理，確定各商品類別的支持度；根據各商品類別的支持度，確定推薦商品列表，其中，推薦商品列表中包括推薦商品類別。本發(fā)明的另一方面是提供一種基于流式用戶行為分析的產品推送裝置，包括：獲取模塊，用于獲取各用戶的用戶行為數據；第一計算模塊，用于根據用戶行為數據，采用流計算方法確定用戶行為信息，其中，用戶行為信息包括用戶瀏覽信息和/或用戶購買信息；第二計算模塊，用于根據用戶行為信息，采用流計算方法確定各用戶的關聯推薦商品類別候選集，其中，每一個關聯推薦商品類別候選集中包括關聯商品推薦度數據、與關聯商品推薦度數據對應的影響因子數據；合并模塊，用于對各用戶的關聯推薦商品類別候選集進行合并頻集處理，確定各商品類別的支持度；確定模塊，用于根據各商品類別的支持度，確定推薦商品列表，其中，推薦商品列表中包括推薦商品類別。本發(fā)明的技術效果是：通過獲取各用戶的用戶行為數據；根據用戶行為數據，采用流計算方法確定用戶行為信息，其中，用戶行為信息包括用戶瀏覽信息和/或用戶購買信息；根據用戶行為信息，采用流計算方法確定各用戶的關聯推薦商品類別候選集，其中，每一個關聯推薦商品類別候選集中包括關聯商品推薦度數據、與關聯商品推薦度數據對應的影響因子數據；對各用戶的關聯推薦商品類別候選集進行合并頻集處理，確定各商品類別的支持度；根據各商品類別的支持度，確定推薦商品列表，其中，推薦商品列表中包括推薦商品類別。從而提供了可以準確的為用戶推薦商品的方法，根據用戶自身的需求以及當前的大數據分析的結果，為用戶推薦商品，滿足用戶的需求。附圖說明圖1為本發(fā)明實施例一提供的基于流式用戶行為分析的產品推送方法的流程圖；圖2為本發(fā)明實施例二提供的基于流式用戶行為分析的產品推送方法的流程圖；圖3為本發(fā)明實施例三提供的基于流式用戶行為分析的產品推送裝置的結構示意圖；圖4為本發(fā)明實施例四提供的基于流式用戶行為分析的產品推送裝置的結構示意圖。具體實施方式為使本發(fā)明實施例的目的、技術方案和優(yōu)點更加清楚，下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。圖1為本發(fā)明實施例一提供的基于流式用戶行為分析的產品推送方法的流程圖，如圖1所示，本實施例的方法，包括：步驟101、獲取各用戶的用戶行為數據。在本實施例中，具體的，通過javascript收集各用戶的用戶行為數據。步驟102、根據用戶行為數據，采用流計算方法確定用戶行為信息，其中，用戶行為信息包括用戶瀏覽信息和/或用戶購買信息。在本實施例中，具體的，根據用戶行為數據，采用流計算方法確定用戶行為信息，用戶行為信息包括用戶瀏覽信息和/或用戶購買信息，用戶行為信息包括商品類別。舉例來說，可以獲取到用戶的購買記錄，表1為用戶購買記錄，表1中的序號表征的是用戶，字母表征的是商品。表1用戶購買記錄步驟103、根據用戶行為信息，采用流計算方法確定各用戶的關聯推薦商品類別候選集，其中，每一個關聯推薦商品類別候選集中包括關聯商品推薦度數據、與關聯商品推薦度數據對應的影響因子數據。在本實施例中，具體的，根據用戶行為信息，采用流計算方法中的hadoop計算方式，確定各用戶的關聯推薦商品類別候選集，每一個關聯推薦商品類別候選集中包括關聯商品推薦度數據、與關聯商品推薦度數據對應的影響因子數據，該影響因子數據為一種權重。進而依據hadoop計算得出關聯商品推薦度數據、以及對應的影響因子數據，然后，通過流計算方法計算得到關聯推薦商品類別候選集。舉例來說，在內存庫中存在數據，如下：在2-12日(影響因子)，用戶集合1同時購買了商品a,b,c；在2-12日(影響因子)，用戶集合2同時購買了商品單c,d,e；在2-12日(影響因子)，用戶集合3同時購買了商品單c,f,e,g；可以得到關聯推薦商品類別候選集中包括了商品c。