CN104699711A - 一种推荐方法及服务器 - Google Patents
一种推荐方法及服务器 Download PDFInfo
- Publication number
- CN104699711A CN104699711A CN201310661450.0A CN201310661450A CN104699711A CN 104699711 A CN104699711 A CN 104699711A CN 201310661450 A CN201310661450 A CN 201310661450A CN 104699711 A CN104699711 A CN 104699711A
- Authority
- CN
- China
- Prior art keywords
- product
- user
- data
- recommended
- targeted customer
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种推荐方法及服务器,包括:获取目标用户数据和待推荐产品数据;根据所述目标用户数据和所述待推荐产品数据,计算所述目标用户对所述待推荐产品的预测评分;根据所述预测评分,向所述目标用户推荐所述待推荐产品。本发明实施例还公开了一种服务器。采用本发明,可以实现有针对性地对目标用户推荐适合目标用户的待推荐产品,提升产品推荐的精准性,贴近用户的实际需求。
Description
技术领域
本发明涉及网络,尤其涉及一种推荐方法及服务器。
背景技术
随着互联网的普及和电子商务的迅速发展,推荐系统已经被广泛用到各种领域,成为信息技术的一个重要研究内容,得到越来越多的关注。目前,几乎所有的大型电子商务系统,如Amazon、CDNOW、eBay、当当网上书店等,都不同程度的运用了各种形式的推荐系统,现有的推荐系统根据部分用户对某一个产品的评分信息,以得到所有用户对这个产品的兴趣值,若该兴趣值高于预设的阈值,则向所有用户推荐该产品,这种推荐方法没有针对性,无法提升产品推荐的精准性。
发明内容
本发明实施例提供一种推荐方法及服务器,可有针对性地对目标用户推荐适合目标用户的待推荐产品,提升产品推荐的精准性,贴近用户的实际需求。
本发明第一方面提供一种推荐方法,可包括:
获取目标用户数据和待推荐产品数据;
根据所述目标用户数据和所述待推荐产品数据,计算所述目标用户对所述待推荐产品的预测评分;
根据所述预测评分,向所述目标用户推荐所述待推荐产品。
基于本发明第一方面,在第一种可行的实施方式中,所述目标用户数据包括以下数据中的任一种或多种:所述目标用户的个人资料数据、所述目标用户对至少一个领域的产品的评分数据以及所述目标用户进行评分的时间戳数据;
所述待推荐产品包括至少一个领域的物品和/或应用。
所述待推荐产品数据包括以下数据中的任一种或多种:所述待推荐产品所属领域数据、所述待推荐产品的资料数据、所述待推荐产品的使用情况数据、对所述待推荐产品的评分数据。
基于第一方面或第一方面的第一种可行的实施方式,在第二种可行的实施方式中,所述获取目标用户数据和待推荐产品数据,包括:
从推荐系统任务数据库中获取至少一个目标用户的用户信息,所述用户信息包括所述目标用户的用户标识;
从用户字典中获取与所述目标用户的用户标识对应的用户数据,所述用户字典中存储了所有用户标识对应的用户数据;
从推荐系统任务数据库中获取至少一个待推荐产品的产品信息,所述产品信息包括所述待推荐产品的产品标识;所述待推荐产品包括至少一个领域的产品;
从产品字典中获取与所述待推荐产品的产品标识对应的产品数据,所述产品字典中存储了至少一个领域的所有产品数据。
基于第一方面或第一方面的第一种可行的实施方式或第一方面第二种可行的实施方式,在第三种可行的实施方式中,所述根据所述目标用户数据和所述待推荐产品数据,计算所述目标用户对所述待推荐产品的预测评分,包括:
依次提取所获取的至少一个目标用户标识中每一个目标用户标识对应的用户数据;
依次提取所获取的至少一个待推荐产品标识中每一个待推荐产品标识对应的产品数据;
分别将所提取的每一个目标用户标识对应的用户数据和所提取的每一个待推荐产品标识对应的产品数据进行运算,获得每一个所述目标用户对每一个所述待推荐产品的预测评分;其中,一个目标用户标识对应的用户数据与一个待推荐产品标识对应的产品数据进行运算,获得一个预测评分,所述预测评分分别与参与运算的所述目标用户和参与运算的所述待推荐产品相关联。
基于第一方面或第一方面的第一种可行的实施方式或第一方面的第二种可行的实施方式或第一方面的第三种可行的实施方式,在第一方面的第四种可行的实施方式中,所述根据所述预测评分,向所述目标用户推荐所述待推荐产品,包括:
若所述预测评分高于预设阈值,则向所述预测评分相关联的目标用户推荐所述预测评分相关联的待推荐产品。
基于第一方面或第一方面的第一种可行的实施方式或第一方面的第二种可行的实施方式或第一方面的第三种可行的实施方式或第一方面的第四种可行的实施方式,在第一方面的第五种可行的实施方式中,所述获取目标用户数据和待推荐产品数据之前,还包括:
向所述用户字典中存储所有用户数据;
向所述产品字典中存储至少一个领域的所有产品数据。
基于第一方面的第五种可行的实施方式,在第一方面的第六种可行的实施方式中,所述向用户字典中存储所有用户数据;包括:
从推荐系统数据库中获取所有用户信息;所述用户信息包含用户标识;
将所述所有用户信息按照预设顺序进行数值量化处理,形成用户数据,一个用户标识对应至少一个用户数据;所述数值量化处理方法基于终生机器学习技术;
将所述所有用户标识中各个用户标识对应的用户数据存储至所述用户字典。
基于第一方面的第五种可行的实施方式,在第一方面的第七种可行的实施方式中,所述向所述产品字典中存储至少一个领域的所有产品数据,包括:
从所述推荐系统数据库中获取至少一个领域的所有产品信息;所述产品信息包含产品标识;
将所述所有产品信息按照预设顺序进行数值量化处理,形成产品数据,一个产品标识对应至少一个产品数据;所述数值量化处理方法基于终生机器学习技术;
将所述所有产品标识中各个产品标识对应的产品数据存储至所述产品字典。
基于第一方面的第六种可行的实施方式或第一方面第七种可行的实施方式,在第八中可行的实施方式中,当所述推荐系统数据库中存储新信息时,所述新信息包括以下信息中的任一种或多种:新用户标识对应的用户信息、新产品标识对应的产品信息、所述所有用户标识中任一个用户标识对应的用户信息的更新信息和所述至少一个领域的所有产品标识中任一个产品标识对应的产品信息的更新信息,所述方法还包括:
根据所述新信息优化形成所述用户数据的数值量化处理方法,以对所述用户字典中所有用户标识中各个用户标识对应的用户数据进行更新;和/或,
根据所述新信息优化形成所述产品数据的数值量化处理方法,以对所述产品字典中所有产品标识中各个产品标识对应的产品数据进行更新。
本发明第二方面提供一种服务器,可包括:
获取模块,用于获取目标用户数据和待推荐产品数据;
计算模块,用于根据所述目标用户数据和所述待推荐产品数据,计算所述目标用户对所述待推荐产品的预测评分;
推荐模块,用于根据所述预测评分,向所述目标用户推荐所述待推荐产品。
基于第二发明,在第二发明的第一种可行的实施方式中,所述目标用户数据包括以下数据中的任一种或多种:所述目标用户的个人资料数据、所述目标用户对至少一个领域的产品的评分数据以及所述目标用户进行评分的时间戳数据;
所述待推荐产品包括至少一个领域的物品和/或应用。
所述待推荐产品数据包括以下数据中的任一种或多种:所述待推荐产品所属领域数据、所述待推荐产品的资料数据、所述待推荐产品的使用情况数据、对所述待推荐产品的评分数据。
基于第二方面或第二方面的第一种可行的实施方式,在第二方面的第二种可行的实施方式中,所述获取模块包括:
第一获取单元,用于从推荐系统任务数据库中获取至少一个目标用户的用户信息,所述用户信息包括所述目标用户的用户标识;
第二获取单元,用于从用户字典中获取与所述目标用户的用户标识对应的用户数据,所述用户字典中存储了所有用户标识对应的用户数据;
第三获取单元,用于从推荐系统任务数据库中获取至少一个待推荐产品的产品信息,所述产品信息包括所述待推荐产品的产品标识;所述待推荐产品包括至少一个领域的产品;
第四获取单元,用于从产品字典中获取与所述待推荐产品的产品标识对应的产品数据,所述产品字典中存储了至少一个领域的所有产品数据。
基于第二方面或第二方面的第一种可行的实施方式或第二方面的第二种可行的实施方式,在第二方面的第三种可行的实施方式中,所述计算模块包括:
第一提取单元,用于依次提取所获取的至少一个目标用户标识中每一个目标用户标识对应的用户数据;
第二提取单元,用于依次提取所获取的至少一个待推荐产品标识中每一个待推荐产品标识对应的产品数据;
