CN105205689A - 推荐商户的方法及系统 - Google Patents
推荐商户的方法及系统 Download PDFInfo
- Publication number
- CN105205689A CN105205689A CN201510533122.1A CN201510533122A CN105205689A CN 105205689 A CN105205689 A CN 105205689A CN 201510533122 A CN201510533122 A CN 201510533122A CN 105205689 A CN105205689 A CN 105205689A
- Authority
- CN
- China
- Prior art keywords
- trade company
- user
- record
- matrix
- candidate list
- 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
Abstract
本发明提供了一种推荐商户的方法及系统。所述方法包括:获取用户的查询请求和位置;根据查询请求进行商户搜索得到搜索结果,并按照位置从搜索结果中提取得到商户的候选列表;根据候选列表中记录的商户提取商户的关联推荐列表,商户的关联推荐列表是根据用户的同类用户浏览记录生成的;筛选候选列表和关联推荐列表得到商户推荐结果。所述系统包括:输入获取模块、请求处理模块、关联提取模块和筛选模块。采用本发明有效提高了推荐的准确度。
Description
【技术领域】
本发明涉及网络技术和信息处理技术,特别是涉及一种推荐商户的方法及系统。
【背景技术】
随着网络的日趋普及,越来越多的用户从互联网得到各种各样的商户信息,特别是一些互联网网站具有推荐商户的功能,用户需要对推荐信息进行商户的选择。例如,各种各样的搜索引擎常常向用户推送进行广告推广的商户,而基于互联网的软件客户端也会根据搜集到的用户信息向用户推送推荐各种商户。
然而,在这一传统的商户的获取及推送并没有充分考虑用户的意图,仅仅是针对用户所提供的信息进行简单的处理后直接把与商户有关的结果推荐给用户,因此,存在着准确性不高的缺陷,用户不得不花费大量的时间和精力在搜索结果中进行查找。
【发明内容】
基于此,有必要提供一种提高推荐准确度的推荐商户的方法。
此外,还有必要提供一种提高推荐准确度的推荐商户的装置。
一种推荐商户的方法,包括以下步骤:
获取用户的查询请求和位置;
根据所述查询请求进行商户搜索得到搜索结果,并按照所述位置从所述搜索结果中提取得到商户的候选列表;
根据所述候选列表中记录的商户提取所述商户的关联推荐列表,所述商户的关联推荐列表是根据所述用户的同类用户浏览记录生成的;
筛选所述候选列表和所述关联推荐列表得到商户推荐结果。
在其中一个实施例中,所述根据所述查询请求进行商户搜索得到搜索结果,并按照所述位置从所述搜索结果中提取得到商户的候选列表的步骤为:
根据所述查询请求对已有的商户数据资源进行搜索得到搜索结果;
从所述搜索结果中根据所述位置提取介于有效距离范围的商户,并按照所述位置与所述提取的商户之间的距离对所述提取得到的商户进行排序,以得到所述商户的候选列表。
在其中一个实施例中,所述根据所述候选列表中的记录的商户提取所述商户的关联推荐列表的步骤之前,所述方法还包括:
预先计算并生成每一商户对应的关联推荐列表的步骤。
在其中一个实施例中,所述预先计算并生成每一商户对应的关联推荐列表的步骤包括:
获取同类用户对商户的浏览记录并量化得到记录矩阵,所述记录矩阵的元素即为商户被每一同类用户浏览的量化值;
逐一以记录矩阵中每一商户为目标商户,根据所述商户被每一同类用户浏览的量化值对目标商户与所述记录矩阵中的商户进行相似性计算,以得到所述记录矩阵中与所述目标商户关联的商户;
根据所述相似性计算得到的数值排序所述得到的对应商户形成每一商户关联的推荐列表。
在其中一个实施例中,所述获取同类用户对商户的浏览记录并量化得到记录矩阵,所述记录矩阵的元素即为商户被每一同类用户浏览的量化值的步骤之前,所述方法还包括:
获取用户信息,并量化所述用户信息得到用户特征矢量;
根据所述用户特征矢量聚类用户以得到同类用户。
一种推荐商户的系统,包括:
输入获取模块,用于获取用户的查询请求和位置;
请求处理模块,用于根据所述查询请求进行商户搜索得到搜索结果,并按照所述位置从所述搜索结果中提取得到商户的候选列表;
关联提取模块,用于根据所述候选列表中记录的商户提取所述商户的关联推荐列表,所述商户的关联推荐列表是根据所述用户的同类用户浏览记录生成的;
筛选模块,用于筛选所述候选列表和所述关联推荐列表得到商户推荐结果。
在其中一个实施例中,所述请求处理模块包括:
搜索单元,用于根据所述查询请求对已有的商户数据资源进行搜索得到搜索结果;
结果提取单元,用于从所述搜索结果中根据所述位置提取介于有效距离范围的商户,并按照所述位置与所述提取的商户之间的距离对所述提取得到的商户进行排序,以得到所述商户的候选列表。
在其中一个实施例中,所述系统还包括:
预计算模块,用于预先计算并生成每一商户对应的关联推荐列表。
在其中一个实施例中,所述预计算模块包括:
量化处理单元,用于获取同类用户对商户的浏览记录并量化得到记录矩阵,所述记录矩阵的元素即为商户被每一同类用户浏览的量化值;
相似性计算单元,用于逐一以记录矩阵中每一商户为目标商户,根据所述商户被每一同类用户浏览的量化值对目标商户与所述记录矩阵中的商户进行相似性计算,以得到所述记录矩阵中与所述目标商户关联的商户;
商户排序单元,用于根据所述相似性计算得到的数值排序所述得到的对应商户形成每一商户关联的推荐列表。
在其中一个实施例中,所述系统还包括:
用户量化模块,用于获取用户信息,并量化所述用户信息得到用户特征矢量;
聚类模块,用于根据所述用户特征矢量聚类用户以得到同类用户。
上述推荐商户的方法及系统,将获取用户的查询请求和位置,根据该查询请求进行商户搜救以得到搜索结果,并按照该位置从搜索结果中提取得到商户的候选列表,根据候选列表中记录的商户提取商户的关联推荐列表,其中,该商户的关联推荐列表中根据用户的同类用户浏览记录生成的,对候选列表和关联推荐列表进行筛选即可得到商户推荐结果,由于商户推荐结果中的商户也包括了根据同类用户浏览记录所生成的关联推荐列表中的商户,因此,使得商户推荐结果中推荐的商户更为符合用户查询商户的意图,有效地提高了推荐准确度。
【附图说明】
图1为一个实施例中推荐商户的方法的流程图;
图2为图1中根据查询请求进行商户搜索得到搜索结果,并按照位置从搜索结果中提取得到商户的候选列表的方法流程图;
图3为一个实施中预先计算并生成每一商户对应的关联推荐列表的方法流程图;
图4为另一个实施例中推荐商户的方法的流程图;
图5为一个实施例中推荐商户的方法的结构示意图;
图6为图5中请求处理模块的结构示意图;
图7为另一个实施例中推荐商户的系统的结构示意图;
图8为图7中预计算模块的结构示意图;
图9为另一个实施例中推荐商户的系统的结构示意图。
【具体实施方式】
如图1所示,在一个实施例中,一种推荐商户的方法,包括如下步骤:
步骤S110,获取用户的查询请求和位置。
本实施例中,查询请求是用户所输入的,用于进行商户搜索并获取推荐的依据,其中,查询请求可以是某一关键字,例如,某一商户的名称。
所获取的位置即为用户的位置,其获取的方式包括:方式一,使用卫星定位系统,如GPS,获取卫星信号以计算得到用户的位置;方式二,利用无线通信网的基站信号计算得到用户的位置;方式三,将用户的历史位置信息中最近的一次作为当前获取的用户的位置;方式四,采用的语音方式得到用户的位置;方式五,采用文本输入得到用户位置。
若以上方式均无法获取得到用户的位置,则使用某一预设值表示无效的位置。
步骤S130,根据查询请求进行商户搜索得到搜索结果,并按照位置从搜索结果中提取得到商户的候选列表。
本实施例中,根据查询请求进行商户搜索,以得到与该查询请求相匹配的搜索结果,其中,该商户搜索指的是为用户搜索各式各样服务的直接提供者,例如,酒店、商铺、餐饮店等。
由商户搜索所得到的相关搜索结果将包含了若干个与查询请求相符的商户,并且每一商户都将对应了所在位置以及其它的描述信息,因此,将根据获取的用户的位置和搜索结果中每一商户所在位置在搜索结果中提取商户,所提取得到的商户便形成了商户的候选列表。
步骤S150,根据候选列表中记录的商户提取商户的关联推荐列表,该商户的关联推荐列表是根据用户的同类用户浏览记录生成的。
本实施例中,预先存储于已有的商户数据资源中的商户均有与之对应的关联推荐列表,该关联推荐列表是由当前用户所属的同类用户的浏览记录得到的,用于为当前进行商户推荐的用户提供同类用户感兴趣的商户。
步骤S170,筛选候选列表和关联推荐列表得到商户推荐结果。
本实施例中,候选列表将记录了与用户的查询请求和位置最为相关的商户,而关联推荐列表则记录了同类用户所感兴趣的商户,候选列表和关联推荐列表都将存在用户所需要获得的商户,因此,将对候选列表和关联推荐列表进行筛选,以得到商户推荐结果,进而将得到的商户推荐结果推送给用户,以供用户浏览,进而查询得到所需要的商户。
进一步的,将根据候选列表中商户的位置和用户的位置之间的距离以及关联推荐列表中商户与目标商户之间的相似性对候选列表和关联推荐列表进行筛选,以得到商户推荐结果。
具体的,根据候选列表中商户的位置和用户的位置之间的距离以及关联推荐列表中商户与目标商户之间的相似性设定候选列表和关联推荐列表中商户的推荐分值以及对应的权重,进而得到该商户的最终推荐值,按照最终推荐值对商户进行排序,以提取预设数量个最终推荐值最高的商户作为推荐结果。
例如,候选列表中的商户的权重为p,关联推荐列表中商户的权重为q,则
根据以下公式计算得到最终分值Score_S(k):
Score_S(k)=p*Score_RS1_S(k)+q*Score_RS2_S(k)
其中,RS1表示候选列表,RS2表示关联推荐列表。
如图2所示,在一个实施例中,上述步骤S130的具体过程为:
步骤S131,根据查询请求对已有的商户数据资源进行搜索得到搜索结果。
本实施例中,已有的商户数据资源中存储的商户及相关信息将是预先整理录入的,在采集得到商户及相关信息之后使将其整理录入至商户数据资源中。其中,商户的采集方式可以是如下任一方式:获取互联网上已有的商户及相关信息;去现场或者打电话采集商户及相关信息;任一用户均可添加和修改商户及相关信息。
步骤S133,从搜索结果中根据位置提取介于有效距离范围的商户,并按照位置与提取的商户之间的距离对提取得到的商户进行排序,以得到商户的候选列表。
本实施例中,为考虑用户意图,将设定有效距离,以根据用户的位置对搜索结果进行筛选,若用户的位置与搜索结果中商户的位置之间的距离小于设定的有效距离,则将该商户从搜索结果中提取出来并置于候选列表中。
在一个实施例中,上述步骤S150之前,该方法还包括预先计算并生成每一商户对应的关联推荐列表的步骤。
本实施例中,对已有的商户数据资源中对商户进行预先计算,以得到与该商户所关联的若干个商户,这些商户将形成了该商户所对应的关联推荐列表。
进一步的,将根据已有的用户的浏览记录进行计算,以已有的用户的浏览记录为依据得到被最多用户浏览的商户,进而形成关联推荐列表。
其中,这些已有的用户将是当前用户所属的同类用户。
如图3所示,在一个实施例中,上述预先计算并生成每一商户对应的关联推荐列表的步骤包括:
步骤S301,获取同类用户对商户的浏览记录并量化得到记录矩阵,该记录矩阵的元素即为商户被每一同类用户浏览的量化值。
本实施例中,预先存储了同类用户进行商户查询和浏览所产生的商户的浏览记录,此时,将获取当前用户所属的同类用户,进而提取该同类用户对商户的浏览记录。其中,浏览记录是为每一用户所存储的商户浏览的历史记录。
进一步的,记录矩阵的初始值为0,当某个用户U{x}曾经浏览了某一商户S{y}时,将记录矩阵M{y,x}中该用户和商户所对应的元素在数值上增加1。
步骤S303,逐一以记录矩阵中每一商户为目标商户,根据商户被每一同类用户浏览的量化值对目标商户与记录矩阵中的商户进行相似性计算,以得到记录矩阵中与目标商户关联的商户。
本实施例中,由于记录矩阵中的每一元素均有唯一对应的商户以及浏览了该商户的用户,因此,在记录矩阵所对应的若干个商户中,逐一以每一商户为目标商户,与记录矩阵中的其他商户进行相似性计算,以得到记录矩阵中与目标商户最为相似的一类商户,这些商户即为与目标商户关联的商户。
进一步的,将目标商户对应元素的数值和记录矩阵中商户对应的元素的数值两两进行相似性计算,以根据相似性计算得到的数值衡量目标商户和商户之间的相似程度,进而得到与目标商户关联的商户。
其中,所进行的相似性计算可能是相似度的计算,也可以是目标商户和商户之间距离的计算,例如,目标商户和商户之间欧氏距离的计算;若该相似性计算为相似度的计算,则所计算得到的数值越小,说明目标商户和商户越相似;若该相似性计算为距离的计算,则距离越小,说明目标商户和商户之间相似性越高。此时,记录矩阵中与目标商户关联的商户即为相似度最大或者距离最小的若干个商户。
记录矩阵中对应的每一商户都将作用目标商户预先进行相似性计算,以得到关联的商户,进而使得记录矩阵中对应的每一商户均有与其关联的商户。
具体的,若目标商户和商户之间的相似性采用距离来衡量,则两者之间的相似性计算将是计算两者之间的距离,即D(i,j)=distance(S(i),S(j)),其中,S(i)是记录矩阵第i行矢量,S(j)是记录矩阵第j行矢量。
步骤S305,根据相似性计算得到的数值排序得到对应的商户形成每一商户关联的推荐列表。
本实施例中,相似性计算得到的数值将用于衡量目标商户和商户之间的相近程度,因此,在每一目标商户所进行的相似性计算中,对相似性计算得到的数值进行排序,以按照一定的顺序得到与目标商户最为相近的若干个商户,进而由这些商户形成目标商户所关联的推荐列表。
此外,在通过相似性计算得到目标商户关联的商户之后,还将根据广告优先级对其相似性计算得到的数值进行调整之后,再进行商户的排序,以得到该目标商户所关联的推荐列表。
进一步的,广告优先级是根据收集的广告商户信息预先进行设置的,例如,可预先将广告优先级定为{1,2,3}中的某一个数值,为3的优先级最高,表示广告推广力度最大,因此,根据广告优先级可将目标商户S(m)和商户S(n(k))之间的相似性计算得到的数值D(m,n(k))变为D(m,n(k))/(1+P),其中P为广告优先级。
例如,在进行了目标商户和商户之间的相似性计算之后中,若其中的商户S(m)为广告商户,则查找和S(m)最近的K个商户,即{S(n(1)),S(n(2))……S(n(k))},对于这K个商户,将根据广告优先级进行调整。
如图4所示,在一个实施例中,上述步骤S301之前,该方法还包括了如下步骤:
步骤S401,获取用户信息,并量化用户信息得到用户特征矢量。
本实施例中,用户信息将包括了用户浏览历史、查询记录和用户登录时的信息,其中,用户登录时的信息可包括用户注册系统帐号时的个人项信息,例如,年龄、性别等;也可包括用户注册系统帐号时所选择的个人喜好的项目,例如,用户选择“儿童用品”、“化妆品”或者“古典音乐”、“男歌手”等,还可以是用户的收藏夹所记录的内容等。
量化获取得到的用户信息,例如,年龄本身即为数字化的,性别则可以采用1表示男,2表示女,0表示未填写;个人喜好的项目则根据可选项目表示,例如,第一项为1,第二项为2,未选择为0;用户的收藏夹所记录的内容将用字符串的方式表示,每条记录位即为用户特征矢量的一维;用户浏览历史为商户的标识号码构成的序列,每一商户均有唯一对应的标号号码。
步骤S403,根据用户特征矢量聚类用户以得到同类用户。
本实施例中,应用量化得到的用户特征矢量进行相似性计算,以聚类得到同类用户。具体的,对用户特征矢量所进行的相似性计算可以是相似度的计算,也可以是用户之间距离的计算,例如,距离的计算可以是欧氏距离的计算;而相似度的计算则可以采用余弦相似度等算法。
此外,还可以采用聚类算法对用户进行聚类,例如,该聚类算法可以是模糊聚类方法和K-均值聚类方法等。
如图5所示,在一个实施例中,一种推荐商户的系统,包括输入获取模块110、请求处理模块130、关联提取模块150和筛选模块170。
输入获取模块110,用于获取用户的查询请求和位置。
本实施例中,查询请求是用户所输入的,用于进行商户搜索并获取推荐的依据,其中,查询请求可以是某一关键字,例如,某一商户的名称。
输入获取模块110所获取的位置即为用户的位置,其获取的方式包括:方式一,使用卫星定位系统,如GPS,获取卫星信号以计算得到用户的位置;方式二,利用无线通信网的基站信号计算得到用户的位置;方式三,将用户的历史位置信息中最近的一次作为当前获取的用户的位置;方式四,采用的语音方式得到用户的位置;方式五,采用文本输入得到用户位置。
若以上方式均无法获取得到用户的位置,则输入获取模块110使用某一预设值表示无效的位置。
请求处理模块130,用于根据查询请求进行商户搜索得到搜索结果,并按照位置从搜索结果中提取得到商户的候选列表。
本实施例中,请求处理模块130根据查询请求进行商户搜索,以得到与该查询请求相匹配的搜索结果,其中,该商户搜索指的是为用户搜索各式各样服务的直接提供者,例如,酒店、商铺、餐饮店等。
由商户搜索所得到的相关搜索结果将包含了若干个与查询请求相符的商户,并且每一商户都将对应了所在位置以及其它的描述信息,因此,请求处理模块130将根据获取的用户的位置和搜索结果中每一商户所在位置在搜索结果中提取商户,所提取得到的商户便形成了商户的候选列表。
关联提取模块150,用于根据候选列表中记录的商户提取商户的关联推荐列表,该商户的关联推荐列表是根据用户的同类用户浏览记录生成的。
本实施例中,预先存储于已有的商户数据资源中的商户均有与之对应的关联推荐列表,该关联推荐列表是由当前用户所属的同类用户的浏览记录得到的,用于为当前进行商户推荐的用户提供同类用户感兴趣的商户。
筛选模块170,用于筛选候选列表和关联推荐列表得到商户推荐结果。
本实施例中,候选列表将记录了与用户的查询请求和位置最为相关的商户,而关联推荐列表则记录了同类用户所感兴趣的商户,候选列表和关联推荐列表都将存在用户所需要获得的商户,因此,筛选模块170将对候选列表和关联推荐列表进行筛选,以得到商户推荐结果,进而将得到的商户推荐结果推送给用户,以供用户浏览,进而查询得到所需要的商户。
进一步的,筛选模块170将根据候选列表中商户的位置和用户的位置之间的距离以及关联推荐列表中商户与目标商户之间的相似性对候选列表和关联推荐列表进行筛选,以得到商户推荐结果。
具体的,筛选模块170根据候选列表中商户的位置和用户的位置之间的距离以及关联推荐列表中商户与目标商户之间的相似性设定候选列表和关联推荐列表中商户的推荐分值以及对应的权重,进而得到该商户的最终推荐值,按照最终推荐值对商户进行排序,以提取预设数量个最终推荐值最高的商户作为推荐结果。
例如,候选列表中的商户的权重为p,关联推荐列表中商户的权重为q,则根据以下公式计算得到最终分值Score_S(k):
Score_S(k)=p*Score_RS1_S(k)+q*Score_RS2_S(k)
其中,RS1表示候选列表,RS2表示关联推荐列表。
如图6所示,在一个实施例中,上述请求处理模块130包括搜索单元131和结果提取单元133。
搜索单元131,用于根据查询请求对已有的商户数据资源进行搜索得到搜索结果。
本实施例中,已有的商户数据资源中存储的商户及相关信息将是预先整理录入的,在采集得到商户及相关信息之后使将其整理录入至商户数据资源中。其中,商户的采集方式可以是如下任一方式:获取互联网上已有的商户及相关信息;去现场或者打电话采集商户及相关信息;任一用户均可添加和修改商户及相关信息。
结果提取单元133,用于从搜索结果中根据位置提取介于有效距离范围的商户,并按照位置与提取的商户之间的距离对提取得到的商户进行排序,以得到商户的候选列表。
本实施例中,为考虑用户意图,将设定有效距离,结果提取单元133根据用户的位置对搜索结果进行筛选,若用户的位置与搜索结果中商户的位置之间的距离小于设定的有效距离,则将该商户从搜索结果中提取出来并置于候选列表中。
如图7所示,在另一个实施例中,该系统还包括预计算模块210。
该预计算模块210,用于预先计算并生成每一商户对应的关联推荐列表。
本实施例中,预计算模块210对已有的商户数据资源中对商户进行预先计算,以得到与该商户所关联的若干个商户,这些商户将形成了该商户所对应的关联推荐列表。
进一步的,预计算模块210将根据已有的用户的浏览记录进行计算,以已有的用户的浏览记录为依据得到被最多用户浏览的商户,进而形成关联推荐列表。
其中,这些已有的用户将是当前用户所属的同类用户。
如图8所示,在一个实施例中,上述预计算模块210包括量化处理单元211、相似性计算单元213和商户排序单元215。
量化处理单元211,用于获取同类用户对商户的浏览记录并量化得到记录矩阵,该记录矩阵的元素即为商户被每一同类用户浏览的量化值。
本实施例中,预先存储了同类用户进行商户查询和浏览所产生的商户的浏览记录,此时,量化处理单元211将获取当前用户所属的同类用户,进而提取该同类用户对商户的浏览记录。其中,浏览记录是为每一用户所存储的商户浏览的历史记录。
进一步的,记录矩阵的初始值为0,当某个用户U{x}曾经浏览了某一商户S{y}时,将记录矩阵M{y,x}中该用户和商户所对应的元素在数值上增加1。
相似性计算单元213,用于逐一以记录矩阵中每一商户为目标商户,根据商户被每一同类用户浏览的量化值对目标商户与记录矩阵中的商户进行相似性计算,以得到记录矩阵中与目标商户关联的商户。
本实施例中,由于记录矩阵中的每一元素均有唯一对应的商户以及浏览了该商户的用户,因此,在记录矩阵所对应的若干个商户中,相似性计算单元213逐一以每一商户为目标商户,与记录矩阵中的其他商户进行相似性计算,以得到记录矩阵中与目标商户最为相似的一类商户,这些商户即为与目标商户关联的商户。
进一步的,相似性计算单元213将目标商户对应元素的数值和记录矩阵中商户对应的元素的数值两两进行相似性计算,以根据相似性计算得到的数值衡量目标商户和商户之间的相似程度,进而得到与目标商户关联的商户。
其中,相似性计算单元213所进行的相似性计算可能是相似度的计算,也可以是目标商户和商户之间距离的计算,例如,目标商户和商户之间欧氏距离的计算;若该相似性计算为相似度的计算,则所计算得到的数值越小,说明目标商户和商户越相似;若该相似性计算为距离的计算,则距离越小,说明目标商户和商户之间相似性越高。此时,记录矩阵中与目标商户关联的商户即为相似度最大或者距离最小的若干个商户。
记录矩阵中对应的每一商户都将作用目标商户预先进行相似性计算,以得到关联的商户,进而使得记录矩阵中对应的每一商户均有与其关联的商户。
具体的,若目标商户和商户之间的相似性采用距离来衡量,则两者之间的相似性计算将是计算两者之间的距离,即D(i,j)=distance(S(i),S(j)),其中,S(i)是记录矩阵第i行矢量,S(j)是记录矩阵第j行矢量。
商户排序单元215,用于根据相似性计算得到的数值排序得到的对应商户形成每一商户关联的推荐列表。
本实施例中,相似性计算得到的数值将用于衡量目标商户和商户之间的相近程度,因此,在每一目标商户所进行的相似性计算中,商户排序单元215对相似性计算得到的数值进行排序,以按照一定的顺序得到与目标商户最为相近的若干个商户,进而由这些商户形成目标商户所关联的推荐列表。
此外,在通过相似性计算得到目标商户关联的商户之后,商户排序单元215还将根据广告优先级对其相似性计算得到的数值进行调整之后,再进行商户的排序,以得到该目标商户所关联的推荐列表。
进一步的,广告优先级是根据收集的广告商户信息预先进行设置的,例如,可预先将广告优先级定为{1,2,3}中的某一个数值,为3的优先级最高,表示广告推广力度最大,因此,根据广告优先级可将目标商户S(m)和商户S(n(k))之间的相似性计算得到的数值D(m,n(k))变为D(m,n(k))/(1+P),其中P为广告优先级。
例如,在进行了目标商户和商户之间的相似性计算之后中,若其中的商户S(m)为广告商户,则查找和S(m)最近的K个商户,即{S(n(1)),S(n(2))……S(n(k))},对于这K个商户,将根据广告优先级进行调整。
如图9所示,在一个实施例中,上述系统还包括用户量化模块310和聚类模块330。
用户量化模块310,用于获取用户信息,并量化用户信息得到用户特征矢量。
本实施例中,用户信息将包括了用户浏览历史、查询记录和用户登录时的信息,其中,用户登录时的信息可包括用户注册系统帐号时的个人项信息,例如,年龄、性别等;也可包括用户注册系统帐号时所选择的个人喜好的项目,例如,用户选择“儿童用品”、“化妆品”或者“古典音乐”、“男歌手”等,还可以是用户的收藏夹所记录的内容等。
用户量化模块310量化获取得到的用户信息,例如,年龄本身即为数字化的,性别则可以采用1表示男,2表示女,0表示未填写;个人喜好的项目则根据可选项目表示,例如,第一项为1,第二项为2,未选择为0;用户的收藏夹所记录的内容将用字符串的方式表示,每条记录位即为用户特征矢量的一维;用户浏览历史为商户的标识号码构成的序列,每一商户均有唯一对应的标号号码。
聚类模块330,用于根据用户特征矢量聚类用户以得到同类用户。
本实施例中,聚类模块330应用量化得到的用户特征矢量进行相似性计算,以聚类得到同类用户。具体的,对用户特征矢量所进行的相似性计算可以是相似度的计算,也可以是用户之间距离的计算,例如,距离的计算可以是欧氏距离的计算;而相似度的计算则可以采用余弦相似度等算法。
此外,还可以采用聚类算法对用户进行聚类,例如,该聚类算法可以是模糊聚类方法和K-均值聚类方法等。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种推荐商户的方法,包括以下步骤:
获取用户的查询请求和位置;
根据所述查询请求进行商户搜索得到搜索结果,并按照所述位置从所述搜索结果中提取得到商户的候选列表;
根据所述候选列表中记录的商户提取所述商户的关联推荐列表,所述商户的关联推荐列表是根据所述用户的同类用户浏览记录生成的;
筛选所述候选列表和所述关联推荐列表得到商户推荐结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述查询请求进行商户搜索得到搜索结果,并按照所述位置从所述搜索结果中提取得到商户的候选列表的步骤为:
根据所述查询请求对已有的商户数据资源进行搜索得到搜索结果;
从所述搜索结果中根据所述位置提取介于有效距离范围的商户,并按照所述位置与所述提取的商户之间的距离对所述提取得到的商户进行排序,以得到所述商户的候选列表。
3.根据权利要求1所述的方法,其特征在于,所述根据所述候选列表中的记录的商户提取所述商户的关联推荐列表的步骤之前,所述方法还包括:
预先计算并生成每一商户对应的关联推荐列表的步骤。
4.根据权利要求3所述的方法,其特征在于,所述预先计算并生成每一商户对应的关联推荐列表的步骤包括:
获取同类用户对商户的浏览记录并量化得到记录矩阵,所述记录矩阵的元素即为商户被每一同类用户浏览的量化值;
逐一以记录矩阵中每一商户为目标商户,根据所述商户被每一同类用户浏览的量化值对目标商户与所述记录矩阵中的商户进行相似性计算,以得到所述记录矩阵中与所述目标商户关联的商户;
根据所述相似性计算得到的数值排序所述得到的对应商户形成每一商户关联的推荐列表。
5.根据权利要求4所述的方法,其特征在于,所述获取同类用户对商户的浏览记录并量化得到记录矩阵,所述记录矩阵的元素即为商户被每一同类用户浏览的量化值的步骤之前,所述方法还包括:
获取用户信息,并量化所述用户信息得到用户特征矢量;
根据所述用户特征矢量聚类用户以得到同类用户。
6.一种推荐商户的系统,其特征在于,包括:
输入获取模块,用于获取用户的查询请求和位置;
请求处理模块,用于根据所述查询请求进行商户搜索得到搜索结果,并按照所述位置从所述搜索结果中提取得到商户的候选列表;
关联提取模块,用于根据所述候选列表中记录的商户提取所述商户的关联推荐列表,所述商户的关联推荐列表是根据所述用户的同类用户浏览记录生成的;
筛选模块,用于筛选所述候选列表和所述关联推荐列表得到商户推荐结果。
7.根据权利要求6所述的系统,其特征在于,所述请求处理模块包括:
搜索单元,用于根据所述查询请求对已有的商户数据资源进行搜索得到搜索结果;
结果提取单元,用于从所述搜索结果中根据所述位置提取介于有效距离范围的商户,并按照所述位置与所述提取的商户之间的距离对所述提取得到的商户进行排序,以得到所述商户的候选列表。
8.根据权利要求6所述的系统,其特征在于,所述系统还包括:
预计算模块,用于预先计算并生成每一商户对应的关联推荐列表。
9.根据权利要求8所述的系统,其特征在于,所述预计算模块包括:
量化处理单元,用于获取同类用户对商户的浏览记录并量化得到记录矩阵,所述记录矩阵的元素即为商户被每一同类用户浏览的量化值;
相似性计算单元,用于逐一以记录矩阵中每一商户为目标商户,根据所述商户被每一同类用户浏览的量化值对目标商户与所述记录矩阵中的商户进行相似性计算,以得到所述记录矩阵中与所述目标商户关联的商户;
商户排序单元,用于根据所述相似性计算得到的数值排序所述得到的对应商户形成每一商户关联的推荐列表。
10.根据权利要求9所述的系统,其特征在于,所述系统还包括:
用户量化模块,用于获取用户信息,并量化所述用户信息得到用户特征矢量;
聚类模块,用于根据所述用户特征矢量聚类用户以得到同类用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510533122.1A CN105205689A (zh) | 2015-08-26 | 2015-08-26 | 推荐商户的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510533122.1A CN105205689A (zh) | 2015-08-26 | 2015-08-26 | 推荐商户的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105205689A true CN105205689A (zh) | 2015-12-30 |
Family
ID=54953354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510533122.1A Pending CN105205689A (zh) | 2015-08-26 | 2015-08-26 | 推荐商户的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105205689A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105677831A (zh) * | 2016-01-04 | 2016-06-15 | 拉扎斯网络科技(上海)有限公司 | 一种确定推荐商户的方法及装置 |
CN106021590A (zh) * | 2016-06-06 | 2016-10-12 | 东南大学 | 一种基于超图的多蚁群并行组合聚类方法 |
CN106060113A (zh) * | 2016-05-10 | 2016-10-26 | 腾讯科技(深圳)有限公司 | 账号推送方法及装置 |
CN106600360A (zh) * | 2016-11-11 | 2017-04-26 | 北京小度信息科技有限公司 | 推荐对象的排序方法及装置 |
CN107220865A (zh) * | 2017-04-11 | 2017-09-29 | 北京小度信息科技有限公司 | 对象推荐方法及装置 |
CN107248095A (zh) * | 2017-04-14 | 2017-10-13 | 北京小度信息科技有限公司 | 推荐方法及装置 |
CN107358509A (zh) * | 2017-07-18 | 2017-11-17 | 卒子科技(深圳)有限公司 | 一种交易的方法和交易系统 |
CN107358251A (zh) * | 2017-06-09 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种对象筛选方法和装置 |
CN107688979A (zh) * | 2016-08-05 | 2018-02-13 | 百度在线网络技术(北京)有限公司 | 用于提供信用参考信息的方法和装置 |
CN107730311A (zh) * | 2017-09-29 | 2018-02-23 | 北京小度信息科技有限公司 | 一种推荐信息的推送方法、装置及服务器 |
CN108573399A (zh) * | 2018-02-28 | 2018-09-25 | 中国银联股份有限公司 | 基于转移概率网络的商户推荐方法及其系统 |
CN109151599A (zh) * | 2018-08-30 | 2019-01-04 | 百度在线网络技术(北京)有限公司 | 视频处理方法和装置 |
CN109597858A (zh) * | 2018-12-14 | 2019-04-09 | 拉扎斯网络科技(上海)有限公司 | 一种商户的分类方法及其装置和商户的推荐方法及其装置 |
CN109657145A (zh) * | 2018-12-20 | 2019-04-19 | 拉扎斯网络科技(上海)有限公司 | 商户搜索方法及装置、电子设备及计算机可读存储介质 |
CN109902224A (zh) * | 2019-01-17 | 2019-06-18 | 平安城市建设科技(深圳)有限公司 | 基于用户行为分析的房源推荐方法、装置、设备和介质 |
CN110580297A (zh) * | 2019-08-02 | 2019-12-17 | 北京三快在线科技有限公司 | 基于菜品图像的商户及菜品匹配方法、装置、电子设备 |
CN112734539A (zh) * | 2021-04-06 | 2021-04-30 | 广州快亦捷网络科技有限公司 | 一种基于无线网络的数据管理系统及方法 |
CN114139044A (zh) * | 2021-10-27 | 2022-03-04 | 北京达佳互联信息技术有限公司 | 账户推送方法、装置、服务器及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101452480A (zh) * | 2007-12-04 | 2009-06-10 | 索尼株式会社 | 信息处理设备、信息处理方法,以及信息处理程序 |
CN102567899A (zh) * | 2011-12-27 | 2012-07-11 | 纽海信息技术(上海)有限公司 | 基于地理信息的商品推荐方法 |
CN102625940A (zh) * | 2009-06-12 | 2012-08-01 | 电子湾有限公司 | 互联网偏好学习工具 |
CN103400291A (zh) * | 2013-08-26 | 2013-11-20 | 百度在线网络技术(北京)有限公司 | 商品推荐方法、系统和服务器 |
CN103902680A (zh) * | 2014-03-21 | 2014-07-02 | 百度在线网络技术(北京)有限公司 | 搜索推荐方法和装置 |
-
2015
- 2015-08-26 CN CN201510533122.1A patent/CN105205689A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101452480A (zh) * | 2007-12-04 | 2009-06-10 | 索尼株式会社 | 信息处理设备、信息处理方法,以及信息处理程序 |
CN102625940A (zh) * | 2009-06-12 | 2012-08-01 | 电子湾有限公司 | 互联网偏好学习工具 |
CN102567899A (zh) * | 2011-12-27 | 2012-07-11 | 纽海信息技术(上海)有限公司 | 基于地理信息的商品推荐方法 |
CN103400291A (zh) * | 2013-08-26 | 2013-11-20 | 百度在线网络技术(北京)有限公司 | 商品推荐方法、系统和服务器 |
CN103902680A (zh) * | 2014-03-21 | 2014-07-02 | 百度在线网络技术(北京)有限公司 | 搜索推荐方法和装置 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105677831A (zh) * | 2016-01-04 | 2016-06-15 | 拉扎斯网络科技(上海)有限公司 | 一种确定推荐商户的方法及装置 |
CN105677831B (zh) * | 2016-01-04 | 2022-03-22 | 拉扎斯网络科技(上海)有限公司 | 一种确定推荐商户的方法及装置 |
CN106060113B (zh) * | 2016-05-10 | 2019-07-02 | 腾讯科技(深圳)有限公司 | 账号推送方法及装置 |
CN106060113A (zh) * | 2016-05-10 | 2016-10-26 | 腾讯科技(深圳)有限公司 | 账号推送方法及装置 |
CN106021590A (zh) * | 2016-06-06 | 2016-10-12 | 东南大学 | 一种基于超图的多蚁群并行组合聚类方法 |
CN106021590B (zh) * | 2016-06-06 | 2020-01-10 | 东南大学 | 一种b2b平台供应商推荐方法和系统 |
CN107688979A (zh) * | 2016-08-05 | 2018-02-13 | 百度在线网络技术(北京)有限公司 | 用于提供信用参考信息的方法和装置 |
CN106600360A (zh) * | 2016-11-11 | 2017-04-26 | 北京小度信息科技有限公司 | 推荐对象的排序方法及装置 |
CN107220865A (zh) * | 2017-04-11 | 2017-09-29 | 北京小度信息科技有限公司 | 对象推荐方法及装置 |
CN107248095A (zh) * | 2017-04-14 | 2017-10-13 | 北京小度信息科技有限公司 | 推荐方法及装置 |
CN107358251A (zh) * | 2017-06-09 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种对象筛选方法和装置 |
CN107358509A (zh) * | 2017-07-18 | 2017-11-17 | 卒子科技(深圳)有限公司 | 一种交易的方法和交易系统 |
CN107730311A (zh) * | 2017-09-29 | 2018-02-23 | 北京小度信息科技有限公司 | 一种推荐信息的推送方法、装置及服务器 |
CN108573399A (zh) * | 2018-02-28 | 2018-09-25 | 中国银联股份有限公司 | 基于转移概率网络的商户推荐方法及其系统 |
CN109151599A (zh) * | 2018-08-30 | 2019-01-04 | 百度在线网络技术(北京)有限公司 | 视频处理方法和装置 |
CN109597858B (zh) * | 2018-12-14 | 2021-09-14 | 拉扎斯网络科技(上海)有限公司 | 一种商户的分类方法及其装置和商户的推荐方法及其装置 |
CN109597858A (zh) * | 2018-12-14 | 2019-04-09 | 拉扎斯网络科技(上海)有限公司 | 一种商户的分类方法及其装置和商户的推荐方法及其装置 |
CN109657145A (zh) * | 2018-12-20 | 2019-04-19 | 拉扎斯网络科技(上海)有限公司 | 商户搜索方法及装置、电子设备及计算机可读存储介质 |
CN109902224A (zh) * | 2019-01-17 | 2019-06-18 | 平安城市建设科技(深圳)有限公司 | 基于用户行为分析的房源推荐方法、装置、设备和介质 |
CN110580297A (zh) * | 2019-08-02 | 2019-12-17 | 北京三快在线科技有限公司 | 基于菜品图像的商户及菜品匹配方法、装置、电子设备 |
CN112734539B (zh) * | 2021-04-06 | 2021-07-09 | 广州快亦捷网络科技有限公司 | 一种基于无线网络的数据管理系统及方法 |
CN112734539A (zh) * | 2021-04-06 | 2021-04-30 | 广州快亦捷网络科技有限公司 | 一种基于无线网络的数据管理系统及方法 |
CN114139044A (zh) * | 2021-10-27 | 2022-03-04 | 北京达佳互联信息技术有限公司 | 账户推送方法、装置、服务器及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105205689A (zh) | 推荐商户的方法及系统 | |
CN105426528B (zh) | 一种商品数据的检索排序方法及系统 | |
CN104143005B (zh) | 一种相关搜索系统及方法 | |
CN106202186B (zh) | 基于人工智能的服务推荐方法和装置 | |
CN102236663B (zh) | 一种基于垂直搜索的查询方法、系统和装置 | |
CN107491996B (zh) | 一种网页广告投放方法与系统 | |
US11010828B2 (en) | Information processing apparatus, information processing method, information processing program, recording medium having stored therein information processing program | |
WO2013180121A1 (ja) | 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体 | |
US20050125683A1 (en) | Information acquisition system, information acquisition method and information processing program | |
CN103309869B (zh) | 数据对象的展示关键词推荐方法及系统 | |
WO2011054245A1 (zh) | 移动搜索方法、装置和系统 | |
CN103049440A (zh) | 一种相关文章的推荐处理方法和处理系统 | |
CN103970891B (zh) | 一种基于情境的用户兴趣信息查询方法 | |
KR101123697B1 (ko) | 공통 관심 사용자 검색장치 및 방법 | |
CN104516980B (zh) | 搜索结果的输出方法以及服务器系统 | |
CN114663197A (zh) | 商品推荐方法及其装置、设备、介质、产品 | |
TWI512509B (zh) | Association authoring device, association grant method, and association grant program product | |
CN103324631A (zh) | 提供数据搜索的方法及装置 | |
CN104915388B (zh) | 一种基于谱聚类和众包技术的图书标签推荐方法 | |
US7949576B2 (en) | Method of providing product database | |
JP5556711B2 (ja) | カテゴリ分類処理装置、カテゴリ分類処理方法、カテゴリ分類処理プログラム記録媒体、カテゴリ分類処理システム | |
CN106021423A (zh) | 基于群组划分的元搜索引擎个性化结果推荐方法 | |
Sun et al. | Feature engineering for search advertising recognition | |
CN107357891A (zh) | 一种主页链接推荐方法 | |
JP2021108124A (ja) | アクセス対象検索システム |
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: 20151230 |
|
RJ01 | Rejection of invention patent application after publication |