CN108038217A - 信息推荐方法及装置 - Google Patents
信息推荐方法及装置 Download PDFInfo
- Publication number
- CN108038217A CN108038217A CN201711404550.XA CN201711404550A CN108038217A CN 108038217 A CN108038217 A CN 108038217A CN 201711404550 A CN201711404550 A CN 201711404550A CN 108038217 A CN108038217 A CN 108038217A
- Authority
- CN
- China
- Prior art keywords
- user
- platform
- class
- class user
- consumer behavior
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000006399 behavior Effects 0.000 claims description 64
- 238000003860 storage Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 4
- 230000005055 memory storage Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 11
- 235000013305 food Nutrition 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 210000004209 hair Anatomy 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- 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信息推荐方法及装置，涉及信息推荐领域。其中，所述方法包括：根据第一平台上的用户在第二平台上的第一消费行为将所述第一平台上的用户分为第一类用户和第二类用户；根据所述第一类用户和所述第二类用户的用户特征，从所述第二类用户中选取所述第一类用户的相似用户；基于所述相似用户在所述第二平台上的第二消费行为确定所述第二类用户在所述第二平台上的推荐对象。本发明实施例提供的技术方案本发明实施例能够得到具有针对性的推荐结果，能够解决平台因数据少而难以进行相对精准的信息推荐的技术问题。
Description
技术领域
本发明实施例涉及信息推荐领域，本发明实施例尤其涉及一种信息推荐方法及装置。
背景技术
在信息爆炸时代，为了提高信息的准确性、针对性等，各种信息推荐技术应运而生。
但是，现有的信息推荐技术大多基于同一平台上的用户数据对该平台上的用户进行信息推荐。这种信息推荐方式难以应用于用户数据较少的平台上。例如，对于新建立的平台或新推广的平台而言，由于用户数据少而难以采用现有的信息推荐技术得到准确的推荐结果。这种情况又称作冷启动问题。
发明内容
本发明实施例提供一种信息推荐方法及装置，用以解决现有技术的冷启动问题。
第一方面，本发明实施例中提供了一种信息推荐方法，包括：
根据第一平台上的用户在第二平台上的第一消费行为将所述第一平台上的用户分为第一类用户和第二类用户；
根据所述第一类用户和所述第二类用户的用户特征，从所述第二类用户中选取所述第一类用户的相似用户；
基于所述相似用户在所述第二平台上的第二消费行为确定所述第二类用户在所述第二平台上的推荐对象。
结合第一方面，本发明在第一方面的第一种实现方式中，
所述第一消费行为包括：是否下单和/或下单次数；
所述第二消费行为包括下单对象，或者包括下单对象和下单数量。
结合第一方面，本发明在第一方面的第二种实现方式中，所述方法包括：
根据所述第二类用户在所述第二平台上的所述第一消费行为更新所述第一类用户和所述第二类用户。
结合第一方面、第一方面的第一种实现方式或第一方面的第二种实现方式，所述根据所述第一类用户和所述第二类用户的用户特征，从所述第二类用户中选取所述第一类用户的相似用户，包括：
根据所述第一类用户和所述第二类用户在所述第一平台上的消费行为确定所述第一类用户和所述第二类用户在所述第一平台上的用户特征；
基于所述第一类用户和所述第二类用户在所述第一平台上的用户特征计算所述第一类用户中各用户与所述第二类用户中各用户的相似度；
基于所述相似度确定所述第二类用户中各用户的相似用户。
第二方面，本发明实施例提供了一种信息推荐装置，包括：
分类模块，用于根据第一平台上的用户在第二平台上的第一消费行为将所述第一平台上的用户分为第一类用户和第二类用户；
相似确定模块，用于根据所述第一类用户和所述第二类用户的用户特征，从所述第二类用户中选取所述第一类用户的相似用户；
对象确定模块，用于基于所述相似用户在所述第二平台上的第二消费行为确定所述第二类用户在所述第二平台上的推荐对象。
结合第二方面，本发明在第二方面的第一种实现方式中，
所述第一消费行为包括：是否下单和/或下单次数；
所述第二消费行为包括下单对象，或者包括下单对象和下单数量。
结合第二方面，本发明在第二方面的第二种实现方式中，所述装置还包括：
更新模块，用于根据所述第二类用户在所述第二平台上的第一消费行为更新所述第一类用户和所述第二类用户。
结合第二方面、第二方面的第一种实现方式或第二方面的第二种实现方式，本发明在第二方面的第三种实现方式中，所述相似确定模块包括：
特征子模块，用于根据所述第一类用户和所述第二类用户在所述第一平台上的消费行为确定所述第一类用户和所述第二类用户在所述第一平台上的用户特征；
相似度子模块，用于基于所述第一类用户和所述第二类用户在所述第一平台上的用户特征计算所述第一类用户中各用户与所述第二类用户中各用户的相似度；
相似确认子模块，用于基于所述相似度确定所述第二类用户中各用户的相似用户。
第三方面，本发明实施例提供了一种电子设备，包括一个或多个存储器和一个或多个处理器；其中，
所述一个或多个存储器用于存储一条或多条计算机指令，所述一条或多条计算机指令供所述一个或多个处理器调用执行；
所述一个或多个处理器用于执行所述一条或多条计算机指令从而实现如前述第一方面或其实现方式提供的信息推荐方法。
第四方面，本发明实施例提供了一种计算机存储介质，所述计算机存储介质存储有一条或多条计算机指令，所述计算机指令被执行时实现如前述第一方面或其实现方式提供的信息推荐方法。
本发明实施例能够解决平台因数据少而难以进行相对精准的信息推荐的技术问题。
本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
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一简单地介绍，显而易见地，下面描述中的附图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示出了根据本发明一个实施例的信息推荐方法的流程示意图；
图2示出了根据本发明一个实施例的确定相似用户的方法的流程示意图；
图3示出了根据本发明另一个实施例的信息推荐方法的流程示意图；
图4示出了根据本发明又一个实施例的信息推荐方法的流程示意图；
图5示出了根据本发明一个实施例的信息推荐装置的框图；
图6示出了图5信息推荐装置的相似确定模块的一种框图；
图7示出了根据本发明另一个实施例的信息推荐装置的框图；
图8示出了根据本发明一个实施例的电子设备的框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
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所获得的所有其他实施例，都属于本发明保护的范围。
图1是根据本发明一个实施例的信息推荐方法的流程示意图，参照图1，所述方法包括：
100：根据第一平台上的用户在第二平台上的第一消费行为将所述第一平台上的用户分为第一类用户和第二类用户。
在本发明中，第一平台和第二平台是不同的平台，例如，第一平台是餐饮平台，第二平台是商超平台；再例如，第一平台是诸如淘宝之类的电商平台，第二平台是诸如外卖之类的餐饮平台等。
在本发明中，第一平台相对于第二平台而言，在至少一个维度上具有更完善的信息，所述维度包括用户群、用户数量、用户信息、用户行为记录等。
102：根据所述第一类用户和所述第二类用户的用户特征，从所述第二类用户中选取所述第一类用户的相似用户。
可选地，在本实施例的一种实现方式中，所述第一类用户和所述第二类用户的用户特征可以预先确定或设定。
可选地，在本实施例的一种实现方式中，所述第一类用户和所述第二类用户的用户特征是指的所述第一类用户和所述第二类用户在第一平台上的用户特征，即，基于在第一平台上的相关信息提取的用户特征。
104：基于所述相似用户在所述第二平台上的第二消费行为确定所述第二类用户在所述第二平台上的推荐对象。换言之，将第二平台上的对象推荐给所述第二类用户。
采用本实施例提供的信息推荐方法，基于第一平台上的用户之间的相似性以及第一平台上的部分用户的消费行为，为第一平台上的其它部分用户推荐第二平台上的对象(例如，商品、服务、商品和服务的优惠券等)，具有以下效果：基于相似用户进行推荐，使得即使跨平台，信息推荐结果也具有针对性；通过计算第二类用户中每个用户的相似用户，使得最终推荐所覆盖的用户数量灵活可控，如有需要，可以覆盖所有的第二类用户；即使在第二平台上的用户数据较少的场景下(所谓的冷启动)，也可以针对第二类用户进行推荐，能够解决现有的平台初期用户较少导致的冷启动问题。
可选地，在本实施例的一种实现方式中，在处理100中，所述第一消费行为包括：是否下单和/或下单次数。换言之，在处理100中，可以根据第一平台上的用户是否在第二平台上下单，或者根据第一平台上的用户在第二平台上下单次数是否达到设定值，将第一平台上的用户分为第一类用户和第二类用户。其中，所述第一类用户为在第二平台下单或下单超过设定数量的用户，第二类用户为未在第二平台上下单或下单未超过设定数量的用户。
可选地，在本实施例的一种实现方式中，在处理104中，所述第二消费行为包括下单对象，或者包括下单对象和下单数量。具体而言，在处理104中，可以根据第二类用户的相似用户在第二平台上的下单对象确定第二类用户的推荐对象(例如，商品、服务、商品和服务的优惠券等)；也可以综合第二类用户的相似用户在第二平台上的下单对象以及下单数量，确定第二类用户的推荐对象。
在上述两种实现方式中，第一消费行为是用于对用户进行分类，第二消费行为是用于对推荐对象进行确定和筛选。在此基础上，结合本发明实施例及其实现方式所公开的内容，本领域技术人员应当理解，可以灵活、合理地设置第一消费行为和第二消费行为以实现上述目的，这同样落在本发明的保护范围内。
可选地，在本实施例的一种实现方式中，如图2所示，处理102中采用以下方式实现：
1020：根据所述第一类用户和所述第二类用户在所述第一平台上的消费行为确定所述第一类用户和所述第二类用户在所述第一平台上的用户特征。
1022：基于所述第一类用户和所述第二类用户在所述第一平台上的用户特征计算所述第一类用户中各用户与所述第二类用户中各用户的相似度。
1024：基于所述相似度确定所述第二类用户中各用户的相似用户。
采用该实现方式，能够基于第一平台上的用户特征计算第二类用户的相似用户。由于用户特征来源于同一平台，所以相似度能够比较准确地反映用户之间的相似性，这有利于提高跨平台推荐场景下的推荐结果的准确性。
可选地，在本实施例的一种实现方式中，一个第二类用户可能存在多个相似度相同的第一类用户，此时，在处理104中，可以将这些相似度相同的第一类用户的下单对象一起作为该第二类用户的推荐对象；还可以根据这些相似度相同的第一类用户的下单对象在当前的优惠力度、热度、好评度等特征对这些下单对象进行排序，然后根据排序结果选取一个或数个作为所述第二类用户的推荐对象。
图3是根据本发明实施例的一种信息推荐方法的流程示意图。参照图3，所述方法包括：
300：根据第一平台上的用户在第二平台上的第一消费行为将所述第一平台上的用户分为第一类用户和第二类用户。
在本发明中，第一平台和第二平台是不同的平台，例如，第一平台是餐饮平台，第二平台是商超平台；再例如，第一平台是诸如淘宝之类的电商平台，第二平台是诸如外卖之类的餐饮平台等。
在本发明中，第一平台相对于第二平台而言，在至少一个维度上具有更完善的信息，所述维度包括用户群、用户数量、用户信息、用户行为记录等。
302：根据所述第一类用户和所述第二类用户的用户特征，从所述第二类用户中选取所述第一类用户的相似用户。
可选地，在本实施例的一种实现方式中，所述第一类用户和所述第二类用户的用户特征可以预先确定或设定。
可选地，在本实施例的一种实现方式中，所述第一类用户和所述第二类用户的用户特征是指的所述第一类用户和所述第二类用户在第一平台上的用户特征，即，基于在第一平台上的相关信息提取的用户特征。
304：基于所述相似用户在所述第二平台上的第二消费行为确定所述第二类用户在所述第二平台上的推荐对象。换言之，将第二平台上的对象推荐给所述第二类用户。
306：根据所述第二类用户在所述第二平台上的所述第一消费行为更新所述第一类用户和所述第二类用户。
可选地，在本实施例的一种实现方式中，在处理306中，如果第二类用户中存在在第二平台上下单的用户，或者存在在第二平台上下单数量满足要求的用户，则将该用户从第二类用户中剔除并加入第一类用户。
采用本实施例提供的信息推荐方法，除了具有图1所示实施例及其实现方式的效果之外，还能通过更新所述第一类用户和所述第二类用户，提高后续推荐的针对性。并且，有利于根据第一类用户或第二类用户的变化，进一步分析用户行为。
可选地，在本实施例的一种实现方式中，可以周期性地循环执行处理300-306。例如，每一次推荐都执行处理300-306。
在本实施例中，关于处理300-304的详细说明，可以参考前文对于处理100-104的说明，此处不再赘述。
图4示出了根据本发明实施例的一种信息推荐方法的流程示意图。参照图4，以第一平台为餐饮平台、第二平台为商超平台为例，所述方法包括：
400：用户筛选，定位种子用户。
其中，所述种子用户为所述餐饮平台用户中在三个月(自定义)内于商超平台下过单的用户。
402：提取餐饮平台用户的用户特征。
可选地，在本实施例的一种实现方式中，提取所有用户的历史下单特征，包括：历史下单数、下单店铺数、访问数、打开应用程序的频次、团餐次数、价格敏感度、下单率等特征；提取用户本身的属性特征，包括性别、年龄、职业、收入、学历等特征。
404：基于余弦定理计算用户之间的相似度。
将所有用户分为两种，一种为商超用户也就是种子用户，一种为非商超用户，即所述餐饮平台用户中未在三个月(自定义)内于商超平台下过单的用户。
根据基于用户特征构建的特征向量，计算商超用户和非商超用户之间的余弦距离，对于每个非商超用户而言，选取其中相似度最高的商超用户，作为该非商超用户的相似用户。
406：信息推荐。
可选地，在本实施例的一种实现方式中，根据非商超用户的相似用户在商超平台的下单数据(包括：下单的商铺、下单的商品、下单次数等)，为非商超用户推荐对象(例如，商品、服务、商品和服务的优惠券等)。
可选地，在本实施例的一种实现方式中，在计算非商超用户和商超用户的相似度时，将商超用户下过单的商超商户记录在非商超用户后面，并将这两个用户之间的相似度作为这家商户的评分。因此，以发放优惠券为例，经过数据分析后，每一个用户后面都会有一个或者多个商户，每个商户后面还会有一个相似度的分数，根据这个相似度分数进行排序，按照分数的大小作为优先级选取其中一个或多个商户的优惠券发放给对应用户。
采用本实施例提供的方法，不仅能够以灵活的用户覆盖范围为用户提供针对性的推荐对象，还能解决商超平台在建设初期因用户数量少而存在的冷启动问题。
图5是根据本发明实施例的一种信息推荐装置的框图。参照图5，所述信息推荐装置包括分类模块50、相似确定模块52和对象确定模块54。下面进行详细说明。
在本实施例中，分类模块50用于根据第一平台上的用户在第二平台上的第一消费行为将所述第一平台上的用户分为第一类用户和第二类用户。
在本发明中，第一平台和第二平台是不同的平台，例如，第一平台是餐饮平台，第二平台是商超平台；再例如，第一平台是诸如淘宝之类的电商平台，第二平台是诸如外卖之类的餐饮平台等。
在本发明中，第一平台相对于第二平台而言，在至少一个维度上具有更完善的信息，所述维度包括用户群、用户数量、用户信息、用户行为记录等。
在本实施例中，相似确定模块52用于根据所述第一类用户和所述第二类用户的用户特征，从所述第二类用户中选取所述第一类用户的相似用户。
可选地，在本实施例的一种实现方式中，所述第一类用户和所述第二类用户的用户特征可以预先确定或设定。
可选地，在本实施例的一种实现方式中，所述第一类用户和所述第二类用户的用户特征是指的所述第一类用户和所述第二类用户在第一平台上的用户特征，即，基于在第一平台上的相关信息提取的用户特征。
在本实施例中，对象确定模块54用于基于所述相似用户在所述第二平台上的第二消费行为确定所述第二类用户在所述第二平台上的推荐对象。
采用本实施例提供的信息推荐装置，基于第一平台上的用户之间的相似性以及第一平台上的部分用户的消费行为，为第一平台上的其它部分用户推荐第二平台上的对象(例如，商品、服务、商品和服务的优惠券等)，具有以下效果：基于相似用户进行推荐，使得即使跨平台，信息推荐结果也具有针对性；通过计算第二类用户中每个用户的相似用户，使得最终推荐所覆盖的用户数量灵活可控，如有需要，可以覆盖所有的第二类用户；即使在第二平台上的用户数据较少的场景下(所谓的冷启动)，也可以针对第二类用户进行推荐，能够解决现有的平台初期用户较少导致的冷启动问题。
可选地，在本实施例的一种实现方式中，所述第一消费行为包括：是否下单和/或下单次数。换言之，分类模块50可以根据第一平台上的用户是否在第二平台上下单，或者根据第一平台上的用户在第二平台上下单次数是否达到设定值，将第一平台上的用户分为第一类用户和第二类用户。其中，所述第一类用户为在第二平台下单或下单超过设定数量的用户，第二类用户为未在第二平台上下单或下单未超过设定数量的用户。
可选地，在本实施例的一种实现方式中，所述第二消费行为包括下单对象，或者包括下单对象和下单数量。具体而言，对象确定模块54可以根据第二类用户的相似用户在第二平台上的下单对象确定第二类用户的推荐对象(例如，商品、服务、商品和服务的优惠券等)；也可以综合第二类用户的相似用户在第二平台上的下单对象以及下单数量，确定第二类用户的推荐对象。
在上述两种实现方式中，第一消费行为是用于对用户进行分类，第二消费行为是用于对推荐对象进行确定和筛选。在此基础上，结合本发明实施例及其实现方式所公开的内容，本领域技术人员应当理解，可以灵活、合理地设置第一消费行为和第二消费行为以实现上述目的，这同样落在本发明的保护范围内。
可选地，在本实施例的一种实现方式中，如图6所示，相似确定模块54包括：
特征子模块540，用于根据所述第一类用户和所述第二类用户在所述第一平台上的消费行为确定所述第一类用户和所述第二类用户在所述第一平台上的用户特征。
相似度子模块542，用于基于所述第一类用户和所述第二类用户在所述第一平台上的用户特征计算所述第一类用户中各用户与所述第二类用户中各用户的相似度。
相似确认子模块544，用于基于所述相似度确定所述第二类用户中各用户的相似用户。
采用该实现方式，能够基于第一平台上的用户特征计算第二类用户的相似用户。由于用户特征来源于同一平台，所以相似度能够比较准确地反映用户之间的相似性，这有利于提高跨平台推荐场景下的推荐结果的准确性。
图7是根据本发明实施例的一种信息推荐装置的框图。参照图7，所述信息推荐装置包括分类模块50、相似确定模块52、对象确定模块54和更新模块56。
在本实施例中，关于分类模块50、相似确定模块52和对象确定模块54的详细说明，请参照前文，此处不不赘述。
在本实施例中，更新模块56用于根据所述第二类用户在所述第二平台上的第一消费行为更新所述第一类用户和所述第二类用户。
可选地，在本实施例的一种实现方式中，如果第二类用户中存在在第二平台上下单的用户，或者存在在第二平台上下单数量满足要求的用户，则更新模块56将该用户从第二类用户中剔除并加入第一类用户。
采用本实施例提供的信息推荐装置，除了具有图5所示实施例及其实现方式的效果之外，还能通过更新所述第一类用户和所述第二类用户，提高后续推荐的针对性。并且，有利于根据第一类用户或第二类用户的变化，进一步分析用户行为。
可选地，在本实施例的一种实现方式中，所述信息推荐装置循环调用分类模块50、相似确定模块52、对象确定模块54和更新模块56。
在本发明中，除了以上信息推荐方法和信息推荐装置之外，本发明的一种实施例还提供一种计算机存储介质，其存储有一条或多条计算机指令，其中，所述一条或多条计算机指令被执行时实现如图1-图4所示的任一实施例或实现方式所提供的方法。
图8是根据本发明实施例的一种电子设备的框图。参照图8，该电子设备包括存储器80和处理器82。所述存储器80和处理器82的数量可以为一个或多个。其中，所述一个或多个存储器80存储有一条或多条计算机指令，以供所述一个或多个处理器82调用和执行；所述一个或多个处理器则用于执行所述一条或多条计算机指令时实现如图1-图4所示的任一实施例或实现方式所提供的方法。
可选地，在本实施例的一种实现方式中，如图8中虚线框所示，所述电子设备还包括输入输出接口，用于进行数据通信。
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。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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。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。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
本发明公开A1、一种信息推荐方法，包括：
根据第一平台上的用户在第二平台上的第一消费行为将所述第一平台上的用户分为第一类用户和第二类用户；
根据所述第一类用户和所述第二类用户的用户特征，从所述第二类用户中选取所述第一类用户的相似用户；
基于所述相似用户在所述第二平台上的第二消费行为确定所述第二类用户在所述第二平台上的推荐对象。
A2、根据A1所述的方法，
所述第一消费行为包括：是否下单和/或下单次数；
所述第二消费行为包括下单对象，或者包括下单对象和下单数量。
A3、根据A1所述的方法，所述方法包括：
根据所述第二类用户在所述第二平台上的所述第一消费行为更新所述第一类用户和所述第二类用户。
A4、根据A1-A3中任一项所述的方法，所述根据所述第一类用户和所述第二类用户的用户特征，从所述第二类用户中选取所述第一类用户的相似用户，包括：
根据所述第一类用户和所述第二类用户在所述第一平台上的消费行为确定所述第一类用户和所述第二类用户在所述第一平台上的用户特征；
基于所述第一类用户和所述第二类用户在所述第一平台上的用户特征计算所述第一类用户中各用户与所述第二类用户中各用户的相似度；
基于所述相似度确定所述第二类用户中各用户的相似用户。
本发明还公开B5、一种信息推荐装置，包括：
分类模块，用于根据第一平台上的用户在第二平台上的第一消费行为将所述第一平台上的用户分为第一类用户和第二类用户；
相似确定模块，用于根据所述第一类用户和所述第二类用户的用户特征，从所述第二类用户中选取所述第一类用户的相似用户；
对象确定模块，用于基于所述相似用户在所述第二平台上的第二消费行为确定所述第二类用户在所述第二平台上的推荐对象。
B6、如B5所述的装置，
所述第一消费行为包括：是否下单和/或下单次数；
所述第二消费行为包括下单对象，或者包括下单对象和下单数量。
B7、如B5所述的装置，还包括：
更新模块，用于根据所述第二类用户在所述第二平台上的第一消费行为更新所述第一类用户和所述第二类用户。
B8、如B5-B7中任一项所述的装置，所述相似确定模块包括：
特征子模块，用于根据所述第一类用户和所述第二类用户在所述第一平台上的消费行为确定所述第一类用户和所述第二类用户在所述第一平台上的用户特征；
相似度子模块，用于基于所述第一类用户和所述第二类用户在所述第一平台上的用户特征计算所述第一类用户中各用户与所述第二类用户中各用户的相似度；
相似确认子模块，用于基于所述相似度确定所述第二类用户中各用户的相似用户。
本发明还公开C9，一种计算机存储介质，其存储有一条或多条计算机指令，其中，所述一条或多条计算机指令被执行时实现如A1-A4中任一项所述的方法。
本发明还公开D10，一种电子设备，包括一个或多个存储器和一个或多个处理器，
其中，所述一个或多个存储器存储有一条或多条计算机指令，以供所述一个或多个处理器调用和执行；
其中，所述一个或多个处理器则用于执行所述一条或多条计算机指令时实现如A1-A4中任一项所述的方法。
Claims (10)
1.一种信息推荐方法，其特征在于，所述方法包括：
根据第一平台上的用户在第二平台上的第一消费行为将所述第一平台上的用户分为第一类用户和第二类用户；
根据所述第一类用户和所述第二类用户的用户特征，从所述第二类用户中选取所述第一类用户的相似用户；
基于所述相似用户在所述第二平台上的第二消费行为确定所述第二类用户在所述第二平台上的推荐对象。
2.如权利要求1所述的方法，其特征在于，
所述第一消费行为包括：是否下单和/或下单次数；
所述第二消费行为包括下单对象，或者包括下单对象和下单数量。
3.如权利要求1所述的方法，其特征在于，所述方法包括：
根据所述第二类用户在所述第二平台上的所述第一消费行为更新所述第一类用户和所述第二类用户。
4.如权利要求1-3中任一项所述的方法，其特征在于，所述根据所述第一类用户和所述第二类用户的用户特征，从所述第二类用户中选取所述第一类用户的相似用户，包括：
根据所述第一类用户和所述第二类用户在所述第一平台上的消费行为确定所述第一类用户和所述第二类用户在所述第一平台上的用户特征；
基于所述第一类用户和所述第二类用户在所述第一平台上的用户特征计算所述第一类用户中各用户与所述第二类用户中各用户的相似度；
基于所述相似度确定所述第二类用户中各用户的相似用户。
5.一种信息推荐装置，其特征在于，所述装置包括：
分类模块，用于根据第一平台上的用户在第二平台上的第一消费行为将所述第一平台上的用户分为第一类用户和第二类用户；
相似确定模块，用于根据所述第一类用户和所述第二类用户的用户特征，从所述第二类用户中选取所述第一类用户的相似用户；
对象确定模块，用于基于所述相似用户在所述第二平台上的第二消费行为确定所述第二类用户在所述第二平台上的推荐对象。
6.如权利要求5所述的装置，其特征在于，
所述第一消费行为包括：是否下单和/或下单次数；
所述第二消费行为包括下单对象，或者包括下单对象和下单数量。
7.如权利要求5所述的装置，其特征在于，所述装置还包括：
更新模块，用于根据所述第二类用户在所述第二平台上的第一消费行为更新所述第一类用户和所述第二类用户。
8.如权利要求5-7中任一项所述的装置，其特征在于，所述相似确定模块包括：
特征子模块，用于根据所述第一类用户和所述第二类用户在所述第一平台上的消费行为确定所述第一类用户和所述第二类用户在所述第一平台上的用户特征；
相似度子模块，用于基于所述第一类用户和所述第二类用户在所述第一平台上的用户特征计算所述第一类用户中各用户与所述第二类用户中各用户的相似度；
相似确认子模块，用于基于所述相似度确定所述第二类用户中各用户的相似用户。
9.一种计算机存储介质，其特征在于，存储有一条或多条计算机指令，其中，所述一条或多条计算机指令被执行时实现如权利要求1-4中任一项所述的方法。
10.一种电子设备，其特征在于，包括一个或多个存储器和一个或多个处理器，
其中，所述一个或多个存储器存储有一条或多条计算机指令，以供所述一个或多个处理器调用和执行；
其中，所述一个或多个处理器则用于执行所述一条或多条计算机指令时实现如权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711404550.XA CN108038217B (zh) | 2017-12-22 | 2017-12-22 | 信息推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711404550.XA CN108038217B (zh) | 2017-12-22 | 2017-12-22 | 信息推荐方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108038217A true CN108038217A (zh) | 2018-05-15 |
| CN108038217B CN108038217B (zh) | 2021-05-11 |
Family
ID=62100563
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711404550.XA Expired - Fee Related CN108038217B (zh) | 2017-12-22 | 2017-12-22 | 信息推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108038217B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109360051A (zh) * | 2018-09-27 | 2019-02-19 | 中国联合网络通信集团有限公司 | 确定用户购物需求的方法、装置、设备及可读存储介质 |
| CN109447731A (zh) * | 2018-09-18 | 2019-03-08 | 平安科技（深圳）有限公司 | 跨平台产品推荐方法、装置、计算机设备和存储介质 |
| CN110163662A (zh) * | 2019-04-26 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种业务模型训练方法、装置及设备 |
| CN111753210A (zh) * | 2020-05-27 | 2020-10-09 | 浙江口碑网络技术有限公司 | 资源推送方法、装置、计算机设备及计算机可读存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102135999A (zh) * | 2011-03-25 | 2011-07-27 | 南京财经大学 | 用户可信度和项目最近邻相结合的互联网推荐方法 |
| US20110289419A1 (en) * | 2010-05-18 | 2011-11-24 | Yu Chi Sum Sam | Browser integration for a content system |
| CN102968506A (zh) * | 2012-12-14 | 2013-03-13 | 北京理工大学 | 一种基于扩展特征向量的个性化协同过滤推荐方法 |
| CN103514239A (zh) * | 2012-11-26 | 2014-01-15 | Tcl美国研究所 | 一种集成用户行为和物品内容的推荐方法及系统 |
| CN104915391A (zh) * | 2015-05-25 | 2015-09-16 | 南京邮电大学 | 一种基于信任关系的物品推荐方法 |
| CN105279204A (zh) * | 2014-07-25 | 2016-01-27 | 阿里巴巴集团控股有限公司 | 信息推送方法和装置 |
| CN105893641A (zh) * | 2016-07-01 | 2016-08-24 | 中国传媒大学 | 一种职位推荐方法 |
| CN107016122A (zh) * | 2017-04-26 | 2017-08-04 | 天津大学 | 基于时间迁移的知识推荐方法 |
| CN107103499A (zh) * | 2017-04-26 | 2017-08-29 | 中国人民大学 | 一种基于深度学习的跨站点冷启动推荐方法 |
-
2017
- 2017-12-22 CN CN201711404550.XA patent/CN108038217B/zh not_active Expired - Fee Related
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110289419A1 (en) * | 2010-05-18 | 2011-11-24 | Yu Chi Sum Sam | Browser integration for a content system |
| CN102135999A (zh) * | 2011-03-25 | 2011-07-27 | 南京财经大学 | 用户可信度和项目最近邻相结合的互联网推荐方法 |
| CN103514239A (zh) * | 2012-11-26 | 2014-01-15 | Tcl美国研究所 | 一种集成用户行为和物品内容的推荐方法及系统 |
| CN102968506A (zh) * | 2012-12-14 | 2013-03-13 | 北京理工大学 | 一种基于扩展特征向量的个性化协同过滤推荐方法 |
| CN105279204A (zh) * | 2014-07-25 | 2016-01-27 | 阿里巴巴集团控股有限公司 | 信息推送方法和装置 |
| CN104915391A (zh) * | 2015-05-25 | 2015-09-16 | 南京邮电大学 | 一种基于信任关系的物品推荐方法 |
| CN105893641A (zh) * | 2016-07-01 | 2016-08-24 | 中国传媒大学 | 一种职位推荐方法 |
| CN107016122A (zh) * | 2017-04-26 | 2017-08-04 | 天津大学 | 基于时间迁移的知识推荐方法 |
| CN107103499A (zh) * | 2017-04-26 | 2017-08-29 | 中国人民大学 | 一种基于深度学习的跨站点冷启动推荐方法 |
Non-Patent Citations (4)
| Title |
|---|
| M. K. KAVITHA DEVI 等: "Probabilistic neural network approach to alleviate sparsity and cold start problems in collaborative recommender systems", 《COMPUTATIONAL INTELLIGENCE AND COMPUTING RESEARCH》 * |
| 于洪 等: "一种解决新项目冷启动问题的推荐算法", 《软件学报》 * |
| 荣辉桂 等: "基于用户相似度的协同过滤推荐算法", 《通信学报》 * |
| 顾梁 等: "一种播存网络环境下的UCL协同过滤推荐方法", 《计算机研究与发展》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447731A (zh) * | 2018-09-18 | 2019-03-08 | 平安科技（深圳）有限公司 | 跨平台产品推荐方法、装置、计算机设备和存储介质 |
| WO2020056973A1 (zh) * | 2018-09-18 | 2020-03-26 | 平安科技（深圳）有限公司 | 跨平台产品推荐方法、装置、服务器和存储介质 |
| CN109360051A (zh) * | 2018-09-27 | 2019-02-19 | 中国联合网络通信集团有限公司 | 确定用户购物需求的方法、装置、设备及可读存储介质 |
| CN110163662A (zh) * | 2019-04-26 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种业务模型训练方法、装置及设备 |
| CN110163662B (zh) * | 2019-04-26 | 2024-04-05 | 创新先进技术有限公司 | 一种业务模型训练方法、装置及设备 |
| CN111753210A (zh) * | 2020-05-27 | 2020-10-09 | 浙江口碑网络技术有限公司 | 资源推送方法、装置、计算机设备及计算机可读存储介质 |
| CN111753210B (zh) * | 2020-05-27 | 2021-05-18 | 浙江口碑网络技术有限公司 | 资源推送方法、装置、计算机设备及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108038217B (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108038217A (zh) | 信息推荐方法及装置 | |
| CN107918905A (zh) | 异常交易识别方法、装置及服务器 | |
| US20140108190A1 (en) | Recommending product information | |
| CN112750011A (zh) | 商品推荐方法、装置和电子设备 | |
| CN104463621A (zh) | 一种电商平台促销引擎实现方法 | |
| CN107220876B (zh) | 商品信息管理方法、装置及移动终端 | |
| CN108256537A (zh) | 一种用户性别预测方法和系统 | |
| CN102609966A (zh) | 通过图形对象表示数据 | |
| CN107679945A (zh) | 建立消费对象推荐模型的方法以及相关方法及装置 | |
| CN106910101A (zh) | 群体虚假交易识别方法及装置 | |
| US20170178149A1 (en) | Method and system for purchase pattern extraction from point of sale data | |
| CN113888254A (zh) | 货架商品管理方法和电子设备 | |
| EP2720154A1 (en) | Pattern extraction device and method | |
| CN110310171A (zh) | 一种汽配商城的商品列表排序方法及装置 | |
| CN106022860A (zh) | 一种匹配方法及装置 | |
| CN108595580A (zh) | 新闻推荐方法、装置、服务器及存储介质 | |
| CN110968670B (zh) | 一种流行商品的属性获取方法、装置、设备及存储介质 | |
| Groissberger et al. | Do online shops support customers’ decision strategies by interactive information management tools? Results of an empirical analysis | |
| CN115204978A (zh) | 一种多平台数据处理方法、装置、电子设备及存储介质 | |
| CN113158056A (zh) | 推荐语的生成方法及装置 | |
| CN109191234A (zh) | 一种综合服装推荐方法、装置和存储介质 | |
| JP2021039735A (ja) | 情報処理装置、及びプログラム | |
| CN112200369A (zh) | 基于神经网络的预测方法及装置 | |
| KR20160032895A (ko) | 홈트레이딩 시스템의 호가 정보를 이용한 종목 제공 방법 | |
| CN109542441A (zh) | 一种商品页面定制方法、装置及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 100085 Beijing, Haidian District on the road to the information on the ground floor of the 1 to the 3 floor of the 2 floor, room 11, 202 Applicant after: Beijing Xingxuan Technology Co.,Ltd. Address before: 100085 Beijing, Haidian District on the road to the information on the ground floor of the 1 to the 3 floor of the 2 floor, room 11, 202 Applicant before: Beijing Xiaodu Information Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210511 |