基于LBS信息推荐系统

作者:网站采编
关键词:
摘要：编者按：LBS使用多种定位技术来获取被定位设备的当前位置。随着互联网技术的成熟，大家开始将这项技术应用到电商购物中，同时也对线下商家产生了很大的影响。因此，笔者分享了

1.什么是 LBS？

LBS利用各类定位技术获取定位设备的当前位置，通过移动互联网为定位设备提供信息资源和基础服务。定位技术可以用来确定用户的空间位置，然后用户可以通过移动互联网获取与位置相关的资源和信息。

为什么要提出建议？

随着技术的发展，线上销售的规模越来越大，人们工作的速度越来越快，用户也越来越愿意花更多的时间在用户的新鲜度上成熟的运营已经严重影响了线下商城的销售。需要为线下商城设计用户推荐，留住客户，增加GMV，同时可以大大提高ROI，实现线下业务收益。

2014-2019年中国线上零售额及增速，大商户线下推荐是通过OTO模式升级线下零售，线上线下场景结合，提升销量的必要条件。

2. 简介推荐系统分类

推荐系统根据实时性一般分为三类：实时推荐、在线推荐和离线推荐。

实时推荐一般采用实时计算引擎进行实时计算，及时推送到用户手机上。

在线推荐是指直接利用日志系统中的数据进行伪实时推荐。一般场景在商场使用1小时以上，在此时间内进行推荐。

线下推荐根据用户的历史数据，向一定距离内的用户推荐信息。

基于LBS的推荐一般可以分为三类，短距离、中距离和长距离。当然，中远距离的用户一般都有历史线索或者在商城数据库中留有资金。

3.用户旅程

在商场购物过程中，消费者可以通过推荐让消费者选择商家，进而产生消费行为，并通过消费者信息反馈为下次推荐做准备。

四个。基于LBS数据指标的构建

完善的数据指标可以更好更适合用户推荐店铺，同时增加商家的整体GMV，所以一般推荐系统都是基于用户画像系统进行推荐的。

需要强调的是，基于LBS的推荐最重要的是用户的经纬度信息与店铺的经纬度信息的差异。

距离计算方法可以百度。因此，最重要的指标是距离指标。合理的距离指标将大大提高推荐系统的效率。

五个。推荐方法

1.冷启动

任何推荐都有冷启动问题。因为推荐系统需要根据用户的历史行为和兴趣来预测用户未来的行为和兴趣，如果消费者第一次进入商圈，在没有用户信息的情况下，会进行一个冷启动过程：< /p>

根据当前时间，向用户推荐评分高的店铺。当前处于冷启动阶段的时间最能反映消费者的情况。上午，一般商品还没开。然后用户很可能会购买早餐或出去玩。中午或下午6点，用户很可能会找餐厅吃饭。

如果不是以上情况，用户很可能会购买衣服或者参加培训等，根据以上情况，根据人气给用户做推荐。

2.使用历史数据进行推荐

即使使用历史数据，时间维度也是一个重要的考虑因素。这里使用了三种推荐算法，最后进行多通道召回找到最优推荐列表：

基于物品（店铺）的协同过滤：

图片来源csdn网站

Wij终于得到了一个相似矩阵，它是基于某个消费者的历史记录。对于相关店铺信息，需要注意的是有两个前提，当前时间和店铺分类，即每类店铺都会得到一个相似度矩阵。然后，根据消费者的历史数据和当前时间，计算出消费者当前感兴趣的推荐列表。

Model-based推荐：

Model-based是指利用机器学习算法，根据现有的指标体系构建数据模型，然后计算出相应的推荐列表。一般的分析过程如下：

常用的机器学习算法有：

LFM （潜在语义模型）、线性回归、逻辑回归、决策树、KNN、K-means、深度学习-卷积神经网络。整个推荐系统的产品经理需要了解算法，了解每个算法所需的参数，根据业务需求选择合适的算法，与数据分析师一起解决推荐问题。

产品经理最重要的工作就是在形成数据模型的过程中，即特征工程，推荐哪些数据指标需要作为参数或者聚合需要哪些参数：

• 当前时间
• 店铺评分、评论、标签
• 用户行为
1
2
下一页

文章来源：《信息系统工程》 网址: http://www.xxxtgc.cn/zonghexinwen/2021/0821/1277.html





上一篇：德清新闻网丨处置工程渣土监管全覆盖 我县推出
下一篇：四川泸州龙马潭：用好“项目云” 为工程招投标