CN109064283B - 商品推荐方法及装置、计算机可读存储介质 - Google Patents
商品推荐方法及装置、计算机可读存储介质 Download PDFInfo
- Publication number
- CN109064283B CN109064283B CN201810846753.2A CN201810846753A CN109064283B CN 109064283 B CN109064283 B CN 109064283B CN 201810846753 A CN201810846753 A CN 201810846753A CN 109064283 B CN109064283 B CN 109064283B
- Authority
- CN
- China
- Prior art keywords
- user
- login
- behavior sequence
- similarity
- active
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000006399 behavior Effects 0.000 claims description 117
- 238000004590 computer program Methods 0.000 claims description 19
- 230000009471 action Effects 0.000 claims description 10
- 230000009193 crawling Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 239000000047 product Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
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)
Abstract
本发明公开了一种商品推荐方法及装置、计算机可读存储介质，其中，所述商品推荐方法包括步骤：当检测到任一用户登录系统时，判断所述用户的登录次数是否大于1且小于n；其中，3≤n≤10；当所述用户的登录次数大于1且小于n时，获取所述用户第一次登录的行为序列，计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的第一相似度，根据所述第一相似度为所述用户推荐商品，从而实现千人千面的商品推荐，为用户提供符合自己兴趣偏好的商品列表。
Description
技术领域
本发明涉及机器学习领域，尤其涉及一种商品推荐方法及装置、计算机可读存储介质。
背景技术
用户的APP行为记录了用户基本信息，也记录了在APP上的关键行为动作，这些行为动作表征的是用户潜意识的行为模式或者个人偏好。对APP进行数据分析挖掘的评价指标有常规数据指标监控(如新用户量)、渠道分析或流量分析、APP页面的广告点击率(CTR：Click-Through-Rate)、用户的核心转化率(一般在有付费相关的功能中也称为付费率、购买率，如游戏或电商或知识付费，有的APP也将用户从非注册用户到注册等用户作为转化率)、用户使用时长、用户流失率等。指标中的CTR是目前研究较为火热，应用较多的一个领域，而对于直接产生费用流量的APP而言，付费率或购买率是运营团队关注的核心，如何准确预测转化率对于运营思路及APP功能和UI更新都有重要意义。而通常新注册用户进入到一个APP平台时是没有任何行为记录的，只有一些注册时需填的基础信息(如邮箱或手机号，年龄，昵称，喜好，标签)以及能通过移动设备或登录网页获取的信息(如登录时手机型号，IP地址等)。
一般新注册用户的转化率预估或提高新注册用户的转化率，通常会有以下两种获取方法：
(1)将其看成一个推荐系统，根据用户的基础信息，计算与具有相同基础信息的相似其他用户，并以相似度的其他用户的转化率或购买情况作为新用户的转化率或预测可能购买的物品列表，这种方法适用于那些具有相似用户的新注册用户。但是对于新注册用户来说可用信息太少，只有少部分用户自己在注册时填写的基础信息，这些数据无法用于作为用户基础画像或者个性化推荐；
(2)由于新用户基本没有行为记录，所以会采用“基于流行度或热门度”的方法，将目前最流行或者最热门的商品展现给用户，这种方法适用于那些几乎没相似用户的新注册用户。这种方式会导致新用户所看到的页面是一模一样的，即对于新注册用户而言不存在“千人前面”，而是“千人一面”，这种方式存在新注册的用户不能够看到更符合自己兴趣偏好的页面(商品陈列)的问题，也就是“千人千面”的问题。
发明内容
本发明实施例提供一种商品推荐方法及装置、计算机可读存储介质，能有效解决现有新注册的用户不能够看到更符合自己兴趣偏好的页面(商品陈列)的问题，能有效提升用户转化率。
本发明一实施例提供一种商品推荐方法，包括步骤：
当检测到任一用户登录系统时，判断所述用户的登录次数是否大于1且小于n；其中，3≤n≤10；
当所述用户的登录次数大于1且小于n时，获取所述用户第一次登录的行为序列，计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的第一相似度，根据所述第一相似度为所述用户推荐商品。
与现有技术相比，本发明实施例公开的商品推荐方法通过获取所述用户第一次登录的行为序列，计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的第一相似度，根据所述第一相似度为所述用户推荐商品，即在注册后产生第一次会话后再次进入商品列表页面或首页时(即二次会话)时，可基于第一次会话的行为序列作为推荐模型的特征进行商品推荐，具体为通过计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的第一相似度，根据所述第一相似度为所述用户推荐商品，从而实现千人千面的商品推荐，为用户提供符合自己兴趣偏好的商品列表。
作为上述方案的改进，所述活跃用户为已产生过付费行为且在预设的时间段内登录次数大于m的用户；其中，m≥1。
作为上述方案的改进，所述计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的第一相似度具体为：
当所述用户第一次登录的行为序列长度比所述活跃用户第一次登录的行为序列长度短时，按照所述用户第一次登录的行为序列长度计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的余弦相似度；
当所述用户第一次登录的行为序列长度比所述活跃用户第一次登录的行为序列长度长时，按照所述活跃用户第一次登录的行为序列长度计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的余弦相似度。
作为上述方案的改进，所述商品推荐方法还包括步骤：
按照预设的周期对活跃用户的特征向量、付费商品及对应的付费次数和浏览商品及对应的浏览次数进行更新。
作为上述方案的改进，所述根据所述第一相似度为所述用户推荐商品具体为：
获取第一相似度最高的a个活跃用户；a≥1；
判断每一所述活跃用户是否有购买行为；若有，则获取所述活跃用户购买次数最多的物品作为所述用户的推荐商品；若没有，则获取所述活跃用户浏览次数最多的物品作为所述用户的推荐商品。
作为上述方案的改进，所述方法还包括步骤：
当判断所述用户的登录次数为1时，根据爬虫系统获取所述用户的外部信息；
计算所述用户的注册信息和外部信息计算所述用户与活跃用户的第二相似度，根据所述第二相似度向所述用户推荐商品。
作为上述方案的改进，所述根据所述第二相似度为所述用户推荐商品具体为：
获取第二相似度最高的b个活跃用户；b≥1；
判断每一所述活跃用户是否有购买行为；若有，则获取所述活跃用户购买次数最多的物品作为所述用户的推荐商品；若没有，则获取所述活跃用户浏览次数最多的物品作为所述用户的推荐商品。
作为上述方案的改进，所述根据爬虫系统获取所述用户的外部信息包括：
根据爬虫系统爬取用户的手机型号信息、社交信息作为所述用户的外部信息。
作为上述方案的改进，所述方法还包括步骤：
当所述用户的登录次数大于1且小于n时，根据所述第二相似度向所述用户推荐商品。
本发明另一实施例对应提供了一种商品推荐装置，包括：
判断模块，用于当检测到任一用户登录系统时，判断所述用户的登录次数是否大于1且小于n；其中，2<n<10；
第一相似度计算模块，用于当所述用户的登录次数大于1且小于n时，获取所述用户第一次登录的行为序列，计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的第一相似度，根据所述第一相似度为所述用户推荐商品。
本发明另一实施例还对应提供了一种商品推荐装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的商品推荐方法。
本发明另一实施例还对应提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任意一项所述的商品推荐方法。
附图说明
图1是本发明一实施例提供的一种商品推荐方法的流程示意图。
图2是本发明一实施例提供的一种商品推荐方法的流程示意图。
图3是本发明一实施例利用爬虫系统进行商品推荐的示意图。
图4是本发明一实施例利用第一次会话行为序列进行商品推荐的示意图。
图5是本发明一实施例提供的一种商品推荐装置的结构示意图。
具体实施方式
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，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，是本发明一实施例提供的一种商品推荐方法的流程示意图，包括步骤：
S11、当检测到任一用户登录系统时，判断所述用户的登录次数是否大于1且小于n；其中，3≤n≤10；
应该说明的是，本发明的方案针对的是新注册用户的商品推荐，适用于没有行为记录或者较少行为记录的新用户。在步骤S11中，“所述用户的登录次数”包括当次登录系统(即应用程序)及之前登录系统的总次数。
S12、当所述用户的登录次数大于1且小于n时，获取所述用户第一次登录的行为序列，计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的第一相似度，根据所述第一相似度为所述用户推荐商品。
优选地，所述活跃用户为已产生过付费行为且在预设的时间段内登录次数大于m的用户；其中，m≥1。
在步骤S12中，当所述用户第一次登录的行为序列长度比所述活跃用户第一次登录的行为序列长度短时，按照所述用户第一次登录的行为序列长度计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的余弦相似度；
当所述用户第一次登录的行为序列长度比所述活跃用户第一次登录的行为序列长度长时，按照所述活跃用户第一次登录的行为序列长度计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的余弦相似度。
例如，如果len(new)>len(old)，则按old的行为序列长度取，len(new)为新用户的行为序列长度，len(old)为旧用户的行为序列长度。
在步骤S12中，获取所述用户第一次登录的行为序列为用户注册后第一次会话的前N个动作，优选地，所述前N个动作为第一个会话中的前N个点击动作，作为新注册用户的行为序列，以此行为序列建模预测用户的点击行为模式。
基于上述方案，用户注册后产生第一次会话后再次进入商品列表页面或首页时(即二次会话)时，可基于第一次会话的行为序列作为推荐模型的特征进行商品推荐，具体为通过计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的第一相似度，根据所述第一相似度为所述用户推荐商品，从而实现千人千面的商品推荐，为用户提供符合自己兴趣偏好的页面。
在上述实施例的基础上，所述商品推荐方法还包括：按照预设的周期对活跃用户的特征向量、付费商品及对应的付费次数和浏览商品及对应的浏览次数进行更新。在实际操作过程中，存在活跃用户及付费物品集合的辅助模块，，数据样本例如(u1,i1:c1,i3:c3,i8:c8)，其中u1是活跃用户1的特征向量，包括了与上一步得到的用户特征中相同特征的向量内容，i1,i3,i8分别是购买过的物品id号，c1,c3,c8分别表示物品i1,i3,i8的购买次数。通过定时对活跃用户的相关数据进行更新，能提高商品推荐的准确度，提高用户的购物体验。
在另一优选实施例中，如图2所示，再上述实施例的基础上，还包括步骤：
S13、当判断所述用户的登录次数为1时，根据爬虫系统获取所述用户的外部信息；
当判断所述用户的登录次数为1时，即代表该次登录为第一次会话过程，因此系统内还未记录有该用户的行为记录，无法根据该用户的行为记录进行商品推荐。通过构建爬虫系统，获取外部数据以丰富用户信息，这部分外部信息可以用来作为用户画像的补充。例如，通过爬取微博数据等社交信息，可以丰富用户的社交活跃度的特征，例如应用程序的用户1和用户2在微博上互相关注、点赞或者评论等，这些信息都可作为用户特征；通过爬取相关手机型号的价格，可以将用户的手机型号按各自所对应的价格分成不同的奢华、高、中、低等级别，而不仅是单纯的使用手机型号。
S14、计算所述用户的注册信息和外部信息计算所述用户与活跃用户的第二相似度，根据所述第二相似度向所述用户推荐商品。
其中，所述用户的注册信息包括邮箱或者手机号、年龄、昵称、喜好和标签等。同样地，所述第二相似度为余弦相似度。
如图3所示，对于第一次登录系统的用户，当商品展示页的展示栏位数为N时，获取前N个第二相似度最高的活跃用户对应购买次数最高或者浏览次数最多的商品。具体为：获取第二相似度最高的N个活跃用户；判断每一所述活跃用户是否有购买行为；若有，则获取所述活跃用户购买次数最多的物品作为所述用户的推荐商品；若没有，则获取所述活跃用户浏览次数最多的物品作为所述用户的推荐商品；N≥1。
对于第二次登录系统的用户，当商品展示页的展示栏位数为N时，分别获取前N/2个第二相似度最高的活跃用户对应购买次数最高或者浏览次数最多的商品和前N/2个第一相似度最高的活跃用户对应购买次数最高或者浏览次数最多的商品进行展示。具体为：(1)获取第二相似度最高的N/2个活跃用户；判断每一所述活跃用户是否有购买行为；若有，则获取所述活跃用户购买次数最多的物品作为所述用户的推荐商品；若没有，则获取所述活跃用户浏览次数最多的物品作为所述用户的推荐商品；N≥2；(2)如图4所示，获取第一相似度最高的N/2个活跃用户；判断每一所述活跃用户是否有购买行为；若有，则获取所述活跃用户购买次数最多的物品作为所述用户的推荐商品；若没有，则获取所述活跃用户浏览次数最多的物品作为所述用户的推荐商品。通过结合爬虫系统和第一次会话的行为序列进行商品推荐，既保证了新注册用户商品推荐符合千人千面的要求，又在千人千面之中涵盖了新注册用户的基础画像和初始行为偏好，实现物品推荐的多样性同时也更符合用户的个性化偏好。则新注册用户在二次进入页面时不仅看到的是与第一次进入时不一样的物品，提高新鲜程度，而且丰符合用户的喜好，大大提升对应用程序的粘性和兴趣。
对于第三次登录系统及之后的用户，商品列表陈列可参考上述对第二次登录系统的描述。
上述推荐模型取多个用户，而不是取一个用户的多个物品，是为了保证给新注册用户展示的物品具有多样性，尽可能降低其来自于同一个用户喜好的可能性。
参见图5，为本发明实施例提供的一种商品推荐装置的结构示意图，包括：
判断模块101，用于当检测到任一用户登录系统时，判断所述用户的登录次数是否大于1且小于n；其中，2<n<10；
第一相似度计算模块102，用于当所述用户的登录次数大于1且小于n时，获取所述用户第一次登录的行为序列，计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的第一相似度，根据所述第一相似度为所述用户推荐商品。
本发明还对应提供了另一种商品推荐装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述的商品推荐方法；或者，所述处理器执行所述商品推荐装置内的功能性模块。
本发明还对应提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的商品推荐方法。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述商品推荐装置的控制中心，利用各种接口和线路连接整个商品推荐装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述商品推荐装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述商品推荐装置集成的模块/单元如果以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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，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。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (21)
1.一种商品推荐方法，其特征在于，包括步骤：
当检测到任一用户登录系统时，判断所述用户的登录次数是否大于1且小于n；其中，3≤n≤10；
当所述用户的登录次数大于1且小于n时，获取所述用户第一次登录的行为序列，计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的第一相似度，根据所述第一相似度为所述用户推荐商品；
其中，所述计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的第一相似度具体包括：
当所述用户第一次登录的行为序列长度比所述活跃用户第一次登录的行为序列长度短时，按照所述用户第一次登录的行为序列长度计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的余弦相似度。
2.如权利要求1所述的商品推荐方法，其特征在于，所述活跃用户为已产生过付费行为且在预设的时间段内登录次数大于m的用户；其中，m≥1。
3.如权利要求1所述的商品推荐方法，其特征在于，所述计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的第一相似度还包括：
当所述用户第一次登录的行为序列长度比所述活跃用户第一次登录的行为序列长度长时，按照所述活跃用户第一次登录的行为序列长度计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的余弦相似度。
4.如权利要求1所述的商品推荐方法，其特征在于，所述商品推荐方法还包括步骤：
按照预设的周期对活跃用户的特征向量、付费商品及对应的付费次数和浏览商品及对应的浏览次数进行更新。
5.如权利要求1所述的商品推荐方法，其特征在于，所述根据所述第一相似度为所述用户推荐商品具体为：
获取第一相似度最高的a个活跃用户；a≥1；
判断每一所述活跃用户是否有购买行为；若有，则获取所述活跃用户购买次数最多的物品作为所述用户的推荐商品；若没有，则获取所述活跃用户浏览次数最多的物品作为所述用户的推荐商品。
6.如权利要求1所述的商品推荐方法，其特征在于，所述方法还包括步骤：
当判断所述用户的登录次数为1时，根据爬虫系统获取所述用户的外部信息；
计算所述用户的注册信息和外部信息计算所述用户与活跃用户的第二相似度，根据所述第二相似度向所述用户推荐商品。
7.如权利要求6所述的商品推荐方法，其特征在于，所述根据所述第二相似度为所述用户推荐商品具体为：
获取第二相似度最高的b个活跃用户；b≥1；
判断每一所述活跃用户是否有购买行为；若有，则获取所述活跃用户购买次数最多的物品作为所述用户的推荐商品；若没有，则获取所述活跃用户浏览次数最多的物品作为所述用户的推荐商品。
8.如权利要求6所述的商品推荐方法，其特征在于，所述根据爬虫系统获取所述用户的外部信息包括：
根据爬虫系统爬取用户的手机型号信息、社交信息作为所述用户的外部信息。
9.如权利要求6所述的商品推荐方法，其特征在于，所述方法还包括步骤：
当所述用户的登录次数大于1且小于n时，根据所述第二相似度向所述用户推荐商品。
10.一种商品推荐方法，其特征在于，包括步骤：
当检测到任一用户登录系统时，判断所述用户的登录次数是否大于1且小于n；其中，3≤n≤10；
当所述用户的登录次数大于1且小于n时，获取所述用户第一次登录的行为序列，计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的第一相似度，根据所述第一相似度为所述用户推荐商品；
其中，所述计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的第一相似度具体包括：
当所述用户第一次登录的行为序列长度比所述活跃用户第一次登录的行为序列长度长时，按照所述活跃用户第一次登录的行为序列长度计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的余弦相似度。
11.如权利要求10所述的商品推荐方法，其特征在于，所述活跃用户为已产生过付费行为且在预设的时间段内登录次数大于m的用户；其中，m≥1。
12.如权利要求10所述的商品推荐方法，其特征在于，所述商品推荐方法还包括步骤：
按照预设的周期对活跃用户的特征向量、付费商品及对应的付费次数和浏览商品及对应的浏览次数进行更新。
13.如权利要求10所述的商品推荐方法，其特征在于，所述根据所述第一相似度为所述用户推荐商品具体为：
获取第一相似度最高的a个活跃用户；a≥1；
判断每一所述活跃用户是否有购买行为；若有，则获取所述活跃用户购买次数最多的物品作为所述用户的推荐商品；若没有，则获取所述活跃用户浏览次数最多的物品作为所述用户的推荐商品。
14.如权利要求10所述的商品推荐方法，其特征在于，所述方法还包括步骤：
当判断所述用户的登录次数为1时，根据爬虫系统获取所述用户的外部信息；
计算所述用户的注册信息和外部信息计算所述用户与活跃用户的第二相似度，根据所述第二相似度向所述用户推荐商品。
15.如权利要求14所述的商品推荐方法，其特征在于，所述根据所述第二相似度为所述用户推荐商品具体为：
获取第二相似度最高的b个活跃用户；b≥1；
判断每一所述活跃用户是否有购买行为；若有，则获取所述活跃用户购买次数最多的物品作为所述用户的推荐商品；若没有，则获取所述活跃用户浏览次数最多的物品作为所述用户的推荐商品。
16.如权利要求14所述的商品推荐方法，其特征在于，所述根据爬虫系统获取所述用户的外部信息包括：
根据爬虫系统爬取用户的手机型号信息、社交信息作为所述用户的外部信息。
17.如权利要求14所述的商品推荐方法，其特征在于，所述方法还包括步骤：
当所述用户的登录次数大于1且小于n时，根据所述第二相似度向所述用户推荐商品。
18.一种商品推荐装置，其特征在于，包括：
判断模块，用于当检测到任一用户登录系统时，判断所述用户的登录次数是否大于1且小于n；其中，3≤n≤10；
第一相似度计算模块，用于当所述用户的登录次数大于1且小于n时，获取所述用户第一次登录的行为序列，计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的第一相似度，根据所述第一相似度为所述用户推荐商品；
其中，所述计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的第一相似度具体包括：
当所述用户第一次登录的行为序列长度比所述活跃用户第一次登录的行为序列长度短时，按照所述用户第一次登录的行为序列长度计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的余弦相似度。
19.一种商品推荐装置，其特征在于，包括：
判断模块，用于当检测到任一用户登录系统时，判断所述用户的登录次数是否大于1且小于n；其中，3≤n≤10；
第一相似度计算模块，用于当所述用户的登录次数大于1且小于n时，获取所述用户第一次登录的行为序列，计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的第一相似度，根据所述第一相似度为所述用户推荐商品；
其中，所述计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的第一相似度具体包括：
当所述用户第一次登录的行为序列长度比所述活跃用户第一次登录的行为序列长度长时，按照所述活跃用户第一次登录的行为序列长度计算所述用户第一次登录的行为序列和活跃用户第一次登录的行为序列的余弦相似度。
20.一种商品推荐装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至17中任意一项所述的商品推荐方法。
21.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至17中任意一项所述的商品推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810846753.2A CN109064283B (zh) | 2018-07-27 | 2018-07-27 | 商品推荐方法及装置、计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810846753.2A CN109064283B (zh) | 2018-07-27 | 2018-07-27 | 商品推荐方法及装置、计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109064283A CN109064283A (zh) | 2018-12-21 |
| CN109064283B true CN109064283B (zh) | 2021-08-24 |
Family
ID=64835812
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810846753.2A Active CN109064283B (zh) | 2018-07-27 | 2018-07-27 | 商品推荐方法及装置、计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109064283B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111782925B (zh) * | 2019-04-04 | 2024-05-14 | 阿里巴巴集团控股有限公司 | 物品推荐方法、装置、设备、系统及可读存储介质 |
| CN111461841B (zh) * | 2020-04-07 | 2023-04-07 | 腾讯云计算（北京）有限责任公司 | 物品推荐方法、装置、服务器及存储介质 |
| CN112036932B (zh) * | 2020-08-03 | 2023-02-03 | 华人运通(上海)云计算科技有限公司 | 基于用户行为的运营推荐方法、装置、设备及存储介质 |
| CN112036987B (zh) * | 2020-09-11 | 2024-04-02 | 杭州海康威视数字技术股份有限公司 | 确定推荐商品的方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102411596A (zh) * | 2010-09-21 | 2012-04-11 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法及系统 |
| US20130054407A1 (en) * | 2011-08-30 | 2013-02-28 | Google Inc. | System and Method for Recommending Items to Users Based on Social Graph Information |
| CN102982466A (zh) * | 2012-07-17 | 2013-03-20 | 华东师范大学 | 一种基于用户活跃度的评分预测方法 |
| CN104239020A (zh) * | 2013-06-21 | 2014-12-24 | Sap欧洲公司 | 决策做出标准驱动的推荐 |
| CN108198058A (zh) * | 2018-03-31 | 2018-06-22 | 丁超 | 商品推荐方法和装置 |
-
2018
- 2018-07-27 CN CN201810846753.2A patent/CN109064283B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102411596A (zh) * | 2010-09-21 | 2012-04-11 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法及系统 |
| US20130054407A1 (en) * | 2011-08-30 | 2013-02-28 | Google Inc. | System and Method for Recommending Items to Users Based on Social Graph Information |
| CN102982466A (zh) * | 2012-07-17 | 2013-03-20 | 华东师范大学 | 一种基于用户活跃度的评分预测方法 |
| CN104239020A (zh) * | 2013-06-21 | 2014-12-24 | Sap欧洲公司 | 决策做出标准驱动的推荐 |
| CN108198058A (zh) * | 2018-03-31 | 2018-06-22 | 丁超 | 商品推荐方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109064283A (zh) | 2018-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109064283B (zh) | 商品推荐方法及装置、计算机可读存储介质 | |
| US12020278B2 (en) | Embedded storefront | |
| CN110827114A (zh) | 一种商品推荐方法及装置 | |
| JP6128904B2 (ja) | コンテンツ共有システム、コンテンツ共有サーバ装置、コンテンツ共有方法及びコンピュータプログラム | |
| CN109284864B (zh) | 行为序列获取方法及装置、用户转化率预测方法及装置 | |
| JP6128903B2 (ja) | コンテンツ共有システム、コンテンツ共有サーバ装置、コンテンツ共有方法及びコンピュータプログラム | |
| CN108287921A (zh) | 信息推荐方法及装置 | |
| CN108256537A (zh) | 一种用户性别预测方法和系统 | |
| CN109409949A (zh) | 用户群体分类的确定方法、装置、电子设备及存储介质 | |
| CN103295148A (zh) | 数字消费者数据模型和客户分析记录 | |
| CN110933472B (zh) | 一种用于实现视频推荐的方法和装置 | |
| KR20140013808A (ko) | 개인맞춤형 건강관리 포탈 시스템 및 그 구동방법 | |
| CN113744016A (zh) | 一种对象推荐方法及装置、设备、存储介质 | |
| CN109978580A (zh) | 对象推荐方法、装置以及计算机可读存储介质 | |
| CN111882409B (zh) | 一种推荐主体的方法、装置及电子设备 | |
| US20140351096A1 (en) | Techniques for facilitating acquisition and exchange of ebook and other digital content via a computer network | |
| CN111651679A (zh) | 基于强化学习的推荐方法及装置 | |
| CN109299355B (zh) | 一种推荐书单展示方法、装置及存储介质 | |
| CN112785069A (zh) | 终端设备换机的预测方法和装置、存储介质和电子设备 | |
| CN108256981B (zh) | 服务推荐方法、装置、电子设备及计算机可读存储介质 | |
| US10740815B2 (en) | Searching device, searching method, recording medium, and program | |
| KR101818225B1 (ko) | 잠금 화면을 통한 전자상거래 방법 및 장치 | |
| CN111784091B (zh) | 用于处理信息的方法和装置 | |
| CN114996553A (zh) | 一种动态视频封面生成方法 | |
| CN108416623A (zh) | 信息推荐方法及装置 |
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 |