CN103995839A - 基于协同过滤的商品推荐优化方法和系统 - Google Patents
基于协同过滤的商品推荐优化方法和系统 Download PDFInfo
- Publication number
- CN103995839A CN103995839A CN201410179031.8A CN201410179031A CN103995839A CN 103995839 A CN103995839 A CN 103995839A CN 201410179031 A CN201410179031 A CN 201410179031A CN 103995839 A CN103995839 A CN 103995839A
- Authority
- CN
- China
- Prior art keywords
- commodity
- user
- commercial product
- attention rate
- rate value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于协同过滤的商品推荐优化方法,包括:根据接收到的设置命令,设置各个商品对应的标签类型;获取用户的网上行为数据信息,并根据网上行为数据信息确定用户对多个商品中每个商品的关注度值;确定每个商品对应的标签类型,以确定用户对于每个商品对应的标签类型的关注度值;根据关注度值,确定用户所属的用户推荐群;根据用户推荐群中其他用户对商品的关注度值向用户进行商品推荐。相应地,本发明还提出了一种基于协同过滤的商品推荐优化系统。通过该技术方案,在基于协同过滤的商品推荐优化方法中引进标签,由于标签的数量远远低于商品的数量,从而大大减少了用户和商品相关性的计算,在降低计算量的同时保证推荐的准确性。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种基于协同过滤的商品推荐优化方法和一种基于协同过滤的商品推荐优化系统。
背景技术
随着信息技术和互联网的发展,在这个信息过载的时代,无论是信息消费者还是信息生产者都遇到了很大的挑战。对于信息消费者而言,从大量信息中找到自己感兴趣的信息是一件非常困难的事情;对于信息生产者而言,让自己生产的信息脱颖而出,受到广大用户的关注,也是一件非常困难的事情。
推荐系统作为解决这一矛盾的重要工具,其任务就是联系信息消费者和信息生产者,一方面帮助信息消费者发现对自己有价值的信息,另一方面让信息生产者能够将信息展现在对它感兴趣的用户面前,从而实现信息消费者和信息生产者的双赢。然而,现有的推荐方法大都依据余弦定理来完成用户对商品的关注度值的计算,对于数据量庞大的业务系统,这样的计算量过于巨大,而且,用户的网上行为时时变化,因此,过高的计算量的延时影响了推荐的速度和准确度,降低了推荐性能,严重影响了用户的体验。
因此需要一种新的技术方案,可以在降低计算量的同时保证推荐的准确性,使业务系统能够及时准确地向用户推荐用户感兴趣的商品。
发明内容
本发明正是基于上述问题,提出了一种新的技术方案,可以在降低计算量的同时保证推荐的准确性,使业务系统能够及时准确地向用户推荐用户感兴趣的商品。
有鉴于此,本发明提出了一种基于协同过滤的商品推荐优化方法,包括:根据接收到的设置命令,设置各个商品对应的标签类型;获取用户的网上行为数据信息,并根据所述网上行为数据信息确定所述用户对多个商品中每个商品的关注度值;确定所述多个商品中每个商品对应的标签类型,以确定所述用户对于所述每个商品对应的标签类型的关注度值;根据所述用户对每个所述标签类型的关注度值,确定所述用户所属的用户推荐群;根据所述用户推荐群中其他用户对商品的关注度值向所述用户进行商品推荐。
在该技术方案中,采用标签把商品进行初步分类,确定了商品和标签的关系,继而根据用户的网上行为数据信息,获取用户对商品的关注度,间接获得用户与标签的关系,也就是为用户在业务系统上打上标签,根据用户对标签的关注顺序和关注比例,从而确定用户的兴趣爱好圈。这种全新的寻找共同爱好圈的方式,把标签运用于协同过滤的方法中,由于标签的数量远远低于商品的数量,从而大大减少了用户和商品相关性的计算,避免了因计算量过大造成的延时以及该延时导致的推荐准确度的降低,提高了协同过滤的实时性和准确性。
在上述技术方案中,优选地,根据接收到的设置命令,设置多个操作类型,以及所述多个操作类型中每个操作类型对应的操作标识和权重值,其中,所述操作类型包括查看、购买、收藏、分享和/或评分。
在该技术方案中,明确了操作类型以及每个操作类型对应的操作标识和权重值的设置,有利于接下来根据操作标识来识别对应的操作类型,并根据该操作类型对应的权重值和操作时间计算出用户对商品的关注度值。
在上述技术方案中,优选地,所述网上行为数据信息包括商品标识、操作标识和操作时间,则所述方法还包括:根据所述网上行为数据信息中的操作标识确定对应的操作类型,并按照所述操作类型对应的权重值和所述操作时间计算出所述用户对所述商品标识对应的商品的关注度值。
在该技术方案中,通过获取并分析用户的网上行为数据信息,确定用户对每个商品的关注度值,即获得了用户与商品的关系,而商品有其对应的标签类型,因此通过用户与商品的关系可以间接获得用户与标签的关系,确定用户的兴趣范围。
在上述技术方案中,优选地,根据接收到的设置命令,设置预设规则;根据所述用户推荐群中其他用户对商品的关注度值和所述预设规则向所述用户进行商品推荐。
在该技术方案中,预设规则使系统的推荐更为精确到位,若用户满足预设的规则,则他们处于共同爱好圈之中,根据共同爱好圈可以选取出相应的用户推荐群,根据该用户推荐群中其他用户对商品的关注度值向用户进行商品推荐,使用户省却了查找自己感兴趣的商品的步骤,也允许了业务系统将自己的信息展现在对它感兴趣的用户面前。
在上述技术方案中,优选地,所述预设规则包括:推荐规则、筛选规则和/或排序规则。
在该技术方案中,推荐规则的设定是灵活多变的,业务系统可以根据自身及用户需要设置不同规则。比如,设置推荐规则:若同一用户推荐群中的用户,有一半以上购买或是收藏了某个商品,则把此商品推荐给该用户推荐群中没有关注此商品的用户;还可以设置筛选规则,用于对商品的筛选:不推荐流行度最高的商品、不推荐本用户已经购买或收藏的商品;设置排序规则,可以对筛选后的商品进行排序,排序的类型是多种多样的,比如,根据商品的流行度排序,根据用户对标签的关注度排序,或者根据商品所属的标签排序。
根据本发明的另一方面,还提供了一种基于协同过滤的商品推荐优化系统,包括:设置单元,用于根据接收到的设置命令,设置各个商品对应的标签类型;第一确定单元,获取用户的网上行为数据信息,并根据所述网上行为数据信息确定所述用户对多个商品中每个商品的关注度值;第二确定单元,确定所述多个商品中每个商品对应的标签类型,以确定所述用户对于所述每个商品对应的标签类型的关注度值;第三确定单元,根据所述用户对每个所述标签类型的关注度值,确定所述用户所属的用户推荐群;推荐单元,根据所述用户推荐群中其他用户对商品的关注度值向所述用户进行商品推荐。
在该技术方案中,采用标签把商品进行初步分类,确定了商品和标签的关系,继而根据用户的网上行为数据信息,获取用户对商品的关注度,间接获得用户与标签的关系,也就是为用户在业务系统上打上标签,根据用户对标签的关注顺序和关注比例,从而确定相同的兴趣爱好圈。这种全新的寻找共同爱好圈的方式,把标签运用于协同过滤的方法中,由于标签的数量远远低于商品的数量,从而大大减少了用户和商品相关性的计算,避免了因计算量过大造成的延时以及该延时导致的推荐准确度的降低,提高了协同过滤的实时性和准确性。
在上述技术方案中,优选地,还包括初步设置单元,根据接收到的设置命令,设置多个操作类型,以及所述多个操作类型中每个操作类型对应的操作标识和权重值,其中,所述操作类型包括查看、购买、收藏、分享和/或评分。
在该技术方案中,明确了操作类型以及每个操作类型对应的操作标识和权重值的设置,有利于接下来根据操作标识来识别对应的操作类型,并根据该操作类型对应的权重值和操作时间计算出用户对商品的关注度值。
在上述技术方案中,优选地,所述网上行为数据信息包括商品标识、操作标识和操作时间,则所述第一确定单元具体包括:根据所述网上行为数据信息中的操作标识确定对应的操作类型,并按照所述操作类型对应的权重值和所述操作时间计算出所述用户对所述商品标识对应的商品的关注度值。
在该技术方案中,通过获取并分析用户的网上行为数据信息,确定用户对每个商品的关注度值,即获得了用户与商品的关系,而商品有其对应的标签类型,因此通过用户与商品的关系可以间接获得用户与标签的关系,确定用户的兴趣范围。
在上述技术方案中,优选地,还包括规则设定单元,用于根据接收到的设置命令,设置预设规则;则所述推荐单元具体包括:根据所述用户推荐群中其他用户对商品的关注度值和所述预设规则向所述用户进行商品推荐。
在该技术方案中,预设规则使系统的推荐更为精确到位,若用户满足预设的规则,则他们处于共同爱好圈之中,根据共同爱好圈可以选取出相应的用户推荐群,根据该用户推荐群中其他用户对商品的关注度值向用户进行商品推荐,使用户省却了查找自己感兴趣的商品的步骤,也允许了业务系统将自己的信息展现在对它感兴趣的用户面前。
在上述技术方案中,优选地,所述预设规则包括:推荐规则、筛选规则和/或排序规则。
在该技术方案中,推荐规则的设定是灵活多变的,业务系统可以根据自身及用户需要设置不同规则。比如,设置推荐规则:若同一用户推荐群中的用户,有一半以上购买或是收藏了某个商品,则把此商品推荐给该用户推荐群中没有关注此商品的用户;还可以设置筛选规则,用于对商品的筛选:不推荐流行度最高的商品、不推荐本用户已经购买或收藏的商品;设置排序规则,可以对筛选后的商品进行排序,排序的类型是多种多样的,比如,根据商品的流行度排序,根据用户对标签的关注度排序,或者根据商品所属的标签排序。
通过以上技术方案,可以在降低计算量的同时保证推荐的准确性,避免了当数据过多时因计算延时导致的推荐的滞后性和不准确性,使业务系统能够及时准确地向用户推荐用户感兴趣的商品。
附图说明
图1示出了根据本发明的实施例的基于协同过滤的商品推荐优化方法的流程图;
图2示出了根据本发明的实施例的协同过滤推荐装置的框图;
图3示出了根据本发明的实施例的基于协同过滤的商品推荐优化方法的具体流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了根据本发明的实施例的基于协同过滤的商品推荐优化方法的流程图。
如图1所示,根据本发明的实施例的基于协同过滤的商品推荐优化方法,包括以下步骤:
步骤102,根据接收到的设置命令,设置各个商品对应的标签类型;
步骤104,获取用户的网上行为数据信息,并根据网上行为数据信息确定用户对多个商品中每个商品的关注度值;
步骤106,确定多个商品中每个商品对应的标签类型,以确定用户对于每个商品对应的标签类型的关注度值;
步骤108,根据用户对每个标签类型的关注度值,确定用户所属的用户推荐群;
步骤110,根据用户推荐群中其他用户对商品的关注度值向用户进行商品推荐。
在该技术方案中,采用标签把商品进行初步分类,确定了商品和标签的关系,继而根据用户的网上行为数据信息,获取用户对商品的关注度,间接获得用户与标签的关系,也就是为用户在业务系统上打上标签,根据用户对标签的关注顺序和关注比例,从而确定相同的兴趣爱好圈。这种全新的寻找共同爱好圈的方式,把标签运用于协同过滤的方法中,由于标签的数量远远低于商品的数量,从而大大减少了用户和商品相关性的计算,避免了因计算量过大造成的延时以及该延时导致的推荐准确度的降低,提高了协同过滤的实时性和准确性。
在上述技术方案中,优选地,根据接收到的设置命令,设置多个操作类型,以及所述多个操作类型中每个操作类型对应的操作标识和权重值,其中,所述操作类型包括查看、购买、收藏、分享和/或评分。
在该技术方案中,明确了操作类型以及每个操作类型对应的操作标识和权重值的设置,有利于接下来根据操作标识来识别对应的操作类型,并根据该操作类型对应的权重值和操作时间计算出用户对商品的关注度值。
在上述技术方案中,优选地,网上行为数据信息包括商品标识、操作标识和操作时间,则步骤104还包括:根据网上行为数据信息中的操作标识确定对应的操作类型,并按照操作类型对应的权重值和所述操作时间计算出用户对商品标识对应的商品的关注度值。
在该技术方案中,通过获取并分析用户的网上行为数据信息,确定用户对每个商品的关注度值,即获得了用户与商品的关系,而商品有其对应的标签类型,因此通过用户与商品的关系可以间接获得用户与标签的关系,确定用户的兴趣范围。
在上述技术方案中,优选地,根据接收到的设置命令,设置预设规则;根据用户推荐群中其他用户对商品的关注度值和预设规则向用户进行商品推荐。
在该技术方案中,预设规则使系统的推荐更为精确到位,若用户满足预设的规则,则他们处于共同爱好圈之中,根据共同爱好圈可以选取出相应的用户推荐群,根据该用户推荐群中其他用户对商品的关注度值向用户进行商品推荐,使用户省却了查找自己感兴趣的商品的步骤,也允许了业务系统将自己的信息展现在对它感兴趣的用户面前。
在上述技术方案中,优选地,预设规则包括:推荐规则、筛选规则和/或排序规则。
在该技术方案中,推荐规则的设定是灵活多变的,业务系统可以根据自身及用户需要设置不同规则。比如,设置推荐规则:若同一用户推荐群中的用户,有一半以上购买或是收藏了某个商品,则把此商品推荐给该用户推荐群中没有关注此商品的用户;还可以设置筛选规则,用于对商品的筛选:不推荐流行度最高的商品、不推荐本用户已经购买或收藏的商品;设置排序规则,可以对筛选后的商品进行排序,排序的类型是多种多样的,比如,根据商品的流行度排序,根据用户对标签的关注度排序,或者根据商品所属的标签排序。
图2示出了根据本发明的实施例的协同过滤推荐装置的框图。
如图2所示,根据本发明的实施例的协同过滤推荐装置200,包括:设置单元202,用于根据接收到的设置命令,设置各个商品对应的标签类型;第一确定单元204,获取用户的网上行为数据信息,并根据网上行为数据信息确定用户对多个商品中每个商品的关注度值;第二确定单元206,确定多个商品中每个商品对应的标签类型,以确定用户对于每个商品对应的标签类型的关注度值;第三确定单元208,根据用户对每个标签类型的关注度值,确定用户所属的用户推荐群;推荐单元210,根据用户推荐群中其他用户对商品的关注度值向用户进行商品推荐。
在该技术方案中,采用标签把商品进行初步分类,确定了商品和标签的关系,继而根据用户的网上行为数据信息,获取用户对商品的关注度,间接获得用户与标签的关系,也就是为用户在业务系统上打上标签,根据用户对标签的关注顺序和关注比例,从而确定相同的兴趣爱好圈。这种全新的寻找共同爱好圈的方式,把标签运用于协同过滤的方法中,由于标签的数量远远低于商品的数量,从而大大减少了用户和商品相关性的计算,避免了因计算量过大造成的延时以及该延时导致的推荐准确度的降低,提高了协同过滤的实时性和准确性。
在上述技术方案中,优选地,还包括:初步设置单元212,根据接收到的设置命令,设置多个操作类型,以及多个操作类型中每个操作类型对应的操作标识和权重值,其中,操作类型包括查看、购买、收藏、分享和/或评分。
在该技术方案中,明确了操作类型以及每个操作类型对应的操作标识和权重值的设置,有利于接下来根据操作标识来识别对应的操作类型,并根据该操作类型对应的权重值和操作时间计算出用户对商品的关注度值。
在上述技术方案中,优选地,网上行为数据信息包括商品标识、操作标识和操作时间,则第一确定单元204具体包括:根据网上行为数据信息中的操作标识确定对应的操作类型,并按照操作类型对应的权重值和操作时间计算出用户对商品标识对应的商品的关注度值。