运算单元,用于分别将所提取的每一个目标用户标识对应的用户数据和所提取的每一个待推荐产品标识对应的产品数据进行运算,获得每一个所述目标用户对每一个所述待推荐产品的预测评分;其中,一个目标用户标识对应的用户数据与一个待推荐产品标识对应的产品数据进行运算,获得一个预测评分,所述预测评分分别与参与运算的所述目标用户和参与运算的所述待推荐产品相关联。
基于第二方面或第二方面的第一种可行的实施方式或第二方面的第二种可行的实施方式或第二方面的第三种可行的实施方式,在第二方面的第四种可行的实施方式中,所述推荐模块具体用于,若所述预测评分高于预设阈值,则向所述预测评分相关联的目标用户推荐所述预测评分相关联的待推荐产品。
基于第二方面或第二方面的第一种可行的实施方式或第二方面的第二种可行的实施方式或第二方面的第三种可行的实施方式或第二方面的第四种可行的实施方式,在第二方面的第五种可行的实施方式中,所述服务器还包括:
第一存储模块,用于向所述用户字典中存储所有用户数据;
第二存储模块,用于向所述产品字典中存储至少一个领域的所有产品数据。
基于第二方面的第五种可行的实施方式,在第二方面的第六种可行的实施方式中,所述第一存储模块包括:
第五获取单元,用于从推荐系统数据库中获取所有用户信息;所述用户信息包含用户标识;
第一数值量化单元,用于将所述所有用户信息按照预设顺序进行数值量化处理,形成用户数据,一个用户标识对应至少一个用户数据;所述数值量化处理方法基于终生机器学习技术;
第一存储单元,用于将所述所有用户标识中各个用户标识对应的用户数据存储至所述用户字典。
基于第二方面的第五种可行的实施方式,在第二方面的第七种可行的实施方式中,所述第二存储模块包括:
第六获取单元,用于从所述推荐系统数据库中获取至少一个领域的所有产品信息;所述产品信息包含产品标识;
第二数值量化单元,用于将所述所有产品信息按照预设顺序进行数值量化处理,形成产品数据,一个产品标识对应至少一个产品数据;所述数值量化处理方法基于终生机器学习技术;
第二存储单元,用于将所述所有产品标识中各个产品标识对应的产品数据存储至所述产品字典。
基于第二方面的第六种可行的实施方式或第二方面的第七种可行的实施方式,在第二方面的第八种可行的实施方式中,当所述推荐系统数据库中存储新信息时,所述新信息包括以下信息中的任一种或多种:新用户标识对应的用户信息、新产品标识对应的产品信息、所述所有用户标识中任一个用户标识对应的用户信息的更新信息和所述至少一个领域的所有产品标识中任一个产品标识对应的产品信息的更新信息,所述服务器还包括优化模块,所述优化模块具体用于,
根据所述新信息优化形成所述用户数据的数值量化处理方法,以对所述用户字典中所有用户标识中各个用户标识对应的用户数据进行更新;和/或,
根据所述新信息优化形成所述产品数据的数值量化处理方法,以对所述产品字典中所有产品标识中各个产品标识对应的产品数据进行更新。
实施本发明实施例,具有如下有益效果:
本发明实施例中,通过有针对性地获取目标用户数据和待推荐产品数据,计算目标用户对待推荐产品的预测评分,根据预测评分向目标用户推荐待推荐产品,这种推荐方法是一种个性化的推荐,能够根据目标用户的实际需求推荐适合目标用户的产品,提升了产品推荐的精准性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种推荐方法的流程图;
图2为本发明实施例提供的另一种推荐方法的流程图;
图3为本发明实施例提供的一种存储用户数据和产品数据的流程图;
图4为本发明实施例提供的一种服务器的结构示意图;
图5为本发明实施例提供的另一种服务器的结构示意图;
图6为本发明实施例提供的服务器的一种获取模块的结构示意图;
图7为本发明实施例提供的服务器的一种计算模块的结构示意图;
图8为本发明实施例提供的服务器的一种第一存储模块的结构示意图;
图9为本发明实施例提供的服务器的一种第二存储模块的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例中的推荐方法可以应用于当当网上书店、淘宝网、京东商城等各种网上推荐系统,其中的推荐产品可以为至少一个领域的产品,推荐产品包括但不限于:家电、居家产品、日用品、APP应用、书籍、电子产品等等。其中的目标用户数据包括但不限于:目标用户的个人资料数据、目标用户对至少一个领域的产品的评分数据、目标用户进行评分的时间戳数据等等。目标用户数据可以反映用户的购买习惯。其中的待推荐产品数据包括但不限于:待推荐产品所属领域数据、待推荐产品的资料数据、待推荐产品的使用情况数据、对待推荐产品的评分数据等等,待推荐产品数据可以反映各种用户对该待推荐产品的兴趣。
下面将结合附图1-附图3,对本发明实施例提供的推荐方法进行详细介绍。
请参见图1,为本发明实施例提供的一种推荐方法的流程图;该方法可包括以下步骤S100-步骤S102。
S100,获取目标用户数据和待推荐产品数据;
具体实施例中,该推荐方法是针对特定的目标用户推荐适合该目标用户的待推荐产品,所以该推荐方法主要是个性化推荐,其中,目标用户数据包括但不限于:目标用户的个人资料数据、目标用户对至少一个领域的产品的评分数据、目标用户进行评分的时间戳数据、目标用户对至少一个领域的评论数据、目标用户所属分类数据等等;目标用户数据可以反映目标用户的习惯,待推荐产品包括但不限于:家电、居家产品、日用品、APP应用、书籍、电子产品等等。待推荐产品数据包括但不限于:待推荐产品所属领域数据、待推荐产品的资料数据、待推荐产品的使用情况数据、对待推荐产品的评分数据等等,待推荐产品数据可以反映各种用户对该待推荐产品的兴趣,需要说明的是在该推荐过程中可以同时获取不同领域的待推荐产品数据以实现对目标用户推荐不同领域的待推荐产品,实现个性化推荐。
其中,获取目标用户数据和待推荐产品数据的方式可以是将目标用户数据和待推荐产品数据预先分别存储至数据库中,当需要目标用户数据和待推荐产品数据时,直接从数据库中获取目标用户数据和待推荐产品数据以实现对目标用户数据和待推荐产品数据进行处理,在本发明中,将用户数据和产品数据分别存储至用户字典和产品字典。
其中,目标用户数据可以是多个目标用户的用户数据,待推荐产品数据可以是至少一个领域的多个产品的产品数据,该推荐方法的目的可以是向多个目标用户推荐多个待推荐产品。
S101,根据所述目标用户数据和所述待推荐产品数据,计算所述目标用户对所述待推荐产品的预测评分;
具体实施例中,将所获得的目标用户数据和待推荐产品数据进行计算,得到目标用户对待推荐产品的预测评分,具体的计算方法可以是,将获得的每一个目标用户的用户数据分别与获得的每一个待推荐产品的产品数据分别进行计算,得到每一个目标用户对每一个待推荐产品的预测评分,该预测评分只是从目标用户的用户数据和待推荐产品的产品数据对评分进行的预测,和实际的评分会有区别。
S102,根据所述预测评分,向所述目标用户推荐所述待推荐产品。
具体实施例中,将得到的预测评分进行比较和分析,向目标用户推荐待推荐产品,具体的推荐方法可以是,比较每一个目标用户对所有待推荐产品的预测评分,并向每一个目标用户推荐对于该目标用户预测评分最高的产品,这样对每一个目标用户均推荐一件待推荐产品;该推荐方法也可以是比较所有的预测评分,若预测评分高于预设阈值,则向该预测评分相关联的目标用户推荐该预测评分相关联的待推荐产品,这样对目标用户推荐的待推荐产品可能是一件也可能是多件,也可能一件产品也不推荐。
本发明实施例中,通过有针对性地获取目标用户数据和待推荐产品数据,计算目标用户对待推荐产品的预测评分,根据预测评分向目标用户推荐待推荐产品,这种推荐方法是一种个性化的推荐,能够根据目标用户的实际需求推荐适合目标用户的产品,提升了产品推荐的精准性。
请参见图2,为本发明实施例提供的另一种推荐方法的流程图;该方法可包括以下步骤S200-步骤S208。
S200,向所述用户字典中存储所有用户数据;向所述产品字典中存储至少一个领域的所有产品数据。
具体实施例中,向用户字典中存储所有用户数据,所有用户可以包括已经注册的用户,每注册一个用户,就有对应该用户的用户数据存在,用户数据包括但不限于:用户的标识、用户的个人资料数据、用户对至少一个领域的产品的评分数据、用户进行评分的时间戳数据、用户对至少一个领域的评论数据、用户所属分类数据等等,用户数据可以反映用户的习惯以及用户的所属分类,初步判断该用户适合什么样的待推荐产品。
进一步的,向产品字典中存储至少一个领域的所有产品数据,其中的领域可以是电子产品领域、家电领域、日用品领域等等。所有的产品也可以包括已经注册的产品,每注册一个产品,就有对应该产品的产品数据存在,产品数据包括但不限于:产品的标识、产品所属领域数据、产品的资料数据、产品的使用情况数据、对产品的评分数据等等,产品数据可以反映各种用户对该产品的兴趣。
需要说明的是,向用户字典中存储所有用户的用户数据,向产品字典中存储所有产品的产品数据,是为了根据这些用户数据和产品数据计算目标用户对待推荐产品的预测评分,目标用户数据可以是根据用户字典中所存储用户数据所获得的,待推荐产品数据可以是根据产品字典中所存储的产品数据所获得的,所以,当用户字典中的用户数据更新时,目标用户数据也相应的更新,当产品字典中的产品数据更新时,待推荐产品数据也相应的更新。
S201,从推荐系统任务数据库中获取至少一个目标用户的用户信息,所述用户信息包括所述目标用户的用户标识;
具体实施例中,推荐系统任务数据库中存储了所有目标用户的用户信息以及至少一个领域的所有待推荐产品的产品信息,所有的目标用户信息和待推荐产品的产品信息都是以文字信息的形式存在,其中每一个目标用户的用户信息包括但不限于:目标用户的用户标识、目标用户的个人信息、目标用户对至少一个领域的产品的评分等等,该推荐系统任务数据库中所存储的目标用户信息可以是推荐系统数据库中所存储的用户信息的子集。
当需要对目标用户推荐待推荐产品时,可以从推荐系统任务数据库中获取目标用户信息,其中的目标用户信息包含目标用户标识,该目标用户标识是为了根据该目标用户标识查找对应该目标用户标识的用户数据。
S202,从用户字典中获取与所述目标用户的用户标识对应的用户数据,所述用户字典中存储了所有用户标识对应的用户数据;
具体实施例中,根据从推荐系统任务数据库中所获取的目标用户信息中目标用户的用户标识从用户字典中获取与目标用户的用户标识对应的用户数据,以根据所获取的目标用户的用户数据计算预测评分。
需要说明的是,用户字典中存储了所有用户标识对应的用户数据,目标用户标识对应的用户数据也存储在用户字典中,所以,当得到目标用户标识时,就可以根据目标用户标识获得目标用户数据,目标用户的用户标识对应的用户数据可以是目标用户的用户隐编码。
具体的,从用户字典中获取与目标用户的用户标识对应的用户数据的方式可以是,基于终生机器学习技术从用户字典中获取目标用户数据,终生机器学习技术包括诸如在线线性拟合、在线矩阵分解等具体的技术方法。
S203,从推荐系统任务数据库中获取至少一个待推荐产品的产品信息,所述产品信息包括所述待推荐产品的产品标识;所述待推荐产品包括至少一个领域的产品;
具体实施例中,推荐系统任务数据库中存储了所有目标用户的用户信息以及至少一个领域的所有待推荐产品的产品信息,所有的目标用户信息和待推荐产品的产品信息都是以文字信息的形式存在,其中每一个待推荐产品的产品信息包括但不限于:待推荐产品的产品标识、待推荐产品所属领域、待推荐产品的资料、待推荐产品的使用情况、对待推荐产品的评分等等,该推荐系统任务数据库中所存储的待推荐产品信息可以是推荐系统数据库中所存储的产品信息的子集。
当需要对目标用户推荐待推荐产品时,可以从推荐系统任务数据库中获取多个待推荐产品信息,其中的待推荐产品信息包含待推荐产品标识,该待推荐产品标识是为了根据该待推荐产品标识查找对应该待推荐产品标识对应的产品数据。
S204,从产品字典中获取与所述待推荐产品的产品标识对应的产品数据,所述产品字典中存储了至少一个领域的所有产品数据。
具体实施例中,根据从推荐系统任务数据库中所获取的待推荐产品的产品信息中待推荐产品的产品标识从产品字典中获取与待推荐产品的产品标识对应的产品数据,以根据所获取的待推荐产品的产品数据计算预测评分。
需要说明的是,产品字典中存储了所有产品标识对应的产品数据,待推荐产品标识对应的产品数据也存储在产品字典中,所以,当得到待推荐产品标识时,就可以根据待推荐产品标识获得待推荐产品数据,待退推荐产品的产品标识对应的产品数据可以是待推荐产品的产品隐编码。
具体的,从产品字典中获取与待推荐产品的产品标识对应的产品数据的方式可以是,基于终生机器学习技术从产品字典中获取待推荐产品数据,终生机器学习技术包括诸如在线线性拟合、在线矩阵分解等具体的技术方法。
S205,依次提取所获取的至少一个目标用户标识中每一个目标用户标识对应的用户数据;
具体实施例中,将所获得的所有目标用户标识对应的用户数据依次提取出来进行运算,由于每次参与运算的都是一个目标用户标识对应的用户数据和一个待推荐产品标识对应的产品数据,所以可以将提取出的一个目标用户标识对应的目标用户数据进行运算后,再提取下一个目标用户标识对应的用户数据。
S206,依次提取所获取的至少一个待推荐产品标识中每一个待推荐产品标识对应的产品数据;
具体实施例中,将所获得的所有待推荐产品标识对应的产品数据依次提取出来进行运算,由于每次参与运算的都是一个目标用户标识对应的用户数据和一个待推荐产品标识对应的产品数据,所以可以将提取出的一个待推荐产品标识对应的产品数据进行运算后,再提取下一个待推荐产品标识对应的产品数据。
S207,分别将所提取的每一个目标用户标识对应的用户数据和所提取的每一个待推荐产品标识对应的产品数据进行运算,获得每一个所述目标用户对每一个所述待推荐产品的预测评分;其中,一个目标用户标识对应的用户数据与一个待推荐产品标识对应的产品数据进行运算,获得一个预测评分,所述预测评分分别与参与运算的所述目标用户和参与运算的所述待推荐产品相关联。
具体实施例中,需要计算每一个目标用户对每一个待推荐产品的预测评分,具体的,当向某一个特定目标用户推荐某一个特定的待推荐产品,则将所提取的对应这个特定目标用户标识的用户数据和对应这个特定产品标识的产品数据进行运算,获得这个特定用户对这个特定产品的预测评分。需要说明的是,目标用户的用户数据可以是目标用户的用户隐编码,待推荐产品的产品数据可是待推荐产品的产品隐编码,用户隐编码是用户个性化资料的数值化表示,产品隐编码是产品个性化资料的数值化表示。
进一步的,所有目标用户标识对应的用户隐编码和所有产品标识对应的产品隐编码可以构成领域特定子模型,每一个领域都有一个领域特定子模型,该领域特定子模型中存储了所有关于该领域的用户隐编码和产品隐编码。
需要说明的是,将目标用户数据和待推荐产品数据进行运算获得预测评分的具体方法可以是,对于某个特定的目标用户和某个特定的待推荐产品,将特定目标用户的目标用户数据与用户字典中的用户数据组成的矩阵进行相乘得到该特定目标用户的用户码,用户码是一个数值向量;将特定待推荐产品的产品数据与产品字典中的产品数据组成的矩阵进行相乘得到该特定待推荐产品的产品码,产品码是一个数值向量,再将用户码和产品码相乘并使用链接函数进行转换得到该特定目标用户对该特定待推荐产品的预测评分。
S208,若所述预测评分高于预设阈值,则向所述预测评分相关联的目标用户推荐所述预测评分相关联的待推荐产品。
具体实施例中,如果所计算出的预测评分高于预先设置的阈值,则判断出该目标用户标识对应的用户对该产品标识对应的待推荐产品感兴趣,则向与该预测评分相关联的用户推荐该预测评分相关联的待推荐产品。
进一步的,可以对所得到的预测评分进行评测,评测主要运用于测试系统中,推荐系统任务数据库中存储了每一个目标用户标识对应的用户对每一个待推荐产品标识对应的待推荐产品的真实评分,所以基于真实评分和预测评分,对预测结果进行评价,具体的评价标准包括但不限于平均错误率(MAE)和方根平均错误率(RMSE)。
本发明实施例中,通过有针对性地获取目标用户数据和待推荐产品数据,计算目标用户对待推荐产品的预测评分,根据预测评分向目标用户推荐待推荐产品,这种推荐方法是一种个性化的推荐,能够根据目标用户的实际需求推荐适合目标用户的产品,提升了产品推荐的精准性。
请参见图3,为本发明实施例提供的一种存储用户数据和产品数据的流程图;该方法可包括以下步骤S300-步骤S306。
S300,从推荐系统数据库中获取所有用户信息;所述用户信息包含用户标识;
具体实施例中,推荐系统数据库中存储了所有用户的用户信息,用户信息包括但不限于:用户的标识、用户的个人资料、用户对至少一个领域的产品的评分、用户进行评分的时间戳、用户对至少一个领域的评论、用户所属分类等等。
S301,将所述所有用户信息按照预设顺序进行数值量化处理,形成用户数据,一个用户标识对应至少一个用户数据;所述数值量化处理方法基于终生机器学习技术;
具体实施例中,所有用户信息是指所有用户标识的用户信息,一个用户标识可以对应一条用户信息,也可以对应多条用户信息,将每一个用户标识的用户信息预先按照固定顺序进行排序,例如,可以将每一个用户信息按照,用户标识、用户性别、用户所在地方、用户曾经购买产品、用户对所购买的产品评分的顺序进行排序,当某一个用户标识的某一条信息缺失则将该条信息的存储位置空出来,或者以空格代替,并将每一个用户标识固定一个预设顺序标识,该顺序标识标识该用户标识的用户信息进行数值量化处理的顺序。
具体的,将所有用户信息进行数值量化处理的过程为,基于终生机器学习技术进行处理,将所有用户信息输入至数值量化处理模型,进行在线线性拟合、在线矩阵分解等具体的技术方法进行处理,需要说明的是,在将用户信息进行数值量化处理的过程中时,可以基于终生机器学习技术调整用户数据,在固定用户信息其它子模型和参数的前提下,通过梯度下降或闭合解等方式调整用户数据,使得用户数据更加拟合用户信息,最终找到最优的用户数据,即是该用户数据更能够体现用户的用户信息。
S302,从所述推荐系统数据库中获取至少一个领域的所有产品信息;所述产品信息包含产品标识;
具体实施例中,具体实施例中,推荐系统数据库中存储了至少一个领域的所有产品信息,产品信息包括但不限于:产品的标识、产品的个性化资料、产品的所述领域、用户对该产品的评分等等
S303,将所述所有产品信息按照预设顺序进行数值量化处理,形成产品数据,一个产品标识对应至少一个产品数据;所述数值量化处理方法基于终生机器学习技术;
具体实施例中,所有产品信息可以是指所有产品标识的产品信息,一个产品标识可以对应一条产品信息,也可以对应多条产品信息,需要说明的是,所有产品可以包括多个领域的产品,也可以是一个领域的产品。将每一个产品标识的产品信息预先按照固定顺序进行排序,例如,可以将每一个产品信息按照,产品标识、产品所属领域、产品的生产地方、用户对产品的评分的顺序进行排序,当某一个产品标识对应的某一条信息缺失则将该条信息的存储位置空出来,或者以空格代替,并将每一个产品标识固定一个预设顺序标识,该顺序标识标识该产品标识对应的产品信息进行数值量化处理的顺序。
具体的,将所有产品信息进行数值量化处理的过程为,基于终生机器学习技术进行处理,将所有产品信息输入至数值量化处理模型,进行在线线性拟合、在线矩阵分解等具体的技术方法进行处理,需要说明的是,在将产品信息进行数值量化处理的过程中时,可以基于终生机器学习技术调整产品数据,在固定产品信息其它子模型和参数的前提下,通过梯度下降或闭合解等方式调整产品数据,使得产品数据更加拟合产品信息,最终找到最优的产品数据,即是该产品数据更能够体现产品的产品信息。
S304,当所述推荐系统数据库中存储新信息时,所述新信息包括以下信息中的任一种或多种:新用户标识对应的用户信息、新产品标识对应的产品信息、所述所有用户标识中任一个用户标识对应的用户信息的更新信息和所述至少一个领域的所有产品标识中任一个产品标识对应的产品信息的更新信息,所述方法还包括:
根据所述新信息优化形成所述用户数据的数值量化处理方法,以对所述用户字典中所有用户标识中各个用户标识对应的用户数据进行更新;和/或,
根据所述新信息优化形成所述产品数据的数值量化处理方法,以对所述产品字典中所有产品标识中各个产品标识对应的产品数据进行更新。
具体实施例中,当推荐系统数据库中存储新信息时,新信息的产生可以是新用户注册,也可以是新产品注册,也可以是已注册用户对已注册产品进行评分,其中,新信息可以包括:新用户标识对应的用户信息、新产品标识对应的产品信息、所有用户标识中任一个用户标识对应的用户信息的更新信息和至少一个领域的所有产品标识中任一个产品标识对应的产品信息的更新信息,当检测到新信息时,需要根据新信息的具体内容优化数值量化处理方法,如果新信息包含用户标识对应的用户信息更新信息,则需要根据新信息优化形成用户数据的数值量化处理方法,如果新信息包含产品标识对应的产品信息更新信息时,则需要根据新信息优化形成产品数据的数值量化处理方法。
具体的,优化数值量化处理方法可以是基于终生机器学习技术学习新信息,终生机器学习技术包括了在线线性拟合、在线矩阵分解等具体的技术方法,当新信息输入到数值量化模型时,通过梯度下降、闭合解等方式调整数值量化处理方法,以使用户数据更加拟合用户信息,产品数据更加拟合产品信息,当数值量化处理方法优化后,所有的用户数据和/或产品数据也得到了更新。
S305,将所述所有用户标识中各个用户标识对应的用户数据存储至所述用户字典;
具体实施例中,把根据用户信息转化得到的用户数据存储至用户字典,用户字典中按照预设的每个用户标识的顺序将用户数据分别进行存储,需要说明的是,一个用户标识可以对应多个用户数据,当数值量化处理方法得到优化时,用户数据进行更新,相应的用户字典也得到更新。
S306,将所述所有产品标识中各个产品标识对应的产品数据存储至所述产品字典。
具体实施例中,把根据产品信息转化得到的产品数据存储至产品字典,产品字典中按照预设的每个产品标识的顺序标识将产品数据分别进行存储,需要说明的是,一个产品标识可以对应多个产品数据,当数值量化处理方法得到优化时,产品数据进行更新,相应的产品字典也得到更新。
本发明实施例中,通过有针对性地获取目标用户数据和待推荐产品数据,计算目标用户对待推荐产品的预测评分,根据预测评分向目标用户推荐待推荐产品,这种推荐方法是一种个性化的推荐,能够根据目标用户的实际需求推荐适合目标用户的产品,提升了产品推荐的精准性。
下面将结合附图4-附图9,对本发明实施例提供的服务器的结构进行详细介绍。需要说明的是,下述的服务器可以应用于上述方法中。
请参见图4,为本发明实施例提供的一种服务器的结构示意图;该服务器可包括:获取模块100、计算模块101和推荐模块102。
获取模块100,用于获取目标用户数据和待推荐产品数据;
具体实施例中,该推荐方法是针对特定的目标用户推荐适合该目标用户的待推荐产品,所以该推荐方法主要是个性化推荐,其中,目标用户数据包括但不限于:目标用户的个人资料数据、目标用户对至少一个领域的产品的评分数据、目标用户进行评分的时间戳数据、目标用户对至少一个领域的评论数据、目标用户所属分类数据等等;目标用户数据可以反映目标用户的习惯,待推荐产品包括但不限于:家电、居家产品、日用品、APP应用、书籍、电子产品等等。待推荐产品数据包括但不限于:待推荐产品所属领域数据、待推荐产品的资料数据、待推荐产品的使用情况数据、对待推荐产品的评分数据等等,待推荐产品数据可以反映各种用户对该待推荐产品的兴趣,需要说明的是在该推荐过程中,获取模块100可以同时获取不同领域的待推荐产品数据以实现对目标用户推荐不同领域的待推荐产品,实现个性化推荐。
其中,获取模块100获取目标用户数据和待推荐产品数据的方式可以是将目标用户数据和待推荐产品数据预先分别存储至数据库中,当需要目标用户数据和待推荐产品数据时,获取模块100直接从数据库中获取目标用户数据和待推荐产品数据以实现对目标用户数据和待推荐产品数据进行处理,在本发明中,将用户数据和产品数据分别存储至用户字典和产品字典。
其中,目标用户数据可以是多个目标用户的用户数据,待推荐产品数据可以是至少一个领域的多个产品的产品数据,该推荐方法的目的可以是向多个目标用户推荐多个待推荐产品。
计算模块101,用于根据所述目标用户数据和所述待推荐产品数据,计算所述目标用户对所述待推荐产品的预测评分;
具体实施例中,计算模块101将所获得的目标用户数据和待推荐产品数据进行计算,得到目标用户对待推荐产品的预测评分,具体的计算方法可以是,将获得的每一个目标用户的用户数据分别与获得的每一个待推荐产品的产品数据分别进行计算,得到每一个目标用户对每一个待推荐产品的预测评分,该预测评分只是从目标用户的用户数据和待推荐产品的产品数据对评分进行的预测,和实际的评分会有区别。
推荐模块102,用于根据所述预测评分,向所述目标用户推荐所述待推荐产品。
具体实施例中,推荐模块102将得到的预测评分进行比较和分析,向目标用户推荐待推荐产品,具体的推荐方法可以是,比较每一个目标用户对所有待推荐产品的预测评分,并向每一个目标用户推荐对于该目标用户预测评分最高的产品,这样对每一个目标用户均推荐一件待推荐产品;该推荐方法也可以是比较所有的预测评分,若预测评分高于预设阈值,则向该预测评分相关联的目标用户推荐该预测评分相关联的待推荐产品,这样对目标用户推荐的待推荐产品可能是一件也可能是多件,也可能一件产品也不推荐。
本发明实施例中,通过有针对性地获取目标用户数据和待推荐产品数据,计算目标用户对待推荐产品的预测评分,根据预测评分向目标用户推荐待推荐产品,这种推荐方法是一种个性化的推荐,能够根据目标用户的实际需求推荐适合目标用户的产品,提升了产品推荐的精准性。
请参见图5,为本发明实施例提供的另一种服务器的结构示意图;该服务器可包括:获取模块100、计算模块101、推荐模块102、优化模块103、第一存储模块104和第二存储模块105,其中获取模块100、计算模块101和优化模块102请参照图4的描述,在此不再赘述。
优化模块103,用于当所述推荐系统数据库中存储新信息时,所述新信息包括以下信息中的任一种或多种:新用户标识对应的用户信息、新产品标识对应的产品信息、所述所有用户标识中任一个用户标识对应的用户信息的更新信息和所述至少一个领域的所有产品标识中任一个产品标识对应的产品信息的更新信息;
根据所述新信息优化形成所述用户数据的数值量化处理方法,以对所述用户字典中所有用户标识中各个用户标识对应的用户数据进行更新;和/或,
根据所述新信息优化形成所述产品数据的数值量化处理方法,以对所述产品字典中所有产品标识中各个产品标识对应的产品数据进行更新。
具体实施例中,当推荐系统数据库中存储新信息时,新信息的产生可以是新用户注册,也可以是新产品注册,也可以是已注册用户对已注册产品进行评分,其中,新信息可以包括:新用户标识对应的用户信息、新产品标识对应的产品信息、所有用户标识中任一个用户标识对应的用户信息的更新信息和至少一个领域的所有产品标识中任一个产品标识对应的产品信息的更新信息,优化模块103当检测到新信息时,需要根据新信息的具体内容优化数值量化处理方法,如果新信息包含用户标识对应的用户信息更新信息,优化模块103则需要根据新信息优化形成用户数据的数值量化处理方法,如果新信息包含产品标识对应的产品信息更新信息时,优化模块103则需要根据新信息优化形成产品数据的数值量化处理方法。
具体的,优化模块103优化数值量化处理方法可以是基于终生机器学习技术学习新信息,终生机器学习技术包括了在线线性拟合、在线矩阵分解等具体的技术方法,当新信息输入到数值量化模型时,通过梯度下降、闭合解等方式调整数值量化处理方法,以使用户数据更加拟合用户信息,产品数据更加拟合产品信息,当数值量化处理方法优化后,所有的用户数据和/或产品数据也得到了更新。
第一存储模块104,用于向所述用户字典中存储所有用户数据;
第二存储模块105,用于向所述产品字典中存储至少一个领域的所有产品数据。
具体实施例中,第一存储模块104向用户字典中存储所有用户的用户数据,所有用户可以包括已经注册的用户,每注册一个用户,就有对应该用户的用户数据存在,用户数据包括但不限于:用户的标识、用户的个人资料数据、用户对至少一个领域的产品的评分数据、用户进行评分的时间戳数据、用户对至少一个领域的评论数据、用户所属分类数据等等,用户数据可以反映用户的习惯以及用户的所属分类,初步判断该用户适合什么样的待推荐产品。
进一步的,第二存储模块105向产品字典中存储至少一个领域的所有产品数据,其中的领域可以是电子产品领域、家电领域、日用品领域等等。所有的产品也可以包括已经注册的产品,每注册一个产品,就有对应该产品的产品数据存在,产品数据包括但不限于:产品的标识、产品所属领域数据、产品的资料数据、产品的使用情况数据、对产品的评分数据等等,产品数据可以反映各种用户对该产品的兴趣。
需要说明的是,第一存储模块104向用户字典中存储所有用户的用户数据,第二存储模块105向产品字典中存储所有产品的产品数据,是为了根据这些用户数据和产品数据计算目标用户对待推荐产品的预测评分,目标用户数据可以是根据用户字典中所存储用户数据所获得的,待推荐产品数据可以是根据产品字典中所存储的产品数据所获得的,所以,当用户字典中的用户数据更新时,目标用户数据也相应的更新,当产品字典中的产品数据更新时,待推荐产品数据也相应的更新。
下面将结合附图6-附图9,对此实施方式中的服务器的各模块结构进行详细介绍。
请参见图6,为本发明实施例提供的服务器的一种获取模块的结构示意图;该获取模块100可包括:第一获取单元1000、第二获取单元1001、第三获取单元1002和第四获取单元1003。
第一获取单元1000,用于从推荐系统任务数据库中获取至少一个目标用户的用户信息,所述用户信息包括所述目标用户的用户标识;
具体实施例中,推荐系统任务数据库中存储了所有目标用户的用户信息以及至少一个领域的所有待推荐产品的产品信息,所有的目标用户信息和待推荐产品的产品信息都是以文字信息的形式存在,其中每一个目标用户的用户信息包括但不限于:目标用户的用户标识、目标用户的个人信息、目标用户对至少一个领域的产品的评分等等,该推荐系统任务数据库中所存储的目标用户信息可以是推荐系统数据库中所存储的用户信息的子集。
当需要对目标用户推荐待推荐产品时,第一获取单元1000可以从推荐系统任务数据库中获取目标用户信息,其中的目标用户信息包含目标用户标识,该目标用户标识是为了根据该目标用户标识查找对应该目标用户标识的用户数据。
第二获取单元1001,用于从用户字典中获取与所述目标用户的用户标识对应的用户数据,所述用户字典中存储了所有用户标识对应的用户数据;
具体实施例中,第二获取单元1001根据从推荐系统任务数据库中所获取的目标用户信息中目标用户的用户标识从用户字典中获取与目标用户的用户标识对应的用户数据,以根据所获取的目标用户的用户数据计算预测评分。
需要说明的是,用户字典中存储了所有用户标识对应的用户数据,目标用户标识对应的用户数据也存储在用户字典中,所以,当第二获取单元1001得到目标用户标识时,就可以根据目标用户标识获得目标用户数据,目标用户的用户标识对应的用户数据可以是目标用户的用户隐编码。
具体的,第二获取单元1001从用户字典中获取与目标用户的用户标识对应的用户数据的方式可以是,基于终生机器学习技术从用户字典中获取目标用户数据,终生机器学习技术包括诸如在线线性拟合、在线矩阵分解等具体的技术方法。
第三获取单元1002,用于从推荐系统任务数据库中获取至少一个待推荐产品的产品信息,所述产品信息包括所述待推荐产品的产品标识;所述待推荐产品包括至少一个领域的产品;
具体实施例中,推荐系统任务数据库中存储了所有目标用户的用户信息以及至少一个领域的所有待推荐产品的产品信息,所有的目标用户信息和待推荐产品的产品信息都是以文字信息的形式存在,其中每一个待推荐产品的产品信息包括但不限于:待推荐产品的产品标识、待推荐产品所属领域、待推荐产品的资料、待推荐产品的使用情况、对待推荐产品的评分等等,该推荐系统任务数据库中所存储的待推荐产品信息可以是推荐系统数据库中所存储的产品信息的子集。
当需要对目标用户推荐待推荐产品时,第三获取单元1002可以从推荐系统任务数据库中获取多个待推荐产品信息,其中的待推荐产品信息包含待推荐产品标识,该待推荐产品标识是为了根据该待推荐产品标识查找对应该待推荐产品标识对应的产品数据。
第四获取单元1003,用于从产品字典中获取与所述待推荐产品的产品标识对应的产品数据,所述产品字典中存储了至少一个领域的所有产品数据。
具体实施例中,第四获取单元1003根据从推荐系统任务数据库中所获取的待推荐产品的产品信息中待推荐产品的产品标识从产品字典中获取与待推荐产品的产品标识对应的产品数据,以根据所获取的待推荐产品的产品数据计算预测评分。
需要说明的是,产品字典中存储了所有产品标识对应的产品数据,待推荐产品标识对应的产品数据也存储在产品字典中,所以,当得到待推荐产品标识时,就可以根据待推荐产品标识获得待推荐产品数据,待推荐产品的产品标识对应的产品数据可以是待推荐产品的产品隐编码。
具体的,第四获取单元1003从产品字典中获取与待推荐产品的产品标识对应的产品数据的方式可以是,基于终生机器学习技术从产品字典中获取待推荐产品数据,终生机器学习技术包括诸如在线线性拟合、在线矩阵分解等具体的技术方法。
本发明实施例中,通过有针对性地获取目标用户数据和待推荐产品数据,计算目标用户对待推荐产品的预测评分,根据预测评分向目标用户推荐待推荐产品,这种推荐方法是一种个性化的推荐,能够根据目标用户的实际需求推荐适合目标用户的产品,提升了产品推荐的精准性。
请参见图7,为本发明实施例提供的服务器的一种计算模块的结构示意图;该计算模块101可包括:第一提取单元1010、第二提取单元1011和运算单元1012。
第一提取单元1010,用于依次提取所获取的至少一个目标用户标识中每一个目标用户标识对应的用户数据;
具体实施例中,第一提取单元1010将所获得的所有目标用户标识对应的用户数据依次提取出来进行运算,由于每次参与运算的都是一个目标用户标识对应的用户数据和一个待推荐产品标识对应的产品数据,所以第一提取单元1010可以将提取出的一个目标用户标识对应的目标用户数据进行运算后,再提取下一个目标用户标识对应的用户数据。
第二提取单元1011,用于依次提取所获取的至少一个待推荐产品标识中每一个待推荐产品标识对应的产品数据;
具体实施例中,第二提取单元1011将所获得的所有待推荐产品标识对应的产品数据依次提取出来进行运算,由于每次参与运算的都是一个目标用户标识对应的用户数据和一个待推荐产品标识对应的产品数据,所以第二提取单元1011可以将提取出的一个待推荐产品标识对应的产品数据进行运算后,再提取下一个待推荐产品标识对应的产品数据。
运算单元1012,用于分别将所提取的每一个目标用户标识对应的用户数据和所提取的每一个待推荐产品标识对应的产品数据进行运算,获得每一个所述目标用户对每一个所述待推荐产品的预测评分;其中,一个目标用户标识对应的用户数据与一个待推荐产品标识对应的产品数据进行运算,获得一个预测评分,所述预测评分分别与参与运算的所述目标用户和参与运算的所述待推荐产品相关联。
具体实施例中,运算单元1012需要计算每一个目标用户对每一个待推荐产品的预测评分,具体的,当向某一个特定目标用户推荐某一个特定的待推荐产品,则运算单元1012将所提取的对应这个特定目标用户标识的用户数据和对应这个特定产品标识的产品数据进行运算,获得这个特定用户对这个特定产品的预测评分。需要说明的是,目标用户的用户数据可以是目标用户的用户隐编码,待推荐产品的产品数据可是待推荐产品的产品隐编码,用户隐编码是用户个性化资料的数值化表示,产品隐编码是产品个性化资料的数值化表示。
进一步的,所有目标用户标识对应的用户隐编码和所有产品标识对应的产品隐编码可以构成领域特定子模型,每一个领域都有一个领域特定子模型,该领域特定子模型中存储了所有关于该领域的用户隐编码和产品隐编码。
需要说明的是,运算单元1012将目标用户数据和待推荐产品数据进行运算获得预测评分的具体方法可以是,对于某个特定的目标用户和某个特定的待推荐产品,将特定目标用户的目标用户数据与用户字典中的用户数据组成的矩阵进行相乘得到该特定目标用户的用户码,用户码是一个数值向量;将特定待推荐产品的产品数据与产品字典中的产品数据组成的矩阵进行相乘得到该特定待推荐产品的产品码,产品码是一个数值向量,再将用户码和产品码相乘并使用链接函数进行转换得到该特定目标用户对该特定待推荐产品的预测评分。
