CN109064293B - 商品推荐方法、装置、计算机设备及存储介质 - Google Patents
商品推荐方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109064293B CN109064293B CN201810902692.7A CN201810902692A CN109064293B CN 109064293 B CN109064293 B CN 109064293B CN 201810902692 A CN201810902692 A CN 201810902692A CN 109064293 B CN109064293 B CN 109064293B
- Authority
- CN
- China
- Prior art keywords
- target
- commodity
- user
- similar
- commodities
- 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
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种商品推荐方法、装置、计算机设备及存储介质。本发明实施例将用户对商品的评分矩阵中未进行评分的项进行补全,得到不具有空值的虚拟评分矩阵,再根据补充评分后的虚拟评分矩阵寻找目标用户的相似用户集,最后根据相似用户集对商品的评分数据向用户推荐商品;利用补充评分后的虚拟评分矩阵寻找目标用户的相似用户集可提高相似用户的计算准确率,从而提高商品推荐的准确率。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及一种商品推荐方法、装置、计算机设备及存储介质。
背景技术
随着电子商务的快速发展,推荐系统已经被广泛研究和应用,推荐系统通过提取分析用户的资料、行为、评分等数据来获取用户的喜好,以帮助电商找到用户可能购买的产品。
基于用户的协同过滤是一种非常成功并应用广泛的推荐技术,基于用户的协同过滤是采用用户对商品的评分数据来计算用户之间的相似度,寻找目标用户的相似用户群,然后根据相似用户群的评分来预测目标用户对产品的未知评分。目前所采用的用户的评分数据基本是用户商品真实评分过的评分数据,但由于用户不可能对每一个产品都进行过评分,评分数据中会具有很多评分空值。一般的做法是摒弃这些评分空值,利用用户对共同评过分的商品的评分情况来寻找目标的相似用户群。忽略评分空值会导致相似用户群的寻找准确率下降,或者当评分矩阵过于稀疏时甚至无法进行相似用户的计算,这导致依据无法依据相似用户群准确地向目标用户进行商品推荐。
发明内容
本发明实施例提供了一种商品推荐方法、装置、计算机设备及存储介质,旨在提高商品推荐的准确率。
第一方面,本发明实施例提供了一种商品推荐方法,该方法包括:获取若干用户对多个商品的第一真实评分矩阵,所述若干用户包括目标用户和多个普通用户;根据所述第一真实评分矩阵获取所述目标用户未进行真实评分的所有商品,分别将每一未进行真实评分的商品作为目标商品;根据所述第一真实评分矩阵计算所述目标用户对所述目标商品的虚拟评分,以得到所述目标用户对所述多个商品的第一虚拟评分矩阵;获取所述多个普通用户对所述多个商品的第二虚拟评分矩阵;根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵计算每个普通用户与所述目标用户的相似度,以得到所述目标用户的相似用户集;从所述第二虚拟评分矩阵中获取每一相似用户对所有目标商品的评分;根据每一相似用户对同一目标商品的评分以及每一相似用户的相似度计算所述同一目标商品的推荐评分;根据每一目标商品的推荐评分向用户推荐商品。
第二方面,本发明实施例还提供了一种商品推荐装置,所述商品推荐装置包括用于实现第一方面所述的商品推荐方法的单元。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器,以及与所述存储器相连的处理器;所述存储器用于存储实现商品推荐方法的计算机程序;所述处理器用于运行所述存储器中存储的计算机程序,以执行如上述第一方面所述的方法。
第四方面,本发明实施例提供了一种存储介质,所述存储介质存储有一个或者一个以上计算机程序,所述一个或者一个以上计算机程序可被一个或者一个以上的处理器执行,以实现上述第一方面所述的方法。
本发明实施例提供的商品推荐方法、装置、计算机设备及存储介质,将用户对商品的评分矩阵中未进行评分的项进行补全,得到不具有空值的虚拟评分矩阵,再根据补充评分后的虚拟评分矩阵寻找目标用户的相似用户集,最后根据相似用户集对商品的评分数据向用户推荐商品;利用补充评分后的虚拟评分矩阵寻找目标用户的相似用户集可提高相似用户的计算准确率,从而提高商品推荐的准确率。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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子流程示意图;
图3是本发明另一实施例提供的一种商品推荐方法的子流程示意图;
图4是本发明另一实施例提供的一种商品推荐方法的子流程示意图;
图5是本发明另一实施例提供的一种商品推荐方法的子流程示意图;
图6是本发明一实施例提供的一种商品推荐装置的示意性框图;
图7是本发明一实施例提供的一种商品推荐装置的子单元示意性框图;
图8是本发明另一实施例提供的一种商品推荐装置的子单元示意性框图;
图9是本发明另一实施例提供的一种商品推荐装置的子单元示意性框图;
图10是本发明另一实施例提供的一种商品推荐装置的子单元示意性框图;
图11是本发明实施例提供的一种计算机设备的结构示意性框图。
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
也应当理解,尽管术语第一、第二等可以在此用来描述各种元素,但这些元素不应该受限于这些术语,这些术语仅用来将这些元素彼此区分开。
图1为本发明实施例提供的一种商品推荐方法的流程示意图,该方法包括步骤S101~S108。
S101、获取若干用户对多个商品的第一真实评分矩阵,所述若干用户包括目标用户和多个普通用户。
从商品消费平台中爬取商品信息以及所有用户购买商品以及对商品评分的评分记录,将这些商品信息以及用户的评分记录进行统计,得到所有用户(即上述若干用户)对商品消费平台中所有商品(即上述多个商品)的第一真实评分矩阵。当具有目标用户时,需要向目标用户推荐商品,普通用户是相对目标用户而言,即不作为目标用户的其他用户都是为普通用户,当情况发生改变时,普通用户可以作为目标用户,目标用户也可作为普通用户。
并非所有客户都会对所有商品进行评分,大多情况下,一个用户只会对一种或几种商品进行评分,因此第一真实评分矩阵中会具有许多空值,例如下表1所示。
表1:
第一真实评分矩阵中用户未评分的商品对应的评分值是一个空值,向用户推荐商品一般是基于相似用户的共同偏好来推荐的,用户未对商品评分,因此无法得知用户对该商品是否感兴趣,然而,如果剔除用户未评分的商品(相当于用户对该商品的评分为0),以此来寻找一用户的相似用户,这并不科学,因为剔除未评分商品设定了用户对该商品无兴趣,但情况可能往往相反,因为用户不可能对所有感兴趣的商品进行评分,为了能够更准确地找到目标用户的相似用户,需要对目标用户未进行评分的商品进行评分的预测补充,补充的评分是一个虚拟值,并非真实值。
S102、根据所述第一真实评分矩阵获取所述目标用户未进行真实评分的所有商品,分别将每一未进行真实评分的商品作为目标商品。
S103、根据所述第一真实评分矩阵计算所述目标用户对所述目标商品的虚拟评分,以得到所述目标用户对所述多个商品的第一虚拟评分矩阵。
将目标用户未进行真实评分的每一个商品作为目标商品,即可能需要向用户推荐的商品,计算目标用户对每一目标商品的虚拟评分,用虚拟评分填补第一真实评分矩阵中的对应评分空值,得到针对目标用户的不具有空值的第一虚拟评分矩阵。
在一实施例中,如图2所示,步骤S103包括步骤S1031-S1035。
S1031、分别计算一目标商品与所述多个商品中的其它商品的相似度,以得到所述目标商品的相似商品集。
任何商品都有与其相似的商品,例如,同一种类的商品为相似商品,比如羽毛球、乒乓球、羽毛球拍、篮球等,这些均为运动类商品,为相似商品。本发明实施例通过找到目标商品的相似商品集来预测目标用户对目标商品的评分。
S1032、从所述第一真实评分矩阵中获取所述若干用户对每个相似商品的真实评分。
S1033、根据所述若干用户对同一相似商品的真实评分计算所述目标用户对所述相似商品的预测评分。
在本实施例中,利用所有用户对相似商品的真实评分来预测目标用户对该相似商品的评分,即根据大众心理来初步预测目标用户对相似商品的评价。
S1034、根据每一相似商品的预测评分和每一相似商品对应的相似度计算所述目标用户对所述目标商品的虚拟评分。
在一实施例中,假设一目标商品具有M个相似商品,具体根据以下公式计算所述目标用户对所述目标商品的虚拟评分:
其中,xi表示第i个相似商品与目标商品的相似度,fi为目标用户对第i个相似商品的预测评分,aj表示目标用户对目标商品的虚拟评分。
得到目标用户对相似商品的初步评价即预测评分之后,利用每一个相似商品与目标商品的相似度对该相似商品的预测评分进行加权,再结合整体相似商品集的加权评分得到目标商品的虚拟评分。相似度越大,对应的相似商品对目标商品的预测重要性越搞,加权越高,得到的虚拟评分越准确。
S1035、结合所述第一真实评分矩阵中所述目标用户对已进行真实评分的商品的真实评分以及所述目标用户对所有目标商品的虚拟评分得到所述第一虚拟评分矩阵。
利用虚拟评分对目标用户对应未评分的商品进行评分的补充,再结合目标用户对已评分商品的真实评分,即可得到目标用户对所有商品的评分,即得到第一虚拟评分矩阵。
在一实施例中,如图3所示,步骤S1031包括步骤S1031a-S1031c。
S1031a、分别获取每一其它商品被标记的第一标签集合以及所述目标商品被标记的第二标签集合。
用户除了会对商品进行评分之外,还会为商品打上标签,用户使用的标签为商品消费平台提供的标签或自定义的标签。爬取用户为商品标记标签的数据得到用户-标签-商品(商品)的关系数据,需要时通过用户-标签-商品的关系数据可以获取任意商品被标记的所有标签。
S1031b、根据公式计算每一项其它商品与所述目标商品的相似度,其中,|Ti|表示所述第一标签集合的标签总数量,|Tj|表示所述第二标签集合的标签总数量,|Ti∩Tj|表示第一标签集合与第二标签集合的交集所包含的标签的总数量,x表示相似度。
两个商品共同拥有相同标签的数目越多,则这两个商品越相似。
S1031c、若所述相似度大于或等于第一阈值,则将对应的其它商品确定为所述目标商品的相似商品,以得到所述目标商品的相似商品集。
在本发明中,第一阈值为0.2-0.4,在本发明实施例中可选为0.2、0.3或0.4。若相似度大于或等于第一阈值,则对应的商品为相似商品。
步骤S1032中的所述若干用户对每个相似商品的真实评分包括了多个普通用户对每个相似商品的第一真实评分以及所述目标用户对每个相似商品的第二真实评分。
在一实施例中,如图4所示,步骤S1033包括步骤S1033a-S1031c。
S1033a、根据所述多个普通用户对同一相似商品的第一真实评分计算所述同一相似商品的平均评分。
平均评分指的是已对该相似商品进行真实评分的用户对该相似商品评分的平均值,即进行真实评分的用户对该相似商品的评分之和除以对该相似商品进行过评分的用户总数量,如上表1,假设I2为一相似商品,则I2的平均评分t=(3+3+2)/3=2.67。
S1033b、若所述目标用户对所述相似商品已进行真实评分,则根据公式f=q1*t1+q2*t2计算所述目标用户对所述相似商品的预测评分,其中,f表示所述预测评分,t1表示所述相似商品的平均评分,q1表示所述平均评分的第一预设权重,t2表示目标用户对所述相似商品的第二真实评分,q2表示所述第二真实评分的第二预设权重,且q1+q2=1。
S1033c、若所述目标用户未对所述相似商品进行真实评分,则将所述相似商品的平均评分确定为所述目标用户对所述相似商品的预测评分。
通过第一真实评分矩阵可知目标用户是否对一相似商品进行过真实评分,对于未进行过真实评分的相似商品,将该相似商品的平均评分作为目标用户对该相似商品的预测评分,否则,结合目标用户对该相似商品的第二真实评分以及该相似商品的平均评分进行修正,加以对应的权重计算预测评分。
通过多次试验和统计可知,当基于q1=0.2,q2=0.8时计算得到的预测评分来预测用户可能购买的商品,得到的预测准确率最高,因此,在一实施例中,令q1=0.2,q2=0.8。
S104、获取所述多个普通用户对所述多个商品的第二虚拟评分矩阵。
对于任意一普通用户的虚拟评分矩阵均可通过目标用户的第一虚拟评分矩阵的计算方法得到,在每一个普通用户作为目标用户之时计算并保存,所有普通用户的虚拟评分矩阵结合形成第二虚拟评分矩阵,第一虚拟评分矩阵和第二虚拟评分矩阵所包含的商品相同。当有新的目标用户时,在计算新的目标用户的第一虚拟评分矩阵后将该第一虚拟评分矩阵添加至该第二虚拟评分矩阵,如此普通用户的第二虚拟评分矩阵不断得到扩充。至此,目标用户对该多个商品的评分矩阵以及普通用户对该多个商品的评分矩阵中均不具有评分空值。
需要说明的是,步骤S104与步骤S101-S103在时间上无必然的先后顺序,步骤S104只需在步骤S105之前完成即可。
S105、根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵计算每个普通用户与所述目标用户的相似度,以得到所述目标用户的相似用户集。
第一虚拟评分矩阵以及所述第二虚拟评分矩阵中均不具有评分空值,利用第一虚拟评分矩阵以及所述第二虚拟评分矩阵可以较为准确地得到目标用户的相似用户集,利用相似用户集的共同兴趣,可以预测目标用户的兴趣。
在一实施例中,如图5所示,步骤S105包括步骤S1051-S1052。
S1051、根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵分别计算每一普通用户与所述目标用户的Pearson相关系数。
一普通用户与目标用户之间的Pearson相关系数的计算公式如下:
其中,N为第一虚拟评分矩阵或所述第二虚拟评分矩阵包含的商品的总数,aj表示目标用户对第j个商品的评分(该评分为目标用户的真实评分或虚拟评分),bj表示一普通用户对第j个商品的评分(该评分为用户的真实评分或虚拟评分),r为Pearson相关系数。
S1052、若所述Pearson相关系数大于或等于第二阈值,则将对应的普通用户确认为所述目标用户的相似用户,以得到所述相似用户集。
第二阈值为0.4-0.6,在一实施例中,第一阈值取值为0.4、0.5或0.6。
S106、从所述第二虚拟评分矩阵中获取每一相似用户对所有目标商品的评分。
第三虚拟评分矩阵中包括了每一个相似用户对任意目标商品的评分,或为真实评分,或为虚拟评分,若相似用户对一目标商品进行过评分,则为真实评分,否则为虚拟评分。
S107、根据每一相似用户对同一目标商品的评分以及每一相似用户的相似度计算所述同一目标商品的推荐评分。
相似用户对同一目标商品的评分为真实评分或虚拟评分。假设具有K个目标商品,U个相似用户,用si表示第i个相似用户的相似度,pij表示第i个目相似用户对第j个目标商品的评分,则第j个目标商品的推荐评分Pj的计算公式如下:
为了在目标用户未评分过的商品(即目标商品)中找到目标用户比较感兴趣的商品,继而向用户推荐其感兴趣的商品,需要通过相似用户集对目标商品的共同评分来预测目标用户对目标商品的评分,利用每个相似用户的相似度对该相似用户对目标商品的评分进行加权,相似度越大,对应的相似用户的评分对推荐的贡献越大,加权越高,综合每个相似用户加权后的评分得到相似用户群体对目标商品的整体评价,以准确地预测每个目标商品的推荐评分。
S108、根据每一目标商品的推荐评分向用户推荐商品。
推荐评分越高,目标用户对对应的目标商品的兴趣越大,计算出目标用户对于所有目标商品的推荐评分之后,将目标商品按推荐评分从高到低的顺序排序,取出排位在前的N个目标商品推荐给目标用户,提高商品推荐的准确率,其中N为5-10,在一实施例中N取10。
本发明实施例提供的商品推荐方法,将用户对商品的评分矩阵中未进行评分的项进行补全,得到不具有空值的虚拟评分矩阵,再根据补充评分后的虚拟评分矩阵寻找目标用户的相似用户集,最后根据相似用户集对商品的评分数据向用户推荐商品;利用补充评分后的虚拟评分矩阵寻找目标用户的相似用户集可提高相似用户的计算准确率,从而提高商品推荐的准确率。
图6为本发明实施例提供的一种商品推荐装置100的示意性框图。该商品推荐装置100包括用于执行上述商品推荐方法的单元,该商品推荐装置100包括第一获取单元101、第二获取单元102、第一计算单元103、第三获取单元104、第二计算单元105、第四获取单元106、第三计算单元107以及推荐单元108。
第一获取单元101用于获取若干用户对多个商品的第一真实评分矩阵,所述若干用户包括目标用户和多个普通用户。
第二获取单元102用于根据所述第一真实评分矩阵获取所述目标用户未进行真实评分的所有商品,分别将每一未进行真实评分的商品作为目标商品。
第一计算单元103用于根据所述第一真实评分矩阵计算所述目标用户对所述目标商品的虚拟评分,以得到所述目标用户对所述多个商品的第一虚拟评分矩阵。
第三获取单元104用于获取所述多个普通用户对所述多个商品的第二虚拟评分矩阵。
第二计算单元105用于根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵计算每个普通用户与所述目标用户的相似度,以得到所述目标用户的相似用户集。
第四获取单元106用于从所述第二虚拟评分矩阵中获取每一相似用户对所有目标商品的评分。
第三计算单元107用于根据每一相似用户对同一目标商品的评分以及每一相似用户的相似度计算所述同一目标商品的推荐评分。
推荐单元108用于根据每一目标商品的推荐评分向用户推荐商品。
在一实施例中,如图7所示,所述第一计算单元103包括以下子单元:
第一计算子单元1031,用于分别计算一目标商品与所述多个商品中的其它商品的相似度,以得到所述目标商品的相似商品集;
第一获取子单元1032,用于从所述第一真实评分矩阵中获取所述若干用户对每个相似商品的真实评分;
第二计算子单元1033,用于根据所述若干用户对同一相似商品的真实评分计算所述目标用户对所述相似商品的预测评分;
第三计算子单元1034,用于根据每一相似商品的预测评分和每一相似商品对应的相似度计算所述目标用户对所述目标商品的虚拟评分;以及
第二获取子单元1035,用于结合所述第一真实评分矩阵中所述目标用户对已进行真实评分的商品的真实评分以及所述目标用户对所有目标商品的虚拟评分得到所述第一虚拟评分矩阵。
在一实施例中,如图8所示,所述第二计算单元105包括以下子单元:
第四计算子单元1051,用于根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵分别计算每一普通用户与所述目标用户的Pearson相关系数;以及
第一确认子单元1052,用于若所述Pearson相关系数大于或等于第二阈值,则将对应的普通用户确认为所述目标用户的相似用户,以得到所述相似用户集。
在一实施例中,如图9所示,第一计算子单元1031包括:
第三获取子单元1031a,用于分别获取每一其它商品被标记的第一标签集合以及所述目标商品被标记的第二标签集合;
第五计算子单元1031b,用于根据公式计算每一项其它商品与所述目标商品的相似度,其中,|Ti|表示所述第一标签集合的标签总数量,|Tj|表示所述第二标签集合的标签总数量,|Ti∩Tj|表示第一标签集合与第二标签集合的交集所包含的标签的总数量,x表示相似度;以及
第二确认子单元1031c,用于若所述相似度大于或等于第一阈值,则将对应的其它商品确定为所述目标商品的相似商品,以得到所述目标商品的相似商品集。
在一实施例中,所述若干用户对每个相似商品的真实评分包括多个普通用户对每个相似商品的第一真实评分以及所述目标用户对每个相似商品的第二真实评分。
如图10所示,第二计算子单元1033包括:
第六计算子单元1033a,用于根据所述多个普通用户对同一相似商品的第一真实评分计算所述同一相似商品的平均评分;
第七计算子单元1033b,用于若所述目标用户对所述相似商品已进行真实评分,则根据公式f=q1*t1+q2*t2计算所述目标用户对所述相似商品的预测评分,其中,f表示所述预测评分,t1表示所述相似商品的平均评分,q1表示所述平均评分的第一预设权重,t2表示目标用户对所述相似商品的第二真实评分,q2表示所述第二真实评分的第二预设权重,且q1+q2=1;以及
确定子单元1033c,用于若所述目标用户未对所述相似商品进行真实评分,则将所述相似商品的平均评分确定为所述目标用户对所述相似商品的预测评分。
上述商品推荐装置100与前述商品推荐方法对应,本实施例中对商品推荐装置100未详尽之处可参考前述方法实施例,此处不做赘述。
上述商品推荐装置100可以实现为一种计算机程序的形式,计算机程序可以在如图11所示的计算机设备上运行。
图11为本发明实施例提供的一种计算机设备200的结构示意性框图。该计算机设备200,该计算机设备200可以是终端,也可以是服务器,其中,终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
该计算机设备200,包括通过系统总线201连接的处理器202、存储器和网络接口205,其中,存储器可以包括非易失性存储介质203和内存储器204。
该计算机设备200的非易失性存储介质203可存储操作系统2031和计算机程序2032,该计算机程序2032被执行时,可使得处理器202执行一种商品推荐方法。该内存储器204为非易失性存储介质203中的计算机程序2032的运行提供环境。该计算机设备200的处理器202用于提供计算和控制能力,支撑整个计算机设备200的运行。计算机设备200的网络接口205用于进行网络通信,如发送分配的任务、接收数据等。
本领域技术人员可以理解,图11中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图11所示实施例一致,在此不再赘述。
处理器202运行非易失性存储介质203中的计算机程序2032时,处理器202执行以下步骤:获取若干用户对多个商品的第一真实评分矩阵,所述若干用户包括目标用户和多个普通用户;根据所述第一真实评分矩阵获取所述目标用户未进行真实评分的所有商品,分别将每一未进行真实评分的商品作为目标商品;根据所述第一真实评分矩阵计算所述目标用户对所述目标商品的虚拟评分,以得到所述目标用户对所述多个商品的第一虚拟评分矩阵;获取所述多个普通用户对所述多个商品的第二虚拟评分矩阵;根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵计算每个普通用户与所述目标用户的相似度,以得到所述目标用户的相似用户集;从所述第二虚拟评分矩阵中获取每一相似用户对所有目标商品的评分;根据每一相似用户对同一目标商品的评分以及每一相似用户的相似度计算所述同一目标商品的推荐评分;根据每一目标商品的推荐评分向用户推荐商品。
在一实施例中,所述处理器202在执行所述根据所述第一真实评分矩阵计算所述目标用户对所述目标商品的虚拟评分,以得到所述目标用户对所述多个商品的第一虚拟评分矩阵的步骤时,具体执行以下步骤:分别计算一目标商品与所述多个商品中的其它商品的相似度,以得到所述目标商品的相似商品集;从所述第一真实评分矩阵中获取所述若干用户对每个相似商品的真实评分;根据所述若干用户对同一相似商品的真实评分计算所述目标用户对所述相似商品的预测评分;根据每一相似商品的预测评分和每一相似商品对应的相似度计算所述目标用户对所述目标商品的虚拟评分;结合所述第一真实评分矩阵中所述目标用户对已进行真实评分的商品的真实评分以及所述目标用户对所有目标商品的虚拟评分得到所述第一虚拟评分矩阵。
在一实施例中,所述处理器202在执行所述分别计算一目标商品与所述多个商品中的其它商品的相似度,以得到所述目标商品的相似商品集的步骤时,具体执行以下步骤:分别获取每一其它商品被标记的第一标签集合以及所述目标商品被标记的第二标签集合;根据公式计算每一项其它商品与所述目标商品的相似度,其中,|Ti|表示所述第一标签集合的标签总数量,|Tj|表示所述第二标签集合的标签总数量,|Ti∩Tj|表示第一标签集合与第二标签集合的交集所包含的标签的总数量,x表示相似度;若所述相似度大于或等于第一阈值,则将对应的其它商品确定为所述目标商品的相似商品,以得到所述目标商品的相似商品集。
在一实施例中,所述若干用户对每个相似商品的真实评分包括多个普通用户对每个相似商品的第一真实评分以及所述目标用户对每个相似商品的第二真实评分;所述处理器202在执行所述根据所述若干用户对同一相似商品的真实评分计算所述目标用户对所述相似商品的预测评分的步骤时,具体执行以下步骤:根据所述多个普通用户对同一相似商品的第一真实评分计算所述同一相似商品的平均评分;若所述目标用户对所述相似商品已进行真实评分,则根据公式f=q1*t1+q2*t2计算所述目标用户对所述相似商品的预测评分,其中,f表示所述预测评分,t1表示所述相似商品的平均评分,q1表示所述平均评分的第一预设权重,t2表示目标用户对所述相似商品的第二真实评分,q2表示所述第二真实评分的第二预设权重,且q1+q2=1;若所述目标用户未对所述相似商品进行真实评分,则将所述相似商品的平均评分确定为所述目标用户对所述相似商品的预测评分。
在一实施例中,所述处理器202在执行所述根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵计算每个普通用户与所述目标用户的相似度,以得到所述目标用户的相似用户集的步骤时,具体执行以下步骤:根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵分别计算每一普通用户与所述目标用户的Pearson相关系数;若所述Pearson相关系数大于或等于第二阈值,则将对应的普通用户确认为所述目标用户的相似用户,以得到所述相似用户集。
应当理解,在本申请实施例中,处理器202可以是中央处理单元(CentralProcessing Unit,CPU),该处理器202还可以是其他通用处理器、数字信号处理器(DigitalSignal 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。其中,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。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令,计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质,所述存储介质存储有一个或者一个以上计算机程序,所述一个或者一个以上计算机程序可被一个或者一个以上的处理器执行,可实现以下步骤:获取若干用户对多个商品的第一真实评分矩阵,所述若干用户包括目标用户和多个普通用户;根据所述第一真实评分矩阵获取所述目标用户未进行真实评分的所有商品,分别将每一未进行真实评分的商品作为目标商品;根据所述第一真实评分矩阵计算所述目标用户对所述目标商品的虚拟评分,以得到所述目标用户对所述多个商品的第一虚拟评分矩阵;获取所述多个普通用户对所述多个商品的第二虚拟评分矩阵;根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵计算每个普通用户与所述目标用户的相似度,以得到所述目标用户的相似用户集;从所述第二虚拟评分矩阵中获取每一相似用户对所有目标商品的评分;根据每一相似用户对同一目标商品的评分以及每一相似用户的相似度计算所述同一目标商品的推荐评分;根据每一目标商品的推荐评分向用户推荐商品。
在一实施例中,在实现所述根据所述第一真实评分矩阵计算所述目标用户对所述目标商品的虚拟评分,以得到所述目标用户对所述多个商品的第一虚拟评分矩阵的步骤时,具体实现以下步骤:分别计算一目标商品与所述多个商品中的其它商品的相似度,以得到所述目标商品的相似商品集;从所述第一真实评分矩阵中获取所述若干用户对每个相似商品的真实评分;根据所述若干用户对同一相似商品的真实评分计算所述目标用户对所述相似商品的预测评分;根据每一相似商品的预测评分和每一相似商品对应的相似度计算所述目标用户对所述目标商品的虚拟评分;结合所述第一真实评分矩阵中所述目标用户对已进行真实评分的商品的真实评分以及所述目标用户对所有目标商品的虚拟评分得到所述第一虚拟评分矩阵。
在一实施例中,在实现所述分别计算一目标商品与所述多个商品中的其它商品的相似度,以得到所述目标商品的相似商品集的步骤时,具体实现以下步骤:分别获取每一其它商品被标记的第一标签集合以及所述目标商品被标记的第二标签集合;根据公式计算每一项其它商品与所述目标商品的相似度,其中,|Ti|表示所述第一标签集合的标签总数量,|Tj|表示所述第二标签集合的标签总数量,|Ti∩Tj|表示第一标签集合与第二标签集合的交集所包含的标签的总数量,x表示相似度;若所述相似度大于或等于第一阈值,则将对应的其它商品确定为所述目标商品的相似商品,以得到所述目标商品的相似商品集。
在一实施例中,所述若干用户对每个相似商品的真实评分包括多个普通用户对每个相似商品的第一真实评分以及所述目标用户对每个相似商品的第二真实评分;在实现所述根据所述若干用户对同一相似商品的真实评分计算所述目标用户对所述相似商品的预测评分的步骤时,具体实现以下步骤:根据所述多个普通用户对同一相似商品的第一真实评分计算所述同一相似商品的平均评分;若所述目标用户对所述相似商品已进行真实评分,则根据公式f=q1*t1+q2*t2计算所述目标用户对所述相似商品的预测评分,其中,f表示所述预测评分,t1表示所述相似商品的平均评分,q1表示所述平均评分的第一预设权重,t2表示目标用户对所述相似商品的第二真实评分,q2表示所述第二真实评分的第二预设权重,且q1+q2=1;若所述目标用户未对所述相似商品进行真实评分,则将所述相似商品的平均评分确定为所述目标用户对所述相似商品的预测评分。
在一实施例中,在实现所述根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵计算每个普通用户与所述目标用户的相似度,以得到所述目标用户的相似用户集的步骤时,具体实现以下步骤:根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵分别计算每一普通用户与所述目标用户的Pearson相关系数;若所述Pearson相关系数大于或等于第二阈值,则将对应的普通用户确认为所述目标用户的相似用户,以得到所述相似用户集。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。
该集成的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,或者该技术方案的全部或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,终端,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。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种商品推荐方法,其特征在于,包括:
获取若干用户对多个商品的第一真实评分矩阵,所述若干用户包括目标用户和多个普通用户;
根据所述第一真实评分矩阵获取所述目标用户未进行真实评分的所有商品,分别将每一未进行真实评分的商品作为目标商品;
根据所述第一真实评分矩阵计算所述目标用户对所述目标商品的虚拟评分,以得到所述目标用户对所述多个商品的第一虚拟评分矩阵;
获取所述多个普通用户对所述多个商品的第二虚拟评分矩阵;
根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵计算每个普通用户与所述目标用户的相似度,以得到所述目标用户的相似用户集;
从所述第二虚拟评分矩阵中获取每一相似用户对所有目标商品的评分;
根据每一相似用户对同一目标商品的评分以及每一相似用户的相似度计算所述同一目标商品的推荐评分;
根据每一目标商品的推荐评分向用户推荐商品;
所述根据所述第一真实评分矩阵计算所述目标用户对所述目标商品的虚拟评分,以得到所述目标用户对所述多个商品的第一虚拟评分矩阵,包括:
分别计算一目标商品与所述多个商品中的其它商品的相似度,以得到所述目标商品的相似商品集;
从所述第一真实评分矩阵中获取所述若干用户对每个相似商品的真实评分;
根据所述若干用户对同一相似商品的真实评分计算所述目标用户对所述相似商品的预测评分;
根据每一相似商品的预测评分和每一相似商品对应的相似度计算所述目标用户对所述目标商品的虚拟评分;
结合所述第一真实评分矩阵中所述目标用户对已进行真实评分的商品的真实评分以及所述目标用户对所有目标商品的虚拟评分得到所述第一虚拟评分矩阵;
所述根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵计算每个普通用户与所述目标用户的相似度,以得到所述目标用户的相似用户集,包括:
根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵分别计算每一普通用户与所述目标用户的Pearson相关系数;
若所述Pearson相关系数大于或等于第二阈值,则将对应的普通用户确认为所述目标用户的相似用户,以得到所述相似用户集;
所述Pearson相关系数的计算公式为:
其中,N为第一虚拟评分矩阵或所述第二虚拟评分矩阵包含的商品的总数,aj表示目标用户对第j个商品的评分,该评分为目标用户的真实评分或虚拟评分,bj表示一普通用户对第j个商品的评分,该评分为用户的真实评分或虚拟评分,r为Pearson相关系数。
3.根据权利要求1所述的商品推荐方法,其特征在于,所述若干用户对每个相似商品的真实评分包括多个普通用户对每个相似商品的第一真实评分以及所述目标用户对每个相似商品的第二真实评分;
所述根据所述若干用户对同一相似商品的真实评分计算所述目标用户对所述相似商品的预测评分,包括:
根据所述多个普通用户对同一相似商品的第一真实评分计算所述同一相似商品的平均评分;
若所述目标用户对所述相似商品已进行真实评分,则根据公式f=q1*t1+q2*t2计算所述目标用户对所述相似商品的预测评分,其中,f表示所述预测评分,t1表示所述相似商品的平均评分,q1表示所述平均评分的第一预设权重,t2表示目标用户对所述相似商品的第二真实评分,q2表示所述第二真实评分的第二预设权重,且q1+q2=1;
若所述目标用户未对所述相似商品进行真实评分,则将所述相似商品的平均评分确定为所述目标用户对所述相似商品的预测评分。
4.一种商品推荐装置,其特征在于,包括:
第一获取单元,用于获取若干用户对多个商品的第一真实评分矩阵,所述若干用户包括目标用户和多个普通用户;
第二获取单元,用于根据所述第一真实评分矩阵获取所述目标用户未进行真实评分的所有商品,分别将每一未进行真实评分的商品作为目标商品;
第一计算单元,用于根据所述第一真实评分矩阵计算所述目标用户对所述目标商品的虚拟评分,以得到所述目标用户对所述多个商品的第一虚拟评分矩阵;
第三获取单元,用于获取所述多个普通用户对所述多个商品的第二虚拟评分矩阵;
第二计算单元,用于根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵计算每个普通用户与所述目标用户的相似度,以得到所述目标用户的相似用户集;
第四获取单元,用于从所述第二虚拟评分矩阵中获取每一相似用户对所有目标商品的评分;
第三计算单元,用于根据每一相似用户对同一目标商品的评分以及每一相似用户的相似度计算所述同一目标商品的推荐评分;
推荐单元,用于根据每一目标商品的推荐评分向用户推荐商品;
所述第一计算单元包括:
第一计算子单元,用于分别计算一目标商品与所述多个商品中的其它商品的相似度,以得到所述目标商品的相似商品集;
第一获取子单元,用于从所述第一真实评分矩阵中获取所述若干用户对每个相似商品的真实评分;
第二计算子单元,用于根据所述若干用户对同一相似商品的真实评分计算所述目标用户对所述相似商品的预测评分;
第三计算子单元,用于根据每一相似商品的预测评分和每一相似商品对应的相似度计算所述目标用户对所述目标商品的虚拟评分;
第二获取子单元,用于结合所述第一真实评分矩阵中所述目标用户对已进行真实评分的商品的真实评分以及所述目标用户对所有目标商品的虚拟评分得到所述第一虚拟评分矩阵;
所述第二计算单元包括:
第四计算子单元,用于根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵分别计算每一普通用户与所述目标用户的Pearson相关系数;
第一确认子单元,用于若所述Pearson相关系数大于或等于第二阈值,则将对应的普通用户确认为所述目标用户的相似用户,以得到所述相似用户集;
所述Pearson相关系数的计算公式为:
其中,N为第一虚拟评分矩阵或所述第二虚拟评分矩阵包含的商品的总数,aj表示目标用户对第j个商品的评分,该评分为目标用户的真实评分或虚拟评分,bj表示一普通用户对第j个商品的评分,该评分为用户的真实评分或虚拟评分,r为Pearson相关系数。
5.一种计算机设备,其特征在于,包括存储器,以及与所述存储器相连的处理器;
所述存储器用于存储实现商品推荐方法的计算机程序;
所述处理器用于运行所述存储器中存储的计算机程序,以执行如权利要求1至3任一项所述的方法。
6.一种存储介质,其特征在于,所述存储介质存储有一个或者一个以上计算机程序,所述一个或者一个以上计算机程序可被一个或者一个以上的处理器执行,以实现如权利要求1至3任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810902692.7A CN109064293B (zh) | 2018-08-09 | 2018-08-09 | 商品推荐方法、装置、计算机设备及存储介质 |
PCT/CN2018/107970 WO2020029401A1 (zh) | 2018-08-09 | 2018-09-27 | 商品推荐方法、装置、计算机设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810902692.7A CN109064293B (zh) | 2018-08-09 | 2018-08-09 | 商品推荐方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109064293A CN109064293A (zh) | 2018-12-21 |
CN109064293B true CN109064293B (zh) | 2023-04-18 |
Family
ID=64679028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810902692.7A Active CN109064293B (zh) | 2018-08-09 | 2018-08-09 | 商品推荐方法、装置、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109064293B (zh) |
WO (1) | WO2020029401A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139767A (zh) * | 2020-01-20 | 2021-07-20 | 菜鸟智能物流控股有限公司 | 物流对象分拨方法和装置、电子设备以及计算机可读存储介质 |
CN111581505B (zh) * | 2020-04-28 | 2023-07-07 | 海南太美航空股份有限公司 | 基于组合推荐的航班推荐方法及系统 |
CN113763065A (zh) * | 2020-06-17 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 推荐商品的方法、装置、设备和计算机可读介质 |
CN111986744B (zh) * | 2020-09-03 | 2023-10-24 | 深圳赛安特技术服务有限公司 | 医疗机构的患者界面生成方法、装置、电子设备及介质 |
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 |
CN112767085B (zh) * | 2021-01-22 | 2024-05-24 | 武汉蔚来能源有限公司 | 商品相似性分析及商品推荐方法、装置及计算机存储介质 |
CN113112333A (zh) * | 2021-04-27 | 2021-07-13 | 湖南云畅网络科技有限公司 | 一种数据流处理方法及系统 |
CN115168745B (zh) * | 2022-09-02 | 2022-11-22 | 环球数科集团有限公司 | 一种基于图像技术的虚拟人物形象再创造的方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567900A (zh) * | 2011-12-28 | 2012-07-11 | 尚明生 | 一种向客户推荐商品的方法 |
CN104463637A (zh) * | 2014-12-23 | 2015-03-25 | 北京石油化工学院 | 一种基于电商平台的商品推荐方法、装置及服务器 |
WO2016191959A1 (zh) * | 2015-05-29 | 2016-12-08 | 深圳市汇游智慧旅游网络有限公司 | 一种时变的协同过滤推荐方法 |
JP2017027480A (ja) * | 2015-07-24 | 2017-02-02 | 大学共同利用機関法人情報・システム研究機構 | アイテム推薦システム及びアイテム推薦方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294812B (zh) * | 2013-06-06 | 2016-02-10 | 浙江大学 | 一种基于混合模型的商品推荐方法 |
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 |
CN105809275A (zh) * | 2016-02-29 | 2016-07-27 | 海信集团有限公司 | 一种物品评分预测方法及装置 |
CN107341204B (zh) * | 2017-06-22 | 2023-04-07 | 电子科技大学 | 一种融合物品标签信息的协同过滤推荐方法及系统 |
-
2018
- 2018-08-09 CN CN201810902692.7A patent/CN109064293B/zh active Active
- 2018-09-27 WO PCT/CN2018/107970 patent/WO2020029401A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567900A (zh) * | 2011-12-28 | 2012-07-11 | 尚明生 | 一种向客户推荐商品的方法 |
CN104463637A (zh) * | 2014-12-23 | 2015-03-25 | 北京石油化工学院 | 一种基于电商平台的商品推荐方法、装置及服务器 |
WO2016191959A1 (zh) * | 2015-05-29 | 2016-12-08 | 深圳市汇游智慧旅游网络有限公司 | 一种时变的协同过滤推荐方法 |
JP2017027480A (ja) * | 2015-07-24 | 2017-02-02 | 大学共同利用機関法人情報・システム研究機構 | アイテム推薦システム及びアイテム推薦方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109064293A (zh) | 2018-12-21 |
WO2020029401A1 (zh) | 2020-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109064293B (zh) | 商品推荐方法、装置、计算机设备及存储介质 | |
CN109118336B (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
CN111523976A (zh) | 商品推荐方法、装置、电子设备及存储介质 | |
US9082086B2 (en) | Adaptively learning a similarity model | |
CN109635198B (zh) | 在商品展示平台上呈现用户搜索结果的方法、装置、介质及电子设备 | |
WO2020192013A1 (zh) | 定向广告投放方法和装置、设备及存储介质 | |
CN109165975B (zh) | 标签推荐方法、装置、计算机设备及存储介质 | |
WO2015157103A1 (en) | Customizing evaluation information presentation | |
CN112529663B (zh) | 商品推荐方法、装置、终端设备及存储介质 | |
CN111161021B (zh) | 基于实时特征的推荐商品的快速二次排序方法 | |
CN112818218B (zh) | 信息推荐方法、装置、终端设备及计算机可读存储介质 | |
US20120296776A1 (en) | Adaptive interactive search | |
CN108959453B (zh) | 基于文本聚类的信息提取方法、装置及可读存储介质 | |
CN111695023A (zh) | 信息推荐方法、装置、存储介质及设备 | |
CN112036981B (zh) | 一种用于提供目标对比商品的方法、装置、设备及介质 | |
CN110827112A (zh) | 深度学习的商品推荐方法、装置、计算机设备及存储介质 | |
CN113077317A (zh) | 基于用户数据的物品推荐方法、装置、设备及存储介质 | |
US10832305B1 (en) | System and method for image processing and searching for classification in a product database | |
CN111861605A (zh) | 业务对象推荐方法 | |
CN108647986A (zh) | 一种目标用户确定方法、装置及电子设备 | |
CN112328881A (zh) | 文章推荐方法、装置、终端设备及存储介质 | |
CN108109052A (zh) | 物品推送方法、装置及服务器 | |
CN110851708A (zh) | 负样本的抽取方法、装置、计算机设备和存储介质 | |
CN112015970A (zh) | 产品推荐方法、相关设备及计算机存储介质 | |
CN110827044A (zh) | 提取用户兴趣模式的方法和装置 |
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 |