CN108429865A - 一种产品推荐处理方法及装置 - Google Patents
一种产品推荐处理方法及装置 Download PDFInfo
- Publication number
- CN108429865A CN108429865A CN201710076661.6A CN201710076661A CN108429865A CN 108429865 A CN108429865 A CN 108429865A CN 201710076661 A CN201710076661 A CN 201710076661A CN 108429865 A CN108429865 A CN 108429865A
- Authority
- CN
- China
- Prior art keywords
- user
- product
- matrix
- paths
- critical
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/02—Details
- H04L12/14—Charging, metering or billing arrangements for data wireline or wireless communications
- H04L12/1485—Tariff-related aspects
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M15/00—Arrangements for metering, time-control or time indication ; Metering, charging or billing arrangements for voice wireline or wireless communications, e.g. VoIP
- H04M15/70—Administration or customization aspects; Counter-checking correct charges
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/24—Accounting or billing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Finance (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供一种产品推荐处理方法及装置。所述方法包括:根据各用户在预设时间段内订购的产品和订购所述产品的时间,按照第一预设规则获取关键产品订购路径集合;根据各用户的行为数据和所述关键产品订购路径集合生成用户特征矩阵,并根据所述用户特征矩阵按照第二预设规则获取用户相似度矩阵;根据当前订购的产品、所述关键产品订购路径集合和所述用户相似度矩阵按照第三预设规则获取目标推荐产品。所述装置用于执行上述方法。本发明提供的产品推荐处理方法及装置提高了产品推荐的准确性。
Description
技术领域
本发明实施例涉及互联网技术领域,尤其涉及一种产品推荐处理方法及装置。
背景技术
随着“互联网+”时代的到来和4G的快速发展,各种基于移动互联网的新兴业态层出不穷,推动着世界从“人人互联”向“物物互联”迈进,而任何设备的接入和连接都离不开流量,流量成为支撑信息应用服务的血管和命脉,探索和创新流量经营是推动移动发展的必然要求。
现有技术条件下,流量套餐推荐模式是以用户实际消费的主叫语音通话时长及流量使用作为切入点,分析对比用户的实际消费情况与其现有的流量套餐,并应用“logistic回归算法”等分析用户自身的流量套餐资费敏感度,量化用户与各流量套餐之间的“距离”,确定用户最适合的流量套餐,挖掘套餐推荐、进阶的机会。从实际消费的角度实现套餐推荐。由于考虑的消费区间较为单一,互联网和数据的风向标的变化多端,而且现有技术条件下的流量套餐推荐模式是基于用户基本特征构建的模型,因此,现有技术条件下的流量套餐推荐模式无法根据用户行为偏好精准的挖掘用户的流量需求,导致产品推荐不够准确,不能有效提供套餐推荐、进阶的机会。
因此,如何提供一种方法提高产品推荐准确性问题是目前业界亟待解决的需要课题。
发明内容
针对现有技术中的缺陷,本发明实施例提供一种产品推荐处理方法及装置。
一方面,本发明实施例提供一种产品推荐处理方法,包括:
根据各用户在预设时间段内订购的产品和订购所述产品的时间,按照第一预设规则获取关键产品订购路径集合;
根据各用户的行为数据和所述关键产品订购路径集合生成用户特征矩阵,并根据所述用户特征矩阵按照第二预设规则获取用户相似度矩阵;
根据当前订购的产品、所述关键产品订购路径集合和所述用户相似度矩阵按照第三预设规则获取目标推荐产品。
另一方面,本发明实施例提供一种产品推荐处理装置,包括:
第一获取单元,用于根据各用户在预设时间段内订购的产品和订购所述产品的时间,按照第一预设规则获取关键产品订购路径集合;
第二获取单元,用于根据各用户的行为数据和所述关键产品订购路径集合生成用户特征矩阵,并根据所述用户特征矩阵按照第二预设规则获取用户相似度矩阵;
第三获取单元,用于根据当前订购的产品、所述关键产品订购路径集合和所述用户相似度矩阵按照第三预设规则获取目标推荐产品。
本发明实施例提供的产品推荐处理方法及装置,通过根据各用户在预设时间段内订购的产品和订购所述产品的时间获取关键产品订购路径集合,并根据各用户的行为数据和所述关键产品订购路径集合获取用户相似度矩阵,从而根据当前订购的产品、所述关键产品订购路径集合和所述用户相似度矩阵按获取目标推荐产品,提高了提高产品推荐的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,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为本发明实施例提供的产品推荐处理方法的流程示意图;
图2为本发明实施例提供的产品推荐处理方法的整体流程示意图;
图3为本发明一实施例提供的产品推荐处理装置的结构示意图;
图4为本发明另一实施例提供的产品推荐处理装置的结构示意图;
图5为本发明又一实施例提供的产品推荐处理装置的结构示意图;
图6为本发明再一实施例提供的产品推荐处理装置的结构示意图;
图7为本发明实施例提供的电子设备实体装置结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的产品推荐处理方法的流程示意图,如图1所示,本实施例提供一种产品推荐处理方法,包括:
S1、根据各用户在预设时间段内订购的产品和订购所述产品的时间,按照第一预设规则获取关键产品订购路径集合;
具体地,所述产品推荐处理装置获取各用户在预设时间段内订购的产品和订购所述产品的时间,按照所述订购所述产品的时间的先后顺序对所述各用户对应的所述产品或产品集簇进行排序,生成多个产品订购序列;然后,根据所述多个产品订购序列通过GSP算法获得的频繁序列集合作为关键产品订购路径集合。可以理解的是,每个所述用户都有一个对应的所述产品订购序列,每个产品订购序列包括多个产品节点或产品节点集簇,所述多个产品节点或产品节点集簇按照时间顺序连接形成一个产品订购路径。
S2、根据各用户的行为数据和所述关键产品订购路径集合生成用户特征矩阵,并根据所述用户特征矩阵按照第二预设规则获取用户相似度矩阵;
具体地,所述装置获取所述各用户在所述预设时间段内的行为数据,根据所述行为数据获取预设数量的行为特征参数作为初始特征变量,将所述初始特征变量与所述关键产品订购路径集合包括的各关键产品订购路径组合后作为用户特征变量,生成p×q的矩阵作为用户特征矩阵,其中,p为所述各用户的总数,所述q为所述用户特征变量的个数;将所述用户特征矩阵进行归一化处理获得归一化特征矩阵,并通过逻辑回归算法计算不断拟合计算所述归一化特征矩阵包括的所述各用户特征变量的权重;将所述归一化特征矩阵与广播处理后的所述各用户特征变量的权重相乘获得评分矩阵;根据预设条件和所述用户特征矩阵将所述各用户划分为第一类用户和第二类用户,根据所述评分矩阵分别获取各所述第一类用户对应的各特征变量的评分和各所述第二类用户对应的各特征变量的评分,生成第一用户评分集和第二用户评分集;根据所述第一用户评分集和所述第二用户评分集计算各所述第一类用户与相应的所述第二类用户的用户相似度;根据所述各所述第一类用户与相应的所述第二类用户的用户相似度生成用户相似度矩阵。可以理解的是,所述初始特征变量可以包括基本属性、使用套餐、通话次数、月均流量消费额等,还可以包括其他初始特征变量;所述预设条件可以为月均流量消费额大于预先设定的阈值,所述第一类用户可以为2G/3G用户,所述第一类用户可以为4G用户,具体可以根据实际情况进行调整,此处不做具体限定。
S3、根据当前订购的产品、所述关键产品订购路径集合和所述用户相似度矩阵按照第三预设规则获取目标推荐产品。
具体地,所述装置获取各所述第一类用户当前订购的产品和所述关键产品订购路径集合包括的各关键产品订购路径,并根据所述第一类用户当前订购的产品和所述各关键产品订购路径获取候选推荐产品集合;根据所述用户相似度矩阵计算所述各第一类用户与相应的第二类用户的相似个数,根据所述相似个数获取目标相似用户产品订购路径集合;根据所述候选推荐产品集合和所述目标相似用户产品订购路径集合获取目标推荐产品。
本发明实施例提供的产品推荐处理方法,通过根据各用户在预设时间段内订购的产品和订购所述产品的时间获取关键产品订购路径集合,并根据各用户的行为数据和所述关键产品订购路径集合获取用户相似度矩阵,从而根据当前订购的产品、所述关键产品订购路径集合和所述用户相似度矩阵按获取目标推荐产品,提高了提高产品推荐的准确性。
在上述实施例的基础上,进一步地,所述根据各用户在预设时间段内订购的产品和订购所述产品的时间按照第一预设规则获取关键产品订购路径集合,包括:
获取各用户在预设时间段内订购的产品和订购所述产品的时间;
将所述产品按照所述订购所述产品的时间顺序进行排序生成多个产品订购序列;
根据所述产品订购序列通过GSP算法获取关键产品订购路径集合。
具体地,产品推荐处理装置获取各用户在预设时间段内订购的产品和订购所述产品的时间,按照所述订购所述产品的时间的先后顺序对所述产品或产品集簇进行排序,生成多个所述产品订购序列S={S1...Sj...Sn},其中,S为所述产品订购序列,S1...Sj...Sn均为所述产品订购序列的元素,表示不同时间点订购的产品或产品集簇;在相同时间订购的产品组成产品集簇,所述产品集簇可以作为所述产品订购序列的一个元素,也就是Sj=<i1...ij...im>,其中,i1...ij...im为所述产品订购序列的一个项目,表示相同时间订购的产品。用序列中所包括的项目个数表示所述序列的长度,根据所述多个产品订购序列S获取长度为1的候选序列生成第一候选序列集合C1;用所述候选序列在所述产品订购序列S中出现的次数与所述产品订购序列S中包括的元素总个数n的比值表示所述候选序列的支持度,获取所述第一候选序列集合C1中支持度大于预设最小支持度的候选序列生成第一频繁序列集合F1,根据所述第一频繁序列集合F1获取长度为2的候选序列生成第二候选序列集合C2,同样获取所述第二候选序列集合C2中支持度大于预设最小支持度的候选序列生成第二频繁序列集合F2,再以相同的方法依次获取第三候选序列集合C3和第三频繁序列集合F3,直到获取到长度等于所述产品订购序列S中各元素包括的项目个数的最大值的候选序列组成的第k候选序列集合Ck,并根据所述第k候选序列集合Ck获取相应的第k频繁序列集合Fk停止,则将所述第k频繁序列集合Fk作为所述关键产品订购路径集合。
应当说明的是,在由Fi-1获取Ci时(1≤i≤k),需要进行合并和剪枝操作,具体地,对于Fi-1中包括的两个候选序列分别为s1和s2,合并操作为:如果将所述候选序列s1的第一个项目去掉后得到的余串与将所述候选序列s2的最后一个项目去掉后得到的余串相同,则将所述候选序列s1和所述候选序列s2合并,也就是将所述候选序列s2的末尾项目添加到所述候选序列s1末尾,获得所述Ci中的一个候选序列,所述合并操作包括两种情况:如果所述候选序列s2的最后一个项目是一个单独的元素,则这个项目将以一个单独元素的形式加到所述候选序列s1末尾;否则,所述候选序列s2的最后一个项目将作为所述候选序列s1的最后一个元素的一部分合并入所述候选序列s1。例如:s1={<a,b>,<c>},s2={<b>,<c,d>},则合并后的候选序列s3={<a,b>,<c,d>};若s1={<a,b>,<c>},s2={<b>,<c>,<t>},则合并后的s3={<a,b>,<c>,<t>}。剪枝操作为:Ci中包括的候选序列的任意一个子序列支持度不大于所述预设最小支持度,则这个候选序列将被剔除。
本发明实施例提供的产品推荐处理方法,通过根据各用户在预设时间段内订购的产品和订购所述产品的时间获取关键产品订购路径集合,并根据各用户的行为数据和所述关键产品订购路径集合获取用户相似度矩阵,从而根据当前订购的产品、所述关键产品订购路径集合和所述用户相似度矩阵按获取目标推荐产品,提高了提高产品推荐的准确性。
在上述实施例的基础上,进一步地,所述根据各用户的行为数据和所述关键产品订购路径集合生成用户特征矩阵,并根据所述用户特征矩阵按照第二预设规则获取用户相似度矩阵,包括:
获取所述各用户在所述预设时间段内的行为数据,根据所述行为数据和所述关键产品订购路径集合包括的各关键产品订购路径,生成用户特征矩阵;
将所述用户特征矩阵进行归一化处理获得归一化特征矩阵,并通过逻辑回归算法计算所述归一化特征矩阵包括的各特征变量的权重;
根据所述归一化特征矩阵和所述权重获取评分矩阵;
根据所述用户特征矩阵和所述评分矩阵获取所述用户相似度矩阵。
在上述实施例的基础上,进一步地,所述根据所述用户特征矩阵和所述评分矩阵获取所述用户相似度矩阵,包括:
根据预设条件和所述用户特征矩阵将所述各用户划分为第一类用户和第二类用户;
根据所述评分矩阵分别获取各所述第一类用户对应的各特征变量的评分和各所述第二类用户对应的各特征变量的评分,生成第一用户评分集和第二用户评分集;
根据所述第一用户评分集和所述第二用户评分集计算各所述第一类用户与相应的所述第二类用户的用户相似度;
根据所述各所述第一类用户与相应的所述第二类用户的用户相似度生成用户相似度矩阵。
表1
具体地,所述装置获取所述各用户在所述预设时间段内的行为数据,根据所述行为数据获取预设数量的行为特征参数作为初始特征变量,将所述初始特征变量与所述关键产品订购路径集合包括的各关键产品订购路径组合后作为用户特征变量,例如,表1为本发明实施例提供的多个用户的用户特征变量数据集,如表1所示,每一列表示一个用户特征变量,每一行代表一个用户对应的各个用户特征变量的数值,根据所述用户特征变量生成p×q的矩阵作为用户特征矩阵A,其中,p为所述各用户的总数,所述q为所述用户特征变量的个数,所述用户特征矩阵A为:
将所述用户特征矩阵A通过公式进行归一化处理获得归一化特征矩阵B,其中,为所述归一化特征矩阵的第i行第j列的数值,xij为所述用户特征矩阵的第i行第j列的数值,μj为第j个特征变量的均值,σj为第j个特征变量的标准差;所述归一化特征矩阵B为:
然后,通过逻辑回归算法计算不断拟合计算所述归一化特征矩阵B包括的所述各用户特征变量的权重,具体步骤为:
首先,利用Logistic函数(或称为Sigmoid函数)构造预测函数hθ(x),所述预测函数hθ(x)为:
其中,θ为各特征变量的权重值,θ=(θ1,θ2...θj...θq),θj为第j个特征向量的权重。所述预测函数hθ(x)的值表示结果取1的概率,因此对于输入x分类结果分别为类别1和类别0的概率为:
p(y=1|x;1)=hθ(x) (4)
p(y=0|x;0)=1-hθ(x) (5)
然后,构造代价函数Cost,为了使得预测值更加接近真实值,也就是代价函数Cost的值越小越好,可通过“极大似然法”(maximum likelihood method)来对θ值进行估计。根据如表1所示的多个用户的用户特征变量数据集,其中,xi为表1中的不同的用户,p为表1中用户的总个数,若所述用户xi对应的DOU≥1.5G,则确定所述用户的xi为高为流量用户,此时,yi=1,若所述用户xi对应的DOU<1.5G,则确定所述用户的xi为非高为流量用户,此时,yi=0,则由公式(4)和(5)可得:
P(y|x;θ)=(hθ(x))y(1-(hθ(x))1-y) (6)
对公式(6)取似然函数可得:
对上述似然函数取对数,得到对数似然函数为:
利用梯度上升法求得θ值,可得:
将获得的各用户特征变量的权重值θ=(θ1,θ2...θj...θq)做广播计算处理后得到形如p×q的矩阵C,其中p是矩阵C的行数,也是所述各用户的总数,q为矩阵C的列数,也是所述用户特征变量的个数,矩阵C为:
将所述归一化特征矩阵B和所述矩阵C相乘,得到评分矩阵D,所述评分矩阵D为:
根据预设条件和所述用户特征矩阵将所述各用户划分为第一类用户和第二类用户,根据所述评分矩阵分别获取各所述第一类用户对应的各特征变量的评分和各所述第二类用户对应的各特征变量的评分,生成第一用户评分集和第二用户评分集;根据所述第一用户评分集和所述第二用户评分集计算各所述第一类用户与相应的所述第二类用户的用户相似度;根据所述各所述第一类用户与相应的所述第二类用户的用户相似度生成用户相似度矩阵。
例如,根据表1中的第6个特征变量DOU,将DOU≥1.5G的用户作为4G高流量用户,将DOU<1.5G的用户作为2/3G低流量用户;根据评分矩阵D分别获取所述各4G高流量用户对应的各用户特征变量的评分,生成4G高流量用户评分集合U,U={U1,U2...Um...Ul},其中,Um为所述4G高流量用户评分集合U中的第m个用户对应的各用户特征变量的评分,Um=<u1,u2...uj...uq>,uj为4G高流量用户评分集合U中第m个4G高流量用户的第j个用户特征变量的评分数值;同样地,根据评分矩阵D分别获取所述各2/3G低流量用户对应的各用户特征变量的评分,生成2/3G低流量用户评分集合V,V={V1,V2...Vn...Vg},其中,Vn为所述2/3G低流量用户评分集合V中的第n个用户对应的各用户特征变量的评分,Vn=<v1,v2...vj...vq>;vj为2/3G低流量用户评分集合V中第n个2/3G低流量用户的第j个用户特征变量的评分数值。提取所述2/3G低流量用户评分集合V中每个用户的评分数据Vn(v1,v2...vj...vq),将其与4G高流量用户评分集合U中每个用户的评分数据Um(u1,u2...uj...uq)通过公式计算所述2/3G低流量用户Vn与所述4G高流量用户Um的欧几里得距离(Euclidean Distance),其中,d(Vn,Um)表示所述用户Vn与所述用户Um的欧几里得距离,vj表示所述2/3G低流量用户评分集合V中第n个用户的第j个用户特征变量的评分,uj表示所述4G高流量用户评分集合U中第m个用户的第j个用户特征变量的评分。然后,根据公式:
计算所述2/3G低流量用户Vn与所述4G高流量用户Um的相似度,其中,sim(Vn,Um)表示所述2/3G低流量用户Vn与所述4G高流量用户Um的相似度。按照上述方法计算所述2/3G低流量用户评分集合V中每一个用户与4G高流量用户评分集合U中每一个用户的相似度,生成所述用户相似度矩阵,所述2/3G低流量用户Vn与所述4G高流量用户Um的相似度可以如表2所示:
U1 | U2 | U3 | ... | Ul-2 | Ul-1 | Ul | |
V 1 | 0.45 | 0.31 | 0.72 | ... | 0.66 | 0.9 | 0.2 |
V2 | 0.31 | 0.51 | 0.75 | ... | 0.57 | 0.88 | 0.76 |
V3 | 0.7 | 0.75 | 0.31 | ... | 0.043 | 0.82 | 0.56 |
... | ... | ... | ... | ... | ... | ... | ... |
Vg-2 | 0.67 | 0.57 | 0.33 | ... | 0.41 | 0.72 | 0.65 |
Vg-1 | 0.56 | 0.68 | 0.72 | ... | 0.72 | 0.71 | 0.37 |
Vg | 0.4 | 0.76 | 0.56 | ... | 0.65 | 0.47 | 0.31 |
表2
本发明实施例提供的产品推荐处理方法,通过根据各用户在预设时间段内订购的产品和订购所述产品的时间获取关键产品订购路径集合,并根据各用户的行为数据和所述关键产品订购路径集合获取用户相似度矩阵,从而根据当前订购的产品、所述关键产品订购路径集合和所述用户相似度矩阵按获取目标推荐产品,提高了提高产品推荐的准确性。
在上述实施例的基础上,进一步地,所述根据当前订购的产品、所述关键产品订购路径集合和所述用户相似度矩阵按照第三预设规则获取目标推荐产品,包括:
获取各所述第一类用户当前订购的产品和所述关键产品订购路径集合包括的各关键产品订购路径,并根据所述第一类用户当前订购的产品和所述各关键产品订购路径获取候选推荐产品集合;
根据所述用户相似度矩阵计算所述各第一类用户与相应的第二类用户的相似个数,根据所述相似个数获取目标相似用户产品订购路径集合;
根据所述候选推荐产品集合和所述目标相似用户产品订购路径集合获取目标推荐产品。
具体地,获取各所述第一类用户当前订购的产品,获取所述关键产品订购路径集合Fk包括的各关键产品订购路径,若判断获知所述关键产品订购路径中包括与所述当前订购的产品相同的关键产品,且所述关键产品不是位于所述关键产品订购路径的末尾,则将与所述关键产品相邻、且排序在所述关键产品之后的关键产品作为候选推荐产品,生成各所述第一类用户对应的候选推荐产品集合;根据所述各第二类用户对应的产品订购路径对所述第二类用户进行分类,并根据所述用户相似度矩阵计算所述各第一类用户与相应的第二类用户的相似个数,根据所述相似个数对所述第二类用户进行排序,取排序靠前的预设个数的所述第二类用户对应的产品订购路径组成的集合作为目标相似用户产品订购路径集合;历遍所述目标相似用户产品订购路径集合,获取目标相似用户产品订购路径集合中的各产品订购路径包括的产品,找出第一个与所述候选推荐产品集合中包括的其中一个产品相同的产品作为目标推荐产品,将所述目标推荐产品推荐给所述第一类用户。
例如,在上述实施例的基础上,将所述2/3G低流量用户集合V中的2/3G低流量用户Vn当前订购的产品Pi与关键产品订购路径集合Fk中每一个元素Kj中的每个项目比较,若有且项目的后一个项目存在,则将所述作为2/3G低流量用户Vn的候选推荐产品,通过上述方法获取所述2/3G低流量用户Vn的全部候选推荐产品,生成所述2/3G低流量用户Vn的候选推荐产品集合P。然后,根据所述4G高流量用户评分集合U中包括的各个4G高流量用户对应的产品订购路径,进一步将产品订购路径相同的所述4G高流量用户分为一个类型的4G高流量用户,获得4G高流量用户分类集合U*={U1.....Ur.....Ue},(1≤r≤e),其中,Ur为产品订购路径为r的4G高流量用户的集合,Ur=<Ur,1...Ur,s...Ur,f>,(1≤s≤f),Ur,s表示第s个订购路径为r的4G高流量用户,查找所述用户相似度矩阵获取第i个所述2/3G低流量用户Vn与Ur,s的相似度,若判断获知所述相似度大于预设阈值,则将所述第i个所述2/3G低流量用户Vn与所述4G高流量用户Ur,s相似,则将2/3G低流量用户Vn与产品订购路径为r的4G高流量用户的相似个数加1,通过上述方法获取所述2/3G低流量用户Vn与所述产品订购路径为r的4G高流量用户的相似个数,根据所述相似个数对所述U*中的各个元素进行排序,获取排序靠前的预设个数的4G高流量用户的集合为U1、U4、U5,获取所述U1、U4、U5对应的产品订购路径为路径①、路径④和路径⑤,将路径①、路径④和路径⑤组成的集合作为目标相似用户产品订购路径集合W={①、④、⑤};历遍所述目标相似用户产品订购路径集合W分别获取所述路径①、路径④和路径⑤各自包括的订购产品,将第一个出现的、与所述候选推荐产品集合P中包括的候选推荐产品相同的产品,则将所述产品作为所述2/3G低流量用户Vn的目标推荐产品,将所述目标推荐产品推送至所述2/3G低流量用户Vn。
本发明实施例提供的产品推荐处理方法,通过根据各用户在预设时间段内订购的产品和订购所述产品的时间获取关键产品订购路径集合,并根据各用户的行为数据和所述关键产品订购路径集合获取用户相似度矩阵,从而根据当前订购的产品、所述关键产品订购路径集合和所述用户相似度矩阵按获取目标推荐产品,提高了提高产品推荐的准确性。
图2为本发明实施例提供的产品推荐处理方法的整体流程示意图,如图2所示,本发明实施例提供的产品推荐处理方法具体为:
S101、获取产品订购序列;所述产品推荐处理装置获取各用户在预设时间段内订购的产品和订购所述产品的时间,按照所述订购所述产品的时间的先后顺序对所述各用户对应的所述产品或产品集簇进行排序,生成多个产品订购序列,然后执行步骤S102;
S102、获取关键产品订购路径集合;根据所述多个产品订购序列通过GSP算法获得的频繁序列集合作为关键产品订购路径集合,然后,执行步骤S103;
S103、获取行为数据;所述装置获取所述各用户在所述预设时间段内的行为数据,然后,执行步骤S104;
S104、获取初始用户特征变量;根据获取到的所述行为数据获取预设数量的行为特征参数作为初始特征变量,所述初始特征变量可以包括基本属性、使用套餐、通话次数、月均流量消费额等,还可以包括其他初始特征变量;然后,执行骤S105;
S105、获取用户特征矩阵;将所述初始特征变量与所述关键产品订购路径集合包括的各关键产品订购路径组合后作为用户特征变量,生成p×q的矩阵作为用户特征矩阵,其中,p为所述各用户的总数,所述q为所述用户特征变量的个数;然后,执行骤S106;
S106、获取评分矩阵;将所述用户特征矩阵进行归一化处理获得归一化特征矩阵,并通过逻辑回归算法计算不断拟合计算所述归一化特征矩阵包括的所述各用户特征变量的权重;将所述归一化特征矩阵与广播处理后的所述各用户特征变量的权重相乘获得评分矩阵;然后,执行骤S107;
S107、获取相似度矩阵;根据预设条件和所述用户特征矩阵将所述各用户划分为第一类用户和第二类用户,根据所述评分矩阵分别获取各所述第一类用户对应的各特征变量的评分和各所述第二类用户对应的各特征变量的评分,生成第一用户评分集和第二用户评分集;根据所述第一用户评分集和所述第二用户评分集计算各所述第一类用户与相应的所述第二类用户的用户相似度;根据所述各所述第一类用户与相应的所述第二类用户的用户相似度生成用户相似度矩阵。然后,执行骤S108;
S108、获取产品订购列表;所述产品订购列表包括所述各用户订购的全部产品;然后,执行步骤S109;
S109、获取当前订购产品;所述装置根据获取到的所述产品订购列表获取各所述第一类用户当前订购的产品;然后,执行步骤S110;
S110、获取目标推荐产品;根据所述步骤S109获得的第一类用户当前订购的产品和所述步骤S102获得的所述各关键产品订购路径获取候选推荐产品集合,再根据所述步骤S107获得的所述用户相似度矩阵计算所述各第一类用户与相应的第二类用户的相似个数,根据所述相似个数获取目标相似用户产品订购路径集合;根据所述候选推荐产品集合和所述目标相似用户产品订购路径集合获取目标推荐产品。
图3为为本发明一实施例提供的产品推荐处理装置的结构示意图,如图3所示,本发明实施例提供一种产品推荐处理装置,包括:第一获取单元301、第二获取单元302和第三获取单元303,其中:
第一获取单元301用于根据各用户在预设时间段内订购的产品和订购所述产品的时间,按照第一预设规则获取关键产品订购路径集合;第二获取单元302用于根据各用户的行为数据和所述关键产品订购路径集合生成用户特征矩阵,并根据所述用户特征矩阵按照第二预设规则获取用户相似度矩阵;第三获取单元303用于根据当前订购的产品、所述关键产品订购路径集合和所述用户相似度矩阵按照第三预设规则获取目标推荐产品。
具体地,第一获取单元301获取各用户在预设时间段内订购的产品和订购所述产品的时间,按照所述订购所述产品的时间的先后顺序对所述各用户对应的所述产品或产品集簇进行排序,生成多个产品订购序列;然后,第一获取单元301根据所述多个产品订购序列通过GSP算法获得的频繁序列集合作为关键产品订购路径集合。可以理解的是,每个所述用户都有一个对应的所述产品订购序列,每个产品订购序列包括多个产品节点或产品节点集簇,所述多个产品节点或产品节点集簇按照时间顺序连接形成一个产品订购路径。第二获取单元302获取所述各用户在所述预设时间段内的行为数据,并根据所述行为数据获取预设数量的行为特征参数作为初始特征变量,将所述初始特征变量与所述关键产品订购路径集合包括的各关键产品订购路径组合后作为用户特征变量,生成p×q的矩阵作为用户特征矩阵,其中,p为所述各用户的总数,所述q为所述用户特征变量的个数。第二获取单元302将所述用户特征矩阵进行归一化处理获得归一化特征矩阵,并通过逻辑回归算法计算不断拟合计算所述归一化特征矩阵包括的所述各用户特征变量的权重;第二获取单元302将所述归一化特征矩阵与广播处理后的所述各用户特征变量的权重相乘获得评分矩阵;第二获取单元302根据预设条件和所述用户特征矩阵将所述各用户划分为第一类用户和第二类用户,并根据所述评分矩阵分别获取各所述第一类用户对应的各特征变量的评分和各所述第二类用户对应的各特征变量的评分,生成第一用户评分集和第二用户评分集;根据所述第一用户评分集和所述第二用户评分集计算各所述第一类用户与相应的所述第二类用户的用户相似度;根据所述各所述第一类用户与相应的所述第二类用户的用户相似度生成用户相似度矩阵。可以理解的是,所述初始特征变量可以包括基本属性、使用套餐、通话次数、月均流量消费额等,还可以包括其他初始特征变量;所述预设条件可以为月均流量消费额大于预先设定的阈值,所述第一类用户可以为2G/3G用户,所述第一类用户可以为4G用户,具体可以根据实际情况进行调整,此处不做具体限定。第三获取单元303获取各所述第一类用户当前订购的产品和所述关键产品订购路径集合包括的各关键产品订购路径,并根据所述第一类用户当前订购的产品和所述各关键产品订购路径获取候选推荐产品集合;第三获取单元303根据所述用户相似度矩阵计算所述各第一类用户与相应的第二类用户的相似个数,根据所述相似个数获取目标相似用户产品订购路径集合;第三获取单元303根据所述候选推荐产品集合和所述目标相似用户产品订购路径集合获取目标推荐产品。
本发明实施例提供的产品推荐处理装置,通过根据各用户在预设时间段内订购的产品和订购所述产品的时间获取关键产品订购路径集合,并根据各用户的行为数据和所述关键产品订购路径集合获取用户相似度矩阵,从而根据当前订购的产品、所述关键产品订购路径集合和所述用户相似度矩阵按获取目标推荐产品,提高了提高产品推荐的准确性。
图4为本发明另一实施例提供的产品推荐处理装置的结构示意图,如图4所示,本发明实施例提供的产品推荐处理装置包括第一获取单元401、第二获取单元402和第三获取单元403,第一获取单元401、第二获取单元402和第三获取单元403与上述实施例中的第一获取单元301、第二获取单元302和第三获取单元303一致,第一获取单元401包括第一获取子单元404、排序子单元405和第二获取子单元406,其中:
第一获取子单元404用于获取各用户在预设时间段内订购的产品和订购所述产品的时间;排序子单元405用于将所述产品按照所述订购所述产品的时间顺序进行排序生成多个产品订购序列;第二获取子单元406用于根据所述产品订购序列通过GSP算法获取关键产品订购路径集合。
具体地,第一获取子单元404获取各用户在预设时间段内订购的产品和订购所述产品的时间,排序子单元405按照所述订购所述产品的时间的先后顺序对所述产品或产品集簇进行排序,生成多个所述产品订购序列S={S1...Sj...Sn},其中,S为所述产品订购序列,S1...Sj...Sn均为所述产品订购序列的元素,表示不同时间点订购的产品或产品集簇;在相同时间订购的产品组成产品集簇,所述产品集簇可以作为所述产品订购序列的一个元素,也就是Sj=<i1...ij...im>,其中,i1...ij...im为所述产品订购序列的一个项目,表示相同时间订购的产品。用序列中所包括的项目个数表示所述序列的长度,第二获取子单元406根据所述多个产品订购序列S获取长度为1的候选序列生成第一候选序列集合C1;第二获取子单元406用所述候选序列在所述产品订购序列S中出现的次数与所述产品订购序列S中包括的元素总个数n的比值表示所述候选序列的支持度,获取所述第一候选序列集合C1中支持度大于预设最小支持度的候选序列生成第一频繁序列集合F1,第二获取子单元406根据所述第一频繁序列集合F1获取长度为2的候选序列生成第二候选序列集合C2,同样获取所述第二候选序列集合C2中支持度大于预设最小支持度的候选序列生成第二频繁序列集合F2,再以相同的方法依次获取第三候选序列集合C3和第三频繁序列集合F3,直到获取到长度等于所述产品订购序列S中各元素包括的项目个数的最大值的候选序列组成的第k候选序列集合Ck,并根据所述第k候选序列集合Ck获取相应的第k频繁序列集合Fk停止,第二获取子单元406则将所述第k频繁序列集合Fk作为所述关键产品订购路径集合。
本发明实施例提供的产品推荐处理装置,通过根据各用户在预设时间段内订购的产品和订购所述产品的时间获取关键产品订购路径集合,并根据各用户的行为数据和所述关键产品订购路径集合获取用户相似度矩阵,从而根据当前订购的产品、所述关键产品订购路径集合和所述用户相似度矩阵按获取目标推荐产品,提高了提高产品推荐的准确性。
图5为本发明又一实施例提供的产品推荐处理装置的结构示意图,如图5所示,本发明实施例提供的产品推荐处理装置包括第一获取单元501、第二获取单元502和第三获取单元503,第一获取单元501、第二获取单元502和第三获取单元503与上述实施例中的第一获取单元301、第二获取单元302和第三获取单元303一致,第二获取单元502包括第一处理子单元504、第一计算子单元505、第三获取子单元506和第四获取子单元507,其中:
第一处理子单元504用于获取所述各用户在所述预设时间段内的行为数据,根据所述行为数据和所述关键产品订购路径集合包括的各关键产品订购路径,生成用户特征矩阵;第一计算子单元505用于将所述用户特征矩阵进行归一化处理获得归一化特征矩阵,并通过逻辑回归算法计算所述归一化特征矩阵包括的各特征变量的权重;第三获取子单元506用于根据所述归一化特征矩阵和所述权重获取评分矩阵;第四获取子单元507用于根据所述用户特征矩阵和所述评分矩阵获取所述用户相似度矩阵。
在上述实施例的基础上,进一步地,第四获取子单元507具体用于:
根据预设条件和所述用户特征矩阵将所述各用户划分为第一类用户和第二类用户;根据所述评分矩阵分别获取各所述第一类用户对应的各特征变量的评分和各所述第二类用户对应的各特征变量的评分,生成第一用户评分集和第二用户评分集;根据所述第一用户评分集和所述第二用户评分集计算各所述第一类用户与相应的所述第二类用户的用户相似度;根据所述各所述第一类用户与相应的所述第二类用户的用户相似度生成用户相似度矩阵。
具体地,第一处理子单元504获取所述各用户在所述预设时间段内的行为数据,根据所述行为数据获取预设数量的行为特征参数作为初始特征变量,将所述初始特征变量与所述关键产品订购路径集合包括的各关键产品订购路径组合后作为用户特征变量,例如,表1为本发明实施例提供的多个用户的用户特征变量数据集,如表1所示,每一列表示一个用户特征变量,每一行代表一个用户对应的各个用户特征变量的数值,根据所述用户特征变量生成p×q的矩阵作为用户特征矩阵A,其中,p为所述各用户的总数,所述q为所述用户特征变量的个数,所述用户特征矩阵A为:
第一计算子单元505将所述用户特征矩阵A通过公式进行归一化处理获得归一化特征矩阵B,其中,为所述归一化特征矩阵的第i行第j列的数值,xij为所述用户特征矩阵的第i行第j列的数值,μj为第j个特征变量的均值,σj为第j个特征变量的标准差;所述归一化特征矩阵B为:
然后,第一计算子单元505通过逻辑回归算法计算不断拟合计算所述归一化特征矩阵B包括的所述各用户特征变量的权重,具体步骤为:
首先,利用Logistic函数(或称为Sigmoid函数)构造预测函数hθ(x),所述预测函数hθ(x)为:
其中,θ为各特征变量的权重值,θ=(θ1,θ2...θj...θq),θj为第j个特征向量的权重。所述预测函数hθ(x)的值表示结果取1的概率,因此对于输入x分类结果分别为类别1和类别0的概率为:
p(y=1|x;1)=hθ(x) (4)
p(y=0|x;0)=1-hθ(x) (5)
然后,构造代价函数Cost,为了使得预测值更加接近真实值,也就是代价函数Cost的值越小越好,可通过“极大似然法”(maximum likelihood method)来对θ值进行估计。根据如表1所示的多个用户的用户特征变量数据集,其中,xi为表1中的不同的用户,p为表1中用户的总个数,若所述用户xi对应的DOU≥1.5G,则确定所述用户的xi为高为流量用户,此时,yi=1,若所述用户xi对应的DOU<1.5G,则确定所述用户的xi为非高为流量用户,此时,yi=0,则由公式(4)和(5)可得:
P(y|x;θ)=(hθ(x))y(1-(hθ(x))1-y) (6)
对公式(6)取似然函数可得:
对上述似然函数取对数,得到对数似然函数为:
利用梯度上升法求得θ值,可得:
第三获取子单元506将获得的各用户特征变量的权重值θ=(θ1,θ2...θj...θq)做广播计算处理后得到形如p×q的矩阵C,其中p是矩阵C的行数,也是所述各用户的总数,q为矩阵C的列数,也是所述用户特征变量的个数,矩阵C为:
第三获取子单元506将所述归一化特征矩阵B和所述矩阵C相乘,得到评分矩阵D,所述评分矩阵D为:
第四获取子单元507根据预设条件和所述用户特征矩阵将所述各用户划分为第一类用户和第二类用户,根据所述评分矩阵分别获取各所述第一类用户对应的各特征变量的评分和各所述第二类用户对应的各特征变量的评分,生成第一用户评分集和第二用户评分集;第四获取子单元507根据所述第一用户评分集和所述第二用户评分集计算各所述第一类用户与相应的所述第二类用户的用户相似度;第四获取子单元507根据所述各所述第一类用户与相应的所述第二类用户的用户相似度生成用户相似度矩阵。
本发明实施例提供的产品推荐处理装置,通过根据各用户在预设时间段内订购的产品和订购所述产品的时间获取关键产品订购路径集合,并根据各用户的行为数据和所述关键产品订购路径集合获取用户相似度矩阵,从而根据当前订购的产品、所述关键产品订购路径集合和所述用户相似度矩阵按获取目标推荐产品,提高了提高产品推荐的准确性。
图6为本发明再一实施例提供的产品推荐处理装置的结构示意图,如图6所示,本发明实施例提供的产品推荐处理装置包括第一获取单元601、第二获取单元602和第三获取单元603,第一获取单元601、第二获取单元602和第三获取单元603与上述实施例中的第一获取单元501、第二获取单元502和第三获取单元503一致,第二获取单元602包括第一处理子单元604、第一计算子单元605、第三获取子单元606和第四获取子单元607,第三获取单元603包括第二处理子单元608、第二计算子单元609和推荐子单元610,其中:
第二处理子单元608用于获取各所述第一类用户当前订购的产品和所述关键产品订购路径集合包括的各关键产品订购路径,并根据所述第一类用户当前订购的产品和所述各关键产品订购路径获取候选推荐产品集合;第二计算子单元609用于根据所述用户相似度矩阵计算所述各第一类用户与相应的第二类用户的相似个数,根据所述相似个数获取目标相似用户产品订购路径集合;推荐子单元610用于根据所述候选推荐产品集合和所述目标相似用户产品订购路径集合获取目标推荐产品。
具体地,第二处理子单元608获取各所述第一类用户当前订购的产品,并获取所述关键产品订购路径集合Fk包括的各关键产品订购路径,第二处理子单元608若判断获知所述关键产品订购路径中包括与所述当前订购的产品相同的关键产品,且所述关键产品不是位于所述关键产品订购路径的末尾,则将与所述关键产品相邻、且排序在所述关键产品之后的关键产品作为候选推荐产品,生成各所述第一类用户对应的候选推荐产品集合;第二计算子单元609根据所述各第二类用户对应的产品订购路径对所述第二类用户进行分类,并根据所述用户相似度矩阵计算所述各第一类用户与相应的第二类用户的相似个数,第二计算子单元609根据所述相似个数对所述第二类用户进行排序,取排序靠前的预设个数的所述第二类用户对应的产品订购路径组成的集合作为目标相似用户产品订购路径集合;推荐子单元610历遍所述目标相似用户产品订购路径集合,获取目标相似用户产品订购路径集合中的各产品订购路径包括的产品,第二计算子单元609找出第一个与所述候选推荐产品集合中包括的其中一个产品相同的产品作为目标推荐产品,第二计算子单元609将所述目标推荐产品推荐给所述第一类用户。
本发明实施例提供的产品推荐处理装置,通过根据各用户在预设时间段内订购的产品和订购所述产品的时间获取关键产品订购路径集合,并根据各用户的行为数据和所述关键产品订购路径集合获取用户相似度矩阵,从而根据当前订购的产品、所述关键产品订购路径集合和所述用户相似度矩阵按获取目标推荐产品,提高了提高产品推荐的准确性。
本发明提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
图7为本发明实施例电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(processor)701、存储器(memory)702和总线703,其中,处理器701,存储器702通过总线703完成相互间的通信。处理器701可以调用存储器702中的逻辑指令,以执行如下方法:根据各用户在预设时间段内订购的产品和订购所述产品的时间按照第一预设规则获取关键产品订购路径集合;根据各用户的行为数据和所述关键产品订购路径集合生成用户特征矩阵,并根据所述用户特征矩阵按照第二预设规则获取用户相似度矩阵;根据当前订购的产品、所述关键产品订购路径集合和所述用户相似度矩阵按照第三预设规则获取目标推荐产品。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:根据各用户在预设时间段内订购的产品和订购所述产品的时间按照第一预设规则获取关键产品订购路径集合;根据各用户的行为数据和所述关键产品订购路径集合生成用户特征矩阵,并根据所述用户特征矩阵按照第二预设规则获取用户相似度矩阵;根据当前订购的产品、所述关键产品订购路径集合和所述用户相似度矩阵按照第三预设规则获取目标推荐产品。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:根据各用户在预设时间段内订购的产品和订购所述产品的时间按照第一预设规则获取关键产品订购路径集合;根据各用户的行为数据和所述关键产品订购路径集合生成用户特征矩阵,并根据所述用户特征矩阵按照第二预设规则获取用户相似度矩阵;根据当前订购的产品、所述关键产品订购路径集合和所述用户相似度矩阵按照第三预设规则获取目标推荐产品。
此外,上述的存储器703中的逻辑指令可以通过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-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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。
Claims (10)
1.一种产品推荐处理方法,其特征在于,包括:
根据各用户在预设时间段内订购的产品和订购所述产品的时间,按照第一预设规则获取关键产品订购路径集合;
根据各用户的行为数据和所述关键产品订购路径集合生成用户特征矩阵,并根据所述用户特征矩阵按照第二预设规则获取用户相似度矩阵;
根据当前订购的产品、所述关键产品订购路径集合和所述用户相似度矩阵按照第三预设规则获取目标推荐产品。
2.根据权利要求1所述的方法,其特征在于,所述根据各用户在预设时间段内订购的产品和订购所述产品的时间按照第一预设规则获取关键产品订购路径集合,包括:
获取各用户在预设时间段内订购的产品和订购所述产品的时间;
将所述产品按照所述订购所述产品的时间顺序进行排序生成多个产品订购序列;
根据所述产品订购序列通过GSP算法获取关键产品订购路径集合。
3.根据权利要求1所述的方法,其特征在于,所述根据各用户的行为数据和所述关键产品订购路径集合生成用户特征矩阵,并根据所述用户特征矩阵按照第二预设规则获取用户相似度矩阵,包括:
获取所述各用户在所述预设时间段内的行为数据,根据所述行为数据和所述关键产品订购路径集合包括的各关键产品订购路径,生成用户特征矩阵;
将所述用户特征矩阵进行归一化处理获得归一化特征矩阵,并通过逻辑回归算法计算所述归一化特征矩阵包括的各特征变量的权重;
根据所述归一化特征矩阵和所述权重获取评分矩阵;
根据所述用户特征矩阵和所述评分矩阵获取所述用户相似度矩阵。
4.根据权利要求3所述的方法,其特征在于,所述根据所述用户特征矩阵和所述评分矩阵获取所述用户相似度矩阵,包括:
根据预设条件和所述用户特征矩阵将所述各用户划分为第一类用户和第二类用户;
根据所述评分矩阵分别获取各所述第一类用户对应的各特征变量的评分和各所述第二类用户对应的各特征变量的评分,生成第一用户评分集和第二用户评分集;
根据所述第一用户评分集和所述第二用户评分集计算各所述第一类用户与相应的所述第二类用户的用户相似度;
根据所述各所述第一类用户与相应的所述第二类用户的用户相似度生成用户相似度矩阵。
5.根据权利要求4所述的方法,其特征在于,所述根据当前订购的产品、所述关键产品订购路径集合和所述用户相似度矩阵按照第三预设规则获取目标推荐产品,包括:
获取各所述第一类用户当前订购的产品和所述关键产品订购路径集合包括的各关键产品订购路径,并根据所述第一类用户当前订购的产品和所述各关键产品订购路径获取候选推荐产品集合;
根据所述用户相似度矩阵计算所述各第一类用户与相应的第二类用户的相似个数,根据所述相似个数获取目标相似用户产品订购路径集合;
根据所述候选推荐产品集合和所述目标相似用户产品订购路径集合获取目标推荐产品。
6.一种产品推荐处理装置,其特征在于,包括:
第一获取单元,用于根据各用户在预设时间段内订购的产品和订购所述产品的时间按照第一预设规则获取关键产品订购路径集合;
第二获取单元,用于根据各用户的行为数据和所述关键产品订购路径集合生成用户特征矩阵,并根据所述用户特征矩阵按照第二预设规则获取用户相似度矩阵;
第三获取单元,用于根据当前订购的产品、所述关键产品订购路径集合和所述用户相似度矩阵按照第三预设规则获取目标推荐产品。
7.根据权利要求6所述的装置,其特征在于,所述第一获取单元包括:
第一获取子单元,用于获取各用户在预设时间段内订购的产品和订购所述产品的时间;
排序子单元,用于将所述产品按照所述订购所述产品的时间顺序进行排序生成多个产品订购序列;
第二获取子单元,用于根据所述产品订购序列通过GSP算法获取关键产品订购路径集合。
8.根据权利要求6所述的装置,其特征在于,所述第二获取单元包括:
第一处理子单元,用于获取所述各用户在所述预设时间段内的行为数据,根据所述行为数据和所述关键产品订购路径集合包括的各关键产品订购路径,生成用户特征矩阵;
第一计算子单元,用于将所述用户特征矩阵进行归一化处理获得归一化特征矩阵,并通过逻辑回归算法计算所述归一化特征矩阵包括的各特征变量的权重;
第三获取子单元,用于根据所述归一化特征矩阵和所述权重获取评分矩阵;
第四获取子单元,用于根据所述用户特征矩阵和所述评分矩阵获取所述用户相似度矩阵。
9.根据权利要求8所述的装置,其特征在于,所述第四获取子单元具体用于:
根据预设条件和所述用户特征矩阵将所述各用户划分为第一类用户和第二类用户;
根据所述评分矩阵分别获取各所述第一类用户对应的各特征变量的评分和各所述第二类用户对应的各特征变量的评分,生成第一用户评分集和第二用户评分集;
根据所述第一用户评分集和所述第二用户评分集计算各所述第一类用户与相应的所述第二类用户的用户相似度;
根据所述各所述第一类用户与相应的所述第二类用户的用户相似度生成用户相似度矩阵。
10.根据权利要求9所述的装置,其特征在于,所述第三获取单元包括:
第二处理子单元,用于获取各所述第一类用户当前订购的产品和所述关键产品订购路径集合包括的各关键产品订购路径,并根据所述第一类用户当前订购的产品和所述各关键产品订购路径获取候选推荐产品集合;
第二计算子单元,用于根据所述用户相似度矩阵计算所述各第一类用户与相应的第二类用户的相似个数,根据所述相似个数获取目标相似用户产品订购路径集合;
推荐子单元,用于根据所述候选推荐产品集合和所述目标相似用户产品订购路径集合获取目标推荐产品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710076661.6A CN108429865B (zh) | 2017-02-13 | 2017-02-13 | 一种产品推荐处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710076661.6A CN108429865B (zh) | 2017-02-13 | 2017-02-13 | 一种产品推荐处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108429865A true CN108429865A (zh) | 2018-08-21 |
CN108429865B CN108429865B (zh) | 2020-10-16 |
Family
ID=63155055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710076661.6A Active CN108429865B (zh) | 2017-02-13 | 2017-02-13 | 一种产品推荐处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108429865B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113129091A (zh) * | 2019-12-31 | 2021-07-16 | 中国移动通信集团湖南有限公司 | 一种资费套餐的推荐方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116639A (zh) * | 2013-02-20 | 2013-05-22 | 新浪网技术(中国)有限公司 | 基于用户-物品二分图模型的物品推荐方法及系统 |
CN103246672A (zh) * | 2012-02-09 | 2013-08-14 | 中国科学技术大学 | 对用户进行个性化推荐的方法和装置 |
CN103473354A (zh) * | 2013-09-25 | 2013-12-25 | 焦点科技股份有限公司 | 基于电子商务平台的保险推荐系统框架及保险推荐方法 |
CN104063589A (zh) * | 2014-06-16 | 2014-09-24 | 百度移信网络技术(北京)有限公司 | 一种推荐方法以及系统 |
CN104463630A (zh) * | 2014-12-11 | 2015-03-25 | 新一站保险代理有限公司 | 一种基于网购保险产品特性的产品推荐方法及系统 |
CN104504159A (zh) * | 2015-01-19 | 2015-04-08 | 齐鲁工业大学 | 多支持度的正负序列模式在客户购买行为分析中的应用 |
CN105260458A (zh) * | 2015-10-15 | 2016-01-20 | 海信集团有限公司 | 一种用于显示装置的视频推荐方法及显示装置 |
US20160034968A1 (en) * | 2014-07-31 | 2016-02-04 | Huawei Technologies Co., Ltd. | Method and device for determining target user, and network server |
CN105894332A (zh) * | 2016-04-22 | 2016-08-24 | 深圳市永兴元科技有限公司 | 基于用户行为分析的商品推荐方法、装置及系统 |
CN105956146A (zh) * | 2016-05-12 | 2016-09-21 | 腾讯科技(深圳)有限公司 | 一种物品信息的推荐方法及装置 |
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 |
-
2017
- 2017-02-13 CN CN201710076661.6A patent/CN108429865B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246672A (zh) * | 2012-02-09 | 2013-08-14 | 中国科学技术大学 | 对用户进行个性化推荐的方法和装置 |
CN103116639A (zh) * | 2013-02-20 | 2013-05-22 | 新浪网技术(中国)有限公司 | 基于用户-物品二分图模型的物品推荐方法及系统 |
CN103473354A (zh) * | 2013-09-25 | 2013-12-25 | 焦点科技股份有限公司 | 基于电子商务平台的保险推荐系统框架及保险推荐方法 |
CN104063589A (zh) * | 2014-06-16 | 2014-09-24 | 百度移信网络技术(北京)有限公司 | 一种推荐方法以及系统 |
US20160034968A1 (en) * | 2014-07-31 | 2016-02-04 | Huawei Technologies Co., Ltd. | Method and device for determining target user, and network server |
CN104463630A (zh) * | 2014-12-11 | 2015-03-25 | 新一站保险代理有限公司 | 一种基于网购保险产品特性的产品推荐方法及系统 |
CN104504159A (zh) * | 2015-01-19 | 2015-04-08 | 齐鲁工业大学 | 多支持度的正负序列模式在客户购买行为分析中的应用 |
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 |
CN105260458A (zh) * | 2015-10-15 | 2016-01-20 | 海信集团有限公司 | 一种用于显示装置的视频推荐方法及显示装置 |
CN105894332A (zh) * | 2016-04-22 | 2016-08-24 | 深圳市永兴元科技有限公司 | 基于用户行为分析的商品推荐方法、装置及系统 |
CN105956146A (zh) * | 2016-05-12 | 2016-09-21 | 腾讯科技(深圳)有限公司 | 一种物品信息的推荐方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113129091A (zh) * | 2019-12-31 | 2021-07-16 | 中国移动通信集团湖南有限公司 | 一种资费套餐的推荐方法及装置 |
CN113129091B (zh) * | 2019-12-31 | 2023-10-27 | 中国移动通信集团湖南有限公司 | 一种资费套餐的推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108429865B (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106021364B (zh) | 图片搜索相关性预测模型的建立、图片搜索方法和装置 | |
Gao et al. | Topology-aware graph pooling networks | |
CN109189991A (zh) | 重复视频识别方法、装置、终端及计算机可读存储介质 | |
CN111444247A (zh) | 一种基于kpi指标的根因定位方法、装置及存储介质 | |
CN111476256A (zh) | 基于半监督学习的模型训练方法、装置及电子设备 | |
CN111008640A (zh) | 图像识别模型训练及图像识别方法、装置、终端及介质 | |
CN110956224A (zh) | 评估模型生成、评估数据处理方法、装置、设备及介质 | |
CN107943792B (zh) | 一种语句分析方法、装置及终端设备、存储介质 | |
CN111080360B (zh) | 行为预测方法、模型训练方法、装置、服务器及存储介质 | |
CN109299245A (zh) | 知识点召回的方法和装置 | |
KR20200012281A (ko) | 유전 알고리즘을 활용한 콘볼루션 뉴럴 네트워크의 최적 구조 탐색 방법 | |
CN110502659A (zh) | 图像特征提取及网络的训练方法、装置和设备 | |
CN106776757B (zh) | 用户完成网银操作的指示方法及装置 | |
CN108429865A (zh) | 一种产品推荐处理方法及装置 | |
CN115827990B (zh) | 搜索方法及装置 | |
CN109885680B (zh) | 一种基于义原扩展的短文本分类预处理方法、系统及装置 | |
CN112395273A (zh) | 一种数据处理方法及装置、存储介质 | |
CN111949530B (zh) | 测试结果的预测方法、装置、计算机设备及存储介质 | |
CN110516092B (zh) | 一种基于k近邻和随机游走算法的图像自动标注方法 | |
CN114090797A (zh) | 一种基于智能推荐的组件检索方法及装置 | |
CN110265151B (zh) | 一种基于ehr中异构时态数据的学习方法 | |
CN113626686A (zh) | 基于用户数据分析的自动推送方法、装置和计算机设备 | |
CN115374775A (zh) | 一种确定文本相似度的方法、装置、设备及存储介质 | |
WO2020107836A1 (zh) | 基于 word2vec 的用户缺失画像的补充方法和相关设备 | |
CN117474070B (zh) | 模型剪枝方法、人脸识别模型训练方法及人脸识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |