CN109102371A - 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 PDF

Info

Publication number
CN109102371A
CN109102371A CN201810959505.9A CN201810959505A CN109102371A CN 109102371 A CN109102371 A CN 109102371A CN 201810959505 A CN201810959505 A CN 201810959505A CN 109102371 A CN109102371 A CN 109102371A
Authority
CN
China
Prior art keywords
users
commodity
target user
score
user
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
Application number
CN201810959505.9A
Other languages
English (en)
Inventor
吴壮伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201810959505.9A priority Critical patent/CN109102371A/zh
Publication of CN109102371A publication Critical patent/CN109102371A/zh
Pending legal-status Critical Current

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)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种商品推荐方法、装置、计算机设备及存储介质。该方法包括：利用网络爬虫技术在预设社交平台爬取所有用户的用户行为数据；根据所述用户行为数据得到所有用户的基本信息和行为特征信息；若接收到向目标用户推荐商品的指令，基于所述所有用户的基本信息和行为特征信息计算所述目标用户的相似用户群体；获取所述相似用户群体对预设商品的分数据；基于所述评分数据计算所述相似用户群体对每一预设商品的推荐评分；根据所述推荐评分向所述目标用户推荐商品。本发明实施例利用社交平台的用户行为数据计算用户的相似用户群体，基于协同过滤思想，利用相似用户群体对商品的评价行为向用户推荐商品，实现个性化推荐，提高商品推荐的准确率。

Description

商品推荐方法、装置、计算机设备及存储介质
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
随着电商的发展，网络购物越来越流行，越来越多的用户倾向于在网络上进行购物，然后，随着商品的丰富程度越来越高，用户在输入查询内容之后，网络的推荐结果太多，即使是对于同款或同类商品，商品的信息也会各不一样，与用户的实际需求可能相距甚远，用户还需要经过自己人工筛选才能得到自己想要的商品，商品推荐的精准性差。
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：利用网络爬虫技术在预设社交平台爬取所有用户的用户行为数据；根据所述用户行为数据得到所有用户的基本信息和行为特征信息；若接收到向目标用户推荐商品的指令，基于所述所有用户的基本信息和行为特征信息计算所述目标用户的相似用户群体；获取所述相似用户群体对预设商品的评分数据；基于所述评分数据计算所述相似用户群体对每一预设商品的推荐评分；根据所述推荐评分向所述目标用户推荐商品。
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。
本发明实施例提供了一种商品推荐方法、装置、计算机设备及存储介质。该方法包括：利用网络爬虫技术在预设社交平台爬取所有用户的用户行为数据；处理所述用户行为数据以得到所有用户的基本信息和行为特征信息；若接收到向目标用户推荐商品的指令，基于所述所有用户的基本信息和行为特征信息计算所述目标用户的相似用户群体；获取所述相似用户群体对预设商品的分数据；基于所述评分数据计算所述相似用户群体对每一预设商品的推荐评分；根据所述推荐评分向所述目标用户推荐商品。本发明实施例利用社交平台的用户行为数据计算用户的相似用户群体，基于相似用户群体对商品的评价行为向用户推荐商品，实现个性化推荐，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是本发明一实施例提供的一种商品推荐装置的示意性框图；
图5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6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7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～S106。
S101、利用网络爬虫技术在预设社交平台爬取所有用户的用户行为数据。
电商网站用户在网站注册账号时，需要提供手机号码、在预设社交平台注册的社交账号，预设社交平台例如为新浪微博。电商根据每个用户提供的社交账号，利用网络爬虫技术在预设社交平台爬取用户的用户行为数据，以便利用用户行为数据分析用户的行为。
S102、根据所述用户行为数据得到所有用户的基本信息和行为特征信息。
基本信息包括性别、所在地、职业、学历等信息，可以直接获取，行为特征信息则需要通过语言货文字的处理技术才可以得到，例如通过NLP技术对每个用户的每一条用户行为数据进行处理，包括但不限于分词、关键词提取、利用LAD模型分析关键词得到用户行为数据的语义或主要内容，对每一条用户行为数据的语义或主要内容进行统计得到用户的行为特征信息。
一个用户的行为特征信息包括用户的兴趣、关注行为、添加的好友情况、以及用户间的互动评论情况等。
S103、若接收到向目标用户推荐商品的指令，基于所述所有用户的基本信息和行为特征信息计算所述目标用户的相似用户群体。
两用户之间的相似性评分的计算规则如下：
若两个用户之间互相关注，则两个用户之间的相似性评分均增加第一预置分数；
若两个用户的共同好友的总数超过第一阈值，则两个用户之间的相似性评分增加第二预置分数；
两个用户每具有一个相同的兴趣，则两个用户之间的相似性评分增加第三预置分数；
两个用户每具有一项相同的基本信息，则两个用户之间的相似性评分增加第四预置分数；
两个用户每具有一次互动评论，两个用户之间的相似性评分增加第五预置分数，上限为第三阈值。
两个用户之间的一次互动评论指的是两个用户针对同一个主题进行了互动评论，不限于互动评论的评论数量(条数)。
在一实施例中，第一预置分数、第二预置分数、第三预置分数、第四预置分数以及第五预置分数均为1分，第一阈值为10，第三阈值为4。
在一实施例中，如图2所示，步骤S103具体包括以下步骤：
S1031、若其他用户与所述目标用户互相关注，将所述其他用户与所述目标用户的相似性评分增加第一预置分数；若其他用户与所述目标用户的共同好友的总数超过第一阈值，将所述其他用户与所述目标用户的相似性评分增加第二预置分数；检测其他用户与目标用户是否具有相同的兴趣，若所述其他用户与所述目标用户具有相同的兴趣，则所述其他用户与所述目标用户每具有一个相同的兴趣，将所述其他用户与所述目标用户的相似性评分增加第三预置分数；检测其他用户与目标用户是否具有相同的基本信息，若所述其他用户与所述目标用户具有相同的基本信息，则所述其他用户与所述目标用户每具有一项相同的基本信息，将所述其他用户与所述目标用户的相似性评分增加第四预置分数；根据其他用户与所述目标用户之间的互动评论次数增加所述其他用户与所述目标用户的相似性评分，例如，根据以上计算规则，其他用户与目标用户之间每具有一次互动评论，该其他用户与目标用户之间的相似性评分增加第五预置分数(1分)，上限为第三阈值(4分)；
S1032、根据所有其他用户与所述目标用户的相似性评分获取所述目标用户的相似用户群体。
两个用户相似性评分越高，则该两个用户的相似用户的概率越大。
在一实施例中，步骤S1032包括以下步骤：将相似性评分排列在前N位的其他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群体，其中，N为第一预设数量；或若所述相似性评分大于或等于第二阈值，将对应的其他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群体。
两个用户相似性评分越高，说明该两个用户越相似，,将相似性评分较高的前第一预设数量的用户作为目标用户的相似用户，第一预设数量为30-100。
其中，在本实施例中，第一预设数量可取值为30，在其它实施例中克取值为50、70或100。
或可将相似性评分超过第二阈值的用户作为目标用户的相似用户，其中第二阈值为0.4-0.6，在不同的实施例中，第二阈值可取值为0.4、0.5或0.6。
S104、获取所述相似用户群体对预设商品的评分数据。
预设商品指的是电商网站上的所有商品。
预先利用网络爬虫技术爬取电商网站上的该相似用户群体对所有商品的评分数据，该评分数据以矩阵的形式保存。
S105、基于所述评分数据计算所述相似用户群体对每一预设商品的推荐评分。
评分数据代表了用户对商品的评价，通过分析用户的评价可以得到用户对商品的偏好程度，相似用户群体具有每个用户具有共同的偏好，因此通过相似用户群体对一个商品的共同评价来预测目标用户对一个商品的偏好程度。在本实施例中，用相似用户群体对商品的推荐评分代表对商品的共同评价。
在一实施例中，步骤S105具体包括：根据每一相似用户的相似性评分以及每一相似用户对任一预设商品的评分计算该相似用户群体对所述任一预设商品的推荐评分，以得到所述相似用户群体对每一预设商品的推荐评分。
具体地，是根据以下公式计算-初始商品推荐评分：
其中，U表示相似用户的总数，Sk表示相似用户群体对第k个预设商品的推荐评分，rj表示第j个相似用户与目标用户的相似性评分，Sjk表示第j个相似用户对第k个预设商品的评分。
S106、根据所述推荐评分向所述目标用户推荐商品。
一个商品的推荐评分越高，代表相似用户群体对该商品的评价越高，同时代表目标用户对该商品的评价越高，喜爱程度越高，购买的概率越大，因此，可将推荐评分高的商品推荐给目标用户。
在一实施例中，如图3所示，步骤S106包括步骤S1051-S1066。
S1061、获取推荐评分排列在前M的预设商品作为候选商品，其中，M为第二预设数量。
将推荐评分较高的前第二预设数量的预设商品作为候选商品，初步得到待推荐的候选商品，此时得到的商品比较多，还需要对商品清单进一步简化，减少推荐商品的数量。
其中，第二预设数量为50-100，在不同的实施例中可取值为50、75或100。
S1062、将所述候选商品进行分类以得到不同类别的候选商品。
S1063、分别计算不同类别的候选商品占全部候选商品的比例。
S1064、根据不同类别的候选商品的所述比例计算对应类别的待推荐商品的数量。
通过将初步得到的候选商品进行分类得到不同类别的商品，然后根据不同类别的候选商品的占比来确定不同类别中二次筛选得到的推荐商品。例如具有类别一、类别二、类别三三种类别的候选商品，占的比例分别为50％、30％和20％，我们最终需要的推荐商品为预设数量(例如为10个)，则按照预设数量的50％、30％和20％的比例得到在类别一、类别二、类别三中所需选取的待推荐商品的数量，对应数量分别为Q1(5个)、Q2(3个)、Q3(2个)。
S1065、从不同类别的候选商品中选择推荐评分较高的对应数量的候选商品作为对应类别的待推荐商品。
得到不同类别的商品数量Q1、Q2、Q3后在类别一中选择推荐评分排列前Q1的商品，在类别二中选择推荐评分排列前Q2的商品，在类别三中选择推荐评分排列前Q3的商品。
S1066、将所述待推荐商品推荐给所述目标用户。
将不同类别的带推荐商品推荐给目标用户。
图4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包括爬取单元101、第一获取单元102、第一计算单元103、第二获取单元104、第二计算单元105以及推荐单元106。
爬取单元101用于利用网络爬虫技术在预设社交平台爬取所有用户的用户行为数据。
第一获取单元102用于根据所述用户行为数据得到所有用户的基本信息和行为特征信息。
第一计算单元103用于若接收到向目标用户推荐商品的指令，基于所述所有用户的基本信息和行为特征信息计算所述目标用户的相似用户群体。
第二获取单元104用于获取所述相似用户群体对预设商品的评分数据。
第二计算单元105用于基于所述评分数据计算所述相似用户群体对每一预设商品的推荐评分。
推荐单元106用于根据所述推荐评分向所述目标用户推荐商品。
在一实施例中，所述基本信息为多项，所述行为特征信息包括用户的兴趣、关注行为、添加的好友情况、以及用户间的互动评论情况。
如图5所示，第一计算单元103包括计数子单元1031和第一获取子单元1032：
所述计数子单元1031用于：
若其他用户与所述目标用户互相关注，将所述其他用户与所述目标用户的相似性评分增加第一预置分数；
若其他用户与所述目标用户的共同好友的总数超过第一阈值，将所述其他用户与所述目标用户的相似性评分增加第二预置分数；
检测其他用户与目标用户是否具有相同的兴趣，若所述其他用户与所述目标用户具有相同的兴趣，则所述其他用户与所述目标用户每具有一个相同的兴趣，将所述其他用户与所述目标用户的相似性评分增加第三预置分数；
检测其他用户与目标用户是否具有相同的基本信息，若所述其他用户与所述目标用户具有相同的基本信息，则所述其他用户与所述目标用户每具有一项相同的基本信息，将所述其他用户与所述目标用户的相似性评分增加第四预置分数；以及
根据其他用户与所述目标用户之间的互动评论次数增加所述其他用户与所述目标用户的相似性评分。
第一获取子单元1032用于：根据所有其他用户与所述目标用户的相似性评分获取所述目标用户的相似用户群体。
在一实施例中，第一获取子单元1032具体用于：将相似性评分排列在前N位的其他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群体，其中，N为第一预设数量；或若所述相似性评分大于或等于第二阈值，将对应的其他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群体。
在一实施例中，第二计算单元105具体用于：根据每一相似用户的相似性评分以及每一相似用户对任一预设商品的评分计算该相似用户群体对所述任一预设商品的推荐评分，以得到所述相似用户群体对每一预设商品的推荐评分。
在一实施例中，如图6所示，推荐单元106包括以下子单元：
第二获取子单元1061，用于获取推荐评分排列在前M的预设商品作为候选商品，其中，M为第二预设数量；
分类子单元1062，用于将所述候选商品进行分类以得到不同类别的候选商品；
第一计算子单元1063，用于分别计算不同类别的候选商品占全部候选商品的比例；
第二计算子单元1064，用于根据不同类别的候选商品的所述比例计算对应类别的待推荐商品的数量；
选择子单元1065，用于从不同类别的候选商品中选择推荐评分较高的对应数量的候选商品作为对应类别的待推荐商品；
推荐子单元1066，用于将所述待推荐商品推荐给所述目标用户。
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7所示的计算机设备上运行。
图7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7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7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：利用网络爬虫技术在预设社交平台爬取所有用户的用户行为数据；根据所述用户行为数据得到所有用户的基本信息和行为特征信息；若接收到向目标用户推荐商品的指令，基于所述所有用户的基本信息和行为特征信息计算所述目标用户的相似用户群体；获取所述相似用户群体对预设商品的评分数据；基于所述评分数据计算所述相似用户群体对每一预设商品的推荐评分；根据所述推荐评分向所述目标用户推荐商品。
在一实施例中，所述基本信息为多项，所述行为特征信息包括用户的兴趣、关注行为、添加的好友情况、以及用户间的互动评论情况。
所述处理器202在执行所述基于所述所有用户的基本信息和行为特征信息计算所述目标用户的相似用户群体的步骤时，具体执行以下步骤：若其他用户与所述目标用户互相关注，将所述其他用户与所述目标用户的相似性评分增加第一预置分数；若其他用户与所述目标用户的共同好友的总数超过第一阈值，将所述其他用户与所述目标用户的相似性评分增加第二预置分数；检测其他用户与目标用户是否具有相同的兴趣，若所述其他用户与所述目标用户具有相同的兴趣，则所述其他用户与所述目标用户每具有一个相同的兴趣，将所述其他用户与所述目标用户的相似性评分增加第三预置分数；检测其他用户与目标用户是否具有相同的基本信息，若所述其他用户与所述目标用户具有相同的基本信息，则所述其他用户与所述目标用户每具有一项相同的基本信息，将所述其他用户与所述目标用户的相似性评分增加第四预置分数；根据其他用户与所述目标用户之间的互动评论次数增加所述其他用户与所述目标用户的相似性评分；根据所有其他用户与所述目标用户的相似性评分获取所述目标用户的相似用户群体。
在一实施例中，所述处理器202在执行所述根据所有其他用户与所述目标用户的相似性评分获取所述目标用户的相似用户群体的步骤时，具体执行以下步骤：将相似性评分排列在前N位的其他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群体，其中，N为第一预设数量；或若所述相似性评分大于或等于第二阈值，将对应的其他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群体。
在一实施例中，所述处理器202在执行所述基于所述评分数据计算所述相似用户群体对每一预设商品的推荐评分的步骤时，具体执行以下步骤：根据每一相似用户的相似性评分以及每一相似用户对任一预设商品的评分计算该相似用户群体对所述任一预设商品的推荐评分，以得到所述相似用户群体对每一预设商品的推荐评分。
在一实施例中，所述处理器202在执行所述根据所述推荐评分向所述目标用户推荐商品的步骤时，具体执行以下步骤：获取推荐评分排列在前M的预设商品作为候选商品，其中，M为第二预设数量；将所述候选商品进行分类以得到不同类别的候选商品；分别计算不同类别的候选商品占全部候选商品的比例；根据不同类别的候选商品的所述比例计算对应类别的待推荐商品的数量；从不同类别的候选商品中选择推荐评分较高的对应数量的候选商品作为对应类别的待推荐商品；将所述待推荐商品推荐给所述目标用户。
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：利用网络爬虫技术在预设社交平台爬取所有用户的用户行为数据；根据所述用户行为数据得到所有用户的基本信息和行为特征信息；若接收到向目标用户推荐商品的指令，基于所述所有用户的基本信息和行为特征信息计算所述目标用户的相似用户群体；获取所述相似用户群体对预设商品的评分数据；基于所述评分数据计算所述相似用户群体对每一预设商品的推荐评分；根据所述推荐评分向所述目标用户推荐商品。
在一实施例中，所述基本信息为多项，所述行为特征信息包括用户的兴趣、关注行为、添加的好友情况、以及用户间的互动评论情况。
在实现所述基于所述所有用户的基本信息和行为特征信息计算所述目标用户的相似用户群体的步骤时，具体实现以下步骤：若其他用户与所述目标用户互相关注，将所述其他用户与所述目标用户的相似性评分增加第一预置分数；若其他用户与所述目标用户的共同好友的总数超过第一阈值，将所述其他用户与所述目标用户的相似性评分增加第二预置分数；检测其他用户与目标用户是否具有相同的兴趣，若所述其他用户与所述目标用户具有相同的兴趣，则所述其他用户与所述目标用户每具有一个相同的兴趣，将所述其他用户与所述目标用户的相似性评分增加第三预置分数；检测其他用户与目标用户是否具有相同的基本信息，若所述其他用户与所述目标用户具有相同的基本信息，则所述其他用户与所述目标用户每具有一项相同的基本信息，将所述其他用户与所述目标用户的相似性评分增加第四预置分数；根据其他用户与所述目标用户之间的互动评论次数增加所述其他用户与所述目标用户的相似性评分；根据所有其他用户与所述目标用户的相似性评分获取所述目标用户的相似用户群体。
在一实施例中，在实现所述根据所有其他用户与所述目标用户的相似性评分获取所述目标用户的相似用户群体的步骤时，具体实现以下步骤：将相似性评分排列在前N位的其他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群体，其中，N为第一预设数量；或若所述相似性评分大于或等于第二阈值，将对应的其他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群体。
在一实施例中，在实现所述基于所述评分数据计算所述相似用户群体对每一预设商品的推荐评分的步骤时，具体实现以下步骤：根据每一相似用户的相似性评分以及每一相似用户对任一预设商品的评分计算该相似用户群体对所述任一预设商品的推荐评分，以得到所述相似用户群体对每一预设商品的推荐评分。
在一实施例中，在实现所述根据所述推荐评分向所述目标用户推荐商品的步骤时，具体实现以下步骤：获取推荐评分排列在前M的预设商品作为候选商品，其中，M为第二预设数量；将所述候选商品进行分类以得到不同类别的候选商品；分别计算不同类别的候选商品占全部候选商品的比例；根据不同类别的候选商品的所述比例计算对应类别的待推荐商品的数量；从不同类别的候选商品中选择推荐评分较高的对应数量的候选商品作为对应类别的待推荐商品；将所述待推荐商品推荐给所述目标用户。
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 (10)

1.一种商品推荐方法，其特征在于，包括：
利用网络爬虫技术在预设社交平台爬取所有用户的用户行为数据；
根据所述用户行为数据得到所有用户的基本信息和行为特征信息；
若接收到向目标用户推荐商品的指令，基于所述所有用户的基本信息和行为特征信息计算所述目标用户的相似用户群体；
获取所述相似用户群体对预设商品的评分数据；
基于所述评分数据计算所述相似用户群体对每一预设商品的推荐评分；
根据所述推荐评分向所述目标用户推荐商品。
2.根据权利要求1所述的商品推荐方法，其特征在于，所述基本信息为多项，所述行为特征信息包括用户的兴趣、关注行为、添加的好友情况、以及用户间的互动评论情况；
所述基于所述所有用户的基本信息和行为特征信息计算所述目标用户的相似用户群体，包括：
若其他用户与所述目标用户互相关注，将所述其他用户与所述目标用户的相似性评分增加第一预置分数；
若其他用户与所述目标用户的共同好友的总数超过第一阈值，将所述其他用户与所述目标用户的相似性评分增加第二预置分数；
检测其他用户与目标用户是否具有相同的兴趣，若所述其他用户与所述目标用户具有相同的兴趣，则所述其他用户与所述目标用户每具有一个相同的兴趣，将所述其他用户与所述目标用户的相似性评分增加第三预置分数；
检测其他用户与目标用户是否具有相同的基本信息，若所述其他用户与所述目标用户具有相同的基本信息，则所述其他用户与所述目标用户每具有一项相同的基本信息，将所述其他用户与所述目标用户的相似性评分增加第四预置分数；
根据其他用户与所述目标用户之间的互动评论次数增加所述其他用户与所述目标用户的相似性评分；
根据所有其他用户与所述目标用户的相似性评分获取所述目标用户的相似用户群体。
3.根据权利要求2所述的商品推荐方法，其特征在于，所述根据所有其他用户与所述目标用户的相似性评分获取所述目标用户的相似用户群体，包括：
将相似性评分排列在前N位的其他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群体，其中，N为第一预设数量；或
若所述相似性评分大于或等于第二阈值，将对应的其他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群体。
4.根据权利要求2所述的商品推荐方法，其特征在于，所述基于所述评分数据计算所述相似用户群体对每一预设商品的推荐评分，包括：
根据每一相似用户的相似性评分以及每一相似用户对任一预设商品的评分计算该相似用户群体对所述任一预设商品的推荐评分，以得到所述相似用户群体对每一预设商品的推荐评分。
5.根据权利要求1所述的商品推荐方法，其特征在于，所述根据所述推荐评分向所述目标用户推荐商品，包括：
获取推荐评分排列在前M的预设商品作为候选商品，其中，M为第二预设数量；
将所述候选商品进行分类以得到不同类别的候选商品；
分别计算不同类别的候选商品占全部候选商品的比例；
根据不同类别的候选商品的所述比例计算对应类别的待推荐商品的数量；
从不同类别的候选商品中选择推荐评分较高的对应数量的候选商品作为对应类别的待推荐商品；
将所述待推荐商品推荐给所述目标用户。
6.一种商品推荐装置，其特征在于，包括：
爬取单元，用于利用网络爬虫技术在预设社交平台爬取所有用户的用户行为数据；
第一获取单元，用于根据所述用户行为数据得到所有用户的基本信息和行为特征信息；
第一计算单元，用于若接收到向目标用户推荐商品的指令，基于所述所有用户的基本信息和行为特征信息计算所述目标用户的相似用户群体；
第二获取单元，用于获取所述相似用户群体对预设商品的评分数据；
第二计算单元，用于基于所述评分数据计算所述相似用户群体对每一预设商品的推荐评分；
推荐单元，用于根据所述推荐评分向所述目标用户推荐商品。
7.根据权利要求6所述的商品推荐装置，其特征在于，所述基本信息为多项，所述行为特征信息包括用户的兴趣、关注行为、添加的好友情况、以及用户间的互动评论情况；
所述第一计算单元包括计数子单元和第一获取子单元：
所述计数子单元用于：
若一其他用户与所述目标用户互相关注，将所述其他用户与所述目标用户的相似性评分增加第一预置分数；
若一其他用户与所述目标用户的共同好友的总数超过第一阈值，将所述其他用户与所述目标用户的相似性评分增加第二预置分数；
一其他用户与所述目标用户每具有一个相同的兴趣，将所述其他用户与所述目标用户的相似性评分增加第三预置分数；
一其他用户与所述目标用户每具有一项相同的基本信息，将所述其他用户与所述目标用户的相似性评分增加第四预置分数；以及
根据一其他用户与所述目标用户之间的互动评论次数增加所述其他用户与所述目标用户的相似性评分；
第一获取子单元用于：根据所有其他用户与所述目标用户的相似性评分获取所述目标用户的相似用户群体。
8.根据权利要求6所述的商品推荐装置，其特征在于，所述推荐单元包括：
第二获取子单元，用于获取推荐评分排列在前M的预设商品作为候选商品，其中，M为第二预设数量；
分类子单元，用于将所述候选商品进行分类以得到不同类别的候选商品；
第一计算子单元，用于分别计算不同类别的候选商品占全部候选商品的比例；
第二计算子单元，用于根据不同类别的候选商品的所述比例计算对应类别的待推荐商品的数量；
选择子单元，用于从不同类别的候选商品中选择推荐评分较高的对应数量的候选商品作为对应类别的待推荐商品；
推荐子单元，用于将所述待推荐商品推荐给所述目标用户。
9.一种计算机设备，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5任一项所述的方法。
10.一种存储介质，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5任一项所述的方法。
CN201810959505.9A 2018-08-22 2018-08-22 商品推荐方法、装置、计算机设备及存储介质 Pending CN109102371A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810959505.9A CN109102371A (zh) 2018-08-22 2018-08-22 商品推荐方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810959505.9A CN109102371A (zh) 2018-08-22 2018-08-22 商品推荐方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN109102371A true CN109102371A (zh) 2018-12-28

Family

ID=64850687

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810959505.9A Pending CN109102371A (zh) 2018-08-22 2018-08-22 商品推荐方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN109102371A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829761A (zh) * 2019-01-31 2019-05-31 广州视源电子科技股份有限公司 一种商品选择方法、装置、设备和存储介质
CN110322281A (zh) * 2019-06-06 2019-10-11 阿里巴巴集团控股有限公司 相似用户的挖掘方法及装置
CN110532476A (zh) * 2019-09-02 2019-12-03 上海喜马拉雅科技有限公司 一种信息推荐方法、装置、设备及存储介质
CN110555627A (zh) * 2019-09-10 2019-12-10 拉扎斯网络科技（上海）有限公司 实体展示方法、装置、存储介质和电子设备
CN111191178A (zh) * 2019-12-30 2020-05-22 广州市百果园网络科技有限公司 一种信息推送方法、装置、服务器和存储介质
CN111311379A (zh) * 2020-04-01 2020-06-19 南京奥拓电子科技有限公司 智能货架的信息交互方法及装置、智能货架与存储介质
CN111460281A (zh) * 2020-02-27 2020-07-28 浙江口碑网络技术有限公司 信息推送的优化方法及装置、存储介质、终端
CN111506819A (zh) * 2020-04-24 2020-08-07 成都安易迅科技有限公司 一种硬件设备推荐方法、装置，服务器及存储介质
CN111552883A (zh) * 2020-05-13 2020-08-18 咪咕文化科技有限公司 内容推荐方法及计算机可读存储介质
CN111985994A (zh) * 2020-08-06 2020-11-24 上海博泰悦臻电子设备制造有限公司 商品推荐方法及相关设备
CN111986005A (zh) * 2020-08-31 2020-11-24 上海博泰悦臻电子设备制造有限公司 活动推荐方法及相关设备
CN112307324A (zh) * 2020-03-04 2021-02-02 北京字节跳动网络技术有限公司 信息处理方法、装置、设备和介质
CN112348629A (zh) * 2020-10-26 2021-02-09 邦道科技有限公司 一种商品信息推送方法和装置
CN113408089A (zh) * 2021-05-31 2021-09-17 上海师范大学 一种基于引力场思想的集群间影响力建模方法及存储介质
CN114510653A (zh) * 2022-04-21 2022-05-17 中国科学技术大学 社交群体推荐方法、系统、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009123192A (ja) * 2007-10-22 2009-06-04 Yahoo Japan Corp ユーザ推薦システム、ユーザ推薦方法、商品情報出力システム、商品情報出力方法およびプログラム
JP2012099115A (ja) * 2010-11-03 2012-05-24 Nhn Corp 集団知性を用いた推薦システム及びその方法
CN104268171A (zh) * 2014-09-11 2015-01-07 东北大学 基于活动相似和社交信任的社交网好友推荐系统及方法
US20160117595A1 (en) * 2013-07-11 2016-04-28 Huawei Technologies Co., Ltd. Information recommendation method and apparatus in social media
CN106909667A (zh) * 2017-02-28 2017-06-30 北京奇虎科技有限公司 基于桌面启动器的应用推荐方法、装置及移动终端
CN107767279A (zh) * 2017-10-12 2018-03-06 燕山大学 一种基于lda的加权平均的个性化好友推荐方法
CN107977726A (zh) * 2016-10-21 2018-05-01 中国科学院声学研究所 用户关系预测模型的建立及用户动态关系的预测方法
CN108280115A (zh) * 2017-10-24 2018-07-13 腾讯科技（深圳）有限公司 识别用户关系的方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009123192A (ja) * 2007-10-22 2009-06-04 Yahoo Japan Corp ユーザ推薦システム、ユーザ推薦方法、商品情報出力システム、商品情報出力方法およびプログラム
JP2012099115A (ja) * 2010-11-03 2012-05-24 Nhn Corp 集団知性を用いた推薦システム及びその方法
US20160117595A1 (en) * 2013-07-11 2016-04-28 Huawei Technologies Co., Ltd. Information recommendation method and apparatus in social media
CN104268171A (zh) * 2014-09-11 2015-01-07 东北大学 基于活动相似和社交信任的社交网好友推荐系统及方法
CN107977726A (zh) * 2016-10-21 2018-05-01 中国科学院声学研究所 用户关系预测模型的建立及用户动态关系的预测方法
CN106909667A (zh) * 2017-02-28 2017-06-30 北京奇虎科技有限公司 基于桌面启动器的应用推荐方法、装置及移动终端
CN107767279A (zh) * 2017-10-12 2018-03-06 燕山大学 一种基于lda的加权平均的个性化好友推荐方法
CN108280115A (zh) * 2017-10-24 2018-07-13 腾讯科技（深圳）有限公司 识别用户关系的方法及装置

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829761A (zh) * 2019-01-31 2019-05-31 广州视源电子科技股份有限公司 一种商品选择方法、装置、设备和存储介质
CN110322281A (zh) * 2019-06-06 2019-10-11 阿里巴巴集团控股有限公司 相似用户的挖掘方法及装置
CN110322281B (zh) * 2019-06-06 2023-10-27 创新先进技术有限公司 相似用户的挖掘方法及装置
CN110532476A (zh) * 2019-09-02 2019-12-03 上海喜马拉雅科技有限公司 一种信息推荐方法、装置、设备及存储介质
CN110532476B (zh) * 2019-09-02 2023-07-07 上海喜马拉雅科技有限公司 一种信息推荐方法、装置、设备及存储介质
CN110555627A (zh) * 2019-09-10 2019-12-10 拉扎斯网络科技（上海）有限公司 实体展示方法、装置、存储介质和电子设备
CN110555627B (zh) * 2019-09-10 2022-06-10 拉扎斯网络科技（上海）有限公司 实体展示方法、装置、存储介质和电子设备
CN111191178A (zh) * 2019-12-30 2020-05-22 广州市百果园网络科技有限公司 一种信息推送方法、装置、服务器和存储介质
CN111460281A (zh) * 2020-02-27 2020-07-28 浙江口碑网络技术有限公司 信息推送的优化方法及装置、存储介质、终端
CN112307324A (zh) * 2020-03-04 2021-02-02 北京字节跳动网络技术有限公司 信息处理方法、装置、设备和介质
CN111311379A (zh) * 2020-04-01 2020-06-19 南京奥拓电子科技有限公司 智能货架的信息交互方法及装置、智能货架与存储介质
CN111506819A (zh) * 2020-04-24 2020-08-07 成都安易迅科技有限公司 一种硬件设备推荐方法、装置，服务器及存储介质
CN111552883A (zh) * 2020-05-13 2020-08-18 咪咕文化科技有限公司 内容推荐方法及计算机可读存储介质
CN111552883B (zh) * 2020-05-13 2023-12-12 咪咕文化科技有限公司 内容推荐方法及计算机可读存储介质
CN111985994A (zh) * 2020-08-06 2020-11-24 上海博泰悦臻电子设备制造有限公司 商品推荐方法及相关设备
CN111986005A (zh) * 2020-08-31 2020-11-24 上海博泰悦臻电子设备制造有限公司 活动推荐方法及相关设备
CN112348629A (zh) * 2020-10-26 2021-02-09 邦道科技有限公司 一种商品信息推送方法和装置
CN113408089A (zh) * 2021-05-31 2021-09-17 上海师范大学 一种基于引力场思想的集群间影响力建模方法及存储介质
CN113408089B (zh) * 2021-05-31 2023-09-26 上海师范大学 一种基于引力场思想的集群间影响力建模方法及存储介质
CN114510653A (zh) * 2022-04-21 2022-05-17 中国科学技术大学 社交群体推荐方法、系统、设备及存储介质
CN114510653B (zh) * 2022-04-21 2022-07-15 中国科学技术大学 社交群体推荐方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
CN109102371A (zh) 商品推荐方法、装置、计算机设备及存储介质
CN106503006B (zh) 应用App中子应用的排序方法及装置
CN109118336A (zh) 信息推荐方法、装置、计算机设备及存储介质
CN109285075B (zh) 一种理赔风险评估方法、装置及服务器
CN109241415B (zh) 项目推荐方法、装置、计算机设备及存储介质
Carare The impact of bestseller rank on demand: Evidence from the app market
CN104281961B (zh) 用于在线系统中的广告和内容的质量评分系统
US9311683B1 (en) Measuring engagement with a social networking platform
CN104281962B (zh) 用于在线系统中的广告和内容的统一市场
CN109165975A (zh) 标签推荐方法、装置、计算机设备及存储介质
CN105912550A (zh) 一种移动终端的信息推荐方法及装置
CN103295148B (zh) 生成和实现数据模型的方法和装置
CN106097044A (zh) 一种数据推荐处理方法以及装置
US20140004489A1 (en) Method and apparatus for providing emotion expression service using emotion expression identifier
CN109064293A (zh) 商品推荐方法、装置、计算机设备及存储介质
CN111709810A (zh) 基于推荐模型的对象推荐方法及装置
CN105247566A (zh) 基于上下文关系信息的对用户信息的选择性共享，例如用于给接收方众包感兴趣的礼物
CN109360057A (zh) 信息推送方法、装置、计算机设备及存储介质
CN104423945B (zh) 一种信息处理方法及电子设备
CN109190028A (zh) 基于大数据的活动推荐方法、装置、电子设备及存储介质
JP2018063536A (ja) 家計簿管理支援システム
CN108416627A (zh) 一种基于互联网数据的品牌影响力监控方法及系统
CN102841908A (zh) 微博内容排序方法和微博内容排序装置
CN110083759A (zh) 舆论信息爬取方法、装置、计算机设备及存储介质
CN109543940A (zh) 活动评估方法、装置、电子设备及存储介质

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