在该技术方案中,通过获取并分析用户的网上行为数据信息,确定用户对每个商品的关注度值,即获得了用户与商品的关系,而商品有其对应的标签类型,因此通过用户与商品的关系可以间接获得用户与标签的关系,确定用户的兴趣范围。
在上述技术方案中,优选地,还包括规则设定单元214,用于根据接收到的设置命令,设置预设规则;则推荐单元210具体包括:根据用户推荐群中其他用户对商品的关注度值和预设规则向用户进行商品推荐。
在该技术方案中,预设规则使系统的推荐更为精确到位,若用户满足预设的规则,则他们处于共同爱好圈之中,根据共同爱好圈可以选取出相应的用户推荐群,根据该用户推荐群中其他用户对商品的关注度值向用户进行商品推荐,使用户省却了查找自己感兴趣的商品的步骤,也允许了业务系统将自己的信息展现在对它感兴趣的用户面前。
在上述技术方案中,优选地,预设规则包括:推荐规则、筛选规则和/或排序规则。
在该技术方案中,推荐规则的设定是灵活多变的,业务系统可以根据自身及用户需要设置不同规则。比如,设置推荐规则:若同一用户推荐群中的用户,有一半以上购买或是收藏了某个商品,则把此商品推荐给该用户推荐群中没有关注此商品的用户;还可以设置筛选规则,用于对商品的筛选:不推荐流行度最高的商品、不推荐本用户已经购买或收藏的商品;设置排序规则,可以对筛选后的商品进行排序,排序的类型是多种多样的,比如,根据商品的流行度排序,根据用户对标签的关注度排序,或者根据商品所属的标签排序。
图3示出了根据本发明的实施例的基于协同过滤的商品推荐优化方法的具体流程图。
如图3所示,根据本发明的实施例的基于协同过滤的商品推荐优化方法具体包括以下步骤:
步骤302,根据接收到的设置命令,设置各个商品对应的标签类型;
步骤304,获取用户的网上行为数据信息,包括商品标识、操作标识和操作时间;
步骤306,设置多个操作类型,以及多个操作类型中每个操作类型对应的操作标识和权重值,其中,操作类型包括查看、购买、收藏、分享和/或评分,再根据网上行为数据信息中的操作标识确定对应的操作类型;
步骤308,按照操作类型对应的权重值和操作时间计算出用户对所述商品标识对应的商品的关注度值,即确定用户与商品的关系;
步骤310,确定所述多个商品中每个商品对应的标签类型,采用标签把商品进行初步分类,以确定商品和标签的关系,从而确定所述用户对于所述每个商品对应的标签类型的关注度值;
步骤312,根据用户对商品的关注度值和对标签类型的关注度值,即根据用户与商品的关系和商品与标签的关系,间接获得用户与标签的关系,也就是为用户在业务系统上打上标签,根据用户对标签的关注顺序和关注比例,从而确定相同的兴趣爱好圈,成立用户推荐群;
步骤314,设定推荐规则,比如,若同一用户推荐群中的用户,有一半以上购买或是收藏了某个商品,则把此商品推荐给该用户推荐群中没有关注此商品的用户;
步骤316,设定筛选规则,比如,设定不推荐流行度最高的商品、不推荐本用户已经购买或收藏的商品;
步骤318,设定排序规则,比如,对于筛选后的商品,根据商品的流行度排序,根据用户对标签的关注度排序,或者根据商品所属的标签排序;
步骤320,根据用户推荐群中其他用户对商品的关注度值和设定的推荐规则、筛选规则和/或排序规则向用户进行商品推荐。
这种全新的推荐方式,把标签运用于协同过滤的方法中,大大减少了推荐过程中的计算量,避免了因计算量过大造成的延时以及该延时导致的推荐准确度的降低,提高了协同过滤的实时性和准确性。
以上结合附图详细说明了本发明的技术方案,通过本发明的技术方案,可以在降低计算量的同时保证推荐的准确性,使业务系统能够及时准确地向用户推荐用户感兴趣的商品。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于协同过滤的商品推荐优化方法,其特征在于,包括:
根据接收到的设置命令,设置各个商品对应的标签类型;
获取用户的网上行为数据信息,并根据所述网上行为数据信息确定所述用户对多个商品中每个商品的关注度值;
确定所述多个商品中每个商品对应的标签类型,以确定所述用户对于所述每个商品对应的标签类型的关注度值;
根据所述用户对每个所述标签类型的关注度值,确定所述用户所属的用户推荐群;
根据所述用户推荐群中其他用户对商品的关注度值向所述用户进行商品推荐。
2.根据权利要求1所述的基于协同过滤的商品推荐优化方法,其特征在于,还包括:
根据接收到的设置命令,设置多个操作类型,以及所述多个操作类型中每个操作类型对应的操作标识和权重值,其中,所述操作类型包括查看、购买、收藏、分享和/或评分。
3.根据权利要求2所述的基于协同过滤的商品推荐优化方法,其特征在于,所述网上行为数据信息包括商品标识、操作标识和操作时间,则所述方法还包括:
根据所述网上行为数据信息中的操作标识确定对应的操作类型,并按照所述操作类型对应的权重值和所述操作时间计算出所述用户对所述商品标识对应的商品的关注度值。
4.根据权利要求1所述的基于协同过滤的商品推荐优化方法,其特征在于,还包括:
根据接收到的设置命令,设置预设规则;
根据所述用户推荐群中其他用户对商品的关注度值和所述预设规则向所述用户进行商品推荐。
5.根据权利要求4所述的基于协同过滤的商品推荐优化方法,其特征在于,所述预设规则包括:推荐规则、筛选规则和/或排序规则。
6.一种基于协同过滤的商品推荐优化系统,其特征在于,包括:
设置单元,用于根据接收到的设置命令,设置各个商品对应的标签类型;
第一确定单元,获取用户的网上行为数据信息,并根据所述网上行为数据信息确定所述用户对多个商品中每个商品的关注度值;
第二确定单元,确定所述多个商品中每个商品对应的标签类型,以确定所述用户对于所述每个商品对应的标签类型的关注度值;
第三确定单元,根据所述用户对每个所述标签类型的关注度值,确定所述用户所属的用户推荐群;
推荐单元,根据所述用户推荐群中其他用户对商品的关注度值向所述用户进行商品推荐。
7.根据权利要求6所述的基于协同过滤的商品推荐优化方法系统,其特征在于,还包括:
初步设置单元,根据接收到的设置命令,设置多个操作类型,以及所述多个操作类型中每个操作类型对应的操作标识和权重值,其中,所述操作类型包括查看、购买、收藏、分享和/或评分。
8.根据权利要求7所述的基于协同过滤的商品推荐优化系统,其特征在于,所述网上行为数据信息包括商品标识、操作标识和操作时间,则所述第一确定单元具体包括:
根据所述网上行为数据信息中的操作标识确定对应的操作类型,并按照所述操作类型对应的权重值和所述操作时间计算出所述用户对所述商品标识对应的商品的关注度值。
9.根据权利要求6所述的基于协同过滤的商品推荐优化系统,其特征在于,还包括:
规则设定单元,用于根据接收到的设置命令,设置预设规则;则所述推荐单元具体包括:
根据所述用户推荐群中其他用户对商品的关注度值和所述预设规则向所述用户进行商品推荐。
10.根据权利要求9所述的基于协同过滤的商品推荐优化系统,其特征在于,所述预设规则包括:推荐规则、筛选规则和/或排序规则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410179031.8A CN103995839A (zh) | 2014-04-30 | 2014-04-30 | 基于协同过滤的商品推荐优化方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410179031.8A CN103995839A (zh) | 2014-04-30 | 2014-04-30 | 基于协同过滤的商品推荐优化方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103995839A true CN103995839A (zh) | 2014-08-20 |
Family
ID=51310004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410179031.8A Pending CN103995839A (zh) | 2014-04-30 | 2014-04-30 | 基于协同过滤的商品推荐优化方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103995839A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462386A (zh) * | 2014-12-10 | 2015-03-25 | 四川大学 | 一种基于不同维度特征和综合评价指数的残留物判定算法 |
CN105260922A (zh) * | 2015-10-15 | 2016-01-20 | 广东欧珀移动通信有限公司 | 商品信息的匹配方法及装置 |
CN105354202A (zh) * | 2014-08-20 | 2016-02-24 | 阿里巴巴集团控股有限公司 | 数据推送方法及装置 |
CN105512326A (zh) * | 2015-12-23 | 2016-04-20 | 成都品果科技有限公司 | 一种图片推荐的方法及系统 |
CN106202151A (zh) * | 2016-06-23 | 2016-12-07 | 长沙学院 | 一种用于提高个性化推荐系统多样性的方法 |
WO2017092602A1 (zh) * | 2015-12-04 | 2017-06-08 | 阿里巴巴集团控股有限公司 | 一种信息投放用户的筛选方法和服务器 |
CN107066476A (zh) * | 2016-12-13 | 2017-08-18 | 江苏途致信息科技有限公司 | 一种基于物品相似度的实时推荐方法 |
CN107103487A (zh) * | 2017-03-02 | 2017-08-29 | 浙江兰德纵横网络技术股份有限公司 | 一种基于大数据的广告推送方法 |
CN107943953A (zh) * | 2017-11-24 | 2018-04-20 | 福建中金在线信息科技有限公司 | 榜单推荐方法、装置、电子设备和计算机可读存储介质 |
CN108256119A (zh) * | 2018-02-14 | 2018-07-06 | 北京方正阿帕比技术有限公司 | 一种资源推荐模型的构建方法及基于该模型的资源推荐方法 |
CN108632311A (zh) * | 2017-03-20 | 2018-10-09 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
CN109300016A (zh) * | 2018-10-29 | 2019-02-01 | 成都理工大学 | 一种基于两两物品差异相关性的商品推荐方法 |
WO2019091131A1 (zh) * | 2017-11-07 | 2019-05-16 | 北京大米科技有限公司 | 在网络教学系统中推荐教师的方法 |
CN110197404A (zh) * | 2019-06-12 | 2019-09-03 | 合肥工业大学 | 可降低流行度偏差的个性化长尾商品推荐方法和系统 |
CN110288484A (zh) * | 2019-04-02 | 2019-09-27 | 上海瀚之友信息技术服务有限公司 | 一种基于大数据平台的保险分类的用户推荐方法及系统 |
CN110442791A (zh) * | 2019-08-08 | 2019-11-12 | 北京阿尔山区块链联盟科技有限公司 | 数据推送方法和系统 |
CN110727859A (zh) * | 2019-09-12 | 2020-01-24 | 北京十分科技有限公司 | 一种推荐信息推送方法及其装置 |
CN110737833A (zh) * | 2019-09-29 | 2020-01-31 | 海南省火蓝数据有限公司 | 一种基于推荐度的商品推送方法 |
CN110895778A (zh) * | 2018-09-12 | 2020-03-20 | 北京科杰信息技术有限公司 | 一种电商用户画像中的分类兴趣评分的方法 |
CN111339434A (zh) * | 2018-12-03 | 2020-06-26 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置、电子设备及计算机存储介质 |
CN111738768A (zh) * | 2020-06-24 | 2020-10-02 | 江苏云柜网络技术有限公司 | 广告推送方法及系统 |
TWI726981B (zh) * | 2017-01-23 | 2021-05-11 | 香港商阿里巴巴集團服務有限公司 | 資訊投放用戶的篩選方法和設備 |
CN112819579A (zh) * | 2021-01-29 | 2021-05-18 | 北京极智数仓科技有限公司 | 智能推荐的协同购物的方法、系统、用户终端及交易平台 |
CN113327145A (zh) * | 2020-02-28 | 2021-08-31 | 北京沃东天骏信息技术有限公司 | 一种物品推荐方法和装置 |
CN114896364A (zh) * | 2022-04-26 | 2022-08-12 | 平安普惠企业管理有限公司 | 命名实体识别的推荐方法、装置、计算机设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102402625A (zh) * | 2011-12-28 | 2012-04-04 | 深圳市五巨科技有限公司 | 一种音乐推荐的方法及系统 |
CN102609523A (zh) * | 2012-02-10 | 2012-07-25 | 上海视畅信息科技有限公司 | 基于物品分类和用户分类的协同过滤推荐算法 |
WO2013095348A1 (en) * | 2011-12-19 | 2013-06-27 | Eventsq Llc | Content recommendation based on user feedback of content in a networked environment captured using a single action |
CN103412948A (zh) * | 2013-08-27 | 2013-11-27 | 北京交通大学 | 基于聚类的协同过滤的商品推荐方法及系统 |
CN103544188A (zh) * | 2012-07-17 | 2014-01-29 | 中国移动通信集团广东有限公司 | 移动互联网内容的用户偏好推送方法与装置 |
-
2014
- 2014-04-30 CN CN201410179031.8A patent/CN103995839A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013095348A1 (en) * | 2011-12-19 | 2013-06-27 | Eventsq Llc | Content recommendation based on user feedback of content in a networked environment captured using a single action |
CN102402625A (zh) * | 2011-12-28 | 2012-04-04 | 深圳市五巨科技有限公司 | 一种音乐推荐的方法及系统 |
CN102609523A (zh) * | 2012-02-10 | 2012-07-25 | 上海视畅信息科技有限公司 | 基于物品分类和用户分类的协同过滤推荐算法 |
CN103544188A (zh) * | 2012-07-17 | 2014-01-29 | 中国移动通信集团广东有限公司 | 移动互联网内容的用户偏好推送方法与装置 |
CN103412948A (zh) * | 2013-08-27 | 2013-11-27 | 北京交通大学 | 基于聚类的协同过滤的商品推荐方法及系统 |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354202B (zh) * | 2014-08-20 | 2019-03-15 | 阿里巴巴集团控股有限公司 | 数据推送方法及装置 |
CN105354202A (zh) * | 2014-08-20 | 2016-02-24 | 阿里巴巴集团控股有限公司 | 数据推送方法及装置 |
CN104462386B (zh) * | 2014-12-10 | 2017-08-01 | 四川大学 | 一种基于不同维度特征和综合评价指数的残留物判定方法 |
CN104462386A (zh) * | 2014-12-10 | 2015-03-25 | 四川大学 | 一种基于不同维度特征和综合评价指数的残留物判定算法 |
CN105260922A (zh) * | 2015-10-15 | 2016-01-20 | 广东欧珀移动通信有限公司 | 商品信息的匹配方法及装置 |
WO2017092602A1 (zh) * | 2015-12-04 | 2017-06-08 | 阿里巴巴集团控股有限公司 | 一种信息投放用户的筛选方法和服务器 |
CN105512326A (zh) * | 2015-12-23 | 2016-04-20 | 成都品果科技有限公司 | 一种图片推荐的方法及系统 |
CN105512326B (zh) * | 2015-12-23 | 2019-03-22 | 成都品果科技有限公司 | 一种图片推荐的方法及系统 |
CN106202151A (zh) * | 2016-06-23 | 2016-12-07 | 长沙学院 | 一种用于提高个性化推荐系统多样性的方法 |
CN107066476A (zh) * | 2016-12-13 | 2017-08-18 | 江苏途致信息科技有限公司 | 一种基于物品相似度的实时推荐方法 |
TWI726981B (zh) * | 2017-01-23 | 2021-05-11 | 香港商阿里巴巴集團服務有限公司 | 資訊投放用戶的篩選方法和設備 |
CN107103487A (zh) * | 2017-03-02 | 2017-08-29 | 浙江兰德纵横网络技术股份有限公司 | 一种基于大数据的广告推送方法 |
CN107103487B (zh) * | 2017-03-02 | 2020-07-14 | 浙江兰德纵横网络技术股份有限公司 | 一种基于大数据的广告推送方法 |
CN108632311A (zh) * | 2017-03-20 | 2018-10-09 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
WO2019091131A1 (zh) * | 2017-11-07 | 2019-05-16 | 北京大米科技有限公司 | 在网络教学系统中推荐教师的方法 |
CN107943953A (zh) * | 2017-11-24 | 2018-04-20 | 福建中金在线信息科技有限公司 | 榜单推荐方法、装置、电子设备和计算机可读存储介质 |
CN108256119B (zh) * | 2018-02-14 | 2021-12-28 | 北京方正阿帕比技术有限公司 | 一种资源推荐模型的构建方法及基于该模型的资源推荐方法 |
CN108256119A (zh) * | 2018-02-14 | 2018-07-06 | 北京方正阿帕比技术有限公司 | 一种资源推荐模型的构建方法及基于该模型的资源推荐方法 |
CN110895778A (zh) * | 2018-09-12 | 2020-03-20 | 北京科杰信息技术有限公司 | 一种电商用户画像中的分类兴趣评分的方法 |
CN109300016A (zh) * | 2018-10-29 | 2019-02-01 | 成都理工大学 | 一种基于两两物品差异相关性的商品推荐方法 |
CN109300016B (zh) * | 2018-10-29 | 2021-11-16 | 成都理工大学 | 一种基于两两物品差异相关性的商品推荐方法 |
CN111339434B (zh) * | 2018-12-03 | 2023-04-28 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置、电子设备及计算机存储介质 |
CN111339434A (zh) * | 2018-12-03 | 2020-06-26 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置、电子设备及计算机存储介质 |
CN110288484B (zh) * | 2019-04-02 | 2022-12-13 | 上海瀚之友信息技术服务有限公司 | 一种基于大数据平台的保险分类的用户推荐方法及系统 |
CN110288484A (zh) * | 2019-04-02 | 2019-09-27 | 上海瀚之友信息技术服务有限公司 | 一种基于大数据平台的保险分类的用户推荐方法及系统 |
CN110197404A (zh) * | 2019-06-12 | 2019-09-03 | 合肥工业大学 | 可降低流行度偏差的个性化长尾商品推荐方法和系统 |
CN110197404B (zh) * | 2019-06-12 | 2022-04-01 | 合肥工业大学 | 可降低流行度偏差的个性化长尾商品推荐方法和系统 |
CN110442791A (zh) * | 2019-08-08 | 2019-11-12 | 北京阿尔山区块链联盟科技有限公司 | 数据推送方法和系统 |
CN110727859A (zh) * | 2019-09-12 | 2020-01-24 | 北京十分科技有限公司 | 一种推荐信息推送方法及其装置 |
CN110737833A (zh) * | 2019-09-29 | 2020-01-31 | 海南省火蓝数据有限公司 | 一种基于推荐度的商品推送方法 |
CN113327145A (zh) * | 2020-02-28 | 2021-08-31 | 北京沃东天骏信息技术有限公司 | 一种物品推荐方法和装置 |
CN113327145B (zh) * | 2020-02-28 | 2024-07-19 | 北京沃东天骏信息技术有限公司 | 一种物品推荐方法和装置 |
CN111738768A (zh) * | 2020-06-24 | 2020-10-02 | 江苏云柜网络技术有限公司 | 广告推送方法及系统 |
CN112819579A (zh) * | 2021-01-29 | 2021-05-18 | 北京极智数仓科技有限公司 | 智能推荐的协同购物的方法、系统、用户终端及交易平台 |
CN114896364A (zh) * | 2022-04-26 | 2022-08-12 | 平安普惠企业管理有限公司 | 命名实体识别的推荐方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103995839A (zh) | 基于协同过滤的商品推荐优化方法和系统 | |
CN101482884A (zh) | 一种基于用户偏好评分分布的协作推荐系统 | |
CN103309967B (zh) | 基于相似性传递的协同过滤方法及系统 | |
CN108090208A (zh) | 融合数据处理方法及装置 | |
CN107909433A (zh) | 一种基于大数据移动电子商务的商品推荐方法 | |
CN106168980A (zh) | 多媒体资源推荐排序方法及装置 | |
CN103353872B (zh) | 一种基于神经网络的教学资源个性化推荐方法 | |
CN105976229A (zh) | 一种基于用户和项目混合的协同过滤算法 | |
CN104111938B (zh) | 一种信息推荐的方法及装置 | |
CN103632290B (zh) | 一种基于推荐概率融合的混合推荐方法 | |
CN103678518A (zh) | 一种推荐列表调整方法和装置 | |
CN106126582A (zh) | 推荐方法及装置 | |
CN104463637A (zh) | 一种基于电商平台的商品推荐方法、装置及服务器 | |
CN108205768A (zh) | 数据库建立方法和数据推荐方法及装置、设备和存储介质 | |
CN101329683A (zh) | 推荐系统及方法 | |
CN103136683A (zh) | 计算产品参考价格的方法、装置及产品搜索方法、系统 | |
CN104102696A (zh) | 一种内容推荐方法及装置 | |
CN103729359A (zh) | 一种推荐搜索词的方法及系统 | |
CN101853463A (zh) | 基于客户特征的协同过滤推荐方法和系统 | |
CN103914783A (zh) | 一种基于用户相似度的电子商务网站推荐方法 | |
US11321724B1 (en) | Product evaluation system and method of use | |
CN106446189A (zh) | 一种资讯推荐方法及系统 | |
CN108734587A (zh) | 金融产品的推荐方法及终端设备 | |
CN108846097A (zh) | 用户的兴趣标签表示方法、文章推荐方法、及装置、设备 | |
CN104391925A (zh) | 一种基于tv用户协同预测的视频推荐方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140820 |
|
RJ01 | Rejection of invention patent application after publication |