CN105205081A - 物品推荐方法和装置 - Google Patents
物品推荐方法和装置 Download PDFInfo
- Publication number
- CN105205081A CN105205081A CN201410301835.0A CN201410301835A CN105205081A CN 105205081 A CN105205081 A CN 105205081A CN 201410301835 A CN201410301835 A CN 201410301835A CN 105205081 A CN105205081 A CN 105205081A
- Authority
- CN
- China
- Prior art keywords
- article
- classification
- recommended
- recommendation
- user
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种物品推荐方法和装置，以提高推荐结果的可控性。从网络中获取用户的历史行为数据和待推荐的物品的信息；根据历史行为数据，建立推荐模型；根据该物品的信息，通过该推荐模型，确定该物品的可推荐度；根据所述物品的信息，确定所述物品的类别；当所述可推荐度满足预设的推荐条件，且所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品。本发明实施例中，通过预先设定可推荐类别，当待推荐的物品既满足预设的推荐条件，又属于可推荐类别时，向用户推荐该物品，与现有技术仅依靠推荐模型进行推荐的方式相比，能够有效控制向用户推荐的物品的种类。
Description
技术领域
本发明实施例涉及互联网领域，并且更为具体地，涉及一种物品推荐方法和装置。
背景技术
研究表明，互联网上的信息总量正在飞速增长，比如，facebook每个月产生30亿条内容，twitter每天产生12TB信息。
然而，信息爆炸式增长的另一面，则是垃圾信息的泛滥。据一项基于twitter的研究表明，仅36％的tweet(twitter上的留言)是值得阅读的。因此，人们很难在海量的网络信息中找到自己真正需要的信息。
为了缓解信息量快速增长带来的垃圾信息泛滥的问题，各种类型的推荐系统应运而生。待推荐的对象，称为物品(item)，这里所称的物品是广义的物品，是一切可推荐的对象的总称，其在形式上多种多样，可以是商品、电影、音乐、新闻、博客、微博、好友等等。
现有推荐模型大体上分为：基于用户的推荐模型，基于物品的推荐模型，以及混合推荐模型(即基于用户的推荐模型和基于物品的推荐模型的结合)。根据该推荐模型，可以确定该用户是否喜欢待推荐的物品；当用户喜欢该物品时，向用户推荐该物品，否则不向用户推荐该物品。
具体地，基于用户的推荐模型是假设用户之间对物品的喜好具有相似性。该推荐模型的推荐原理是：根据用户对物品的历史行为数据(如，访问记录)，计算用户之间对物品喜好的相似度，向一个用户推荐与其相似的另一用户喜好的物品。基于物品的推荐模型是假设用户倾向于选择相似的物品。该推荐模型的推荐原理是，根据物品之间的属性，计算物品之间的相似度，向用户推荐与其喜好的物品相似度高的物品。混合推荐算法则是上述两种算法的结合，各取所长。
由上可知，现有的推荐模型均是基于用户与物品的喜好关系进行推荐的，但用户对物品喜好的原因是多种多样的，如信息传播、社交、突发事件等原因。这就导致推荐模型推荐的物品的种类也是多种多样的。但是，在特定应用场景下，值得向用户推荐的物品种类有限，例如，微博中，信息类的微博对用户价值较大，广告类的微博对用户而言价值较小。按照现有的推荐方式，会导致推荐结果的不可控。
发明内容
本发明实施例提供一种物品推荐方法和装置，以提高推荐结果的可控性。
第一方面，提供一种物品推荐方法，包括：从网络中获取用户的历史行为数据和待推荐的物品的信息；根据所述历史行为数据，建立推荐模型；根据所述物品的信息，通过所述推荐模型，确定所述物品的可推荐度；确定所述物品的类别是否属于预设的可推荐类别；当所述可推荐度满足预设的推荐条件，且所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品。
结合第一方面，在第一方面的一种实现方式中，所述可推荐类别为预设的N个类别中的至少部分类别，所述根据所述物品的信息，确定所述物品的类别，包括：训练分类器；根据所述分类器，从所述N个类别中选择与所述物品的信息相匹配的类别。
结合第一方面或其上述实现方式的任一种，在第一方面的另一种实现方式中，所述训练分类器，包括：获取样本集合，所述样本集合包括类别已知的多个物品，且所述多个物品中各物品的类别属于所述N个物品类别；基于所述样本集合，通过机器学习的方式获得所述分类器。
结合第一方面或其上述实现方式的任一种，在第一方面的另一种实现方式中，所述根据所述历史行为数据，建立推荐模型，包括：将所述历史行为数据转化成特征文件；基于所述特征文件，训练出所述推荐模型。
结合第一方面或其上述实现方式的任一种，在第一方面的另一种实现方式中，所述可推荐度通过数值表示，所述当所述可推荐度满足预设的推荐条件，且所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品，包括：当所述物品的可推荐度大于预设的推荐阈值，且所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品。
结合第一方面或其上述实现方式的任一种，在第一方面的另一种实现方式中，所述可推荐度通过是或否表示，所述当所述可推荐度满足预设的推荐条件，且所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品，包括：当所述物品的可推荐度为是，且所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品。
结合第一方面或其上述实现方式的任一种，在第一方面的另一种实现方式中，所述当所述可推荐度满足预设的向所述用户推荐的条件，且所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品，包括：当所述物品的可推荐度达到第一阈值，小于第二阈值，且所述物品的类别属于所述可推荐类别时，向所述用户推荐所述物品；所述方法还包括：当所述物品的可推荐度达到预设的第二阈值时，向所述用户推荐所述物品。
结合第一方面或其上述实现方式的任一种，在第一方面的另一种实现方式中，所述可推荐类别是基于所述推荐模型的应用场合而预先设定的。
第二方面，提供一种物品推荐装置，包括：信息获取模块，用于从网络中获取用户的历史行为数据和待推荐的物品的信息；建立模块，用于根据所述信息获取模块获取的所述历史行为数据，建立推荐模型；推荐模块，用于根据所述信息获取模块获取的所述物品的信息，通过所述建立模块建立的所述推荐模型，确定所述物品的可推荐度；分类模块，用于根据所述信息获取模块获取的所述物品的信息，确定所述物品的类别；决策模块，用于当所述推荐模块确定的所述可推荐度满足预设的推荐条件，且所述分类模块确定的所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品。
结合第二方面，在第二方面的一种实现方式中，所述可推荐类别为预设的N个类别中的至少部分类别，所述分类模块具体用于训练分类器；根据所述分类器，从所述N个类别中选择与所述物品相匹配的类别；确定所述相匹配的类别是否属于所述N个类别中的可推荐类别。
结合第二方面或其上述实现方式的任一种，在第二方面的另一种实现方式中，所述分类模块具体用于获取样本集合，所述样本集合包括类别已知的多个物品，且所述多个物品中各物品的类别属于所述N个物品类别；基于所述样本集合，通过机器学习的方式获得所述分类器。
结合第二方面或其上述实现方式的任一种，在第二方面的另一种实现方式中，所述建立模块具体用于将所述历史行为数据转化成特征文件；基于所述特征文件，训练出所述推荐模型。
结合第二方面或其上述实现方式的任一种，在第二方面的另一种实现方式中，所述可推荐度通过数值表示，所述当所述可推荐度满足预设的推荐条件，且所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品，包括：当所述物品的可推荐度大于预设的推荐阈值，且所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品。
结合第二方面或其上述实现方式的任一种，在第二方面的另一种实现方式中，所述可推荐度通过是或否表示，所述当所述可推荐度满足预设的推荐条件，且所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品，包括：当所述物品的可推荐度为是，且所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品。
结合第二方面或其上述实现方式的任一种，在第二方面的另一种实现方式中，所述决策模块具体用于当所述物品的可推荐度达到第一阈值，小于第二阈值，且所述物品的类别属于所述可推荐类别时，向所述用户推荐所述物品；所述决策模块还用于当所述物品的可推荐度达到预设的第二阈值时，向所述用户推荐所述物品。
结合第二方面或其上述实现方式的任一种，在第二方面的另一种实现方式中，所述可推荐类别是基于所述推荐模型的应用场合而预先设定的。
本发明实施例中，通过预先设定可推荐类别，当待推荐的物品既满足预设的向用户推荐的条件，又属于可推荐类别时，向用户推荐该物品，与现有技术仅依靠推荐模型进行推荐的方式相比，能够有效控制向用户推荐的物品的种类。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面所描述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是本发明一个实施例的物品推荐方法的示意性流程图。
图2是本发明一个实施例的物品推荐装置的示意性框图。
图3是本发明一个实施例的物品推荐装置的示意性框图。
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，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
图1是本发明一个实施例的物品推荐方法的示意性流程图。图1的方法包括：
110、从网络中获取用户的历史行为数据和待推荐的物品的信息。
120、根据所述历史行为数据，建立推荐模型。
130、根据所述物品的信息，通过所述推荐模型，确定所述物品的可推荐度。
应理解，上述推荐模型可以是基于用户的推荐模型，基于物品的推荐模型，或者混合推荐模型(即基于用户的推荐模型和基于物品的推荐模型的结合)。根据该推荐模型，可以确定该用户是否喜欢待推荐的物品；当用户喜欢该物品时，向用户推荐该物品，否则不向用户推荐该物品。具体地，基于用户的推荐模型是假设用户之间的喜好具有相似性。该推荐模型的推荐原理是：根据用户的历史数据(例如，用户对网络中物品的访问记录)，计算用户之间对物品喜好的相似度，向一个用户推荐与其相似的另一用户喜好的物品。基于物品的推荐模型是假设用户倾向于选择相似的物品。该推荐模型的推荐原理是，根据物品之间的属性，计算物品之间的相似度，向用户推荐与其喜好的物品相似度高的物品。混合推荐算法则是上述两种算法的结合，各取所长。推荐模型的具体建立方式可以参考现有技术。
下面以微博为例，给出一种具体的推荐模型的建立方式。
首先，获取用户的历史数据，该历史数据可包括：用户的个人信息、用户转发的微博、用户评论的微博等。
然后，使用SVD(SingularValueDecomposition，奇异值分解)算法，将上述历史数据转换成特征文件，训练得到推荐模型，其中，SVD算法中采用的特征可包括：
全局特征：如用户转发或回复次微博的时间、终端类型等；
用户特征：用户的粉丝数、双向好友数、用户个性化标签、用户个性化简介等；
微博特征：微博中的词、微博被评论次数、微博被转发次数、微博中词与用户简介及个性化标签中词的匹配程度、微博作者与用户的关注关系、用户与微博作者的历史互动次数等。
需要说明的是，步骤120中的可推荐度可以是“是否推荐”；或者，也可以是表示程度的一个数值。例如，可推荐度分为1至5，共5个等级，当待推荐物品的推荐度大于等于3时，向用户推荐该物品；否则，不推荐该物品。
还需要说明的是，上述可推荐类别是基于推荐模型的应用场合而预先设定的。例如，在微博中，可以将微博分成信息类和广告类，然后将信息类设置为可推荐类别。换句话说，网络系统的管理人员能够根据应用场景，个性化定制可推荐类别，从而提高推荐结果的可控性。
140、根据所述物品的信息，确定所述物品的类别。
可选地，作为一个实施例，步骤130可包括：训练分类器；根据所述分类器，从所述N个类别中选择与所述物品的信息相匹配的类别。
上述分类器可以是离线训练的分类器，具体的训练方式可包括：获取样本集合，所述样本集合包括类别已知的多个物品，且所述多个物品中各物品的类别属于所述N个物品类别；基于所述样本集合，通过机器学习的方式获得所述分类器。
下面以微博为例，给出一种具体的分类器的建立方式。
首先，将微博分为2个大类，每个大类中包含6个小类，具体分类表1所示。
表1：推荐信息分类表
从表1可以看出，社交类全部不推荐，信息类中的求助类不推荐，其余的可以向用户推荐。
然后，从微博中随机选择1000条微博，人工标注每条微博的类别。
接着，使用SVM(SupportVectorMachine，支持向量机)算法训练分类器，训练时使用的特征可包括：
微博中是否含有URL、新闻标题、图片、地理位置、主题等；
微博作者的重要程度，如普通用户、微博大人、大V用户、官方微博等；
微博是否含有引用，如引用名人名言等；
微博是否来自于第三方应用；
微博中是否含有价格或者促销相关的词汇，如：“新品”、“降价”等。
150、当所述可推荐度达到预设的推荐条件，且所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品。
例如，可推荐度通过“是“或”否”表示。步骤140可包括：当可推荐度为“是”，且物品的类别属于可推荐类别时，向用户推荐该物品。
又如，可推荐度通过数值1-5表示。步骤140可包括：当可推荐度大于等于3，且物品的类别属于可推荐类别时，向用户推荐该物品。
本发明实施例中，通过预先设定可推荐类别，当待推荐的物品既满足向用户推荐的条件，又属于可推荐类别时，向用户推荐该物品，与现有技术仅依靠推荐模型进行推荐的方式相比，能够有效控制向用户推荐的物品的种类。
可选地，作为一个实施例，步骤140可包括：当物品的可推荐度达到第一阈值，小于第二阈值，且所述物品的类别属于所述可推荐类别时，向所述用户推荐所述物品；图1的方法还可包括：当所述物品的可推荐度达到预设的第二阈值时，向所述用户推荐所述物品。
换句话说，当某一个物品的可推荐度达到预设的很高的阈值时，可以不考虑该物品的类别，直接向用户推荐该物品。
图2是本发明一个实施例的物品推荐装置的示意性框图。图2的装置200包括：信息获取模块210、建立模块220、推荐模块230、分类模块240和决策模块250。应理解，装置200能够实现图1中的各个步骤，为避免重复，此处不再详述。
信息获取模块210，用于从网络中获取用户的历史行为数据和待推荐的物品的信息；
建立模块220，用于根据所述信息获取模块210获取的所述历史行为数据，建立推荐模型；
推荐模块230，用于根据所述信息获取模块210获取的所述物品的信息，通过所述建立模块220建立的所述推荐模型，确定所述物品的可推荐度；
分类模块240，用于根据所述信息获取模块210获取的所述物品的信息，确定所述物品的类别；
决策模块250，用于当所述推荐模块230确定的所述可推荐度满足预设的推荐条件，且所述分类模块240确定的所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品。
本发明实施例中，通过预先设定可推荐类别，当待推荐的物品既满足向用户推荐的条件，又属于可推荐类别时，向用户推荐该物品，与现有技术仅依靠推荐模型进行推荐的方式相比，能够有效避免推荐垃圾信息。
可选地，作为一个实施例，所述可推荐类别为预设的N个类别中的至少部分类别，所述分类模块240具体可用于训练分类器；根据所述分类器，从所述N个类别中选择与所述物品的信息相匹配的类别。
可选地，作为一个实施例，所述分类模块240具体可用于获取样本集合，所述样本集合包括类别已知的多个物品，且所述多个物品中各物品的类别属于所述N个物品类别；基于所述样本集合，通过机器学习的方式获得所述分类器。
可选地，作为一个实施例，所述建立模块220具体可用于将所述历史行为数据转化成特征文件；基于所述特征文件，训练出所述推荐模型。
可选地，作为一个实施例，所述决策模块250具体可用于当所述物品的可推荐度达到第一阈值，小于第二阈值，且所述物品的类别属于所述可推荐类别时，向所述用户推荐所述物品；所述决策模块250还可用于当所述物品的可推荐度达到预设的第二阈值时，向所述用户推荐所述物品。
可选地，作为一个实施例，所述可推荐类别是基于所述推荐模型的应用场合而预先设定的。
图3是本发明一个实施例的物品推荐装置的示意性框图。图3的装置300包括：存储器310和处理器320。应理解，装置300能够实现图1中的各个步骤，为避免重复，此处不再详述。
存储器310，用于存储程序；
处理器320，用于执行程序，当所述存储器310存储的程序被执行时，处理器320用于从网络中获取用户的历史行为数据和待推荐的物品的信息；根据所述历史行为数据，建立推荐模型；根据所述物品的信息，通过所述推荐模型，确定所述物品的可推荐度；根据所述物品的信息，确定所述物品的类别；当所述可推荐度满足预设的推荐条件，且所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品。
本发明实施例中，通过预先设定可推荐类别，当待推荐的物品既满足向用户推荐的条件，又属于可推荐类别时，向用户推荐该物品，与现有技术仅依靠推荐模型进行推荐的方式相比，能够有效控制向用户推荐的物品的种类。
可选地，作为一个实施例，所述可推荐类别为预设的N个类别中的至少部分类别，所述处理器320具体可用于训练分类器；根据所述分类器，从所述N个类别中选择与所述物品的信息相匹配的类别。
可选地，作为一个实施例，所述处理器320具体可用于获取样本集合，所述样本集合包括类别已知的多个物品，且所述多个物品中各物品的类别属于所述N个物品类别；基于所述样本集合，通过机器学习的方式获得所述分类器。
可选地，作为一个实施例，所述处理器320具体可用于将所述历史行为数据转化成特征文件；基于所述特征文件，训练出所述推荐模型。
可选地，作为一个实施例，所述处理器320具体可用于当所述物品的可推荐度达到第一阈值，小于第二阈值，且所述物品的类别属于所述可推荐类别时，向所述用户推荐所述物品；当所述物品的可推荐度达到预设的第二阈值时，向所述用户推荐所述物品。
可选地，作为一个实施例，所述可推荐类别是基于所述推荐模型的应用场合而预先设定的。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (16)
1.一种物品推荐方法，其特征在于，包括：
从网络中获取用户的历史行为数据和待推荐的物品的信息；
根据所述历史行为数据，建立推荐模型；
根据所述物品的信息，通过所述推荐模型，确定所述物品的可推荐度；
根据所述物品的信息，确定所述物品的类别；
当所述可推荐度满足预设的推荐条件，且所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品。
2.如权利要求1所述的方法，其特征在于，所述可推荐类别为预设的N个类别中的至少部分类别，
所述根据所述物品的信息，确定所述物品的类别，包括：
训练分类器；
根据所述分类器，从所述N个类别中选择与所述物品的信息相匹配的类别。
3.如权利要求2所述的方法，其特征在于，
所述训练分类器，包括：
获取样本集合，所述样本集合包括类别已知的多个物品，且所述多个物品中各物品的类别属于所述N个物品类别；
基于所述样本集合，通过机器学习的方式获得所述分类器。
4.如权利要求1-3中任一项所述的方法，其特征在于，
所述根据所述历史行为数据，建立推荐模型，包括：
将所述历史行为数据转化成特征文件；
基于所述特征文件，训练出所述推荐模型。
5.如权利要求1-4中任一项所述的方法，其特征在于，所述可推荐度通过数值表示，
所述当所述可推荐度满足预设的推荐条件，且所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品，包括：
当所述物品的可推荐度大于预设的推荐阈值，且所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品。
6.如权利要求1-4中任一项所述的方法，其特征在于，所述可推荐度通过是或否表示，
所述当所述可推荐度满足预设的推荐条件，且所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品，包括：
当所述物品的可推荐度为是，且所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品。
7.如权利要求1-4中任一项所述的方法，其特征在于，所述当所述可推荐度满足预设的推荐条件，且所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品，包括：
当所述物品的可推荐度达到第一阈值，小于第二阈值，且所述物品的类别属于所述可推荐类别时，向所述用户推荐所述物品；
所述方法还包括：
当所述物品的可推荐度达到预设的第二阈值时，向所述用户推荐所述物品。
8.如权利要求1-7中任一项所述的方法，其特征在于，所述可推荐类别是基于所述推荐模型的应用场合而预先设定的。
9.一种物品推荐装置，其特征在于，包括：
信息获取模块，用于从网络中获取用户的历史行为数据和待推荐的物品的信息；
建立模块，用于根据所述信息获取模块获取的所述历史行为数据，建立推荐模型；
推荐模块，用于根据所述信息获取模块获取的所述物品的信息，通过所述建立模块建立的所述推荐模型，确定所述物品的可推荐度；
分类模块，用于根据所述信息获取模块获取的所述物品的信息，确定所述物品的类别；
决策模块，用于当所述推荐模块确定的所述可推荐度满足预设的推荐条件，且所述分类模块确定的所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品。
10.如权利要求9所述的装置，其特征在于，所述可推荐类别为预设的N个类别中的至少部分类别，所述分类模块具体用于训练分类器；根据所述分类器，从所述N个类别中选择与所述物品的信息相匹配的类别。
11.如权利要求10所述的装置，其特征在于，所述分类模块具体用于获取样本集合，所述样本集合包括类别已知的多个物品，且所述多个物品中各物品的类别属于所述N个物品类别；基于所述样本集合，通过机器学习的方式获得所述分类器。
12.如权利要求9-11中任一项所述的装置，其特征在于，所述建立模块具体用于将所述历史行为数据转化成特征文件；基于所述特征文件，训练出所述推荐模型。
13.如权利要求9-12中任一项所述的装置，其特征在于，所述可推荐度通过数值表示，
所述当所述可推荐度满足预设的推荐条件，且所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品，包括：
当所述物品的可推荐度大于预设的推荐阈值，且所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品。
14.如权利要求9-12中任一项所述的装置，其特征在于，所述可推荐度通过是或否表示，
所述当所述可推荐度满足预设的推荐条件，且所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品，包括：
当所述物品的可推荐度为是，且所述物品的类别属于预设的可推荐类别时，向所述用户推荐所述物品。
15.如权利要求9-12中任一项所述的装置，其特征在于，所述决策模块具体用于当所述物品的可推荐度达到第一阈值，小于第二阈值，且所述物品的类别属于所述可推荐类别时，向所述用户推荐所述物品；所述决策模块还用于当所述物品的可推荐度达到预设的第二阈值时，向所述用户推荐所述物品。
16.如权利要求9-15中任一项所述的装置，其特征在于，所述可推荐类别是基于所述推荐模型的应用场合而预先设定的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410301835.0A CN105205081B (zh) | 2014-06-27 | 2014-06-27 | 物品推荐方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410301835.0A CN105205081B (zh) | 2014-06-27 | 2014-06-27 | 物品推荐方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105205081A true CN105205081A (zh) | 2015-12-30 |
| CN105205081B CN105205081B (zh) | 2019-11-05 |
Family
ID=54952769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410301835.0A Active CN105205081B (zh) | 2014-06-27 | 2014-06-27 | 物品推荐方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105205081B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105933425A (zh) * | 2016-05-18 | 2016-09-07 | 北京奇虎科技有限公司 | 推荐应用的方法及装置 |
| CN106250532A (zh) * | 2016-08-04 | 2016-12-21 | 广州优视网络科技有限公司 | 应用推荐方法、装置及服务器 |
| CN106485567A (zh) * | 2016-09-14 | 2017-03-08 | 北京小米移动软件有限公司 | 物品推荐方法及装置 |
| CN106649714A (zh) * | 2016-12-21 | 2017-05-10 | 重庆邮电大学 | 针对数据不均匀及数据稀疏的topN推荐系统及方法 |
| CN107423308A (zh) * | 2016-05-24 | 2017-12-01 | 华为技术有限公司 | 主题推荐方法以及装置 |
| WO2018010591A1 (zh) * | 2016-07-12 | 2018-01-18 | 腾讯科技（深圳）有限公司 | 一种信息推送方法及装置、服务器、存储介质 |
| CN107609116A (zh) * | 2017-09-13 | 2018-01-19 | 星环信息科技（上海）有限公司 | 一种创建跨域迁移深度网络的方法及设备 |
| CN108053305A (zh) * | 2018-02-12 | 2018-05-18 | 北京小度信息科技有限公司 | 应用于商户推广的数据处理方法及装置 |
| CN108052650A (zh) * | 2017-12-26 | 2018-05-18 | 百度在线网络技术（北京）有限公司 | 信息推荐方法、装置和电子设备 |
| CN110084658A (zh) * | 2018-01-26 | 2019-08-02 | 北京京东尚科信息技术有限公司 | 物品匹配的方法和装置 |
| CN110097412A (zh) * | 2018-01-31 | 2019-08-06 | 阿里巴巴集团控股有限公司 | 物品推荐方法、装置、设备以及存储介质 |
| CN112035753A (zh) * | 2020-11-02 | 2020-12-04 | 北京每日优鲜电子商务有限公司 | 推荐页面生成方法、装置、电子设备和计算机可读介质 |
| 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 |
| WO2022198752A1 (zh) * | 2021-03-24 | 2022-09-29 | 平安科技（深圳）有限公司 | 推送模型训练方法、数据推送方法、装置及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102385601A (zh) * | 2010-09-03 | 2012-03-21 | 阿里巴巴集团控股有限公司 | 一种产品信息的推荐方法及系统 |
| US20130218687A1 (en) * | 2012-02-17 | 2013-08-22 | Graphdive, Inc. | Methods, systems and devices for determining a user interest and/or characteristic by employing a personalization engine |
| CN103309972A (zh) * | 2013-06-08 | 2013-09-18 | 清华大学 | 基于链路预测的推荐方法和系统 |
| 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 |
| CN103646343A (zh) * | 2013-12-18 | 2014-03-19 | 世纪禾光科技发展（北京）有限责任公司 | 一种基于文本的商品分类处理方法及其系统 |
| CN103744904A (zh) * | 2013-12-25 | 2014-04-23 | 北京京东尚科信息技术有限公司 | 一种提供信息的方法及装置 |
-
2014
- 2014-06-27 CN CN201410301835.0A patent/CN105205081B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102385601A (zh) * | 2010-09-03 | 2012-03-21 | 阿里巴巴集团控股有限公司 | 一种产品信息的推荐方法及系统 |
| US20130218687A1 (en) * | 2012-02-17 | 2013-08-22 | Graphdive, Inc. | Methods, systems and devices for determining a user interest and/or characteristic by employing a personalization engine |
| CN103309972A (zh) * | 2013-06-08 | 2013-09-18 | 清华大学 | 基于链路预测的推荐方法和系统 |
| 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 |
| CN103646343A (zh) * | 2013-12-18 | 2014-03-19 | 世纪禾光科技发展（北京）有限责任公司 | 一种基于文本的商品分类处理方法及其系统 |
| CN103744904A (zh) * | 2013-12-25 | 2014-04-23 | 北京京东尚科信息技术有限公司 | 一种提供信息的方法及装置 |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105933425A (zh) * | 2016-05-18 | 2016-09-07 | 北京奇虎科技有限公司 | 推荐应用的方法及装置 |
| US20190087884A1 (en) | 2016-05-24 | 2019-03-21 | Huawei Technologies Co., Ltd. | Theme recommendation method and apparatus |
| CN107423308B (zh) * | 2016-05-24 | 2020-07-07 | 华为技术有限公司 | 主题推荐方法以及装置 |
| CN107423308A (zh) * | 2016-05-24 | 2017-12-01 | 华为技术有限公司 | 主题推荐方法以及装置 |
| US11830033B2 (en) | 2016-05-24 | 2023-11-28 | Huawei Technologies Co., Ltd. | Theme recommendation method and apparatus |
| WO2018010591A1 (zh) * | 2016-07-12 | 2018-01-18 | 腾讯科技（深圳）有限公司 | 一种信息推送方法及装置、服务器、存储介质 |
| US11449916B2 (en) | 2016-07-12 | 2022-09-20 | Tencent Technology (Shenzhen) Company Limited | Information push method and apparatus, server, and storage medium |
| CN106250532A (zh) * | 2016-08-04 | 2016-12-21 | 广州优视网络科技有限公司 | 应用推荐方法、装置及服务器 |
| CN106485567A (zh) * | 2016-09-14 | 2017-03-08 | 北京小米移动软件有限公司 | 物品推荐方法及装置 |
| CN106649714A (zh) * | 2016-12-21 | 2017-05-10 | 重庆邮电大学 | 针对数据不均匀及数据稀疏的topN推荐系统及方法 |
| CN107609116A (zh) * | 2017-09-13 | 2018-01-19 | 星环信息科技（上海）有限公司 | 一种创建跨域迁移深度网络的方法及设备 |
| CN107609116B (zh) * | 2017-09-13 | 2020-09-18 | 星环信息科技（上海）有限公司 | 一种创建跨域迁移深度网络的方法及设备 |
| CN108052650A (zh) * | 2017-12-26 | 2018-05-18 | 百度在线网络技术（北京）有限公司 | 信息推荐方法、装置和电子设备 |
| CN110084658A (zh) * | 2018-01-26 | 2019-08-02 | 北京京东尚科信息技术有限公司 | 物品匹配的方法和装置 |
| CN110084658B (zh) * | 2018-01-26 | 2024-01-16 | 北京京东尚科信息技术有限公司 | 物品匹配的方法和装置 |
| CN110097412A (zh) * | 2018-01-31 | 2019-08-06 | 阿里巴巴集团控股有限公司 | 物品推荐方法、装置、设备以及存储介质 |
| CN108053305B (zh) * | 2018-02-12 | 2021-07-30 | 北京星选科技有限公司 | 应用于商户推广的数据处理方法及装置 |
| CN108053305A (zh) * | 2018-02-12 | 2018-05-18 | 北京小度信息科技有限公司 | 应用于商户推广的数据处理方法及装置 |
| 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 |
| CN112035753A (zh) * | 2020-11-02 | 2020-12-04 | 北京每日优鲜电子商务有限公司 | 推荐页面生成方法、装置、电子设备和计算机可读介质 |
| WO2022198752A1 (zh) * | 2021-03-24 | 2022-09-29 | 平安科技（深圳）有限公司 | 推送模型训练方法、数据推送方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105205081B (zh) | 2019-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105205081A (zh) | 物品推荐方法和装置 | |
| CN102193936B (zh) | 一种数据分类的方法及装置 | |
| US10509791B2 (en) | Statistical feature engineering of user attributes | |
| CN105095219B (zh) | 微博推荐方法和终端 | |
| CN105718184A (zh) | 一种数据处理方法和装置 | |
| CN102982131A (zh) | 一种基于马尔科夫链的图书推荐方法 | |
| CN104462333A (zh) | 购物搜索推荐与告警方法和系统 | |
| WO2018035164A1 (en) | Description information generation and presentation systems, methods, and devices | |
| CN111310038B (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
| CN103678431A (zh) | 一种基于标准标签和项目评分的推荐方法 | |
| CN103246980A (zh) | 信息输出方法及服务器 | |
| CN110727859B (zh) | 一种推荐信息推送方法及其装置 | |
| CN104615721B (zh) | 用于基于退货关联信息推荐商品的方法和系统 | |
| CN107016006B (zh) | 一种页面展示方法及系统 | |
| CN110503497A (zh) | 一种基于客户的消费习惯的电商管理平台商品推荐方法 | |
| CN104052714A (zh) | 多媒体信息的推送方法及服务器 | |
| CN107423335A (zh) | 一种针对单类协同过滤问题的负样本选择方法 | |
| Kavinkumar et al. | A hybrid approach for recommendation system with added feedback component | |
| CN105809275A (zh) | 一种物品评分预测方法及装置 | |
| CN103646341A (zh) | 一种网站提供对象的推荐方法和装置 | |
| CN106682923A (zh) | 商品调整方法及系统 | |
| CN111340522A (zh) | 资源推荐方法、装置、服务器及存储介质 | |
| CN104346428A (zh) | 信息处理装置、信息处理方法及程序 | |
| CN103853789A (zh) | 一种用于向用户推荐信息的方法和设备 | |
| CN110969473A (zh) | 一种用户标签生成方法及装置 |
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 |