步驟104、對各用戶的關聯推薦商品類別候選集進行合并頻集處理，確定各商品類別的支持度。其中，步驟104的實現方式為：對各用戶的關聯推薦商品類別候選集進行合并頻集處理，得到每一個關聯商品推薦度數據的比重；根據各關聯商品推薦度數據的比重，確定各商品類別的支持度。在本實施例中，具體的，對各用戶的關聯推薦商品類別候選集進行合并頻集處理，得到每一個關聯商品推薦度數據的比重，根據各關聯商品推薦度數據的比重確定各商品類別的支持度。舉例來說，表2為影響因子記錄表，表3為關聯推薦商品類別候選集；設定最小支持度為50％，將表3去除支持度小于等于50&的候選商品，得到表4處理后的關聯推薦商品類別候選集。表2影響因子記錄表表3關聯推薦商品類別候選集候選商品影響因子支持度ay150％+20％a*50％b*75％c*75％d*25％e*75％表4處理后的關聯推薦商品類別候選集候選商品影響因子支持度a、by125％+20％a、cy150％+20％a、ey125％+20％a、b*25％a、c*50％a、e*25％b、c*50％b、e*75％c、e*50％然后，對各用戶的關聯推薦商品類別候選集進行合并頻集處理，得到每一個關聯商品推薦度數據的比重，即影響因子。表5為合并頻集處理后的關聯推薦商品類別候選集。表5合并頻集處理后的關聯推薦商品類別候選集然后，根據各關聯商品推薦度數據的比重確定各商品類別的支持度，得到商品的結果集，如表6所示。表6商品的結果集結果集影響因子支持度a、b、ey150％+20％步驟105、根據各商品類別的支持度，確定推薦商品列表，其中，推薦商品列表中包括推薦商品類別。在本實施例中，具體的，根據各商品類別的支持度，確定推薦商品列表，推薦商品列表中包括推薦商品類別。其中，針對新用戶的推薦主要采用如下方式進行：獲取預設的各用戶的關聯推薦商品類別候選集，一個關聯推薦商品類別候選集中包括關聯商品推薦度數據、與關聯商品推薦度數據對應的影響因子數據；對各用戶的關聯推薦商品類別候選集進行合并頻集處理，得到每一個關聯商品推薦度數據的比重，根據各關聯商品推薦度數據的比重確定各商品類別的支持度；根據各商品類別的支持度，確定推薦商品列表，推薦商品列表中包括推薦商品類別；確定推薦商品列表中支持度最大的推薦商品類別，并查找支持度最大的推薦商品類別的商品信息，顯示該商品信息。本實施例通過獲取各用戶的用戶行為數據；根據用戶行為數據，采用流計算方法確定用戶行為信息，其中，用戶行為信息包括用戶瀏覽信息和/或用戶購買信息；根據用戶行為信息，采用流計算方法確定各用戶的關聯推薦商品類別候選集，其中，每一個關聯推薦商品類別候選集中包括關聯商品推薦度數據、與關聯商品推薦度數據對應的影響因子數據；對各用戶的關聯推薦商品類別候選集進行合并頻集處理，確定各商品類別的支持度；根據各商品類別的支持度，確定推薦商品列表，其中，推薦商品列表中包括推薦商品類別。從而提供了可以準確的為用戶推薦商品的方法，根據用戶自身的需求以及當前的大數據分析的結果，為用戶推薦商品，滿足用戶的需求。圖2為本發(fā)明實施例二提供的基于流式用戶行為分析的產品推送方法的流程圖，在實施例一的基礎上，如圖2所示，本實施例的方法，在步驟103之前，還包括：步驟201、獲取用戶的預設商品類別候選集以及影響因子更新信息，其中，預設商品類別候選集中包括用戶在預設時間內購買的商品的關聯商品推薦度數據、與關聯商品推薦度數據對應的影響因子數據，或者，預設商品類別候選集中包括根據大數據而自動調整出的關聯商品推薦度數據、與關聯商品推薦度數據對應的影響因子數據；根據預設商品類別候選集以及影響因子更新信息，判斷是否需要更新關聯推薦商品類別候選集；若確定需要更新關聯推薦商品類別候選集，則更新關聯推薦商品類別候選集。在本實施例中，具體的，其中，在“根據用戶行為信息，采用流計算方法中的hadoop計算方式，確定各用戶的關聯推薦商品類別候選集”之前，獲取用戶的預設商品類別候選集以及影響因子更新信息，預設商品類別候選集中包括用戶在預設時間內購買的商品的關聯商品推薦度數據、與關聯商品推薦度數據對應的影響因子數據，或者預設商品類別候選集中包括根據大數據而自動調整出的關聯商品推薦度數據、與關聯商品推薦度數據對應的影響因子數據；根據預設商品類別候選集以及影響因子更新信息，判斷是否需要更新關聯推薦商品類別候選集；若確定需要更新關聯推薦商品類別候選集，則更新關聯推薦商品類別候選集。進而當一個用戶同時購買了幾個商品后得到商品類別候選集，而后結合當前影響因子和之前的商品候選集庫進行對比分析查看是否需要更新候選集類別庫、以及影響因子。在步驟105之后，還包括：步驟202、確定推薦商品列表中支持度最大的推薦商品類別，查找支持度最大的推薦商品類別的商品信息，顯示該商品信息。在本實施例中，具體的，確定推薦商品列表中支持度最大的推薦商品類別，并查找支持度最大的推薦商品類別的商品信息，顯示該商品信息。本申請通過javascript收集各用戶的用戶行為數據；根據用戶行為數據，采用流計算方法確定用戶行為信息；根據用戶行為信息，采用流計算方法中的hadoop計算方式，確定各用戶的關聯推薦商品類別候選集，一個關聯推薦商品類別候選集中包括關聯商品推薦度數據、與關聯商品推薦度數據對應的影響因子數據；對各用戶的關聯推薦商品類別候選集進行合并頻集處理，得到每一個關聯商品推薦度數據的比重，根據各關聯商品推薦度數據的比重確定各商品類別的支持度；根據各商品類別的支持度，確定推薦商品列表，推薦商品列表中包括推薦商品類別；確定推薦商品列表中支持度最大的推薦商品類別，并查找支持度最大的推薦商品類別的商品信息，顯示該商品信息。并且，可以獲取用戶的預設商品類別候選集以及影響因子更新信息，預設商品類別候選集中包括用戶在預設時間內購買的商品的關聯商品推薦度數據、與關聯商品推薦度數據對應的影響因子數據，或者預設商品類別候選集中包括根據大數據而自動調整出的關聯商品推薦度數據、與關聯商品推薦度數據對應的影響因子數據；根據預設商品類別候選集以及影響因子更新信息，判斷是否需要更新關聯推薦商品類別候選集；若確定需要更新關聯推薦商品類別候選集，則更新關聯推薦商品類別候選集。從而提供了可以準確的為用戶推薦商品的方法，根據用戶自身的需求以及當前的大數據分析的結果，為用戶推薦商品，滿足用戶的需求。圖3為本發(fā)明實施例三提供的基于流式用戶行為分析的產品推送裝置的結構示意圖，如圖3所示，本實施例的裝置，包括：獲取模塊31，用于獲取各用戶的用戶行為數據；第一計算模塊32，用于根據用戶行為數據，采用流計算方法確定用戶行為信息，其中，用戶行為信息包括用戶瀏覽信息和/或用戶購買信息；第二計算模塊33，用于根據用戶行為信息，采用流計算方法確定各用戶的關聯推薦商品類別候選集，其中，每一個關聯推薦商品類別候選集中包括關聯商品推薦度數據、與關聯商品推薦度數據對應的影響因子數據；合并模塊34，用于對各用戶的關聯推薦商品類別候選集進行合并頻集處理，確定各商品類別的支持度；確定模塊35，用于根據各商品類別的支持度，確定推薦商品列表，其中，推薦商品列表中包括推薦商品類別。本實施例的基于流式用戶行為分析的產品推送裝置可執(zhí)行本發(fā)明實施例一提供的基于流式用戶行為分析的產品推送方法，其實現原理相類似，此處不再贅述。本實施例通過獲取各用戶的用戶行為數據；根據用戶行為數據，采用流計算方法確定用戶行為信息，其中，用戶行為信息包括用戶瀏覽信息和/或用戶購買信息；根據用戶行為信息，采用流計算方法確定各用戶的關聯推薦商品類別候選集，其中，每一個關聯推薦商品類別候選集中包括關聯商品推薦度數據、與關聯商品推薦度數據對應的影響因子數據；對各用戶的關聯推薦商品類別候選集進行合并頻集處理，確定各商品類別的支持度；根據各商品類別的支持度，確定推薦商品列表，其中，推薦商品列表中包括推薦商品類別。從而提供了可以準確的為用戶推薦商品的方法，根據用戶自身的需求以及當前的大數據分析的結果，為用戶推薦商品，滿足用戶的需求。圖4為本發(fā)明實施例四提供的基于流式用戶行為分析的產品推送裝置的結構示意圖，在實施例三的基礎上，如圖4所示，裝置，還包括：調整模塊41，用于在第二計算模塊33根據用戶行為信息，采用流計算方法確定各用戶的關聯推薦商品類別候選集之前，獲取用戶的預設商品類別候選集以及影響因子更新信息，其中，預設商品類別候選集中包括用戶在預設時間內購買的商品的關聯商品推薦度數據、與關聯商品推薦度數據對應的影響因子數據，或者，預設商品類別候選集中包括根據大數據而自動調整出的關聯商品推薦度數據、與關聯商品推薦度數據對應的影響因子數據；根據預設商品類別候選集以及影響因子更新信息，判斷是否需要更新關聯推薦商品類別候選集；若確定需要更新關聯推薦商品類別候選集，則更新關聯推薦商品類別候選集。顯示模塊42，用于在確定模塊35根據各商品類別的支持度，確定推薦商品列表之后，確定推薦商品列表中支持度最大的推薦商品類別，查找支持度最大的推薦商品類別的商品信息，顯示該商品信息。合并模塊34，具體用于：對各用戶的關聯推薦商品類別候選集進行合并頻集處理，得到每一個關聯商品推薦度數據的比重；根據各關聯商品推薦度數據的比重，確定各商品類別的支持度。本實施例的基于流式用戶行為分析的產品推送裝置可執(zhí)行本發(fā)明實施例一提供的基于流式用戶行為分析的產品推送方法，其實現原理相類似，此處不再贅述。本申請通過javascript收集各用戶的用戶行為數據；根據用戶行為數據，采用流計算方法確定用戶行為信息；根據用戶行為信息，采用流計算方法中的hadoop計算方式，確定各用戶的關聯推薦商品類別候選集，一個關聯推薦商品類別候選集中包括關聯商品推薦度數據、與關聯商品推薦度數據對應的影響因子數據；對各用戶的關聯推薦商品類別候選集進行合并頻集處理，得到每一個關聯商品推薦度數據的比重，根據各關聯商品推薦度數據的比重確定各商品類別的支持度；根據各商品類別的支持度，確定推薦商品列表，推薦商品列表中包括推薦商品類別；確定推薦商品列表中支持度最大的推薦商品類別，并查找支持度最大的推薦商品類別的商品信息，顯示該商品信息。并且，可以獲取用戶的預設商品類別候選集以及影響因子更新信息，預設商品類別候選集中包括用戶在預設時間內購買的商品的關聯商品推薦度數據、與關聯商品推薦度數據對應的影響因子數據，或者預設商品類別候選集中包括根據大數據而自動調整出的關聯商品推薦度數據、與關聯商品推薦度數據對應的影響因子數據；根據預設商品類別候選集以及影響因子更新信息，判斷是否需要更新關聯推薦商品類別候選集；若確定需要更新關聯推薦商品類別候選集，則更新關聯推薦商品類別候選集。從而提供了可以準確的為用戶推薦商品的方法，根據用戶自身的需求以及當前的大數據分析的結果，為用戶推薦商品，滿足用戶的需求。本領域普通技術人員可以理解：實現上述各方法實施例的全部或部分步驟可以通過程序指令相關的硬件來完成。前述的程序可以存儲于一計算機可讀取存儲介質中。該程序在執(zhí)行時，執(zhí)行包括上述各方法實施例的步驟；而前述的存儲介質包括：rom、ram、磁碟或者光盤等各種可以存儲程序代碼的介質。最后應說明的是：以上實施例僅用以說明本發(fā)明的技術方案，而非對其限制；盡管參照前述實施例對本發(fā)明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發(fā)明各實施例技術方案的精神和范圍。當前第1頁12