CN108510373A - 画作推荐方法、画作推荐装置、设备及存储介质 - Google Patents
画作推荐方法、画作推荐装置、设备及存储介质 Download PDFInfo
- Publication number
- CN108510373A CN108510373A CN201810328518.6A CN201810328518A CN108510373A CN 108510373 A CN108510373 A CN 108510373A CN 201810328518 A CN201810328518 A CN 201810328518A CN 108510373 A CN108510373 A CN 108510373A
- Authority
- CN
- China
- Prior art keywords
- behavior
- paintings
- user
- weight
- cost coefficient
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
-
- 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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种画作推荐方法、画作推荐装置、设备及存储介质。该画作推荐方法包括:采集用户行为信息,用户行为信息包括单一行为信息和组合行为信息,单一行为指用户通过操作一类智能终端所生成的行为,组合行为是指用户通过操作至少两类智能终端所生成的行为;根据用户对画作的各用户行为信息计算用户对画作的偏好值,并构建用户对画作的二维偏好矩阵;对二维偏好矩阵进行基于协同过滤的矩阵分解,输出用户对未知偏好的画作的预测偏好值,并根据预测偏好值实现画作推荐。根据本申请实施例提供的技术方案,通过引入多种用户行为,能够解决传统画作推荐方法的推荐精度低下的问题。
Description
技术领域
本公开一般涉及电子画作管理技术领域,尤其涉及画作推荐方法、画作推荐装置、设备及存储介质。
背景技术
随着生活水平和社会经济的发展,人们对艺术修养和家庭艺术装饰的需求不断提高,因此电子画框得到广泛的使用。然而,画作作为一种艺术形式,不同的人对画作的爱好和观感不同。海量的画作资源让人眼花缭乱,使得用户选择变得非常困难。
发明内容
鉴于现有技术中的上述缺陷或不足,期望提供一种便于在大量画作中选择中意画作的画作推荐方法及画作推荐装置。
第一方面,提供一种画作推荐方法,方法包括:
采集用户行为信息,用户行为信息包括单一行为信息和组合行为信息,单一行为指用户通过操作一类智能终端所生成的行为,组合行为是指用户通过操作至少两类智能终端所生成的行为,;
根据用户对画作的各用户行为信息计算用户对画作的偏好值,并构建用户对画作的二维偏好矩阵;
对二维偏好矩阵进行基于协同过滤的矩阵分解,输出用户对未知偏好的画作的预测偏好值,并根据预测偏好值实现画作推荐。
本发明提供的一个或多个实施例中,采集用户行为信息包括至少如下一项:
通过访问手机端获取单一行为信息,手机端单一行为包括浏览行为、搜索行为、购买行为、未购买行为、分享行为和推送行为;
通过访问电子相框端获取单一行为,电子相框端单一行为包括播放行为;
通过分别访问手机端和电子相框端获取行为组合信息,组合行为包括手机端推送至电子相框端的画作电子相框端预览后未购买或购买的行为。
本发明提供的一个或多个实施例中,根据用户对画作的各用户行为信息,构建用户对画作的二维偏好矩阵包括:
针对用户i对画作j的各用户行为进行加权计算,计算用户i对画作j的偏好值,用户i对画作j的偏好值wij的计算方法如下:
其中,ak为第k类用户行为的权重,rk表示是否发生k类用户行为,若发生则取1,否则取0,L为行为类型个数。
本发明提供的一个或多个实施例中,针对不同行为类型,根据行为次数、价格系数和成本系数,确定权重,每个行为类型设定有相应的行为单次权重,包括以下至少一项:
行为类型为购买行为,则根据行为次数、价格系数和成本系数,确定权重,权重的计算方法如下:
权重=行为单次权重×行为次数×价格系数;
行为类型为未购买行为,则权重的计算方法如下:
权重=行为单次权重×成本系数;
针对其他行为类型,权重的计算方法如下:
权重=行为单次权重×行为次数。
本发明提供的一个或多个实施例中,根据行为次数、价格系数和成本系数,确定权重包括:
根据当前画作价格、全部画作价格的最小值和全部画作价格的最大值,确定价格系数,价格系数的计算方法如下:
价格系数=(当前画作价格-全部画作价格的最小值)÷(全部画作价格的最大值-全部画作价格的最小值)+1;
成本系数与价格系数之间满足如下关系式:
成本系数=1/价格系数。
第二方面,提供一种画作推荐装置,装置包括:
采集单元:配置用于采集用户行为信息,用户行为信息包括单一行为信息和组合行为信息,所述单一行为指用户通过操作一类智能终端所生成的行为,所述组合行为是指用户通过操作至少两类智能终端所生成的行为;
构建矩阵单元:配置用于根据用户对画作的各用户行为信息计算用户对画作的偏好值,构建用户对画作的二维偏好矩阵;
输出单元:配置用于对二维偏好矩阵进行基于协同过滤的矩阵分解,输出用户对未知偏好的画作的预测偏好值,并根据预测偏好值实现画作推荐。
本发明提供的一个或多个实施例中,采集单元包括:
采集手机端行为单元;配置用于通过访问手机端获取单一行为信息,手机端单一行为包括浏览行为、搜索行为、购买行为、未购买行为、分享行为和推送行为;
采集电子相框端行为单元;配置用于通过访问电子相框端获取单一行为,电子相框端单一行为包括播放行为;
采集组合行为单元:配置用于通过分别访问手机端和电子相框端获取行为组合信息,组合行为包括手机端推送至电子相框端的画作电子相框端预览后未购买或购买的行为。
本发明提供的一个或多个实施例中,所输出单元包括:
计算单元:配置用于针对用户i对画作j的各用户行为进行加权计算,计算用户i对画作j偏好值,用户i对画作j偏好值wij的计算方法如下:
其中,ak为第k类用户行为的权重,rk表示是否发生k类用户行为,若发生则取1,否则取0,L为行为类型个数。
本发明提供的一个或多个实施例中,计算单元包括:
确定权重单元:配置用于针对不同行为类型,根据行为单次权重、行为次数、价格系数和成本系数,确定权重,每个行为类型设定有相应的行为单次权重,包括以下至少一项:
行为类型为购买行为,则权重的计算方法如下:
权重=行为单次权重×行为次数×价格系数;
行为类型为未购买行为,则权重的计算方法如下:
权重=行为单次权重×成本系数;
针对其他行为类型,权重的计算方法如下:
权重=行为单次权重×行为次数;
本发明提供的一个或多个实施例中,权重确定单元还包括:
确定价格系数单元:配置用于根据当前画作价格、全部画作价格的最小值和全部画作价格的最大值,确定价格系数,价格系数的计算方法如下:
价格系数=(当前画作价格-全部画作价格的最小值)÷(全部画作价格的最大值-全部画作价格的最小值)+1;
确定成本系数单元:配置用于成本系数与价格系数之间满足如下关系式:成本系数=1/价格系数。
第三方面,提供一种设备,设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器执行本发明所提供的各实施例的画作推荐方法。
第四方面,提供一种存储有计算机程序的计算机可读存储介质,
该程序被处理器执行时实现本发明所提供的各实施例的画作推荐方法。
根据本申请实施例提供的技术方案,通过引入多种用户行为,能够解决传统画作推荐方法的推荐精度低下的问题。进一步的,根据本申请的某些实施例,通过价格、成本因素和用户行为相结合的推荐方式,还能解决传统画作推荐方法中未考虑价格因素带来的推荐成功率低下的问题,获得推荐成功率高的效果。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了可以应用本申请实施例的示例性系统架构;
图2示出了根据本申请实施例的画作推荐方法的示例性流程图;
图3示出了根据本申请实施例的步骤S102的示例性流程图;
图4示出了根据本申请实施例的画作推荐装置的示例性结构框图;
图5示出了根据本申请实施例的一种设备的示例性结构框图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、网络103和服务器104。网络103用以在终端设备101、102和服务器104之间提供通信链路的介质。网络103可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户110可以使用终端设备101、102通过网络103与服务器104交互,以接收或发送消息等。终端设备101、102上可以安装有各种通讯客户端应用,例如画作播放工具、画作预览软件、画作购买软件等。
终端设备101可以是各种电子设备,包括但不限于个人电脑、智能手机、智能手表、平板电脑、个人数字助理等等。终端设备102为电子相框。
服务器104可以是提供各种服务的服务器。服务器可以对接收到的数据进行存储、分析等处理,并将处理结果反馈给终端设备。
需要说明的是,本申请实施例所提供的画作推荐方法可以由终端设备101、102执行,也可以由服务器104执行,画作推荐装置可以设置于终端设备101、102中,也可以设置于服务器104中。其中,由终端设备101、102执行画作推荐方法时,可将推荐结果告知服务器104,再由服务器104将保存的相关画作推荐给终端设备101或102。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
请参考图2,示出了根据本申请实施例的画作推荐方法的示例性流程图;如图2所示,画作推荐方法包括:
步骤S101:采集用户行为信息,用户行为信息包括单一行为信息和组合行为信息,第一行为是指用户通过操作一类智能终端所生成的行为,组合行为是指用户通过操作至少两类智能终端所生成的行为;
步骤S102:根据用户对画作的各用户行为信息计算用户对画作的偏好值,构建用户对画作的二维偏好矩阵;
步骤S103:对二维偏好矩阵进行基于协同过滤的矩阵分解,输出用户对未知偏好的画作的预测偏好值,并根据预测偏好值实现画作推荐。
在步骤S101,设置了多种类型的用户行为,包括单一行为信息和组合行为信息。还包括正反馈行为信息和负反馈行为信息。单一行为指用户通过操作一类智能终端例如手机所生成的行为,单一行为数据量少,且偏好多为正反馈即喜欢的程度信息,而缺少负反馈即讨厌的程度信息,使得表达的信息不够全面。
推荐算法的准确性很大程度上取决于用户-物品偏好矩阵数据的稀疏程度。丰富的行为数据减少了矩阵中的零元素的数量。零元素是指矩阵中元素值为零,本发明中是指偏好值为零的元素。另外,增加了负反馈的数据,例如将浏览后未购买的行为。因此,提高了推荐结果的准确性。
在步骤S102,基于步骤S101中设定的用户行为,根据用户对画作的用户行为,计算相应的偏好值。并将各偏好值作为矩阵元素,构建用户对画作的二维偏好矩阵W。
W≈PQT
其中,P为m×k矩阵,QT为k×n矩阵,m为用户数,n为画作数,k为可选择的超参数。
在步骤S103,对二维偏好矩阵W进行基于协同过滤的矩阵分解,计算用户对未知偏好的画作的预测偏好值,并将预测偏好值按大小排序,将偏好值大于设定值的画作推荐给用户。
在一些实施例中,用户行为的采集包括至少如下一项:
通过访问手机端获取单一行为信息,手机端单一行为包括浏览行为、搜索行为、购买行为、未购买行为、分享行为和推送行为;
通过访问电子相框端获取单一行为,电子相框端单一行为包括播放行为;
通过分别访问手机端和电子相框端获取行为组合信息,组合行为包括手机端推送至电子相框端的画作电子相框端预览后未购买或购买的行为。
本发明利用用户对画作的多种行为进行推荐。这些行为包括手机端的行为信息,例如画作浏览、搜索、购买、分享和推送至电子相框等,还包括电子相框端的行为信息,例如预览、播放画作等行为,以及手机端和电子相框端的组合行为,例如推送至电子相框并预览而手机端未购买等行为。
接着,请参考图3,示出了根据本申请实施例的步骤S102的示例性流程图;如图所示,步骤S102包括:
步骤S201:针对用户i对画作j的各用户行为进行加权计算,计算用户i对画作j的偏好值,用户i对画作j的偏好值wij的计算方法如下:
其中,ak为第k类用户行为的权重,rk表示是否发生k类用户行为,若发生则取1,否则取0,L为行为类型个数。
具体地,当用户1对画作2发生浏览和购买行为时,将浏览行为权重加上购买行为的权重将生成用户1对画作2的偏好值。依次类推,将计算所采集的用户行为对应的偏好值,并作为矩阵元素,构建二维偏好矩阵。并设定p、q分别为P、Q的行向量,利用已知的wij对矩阵W求解,求解满足下式:
其中,λ为正则化参数。
通过梯度下降法迭代求解:
其中,α为学习率。
然后用户i对画作j的预测偏好可以通过下式得到:
最后利用公式(5)求得用户i对所有未知偏好的画作的预测偏好值,并按大小排序,将偏好值大的前N幅画作推荐给用户。其中,N的取值根据需求而定。
在一些实施例中,针对不同行为类型,根据行为次数、价格系数和成本系数,确定权重,每个行为类型设定有相应的行为单次权重,包括以下至少一项:
行为类型为购买行为,则根据行为次数、价格系数和成本系数,确定权重,权重的计算方法如下:
权重=行为单次权重×行为次数×价格系数;
行为类型为未购买行为,则权重的计算方法如下:
权重=行为单次权重×成本系数;
针对其他行为类型,权重的计算方法如下:
权重=行为单次权重×行为次数。
为了更好地体现用户对画作的偏好程度,对每个用户行为设定了行为单次权重。如浏览行为的行为单次权重为0.1,购买行为的行为单次权重为1,未购买的行为单次权重为-0.5,该值可根据实际需求设定。需要说明的是,针对用户播放行为,其行为次数可理解为播放次数×播放时长,因为播放时长也反映用户对画作的喜好程度。
在一些实施例中,价格系数和成本系数的计算方法如下:
根据当前画作价格、全部画作价格的最小值和全部画作价格的最大值,确定价格系数,价格系数的计算方法如下:
价格系数=(当前画作价格-全部画作价格的最小值)÷(全部画作价格的最大值-全部画作价格的最小值)+1;
成本系数与价格系数之间满足如下关系式:
成本系数=1/价格系数为了更加准确地推荐画作,将价格作为计算偏好值的一个因素。
请参考图4,示出了根据本申请实施例的画作推荐装置200的示例性结构框图;如图4所示,装置包括:
采集单元210:配置用于采集用户行为信息,用户行为信息包括单一行为信息和组合行为信息;
构建矩阵单元220:配置用于根据用户对画作的各用户行为信息计算用户对画作的偏好值,构建用户对画作的二维偏好矩阵;
输出单元230:配置用于对二维偏好矩阵进行基于协同过滤的矩阵分解,输出用户对未知偏好的画作的预测偏好值,并根据预测偏好值实现画作推荐。
该画作推荐装置200的工作原理请参考图2所示的画作推荐方法,这里不再赘述。
在一些实施例中,采集单元210包括:
采集手机端行为单元211;配置用于通过访问手机端获取单一行为信息,手机端单一行为包括浏览行为、搜索行为、购买行为、未购买行为、分享行为和推送行为;
采集电子相框端行为单元212;配置用于通过访问电子相框端获取单一行为,电子相框端单一行为包括播放行为;
采集组合行为单元213:配置用于通过分别访问手机端和电子相框端获取行为组合信息,组合行为包括手机端推送至电子相框端的画作电子相框端预览后未购买或购买的行为。
在一些实施例中,所输出单元230包括:
计算单元231:配置用于针对用户i对画作j的各用户行为进行加权计算,计算用户i对画作j偏好值,用户i对画作j偏好值wij的计算方法如下:
其中,ak为第k类用户行为的权重,rk表示是否发生k类用户行为,若发生则取1,否则取0,L为行为类型个数。
在一些实施例中,计算单元包括:
确定权重单元232:配置用于针对不同行为类型,根据行为单次权重、行为次数、价格系数和成本系数,确定权重,每个行为类型设定有相应的行为单次权重,包括以下至少一项:
行为类型为购买行为,则权重的计算方法如下:
权重=行为单次权重×行为次数×价格系数;
行为类型为未购买行为,则权重的计算方法如下:
权重=行为单次权重×成本系数;
针对其他行为类型,权重的计算方法如下:
权重=行为单次权重×行为次数;
在一些实施例中,权重确定单元还包括:
确定价格系数单元233:配置用于根据当前画作价格、全部画作价格的最小值和全部画作价格的最大值,确定价格系数,价格系数的计算方法如下:
价格系数=(当前画作价格-全部画作价格的最小值)÷(全部画作价格的最大值-全部画作价格的最小值)+1;
确定成本系数单元234:配置用于成本系数与价格系数之间满足如下关系式:成本系数=1/价格系数。
下面参考图5,其示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统300的结构示意图。
如图5所示,作为另一方面,本申请还提供了一种设备300,包括一个或多个中央处理单元(CPU)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储部分308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有系统300操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
以下部件连接至I/O接口305:包括键盘、鼠标等的输入部分306;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307;包括硬盘等的存储部分308;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器310上,以便于从其上读出的计算机程序根据需要被安装入存储部分308。
特别地,根据本公开的实施例,上文参考图1描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,计算机程序包含用于执行画作推荐方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分309从网络上被下载和安装,和/或从可拆卸介质311被安装。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中所述装置中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本申请的画作推荐方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种画作推荐方法,其特征在于,所述方法包括:
采集用户行为信息,所述用户行为信息包括单一行为信息和组合行为信息,所述单一行为指用户通过操作一类智能终端所生成的行为,所述组合行为是指用户通过操作至少两类智能终端所生成的行为;
根据用户对画作的各所述用户行为信息计算所述用户对所述画作的偏好值,并构建用户对画作的二维偏好矩阵;
对所述二维偏好矩阵进行基于协同过滤的矩阵分解,输出用户对未知偏好的画作的预测偏好值,并根据所述预测偏好值实现画作推荐。
2.根据权利要求1所述的画作推荐方法,其特征在于,所述采集用户行为信息包括至少如下一项:
通过访问手机端获取单一行为信息,手机端单一行为包括浏览行为、搜索行为、购买行为、未购买行为、分享行为和推送行为;
通过访问电子相框端获取单一行为,电子相框端单一行为包括播放行为;
通过分别访问手机端和电子相框端获取所述行为组合信息,所述组合行为包括手机端推送至电子相框端的画作电子相框端预览后未购买或购买的行为。
3.根据权利要求2所述的画作推荐方法,其特征在于,所述根据用户对画作的各所述用户行为信息,构建用户对画作的二维偏好矩阵包括:
针对用户i对画作j的各所述用户行为进行加权计算,计算用户i对画作j的偏好值,所述用户i对画作j的偏好值wij的计算方法如下:
其中,ak为第k类用户行为的权重,rk表示是否发生k类用户行为,若发生则取1,否则取0,L为行为类型个数。
4.根据权利要求3所述的画作推荐方法,其特征在于,针对不同行为类型,根据行为次数、价格系数和成本系数,确定所述权重,每个所述行为类型设定有相应的所述行为单次权重,包括以下至少一项:
所述行为类型为购买行为,则根据行为次数、价格系数和成本系数,确定所述权重,所述权重的计算方法如下:
权重=行为单次权重×行为次数×价格系数;
所述行为类型为未购买行为,则所述权重的计算方法如下:
权重=行为单次权重×成本系数;
针对其他行为类型,所述权重的计算方法如下:
权重=行为单次权重×行为次数。
5.根据权利要求4所述的画作推荐方法,其特征在于,所述根据行为次数、价格系数和成本系数,确定所述权重包括:
根据当前画作价格、全部画作价格的最小值和全部画作价格的最大值,确定所述价格系数,所述价格系数的计算方法如下:
价格系数=(当前画作价格-全部画作价格的最小值)÷(全部画作价格的最大值-全部画作价格的最小值)+1;
所述成本系数与所述价格系数之间满足如下关系式:
成本系数=1/价格系数。
6.一种画作推荐装置,其特征在于,所述装置包括:
采集单元:配置用于采集用户行为信息,所述用户行为信息包括单一行为信息和组合行为信息,所述单一行为指用户通过操作一类智能终端所生成的行为,所述组合行为是指用户通过操作至少两类智能终端所生成的行为;
构建矩阵单元:配置用于根据用户对画作的各所述用户行为信息计算所述用户对所述画作的偏好值,构建用户对画作的二维偏好矩阵;
输出单元:配置用于对所述二维偏好矩阵进行基于协同过滤的矩阵分解,输出用户对未知偏好的画作的预测偏好值,并根据所述预测偏好值实现画作推荐。
7.根据权利要求6所述的画作推荐装置,其特征在于,所述采集单元包括:
采集手机端行为单元;配置用于通过访问手机端获取单一行为信息,手机端单一行为包括浏览行为、搜索行为、购买行为、未购买行为、分享行为和推送行为;
采集电子相框端行为单元;配置用于通过访问电子相框端获取单一行为,电子相框端单一行为包括播放行为;
采集组合行为单元:配置用于通过分别访问手机端和电子相框端获取所述行为组合信息,所述组合行为包括手机端推送至电子相框端的画作电子相框端预览后未购买或购买的行为。
8.根据权利要求7所述的画作推荐装置,其特征在于,所输出单元包括:
计算单元:配置用于针对用户i对画作j的各所述用户行为进行加权计算,计算用户i对画作j偏好值,所述用户i对画作j偏好值wij的计算方法如下:
其中,ak为第k类用户行为的权重,rk表示是否发生k类用户行为,若发生则取1,否则取0,L为行为类型个数。
9.根据权利要求8所述的画作推荐装置,其特征在于,所述计算单元包括:
确定权重单元:配置用于针对不同行为类型,根据行为单次权重、行为次数、价格系数和成本系数,确定所述权重,每个所述行为类型设定有相应的所述行为单次权重,包括以下至少一项:
所述行为类型为购买行为,则所述权重的计算方法如下:
权重=行为单次权重×行为次数×价格系数;
所述行为类型为未购买行为,则所述权重的计算方法如下:
权重=行为单次权重×成本系数;
针对其他行为类型,所述权重的计算方法如下:
权重=行为单次权重×行为次数。
10.根据权利要求9所述的画作推荐装置,其特征在于,所述权重确定单元还包括:
确定价格系数单元:配置用于根据当前画作价格、全部画作价格的最小值和全部画作价格的最大值,确定所述价格系数,所述价格系数的计算方法如下:
价格系数=(当前画作价格-全部画作价格的最小值)÷(全部画作价格的最大值-全部画作价格的最小值)+1;
确定成本系数单元:配置用于所述成本系数与所述价格系数之间满足如下关系式:成本系数=1/价格系数。
11.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行如权利要求1-5中任一项所述画作推荐方法。
12.一种存储有计算机程序的计算机可读存储介质,其特征在于,
该程序被处理器执行时实现如权利要求1-5中任一项所述画作推荐方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810328518.6A CN108510373A (zh) | 2018-04-12 | 2018-04-12 | 画作推荐方法、画作推荐装置、设备及存储介质 |
PCT/CN2019/082116 WO2019196881A1 (zh) | 2018-04-12 | 2019-04-10 | 推荐方法、推荐装置、推荐设备、推荐系统及存储介质 |
US16/623,207 US20210150378A1 (en) | 2018-04-12 | 2019-04-10 | Recommendation method, recommendation apparatus, recommendation device, recommendation system and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810328518.6A CN108510373A (zh) | 2018-04-12 | 2018-04-12 | 画作推荐方法、画作推荐装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108510373A true CN108510373A (zh) | 2018-09-07 |
Family
ID=63381649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810328518.6A Pending CN108510373A (zh) | 2018-04-12 | 2018-04-12 | 画作推荐方法、画作推荐装置、设备及存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210150378A1 (zh) |
CN (1) | CN108510373A (zh) |
WO (1) | WO2019196881A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276014A (zh) * | 2019-06-28 | 2019-09-24 | 京东方科技集团股份有限公司 | 数字作品的推荐方法、装置、设备及存储介质 |
WO2019196881A1 (zh) * | 2018-04-12 | 2019-10-17 | 京东方科技集团股份有限公司 | 推荐方法、推荐装置、推荐设备、推荐系统及存储介质 |
WO2020057145A1 (en) * | 2018-09-21 | 2020-03-26 | Boe Technology Group Co., Ltd. | Method and device for generating painting display sequence, and computer storage medium |
CN111556347A (zh) * | 2020-04-27 | 2020-08-18 | 康佳集团股份有限公司 | 一种壁画电视壁纸库的更新方法、存储介质及智能终端 |
CN112308662A (zh) * | 2020-10-09 | 2021-02-02 | 北京沃东天骏信息技术有限公司 | 评价晒单推荐方法和装置 |
CN114817753A (zh) * | 2022-06-29 | 2022-07-29 | 京东方艺云(杭州)科技有限公司 | 一种艺术画作的推荐方法及装置 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111258695B (zh) * | 2020-01-15 | 2023-11-17 | 广东小天才科技有限公司 | 电话手表的表盘推荐方法、表盘推荐装置及终端设备 |
CN112632403B (zh) * | 2020-12-24 | 2024-04-09 | 北京百度网讯科技有限公司 | 推荐模型的训练方法、推荐方法、装置、设备和介质 |
CN113052662B (zh) * | 2021-04-20 | 2024-02-06 | 中国工商银行股份有限公司 | 数据处理方法、装置、电子设备和介质 |
CN113360764A (zh) * | 2021-06-23 | 2021-09-07 | 甄付(上海)网络科技有限公司 | 基于生活服务消费场景的社交网络构建方法及系统 |
CN113516539A (zh) * | 2021-07-29 | 2021-10-19 | 中移(杭州)信息技术有限公司 | 商品推荐方法、装置及计算机可读存储介质 |
CN114219554B (zh) * | 2021-11-19 | 2024-05-28 | 建信金融科技有限责任公司 | 基于盲盒文化的产品分配方法、装置、电子设备 |
CN114791982B (zh) * | 2022-06-24 | 2022-10-14 | 百度在线网络技术(北京)有限公司 | 对象推荐方法和装置 |
CN116596640A (zh) * | 2023-07-19 | 2023-08-15 | 国网山东省电力公司营销服务中心(计量中心) | 电力零售电费套餐的推荐方法、系统、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399858A (zh) * | 2013-07-01 | 2013-11-20 | 吉林大学 | 基于信任的社会化协同过滤推荐方法 |
CN103593417A (zh) * | 2013-10-25 | 2014-02-19 | 安徽教育网络出版有限公司 | 基于关联规则预测的协同过滤推荐方法 |
CN105183727A (zh) * | 2014-05-29 | 2015-12-23 | 上海研深信息科技有限公司 | 一种图书推荐方法及其系统 |
KR20160064447A (ko) * | 2014-11-28 | 2016-06-08 | 이종찬 | 협력적 필터링의 예측 선호도를 이용한 처음 사용자에 대한 추천 제공 방법 |
CN105976220A (zh) * | 2016-04-25 | 2016-09-28 | 合肥工业大学 | 基于项目使用次数的矩阵分解推荐方法 |
CN106055715A (zh) * | 2016-07-12 | 2016-10-26 | 合肥工业大学 | 一种基于产品项目特征扩充的最近邻协同过滤方法 |
CN107066476A (zh) * | 2016-12-13 | 2017-08-18 | 江苏途致信息科技有限公司 | 一种基于物品相似度的实时推荐方法 |
CN107423343A (zh) * | 2017-05-12 | 2017-12-01 | 中国地质大学(武汉) | 一种基于混合协同过滤的图书馆图书推荐方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982107B (zh) * | 2012-11-08 | 2015-09-16 | 北京航空航天大学 | 一种融合用户、项目和上下文属性信息的推荐系统优化方法 |
CN107704485A (zh) * | 2017-07-31 | 2018-02-16 | 北京拉勾科技有限公司 | 一种职位推荐方法及计算设备 |
CN108510373A (zh) * | 2018-04-12 | 2018-09-07 | 京东方科技集团股份有限公司 | 画作推荐方法、画作推荐装置、设备及存储介质 |
-
2018
- 2018-04-12 CN CN201810328518.6A patent/CN108510373A/zh active Pending
-
2019
- 2019-04-10 WO PCT/CN2019/082116 patent/WO2019196881A1/zh active Application Filing
- 2019-04-10 US US16/623,207 patent/US20210150378A1/en not_active Abandoned
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399858A (zh) * | 2013-07-01 | 2013-11-20 | 吉林大学 | 基于信任的社会化协同过滤推荐方法 |
CN103593417A (zh) * | 2013-10-25 | 2014-02-19 | 安徽教育网络出版有限公司 | 基于关联规则预测的协同过滤推荐方法 |
CN105183727A (zh) * | 2014-05-29 | 2015-12-23 | 上海研深信息科技有限公司 | 一种图书推荐方法及其系统 |
KR20160064447A (ko) * | 2014-11-28 | 2016-06-08 | 이종찬 | 협력적 필터링의 예측 선호도를 이용한 처음 사용자에 대한 추천 제공 방법 |
CN105976220A (zh) * | 2016-04-25 | 2016-09-28 | 合肥工业大学 | 基于项目使用次数的矩阵分解推荐方法 |
CN106055715A (zh) * | 2016-07-12 | 2016-10-26 | 合肥工业大学 | 一种基于产品项目特征扩充的最近邻协同过滤方法 |
CN107066476A (zh) * | 2016-12-13 | 2017-08-18 | 江苏途致信息科技有限公司 | 一种基于物品相似度的实时推荐方法 |
CN107423343A (zh) * | 2017-05-12 | 2017-12-01 | 中国地质大学(武汉) | 一种基于混合协同过滤的图书馆图书推荐方法及系统 |
Non-Patent Citations (2)
Title |
---|
冷亚军等: "协同过滤推荐技术综述", 《模式识别与人工智能》 * |
张博伦: "基于协同过滤的个性化推荐系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019196881A1 (zh) * | 2018-04-12 | 2019-10-17 | 京东方科技集团股份有限公司 | 推荐方法、推荐装置、推荐设备、推荐系统及存储介质 |
WO2020057145A1 (en) * | 2018-09-21 | 2020-03-26 | Boe Technology Group Co., Ltd. | Method and device for generating painting display sequence, and computer storage medium |
CN110276014A (zh) * | 2019-06-28 | 2019-09-24 | 京东方科技集团股份有限公司 | 数字作品的推荐方法、装置、设备及存储介质 |
CN111556347A (zh) * | 2020-04-27 | 2020-08-18 | 康佳集团股份有限公司 | 一种壁画电视壁纸库的更新方法、存储介质及智能终端 |
CN112308662A (zh) * | 2020-10-09 | 2021-02-02 | 北京沃东天骏信息技术有限公司 | 评价晒单推荐方法和装置 |
CN114817753A (zh) * | 2022-06-29 | 2022-07-29 | 京东方艺云(杭州)科技有限公司 | 一种艺术画作的推荐方法及装置 |
CN114817753B (zh) * | 2022-06-29 | 2022-09-09 | 京东方艺云(杭州)科技有限公司 | 一种艺术画作的推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US20210150378A1 (en) | 2021-05-20 |
WO2019196881A1 (zh) | 2019-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510373A (zh) | 画作推荐方法、画作推荐装置、设备及存储介质 | |
US9607010B1 (en) | Techniques for shape-based search of content | |
CN107679211A (zh) | 用于推送信息的方法和装置 | |
CN110929138B (zh) | 推荐信息生成方法、装置、设备及存储介质 | |
WO2013009710A1 (en) | Automated presentation of information using infographics | |
CN111680254B (zh) | 一种内容推荐方法及装置 | |
CN110298716A (zh) | 信息推送方法和装置 | |
CN107644364A (zh) | 对象过滤方法及系统 | |
CN110020162A (zh) | 用户识别方法和装置 | |
CN110111167A (zh) | 一种确定推荐对象的方法和装置 | |
CN107145485A (zh) | 用于压缩主题模型的方法和装置 | |
CN110363604A (zh) | 页面生成方法和装置 | |
CN109101309B (zh) | 用于更新用户界面方法和装置 | |
CN108595448A (zh) | 信息推送方法和装置 | |
CN109727047A (zh) | 一种确定数据关联度的方法和装置、数据推荐方法和装置 | |
CN107545491A (zh) | 一种推荐信息的数据处理方法和装置 | |
CN109862100A (zh) | 用于推送信息的方法和装置 | |
CN107391540A (zh) | 一种小程序展示方法、装置及分类器 | |
CN109389660A (zh) | 图像生成方法和装置 | |
CN111047410B (zh) | 推荐方法、装置、终端设备以及存储介质 | |
CN109840788A (zh) | 用于分析用户行为数据的方法及装置 | |
CN112749323A (zh) | 一种构建用户画像的方法和装置 | |
CN109597912A (zh) | 用于处理图片的方法 | |
CN112449217B (zh) | 一种推送视频的方法、装置、电子设备和计算机可读介质 | |
CN111814044A (zh) | 一种推荐方法、装置、终端设备及存储介质 |
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 |