CN109508417A - 推荐对象的方法、装置、电子设备及可读存储介质 - Google Patents
推荐对象的方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN109508417A CN109508417A CN201811340305.1A CN201811340305A CN109508417A CN 109508417 A CN109508417 A CN 109508417A CN 201811340305 A CN201811340305 A CN 201811340305A CN 109508417 A CN109508417 A CN 109508417A
- Authority
- CN
- China
- Prior art keywords
- user
- browsing
- historical viewings
- region
- behavior
- 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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开实施例提供了一种推荐对象的方法、装置、电子设备及可读存储介质。所述方法包括：检测是否存在与用户当前所在的区域关联的历史浏览记录，所述历史浏览记录是所述用户对分布在所述用户当前所在的区域的对象进行浏览而产生的；在不存在所述历史浏览记录的情况下，根据所述用户已浏览的分布在其他区域的各个被浏览对象，确定所述用户的用户向量，所述其他区域不同于所述用户当前所在的区域；确定分布在所述用户当前所在的区域的各个候选对象各自的对象向量；确定所述各个候选对象各自的对象向量与所述用户的用户向量之间的距离；将所述各个候选对象中对应的距离小于预设距离的候选对象推荐给所述用户。
Description
技术领域
本公开实施例涉及数据处理技术领域，尤其涉及一种推荐对象的方法、装置、电子设备及可读存储介质。
背景技术
随着互联网经济的发展，越来越多的线下店铺入驻电商平台，以通过电商平台打通线下店铺与用户之间的商品交易渠道。为了提高用户的消费积极性，传统的电商平台可以将全部已入驻的店铺展示给用户，然后统计用户的历史浏览记录，即用户曾经线上浏览了哪些店铺，进而分析出用户的需求或兴趣，以有针对性地线上向用户推荐符合用户需求或兴趣的店铺，最终实现更好地对店铺进行线上营销推广。
然而，如果外卖平台采用传统的电商平台所实施的线上营销推广策略，将会面临如下问题：
在外卖场景下，外卖平台通常将用户所在位置一定地理区域内的店铺展示给用户，而不向客户展示其他地理区域内的店铺，由此导致用户的线上浏览行为具有局部性，即用户通常线上浏览距离自己所在位置较近的店铺，因而导致根据用户的线上浏览行为而向用户推荐的店铺具有局部性，即在A地区有线上浏览行为的用户，如果用户到达新地区，例如：B地区，由于用户在B地区没有线上浏览行为，所以外卖平台将无法向该用户推荐符合该用户的需求或兴趣的店铺。在此情况下，外卖平台通常向该用户展示B地区的热门店铺或热销商品，或者，不向该用户展示任何店铺。
无论是向该用户展示B地区的热门店铺，还是不向该用户展示任何店铺，都会为该用户带来不佳的用户体验，该用户只有浏览一段时间以后才会有针对该用户的兴趣或需求的推荐店铺。并且，如果不向该用户展示任何店铺，则会导致外卖平台的流量被浪费，降低外卖平台进行线上营销推广的效率。因而，针对外卖平台，向用户推荐店铺的方法仍有待改进。
发明内容
本公开实施例提供一种推荐对象的方法、系统、电子设备及可读存储介质，以优化向用户推荐对象的方法。
本公开实施例第一方面提供了一种推荐对象的方法，所述方法包括：
检测是否存在与用户当前所在的区域关联的历史浏览记录，所述历史浏览记录是所述用户对分布在所述用户当前所在的区域的对象进行浏览而产生的；
在不存在所述历史浏览记录的情况下，根据所述用户已浏览的分布在其他区域的各个被浏览对象，确定所述用户的用户向量，所述其他区域不同于所述用户当前所在的区域；
确定分布在所述用户当前所在的区域的各个候选对象各自的对象向量；
确定所述各个候选对象各自的对象向量与所述用户的用户向量之间的距离；
将所述各个候选对象中对应的距离小于预设距离的候选对象推荐给所述用户。
可选地，检测是否存在与用户当前所在的区域关联的历史浏览记录，包括：
获取所述用户的历史浏览行为以及所述用户的当前浏览行为；
将所述历史浏览行为所针对的被浏览对象所在的区域、所述当前浏览行为所针对的被浏览对象所在的区域分别与所述用户当前所在的区域比较。
可选地，所述方法还包括：
在存在所述历史浏览记录的情况下，根据所述历史浏览行为以及所述用户的当前浏览行为，确定预备向所述用户推荐的目标对象；
根据所述用户已浏览的各个分布在其他区域的被浏览对象，确定所述用户的用户向量，包括：
在所述目标对象的数量小于预设阈值时，根据所述各个被浏览对象确定所述用户的用户向量。
可选地，根据所述历史浏览行为以及所述用户的当前浏览行为，确定预备向所述用户推荐的目标对象，包括：
根据所述历史浏览行为所针对的被浏览对象，确定第一部分候选对象，以及，根据所述实时浏览行为所针对的被浏览对象，确定第二部分候选对象；
根据所述历史浏览行为的浏览时间，从所述第一部分候选对象中筛选第一部分目标对象，以及，根据所述实时浏览行为的浏览时间，从所述第二部分候选对象中筛选第二部分目标对象。
可选地，根据所述用户已浏览的分布在其他区域的各个被浏览对象，确定所述用户的用户向量，包括：
确定所述各个被浏览对象各自的对象向量；
对所述各个被浏览对象各自的对象向量进行加权平均，并将加权平均后的结果确定为所述用户的用户向量。
可选地，根据所述用户已浏览的分布在其他区域的各个被浏览对象，确定所述用户的用户向量，包括：
确定所述各个被浏览对象各自的对象向量；
根据所述各个被浏览对象各自的对象向量，以及所述历史浏览记录中各个被浏览对象的被浏览顺序，确定所述用户的用户向量。
可选地，根据所述历史浏览记录中的各个被浏览对象，确定预备向所述用户推荐的目标对象，包括：
确定待浏览对象与所述历史浏览记录中的各个被浏览对象之间的相似度；
将待浏览对象中与所述历史浏览记录中的各个被浏览对象的相似度大于第一阈值的对象，确定为所述目标对象。
可选地，根据所述历史浏览记录中的各个被浏览对象，确定预备向所述用户推荐的目标对象，包括：
根据所述历史浏览记录中的各个被浏览对象，确定所述用户的浏览偏好；
将其他用户中浏览偏好与所述用户的浏览偏好的相似度大于第二阈值的用户确定为相似用户；
将待浏览对象中所述相似用户正在浏览的对象或已浏览的对象，确定为所述目标对象。
可选地，所述被浏览对象是商家或商品。
本公开实施例第二方面提供了一种推荐对象的装置，所述装置包括：
检测模块，用于检测是否存在与用户当前所在的区域关联的历史浏览记录，所述历史浏览记录是所述用户对分布在所述用户当前所在的区域的对象进行浏览而产生的；
第一确定模块，用于在不存在所述历史浏览记录的情况下，根据所述用户已浏览的分布在其他区域的各个被浏览对象，确定所述用户的用户向量，所述其他区域不同于所述用户当前所在的区域；
第二确定模块，用于确定分布在所述用户当前所在的区域的各个候选对象各自的对象向量；
第三确定模块，用于确定所述各个候选对象各自的对象向量与所述用户的用户向量之间的距离；
推荐模块，用于将所述各个候选对象中对应的距离小于预设距离的候选对象推荐给所述用户。
可选地，所述检测模块包括：
获取子模块，用于获取所述用户的历史浏览行为以及所述用户的当前浏览行为；
比较子模块，用于将所述历史浏览行为所针对的被浏览对象所在的区域、所述当前浏览行为所针对的被浏览对象所在的区域分别与所述用户当前所在的区域比较。
可选地，所述装置还包括：
第四确定模块，用于在存在所述历史浏览记录的情况下，根据所述历史浏览行为以及所述用户的当前浏览行为，确定预备向所述用户推荐的目标对象；
所述第一确定模块包括：
第一确定子模块，用于在所述目标对象的数量小于预设阈值时，根据所述各个被浏览对象确定所述用户的用户向量。
可选地，所述第四确定模块包括：
第二确定子模块，用于根据所述历史浏览行为所针对的被浏览对象，确定第一部分候选对象，以及，根据所述实时浏览行为所针对的被浏览对象，确定第二部分候选对象；
筛选子模块，用于根据所述历史浏览行为的浏览时间，从所述第一部分候选对象中筛选第一部分目标对象，以及，根据所述实时浏览行为的浏览时间，从所述第二部分候选对象中筛选第二部分目标对象。
可选地，所述第一确定模块包括：
第三确定子模块，用于确定所述各个被浏览对象各自的对象向量；
第四确定子模块，用于对所述各个被浏览对象各自的对象向量进行加权平均，并将加权平均后的结果确定为所述用户的用户向量。
可选地，所述第一确定模块包括：
第五确定子模块，用于确定所述各个被浏览对象各自的对象向量；
第六确定子模块，用于根据所述各个被浏览对象各自的对象向量，以及所述历史浏览记录中各个被浏览对象的被浏览顺序，确定所述用户的用户向量。
可选地，所述第四确定模块包括：
第七确定子模块，用于确定待浏览对象与所述历史浏览记录中的各个被浏览对象之间的相似度；
第八确定子模块，用于将待浏览对象中与所述历史浏览记录中的各个被浏览对象的相似度大于第一阈值的对象，确定为所述目标对象。
可选地，所述第四确定模块包括：
第九确定子模块，用于根据所述历史浏览记录中的各个被浏览对象，确定所述用户的浏览偏好；
第十确定子模块，用于将其他用户中浏览偏好与所述用户的浏览偏好的相似度大于第二阈值的用户确定为相似用户；
第十一确定子模块，用于将待浏览对象中所述相似用户正在浏览的对象或已浏览的对象，确定为所述目标对象。
可选地，所述被浏览对象是商家或商品。
本公开实施例第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请第一方面所述的方法中的步骤。
本公开实施例第四方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现本申请第一方面所述的方法的步骤。
采用本公开实施例提供的推荐对象的方法，在不存在与用户当前所在的区域关联的历史浏览记录的情况下，即用户到达一个新的地理区域的情况下，根据用户已浏览的分布在其他区域的各个被浏览对象，将用户表示为用户向量，且将分布在用户当前所在的区域的各个候选对象表示为对象向量，通过用户的用户向量与各个候选对象各自的对象向量之间的距离，确定针对用户的推荐对象并推荐给用户。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提出的推荐对象的方法的流程图；
图2是本申请另一实施例提出的推荐对象的方法的流程图；
图3是本申请另一实施例提出的推荐对象的方法的流程图；
图4是本申请一实施例提出的推荐对象的装置的示意图。
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。
参考图1，图1是本申请一实施例提出的推荐对象的方法的流程图。如图1所示，该方法包括以下步骤：
步骤S11：检测是否存在与用户当前所在的区域关联的历史浏览记录，所述历史浏览记录是所述用户对分布在所述用户当前所在的区域的对象进行浏览而产生的。
在一种实施方式中，步骤S11包括以下步骤：
获取所述用户的历史浏览行为以及所述用户的当前浏览行为；
将所述历史浏览行为所针对的被浏览对象所在的区域、所述当前浏览行为所针对的被浏览对象所在的区域分别与所述用户当前所在的区域比较。
在具体实施过程中，可以将用户的历史浏览行为所针对的被浏览对象所在的区域、以及用户的当前浏览行为所针对的被浏览对象所在的区域分别与用户当前所在的区域比较，以确定是否存在与用户当前所在的区域关联的历史浏览记录。
在本实施例中，在向用户推荐对象之前，首先检测用户是否到达了一个新的地理区域。即，检测是否存在与用户当前所在的区域关联的历史浏览记录，如果用户曾经浏览过分布在用户当前所在的地理区域的对象，则存在与用户当前所在的区域关联的历史浏览记录；如果用户从未浏览过分布在用户当前所在的地理区域的对象，则不存在与用户当前所在的区域关联的历史浏览记录。
示例地，用户曾经浏览过分布在成都、厦门、广州三个地理区域的店铺，而用户当前所在的地理区域是北京，用户未浏览过分布在北京的店铺，因而不存在与北京关联的历史浏览记录。
步骤S12：在不存在所述历史浏览记录的情况下，根据所述用户已浏览的分布在其他区域的各个被浏览对象，确定所述用户的用户向量，所述其他区域不同于所述用户当前所在的区域。
在本实施例中，被浏览对象可以是店铺，也可以是店铺提供的商品。在不存在与用户当前所在的区域关联的历史浏览记录的情况下，用户已浏览的各个被浏览对象均是分布在其他区域的，即分布在与用户当前所在的区域不同的区域的，在此情况下，说明用户到达了一个新的地理区域，为了向用户推荐对象，可以根据用户已浏览的分布在其他区域的各个被浏览对象，确定用户的用户向量。
考虑到用户已浏览的分布在其他区域的各个被浏览对象反映了用户的需求或兴趣，因而可以利用该用户已浏览的分布在其他区域的各个被浏览对象定义用户。具体地，可以根据用户已浏览的分布在其他区域的各个被浏览对象各自的对象向量，得到用户的用户向量，也即将用户表示为一个向量(即用户向量)。
具体地，针对每个被浏览对象，确定该被浏览对象的对象向量，即将该被浏览对象表示为一个向量(即对象向量)。在实际实施过程中，将被浏览对象表示为一个向量，可以采用wrod2vec模型实现，或者可以采用其他模型实现，只要能将该被浏览对象表示为一个向量即可。
在一种实施方式中，步骤S12包括以下步骤：
确定所述各个被浏览对象各自的对象向量；
根据所述各个被浏览对象各自的对象向量，以及所述历史浏览记录中各个被浏览对象的被浏览顺序，确定所述用户的用户向量。
在具体实施过程中，首先得到已浏览的分布在其他区域的各个被浏览对象各自的对象向量，然后可以为各个被浏览对象分别赋予权重，并对各个被浏览对象各自的对象向量进行加权平均，即可得到用户的用户向量。示例地，在外卖场景下，假设用户曾经依次浏览的分布在其他区域的各个店铺的poi分别为：poi_1,poi_2,……,poi_N，则对poi分别为poi_1,poi_2,……,poi_N的店铺各自的店铺向量进行加权平均，加权平均后得到的向量即为该用户的用户向量，其形式和店铺向量一致，表示为user[n1,n2,…..nN]。
步骤S13：确定分布在所述用户当前所在的区域的各个候选对象各自的对象向量。
步骤S14：确定所述各个候选对象各自的对象向量与所述用户的用户向量之间的距离。
步骤S15：将所述各个候选对象中对应的距离小于预设距离的候选对象推荐给所述用户。
在本实施例中，各个候选对象通常是多个未被用户浏览过且分布在用户当前所在的区域的对象。确定一个候选对象的对象向量的方法，与确定一个被浏览对象的对象向量的方法类似，在此就不再赘述。
在确定各个候选对象各自的对象向量之后，首先，针对每个候选对象，确定该候选对象的对象向量与用户的用户向量之间的距离，也即确定该候选对象与用户的需求或兴趣之间的匹配度。对各个候选对象中的其他候选对象执行相同的步骤，由此得到各个候选对象各自的对象向量与用户的用户向量之间的距离。
然后，对各个候选对象进行筛选，从中筛选出与用户的用户向量之间的距离小于预设距离的候选对象，也即从中筛选出与用户的需求或兴趣的匹配度较高的候选对象，然后将筛选出的候选对象推荐给用户。其中，预设距离是根据推荐准确度要求设置的，如果要求推荐准确度较高，则可以将预设距离设置得较小，如果对推荐准确度的要求不高，则可以将预设距离设置得较大。
在本实施例中，在不存在与用户当前所在的区域关联的历史浏览记录的情况下，即用户到达一个新的地理区域的情况下，根据用户已浏览的分布在其他区域的各个被浏览对象，将用户表示为用户向量，且将分布在用户当前所在的区域的各个候选对象表示为对象向量，通过用户的用户向量与各个候选对象各自的对象向量之间的距离，确定针对用户的推荐对象并推荐给用户。
结合以上实施例，参考图2，图2是本申请另一实施例提出的推荐对象的方法的流程图。如图2所示，该方法除包括步骤S11-步骤S15外，还包括以下步骤：
步骤S12a：在存在所述历史浏览记录的情况下，根据所述历史浏览行为以及所述用户的当前浏览行为，确定预备向所述用户推荐的目标对象；
步骤S12’：在所述目标对象的数量小于预设阈值时，根据所述各个被浏览对象确定所述用户的用户向量。
在一种实施方式中，步骤S12a包括以下步骤：
根据所述历史浏览行为所针对的被浏览对象，确定第一部分候选对象，以及，根据所述实时浏览行为所针对的被浏览对象，确定第二部分候选对象；
根据所述历史浏览行为的浏览时间，从所述第一部分候选对象中筛选第一部分目标对象，以及，根据所述实时浏览行为的浏览时间，从所述第二部分候选对象中筛选第二部分目标对象。
在本实施例中，在存在与用户当前所在的区域关联的历史浏览记录的情况下，可以根据与用户当前所在的区域关联的历史浏览记录，确定向用户推荐的对象，即目标对象。具体地，目标对象分为两部分，第一部分目标对象是根据用户的历史浏览行为确定的，第二部分目标对象是根据用户的当前浏览行为确定的。在目标对象的数量不足较少，例如小于预设额阈值，则继续从分布在其他区域的各个候选对象中确定出一部分候选对象，然后将确定出的目标对象和候选对象均推荐给用户。
其中，根据用户的历史浏览行为确定第一部分目标对象的过程是：首先根据用户的历史浏览行为确定第一部分候选对象，然后按照浏览时间对第一部分候选对象进行打分，浏览时间距离当前时间越久的对象得分越低，以此筛选出距离当前时间较近的多个候选对象作为第一部分目标对象。根据用户的当前浏览行为确定第二部分目标对象的过程与上述过程类似，在此就不再赘述。
示例地，在外卖场景下，假设用户所在位置属于A地区，外卖平台通常将A地区内的店铺展示给用户，用户对A地区内的部分店铺进行线上浏览，然后根据用户的历史浏览行为和当前浏览行为，从同样分布在A地区的其他店铺中确定出预备推荐给用户的店铺，假设确定出5个店铺，预设阈值是10，则可以根据用户已浏览的各个对象，确定该用户的用户向量。将分布在其他地区(例如：B地区、C地区)的各个店铺的店铺向量与该用户的用户向量比较，从中确定5个针对该用户的推荐店铺，最后将确定出的5个分布在A地区的店铺以及确定出的5个分布在其他地区的店铺均推荐给用户。
在本实施例中，根据用户的历史浏览行为和实时浏览行为，并结合与用户当前所在的区域关联的历史浏览记录，向用户推荐对象，一方面避免了仅向用户推荐少量的对象而造成电商平台的流量被浪费，另一方面，向用户推荐足够数量的对象，提高了电商平台进行线上营销推广的效率，并且也便于引导用户对分布在其他地理区域的对象进行线下体验，提高了用户活跃度。
在一种实施方式中，步骤S12a包括以下步骤：
确定待浏览对象与所述历史浏览记录中的各个被浏览对象之间的相似度；
将待浏览对象中与所述历史浏览记录中的各个被浏览对象的相似度大于第一阈值的对象，确定为所述目标对象。
在另一种实施方式中，步骤S12a包括以下步骤：
根据所述历史浏览记录中的各个被浏览对象，确定所述用户的浏览偏好；
将其他用户中浏览偏好与所述用户的浏览偏好的相似度大于第二阈值的用户确定为相似用户；
将待浏览对象中所述相似用户正在浏览的对象或已浏览的对象，确定为所述目标对象。
在本实施例中，确定向用户推荐的目标对象，可以基于对象相似度或用户相似度实现。具体地，可以根据各个被浏览对象，确定用户的浏览偏好，然后将与用户的浏览偏好相似度高的其他用户正在浏览或已浏览的对象，确定为向用户推荐的目标对象。或者，可以根据各个被浏览对象，确定与各个被浏览对象相似度高的其他对象，将确定出的其他对象确定为向用户推荐的目标对象。
参考图3，图3是本申请另一实施例提出的推荐对象的方法的流程图。如图3所示，该方法除包括步骤S11、步骤S13-步骤S15外，还包括以下步骤：
步骤S121’：确定所述各个被浏览对象各自的对象向量；
步骤S122’：根据所述各个被浏览对象各自的对象向量，以及所述历史浏览记录中各个被浏览对象的被浏览顺序，确定所述用户的用户向量。
在本实施例中，确定用户的用户向量，有且不限于以下两种实施方式：
第一种实施方式是：不考虑各个被浏览对象的被浏览顺序，仅利用各个被浏览对象各自的对象向量。例如：对历史浏览记录中各个被浏览对象各自的对象向量进行加权平均。
示例地，采用wrod2vec模型，确定各个被浏览对象各自的对象向量，然后对各个被浏览对象进行加权平均，即可得到用户的用户向量。
第二种实施方式是：既利用各个被浏览对象的被浏览顺序，也利用各个被浏览对象各自的对象向量。在具体实施过程中，可以采用具有序列学习能力的模型(例如：RNN模型、LSTM模型)确定各个被浏览对象各自的对象向量，然后对各个被浏览对象进行加权平均，即可得到用户的用户向量。
在本实施例中，在确定用户向量时考虑各个被浏览对象的被浏览顺序，由此确定出的用户向量更加准确，进而能够更加准确地确定出针对用户的推荐对象，提高推荐准确度。
基于同一发明构思，本申请一实施例提供一种推荐对象的装置。参考图4，图4是本申请一实施例提供的推荐对象的装置的示意图。如图4所示，该装置包括：
检测模块401，用于检测是否存在与用户当前所在的区域关联的历史浏览记录，所述历史浏览记录是所述用户对分布在所述用户当前所在的区域的对象进行浏览而产生的；
第一确定模块402，用于在不存在所述历史浏览记录的情况下，根据所述用户已浏览的分布在其他区域的各个被浏览对象，确定所述用户的用户向量，所述其他区域不同于所述用户当前所在的区域；
第二确定模块403，用于确定分布在所述用户当前所在的区域的各个候选对象各自的对象向量；
第三确定模块404，用于确定所述各个候选对象各自的对象向量与所述用户的用户向量之间的距离；
推荐模块405，用于将所述各个候选对象中对应的距离小于预设距离的候选对象推荐给所述用户。
可选地，所述检测模块包括：
获取子模块，用于获取所述用户的历史浏览行为以及所述用户的当前浏览行为；
比较子模块，用于将所述历史浏览行为所针对的被浏览对象所在的区域、所述当前浏览行为所针对的被浏览对象所在的区域分别与所述用户当前所在的区域比较。
可选地，所述装置还包括：
第四确定模块，用于在存在所述历史浏览记录的情况下，根据所述历史浏览行为以及所述用户的当前浏览行为，确定预备向所述用户推荐的目标对象；
所述第一确定模块包括：
第一确定子模块，用于在所述目标对象的数量小于预设阈值时，根据所述各个被浏览对象确定所述用户的用户向量。
可选地，所述第四确定模块包括：
第二确定子模块，用于根据所述历史浏览行为所针对的被浏览对象，确定第一部分候选对象，以及，根据所述实时浏览行为所针对的被浏览对象，确定第二部分候选对象；
筛选子模块，用于根据所述历史浏览行为的浏览时间，从所述第一部分候选对象中筛选第一部分目标对象，以及，根据所述实时浏览行为的浏览时间，从所述第二部分候选对象中筛选第二部分目标对象。
可选地，所述第一确定模块包括：
第三确定子模块，用于确定所述各个被浏览对象各自的对象向量；
第四确定子模块，用于对所述各个被浏览对象各自的对象向量进行加权平均，并将加权平均后的结果确定为所述用户的用户向量。
可选地，所述第一确定模块包括：
第五确定子模块，用于确定所述各个被浏览对象各自的对象向量；
第六确定子模块，用于根据所述各个被浏览对象各自的对象向量，以及所述历史浏览记录中各个被浏览对象的被浏览顺序，确定所述用户的用户向量。
可选地，所述第四确定模块包括：
第七确定子模块，用于确定待浏览对象与所述历史浏览记录中的各个被浏览对象之间的相似度；
第八确定子模块，用于将待浏览对象中与所述历史浏览记录中的各个被浏览对象的相似度大于第一阈值的对象，确定为所述目标对象。
可选地，所述第四确定模块包括：
第九确定子模块，用于根据所述历史浏览记录中的各个被浏览对象，确定所述用户的浏览偏好；
第十确定子模块，用于将其他用户中浏览偏好与所述用户的浏览偏好的相似度大于第二阈值的用户确定为相似用户；
第十一确定子模块，用于将待浏览对象中所述相似用户正在浏览的对象或已浏览的对象，确定为所述目标对象。
可选地，所述被浏览对象是商家或商品。
基于同一发明构思，本申请另一实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请上述任一实施例所述的方法中的步骤。
基于同一发明构思，本申请另一实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现本申请上述任一实施例所述的方法中的步骤。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种推荐对象的方法、装置、存储介质和电子设备，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (12)
1.一种推荐对象的方法，其特征在于，所述方法包括：
检测是否存在与用户当前所在的区域关联的历史浏览记录，所述历史浏览记录是所述用户对分布在所述用户当前所在的区域的对象进行浏览而产生的；
在不存在所述历史浏览记录的情况下，根据所述用户已浏览的分布在其他区域的各个被浏览对象，确定所述用户的用户向量，所述其他区域不同于所述用户当前所在的区域；
确定分布在所述用户当前所在的区域的各个候选对象各自的对象向量；
确定所述各个候选对象各自的对象向量与所述用户的用户向量之间的距离；
将所述各个候选对象中对应的距离小于预设距离的候选对象推荐给所述用户。
2.根据权利要求1所述的方法，其特征在于，检测是否存在与用户当前所在的区域关联的历史浏览记录，包括：
获取所述用户的历史浏览行为以及所述用户的当前浏览行为；
将所述历史浏览行为所针对的被浏览对象所在的区域、所述当前浏览行为所针对的被浏览对象所在的区域分别与所述用户当前所在的区域比较。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
在存在所述历史浏览记录的情况下，根据所述历史浏览行为以及所述用户的当前浏览行为，确定预备向所述用户推荐的目标对象；
根据所述用户已浏览的各个分布在其他区域的被浏览对象，确定所述用户的用户向量，包括：
在所述目标对象的数量小于预设阈值时，根据所述各个被浏览对象确定所述用户的用户向量。
4.根据权利要求3所述的方法，其特征在于，根据所述历史浏览行为以及所述用户的当前浏览行为，确定预备向所述用户推荐的目标对象，包括：
根据所述历史浏览行为所针对的被浏览对象，确定第一部分候选对象，以及，根据所述实时浏览行为所针对的被浏览对象，确定第二部分候选对象；
根据所述历史浏览行为的浏览时间，从所述第一部分候选对象中筛选第一部分目标对象，以及，根据所述实时浏览行为的浏览时间，从所述第二部分候选对象中筛选第二部分目标对象。
5.根据权利要求1所述的方法，其特征在于，根据所述用户已浏览的分布在其他区域的各个被浏览对象，确定所述用户的用户向量，包括：
确定所述各个被浏览对象各自的对象向量；
对所述各个被浏览对象各自的对象向量进行加权平均，并将加权平均后的结果确定为所述用户的用户向量。
6.根据权利要求1所述的方法，其特征在于，根据所述用户已浏览的分布在其他区域的各个被浏览对象，确定所述用户的用户向量，包括：
确定所述各个被浏览对象各自的对象向量；
根据所述各个被浏览对象各自的对象向量，以及所述历史浏览记录中各个被浏览对象的被浏览顺序，确定所述用户的用户向量。
7.根据权利要求3所述的方法，其特征在于，根据所述历史浏览记录中的各个被浏览对象，确定预备向所述用户推荐的目标对象，包括：
确定待浏览对象与所述历史浏览记录中的各个被浏览对象之间的相似度；
将待浏览对象中与所述历史浏览记录中的各个被浏览对象的相似度大于第一阈值的对象，确定为所述目标对象。
8.根据权利要求3所述的方法，其特征在于，根据所述历史浏览记录中的各个被浏览对象，确定预备向所述用户推荐的目标对象，包括：
根据所述历史浏览记录中的各个被浏览对象，确定所述用户的浏览偏好；
将其他用户中浏览偏好与所述用户的浏览偏好的相似度大于第二阈值的用户确定为相似用户；
将待浏览对象中所述相似用户正在浏览的对象或已浏览的对象，确定为所述目标对象。
9.根据权利要求1-8任一所述的方法，其特征在于，所述被浏览对象是商家或商品。
10.一种推荐对象的装置，其特征在于，所述装置包括：
检测模块，用于检测是否存在与用户当前所在的区域关联的历史浏览记录，所述历史浏览记录是所述用户对分布在所述用户当前所在的区域的对象进行浏览而产生的；
第一确定模块，用于在不存在所述历史浏览记录的情况下，根据所述用户已浏览的分布在其他区域的各个被浏览对象，确定所述用户的用户向量，所述其他区域不同于所述用户当前所在的区域；
第二确定模块，用于确定分布在所述用户当前所在的区域的各个候选对象各自的对象向量；
第三确定模块，用于确定所述各个候选对象各自的对象向量与所述用户的用户向量之间的距离；
推荐模块，用于将所述各个候选对象中对应的距离小于预设距离的候选对象推荐给所述用户。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9任一所述的方法中的步骤。
12.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行时实现如权利要求1-9任一所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811340305.1A CN109508417A (zh) | 2018-11-12 | 2018-11-12 | 推荐对象的方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811340305.1A CN109508417A (zh) | 2018-11-12 | 2018-11-12 | 推荐对象的方法、装置、电子设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109508417A true CN109508417A (zh) | 2019-03-22 |
Family
ID=65748211
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811340305.1A Pending CN109508417A (zh) | 2018-11-12 | 2018-11-12 | 推荐对象的方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109508417A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210905A (zh) * | 2019-05-31 | 2019-09-06 | 拉扎斯网络科技（上海）有限公司 | 特征相似度计算方法、装置、电子设备及计算机存储介质 |
| CN110232152A (zh) * | 2019-05-27 | 2019-09-13 | 腾讯科技（深圳）有限公司 | 内容推荐方法、装置、服务器以及存储介质 |
| CN111738754A (zh) * | 2020-06-01 | 2020-10-02 | 上海晶赞融宣科技有限公司 | 对象推荐方法及装置、存储介质、计算机设备 |
| CN112749331A (zh) * | 2020-06-28 | 2021-05-04 | 腾讯科技（深圳）有限公司 | 一种数据推荐方法、装置以及计算机可读存储介质 |
-
2018
- 2018-11-12 CN CN201811340305.1A patent/CN109508417A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110232152A (zh) * | 2019-05-27 | 2019-09-13 | 腾讯科技（深圳）有限公司 | 内容推荐方法、装置、服务器以及存储介质 |
| CN110210905A (zh) * | 2019-05-31 | 2019-09-06 | 拉扎斯网络科技（上海）有限公司 | 特征相似度计算方法、装置、电子设备及计算机存储介质 |
| CN111738754A (zh) * | 2020-06-01 | 2020-10-02 | 上海晶赞融宣科技有限公司 | 对象推荐方法及装置、存储介质、计算机设备 |
| CN112749331A (zh) * | 2020-06-28 | 2021-05-04 | 腾讯科技（深圳）有限公司 | 一种数据推荐方法、装置以及计算机可读存储介质 |
| CN112749331B (zh) * | 2020-06-28 | 2023-09-19 | 腾讯科技（深圳）有限公司 | 一种数据推荐方法、装置以及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109508417A (zh) | 推荐对象的方法、装置、电子设备及可读存储介质 | |
| CN104123332B (zh) | 搜索结果的显示方法及装置 | |
| US10354309B2 (en) | Methods and systems for selecting an optimized scoring function for use in ranking item listings presented in search results | |
| US9697573B1 (en) | Color-related social networking recommendations using affiliated colors | |
| CA3066941A1 (en) | Method and apparatus for obtaining recommendation information, and electronic device | |
| KR101062927B1 (ko) | 적어도 한 명의 사용자의 성향을 고려하여 타사용자 또는 사물을 추천하기 위한 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체 | |
| Woerndl et al. | Utilizing physical and social context to improve recommender systems | |
| US20150294018A1 (en) | Method and apparatus for recommending keywords | |
| CN106155496A (zh) | 一种信息展示方法及装置 | |
| CN105611321B (zh) | 一种视频码率推送方法和装置 | |
| CN103646341B (zh) | 一种网站提供对象的推荐方法和装置 | |
| CN105824961B (zh) | 一种标签确定方法及装置 | |
| JP6649833B2 (ja) | 拡張現実ユーザインタフェース適用装置および制御方法 | |
| WO2017107797A1 (zh) | 在产品货架上展示网络产品的方法和装置 | |
| CN102831117B (zh) | 选择字体、字体的确定、推荐、生成方法及其设备 | |
| CN110619553B (zh) | 一种商品信息展示方法、装置、电子设备及存储介质 | |
| US11455552B2 (en) | Intelligent design platform using industrialized experience in product designs | |
| CN102693223A (zh) | 一种搜索方法 | |
| CN106846088A (zh) | 一种快消品电商网站的商品推荐方法 | |
| CN106708871A (zh) | 一种社交业务特征用户的识别方法和装置 | |
| KR20150121945A (ko) | 아이템 추천 시스템 및 아이템 추천 방법 | |
| KR20170032366A (ko) | 지도 중의 후보 주소 정보를 획득하기 위한 방법 및 장치 | |
| US20200012651A1 (en) | Communication terminal, content server, content recommendation system, control device, and control method | |
| KR20140079639A (ko) | 협업 필터링을 위한 ｅｍｄ 기반 유사 사용자 선별 방법 | |
| CN109062945A (zh) | 一种社交网络的信息推荐方法、装置及系统 |
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 |