本发明实施例中,通过有针对性地获取目标用户数据和待推荐产品数据,计算目标用户对待推荐产品的预测评分,根据预测评分向目标用户推荐待推荐产品,这种推荐方法是一种个性化的推荐,能够根据目标用户的实际需求推荐适合目标用户的产品,提升了产品推荐的精准性。
请参见图8,为本发明实施例提供的服务器的一种第一存储模块的结构示意图;该第一存储模块104可包括:第五获取单元1040、第一数值量化单元1041和第一存储单元1042。
第五获取单元1040,用于从推荐系统数据库中获取所有用户信息;所述用户信息包含用户标识;
具体实施例中,推荐系统数据库中存储了所有用户的用户信息,用户信息包括但不限于:用户的标识、用户的个人资料、用户对至少一个领域的产品的评分、用户进行评分的时间戳、用户对至少一个领域的评论、用户所属分类等等。
第一数值量化单元1041,用于将所述所有用户信息按照预设顺序进行数值量化处理,形成用户数据,一个用户标识对应至少一个用户数据;所述数值量化处理方法基于终生机器学习技术;
具体实施例中,所有用户信息是指所有用户标识的用户信息,一个用户标识可以对应一条用户信息,也可以对应多条用户信息,第一数值量化单元1041将每一个用户标识的用户信息预先按照固定顺序进行排序,例如,可以将每一个用户信息按照,用户标识、用户性别、用户所在地方、用户曾经购买产品、用户对所购买的产品评分的顺序进行排序,当某一个用户标识的某一条信息缺失则将该条信息的存储位置空出来,或者以空格代替,第一数值量化单元1041并将每一个用户标识固定一个预设顺序标识,该顺序标识标识该用户标识的用户信息进行数值量化处理的顺序。
具体的,第一数值量化单元1041将所有用户信息进行数值量化处理的过程为,基于终生机器学习技术进行处理,将所有用户信息输入至数值量化处理模型,进行在线线性拟合、在线矩阵分解等具体的技术方法进行处理,需要说明的是,在将用户信息进行数值量化处理的过程中时,第一数值量化单元1041可以基于终生机器学习技术调整用户数据,在固定用户信息其它子模型和参数的前提下,通过梯度下降或闭合解等方式调整用户数据,使得用户数据更加拟合用户信息,最终找到最优的用户数据,即是该用户数据更能够体现用户的用户信息。
第一存储单元1042,用于将所述所有用户标识中各个用户标识对应的用户数据存储至所述用户字典。
具体实施例中,第一存储单元1042把根据用户信息转化得到的用户数据存储至用户字典,用户字典中按照预设的每个用户标识的顺序将用户数据分别进行存储,需要说明的是,一个用户标识可以对应多个用户数据,当数值量化处理方法得到优化时,用户数据进行更新,相应的用户字典也得到更新。
本发明实施例中,通过有针对性地获取目标用户数据和待推荐产品数据,计算目标用户对待推荐产品的预测评分,根据预测评分向目标用户推荐待推荐产品,这种推荐方法是一种个性化的推荐,能够根据目标用户的实际需求推荐适合目标用户的产品,提升了产品推荐的精准性。
请参见图9,为本发明实施例提供的服务器的一种第二存储模块的结构示意图;该第二存储模块105可包括:第六获取单元1050、第二数值量化单元1051和第二存储单元1052。
第六获取单元1050,用于从所述推荐系统数据库中获取至少一个领域的所有产品信息;所述产品信息包含产品标识;
具体实施例中,推荐系统数据库中存储了至少一个领域的所有产品信息,产品信息包括但不限于:产品的标识、产品的个性化资料、产品的所述领域、用户对该产品的评分等等
第二数值量化单元1051,用于将所述所有产品信息按照预设顺序进行数值量化处理,形成产品数据,一个产品标识对应至少一个产品数据;所述数值量化处理方法基于终生机器学习技术;
具体实施例中,所有产品信息可以是指所有产品标识的产品信息,一个产品标识可以对应一条产品信息,也可以对应多条产品信息,需要说明的是,所有产品可以包括多个领域的产品,也可以是一个领域的产品。第二数值量化单元1051将每一个产品标识的产品信息预先按照固定顺序进行排序,例如,可以将每一个产品信息按照,产品标识、产品所属领域、产品的生产地方、用户对产品的评分的顺序进行排序,当某一个产品标识对应的某一条信息缺失则将该条信息的存储位置空出来,或者以空格代替,第二数值量化单元1051并将每一个产品标识固定一个预设顺序标识,该顺序标识标识该产品标识对应的产品信息进行数值量化处理的顺序。
具体的,第二数值量化单元1051将所有产品信息进行数值量化处理的过程为,基于终生机器学习技术进行处理,将所有产品信息输入至数值量化处理模型,进行在线线性拟合、在线矩阵分解等具体的技术方法进行处理,需要说明的是,第二数值量化单元1051在将产品信息进行数值量化处理的过程中时,可以基于终生机器学习技术调整产品数据,在固定产品信息其它子模型和参数的前提下,通过梯度下降或闭合解等方式调整产品数据,使得产品数据更加拟合产品信息,最终找到最优的产品数据,即是该产品数据更能够体现产品的产品信息。
第二存储单元1052,用于将所述所有产品标识中各个产品标识对应的产品数据存储至所述产品字典。
具体实施例中,第二存储单元1052把根据产品信息转化得到的产品数据存储至产品字典,产品字典中按照预设的每个产品标识的顺序标识将产品数据分别进行存储,需要说明的是,一个产品标识可以对应多个产品数据,当数值量化处理方法得到优化时,产品数据进行更新,相应的产品字典也得到更新。
本发明实施例中,通过有针对性地获取目标用户数据和待推荐产品数据,计算目标用户对待推荐产品的预测评分,根据预测评分向目标用户推荐待推荐产品,这种推荐方法是一种个性化的推荐,能够根据目标用户的实际需求推荐适合目标用户的产品,提升了产品推荐的精准性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (18)
1.一种推荐方法,其特征在于,所述方法包括:
获取目标用户数据和待推荐产品数据;
根据所述目标用户数据和所述待推荐产品数据,计算所述目标用户对所述待推荐产品的预测评分;
根据所述预测评分,向所述目标用户推荐所述待推荐产品。
2.如权利要求1所述的方法,其特征在于,所述目标用户数据包括以下数据中的任一种或多种:所述目标用户的个人资料数据、所述目标用户对至少一个领域的产品的评分数据以及所述目标用户进行评分的时间戳数据;
所述待推荐产品包括至少一个领域的物品和/或应用;
所述待推荐产品数据包括以下数据中的任一种或多种:所述待推荐产品所属领域数据、所述待推荐产品的资料数据、所述待推荐产品的使用情况数据、对所述待推荐产品的评分数据。
3.如权利要求1或2所述的方法,其特征在于,所述获取目标用户数据和待推荐产品数据,包括:
从推荐系统任务数据库中获取至少一个目标用户的用户信息,所述用户信息包括所述目标用户的用户标识;
从用户字典中获取与所述目标用户的用户标识对应的用户数据,所述用户字典中存储了所有用户标识对应的用户数据;
从推荐系统任务数据库中获取至少一个待推荐产品的产品信息,所述产品信息包括所述待推荐产品的产品标识;所述待推荐产品包括至少一个领域的产品;
从产品字典中获取与所述待推荐产品的产品标识对应的产品数据,所述产品字典中存储了至少一个领域的所有产品数据。
4.如权利要求1至3任一项所述的方法,其特征在于,所述根据所述目标用户数据和所述待推荐产品数据,计算所述目标用户对所述待推荐产品的预测评分,包括:
依次提取所获取的至少一个目标用户标识中每一个目标用户标识对应的用户数据;
依次提取所获取的至少一个待推荐产品标识中每一个待推荐产品标识对应的产品数据;
分别将所提取的每一个目标用户标识对应的用户数据和所提取的每一个待推荐产品标识对应的产品数据进行运算,获得每一个所述目标用户对每一个所述待推荐产品的预测评分;其中,一个目标用户标识对应的用户数据与一个待推荐产品标识对应的产品数据进行运算,获得一个预测评分,所述预测评分分别与参与运算的所述目标用户和参与运算的所述待推荐产品相关联。
5.如权利要求1至4任一项所述的方法,其特征在于,所述根据所述预测评分,向所述目标用户推荐所述待推荐产品,包括:
若所述预测评分高于预设阈值,则向所述预测评分相关联的目标用户推荐所述预测评分相关联的待推荐产品。
6.如权利要求1至5任一项所述的方法,其特征在于,所述获取目标用户数据和待推荐产品数据之前,还包括:
向所述用户字典中存储所有用户数据;
向所述产品字典中存储至少一个领域的所有产品数据。
7.如权利要求6所述的方法,其特征在于,所述向用户字典中存储所有用户数据;包括:
从推荐系统数据库中获取所有用户信息;所述用户信息包含用户标识;
将所述所有用户信息按照预设顺序进行数值量化处理,形成用户数据,一个用户标识对应至少一个用户数据;所述数值量化处理方法基于终生机器学习技术;
将所述所有用户标识中各个用户标识对应的用户数据存储至所述用户字典。
8.如权利要求6所述的方法,其特征在于,所述向所述产品字典中存储至少一个领域的所有产品数据,包括:
从所述推荐系统数据库中获取至少一个领域的所有产品信息;所述产品信息包含产品标识;
将所述所有产品信息按照预设顺序进行数值量化处理,形成产品数据,一个产品标识对应至少一个产品数据;所述数值量化处理方法基于终生机器学习技术;
将所述所有产品标识中各个产品标识对应的产品数据存储至所述产品字典。
9.如权利要求7或8所述的方法,其特征在于,当所述推荐系统数据库中存储新信息时,所述新信息包括以下信息中的任一种或多种:新用户标识对应的用户信息、新产品标识对应的产品信息、所述所有用户标识中任一个用户标识对应的用户信息的更新信息和所述至少一个领域的所有产品标识中任一个产品标识对应的产品信息的更新信息,所述方法还包括:
根据所述新信息优化形成所述用户数据的数值量化处理方法,以对所述用户字典中所有用户标识中各个用户标识对应的用户数据进行更新;和/或,
根据所述新信息优化形成所述产品数据的数值量化处理方法,以对所述产品字典中所有产品标识中各个产品标识对应的产品数据进行更新。
10.一种服务器,其特征在于,所述服务器包括:
获取模块,用于获取目标用户数据和待推荐产品数据;
计算模块,用于根据所述目标用户数据和所述待推荐产品数据,计算所述目标用户对所述待推荐产品的预测评分;
推荐模块,用于根据所述预测评分,向所述目标用户推荐所述待推荐产品。
11.如权利要求10所述的服务器,其特征在于,所述目标用户数据包括以下数据中的任一种或多种:所述目标用户的个人资料数据、所述目标用户对至少一个领域的产品的评分数据以及所述目标用户进行评分的时间戳数据;
所述待推荐产品包括至少一个领域的物品和/或应用;
所述待推荐产品数据包括以下数据中的任一种或多种:所述待推荐产品所属领域数据、所述待推荐产品的资料数据、所述待推荐产品的使用情况数据、对所述待推荐产品的评分数据。
12.如权利要求10或11所述的服务器,其特征在于,所述获取模块包括:
第一获取单元,用于从推荐系统任务数据库中获取至少一个目标用户的用户信息,所述用户信息包括所述目标用户的用户标识;
第二获取单元,用于从用户字典中获取与所述目标用户的用户标识对应的用户数据,所述用户字典中存储了所有用户标识对应的用户数据;
第三获取单元,用于从推荐系统任务数据库中获取至少一个待推荐产品的产品信息,所述产品信息包括所述待推荐产品的产品标识;所述待推荐产品包括至少一个领域的产品;
第四获取单元,用于从产品字典中获取与所述待推荐产品的产品标识对应的产品数据,所述产品字典中存储了至少一个领域的所有产品数据。
13.如权利要求10至12任一项所述的服务器,其特征在于,所述计算模块包括:
第一提取单元,用于依次提取所获取的至少一个目标用户标识中每一个目标用户标识对应的用户数据;
第二提取单元,用于依次提取所获取的至少一个待推荐产品标识中每一个待推荐产品标识对应的产品数据;
运算单元,用于分别将所提取的每一个目标用户标识对应的用户数据和所提取的每一个待推荐产品标识对应的产品数据进行运算,获得每一个所述目标用户对每一个所述待推荐产品的预测评分;其中,一个目标用户标识对应的用户数据与一个待推荐产品标识对应的产品数据进行运算,获得一个预测评分,所述预测评分分别与参与运算的所述目标用户和参与运算的所述待推荐产品相关联。
14.如权利要求10至13任一项所述的服务器,其特征在于,所述推荐模块具体用于,若所述预测评分高于预设阈值,则向所述预测评分相关联的目标用户推荐所述预测评分相关联的待推荐产品。
15.如权利要求10至14任一项所述的服务器,其特征在于,所述服务器还包括:
第一存储模块,用于向所述用户字典中存储所有用户数据;
第二存储模块,用于向所述产品字典中存储至少一个领域的所有产品数据。
16.如权利要求15所述的服务器,其特征在于,所述第一存储模块包括:
第五获取单元,用于从推荐系统数据库中获取所有用户信息;所述用户信息包含用户标识;
第一数值量化单元,用于将所述所有用户信息按照预设顺序进行数值量化处理,形成用户数据,一个用户标识对应至少一个用户数据;
第一存储单元,用于将所述所有用户标识中各个用户标识对应的用户数据存储至所述用户字典。
17.如权利要求15所述的服务器,其特征在于,所述第二存储模块包括:
第六获取单元,用于从所述推荐系统数据库中获取至少一个领域的所有产品信息;所述产品信息包含产品标识;
第二数值量化单元,用于将所述所有产品信息按照预设顺序进行数值量化处理,形成产品数据,一个产品标识对应至少一个产品数据;
第二存储单元,用于将所述所有产品标识中各个产品标识对应的产品数据存储至所述产品字典。
18.如权利要求16或17所述的服务器,其特征在于,当所述推荐系统数据库中存储新信息时,所述新信息包括以下信息中的任一种或多种:新用户标识对应的用户信息、新产品标识对应的产品信息、所述所有用户标识中任一个用户标识对应的用户信息的更新信息和所述至少一个领域的所有产品标识中任一个产品标识对应的产品信息的更新信息,所述服务器还包括优化模块,所述优化模块具体用于,
根据所述新信息优化形成所述用户数据的数值量化处理方法,以对所述用户字典中所有用户标识中各个用户标识对应的用户数据进行更新;和/或,
根据所述新信息优化形成所述产品数据的数值量化处理方法,以对所述产品字典中所有产品标识中各个产品标识对应的产品数据进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310661450.0A CN104699711B (zh) | 2013-12-09 | 2013-12-09 | 一种推荐方法及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310661450.0A CN104699711B (zh) | 2013-12-09 | 2013-12-09 | 一种推荐方法及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104699711A true CN104699711A (zh) | 2015-06-10 |
CN104699711B CN104699711B (zh) | 2019-05-28 |
Family
ID=53346844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310661450.0A Active CN104699711B (zh) | 2013-12-09 | 2013-12-09 | 一种推荐方法及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104699711B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718510A (zh) * | 2016-01-12 | 2016-06-29 | 海信集团有限公司 | 一种多媒体数据推荐方法及装置 |
CN106408350A (zh) * | 2016-10-09 | 2017-02-15 | 广州智慧城市发展研究院 | 一种基于溯源数据库的用户商品推荐方法及系统 |
CN106485566A (zh) * | 2016-09-12 | 2017-03-08 | 北京易车互联信息技术有限公司 | 一种信息推荐方法及装置 |
CN107171949A (zh) * | 2017-07-14 | 2017-09-15 | 银联商务有限公司 | 一种信息推送方法、装置及系统 |
WO2017166990A1 (zh) * | 2016-03-31 | 2017-10-05 | 深圳光启合众科技有限公司 | 具备评价能力的人工智能系统及其评价方法 |
CN108268934A (zh) * | 2018-01-10 | 2018-07-10 | 北京市商汤科技开发有限公司 | 基于深度学习的推荐方法和装置、电子设备、介质、程序 |
CN108335171A (zh) * | 2018-01-15 | 2018-07-27 | 杭州华量软件有限公司 | 一种快消品精准推荐方法以及系统 |
CN108537567A (zh) * | 2018-03-06 | 2018-09-14 | 阿里巴巴集团控股有限公司 | 一种目标用户群体的确定方法和装置 |
CN109217083A (zh) * | 2018-09-29 | 2019-01-15 | 深圳市大德激光技术有限公司 | 用于超快光纤激光器的热控制方法及系统 |
CN109217094A (zh) * | 2018-09-29 | 2019-01-15 | 深圳市大德激光技术有限公司 | 用于光纤激光器的高功率隔离器 |
WO2019037258A1 (zh) * | 2017-08-20 | 2019-02-28 | 平安科技(深圳)有限公司 | 信息推荐的装置、方法、系统及计算机可读存储介质 |
WO2019109724A1 (zh) * | 2017-12-07 | 2019-06-13 | 华为技术有限公司 | 一种推荐物品的方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090254541A1 (en) * | 1997-08-08 | 2009-10-08 | Musicip Corporation | Method and Apparatus for Automated Selection, Organization, and Recommendation of Items Based on User Preference Topography |
CN102426686A (zh) * | 2011-09-29 | 2012-04-25 | 南京大学 | 一种基于矩阵分解的互联网信息产品推荐方法 |
CN102902691A (zh) * | 2011-07-28 | 2013-01-30 | 上海拉手信息技术有限公司 | 推荐方法及系统 |
CN102915307A (zh) * | 2011-08-02 | 2013-02-06 | 腾讯科技(深圳)有限公司 | 一种个性化信息推荐的方法、装置及信息处理系统 |
-
2013
- 2013-12-09 CN CN201310661450.0A patent/CN104699711B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090254541A1 (en) * | 1997-08-08 | 2009-10-08 | Musicip Corporation | Method and Apparatus for Automated Selection, Organization, and Recommendation of Items Based on User Preference Topography |
CN102902691A (zh) * | 2011-07-28 | 2013-01-30 | 上海拉手信息技术有限公司 | 推荐方法及系统 |
CN102915307A (zh) * | 2011-08-02 | 2013-02-06 | 腾讯科技(深圳)有限公司 | 一种个性化信息推荐的方法、装置及信息处理系统 |
CN102426686A (zh) * | 2011-09-29 | 2012-04-25 | 南京大学 | 一种基于矩阵分解的互联网信息产品推荐方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718510A (zh) * | 2016-01-12 | 2016-06-29 | 海信集团有限公司 | 一种多媒体数据推荐方法及装置 |
CN105718510B (zh) * | 2016-01-12 | 2019-06-18 | 海信集团有限公司 | 一种多媒体数据推荐方法及装置 |
WO2017166990A1 (zh) * | 2016-03-31 | 2017-10-05 | 深圳光启合众科技有限公司 | 具备评价能力的人工智能系统及其评价方法 |
CN106485566A (zh) * | 2016-09-12 | 2017-03-08 | 北京易车互联信息技术有限公司 | 一种信息推荐方法及装置 |
CN106408350A (zh) * | 2016-10-09 | 2017-02-15 | 广州智慧城市发展研究院 | 一种基于溯源数据库的用户商品推荐方法及系统 |
CN107171949A (zh) * | 2017-07-14 | 2017-09-15 | 银联商务有限公司 | 一种信息推送方法、装置及系统 |
CN107171949B (zh) * | 2017-07-14 | 2021-05-11 | 银联商务有限公司 | 一种信息推送方法、装置及系统 |
WO2019037258A1 (zh) * | 2017-08-20 | 2019-02-28 | 平安科技(深圳)有限公司 | 信息推荐的装置、方法、系统及计算机可读存储介质 |
WO2019109724A1 (zh) * | 2017-12-07 | 2019-06-13 | 华为技术有限公司 | 一种推荐物品的方法和装置 |
CN108268934A (zh) * | 2018-01-10 | 2018-07-10 | 北京市商汤科技开发有限公司 | 基于深度学习的推荐方法和装置、电子设备、介质、程序 |
US11379901B2 (en) | 2018-01-10 | 2022-07-05 | Beijing Sensetime Technology Development Co., Ltd | Methods and apparatuses for deep learning-based recommendation, electronic devices, and media |
CN108335171A (zh) * | 2018-01-15 | 2018-07-27 | 杭州华量软件有限公司 | 一种快消品精准推荐方法以及系统 |
CN108537567B (zh) * | 2018-03-06 | 2020-08-07 | 阿里巴巴集团控股有限公司 | 一种目标用户群体的确定方法和装置 |
CN108537567A (zh) * | 2018-03-06 | 2018-09-14 | 阿里巴巴集团控股有限公司 | 一种目标用户群体的确定方法和装置 |
CN109217094A (zh) * | 2018-09-29 | 2019-01-15 | 深圳市大德激光技术有限公司 | 用于光纤激光器的高功率隔离器 |
CN109217083A (zh) * | 2018-09-29 | 2019-01-15 | 深圳市大德激光技术有限公司 | 用于超快光纤激光器的热控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104699711B (zh) | 2019-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104699711A (zh) | 一种推荐方法及服务器 | |
CN108021929B (zh) | 基于大数据的移动端电商用户画像建立与分析方法及系统 | |
CN108960719B (zh) | 选品方法和装置以及计算机可读存储介质 | |
CN108875776B (zh) | 模型训练方法和装置、业务推荐的方法和装置、电子设备 | |
CN109902708A (zh) | 一种推荐模型训练方法及相关装置 | |
CN109359244A (zh) | 一种个性化信息推荐方法和装置 | |
CN108595506B (zh) | 需求匹配方法及装置、存储介质、终端 | |
CN110060090A (zh) | 推荐商品组合的方法、装置、电子设备及可读存储介质 | |
CN109903111A (zh) | 用于个性化推荐的排序方法,排序模型训练方法和排序系统 | |
CN101271558A (zh) | 基于上下文信息的多策略商品推荐系统 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN111444334A (zh) | 数据处理方法、文本识别方法、装置及计算机设备 | |
CN107679103B (zh) | 用于实体的属性分析方法及系统 | |
CN112801425B (zh) | 信息点击率的确定方法、装置、计算机设备和存储介质 | |
CN111400613A (zh) | 物品推荐方法、装置、介质及计算机设备 | |
CN112784039A (zh) | 一种分配在线客服的方法、装置和存储介质 | |
CN110399479A (zh) | 搜索数据处理方法、装置、电子设备及计算机可读介质 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN109118316A (zh) | 线上店铺真实性的识别方法和装置 | |
CN113743971A (zh) | 一种数据处理方法和装置 | |
CN110162609A (zh) | 用于向用户推荐咨询问题的方法及装置 | |
KR20140120416A (ko) | 시가총액 분석을 통한 미래주가 예측시스템 및 방법 | |
KR20150122307A (ko) | 광고 제공 방법 및 서버 장치 | |
CN116385081A (zh) | 一种推荐物品的方法、装置、设备及存储介质 | |
CN114330519A (zh) | 数据确定方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |