CN107424043A - 一种产品推荐方法及装置,电子设备 - Google Patents
一种产品推荐方法及装置,电子设备 Download PDFInfo
- Publication number
- CN107424043A CN107424043A CN201710453139.5A CN201710453139A CN107424043A CN 107424043 A CN107424043 A CN 107424043A CN 201710453139 A CN201710453139 A CN 201710453139A CN 107424043 A CN107424043 A CN 107424043A
- Authority
- CN
- China
- Prior art keywords
- user
- product
- scene
- products show
- information
- 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
Classifications
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0263—Targeted advertisements based upon Internet or website rating
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Abstract
本申请提供了一种产品推荐方法,属于计算机技术领域,用于解决现有技术中存在的推荐的产品不够丰富,并且准确性较低的问题。所述方法包括:确定用户访问行为的用户场景;确定与所述用户场景匹配的至少一个产品推荐策略,以及每个所述产品推荐策略推荐的产品比例;在每个所述产品推荐策略推荐的产品中选择相应产品比例的产品作为候选推荐产品;通过预先训练的排序模型对所述候选推荐产品进行排序。本申请通过根据用户场景选择适合该用户场景下多种推荐策略综合进行产品推荐,有效地提高了推荐产品的丰富性和准确性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种产品推荐方法及装置,电子设备。
背景技术
随着移动互联网的发展,O2O(Online-to-Offline)平台提供的本地生活化服务,极大的方便了人们的生活,在O2O平台上的搜索需求也逐渐增多,为用户推荐感兴趣产品的需求也日益急迫。现有的推荐方法是基于用户历史行为的推荐,构建用户物品矩阵,采用基于协同过滤、相似内容、用户分群等推荐方法,推荐用户可能喜欢的物品,产生的结果比较单一。即便是采用一种策略为主要推荐手段,其他策略作为推荐结果补充的推荐方式,例如:采用基于物品的协同过滤推荐方法为主推荐产品,并基于用户的协同过滤推荐方法对推荐结果进行补充,推荐的产品仍旧不够丰富,并且准确性较低。
可见,现有技术中的产品推荐方法至少存在推荐的产品不够丰富,并且准确性较低的问题。
发明内容
本申请实施例提供一种产品推荐方法,解决现有技术中的产品推荐方法存在的推荐的产品不够丰富,并且准确性较低的问题。
为了解决上述问题,第一方面,本申请实施例提供了一种产品推荐方法,包括:
确定用户访问行为的用户场景;
确定与所述用户场景匹配的至少一个产品推荐策略,以及每个所述产品推荐策略推荐的产品比例;
在每个所述产品推荐策略推荐的产品中选择相应产品比例的产品作为候选推荐产品;
通过预先训练的排序模型对所述候选推荐产品进行排序。
第二方面,本申请实施例提供了一种产品推荐装置,包括:
用户场景确定模块,用于确定用户访问行为的用户场景;
产品推荐策略及比例确定模块,用于确定与所述用户场景确定模块确定的用户场景匹配的至少一个产品推荐策略,以及每个所述产品推荐策略推荐的产品比例;
候选推荐产品确定模块,用于在每个所述产品推荐策略推荐的产品中选择相应产品比例的产品作为候选推荐产品;
排序模块,用于通过预先训练的排序模型对所述候选推荐产品确定模块确定的候选推荐产品进行排序。
第三方面,本申请实施例提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本申请实施例公开的所述的产品推荐方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时本申请实施例公开的所述产品推荐方法的步骤。
本申请实施例公开的产品推荐方法,通过确定用户访问行为的用户场景;确定与所述用户场景匹配的至少一个产品推荐策略,以及每个所述产品推荐策略推荐的产品比例;在每个所述产品推荐策略推荐的产品中选择相应产品比例的产品作为候选推荐产品;通过预先训练的排序模型对所述候选推荐产品进行排序,解决了现有技术中的产品推荐方法存在的推荐的产品不够丰富,并且准确性较低的问题。本申请通过根据用户场景选择适合该用户场景下多种推荐策略综合进行产品推荐,有效地提高了推荐产品的丰富性和准确性。通过结合预先训练的排序模型对多个产品推荐策略推荐的产品进行混合排序,将与用户需求最贴近的产品排位提前,进一步提升了用户体验。
附图说明
为了更清楚地说明本申请实施例的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例一的产品推荐方法的流程图;
图2是本申请实施例二的产品推荐方法的流程图;
图3是本申请实施例三的产品推荐装置结构图之一;
图4是本申请实施例三的产品推荐装置结构图之二。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请实施例公开的产品推荐方法推荐的产品可以为:团购订单、外卖订单、酒店、KTV预定等,还可以是美食、娱乐场所或项目、旅游景点、榜单头条(如:新闻、文章)等,本申请对此不做限定。本申请实施例公开的产品推荐方法不仅适用于O2O平台,还是用于其它网络平台,如购物网站、信息发布应用,本申请的时实例中仅以O2O平台的应用场景为例进行说明。
实施例一
本申请公开的一种产品推荐方法,如图1所示,该方法包括:步骤100至步骤130。
步骤100,确定用户访问行为的用户场景。
所述访问行为的用户场景根据平台的具体业务需求确定,用户描述用户行为的具体场景,例如可以包括:到店场景、外卖场景、商场场景和差旅场景。优选的,根据所述访问请求信息、上下文信息,和所述用户画像信息,确定所述访问行为的用户场景。
具体实施时,首先,确定用户访问行为的访问请求信息和实时上下文信息,并确定访问行为的发起用户的用户画像信息。
本申请实施例中的用户访问行为包括:用户浏览O2O平台或其他平台的网站页面,通过平台客户端在平台执行筛选、搜索操作,或登录平台等访问行为。用户访问行为的访问请求信息包括用户访问行为的访问时间、地理位置,以及所述访问行为所处地理位置的环境信息,如wifi连接情况、天气情况等信息。例如,用户访问O2O平台时,O2O平台服务器获取的当前系统时间,作为用户访问行为的访问时间;用户通过O2O平台客户端浏览O2O平台的页面时,客户端通过GPS定位模块获取当前地理位置,例如用户的移动终端的地理位置,并发送给服务器,作为用户访问行为的地理位置;所述访问请求信息还可以包括客户端所处环境的wifi连接状态,以及连接的wifi名称。用户访问行为的上下文信息指用户在客户端的浏览记录的相关信息。例如,用户在发生当前访问行为之前点击了外卖页面,浏览了榜单信息,则用户访问行为的事实上下文信息可以包括:点击了“外卖”、“榜单”。
用户画像信息为描述用户身份属性及产品偏好的信息,是对用户信息全貌进行刻画,包括:用户性别、年龄、星座等静态身份属性信息,还包括根据用户的历史行为日志分析、抽象得到的动态信息,如:常驻城市、用户的类别偏好、价格偏好等产品偏好信息。广义的用户画像信息还包括用户的:点击物品信息、购买物品信息等短时用户行为。具体实施时,系统会根据用户的注册信息、历史行为日志等确定用户的画像信息。
然后,根据所述访问请求信息、上下文信息,和所述用户画像信息,确定所述访问行为的用户场景。
可以根据所述访问请求信息、上下文信息,和所述用户画像信息,确定所述访问行为的用户场景。例如,当根据用户请求信息的时间确定当前用户行为的时间为外卖时间,根据访问请求信息和所述画像信息确定用户所在位置为用户家中,根据上下文信息确定用户的浏览记录为美食、外卖,则可以确定当前用户行为的用户场景为外卖场景。
具体实施时,可以提取当前用户行为相关的所述访问请求信息、上下文信息,和所述用户画像信息的场景特征,并利用预先训练的用户场景分类器对提取的场景特征进行识别,以确定所述访问行为的用户场景。
步骤110,确定与所述用户场景匹配的至少一个产品推荐策略,以及每个所述产品推荐策略推荐的产品比例。
具体实施时,根据具体业务需求,为每个用户行为预先定义多个产品推荐策略,例如:协同过滤推荐策略、基于内容推荐策略、社交推荐策略、Query Based推荐、附近实时热销推荐策略,以及实时意图推荐策略等。然后,根据确定的用户场景选择合适的产品推荐策略进行产品推荐。
例如,某一用户进入O2O平台的外卖页面之后,根据该用户的用户行为的访问请求信息、上下文信息和所述用户画像信息确定用户场景为外卖场景,然后,确定对应外卖场景的产品推荐策略,以及各产品推荐策略推荐的产品比例。
具体实施时,当没有用户历史行为日志时,可以根据所述用户行为的访问请求信息、上下文信息和所述用户画像信息确定对应外卖场景的产品推荐策略,以及各产品推荐策略推荐的产品比例。例如,在没有用户历史行为日志或无法获取用户历史行为日志时,如果所述访问请求信息指示当前用户行为的时间为外卖时间,所述上下文信息指示用户点击了“外卖”,则可以确定为当前用户行为的外卖场景采用附近实时热销推荐策略,以及实时意图推荐策略。
当可以获得用户历史行为日志时,可以根据用户历史行为日志确定当前用户场景适用的产品推荐策略,以及每个产品推荐策略的推荐的产品比例;或者,结合用户历史行为日志和实时行为日志确定当前用户场景适用的产品推荐策略,以及每个产品推荐策略的推荐的产品比例。
步骤120,在每个所述产品推荐策略推荐的产品中选择相应产品比例的产品作为候选推荐产品。
