CN108960945A - 商品推荐方法和装置 - Google Patents
商品推荐方法和装置 Download PDFInfo
- Publication number
- CN108960945A CN108960945A CN201710351356.3A CN201710351356A CN108960945A CN 108960945 A CN108960945 A CN 108960945A CN 201710351356 A CN201710351356 A CN 201710351356A CN 108960945 A CN108960945 A CN 108960945A
- Authority
- CN
- China
- Prior art keywords
- commodity
- recommendation
- user
- recommendation request
- request
- 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
- 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
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种商品推荐方法和装置,能够解决商品推荐系统单纯依赖相似度,不能区分用户场景,从而达不到预期推荐效果的问题。该方法包括:接收用户发来的推荐请求;根据所述推荐请求,基于多样性区分模型进行推荐计算,以得到所述推荐请求对应的推荐商品排序结果;将所述用户购买和浏览的商品与推荐商品排序结果中的商品进行匹配,并根据匹配结果对所述推荐商品排序结果中的商品进行重新排序,以得到推荐结果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种商品推荐方法和装置。
背景技术
商品推荐是电商网站进行商品销售的一种重要途径。在众多电商网站中都会有一些推荐模块以对用户进行商品推荐。商品推荐的结果是否合适会影响用户对推荐商品的浏览,同时也将影响用户的购买情况。
通常情况下,商品推荐系统比较依赖于相似度。相似度是衡量两种不同的商品之间是否一致的数值表示。根据现有的技术方案,推荐的内容基本都是与用户的浏览内容和购买内容相近的商品,包括:和用户所购买的商品的属性相似,或者与邻居用户所购买的商品相同或相似。从表面来看,似乎这样的推荐是合理的,比如用户购买了《JAVA 编程思想》这本书,这时商城系统会推荐一些与JAVA相关的书籍给用户,让用户继续挑选。在这个推荐过程中“JAVA”关键字的权重会比较大,所以具有“JAVA”关键字属性的内容就比较容易被挑出来,然后,再对相似用户的购买情况、书的评价情况等因素进行综合考虑,从而与JAVA相关的书籍就被推荐了出来。但在某些情况下,如果把类似的推荐过程应用在其他一些商品中,推荐效果却往往没有那么好,甚至会让用户感到奇怪。比如当用户购买了洗衣液之后,推荐系统会默认对用户推荐同品牌或其他品牌的洗衣液,然而用户在已经购买了洗衣液的情况下,再次购买洗衣液的需求或可能性已经很小,这样就浪费了一次推荐机会,且并不能看到预期的推荐效果。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
在某些情况下,如果推荐系统推荐与购买商品相似度高的商品给用户,可能会达不到预期的推荐效果。亦即:现有技术无法全面考虑商品之间的相关性、用户购买记录与浏览记录之间的关系,从而推荐更适合用户场景的商品。
发明内容
有鉴于此,本发明实施例提供一种商品推荐方法和装置,能够解决商品推荐系统单纯依赖相似度,不能区分用户场景,从而达不到预期推荐效果的问题。
为实现上述目的,根据本发明实施例的一个方面,提供了一种商品推荐方法。
本发明实施例一种商品推荐方法包括:接收用户发来的推荐请求;根据所述推荐请求,基于多样性区分模型进行推荐计算,以得到所述推荐请求对应的推荐商品排序结果;将所述用户购买和浏览的商品与推荐商品排序结果中的商品进行匹配,并根据匹配结果对所述推荐商品排序结果中的商品进行重新排序,以得到推荐结果。
可选地,所述推荐计算包括:从基础数据中获取推荐候选商品集合;根据商品多样性系数判断所述推荐请求的类型为相似性推荐请求或相关性推荐请求;根据所述推荐请求的类型对所述推荐候选商品集合中的商品进行相应的相似性排序或相关性排序,以得到推荐商品排序结果;其中,相似性排序根据推荐请求中的商品的特征与所述推荐候选商品集合中的商品的特征的对比进行排序,相关性排序根据推荐请求中的商品与推荐候选商品集合中的商品之间的购买规律特征数据进行排序。
可选地,所述商品多样性系数通过对购买过所述商品的用户的购买历史特征数据、购买规律特征数据和购买后浏览记录特征数据进行加权融合得到。
可选地,所述购买历史特征数据包括:所述用户在购买所述推荐请求中的商品之前、之后和与所述推荐请求中的商品同一订单的商品与所述推荐请求中的商品的相似度。
可选地,所述购买规律特征数据包括:所述用户购买所述推荐请求中的商品及其所在分类的商品与所述用户购买的其他商品之间的权重。
可选地,所述购买后浏览记录特征数据包括:所述商品被购买后,所述用户继续浏览的商品与所述推荐请求中的商品之间的权重。
可选地,所述商品的特征包括以下至少一种:商品子分类、商品属性、颜色、价格、关键字。
可选地,一种商品推荐方法还包括:在接收用户发来的推荐请求之后,对所述推荐请求进行判断,当数据库中存在与所述推荐请求相同或相似的推荐请求时,将所述相同或相似的推荐请求对应的数据库中的推荐结果保存为推荐结果,并将所述推荐结果展示给所述用户。
可选地,一种商品推荐方法还包括:将特殊推荐商品插入到所述推荐结果中。
可选地,一种商品推荐方法还包括:将所述推荐请求及所述推荐结果保存到数据库中。
为实现上述目的,根据本发明实施例的一个方面,提供了一种商品推荐装置。
本发明实施例一种商品推荐装置包括:接收模块,用于接收用户发来的推荐请求;推荐计算模块,用于根据所述推荐请求进行推荐计算,以得到所述推荐请求对应的推荐商品排序结果;匹配模块,用于将所述用户购买和浏览的商品与推荐商品排序结果中的商品进行匹配,并根据匹配结果对所述推荐商品排序结果中的商品进行重新排序,以得到推荐结果。
可选地,所述推荐计算模块包括:候选集计算模块,用于从基础数据中获取推荐候选商品集合;多样性区分模块,用于根据商品多样性系数判断所述推荐请求的类型为相似性推荐请求或相关性推荐请求,以进入相似性商品推荐计算模块或相关性商品推荐计算模块;相似性商品推荐计算模块,用于根据推荐请求中的商品的特征与所述推荐候选商品集合中的商品的特征的对比,对所述推荐候选商品集合中的商品进行排序,以得到推荐商品排序结果;相关性商品推荐计算模块,用于根据推荐请求中的商品与推荐候选商品集合中的商品之间的购买规律特征数据,对所述推荐候选商品集合中的商品进行排序,以得到推荐商品排序结果。
可选地,所述多样性区分模块还用于:对购买过所述商品的用户的购买历史特征数据、购买规律特征数据和购买后浏览记录特征数据进行加权融合,以得到商品多样性系数。
可选地,所述多样性区分模块还用于:计算所述用户在购买所述推荐请求中的商品之前、之后和与所述推荐请求中的商品同一订单的商品与所述推荐请求中的商品的相似度为所述购买历史特征数据。
可选地,所述多样性区分模块还用于:计算所述用户购买所述推荐请求中的商品及其所在分类的商品与所述用户购买的其他商品之间的权重为所述购买规律特征数据。
可选地,所述多样性区分模块还用于:计算所述商品被购买后,所述用户继续浏览的商品与所述推荐请求中的商品之间的权重为所述购买后浏览记录特征数据。
可选地,所述商品的特征包括以下至少一种:商品子分类、商品属性、颜色、价格、关键字。
可选地,所述接收模块还用于:在接收用户发来的推荐请求之后,对所述推荐请求进行判断,当数据库中存在与所述推荐请求相同或相似的推荐请求时,将所述相同或相似的推荐请求对应的数据库中的推荐结果保存为推荐结果,并将所述推荐结果展示给所述用户。
可选地,一种商品推荐装置还包括:排序集合处理模块,用于将特殊推荐商品插入到所述推荐结果中。
可选地,一种商品推荐装置还包括:排序集合处理模块,用于将所述推荐请求及所述推荐结果保存到数据库中。
为实现上述目的,根据本发明实施例的再一方面,提供了一种实现商品推荐方法的电子设备。
本发明实施例的一种电子设备包括:一个或多个处理器;存储装置,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,使得所述一个或多个处理器实现本发明实施例的商品推荐方法。
为实现上述目的,根据本发明实施例的又一方面,提供了一种计算机可读介质。
本发明实施例的一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时用于实现使所述计算机执行本发明实施例的商品推荐方法。
上述发明中的一个实施例具有如下优点或有益效果:因为采用通过对购买过所述商品的用户的购买历史特征数据、购买规律特征数据和购买后浏览记录特征数据进行加权融合得到多样性系数,从而进行相似性商品推荐或相关性商品推荐的推荐策略选择,并根据推荐策略进行相应推荐商品排序的技术手段,所以克服了商品推荐系统单纯依赖相似度,不能区分用户场景,从而达不到预期推荐效果的技术问题,进而达到全面考虑商品之间的相关性、用户购买记录与浏览记录之间的关系,从而推荐更适合用户场景的商品的技术效果;通过横向管控机制,从而可以根据业务场景调整推荐的结果和推荐计算方向;通过数据库存储及查找推荐请求及推荐结果,从而可以加速系统运行时间,节约计算成本。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的商品推荐方法的主要步骤的示意图;
图2是根据本发明实施例的商品推荐方法的整体架构的示意图;
图3是根据本发明实施例的商品推荐方法中多样性区分模块计算过程的示意图;
图4是根据本发明实施例的商品推荐方法中从请求到分支结果过程的示意图;
图5是根据本发明实施例的商品推荐方法中接收模块的示意图;
图6是根据本发明实施例的商品推荐方法中兴趣归类的示意图;
图7是根据本发明实施例的商品推荐装置的主要模块的示意图;
图8是适于用来实现本申请实施例的商品推荐方法和装置的计算机系统的结构示意图;
图9是本发明实施例可以应用于其中的示例性系统架构图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本发明实施例的技术方案首先对推荐请求进行判断是采用查询并提取存储数据进行推荐,还是进行推荐计算,从而能够加速系统运行时间,节约计算成本;若需推荐计算,从基础数据中通过基于内容的推荐策略和基于用户的推荐策略获取推荐商品集合之后,通过对购买历史特征、购买规律特征、购买后浏览记录特征进行计算分析,融合得到多样性系数,从而判断推荐策略是相似性推荐还是相关性推荐,并根据请求推荐依据进行相似性推荐排序或相关性推荐排序,得到排序队列,从而能够克服对相似度的单纯依赖,根据不同用户场景,全面考虑商品之间的相关性、用户购买记录与浏览记录之间的关系,推荐更适合用户场景的商品;然后计算排序队列中的商品的特征与用户浏览和购买的商品的特征间的偏移距离,根据此偏移距离的大小重新排序,得到推荐结果;最后在推荐结果中插入特殊推荐商品,并保存推荐请求与相应推荐结果。
图1是根据本发明实施例的商品推荐方法的主要步骤的示意图;
如图1所示,本发明实施例的商品推荐方法主要包括如下步骤:
步骤S11:接收用户发来的推荐请求。在本步骤中,可以根据请求来源和请求推荐内容进行分析判断,查找存储中(数据库)是否存在近似推荐请求,以控制是否允许推荐请求进入推荐计算过程。本步骤可以通过人工控制近似度,来达到请求过滤和降级的目的。
步骤S12:根据所述推荐请求,基于多样性区分模型进行推荐计算,以得到所述推荐请求对应的推荐商品排序结果。本步骤首先可以根据接收到的推荐请求,得到请求用户和请求推荐依据,通过基于内容的推荐策略和基于用户的推荐策略从商品数据集(基础数据,海量数据) 中筛选出特征近似符合的记录,以备推荐的候选集。然后可以在离线状态下,通过对购买过所述商品的用户的购买历史特征数据、购买规律特征数据和购买后浏览记录特征数据进行加权融合计算商品的多样性系数,通过模型训练找出分类临界,并根据业务需要灵活调整分类临界,得到是进行相关性推荐还是进行相似性推荐的判别。而后可以根据请求推荐依据对推荐商品集合中的商品进行排序。
步骤S13:将所述用户购买和浏览的商品与推荐商品排序结果中的商品进行匹配,并根据匹配结果对所述推荐商品排序结果中的商品进行重新排序,以得到推荐结果。本步可以根据用户购买和浏览的商品与上述排序队列中商品的相似性或相关性对排序队列中的商品进行重新排序。
图2是根据本发明实施例的商品推荐方法的整体架构的示意图;
具体商品推荐实现方案具体如下:
1.请求过滤模块(接收模块)
请求过滤模块负责对推荐请求进行过滤,判别推荐请求是否进入推荐计算过程。推荐请求由用户发起。如果用户在访问页面中存在商品推荐的业务,那么当用户访问该页面时系统会执行推荐计算程序。如果存储中(可以但不限于Redis或ElasticSearch)存在近似或相同的推荐请求,那么将已保存的推荐内容返回给请求方。如果没有近似或相同请求,那么将请求下放至推荐计算过程。
例如一个用户发起需要推荐有亮白效果的洗衣液的请求,这时首先取查询存储中是否有相同请求的保存记录,如果有,那么直接将保存下来的推荐记录作为当前的请求结果。如果没有相同(可能是没有,也有可能是存储中的请求记录自动失效),那么这时是计算新的推荐结果,还是选择一个别的相似的请求(比如,销量好的洗衣液)作为推荐结果?这个选择会根据实际情况来进行选择,当系统繁忙时,选择一个相似的请求,可以作为一个很好的降级处理。而所谓的相似请求,就是把请求中,对商品或者类别的特殊特征的需求替换成热度较高的特征(比如“有亮白效果的洗衣液”中的“亮白”是比较特殊的,该特征可以替换成“销量”“实惠”这的热度较高(访问次数多)的特征)推荐请求对应的推荐结果。在一定的时间内,相同请求的结果是可以共用的,无需重新计算。这也会为了减小推荐计算的压力。
图5是根据本发明实施例的商品推荐方法中接收模块的示意图。
如图5所示,请求过滤模块(接收模块)主要控制是否允许推荐请求进入推荐计算过程,请求依据例如:需要推荐的商品子分类、子分类下用户比较关注的特征属性(如颜色、价格等)、商品描述关键字。本模块根据请求来源和请求推荐内容进行分析判断,查找存储中(数据库)是否存在近似推荐请求(近似度高)。通过人工控制近似度,来达到请求过滤和降级的目的。
将请求依据分别归类,比如颜色属于外观类,然后将请求依据当作描述商品的文档,将大量文档通过LDA算法生成“文档-主题-词”的三层关系。根据生成结果中词对应的权重值乘以该词对应的主题权重,再除以文档包含所有主题权重之和。这样就得出这个词的最后权重。假设商品每个归类上对应一个词,每个词对应一个权重,这样就有得到了一个可以描述请求的向量,向量的每个维度就是一个归类。然后通过余弦相似度计算请求直接的相似度。
余弦相似度公式如下:
其中,r1和r2分别代表两个商品的权重向量。
请求过滤模块的整体步骤如下:
第1步:推荐请求接收到以后,自动区分出请求用户和请求推荐依据,请求依据例如:需要推荐的商品子分类、子分类下用户比较关注的特征属性(如颜色、价格等)、商品描述关键字。
第2步:推荐请求相似计算模块。根据请求用户的画像(用户画像是根据用户特点而勾勒出来的用户画像,包括了地区,县市,归属地、姓名、性别、年龄等用户属性的数据。企业借助用户画像,全方位了解用户需求,进而实现产品的准确定位和精准营销。用户画像是通过多维度的特征量化地进行用户描述,通过社交信息建立用户画像),查找近似的画像的其他用户(用户相似度)。然后在近似的用户中查找是否存在近似的请求推荐依据。
第3步:管控模块。系统横向管控近似程度数值(本地存储的一个控制进入推荐计算模块的阈值),并根据业务需要改变放行力度。对不进入推荐计算过程的请求生成存储查询条件(根据请求内容,拼成一个支持查询JSON字符串,然后进行查询)。
第4-1步:存储映射过程将第3步生成的存储查询条件按照映射规则(映射规则,就是查询的key,根据key找到值value)。在存储中找到相应的推荐内容。
第4-2步:符合要求(在存储中未找到近似的请求推荐依据的请求) 的进入推荐计算过程。
到此,请求过滤模块的整体步骤结束。
商品相似度、用户相似度和请求相似度算法相同。都是去分析特征,然后将特征归类,然后计算特征权重,然后转为多维度向量,然后再进行相似计算。特征是添加商家时对商品的描述,可以是一段文字,也可以是特定的标签。分类都是现成,分析出特征就可以找到对应的分类。好比颜色是外观类,漫画是图书分类一种,实用是用户体验类等。如果是一段描述,就将描述进行中文分词(有现成工具),然后进行LDA算法,然后得出主题和词然后取其权重值。
用户画像,就是通过多维度的特征量化地进行用户描述,通过社交信息建立用户画像。
用户相似度计算过程:
将用户u信息分为个人描述信息(Profile)、社交信息(Follow)、行为信息(Action)和兴趣信息(Interest)。所以,用户社会化信息的形式化示为:
UserInformation(u)={Profile(u),Follow(u),Action(u),Interest(u)}
其中,u代表用户,以下所有u均代表用户。
用户之间的相似度表示为:
sim(u1,u2)=k1simProfile(u1u2)
+k2simFollow(u1,u2)
+k3simAction(u1,u2)
+k4simInterest(u1,u2)
其中k1+k2+k3+k4=1。
各个信息描述及其相似度计算如下:
个人描述信息相似度计算:
个人描述信息中包括性别(Sex)、年龄(Age)和标签(Tag)。个人描述信息相似度表示为:
simProfile(u1,u2)=k1simSex(u1,u2)+k2simAge(u1,u2)+k3simTag(u1,u2)
其中k1+k2+k3=1。
(1)simSex(u1,u2):性别在数据中以1代表男,2代表女。但是其中包含未知性别的数据记录,其内容为0。所以性别的相似计算如下:
其中,u.sex表示用户性别。
(2)simAge(u1,u2):年龄在数据中以出生份表示,首先以实验数据发布时间(2012年)为基准,将用户的出身年份转化为实际的年龄数值。其次,考虑到人认知能力是随年龄的变化而变化的。年龄越小的两个人和年龄较大的两个人,即使他们存在相同的年龄差,但是他们的认知能力前者就很有可能存在较大差异,而后者差异较小。所以针对两个用户,分别将年龄差与用户自己年龄进行比重计算,取两者比重的平均值作为年龄的相似度计算结果,公式如下:
其中,u.age表示用户年龄。
(3)simTag(u1,u2):标签在数据中以单词形式存在,由于考虑到用户标签的数量差异较大,在计算时采用了包含关系的计算结果作为标签相似度,即用户两者共同包含的标签数量与用户两者所持有的标签总数的比重,计算公式如下:
其中,u.tag表示用户下的关键词。
社交信息相似度计算:
社交信息中包含关注信息(followee)和粉丝信息(follower)。社交信息相似度表示为:
simFollow(u1,u2)=k1*simFollowee(u1,u2)+k2*simFollower(u1,u2))
其中k1+k2=1。关注信息和粉丝信息的形式是相互,例如,用户u1关注用户u2,用户u2是用户u1的关注信息,同时也是用户u1也是用户u2的粉丝信息。所以两种的相似计算方式相同。由于数据中用户数量较多,所以避开高维的余弦相似度的计算方式,采用包含关系比重计算方法进行计算。即用户两者共同关注信息(或粉丝信息)数量与用户两者所持有的关注信息(或粉丝信息)总数的比重,计算公式如下:
其中,u.follwee表示用户关注的人。
行为信息相似度计算:
行为信息包括评论次数信息(Common),指向次数信息(At)和转发次数信息(Retweet)。行为信息相似度表示为:
simAction(u1,u2)=k1simCommon(u1,u2)+k2simAt(u1,u2)+k3simRetweet(u1,u2)
其中k1+k2+k3=1,k为系数,simCommon计算评论相似度,simAt 计算用户指向相似度,simRetweet计算回复相似度。
一个用户针对其他用户中每一个的评论次数、指向次数和转发次数。由于三种的数据形式相同,所以采用相同的计算方式。拿评论次数为例,首先根据用户数量创建高维度向量,每一个维度表示针对相应用户的评论次数。根据用户u1对其它用户的评论信息,可以得到向量同理用户u2对其他用户的评论信息的向量为采用余弦相似度进行计算,计算公式如下:
兴趣信息相似度计算:
图6是根据本发明实施例的商品推荐方法中兴趣归类的示意图。
如图6所示,用户所持有的关键字都包含在一个或多个分类当中。可以经过统计将每次词的权重反应在分类上,以分类的数量为维度数量,建立兴趣分类向量。每一个用户最终都计算得到一个与其对应的兴趣分类向量,两个向量之间采用余弦相似度的方法进行兴趣相似度计算。
计算过程如下:第一步:设关键词集合为:C={c1,c2,...,cn};用户- 关键词权重为:分类集合为:V={v1,v2,...,vm}。以上数据都可以从提供的实验数据中直接得到。
第二步:设将要计算的用户-分类权重为:其中每一项权重的计算公式为:
其中||vi||表示vi分类中包含的关键词数量。
第三步:将计算得到的看作为:所以,两用户之间的兴趣相似计算如下:
综合以上信息,得到最终的sim(u1,u2)相似度。将一个用户与其他所有用户的相似度按降序排列,取前N个作为相似用户。
2.推荐计算模块
(1)候选集计算模块
候选集计算模块负责从大量基础数据中选取推荐候选商品集合。其根据接收到的推荐请求,得到请求用户和请求推荐依据,通过基于内容的推荐策略和基于用户的推荐策略,从海量数据中筛选出特征近似符合的记录,以备推荐候选商品集合。
基于内容的推荐策略:根据历史信息(如购买记录文档、浏览记录文档、收藏文档、评价文档等)构造用户偏好文档,计算推荐项目与用户偏好文档相似度,将最相似的项目推荐给用户。
基于用户的推荐策略是基于用户对物品的偏好找到相邻邻居用户,然后将邻居用户喜欢的推荐给当前用户。计算上,就是将一个用户对所有物品的偏好作为一个向量来计算用户之间的相似度,找到K邻居后,根据邻居的相似度权重以及他们对物品的偏好,预测当前用户没有偏好的未涉及物品,计算得到一个排序的物品列表作为推荐。
(2)多样性区分模块
多样性区分模块主要负责离线计算商品多样性系数、区分推荐请求为相似性推荐还是相关性推荐。通过对商品和用户的购买及其浏览记录进行分析,离线建立多样性区分模型,用于对推荐需求和商品判别,从而系统自动选择推荐策略方向,使推荐的商品更适合用户应用场景,更好的达到引导消费的目的,从而提高成交单量。
图3是根据本发明实施例的商品推荐方法中多样性区分模块计算过程的示意图。
如图3所示,首先在离线状态下通过购买历史特征计算模块、购买规律特征计算模块和购买后浏览记录特征计算模块计算购买历史特征数据、购买规律特征数据和购买后浏览记录特征数据,然后通过计算管控模块整合购买历史特征数据、购买规律特征数据和购买后浏览记录特征数据,得到商品的多样性系数。
多样性系数是用一个数值来区分该商品购买后,用户是更倾向于继续挑选同类型商品还是倾向于挑选与其有关的商品。例如,用户在购买苹果手机之后,基本不会想立即购买第二个苹果手机或其他品牌手机,而更倾向于购买苹果手机壳和手机膜等内容。在例如,用户购买了莫言的一本小说后,对于莫言的其他小说依然存在很大的购买可能。得到系数后,多样性系数的高低代表的意义会根据机器学习到的经验值来判别。比如大于经验值的代表该商品使用相关性推荐,低于经验值的代表该商品使用相似性推荐。不同的商品分类可以有不同的经验值。至于经验值的颗粒度到几级类分,这个需要根据业务需要和机器资源来实际决定。
多样性系数的计算过程如下:
一、购买历史特征计算模块
购买历史特征计算模块针对购买过目标商品的用户(在一年内购买过该目标商品的所有用户作为分析的基础数据)进行分析,分析用户在购买目标商品之前、之后和同订单的购买记录中与目标商品的偏移距离。由于计算是离线完成的,所以不会影响正常业务。
“之前,之后”的判断,首先要看商品属性中是否为消耗品(例如,洗衣液、食品等)。如果是消耗品,我们按照预估的消耗周期的 1.5倍时间进行向前和向后取其用户的购买记录;如果商品不是消耗品 (比如,书刊、电子产品),我们根据用户当前购物记录,向前和向后各选取10次购买记录进行计算。
商品的相似度的计算步骤如下:
1)计算商品的偏移距离
首先将商品特征(即商品的特征)量化,并转变为特征向量。然后将特征向量转变为二项分布,并根据KL散度算法进行计算两个分布的直接的距离
2)计算商品特征的分布的相似度
商品特征的分布的相似度计算如下:
其中,p和θ分别代表两个商品特征的二项分布,Dkl为计算方法,L为计算结果。
二、购买规律特征计算模块
购买规律特征计算模块针对目标商品及其所在分类的商品,在用户(购买过该目标商品的用户)购买的记录中是否存在普遍规律性购买。然后根据计算得出目标商品购买规律性模型。
普遍规律性购买中,“普遍”指类似行为的用户多,“规律”指商品属于消耗品,且存在用户二次或多次周期性购买。例如,某用户买了一箱(16袋)蒙牛牛奶。“其所在分类下商品”是指“食品—奶制品—饮用牛奶制品”这个分类下的其他商品,比如伊利牛奶、圣牧牛奶等,他们与蒙牛牛奶属于同一个子分类下。分类是商品描述本身存在,营销人员在添加新商品时就需要对分类进行选择。而对于这种奶制品,人们是存在购买习惯的。喝完了就会再买,大概几天会喝完,可以从购买记录中体现。
商品购买规律性模型计算的触发点是商品。将每个商品当作一个结点,不同的结点之间的连线代表两个商品之间的规律性强弱。我们通过用户购买记录的离线数据建立该模型图。我们通过选取6个月有真实成交记录的用户作为离线数据。对每一个用户都做如下操作:
第1步:按照时间,选取用户的最早的一个订单X。
第2步:选取订单X中一个商品A,判断模型中是否有该商品A 结点(商品ID结点),如果没有,创建该商品A结点。
第3步:选取的订单中是否有其他商品,如果有:
3.1:其它商品是否在模型中有对应结点,如果没有,进行创建。
3.2:取一个其他商品B,如果A与B之间关系未进行采集,将该商品与商品A之间的连线权重值加1。
3.3:记录商品A和商品B在该用户维度上已经进行了采集
第4步:选取从订单X往后推y(y的选取可以通过横向管控来控制)时间的订单。
第5步:取每个订单中的商品分别与商品A,判断该商品与商品A的关系是否已经采集,如果没有采集,则之间的权重加1。并将用户下取到的商品与商品A的关系更改为已经采集。
第6步,该订单计算完毕,选取下一个订单,并进行第2步。
所有用户进行完如上操作完后,遍历所有边,对权重进行累计。累计后除以各条边的权重。所得数值作为边的权重。最后,将边的权重值与边关联的两个结点进行持久化保存(保存到ElasticSearch, ElasticSearch是一种分布式搜索引擎)。
到此模型计算完毕。
三、购买后浏览记录特征计算模块
购买后浏览记录特征计算模块针对用户在购买目标商品后继续浏览的商品进行计算。预测目标商品与未知商品中的潜在关联。然后得出目标商品的关联预测模型。
商品的关联预测模型计算的触发点是商品特征,将用户浏览的离线数据作为计算基础,将用户搜索的关键词或浏览商品的特征词按照用户操作时间进行实时采集。然后通过离线计算的方式,将最近一个月有成功购买记录的用户进行计算。对每一个用户都做如下操作:
第1步,按照时间,选取用户的最早的一个采集记录X。
第2步,为当前采集记录X中的关键词(商品特征也以关键词表示),进行检查图中是否有相关结点,如果没有进行创建。
第3步,选取其中一个关键词A,将其与采集记录内的所有关键词相连的边权重加1。
第4步,选取从采集记录X往后推y(y的选取可以通过横向管控来控制)时间的采集记录。
第5步:取每个采集记录中的关键词分别与关键词A,判断该关键词与关键词A的关系是否已经计算,如果没有计算,则之间的权重加1。并将用户下取到该关键词与关键词A的关系更改为已经计算。
第6步,该订单采集记录计算完毕,选取该用户下一个采集记录,并进行第2步。
所有用户进行完如上操作完后,遍历所有边,对权重进行累计。累计后除以各条边的权重。所得数值作为边的权重。最后,将边的权重值与边关联的两个结点进行持久化保存(保存到ElasticSearch, ElasticSearch是一种分布式搜索引擎)
到此模型计算完毕。
四、计算管控模块
计算管控模块将上述三个模块的计算结果整合(加权融合),通过模型训练(本地准备好的训练集合)找出分类临界,并根据业务需要灵活调整分类临界。
整合(加权融合)计算如下:
Ax+By+Cz=R
其中,x、y、z代表某个商品经过三个模块得出的结果,A、B、C 为系数,R为结果值(多样性系数)。
通过对A、B、C的不断取值计算,得出不同的R值,将R值在测试集合(本地准备好的测试集合)上进行验证。找到合适的R值,然后对的ABC取值就是分类的临界。(这里的分类不是商品分类的意思,这里指的是将大量数据进行一分为二的区分)
R值是可以管控的,没有绝对的R值。R值会根据业务需求进行变化。例如,高于R值理解为进入相关性推荐过程,低于R值的理解为进入相似性推荐过程。
图4是根据本发明实施例的商品推荐方法中从请求到分支结果过程的示意图。
如图4所示,多样性区分模块将根据推荐请求进行推荐目的分析,分析触发场景和触发商品,然后得到推荐依据的商品或商品属性,将其按照之前计算的模型进行划分,得到是进行相关性推荐还是进行相似性推荐的分值判别结果。
触发的场景是指用户在一种是什么情况下触发推荐,比如从用户第一天购买一箱牛奶到现在过去了15天,用户这时很可能就会再需要购买牛奶;或者用户刚刚购买完牛奶,这时可能会挑选酸奶。触发的商品是指用户可能会对哪类的商品感兴趣。推荐是有目的,不会将多种分类商品一起推荐,这样在用户有限的浏览时间里是效果不好的,所以推荐在这里针对一种商品分类的内容进行选取优质的商品推荐。
(3)相似性商品推荐计算模块
相似性商品推荐计算模块负责从候选集中检索到相似度较高的推荐商品集合。
相似性商品推荐计算模块通过请求推荐依据分析出推荐特征,在候选集中将推荐特征与商品本身固有特征进行特征对比,并按照相似程度排序。
请求推荐依据可以但不限于:需要推荐的商品子分类、子分类下用户比较关注的特征属性(如颜色、价格等)、商品描述关键字。
推荐特征可以但不限于:需要推荐的商品子分类、子分类下用户比较关注的特征属性(如颜色、价格等)、商品描述关键字。
(4)相关性商品推荐计算模块
相关性商品排序推荐模块负责从候选集中检索到相关性较高的推荐商品集合。
相关性商品推荐计算模块根据商品之间的因果(规律)关联出发,将推荐请求中的推荐依据抽象成一种商品(把商品看成是多个特征值组合的内容,而每个特征是有一个用数字表达的。每个特征就是一个维度,这样就形成了商品由多维度数值来形容的内容),将其特征传入商品因果关联模型(购买规律性模型),模型应用在候选集的基础上。将得到的关联强度(权值大小)进行排序。
3.用户意图分析模块(匹配模块)
用户意图分析模块负责分析用户最近浏览历史与推荐集合(相似或相关性计算得到的商品集合)中的商品相似度,根据当前用户最近浏览的同种分类下的商品特征与集合中的商品特征的相似性,将相似度较高的商品重新改变推荐排序,相似性高的排在前面。
在离线状态下,根据用户的购买和浏览记录,为用户建立用户意图模型。该模型主要为了预测用户可能的浏览意图,将相似或相关性商品推荐计算模块得到的排序结果传入用户意图分析模块,对排序队列中的商品与用户浏览和购买的商品进行的融合计算,根据系统横向管控机制控制区分临界,将购买或浏览意图不大的商品从上述排序队列中删除,并根据融合计算结果对排序队列中的商品重新排序。
此处的融合计算是将得出的商品与用户意图进行匹配,将越接近用户意图的排在前面。亦即,计算相似或相关计算模块得到的排序队列中的商品特征与用户浏览和购买的商品的特征间的偏移距离,根据此偏移距离的大小重新排序。
4.排序集合处理模块
排序集合处理模块可以横向管控推荐排序内容、推荐数量、推荐集合与推荐请求持久化等。横向管控可以为人工干预,比如可以将某些商品强制性的放到排序的前几位。在整个计算过程中对各个环节的降级处理开关、各个环节需要的一些计算参数的调节等等可以放到横向管控里。相关的运营人员和工程师可以通过手动修改一些内容,来达到修改和改善推荐结果的目的。这种修改点可以在系统开发过程中,布置在程序各个地方。
在排序集合处理模块下通过横向管控推荐输出商品数量,系统在推荐计算模块输出的推荐排序队列中插入特殊推荐商品(特殊商品是指一些强制排在前面的商品)。同时,根据最初的推荐请求计算存储插入条件,将推荐结果保存到存储中,以备二次调用时快速提取。
最初的请求是由用户发起的推荐请求,其可以是一种多维度的商品描述,可以但不限于包括:需要推荐的商品子分类、子分类下用户比较关注的特征属性(如颜色、价格等)、商品描述关键字。将其组织成字符串(如JSON格式),作为key,将推荐结果作为value,保存到存储中。需要查找时,存储系统会自己通过key找到对应的value。
根据本发明实施例的商品推荐方法可以看出,因为采用通过对购买过所述商品的用户的购买历史特征数据、购买规律特征数据和购买后浏览记录特征数据进行加权融合得到多样性系数,从而进行相似性商品推荐或相关性商品推荐的推荐策略选择,并根据推荐策略进行相应推荐商品排序的技术手段,所以克服了商品推荐系统单纯依赖相似度,不能区分用户场景,从而达不到预期推荐效果的技术问题,进而达到全面考虑商品之间的相关性、用户购买记录与浏览记录之间的关系,从而推荐更适合用户场景的商品的技术效果;通过横向管控机制,从而可以根据业务场景调整推荐的结果和推荐计算方向;通过数据库存储及查找推荐请求及推荐结果,从而可以加速系统运行时间,节约计算成本。
图7是根据本发明实施例的商品推荐装置的主要模块的示意图;
如图7所示,本发明实施例的商品推荐装置70主要包括:接收模块701、推荐计算模块702、匹配模块703。其中:
接收模块701可用于接收用户发来的推荐请求;推荐计算模块702 可用根据所述推荐请求,基于多样性区分模型进行推荐计算,以得到所述推荐请求对应的推荐商品排序结果;匹配模块703可用于将所述用户购买和浏览的商品与推荐商品排序结果中的商品进行匹配,并根据匹配结果对所述推荐商品排序结果中的商品进行重新排序,以得到推荐结果。
此外,推荐计算模块702还可用于:从基础数据中获取推荐候选商品集合;根据商品多样性系数判断所述推荐请求的类型为相似性推荐请求或相关性推荐请求;根据所述推荐请求的类型对所述推荐候选商品集合中的商品进行相应的相似性排序或相关性排序,以得到推荐商品排序结果;其中,相似性排序根据推荐请求中的商品的特征与所述推荐候选商品集合中的商品的特征的对比进行排序,相关性排序根据推荐请求中的商品与推荐候选商品集合中的商品之间的购买规律特征数据进行排序。
从以上描述可以看出,因为采用通过对购买过所述商品的用户的购买历史特征数据、购买规律特征数据和购买后浏览记录特征数据进行加权融合得到多样性系数,从而进行相似性商品推荐或相关性商品推荐的推荐策略选择,并根据推荐策略进行相应推荐商品排序的技术手段,所以克服了商品推荐系统单纯依赖相似度,不能区分用户场景,从而达不到预期推荐效果的技术问题,进而达到全面考虑商品之间的相关性、用户购买记录与浏览记录之间的关系,从而推荐更适合用户场景的商品的技术效果;通过横向管控机制,从而可以根据业务场景调整推荐的结果和推荐计算方向;通过数据库存储及查找推荐请求及推荐结果,从而可以加速系统运行时间,节约计算成本。
根据本发明的实施例,本发明还提供了一种电子设备和一种可读介质。
本发明的电子设备包括:一个或多个处理器;存储装置,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,使得所述一个或多个处理器实现本发明实施例的商品推荐方法。
本发明的计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时用于实现使所述计算机执行本发明实施例的商品推荐方法。
图8是适于用来实现本申请实施例的商品推荐方法和装置的计算机系统的结构示意图。
如图8所示,其示出了适于用来实现本申请实施例的商品推荐方法和装置的计算机系统800的结构示意图。图8示出的计算机系统仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示,计算机系统800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808 加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/ 输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;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807;包括硬盘等的存储部分808;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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,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810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808。
特别地,根据本发明公开的实施例,上文整体架构描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行整体架构所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU) 801执行时,执行本申请的系统中限定的上述功能。
图9是本发明实施例可以应用于其中的示例性系统架构图。图9 示出了可以应用本发明实施例的商品推荐方法或商品推荐装置的示例性系统架构900。
如图9所示,系统架构900可以包括终端设备901、902、903,网络904和服务器905。网络904用以在终端设备901、902、903和服务器905之间提供通信链路的介质。网络904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。
用户可以使用终端设备901、902、903通过网络904与服务器905 交互,以接收或发送消息等。终端设备901、902、903上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备901、902、903可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器905可以是提供各种服务的服务器,例如对用户利用终端设备901、902、903所浏览的购物类网站提供支持的后台管理服务器 (仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、推荐商品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的商品推荐方法一般由服务器905执行,相应地,商品推荐装置一般设置于服务器905中。
应该理解,图9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。
需要说明的是,本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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,上述模块、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,框图或流程图中的每个方框、以及框图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。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括接收模块、推荐计算模块和匹配模块。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,接收模块还可以被描述为“接收用户发来的推荐请求的模块”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:接收用户发来的推荐请求;根据所述推荐请求,基于多样性区分模型进行推荐计算,以得到所述推荐请求对应的推荐商品排序结果;将所述用户购买和浏览的商品与推荐商品排序结果中的商品进行匹配,并根据匹配结果对所述推荐商品排序结果中的商品进行重新排序,以得到推荐结果。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
根据本发明实施例的技术方案,因为采用通过对购买过所述商品的用户的购买历史特征数据、购买规律特征数据和购买后浏览记录特征数据进行加权融合得到多样性系数,从而进行相似性商品推荐或相关性商品推荐的推荐策略选择,并根据推荐策略进行相应推荐商品排序的技术手段,所以克服了商品推荐系统单纯依赖相似度,不能区分用户场景,从而达不到预期推荐效果的技术问题,进而达到全面考虑商品之间的相关性、用户购买记录与浏览记录之间的关系,从而推荐更适合用户场景的商品的技术效果;通过横向管控机制,从而可以根据业务场景调整推荐的结果和推荐计算方向;通过数据库存储及查找推荐请求及推荐结果,从而可以加速系统运行时间,节约计算成本。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (22)
1.一种商品推荐方法,其特征在于,包括:
接收用户发来的推荐请求;
根据所述推荐请求,基于多样性区分模型进行推荐计算,以得到所述推荐请求对应的推荐商品排序结果;
将所述用户购买和浏览的商品与推荐商品排序结果中的商品进行匹配,并根据匹配结果对所述推荐商品排序结果中的商品进行重新排序,以得到推荐结果。
2.根据权利要求1所述的方法,其特征在于,所述推荐计算包括:
从基础数据中获取推荐候选商品集合;
根据商品多样性系数判断所述推荐请求的类型为相似性推荐请求或相关性推荐请求;
根据所述推荐请求的类型对所述推荐候选商品集合中的商品进行相应的相似性排序或相关性排序,以得到推荐商品排序结果;其中,
相似性排序根据推荐请求中的商品的特征与所述推荐候选商品集合中的商品的特征的对比进行排序,相关性排序根据推荐请求中的商品与推荐候选商品集合中的商品之间的购买规律特征数据进行排序。
3.根据权利要求2所述的方法,其特征在于,所述商品多样性系数通过对购买过所述商品的用户的购买历史特征数据、购买规律特征数据和购买后浏览记录特征数据进行加权融合得到。
4.根据权利要求3所述的方法,其特征在于,所述购买历史特征数据包括:所述用户在购买所述推荐请求中的商品之前、之后和与所述推荐请求中的商品同一订单的商品与所述推荐请求中的商品的相似度。
5.根据权利要求2或3所述的方法,其特征在于,所述购买规律特征数据包括:所述用户购买所述推荐请求中的商品及其所在分类的商品与所述用户购买的其他商品之间的权重。
6.根据权利要求3所述的方法,其特征在于,所述购买后浏览记录特征数据包括:所述商品被购买后,所述用户继续浏览的商品与所述推荐请求中的商品之间的权重。
7.根据权利要求2所述的方法,其特征在于,所述商品的特征包括以下至少一种:商品子分类、商品属性、颜色、价格、关键字。
8.根据权利要求1所述的方法,其特征在于,还包括:在接收用户发来的推荐请求之后,对所述推荐请求进行判断,当数据库中存在与所述推荐请求相同或相似的推荐请求时,将所述相同或相似的推荐请求对应的数据库中的推荐结果保存为推荐结果,并将所述推荐结果展示给所述用户。
9.根据权利要求1所述的方法,其特征在于,还包括:将特殊推荐商品插入到所述推荐结果中。
10.根据权利要求1所述的方法,其特征在于,还包括:将所述推荐请求及所述推荐结果保存到数据库中。
11.一种商品推荐装置,其特征在于,包括:
接收模块,用于接收用户发来的推荐请求;
推荐计算模块,用于根据所述推荐请求,基于多样性区分模型进行推荐计算,以得到所述推荐请求对应的推荐商品排序结果;
匹配模块,用于将所述用户购买和浏览的商品与推荐商品排序结果中的商品进行匹配,并根据匹配结果对所述推荐商品排序结果中的商品进行重新排序,以得到推荐结果。
12.根据权利要求11所述的装置,其特征在于,所述推荐计算模块包括:
候选集计算模块,用于从基础数据中获取推荐候选商品集合;
多样性区分模块,用于根据商品多样性系数判断所述推荐请求的类型为相似性推荐请求或相关性推荐请求,以进入相似性商品推荐计算模块或相关性商品推荐计算模块;
相似性商品推荐计算模块,用于根据推荐请求中的商品的特征与所述推荐候选商品集合中的商品的特征的对比,对所述推荐候选商品集合中的商品进行排序,以得到推荐商品排序结果;
相关性商品推荐计算模块,用于根据推荐请求中的商品与推荐候选商品集合中的商品之间的购买规律特征数据,对所述推荐候选商品集合中的商品进行排序,以得到推荐商品排序结果。
13.根据权利要求12所述的装置,其特征在于,所述多样性区分模块还用于:对购买过所述商品的用户的购买历史特征数据、购买规律特征数据和购买后浏览记录特征数据进行加权融合,以得到商品多样性系数。
14.根据权利要求13所述的装置,其特征在于,所述多样性区分模块还用于:计算所述用户在购买所述推荐请求中的商品之前、之后和与所述推荐请求中的商品同一订单的商品与所述推荐请求中的商品的相似度为所述购买历史特征数据。
15.根据权利要求12或13所述的装置,其特征在于,所述多样性区分模块还用于:计算所述用户购买所述推荐请求中的商品及其所在分类的商品与所述用户购买的其他商品之间的权重为所述购买规律特征数据。
16.根据权利要求13所述的装置,其特征在于,其特征在于,所述多样性区分模块还用于:计算所述商品被购买后,所述用户继续浏览的商品与所述推荐请求中的商品之间的权重为所述购买后浏览记录特征数据。
17.根据权利要求12所述的装置,其特征在于,所述商品的特征包括以下至少一种:商品子分类、商品属性、颜色、价格、关键字。
18.根据权利要求11所述的装置,其特征在于,所述接收模块还用于:
在接收用户发来的推荐请求之后,对所述推荐请求进行判断,当数据库中存在与所述推荐请求相同或相似的推荐请求时,将所述相同或相似的推荐请求对应的数据库中的推荐结果保存为推荐结果,并将所述推荐结果展示给所述用户。
19.根据权利要求11所述的装置,其特征在于,还包括:排序集合处理模块,用于将特殊推荐商品插入到所述推荐结果中。
20.根据权利要求11所述的装置,其特征在于,还包括:排序集合处理模块,用于将所述推荐请求及所述推荐结果保存到数据库中。
21.一种商品推荐电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,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,使得所述一个或多个处理器实现如权利要求1-10中任一所述的方法。
22.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-10中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710351356.3A CN108960945A (zh) | 2017-05-18 | 2017-05-18 | 商品推荐方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710351356.3A CN108960945A (zh) | 2017-05-18 | 2017-05-18 | 商品推荐方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108960945A true CN108960945A (zh) | 2018-12-07 |
Family
ID=64461747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710351356.3A Pending CN108960945A (zh) | 2017-05-18 | 2017-05-18 | 商品推荐方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960945A (zh) |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658206A (zh) * | 2019-01-14 | 2019-04-19 | 京东方科技集团股份有限公司 | 信息推荐方法和装置 |
CN109711948A (zh) * | 2019-01-09 | 2019-05-03 | 广州视源电子科技股份有限公司 | 物品推荐方法、装置、设备及存储介质 |
CN109903138A (zh) * | 2019-02-28 | 2019-06-18 | 华中科技大学 | 一种个性化商品推荐方法 |
CN110175883A (zh) * | 2019-04-10 | 2019-08-27 | 拉扎斯网络科技(上海)有限公司 | 一种排序方法、装置、电子设备和非易失性存储介质 |
CN110210900A (zh) * | 2019-05-23 | 2019-09-06 | 中国银行股份有限公司 | 基于交易关联性的参考产品确定方法、装置和设备 |
CN110347910A (zh) * | 2019-05-28 | 2019-10-18 | 成都美美臣科技有限公司 | 一个电子商务网站搜索结果过滤规则 |
CN110427395A (zh) * | 2019-08-12 | 2019-11-08 | 西安文理学院 | 一种计算机数据采集挖掘系统 |
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 |
CN110781217A (zh) * | 2019-09-20 | 2020-02-11 | 中国平安人寿保险股份有限公司 | 排序数据的处理方法、装置及存储介质、服务器 |
CN110838043A (zh) * | 2019-11-05 | 2020-02-25 | 智者四海(北京)技术有限公司 | 商品推荐方法及装置 |
CN111161029A (zh) * | 2019-12-30 | 2020-05-15 | 亳州职业技术学院 | 一种自推荐电子商务平台 |
CN111292164A (zh) * | 2020-01-21 | 2020-06-16 | 上海风秩科技有限公司 | 一种商品推荐方法、装置、电子设备及可读存储介质 |
CN111339411A (zh) * | 2020-02-21 | 2020-06-26 | 京东数字科技控股有限公司 | 控制推荐策略使用的方法、装置、设备及存储介质 |
CN111369315A (zh) * | 2020-02-27 | 2020-07-03 | 拉扎斯网络科技(上海)有限公司 | 资源对象推荐方法及装置,数据预测模型训练方法及装置 |
CN111553763A (zh) * | 2020-04-26 | 2020-08-18 | 上海风秩科技有限公司 | 一种物品推荐方法、装置、电子设备及可读存储介质 |
CN111861623A (zh) * | 2019-12-30 | 2020-10-30 | 北京骑胜科技有限公司 | 信息推荐方法、装置和设备 |
CN112256960A (zh) * | 2020-10-10 | 2021-01-22 | 成都一课量子科技有限公司 | 一种商场、社区、写字楼用户推荐服务的算法方法 |
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 |
CN112308666A (zh) * | 2020-10-26 | 2021-02-02 | 福建菩泰网络科技有限公司 | 一种网上商城商品的推荐方法及其系统 |
CN112381608A (zh) * | 2020-11-12 | 2021-02-19 | 盐城工业职业技术学院 | 基于大数据多标记的电子商务商品推荐方法 |
WO2021031410A1 (zh) * | 2019-08-22 | 2021-02-25 | 平安科技(深圳)有限公司 | 基于商品信息预测模型的商品信息推送方法及装置、非易失性可读存储介质、计算机设备 |
CN112581232A (zh) * | 2020-12-24 | 2021-03-30 | 崔亚鹏 | 一种基于图像的电商商品推荐方法及系统 |
CN112785390A (zh) * | 2021-02-02 | 2021-05-11 | 微民保险代理有限公司 | 推荐处理方法、装置、终端设备以及存储介质 |
CN113065932A (zh) * | 2021-05-06 | 2021-07-02 | 北京京东振世信息技术有限公司 | 一种物品推荐方法和装置 |
CN113222668A (zh) * | 2021-05-24 | 2021-08-06 | 中国平安财产保险股份有限公司 | 增值服务推送方法、装置、设备及存储介质 |
CN113434660A (zh) * | 2021-06-28 | 2021-09-24 | 平安银行股份有限公司 | 基于多领域分类的产品推荐方法、装置、设备及存储介质 |
CN113762990A (zh) * | 2020-06-03 | 2021-12-07 | 中国移动通信集团浙江有限公司 | 商品推荐的方法、装置、计算设备及计算机存储介质 |
CN113781152A (zh) * | 2021-02-08 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 一种对象推荐的方法和装置 |
CN113793191A (zh) * | 2021-02-09 | 2021-12-14 | 京东科技控股股份有限公司 | 商品的匹配方法、装置及电子设备 |
WO2022033590A1 (zh) * | 2020-08-14 | 2022-02-17 | 北京沃东天骏信息技术有限公司 | 基于用户特征的页面展示方法、装置、介质及电子设备 |
CN114529359A (zh) * | 2021-12-27 | 2022-05-24 | 北京服装学院 | 一种基于用户特征的鞋款类型推荐系统及方法 |
US11354721B2 (en) | 2019-10-16 | 2022-06-07 | Coupang Corp. | Computerized systems and methods for providing product recommendations |
CN113222668B (zh) * | 2021-05-24 | 2024-06-28 | 中国平安财产保险股份有限公司 | 增值服务推送方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345695A (zh) * | 2013-06-25 | 2013-10-09 | 百度在线网络技术(北京)有限公司 | 一种商品推荐的方法和装置 |
CN106296231A (zh) * | 2015-04-26 | 2017-01-04 | 上海墨盾电脑科技有限公司 | 一种用于电子商务场景的识别处理方法及系统 |
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 |
CN106411908A (zh) * | 2016-10-13 | 2017-02-15 | 网易乐得科技有限公司 | 一种推荐方法及装置 |
-
2017
- 2017-05-18 CN CN201710351356.3A patent/CN108960945A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345695A (zh) * | 2013-06-25 | 2013-10-09 | 百度在线网络技术(北京)有限公司 | 一种商品推荐的方法和装置 |
CN106296231A (zh) * | 2015-04-26 | 2017-01-04 | 上海墨盾电脑科技有限公司 | 一种用于电子商务场景的识别处理方法及系统 |
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 |
CN106411908A (zh) * | 2016-10-13 | 2017-02-15 | 网易乐得科技有限公司 | 一种推荐方法及装置 |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711948A (zh) * | 2019-01-09 | 2019-05-03 | 广州视源电子科技股份有限公司 | 物品推荐方法、装置、设备及存储介质 |
CN109658206A (zh) * | 2019-01-14 | 2019-04-19 | 京东方科技集团股份有限公司 | 信息推荐方法和装置 |
CN109903138A (zh) * | 2019-02-28 | 2019-06-18 | 华中科技大学 | 一种个性化商品推荐方法 |
CN110175883A (zh) * | 2019-04-10 | 2019-08-27 | 拉扎斯网络科技(上海)有限公司 | 一种排序方法、装置、电子设备和非易失性存储介质 |
CN110210900A (zh) * | 2019-05-23 | 2019-09-06 | 中国银行股份有限公司 | 基于交易关联性的参考产品确定方法、装置和设备 |
CN110210900B (zh) * | 2019-05-23 | 2021-05-25 | 中国银行股份有限公司 | 基于交易关联性的参考产品确定方法、装置和设备 |
CN110347910A (zh) * | 2019-05-28 | 2019-10-18 | 成都美美臣科技有限公司 | 一个电子商务网站搜索结果过滤规则 |
CN110427395A (zh) * | 2019-08-12 | 2019-11-08 | 西安文理学院 | 一种计算机数据采集挖掘系统 |
WO2021031410A1 (zh) * | 2019-08-22 | 2021-02-25 | 平安科技(深圳)有限公司 | 基于商品信息预测模型的商品信息推送方法及装置、非易失性可读存储介质、计算机设备 |
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 |
CN110781217A (zh) * | 2019-09-20 | 2020-02-11 | 中国平安人寿保险股份有限公司 | 排序数据的处理方法、装置及存储介质、服务器 |
CN110781217B (zh) * | 2019-09-20 | 2023-11-24 | 中国平安人寿保险股份有限公司 | 排序数据的处理方法、装置及存储介质、服务器 |
US11354721B2 (en) | 2019-10-16 | 2022-06-07 | Coupang Corp. | Computerized systems and methods for providing product recommendations |
CN110838043A (zh) * | 2019-11-05 | 2020-02-25 | 智者四海(北京)技术有限公司 | 商品推荐方法及装置 |
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 |
CN111161029A (zh) * | 2019-12-30 | 2020-05-15 | 亳州职业技术学院 | 一种自推荐电子商务平台 |
CN111861623A (zh) * | 2019-12-30 | 2020-10-30 | 北京骑胜科技有限公司 | 信息推荐方法、装置和设备 |
CN111161029B (zh) * | 2019-12-30 | 2020-08-18 | 亳州职业技术学院 | 一种自推荐电子商务平台 |
CN111292164A (zh) * | 2020-01-21 | 2020-06-16 | 上海风秩科技有限公司 | 一种商品推荐方法、装置、电子设备及可读存储介质 |
CN111339411B (zh) * | 2020-02-21 | 2023-09-29 | 京东科技控股股份有限公司 | 控制推荐策略使用的方法、装置、设备及存储介质 |
CN111339411A (zh) * | 2020-02-21 | 2020-06-26 | 京东数字科技控股有限公司 | 控制推荐策略使用的方法、装置、设备及存储介质 |
CN111369315A (zh) * | 2020-02-27 | 2020-07-03 | 拉扎斯网络科技(上海)有限公司 | 资源对象推荐方法及装置,数据预测模型训练方法及装置 |
CN111553763B (zh) * | 2020-04-26 | 2023-03-24 | 上海风秩科技有限公司 | 一种物品推荐方法、装置、电子设备及可读存储介质 |
CN111553763A (zh) * | 2020-04-26 | 2020-08-18 | 上海风秩科技有限公司 | 一种物品推荐方法、装置、电子设备及可读存储介质 |
CN113762990B (zh) * | 2020-06-03 | 2024-03-22 | 中国移动通信集团浙江有限公司 | 商品推荐的方法、装置、计算设备及计算机存储介质 |
CN113762990A (zh) * | 2020-06-03 | 2021-12-07 | 中国移动通信集团浙江有限公司 | 商品推荐的方法、装置、计算设备及计算机存储介质 |
WO2022033590A1 (zh) * | 2020-08-14 | 2022-02-17 | 北京沃东天骏信息技术有限公司 | 基于用户特征的页面展示方法、装置、介质及电子设备 |
CN112256960B (zh) * | 2020-10-10 | 2024-04-16 | 成都一课量子科技有限公司 | 一种商场、社区、写字楼用户推荐服务的算法方法 |
CN112256960A (zh) * | 2020-10-10 | 2021-01-22 | 成都一课量子科技有限公司 | 一种商场、社区、写字楼用户推荐服务的算法方法 |
CN112308666A (zh) * | 2020-10-26 | 2021-02-02 | 福建菩泰网络科技有限公司 | 一种网上商城商品的推荐方法及其系统 |
CN112381608A (zh) * | 2020-11-12 | 2021-02-19 | 盐城工业职业技术学院 | 基于大数据多标记的电子商务商品推荐方法 |
CN112581232A (zh) * | 2020-12-24 | 2021-03-30 | 崔亚鹏 | 一种基于图像的电商商品推荐方法及系统 |
CN112785390B (zh) * | 2021-02-02 | 2024-02-09 | 微民保险代理有限公司 | 推荐处理方法、装置、终端设备以及存储介质 |
CN112785390A (zh) * | 2021-02-02 | 2021-05-11 | 微民保险代理有限公司 | 推荐处理方法、装置、终端设备以及存储介质 |
CN113781152A (zh) * | 2021-02-08 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 一种对象推荐的方法和装置 |
CN113793191A (zh) * | 2021-02-09 | 2021-12-14 | 京东科技控股股份有限公司 | 商品的匹配方法、装置及电子设备 |
CN113793191B (zh) * | 2021-02-09 | 2024-05-24 | 京东科技控股股份有限公司 | 商品的匹配方法、装置及电子设备 |
CN113065932A (zh) * | 2021-05-06 | 2021-07-02 | 北京京东振世信息技术有限公司 | 一种物品推荐方法和装置 |
CN113222668A (zh) * | 2021-05-24 | 2021-08-06 | 中国平安财产保险股份有限公司 | 增值服务推送方法、装置、设备及存储介质 |
CN113222668B (zh) * | 2021-05-24 | 2024-06-28 | 中国平安财产保险股份有限公司 | 增值服务推送方法、装置、设备及存储介质 |
CN113434660A (zh) * | 2021-06-28 | 2021-09-24 | 平安银行股份有限公司 | 基于多领域分类的产品推荐方法、装置、设备及存储介质 |
CN114529359A (zh) * | 2021-12-27 | 2022-05-24 | 北京服装学院 | 一种基于用户特征的鞋款类型推荐系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960945A (zh) | 商品推荐方法和装置 | |
US11308541B2 (en) | Next generation improvements in recommendation systems | |
US11216861B2 (en) | Color based social networking recommendations | |
Guo et al. | Application of an improved Apriori algorithm in a mobile e-commerce recommendation system | |
Sivapalan et al. | Recommender systems in e-commerce | |
CN104866474B (zh) | 个性化数据搜索方法及装置 | |
US20110218855A1 (en) | Offering Promotions Based on Query Analysis | |
US20190026812A9 (en) | Further Improvements in Recommendation Systems | |
US10733658B2 (en) | Methods and systems of discovery of products in E-commerce | |
US20230214895A1 (en) | Methods and systems for product discovery in user generated content | |
CN111949887B (zh) | 物品推荐方法、装置及计算机可读存储介质 | |
US20200226168A1 (en) | Methods and systems for optimizing display of user content | |
Zuva et al. | A survey of recommender systems techniques, challenges and evaluation metrics | |
US20210090105A1 (en) | Technology opportunity mapping | |
Dias et al. | Automating the extraction of static content and dynamic behaviour from e-commerce websites | |
US20230030560A1 (en) | Methods and systems for tagged image generation | |
KR20170091402A (ko) | 패션 아이템 검색 시스템 | |
US20120240051A1 (en) | Graphical Objects Bonding Society System and Method of Operation | |
CN111767459A (zh) | 物品推荐的方法和装置 | |
Li et al. | Review of Recommender Systems and Their Applications | |
CN110781399A (zh) | 一种跨平台的信息推送方法和装置 | |
Hooda et al. | Social commerce hybrid product recommender | |
Yeruva et al. | Apparel Recommendation System using Content-Based Filtering | |
KR20160061277A (ko) | Ux기반의 중소기업 포털 서비스 시스템 | |
CN110020136B (zh) | 对象推荐方法及相关设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181207 |