确定当前用户场景可选的产品推荐策略之后,通过每个可选的产品推荐策略分别进行产品推荐,获取多组候选推荐产品。然后,按照确定的每个产品推荐策略的产品比例,在每组候选推荐产品中选择相应数量的推荐产品,作为候选推荐产品。例如:在产品推荐策略1给出的候选推荐产品中选择20%的候选推荐产品,在产品推荐策略2给出的候选推荐产品中选择50%的候选推荐产品,在产品推荐策略3给出的候选推荐产品中选择30%的候选推荐产品,将按比例选择的所有推荐产品作为候选推荐产品。
步骤130,通过预先训练的排序模型对所述候选推荐产品进行排序。
获取候选推荐产品,通过预先训练的排序模型对所有候选推荐产品进行混合排序,并按照混合排序后的顺序推荐给用户。具体实施时。排序模型可以根据用户历史行为日志预先离线训练,也可以根据实时获取的用户行为日志实时训练,本申请对排序模型的建模方式不做限定。
本申请实施例公开的产品推荐方法,通过确定用户访问行为的用户场景;确定与所述用户场景匹配的至少一个产品推荐策略,以及每个所述产品推荐策略推荐的产品比例;在每个所述产品推荐策略推荐的产品中选择相应产品比例的产品作为候选推荐产品;通过预先训练的排序模型对所述候选推荐产品进行排序,解决了现有技术中的产品推荐方法存在的推荐的产品不够丰富,并且准确性较低的问题。本申请通过根据用户场景选择适合该用户场景下多种推荐策略综合进行产品推荐,有效地提高了推荐产品的丰富性和准确性。通过结合预先训练的排序模型对多个产品推荐策略推荐的产品进行混合排序,将与用户需求最贴近的产品排位提前,进一步提升了用户体验。
实施例二
本实施例公开的一种产品推荐方法,如图2所示,该方法包括:步骤200至步骤270。
步骤200,基于用户行为日志获取训练样本。
训练排序模型时,首先要采集训练样本。采集的训练样本可以是用户历史行为日志和以往产品数据,如O2O平台前1年所有用户的行为日志和产品数据;也可以包括用户实时行为日志和当前线上产品数据。具体实施时,会根据用户行为的不同,进行数据的筛选,例如根据skip-above原则采集训练样本,用户点击过的产品作为正样本,没有点击过的且有效的曝光的产品作为负样本,根据用户点击后的页面停留时间筛选正样本,根据正负样本的比例不同,有时还需要过采样或者欠采样操作。正样本通常指产生过预设类型用户行为的产品搜索日志记录的产品,例如用户点击过或者购买过的团单;负样本通常指的是曝光但未产生过预设类型用户行为的产品搜索日志记录的产品,或者产生过预设类型用户行为但有差评的产品。
步骤210,基于每个所述训练样本中的用户画像信息、访问行为的访问请求信息和上下文信息、产品信息,提取排序特征。
所述访问请求信息为用户访问行为的时间、地点,及由所述时间和/或地点确定的自然环境的信息;所述上下文信息为所述用户的浏览记录的描述信息;所述用户画像信息为描述用户身份属性及产品偏好的信息;所述产品信息为描述产品的用户需求的信息。
具体实施时,提取每条用户行为日志的用户画像信息、访问请求信息及上下文信息、产品信息,对获取的信息数据进行预处理,然后从预处理后的数据中提取排序特征。
排序特征至少包括以下四个维度:用户画像维度、访问请求维度、上下文维度和产品维度。每个维度的特征又进一步包括多个子维度特征。例如,用户维度特征可以包括:性别、年龄、星座、消费偏好、类别偏好等;访问请求维度特征可以包括:访问时间、访问位置、商圈、wifi连接状态、天气等和访问请求的时间、地理位置等;上下文维度特征包括如:点击过“外卖”、“今日头条”;产品维度特征可以包括:POI(兴趣点)星级、团单价格、人气、外卖配送、历史好评等。将从训练数据中提取的上述四个维度的特征按照预设规则构成排序特征向量。
步骤220,根据所有训练样本的排序特征训练排序模型。
将排序特征向量输入预定的模型进行训练,进而预测排序的结果。常用的排序模型包括Point Wise排序模型,例如逻辑回归模型;PairWise排序模型,例如SVM Rank或RankNet;ListWise排序模型,例如AdaRank或SoftRank。根据不同的排序模型,常用的实施例会采用相应的线下评估指标进行评估,包括AUC(Area Under Curve)、NDCG(NormalizedDiscounted Cumulative Gain)、MAP(Mean Average Precision)等离线指标。根据离线指标的变化,可以不断优化提取的特征,以提升训练得到的排序模型的效果。
具体实施时,在根据用户历史行为数据训练得到排序模型之后,排序模型上线后,会进行AB测试。即随机向一组用户展示A版排序结果,随机向另外一组用户展示对照版本B的排序结果,然后分别计算A、B版本的关键业务指标,用于区分排序的优劣。优选的,所述关键业务指标包括:用户点击率、用户停留时间、新颖度、万曝光订单量等指标。根据评估指标的变化,会反馈给特征工程模块进行迭代,以不断优化排序模型。
步骤230,根据用户历史行为日志训练用户场景分类器。
具体实施时,首先根据不同业务场景的需求,预先定义多个用户场景,并定义每个用户场景的场景特征。例如,预先定义用户场景包括:到店场景、商场场景、外卖场景、差旅场景、夜生活场景,观影场景等。并定义每个用户场景的场景特征。每个用户场景的场景特征举例如下表:
具体实施时,可以根据不同业务场景的专家知识确定用户场景以及各业务场景的场景特征,也可以通过对不同业务场景的用户行为日志进行聚类,挖掘用户场景和各业务场景的场景特征,本申请对用户场景的定义方法和用户场景中的具体场景特征的获取方式不做限定。具体实施时,用户场景的种类,以及各用户场景的场景特征也不限于上表中所列数据。
在获取到用户访问行为的所述访问请求信息、上下文信息,和所述画像信息之后,从所述所述访问请求信息、上下文信息,和所述画像信息中提取场景特征,然后,通过训练的用户场景分类器确定所述访问行为的用户场景。
训练用户场景识别分类器的具体方法包括:根据每条用户历史行为日志,获取一组用户画像信息、用户请求信息及上下文信息;分别从获取的每组所述用户画像信息、用户请求信息及上下文信息中提取进行用户场景识别的不同维度的一组场景特征;设置每组所述场景特征的用户场景标签;对于每一个用户场景,将具有该场景对应的用户场景标签的所有组场景特征作为正样本,将具有其他场景标签的所有组场景特征作为负样本,训练该用户场景分类器。具体实施时,场景特征可以包括:location(用户位置)、Time(访问时间)、weather(实时访问环境天气)、wifiSignal(实时访问环境wifi状态)、userPrefProduct(用户偏好产品)、userPrefCat(用户偏好分类)、userWorkPos(用户工作地点)、userHomePos(用户家的地点)等维度特征构成的场景特征向量。
具体实施时,根据不同的业务场景,每个用户场景的场景特征可能会有所不同,场景特征维度越多,对用户场景的刻画越细致。本申请的实施例中,场景特征包括三个维度:用户画像维度、用户访问行为的访问请求维度和用户访问行为的上下文维度。每个维度又包括多个子维度。如,以上的location(用户位置)、Time(访问时间)、weather(实时访问环境天气)、wifiSignal(实时访问环境wifi状态)属于用户访问行为的访问请求维度;用户浏览历史包括点击和购买产品属于用户访问行为的上下文维度;userPrefProduct(用户偏好产品)、userPrefCat(用户偏好分类)、userWorkPos(用户工作地点)、userHomePos(用户家的地点)属于用户画像维度。
假设预先定义了的用户场景有四种,分别为:到店场景、外卖场景、商场场景、差旅场景;提取的场景特征以:用户位置、天气、wifi信号状态、用户产品偏好、用户工作地这五个子维度特征为例,训练以上四种用户场景的用户场景识别分类器时,主要包括以下四个步骤。
第一步,根据每条用户历史行为日志,获取一组用户画像信息、用户请求信息及上下文信息。
首先,获取最近一段时间,如1个月的用户历史行为日志,如:点击、购买O2O平台的产品的日志)。然后,根据每条用户历史行为日志,获取一组用户画像、用户请求及上下文信息。具体实施时,用户历史行为日志中会记录相应的用户标识、该条日志的具体用户行为(如点击、购买)、所述用户行为的访问请求信息,如用户位置、访问时间;所述用户行为所处环境的天气、wifi信号状态等。根据用户标识进一步可以获取到该用户的用户画像信息,如:用户产品偏好、用户价格偏好、用户工作地、用户家的地址等。
第二步,分别从获取的每组所述用户画像信息、用户请求信息及上下文信息中提取进行用户场景识别的一组场景特征。
在根据用户历史行为日志,获取到多组用户画像信息、用户请求信息及上下文信息之后,分别从获取的每组所述用户画像信息、用户请求信息及上下文信息中提取进行用户场景识别的一组场景特征。本实施例中,提取到的场景特征包括如:用户位置、天气、wifi信号状态、用户产品偏好、用户工作地五个维度。
第三步,设置每组所述场景特征的用户场景标签。
从每条用户行为日志中提取到一组场景特征之后,根据用户行为日志中的用户场景信息为相应的场景特征设置用户场景标签。即,对于用户行为日志中记载为“外卖场景”的日志,将从该日志中提取的场景特征的用户场景标签设置为“外卖场景”;对于用户行为日志中记载为“到店场景”的日志,将从该日志中提取的场景特征的用户场景标签设置为“到店场景”;对于用户行为日志中记载为“商场场景”的日志,将从该日志中提取的场景特征的用户场景标签设置为“商场场景”;对于用户行为日志中记载为“差旅场景”的日志,将从该日志中提取的场景特征的用户场景标签设置为“差旅场景”。至此,每组用户场景的场景特征通过场景标签对应一个用户场景。
第四步,对于每一个用户场景,将具有该场景对应的用户场景标签的所有组场景特征作为正样本,将具有其他场景标签的所有组场景特征作为负样本,训练相应的用户场景分类器。
在训练“外卖场景”的用户场景分类器时,将场景标签为“外卖场景”的场景特征作为正样本,将场景标签为“到店场景”、“商场场景”和“差旅场景”的场景特征作为负样本,构建一对一的支持向量机多分类算法分类器(1-vs-1SVMs),得到外卖场景分类器。同理,在训练“到店场景”的用户场景分类器时,将场景标签为“到店场景”的场景特征作为正样本,将场景标签为“外卖场景”、“商场场景”和“差旅场景”的场景特征作为负样本,构建一对一的支持向量机多分类算法分类器(1-vs-1SVMs),得到到店场景分类器。以此类推,采用相同的办法,可以训练得到各个用户场景的分类器。
步骤240,根据用户访问行为的访问请求信息和上下文信息、所述用户的用户画像信息,确定所述访问行为的用户场景。
确定用户访问行为的用户场景时,优选的,根据用户访问行为的访问请求信息和上下文信息、所述用户的用户画像信息,确定所述访问行为的用户场景。根据用户访问行为的访问请求信息和上下文信息、所述用户的用户画像信息,确定所述访问行为的用户场景,包括:确定用户访问行为的访问请求信息和上下文信息,及所述用户的用户画像信息;基于所述访问请求信息和上下文信息、所述用户画像信息,提取场景特征;通过预先训练的用户场景分类器对所述场景特征进行识别,确定所述访问行为的用户场景。通过结合用户画像信息、访问行为的访问请求信息和上下文信息训练用户场景分类器,并识别用户访问行为的用户场景,由于充分考虑了用户自身信息以及访问行为相关的实时信息,可以提高用户场景识别的准确度。
确定用户访问行为的访问请求信息和上下文信息,并确定访问行为的发起用户的用户画像信息的具体方法参见实施例一中的相关步骤,此处不再赘述。
通过预先训练的用户场景分类器对所述访问请求信息、所述上下文信息和所述用户画像信息进行识别,确定所述访问行为的用户场景时:首先,从所述用户行为的所述访问请求信息、所述上下文信息和所述用户画像信息中分别提取预设维度的场景特征;然后,将提取的所有场景特征按照预设规则构成场景特征向量;最后,将所述场景特征向量输入至预先训练的用户场景分类器进行场景识别。从所述用户行为的所述访问请求信息、所述上下文信息和所述用户画像信息中分别提取预设维度的场景特征的具体方法与训练用户场景分类器时相同,此处不再赘述。将提取的所有场景特征按照预设规则构成场景特征向量的具体方法与训练用户场景分类器时相同,此处不再赘述。
具体实施时,每个用户场景对应一个用户场景分类器,如果根据业务需求需要M个用户场景,则需要预先训练M个用户场景分类器。在进行场景识别时,将获取的场景特征向量分别至预先训练的用户场景分类器,每个用户场景分类器都将得到一个识别得分,将得分最高的用户场景分类器对应的用户场景确定为当前用户行为所处的用户场景。
步骤250,确定与所述用户场景匹配的至少一个产品推荐策略,以及每个所述产品推荐策略推荐的产品比例。
具体实施时,根据业务场景的需要,为每个用户预先定义多个产品推荐策略,例如:协同过滤推荐策略、基于内容推荐策略、社交推荐策略、Query Based推荐、附近实时热销推荐策略,以及实时意图推荐策略等。然后,根据实际需要为每个用户场景选择合适的产品推荐策略,进行产品推荐。例如,
当没有用户历史行为日志时,可以将每个产品推荐策略的推荐的产品比例设置为相同值。例如,有N个产品推荐策略,则确定与所述用户场景匹配的产品推荐策略为N个,每个产品推荐策略所推荐的产品比例为1/N。
当没有用户历史行为日志时,所述确定与所述用户场景匹配的至少一个产品推荐策略,以及每个所述产品推荐策略推荐的产品比例,包括:根据所述访问请求信息、上下文信息和所述用户画像信息,确定与所述用户场景匹配的至少一个产品推荐策略和每个所述产品推荐策略推荐的产品比例。例如,提取所述访问请求信息、上下文信息和所述用户画像信息中的仅有的信息,或预先设定的权重最高的信息,按照预设的产品推荐策略匹配规则,确定与所述用户场景匹配的产品推荐策略。每个产品推荐策略推荐的产品比率根据与所述用户场景匹配的产品推荐策略的数量,以及预设的各产品推荐策略的权重确定。以获取到用户画像信息为偏好外卖为例,如果没有获取到上下文信息和访问行为的地点,则当根据访问行为的请求信息中的时间信息确定为外卖时间时,确定与所述用户场景匹配的产品推荐策略为附近实时热销推荐策略,以及实时意图推荐策略。
当有用户历史行为日志时,所述确定与所述用户场景匹配的至少一个产品推荐策略,以及每个所述产品推荐策略推荐的产品比例,还包括:根据用户历史行为日志,确定与所述用户场景匹配的至少一个产品推荐策略和每个所述产品推荐策略推荐的产品比例。具体实施时,根据用户历史行为日志,确定与所述用户场景匹配的至少一个产品推荐策略和每个所述产品推荐策略推荐的产品比例包括:根据用户的历史行为日志,确定所述用户场景下每个产品推荐策略推荐的产品比例;将推荐的产品比例大于预设阈值的产品推荐策略作为所述用户场景匹配的产品推荐策略;其中,每个产品推荐策略推荐的产品比例为:用户的历史行为日志中,预设行为类型的第一加权次数与相应行为类型的第二加权次数的比值;所述第一加权次数为所述用户对该产品推荐策略推荐的产品产生预设行为类型的加权次数,所述第二加权次数为所述用户对所述用户场景下所有产品推荐策略推荐的产品产生相应行为类型的加权次数。首先,根据用户的历史行为日志,确定所述用户场景下每个产品推荐策略i推荐的产品比例的计算公式如下:
上述公式中,分子为第一加权次数,即用户的历史行为日志中,所述用户对该产品推荐策略i(i取值为小于N的任意正整数)推荐的产品产生预设行为类型(如:点击、购买)的加权次数;分母为第二加权次数,即用户的历史行为日志中,所述用户对对所述用户场景S下所有产品推荐策略,包括:产品推荐策略1、……产品推荐策略N,推荐的产品产生相应行为类型(如:点击、购买)的加权次数。其中,N为可选产品推荐策略总数;表示在用户场景S下,用户历史行为日志中对策略i推荐的产品产生行为类型j的次数;Tj表示行为类型j的权重,例如行为类型j等于1表示点击行为、行为类型j等于2表示购买行为。具体实施时,不同行为类型的权重根据实际需要设定,本申请对此不作限定。例如,可以预先建立行为类型j和权重值Tj的对应关系,行为类型可以采用数字索引,如果有10种行为,j的取值可以为1~10,预先设置T1至T10的取值。然后,选择计算得到的产品比例大于预设阈值的产品推荐策略作为所述用户场景匹配的产品推荐策略。具体实施时,所述预设阈值可以设置为0。
当有用户历史行为日志时,所述确定与所述用户场景匹配的至少一个产品推荐策略,以及每个所述产品推荐策略推荐的产品比例,还包括:根据用户历史行为日志和实时行为日志,确定与所述用户场景匹配的至少一个产品推荐策略和每个所述产品推荐策略推荐的产品比例。具体实施时,根据用户历史行为日志和实时行为日志,确定与所述用户场景匹配的至少一个产品推荐策略和每个所述产品推荐策略推荐的产品比例包括:根据用户的历史行为日志和实时行为日志,确定所述用户场景下每个产品推荐策略推荐的产品比例;将推荐的产品比例大于预设阈值的产品推荐策略作为所述用户场景匹配的产品推荐策略;其中,每个产品推荐策略推荐的产品比例为:用户的历史行为日志和实时行为日志中,预设行为类型的第三加权次数与相应行为类型的第四加权次数的比值;所述第三加权次数为所述用户对该产品推荐策略推荐的产品产生预设行为类型的加权次数,所述第四加权次数为所述用户对所述用户场景下所有产品推荐策略推荐的产品产生相应行为类型的加权次数。
。首先,根据用户历史行为日志和实时行为日志,确定所述用户场景下每个产品推荐策略i推荐的产品比例的计算公式如下:
上述公式中,分子为第三加权次数,即用户历史行为日志和实时行为日志中,所述用户对该产品推荐策略i(i取值为小于N的任意正整数)推荐的产品产生预设行为类型(如:点击、购买)的加权次数;分母为第四加权次数,即用户历史行为日志和实时行为日志中,所述用户对所述用户场景S下所有产品推荐策略,包括:产品推荐策略1、……产品推荐策略N,推荐的产品产生相应行为类型(如:点击、购买)的加权次数。其中,N为可选产品推荐策略总数;表示在用户场景S下,用户历史行为日志中对策略i推荐的产品产生行为类型j的次数;在用户场景S下,用户实时行为日志中对策略i推荐的产品产生行为类型j的次数;Tj表示行为类型j的权重,例如行为类型j等于1表示点击行为、行为类型j等于2表示购买行为;λ为用户历史行为和用户实时行为的权重。具体实施时,λ取值可以为0.3,即在计算产品推荐策略推荐的产品比例时,更为重视用户实时行为。然后,选择计算得到的产品比例大于预设阈值的产品推荐策略作为所述用户场景匹配的产品推荐策略。具体实施时,所述预设阈值可以设置为0。
本申请实施例中,用户历史行为至预设时间之前的用户行为;用户实时行为指预设时间之后的用户行为。具体实施时,预设时间可以设置为6个小时或1天。
以用户场景包括四种,每个用户场景下,向用户推荐产品时,可以选择6种产品推荐策略为例具体说明产品推荐策略的确定,以及各产品推荐策略的产品比例的确定方法。例如,四种用户场景分别为:到店场景、外卖场景、商场场景和差旅场景,即S可以取值为1~4;6种产品推荐策略分别为:协同过滤推荐策略、基于内容推荐策略、社交推荐策略、QueryBased推荐、附近实时热销推荐策略,以及实时意图推荐策略,即产品推荐策略i取值可以为1~6。当没有用户历史行为日志时,用户场景1下的产品推荐策略1的产品比例可以初始化为若存在用户历史行为日志,则可以根据预设时间之前的用户历史行为日志确定用户场景1下的6种产品推荐策略的各自产品比例。具体实施时,用户行为日志会记录该条日志的用户行为、对应的产品推荐策略、用户场景等信息。通过对预设时间之前的用户历史行为日志进行分析可以确定每个用户场景下某个产品推荐策略推荐的产品发生预设用户行为类型的用户行为的日志数量然后,根据公式1可以计算得到每个用户场景下各产品推荐策略推荐的产品比例,如:
优选的,根据用户历史行为日志和实时行为日志,进行实时迭代计算,确定用户场景1至4下,产品推荐策略1至6推荐的产品比例。通过对预设时间之前的用户历史行为日志进行分析,可以确定每个用户场景下某个产品推荐策略推荐的产品发生预设用户行为类型的用户行为的日志数量,即通过对预设时间之内的用户实时行为日志进行分析,可以确定每个用户场景下某个产品推荐策略推荐的产品发生预设用户行为类型的用户行为的日志数量,即根据公式2可以计算得到每个用户场景下各产品推荐策略推荐的产品比例,如:
此处的预设时间可以为6个小时,预设用户行为类型可以为点击或购买。
经过对用户历史行为日志的分析,可以分别确定用户场景1、用户场景2、用户场景3和用户场景4下6种产品推荐策略的各自产品比例。
本实施例中,用户的行为类型举例为:点击和购买。具体实施时,用户的行为类型还可以包括用户的收藏、评论等行为。
具体实施时,为了提高推荐的产品的准确率,可以根据业务规则配置每种产品的产品推荐策略所推荐的最小产品比例,即比例阈值,当出现计算得到的某个用户场景的某一产品推荐策略的产品比例过小时,忽略此产品推荐策略。即选择产品比例大于预设比例阈值的所有产品推荐策略作为该用户场景的产品推荐策略。
步骤260,在每个所述产品推荐策略推荐的产品中选择相应产品比例的产品作为候选推荐产品。
确定当前用户场景可选的产品推荐策略之后,通过每个可选的产品推荐策略分别进行产品推荐,获取多组候选推荐产品。然后,按照确定的每个产品推荐策略的产品比例,在每组候选推荐产品中选择相应数量的推荐产品,作为候选推荐产品。例如:在产品推荐策略1给出的候选推荐产品中选择20%的候选推荐产品,在产品推荐策略2给出的候选推荐产品中选择50%的候选推荐产品,在产品推荐策略3给出的候选推荐产品中选择30%的候选推荐产品,将按比例选择的所有推荐产品作为候选推荐产品。
步骤270,通过预先训练的排序模型对所述候选推荐产品进行排序。
通过预先训练的排序模型对所述候选推荐产品进行排序,包括:基于所述访问行为的访问请求信息和上下文信息、所述用户画像信息,以及每个候选推荐产品的产品信息,提取排序特征;根据所述排序特征,通过预先训练的排序模型对所述候选推荐产品进行排序。
获取到候选推荐产品之后,按照训练排序模型相同的方法提取每个候选推荐产品的产品维度特征,然后,结合基于所述访问行为的访问请求信息和上下文信息、所述用户画像信息提取的用户画像维度特征、访问请求维度特征和上下文维度特征,构成每个候选推荐产品的排序特征向量;最后,通过预先训练的排序模型对每个候选推荐产品的排序特征向量计算排序得分,并根据得到的排序得分对所有待推荐产品进行混合排序,并按照混合排序后的顺序推荐给用户。基于所述访问行为的访问请求信息和上下文信息、所述用户画像信息提取的用户画像维度特征、访问请求维度特征和上下文维度特征,采用与训练排序模型时提取相应维度的排序特征相同的方法,此处不再赘述。根据产品维度特征、用户画像维度特征、访问请求维度特征和上下文维度特征构成每个待推荐产品的排序特征向量的具体方法与训练排序模型时生成排序特征向量相同,此处不再赘述。
具体实施时,排序模型可以根据用户历史行为日志预先离线训练,也可以根据实时获取的用户行为日志实时训练,本申请对排序模型的训练时机不做限定。本申请的实施例中仅以根据用户历史行为日志预先离线训练排序模型为例,说明排序模型的具体训练方法。若采用实时训练拍训模型的方法来训练拍训模型,则在本步骤中,首先基于用户行为日志获取训练样本,所述用户行为日志可以为当前时间点之前的任何用户行为日志;然后,获取每个所述训练样本中的用户画像信息、访问行为的访问请求信息和上下文信息、产品信息,构成排序特征向量;最后,根据所有训练样本的排序特征向量训练排序模型。根据所有训练样本的排序特征向量训练排序模型参见前述步骤,此处不再赘述。
本申请实施例公开的产品推荐方法,通过根据用户历史行为日志中用户访问行为的访问请求信息和上下文信息、所述用户的用户画像信息训练用户场景分类器,以及结合产品信息训练排序模型;并在检测到有用户访问行为时,根据用户访问行为的访问请求信息和上下文信息、所述用户的用户画像信息,确定所述访问行为的用户场景;确定与所述用户场景匹配的至少一个产品推荐策略,以及每个所述产品推荐策略推荐的产品比例;在每个所述产品推荐策略推荐的产品中选择相应产品比例的产品作为候选推荐产品;通过预先训练的排序模型对所述候选推荐产品进行排序,解决了现有技术中的产品推荐方法存在的推荐的产品不够丰富,并且准确性较低的问题。
本申请通过根据用户场景选择适合该用户场景下多种推荐策略综合进行产品推荐,有效地提高了推荐产品的丰富性和准确性。通过结合用户行为日志训练用户场景分类器,并自动识别用户场景,使得结合用户场景进行产品推荐得到的产品准确度更高,并进一步提升了用户体验。
通过结合用户画像信息、访问行为的访问请求信息和上下文信息,以及产品信息训练排序模型,并通过所述排序模型对推荐产品基于上述信息提取的排序特征进行排序,由于充分考虑了用户自身信息以及访问行为相关的实时信息,以及产品的固有特征和动态特征,可以使排序结果更符合用户的需求,可以进一步提升用户体验。
实施例三
本实施例公开的一种产品推荐装置,如图3所示,该装置包括:
用户场景确定模块300,用于确定用户访问行为的用户场景;
产品推荐策略及比例确定模块310,用于确定与所述用户场景确定模块确定的用户场景匹配的至少一个产品推荐策略,以及每个所述产品推荐策略推荐的产品比例;
候选推荐产品确定模块320,用于在每个所述产品推荐策略推荐的产品中选择相应产品比例的产品作为候选推荐产品;
排序模块330,用于通过预先训练的排序模型对所述候选推荐产品确定模块确定的候选推荐产品进行排序。
本申请实施例公开的产品推荐装置,通过根据确定用户访问行为的用户场景;确定与所述用户场景匹配的至少一个产品推荐策略,以及每个所述产品推荐策略推荐的产品比例;在每个所述产品推荐策略推荐的产品中选择相应产品比例的产品作为候选推荐产品;通过预先训练的排序模型对所述候选推荐产品进行排序,解决了现有技术中的产品推荐方法存在的推荐的产品不够丰富,并且准确性较低的问题。本申请通过根据用户场景选择适合该用户场景下多种推荐策略综合进行产品推荐,有效地提高了推荐产品的丰富性和准确性。
可选的,所述用户场景确定模块300,进一步用于:
根据用户访问行为的访问请求信息和上下文信息、所述用户的用户画像信息,确定所述访问行为的用户场景。
可选的,如图4所示,所述用户场景确定模块300包括:
关键信息确定单元3001,用于确定用户访问行为的访问请求信息和上下文信息,及所述用户的用户画像信息;
场景特征提取单元3002,用于基于所述关键信息确定单元确定的访问请求信息和上下文信息、所述用户画像信息,提取场景特征;
用户场景确定单元3003,用于通过预先训练的用户场景分类器对所述场景特征进行识别,确定所述访问行为的用户场景。
具体实施时,可选的,所述产品推荐装置还包括:
用户场景分类器训练模块(图中未示出),用于根据用户历史行为日志训练用户场景分类器。
具体实施时,可选的,所述产品推荐策略及比例确定模块310用于:根据用户历史行为日志,确定与所述用户场景匹配的至少一个产品推荐策略和每个所述产品推荐策略推荐的产品比例。
可选的,所述产品推荐策略及比例确定模块310进一步包括:
第一产品比例确定单元3101,用于根据用户的历史行为日志,确定所述用户场景下每个产品推荐策略推荐的产品比例;
第一产品推荐策略确定单元3102,用于将推荐的产品比例大于预设阈值的产品推荐策略作为所述用户场景匹配的产品推荐策略;
其中,每个产品推荐策略推荐的产品比例为:用户的历史行为日志中,预设行为类型的第一加权次数与相应行为类型的第二加权次数的比值;所述第一加权次数为所述用户对该产品推荐策略推荐的产品产生预设行为类型的加权次数,所述第二加权次数为所述用户对所述用户场景下所有产品推荐策略推荐的产品产生相应行为类型的加权次数。
具体实施时,可选的,所述产品推荐策略及比例确定模块310用于:
根据用户历史行为日志和实时行为日志,确定与所述用户场景匹配的至少一个产品推荐策略和每个所述产品推荐策略推荐的产品比例。
可选的,所述产品推荐策略及比例确定模块310进一步包括:
第二产品比例确定单元3103,用于根据用户的历史行为日志和实时行为日志,确定所述用户场景下每个产品推荐策略推荐的产品比例;
第二产品推荐策略确定单元3104,用于将推荐的产品比例大于预设阈值的产品推荐策略作为所述用户场景匹配的产品推荐策略;
其中,每个产品推荐策略推荐的产品比例为:用户的历史行为日志和实时行为日志中,预设行为类型的第三加权次数与相应行为类型的第四加权次数的比值;所述第三加权次数为所述用户对该产品推荐策略推荐的产品产生预设行为类型的加权次数,所述第四加权次数为所述用户对所述用户场景下所有产品推荐策略推荐的产品产生相应行为类型的加权次数。
具体实施时,可选的,所述产品推荐策略及比例确定模块310还用于:当没有用户历史行为日志时,根据所述访问请求信息、上下文信息和所述用户画像信息,确定与所述用户场景匹配的至少一个产品推荐策略和每个所述产品推荐策略推荐的产品比例。或者,将与所述用户场景匹配的产品推荐策略设置为所有已定义产品推荐策略,将每个产品推荐策略推荐的产品比例设置为1/N,其中,N为所有已定义产品推荐策略的总数。
可选的,如图4所示,所述排序模块330包括:
排序特征提取单元3301,用于基于所述访问行为的访问请求信息和上下文信息、所述用户画像信息,以及每个候选推荐产品的产品信息,提取排序特征;
排序单元3302,用于根据所述排序特征,通过预先训练的排序模型对所述候选推荐产品进行排序。
具体实施时,可选的,所述产品推荐装置还包括:
排序模型训练模块(图中未示出),用于基于用户行为日志获取训练样本,然后,基于每个所述训练样本中的用户画像信息、访问行为的访问请求信息和上下文信息、产品信息,提取排序特征,并根据所有训练样本的排序特征训练排序模型。
可选的,所述访问请求信息为用户访问行为的时间、地点,及由所述时间和/或地点确定的自然环境的信息;所述上下文信息为所述用户的浏览记录的描述信息;所述用户画像信息为描述用户身份属性及产品偏好的信息。通过结合用户画像信息、访问行为的访问请求信息和上下文信息训练用户场景分类器,并确定用户访问行为的用户场景,由于充分考虑了用户自身信息以及访问行为相关的实时信息,可以提高用户场景识别的准确度。
本实施例公开的产品推荐装置的各模块和各单元的具体实施方式参见方法实施例部分的相应步骤,此处不再赘述。
通过结合预先训练的排序模型对多个产品推荐策略推荐的产品进行混合排序,将与用户需求最贴近的产品排位提前,进一步提升了用户体验。通过结合用户行为日志训练用户场景分类器,并自动识别用户场景,使得结合用户场景进行产品推荐得到的产品准确度更高,并进一步提升了用户体验。
通过结合用户画像信息、访问行为的访问请求信息和上下文信息,以及产品信息训练排序模型,并通过所述排序模型对推荐产品基于上述信息提取的排序特征进行排序,由于充分考虑了用户自身信息以及访问行为相关的实时信息,以及产品的固有特征和动态特征,可以使排序结果更符合用户的需求,可以进一步提升用户体验。
相应的,本申请还公开了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本申请实施例一和实施例二所述的产品推荐方法。所述电子设备可以为PC机、移动终端、个人数字助理、平板电脑等。
本申请还公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请实施例一和实施例三所述的产品推荐方法的步骤。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上对本申请提供的一种产品推荐方法、装置进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
Claims (20)
1.一种产品推荐方法,其特征在于,包括:
确定用户访问行为的用户场景;
确定与所述用户场景匹配的至少一个产品推荐策略,以及每个所述产品推荐策略推荐的产品比例;
在每个所述产品推荐策略推荐的产品中选择相应产品比例的产品作为候选推荐产品;
通过预先训练的排序模型对所述候选推荐产品进行排序。
2.根据权利要求1所述的方法,其特征在于,所述确定用户访问行为的用户场景的步骤,包括:
根据用户访问行为的访问请求信息和上下文信息、所述用户的用户画像信息,确定所述访问行为的用户场景。
3.根据权利要求2所述的方法,其特征在于,所述根据用户访问行为的访问请求信息和上下文信息、所述用户的用户画像信息,确定所述访问行为的用户场景的步骤,包括:
确定用户访问行为的访问请求信息和上下文信息,及所述用户的用户画像信息;
基于所述访问请求信息和上下文信息、所述用户画像信息,提取场景特征;
通过预先训练的用户场景分类器对所述场景特征进行识别,确定所述访问行为的用户场景。
4.根据权利要求1所述的方法,其特征在于,所述确定与所述用户场景匹配的至少一个产品推荐策略,以及每个所述产品推荐策略推荐的产品比例的步骤,包括:
根据用户历史行为日志,确定与所述用户场景匹配的至少一个产品推荐策略和每个所述产品推荐策略推荐的产品比例。
5.根据权利要求4所述的方法,其特征在于,所述根据用户历史行为日志,确定与所述用户场景匹配的至少一个产品推荐策略和每个所述产品推荐策略推荐的产品比例的步骤,包括:
根据用户的历史行为日志,确定所述用户场景下每个产品推荐策略推荐的产品比例;
将推荐的产品比例大于预设阈值的产品推荐策略作为所述用户场景匹配的产品推荐策略;
其中,每个产品推荐策略推荐的产品比例为:用户的历史行为日志中,预设行为类型的第一加权次数与相应行为类型的第二加权次数的比值;所述第一加权次数为所述用户对该产品推荐策略推荐的产品产生预设行为类型的加权次数,所述第二加权次数为所述用户对所述用户场景下所有产品推荐策略推荐的产品产生相应行为类型的加权次数。
6.根据权利要求1所述的方法,其特征在于,所述确定与所述用户场景匹配的至少一个产品推荐策略,以及每个所述产品推荐策略推荐的产品比例的步骤,包括:
根据用户历史行为日志和实时行为日志,确定与所述用户场景匹配的至少一个产品推荐策略和每个所述产品推荐策略推荐的产品比例。
7.根据权利要求6所述的方法,其特征在于,所述根据用户历史行为日志和实时行为日志,确定与所述用户场景匹配的至少一个产品推荐策略和每个所述产品推荐策略推荐的产品比例的步骤,包括:
根据用户的历史行为日志和实时行为日志,确定所述用户场景下每个产品推荐策略推荐的产品比例;
将推荐的产品比例大于预设阈值的产品推荐策略作为所述用户场景匹配的产品推荐策略;
其中,每个产品推荐策略推荐的产品比例为:用户的历史行为日志和实时行为日志中,预设行为类型的第三加权次数与相应行为类型的第四加权次数的比值;所述第三加权次数为所述用户对该产品推荐策略推荐的产品产生预设行为类型的加权次数,所述第四加权次数为所述用户对所述用户场景下所有产品推荐策略推荐的产品产生相应行为类型的加权次数。
8.根据权利要求1所述的方法,其特征在于,所述通过预先训练的排序模型对所述候选推荐产品进行排序的步骤,包括:
基于所述访问行为的访问请求信息和上下文信息、所述用户画像信息,以及每个候选推荐产品的产品信息,提取排序特征;
根据所述排序特征,通过预先训练的排序模型对所述候选推荐产品进行排序。
9.根据权利要求2或3所述的方法,其特征在于,所述访问请求信息为用户访问行为的时间、地点,及由所述时间和/或地点确定的自然环境的信息;所述上下文信息为所述用户的浏览记录的描述信息;所述用户画像信息为描述用户身份属性及产品偏好的信息。
10.一种产品推荐装置,其特征在于,包括:
用户场景确定模块,用于确定用户访问行为的用户场景;
产品推荐策略及比例确定模块,用于确定与所述用户场景确定模块确定的用户场景匹配的至少一个产品推荐策略,以及每个所述产品推荐策略推荐的产品比例;
候选推荐产品确定模块,用于在每个所述产品推荐策略推荐的产品中选择相应产品比例的产品作为候选推荐产品;
排序模块,用于通过预先训练的排序模型对所述候选推荐产品确定模块确定的候选推荐产品进行排序。
11.根据权利要求10所述的装置,其特征在于,所述用户场景确定模块,进一步用于:
根据用户访问行为的访问请求信息和上下文信息、所述用户的用户画像信息,确定所述访问行为的用户场景。
12.根据权利要求11所述的装置,其特征在于,所述用户场景确定模块包括:
关键信息确定单元,用于确定用户访问行为的访问请求信息和上下文信息,及所述用户的用户画像信息;
场景特征提取单元,用于基于所述关键信息确定单元确定的访问请求信息和上下文信息、所述用户画像信息,提取场景特征;
用户场景确定单元,用于通过预先训练的用户场景分类器对所述场景特征进行识别,确定所述访问行为的用户场景。
13.根据权利要求10所述的装置,其特征在于,所述产品推荐策略及比例确定模块用于:
根据用户历史行为日志,确定与所述用户场景匹配的至少一个产品推荐策略和每个所述产品推荐策略推荐的产品比例。
14.根据权利要求13所述的装置,其特征在于,所述产品推荐策略及比例确定模块进一步包括:
第一产品比例确定单元,用于根据用户的历史行为日志,确定所述用户场景下每个产品推荐策略推荐的产品比例;
第一产品推荐策略确定单元,用于将推荐的产品比例大于预设阈值的产品推荐策略作为所述用户场景匹配的产品推荐策略;
其中,每个产品推荐策略推荐的产品比例为:用户的历史行为日志中,预设行为类型的第一加权次数与相应行为类型的第二加权次数的比值;所述第一加权次数为所述用户对该产品推荐策略推荐的产品产生预设行为类型的加权次数,所述第二加权次数为所述用户对所述用户场景下所有产品推荐策略推荐的产品产生相应行为类型的加权次数。
15.根据权利要求10所述的装置,其特征在于,所述产品推荐策略及比例确定模块用于:
根据用户历史行为日志和实时行为日志,确定与所述用户场景匹配的至少一个产品推荐策略和每个所述产品推荐策略推荐的产品比例。
16.根据权利要求15所述的装置,其特征在于,所述产品推荐策略及比例确定模块进一步包括:
第二产品比例确定单元,用于根据用户的历史行为日志和实时行为日志,确定所述用户场景下每个产品推荐策略推荐的产品比例;
第二产品推荐策略确定单元,用于将推荐的产品比例大于预设阈值的产品推荐策略作为所述用户场景匹配的产品推荐策略;
其中,每个产品推荐策略推荐的产品比例为:用户的历史行为日志和实时行为日志中,预设行为类型的第三加权次数与相应行为类型的第四加权次数的比值;所述第三加权次数为所述用户对该产品推荐策略推荐的产品产生预设行为类型的加权次数,所述第四加权次数为所述用户对所述用户场景下所有产品推荐策略推荐的产品产生相应行为类型的加权次数。
17.根据权利要求10所述的装置,其特征在于,所述排序模块包括:
排序特征提取单元,用于基于所述访问行为的访问请求信息和上下文信息、所述用户画像信息,以及每个候选推荐产品的产品信息,提取排序特征;
排序单元,用于根据所述排序特征,通过预先训练的排序模型对所述候选推荐产品进行排序。
18.根据权利要求11或12所述的装置,其特征在于,所述访问请求信息为用户访问行为的时间、地点,及由所述时间和/或地点确定的自然环境的信息;所述上下文信息为所述用户的浏览记录的描述信息;所述用户画像信息为描述用户身份属性及产品偏好的信息。
19.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至9任意一项权利要求所述的产品推荐方法。
20.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至9任意一项所述的产品推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710453139.5A CN107424043B (zh) | 2017-06-15 | 2017-06-15 | 一种产品推荐方法及装置,电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710453139.5A CN107424043B (zh) | 2017-06-15 | 2017-06-15 | 一种产品推荐方法及装置,电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107424043A true CN107424043A (zh) | 2017-12-01 |
CN107424043B CN107424043B (zh) | 2021-06-25 |
Family
ID=60428235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710453139.5A Active CN107424043B (zh) | 2017-06-15 | 2017-06-15 | 一种产品推荐方法及装置,电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107424043B (zh) |
Cited By (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108415970A (zh) * | 2018-02-08 | 2018-08-17 | 北京三快在线科技有限公司 | 检索结果排序方法、装置、电子设备及存储介质 |
CN108460667A (zh) * | 2018-04-08 | 2018-08-28 | 王备战 | 一种基于用户vr漫游行为反馈的文化内容推荐方法 |
CN108830689A (zh) * | 2018-06-13 | 2018-11-16 | 深圳乐信软件技术有限公司 | 物品推荐方法、装置、服务器和存储介质 |
CN108921673A (zh) * | 2018-07-16 | 2018-11-30 | 广州友米科技有限公司 | 基于大数据的商品推荐方法 |
CN109041035A (zh) * | 2018-09-28 | 2018-12-18 | Oppo广东移动通信有限公司 | 用户画像生成方法、装置、终端及存储介质 |
CN109064278A (zh) * | 2018-07-26 | 2018-12-21 | 北京三快在线科技有限公司 | 目标对象推荐方法及装置、电子设备、存储介质 |
CN109121006A (zh) * | 2018-08-02 | 2019-01-01 | 中国联合网络通信集团有限公司 | 一种基于直播观看用户的营销方法及平台 |
CN109255070A (zh) * | 2018-08-01 | 2019-01-22 | 百度在线网络技术(北京)有限公司 | 推荐信息处理方法、装置、计算机设备及存储介质 |
CN109918568A (zh) * | 2019-03-13 | 2019-06-21 | 百度在线网络技术(北京)有限公司 | 个性化学习方法、装置、电子设备及存储介质 |
CN109919731A (zh) * | 2019-03-15 | 2019-06-21 | 南京亿猫信息技术有限公司 | 基于线下购物过程的产品推荐模块 |
EP3506124A1 (en) * | 2017-12-29 | 2019-07-03 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for processing fusion data and information recommendation system |
CN109993559A (zh) * | 2017-12-29 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 模型训练方法和系统 |
CN110008973A (zh) * | 2018-11-23 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种模型训练方法、基于模型确定目标用户的方法及装置 |
CN110083634A (zh) * | 2019-03-19 | 2019-08-02 | 中国平安人寿保险股份有限公司 | 基于数据分析的订单处理方法、装置、设备及存储介质 |
CN110348930A (zh) * | 2018-04-08 | 2019-10-18 | 阿里巴巴集团控股有限公司 | 业务对象数据处理方法、业务对象信息的推荐方法和装置 |
CN110413882A (zh) * | 2019-07-15 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 信息推送方法、装置及设备 |
CN110428295A (zh) * | 2018-08-01 | 2019-11-08 | 北京京东尚科信息技术有限公司 | 商品推荐方法和系统 |
CN110442796A (zh) * | 2019-08-14 | 2019-11-12 | 北京思维造物信息科技股份有限公司 | 一种推荐策略分桶方法、装置及设备 |
CN110472146A (zh) * | 2019-07-29 | 2019-11-19 | 深圳数位传媒科技有限公司 | 线下服务推荐方法与装置、存储介质及计算机设备 |
CN110473040A (zh) * | 2018-05-10 | 2019-11-19 | 北京三快在线科技有限公司 | 一种产品推荐方法及装置,电子设备 |
CN110533515A (zh) * | 2019-09-04 | 2019-12-03 | 深圳创新奇智科技有限公司 | 一种高吞吐低延迟的电商个性化推荐方法及装置 |
CN110609856A (zh) * | 2019-08-22 | 2019-12-24 | 贵州省广播电视信息网络股份有限公司 | 一种基于人工智能推荐ab报表统计的方法 |
CN110659410A (zh) * | 2019-08-16 | 2020-01-07 | 平安科技(深圳)有限公司 | 智能推荐方法及装置、电子设备、计算机可读存储介质 |
CN110688579A (zh) * | 2019-10-08 | 2020-01-14 | 北京星选科技有限公司 | 对象推送方法、装置、电子设备及存储介质 |
CN110766493A (zh) * | 2018-07-26 | 2020-02-07 | 阿里巴巴集团控股有限公司 | 业务对象提供方法、服务器、电子设备、存储介质 |
CN110827046A (zh) * | 2018-08-07 | 2020-02-21 | 北京京东尚科信息技术有限公司 | 一种场景推荐的方法和装置 |
CN110910201A (zh) * | 2019-10-18 | 2020-03-24 | 中国平安人寿保险股份有限公司 | 信息推荐的控制方法、装置、计算机设备及存储介质 |
CN111026971A (zh) * | 2019-12-25 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 内容的推送方法及装置、计算机存储介质 |
CN111311420A (zh) * | 2020-02-21 | 2020-06-19 | 深圳市思迪信息技术股份有限公司 | 一种业务数据的推送方法及装置 |
CN111460279A (zh) * | 2020-02-25 | 2020-07-28 | 拉扎斯网络科技(上海)有限公司 | 信息推荐方法、装置、存储介质及计算机设备 |
CN111753182A (zh) * | 2019-03-28 | 2020-10-09 | 北京达佳互联信息技术有限公司 | 多媒体信息推荐方法、装置、电子设备及可读存储介质 |
CN111782950A (zh) * | 2020-06-30 | 2020-10-16 | 北京三快在线科技有限公司 | 样本数据集获取方法、装置、设备及存储介质 |
CN111967914A (zh) * | 2020-08-26 | 2020-11-20 | 珠海格力电器股份有限公司 | 基于用户画像的推荐方法、装置、计算机设备和存储介质 |
CN112116411A (zh) * | 2020-08-10 | 2020-12-22 | 第四范式(北京)技术有限公司 | 一种用于商品推荐的排序模型的训练方法、装置及系统 |
CN112163159A (zh) * | 2020-10-09 | 2021-01-01 | 北京百度网讯科技有限公司 | 资源推荐和参数确定方法、装置、设备及介质 |
CN112181127A (zh) * | 2019-07-02 | 2021-01-05 | 上海浦东发展银行股份有限公司 | 用于人机交互的方法和装置 |
CN112232915A (zh) * | 2019-12-23 | 2021-01-15 | 北京来也网络科技有限公司 | 结合rpa与ai的商品推荐方法和装置 |
CN112232880A (zh) * | 2019-12-23 | 2021-01-15 | 北京来也网络科技有限公司 | 结合rpa与ai的商品推荐方法和装置 |
CN112288517A (zh) * | 2019-12-23 | 2021-01-29 | 北京来也网络科技有限公司 | 结合rpa与ai的商品推荐方法和装置 |
CN113407816A (zh) * | 2020-03-17 | 2021-09-17 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
CN113469765A (zh) * | 2020-03-31 | 2021-10-01 | 珠海优特智厨科技有限公司 | 订单信息的处理方法、装置、设备及计算机可读存储介质 |
CN113763084A (zh) * | 2020-09-21 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 产品推荐的处理方法、装置、设备及存储介质 |
CN114398560A (zh) * | 2022-03-24 | 2022-04-26 | 深圳市秦丝科技有限公司 | 基于web平台的营销界面设置方法、装置、设备及介质 |
CN116205710A (zh) * | 2023-02-21 | 2023-06-02 | 深圳市道旅旅游科技股份有限公司 | 一种酒店推荐方法、存储介质和计算机设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271558A (zh) * | 2008-05-16 | 2008-09-24 | 华东师范大学 | 基于上下文信息的多策略商品推荐系统 |
US20090248495A1 (en) * | 2008-04-01 | 2009-10-01 | Certona Corporation | System and method for combining and optimizing business strategies |
CN102800006A (zh) * | 2012-07-23 | 2012-11-28 | 姚明东 | 基于客户购物意图挖掘的实时商品推荐方法 |
CN105184618A (zh) * | 2015-10-20 | 2015-12-23 | 广州唯品会信息科技有限公司 | 新用户的商品个性化推荐方法及系统 |
CN105589971A (zh) * | 2016-01-08 | 2016-05-18 | 车智互联(北京)科技有限公司 | 训练推荐模型的方法、装置及推荐系统 |
CN106296270A (zh) * | 2016-07-29 | 2017-01-04 | 北京小米移动软件有限公司 | 商品推荐方法及装置 |
CN106327227A (zh) * | 2015-06-19 | 2017-01-11 | 北京航天在线网络科技有限公司 | 一种信息推荐系统及信息推荐方法 |
CN106445971A (zh) * | 2015-08-11 | 2017-02-22 | 北京奇虎科技有限公司 | 一种应用推荐方法和系统 |
-
2017
- 2017-06-15 CN CN201710453139.5A patent/CN107424043B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090248495A1 (en) * | 2008-04-01 | 2009-10-01 | Certona Corporation | System and method for combining and optimizing business strategies |
CN101271558A (zh) * | 2008-05-16 | 2008-09-24 | 华东师范大学 | 基于上下文信息的多策略商品推荐系统 |
CN102800006A (zh) * | 2012-07-23 | 2012-11-28 | 姚明东 | 基于客户购物意图挖掘的实时商品推荐方法 |
CN106327227A (zh) * | 2015-06-19 | 2017-01-11 | 北京航天在线网络科技有限公司 | 一种信息推荐系统及信息推荐方法 |
CN106445971A (zh) * | 2015-08-11 | 2017-02-22 | 北京奇虎科技有限公司 | 一种应用推荐方法和系统 |
CN105184618A (zh) * | 2015-10-20 | 2015-12-23 | 广州唯品会信息科技有限公司 | 新用户的商品个性化推荐方法及系统 |
CN105589971A (zh) * | 2016-01-08 | 2016-05-18 | 车智互联(北京)科技有限公司 | 训练推荐模型的方法、装置及推荐系统 |
CN106296270A (zh) * | 2016-07-29 | 2017-01-04 | 北京小米移动软件有限公司 | 商品推荐方法及装置 |
Cited By (58)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993559A (zh) * | 2017-12-29 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 模型训练方法和系统 |
EP3506124A1 (en) * | 2017-12-29 | 2019-07-03 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for processing fusion data and information recommendation system |
US11061966B2 (en) | 2017-12-29 | 2021-07-13 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for processing fusion data and information recommendation system |
CN108415970A (zh) * | 2018-02-08 | 2018-08-17 | 北京三快在线科技有限公司 | 检索结果排序方法、装置、电子设备及存储介质 |
CN108460667A (zh) * | 2018-04-08 | 2018-08-28 | 王备战 | 一种基于用户vr漫游行为反馈的文化内容推荐方法 |
CN110348930A (zh) * | 2018-04-08 | 2019-10-18 | 阿里巴巴集团控股有限公司 | 业务对象数据处理方法、业务对象信息的推荐方法和装置 |
CN110473040A (zh) * | 2018-05-10 | 2019-11-19 | 北京三快在线科技有限公司 | 一种产品推荐方法及装置,电子设备 |
CN108830689A (zh) * | 2018-06-13 | 2018-11-16 | 深圳乐信软件技术有限公司 | 物品推荐方法、装置、服务器和存储介质 |
CN108921673A (zh) * | 2018-07-16 | 2018-11-30 | 广州友米科技有限公司 | 基于大数据的商品推荐方法 |
CN110766493A (zh) * | 2018-07-26 | 2020-02-07 | 阿里巴巴集团控股有限公司 | 业务对象提供方法、服务器、电子设备、存储介质 |
CN109064278B (zh) * | 2018-07-26 | 2021-04-02 | 北京三快在线科技有限公司 | 目标对象推荐方法及装置、电子设备、存储介质 |
CN109064278A (zh) * | 2018-07-26 | 2018-12-21 | 北京三快在线科技有限公司 | 目标对象推荐方法及装置、电子设备、存储介质 |
CN110766493B (zh) * | 2018-07-26 | 2023-04-28 | 阿里巴巴集团控股有限公司 | 业务对象提供方法、服务器、电子设备、存储介质 |
CN109255070A (zh) * | 2018-08-01 | 2019-01-22 | 百度在线网络技术(北京)有限公司 | 推荐信息处理方法、装置、计算机设备及存储介质 |
CN109255070B (zh) * | 2018-08-01 | 2022-04-12 | 百度在线网络技术(北京)有限公司 | 推荐信息处理方法、装置、计算机设备及存储介质 |
CN110428295A (zh) * | 2018-08-01 | 2019-11-08 | 北京京东尚科信息技术有限公司 | 商品推荐方法和系统 |
CN109121006A (zh) * | 2018-08-02 | 2019-01-01 | 中国联合网络通信集团有限公司 | 一种基于直播观看用户的营销方法及平台 |
CN109121006B (zh) * | 2018-08-02 | 2021-02-02 | 中国联合网络通信集团有限公司 | 一种基于直播观看用户的营销方法及平台 |
CN110827046A (zh) * | 2018-08-07 | 2020-02-21 | 北京京东尚科信息技术有限公司 | 一种场景推荐的方法和装置 |
CN109041035A (zh) * | 2018-09-28 | 2018-12-18 | Oppo广东移动通信有限公司 | 用户画像生成方法、装置、终端及存储介质 |
CN110008973B (zh) * | 2018-11-23 | 2023-05-02 | 创新先进技术有限公司 | 一种模型训练方法、基于模型确定目标用户的方法及装置 |
CN110008973A (zh) * | 2018-11-23 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种模型训练方法、基于模型确定目标用户的方法及装置 |
CN109918568A (zh) * | 2019-03-13 | 2019-06-21 | 百度在线网络技术(北京)有限公司 | 个性化学习方法、装置、电子设备及存储介质 |
CN109918568B (zh) * | 2019-03-13 | 2021-06-01 | 百度在线网络技术(北京)有限公司 | 个性化学习方法、装置、电子设备及存储介质 |
CN109919731A (zh) * | 2019-03-15 | 2019-06-21 | 南京亿猫信息技术有限公司 | 基于线下购物过程的产品推荐模块 |
CN110083634A (zh) * | 2019-03-19 | 2019-08-02 | 中国平安人寿保险股份有限公司 | 基于数据分析的订单处理方法、装置、设备及存储介质 |
CN110083634B (zh) * | 2019-03-19 | 2024-02-06 | 中国平安人寿保险股份有限公司 | 基于数据分析的订单处理方法、装置、设备及存储介质 |
CN111753182A (zh) * | 2019-03-28 | 2020-10-09 | 北京达佳互联信息技术有限公司 | 多媒体信息推荐方法、装置、电子设备及可读存储介质 |
CN112181127A (zh) * | 2019-07-02 | 2021-01-05 | 上海浦东发展银行股份有限公司 | 用于人机交互的方法和装置 |
CN110413882B (zh) * | 2019-07-15 | 2023-10-31 | 创新先进技术有限公司 | 信息推送方法、装置及设备 |
CN110413882A (zh) * | 2019-07-15 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 信息推送方法、装置及设备 |
CN110472146A (zh) * | 2019-07-29 | 2019-11-19 | 深圳数位传媒科技有限公司 | 线下服务推荐方法与装置、存储介质及计算机设备 |
CN110442796A (zh) * | 2019-08-14 | 2019-11-12 | 北京思维造物信息科技股份有限公司 | 一种推荐策略分桶方法、装置及设备 |
CN110659410A (zh) * | 2019-08-16 | 2020-01-07 | 平安科技(深圳)有限公司 | 智能推荐方法及装置、电子设备、计算机可读存储介质 |
CN110659410B (zh) * | 2019-08-16 | 2024-04-02 | 平安科技(深圳)有限公司 | 智能推荐方法及装置、电子设备、计算机可读存储介质 |
CN110609856A (zh) * | 2019-08-22 | 2019-12-24 | 贵州省广播电视信息网络股份有限公司 | 一种基于人工智能推荐ab报表统计的方法 |
CN110533515A (zh) * | 2019-09-04 | 2019-12-03 | 深圳创新奇智科技有限公司 | 一种高吞吐低延迟的电商个性化推荐方法及装置 |
CN110688579A (zh) * | 2019-10-08 | 2020-01-14 | 北京星选科技有限公司 | 对象推送方法、装置、电子设备及存储介质 |
CN110910201B (zh) * | 2019-10-18 | 2023-08-29 | 中国平安人寿保险股份有限公司 | 信息推荐的控制方法、装置、计算机设备及存储介质 |
CN110910201A (zh) * | 2019-10-18 | 2020-03-24 | 中国平安人寿保险股份有限公司 | 信息推荐的控制方法、装置、计算机设备及存储介质 |
CN112232915A (zh) * | 2019-12-23 | 2021-01-15 | 北京来也网络科技有限公司 | 结合rpa与ai的商品推荐方法和装置 |
CN112288517A (zh) * | 2019-12-23 | 2021-01-29 | 北京来也网络科技有限公司 | 结合rpa与ai的商品推荐方法和装置 |
CN112232880A (zh) * | 2019-12-23 | 2021-01-15 | 北京来也网络科技有限公司 | 结合rpa与ai的商品推荐方法和装置 |
CN112232880B (zh) * | 2019-12-23 | 2024-04-09 | 北京来也网络科技有限公司 | 结合rpa与ai的商品推荐方法和装置 |
CN111026971A (zh) * | 2019-12-25 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 内容的推送方法及装置、计算机存储介质 |
CN111311420A (zh) * | 2020-02-21 | 2020-06-19 | 深圳市思迪信息技术股份有限公司 | 一种业务数据的推送方法及装置 |
CN111460279A (zh) * | 2020-02-25 | 2020-07-28 | 拉扎斯网络科技(上海)有限公司 | 信息推荐方法、装置、存储介质及计算机设备 |
CN113407816A (zh) * | 2020-03-17 | 2021-09-17 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
CN113469765A (zh) * | 2020-03-31 | 2021-10-01 | 珠海优特智厨科技有限公司 | 订单信息的处理方法、装置、设备及计算机可读存储介质 |
CN113469765B (zh) * | 2020-03-31 | 2024-04-05 | 珠海优特智厨科技有限公司 | 订单信息的处理方法、装置、设备及计算机可读存储介质 |
CN111782950A (zh) * | 2020-06-30 | 2020-10-16 | 北京三快在线科技有限公司 | 样本数据集获取方法、装置、设备及存储介质 |
CN112116411A (zh) * | 2020-08-10 | 2020-12-22 | 第四范式(北京)技术有限公司 | 一种用于商品推荐的排序模型的训练方法、装置及系统 |
CN111967914A (zh) * | 2020-08-26 | 2020-11-20 | 珠海格力电器股份有限公司 | 基于用户画像的推荐方法、装置、计算机设备和存储介质 |
CN113763084A (zh) * | 2020-09-21 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 产品推荐的处理方法、装置、设备及存储介质 |
CN112163159A (zh) * | 2020-10-09 | 2021-01-01 | 北京百度网讯科技有限公司 | 资源推荐和参数确定方法、装置、设备及介质 |
CN114398560B (zh) * | 2022-03-24 | 2022-05-27 | 深圳市秦丝科技有限公司 | 基于web平台的营销界面设置方法、装置、设备及介质 |
CN114398560A (zh) * | 2022-03-24 | 2022-04-26 | 深圳市秦丝科技有限公司 | 基于web平台的营销界面设置方法、装置、设备及介质 |
CN116205710A (zh) * | 2023-02-21 | 2023-06-02 | 深圳市道旅旅游科技股份有限公司 | 一种酒店推荐方法、存储介质和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107424043B (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107424043A (zh) | 一种产品推荐方法及装置,电子设备 | |
US11868409B2 (en) | Social network searching with breadcrumbs | |
EP3779841B1 (en) | Method, apparatus and system for sending information, and computer-readable storage medium | |
US11481461B2 (en) | Concept networks and systems and methods for the creation, update and use of same to select images, including the selection of images corresponding to destinations in artificial intelligence systems | |
US11907240B2 (en) | Method and system for presenting a search result in a search result card | |
Bennett et al. | Inferring and using location metadata to personalize web search | |
US11768893B2 (en) | Concept networks and systems and methods for the creation, update and use of same in artificial intelligence systems | |
CN107862553A (zh) | 广告实时推荐方法、装置、终端设备及存储介质 | |
US9116982B1 (en) | Identifying interesting commonalities between entities | |
WO2018040069A1 (zh) | 信息推荐系统及方法 | |
US20170214646A1 (en) | Systems and methods for providing social media location information | |
US20110313954A1 (en) | Community model based point of interest local search | |
US9767417B1 (en) | Category predictions for user behavior | |
CN106776860A (zh) | 一种搜索摘要生成方法及装置 | |
CN110532351B (zh) | 推荐词展示方法、装置、设备及计算机可读存储介质 | |
US9767204B1 (en) | Category predictions identifying a search frequency | |
US9330071B1 (en) | Tag merging | |
US20100318427A1 (en) | Enhancing database management by search, personal search, advertising, and databases analysis efficiently using core-set implementations | |
US8799257B1 (en) | Searching based on audio and/or visual features of documents | |
Kabassi | Evaluating museum websites using a combination of decision-making theories | |
CN102893280A (zh) | 数据搜索装置、数据搜索方法和程序 | |
US10474670B1 (en) | Category predictions with browse node probabilities | |
CN104050243A (zh) | 一种将搜索与社交相结合的网络搜索方法及其系统 | |
Waga et al. | Context aware recommendation of location-based data | |
CN112100511B (zh) | 一种偏好程度数据获得方法、装置以及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |