CN109697628A - 产品数据推送方法及装置、存储介质、计算机设备 - Google Patents
产品数据推送方法及装置、存储介质、计算机设备 Download PDFInfo
- Publication number
- CN109697628A CN109697628A CN201811340688.2A CN201811340688A CN109697628A CN 109697628 A CN109697628 A CN 109697628A CN 201811340688 A CN201811340688 A CN 201811340688A CN 109697628 A CN109697628 A CN 109697628A
- Authority
- CN
- China
- Prior art keywords
- sample
- target user
- users
- similarity
- product
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000010276 construction Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- SBNFWQZLDJGRLK-UHFFFAOYSA-N phenothrin Chemical compound CC1(C)C(C=C(C)C)C1C(=O)OCC1=CC=CC(OC=2C=CC=CC=2)=C1 SBNFWQZLDJGRLK-UHFFFAOYSA-N 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种产品数据推送方法及装置、存储介质、计算机设备。其中方法包括:获取目标用户的特征信息,其中,目标用户的特征信息包括目标用户对各个产品的产品评分信息和目标用户的基本属性信息;分别计算目标用户的任一项特征信息与任一样本用户对应的特征信息之间的特征相似度,并利用特征相似度构建目标用户与任一样本客户之间的相似度向量;根据目标用户与任一样本用户之间的相似度向量,计算目标用户与任一样本用户之间的个体相似度;利用目标用户与任一样本用户之间的个体相似度从样本用户中获取相似样本用户,并根据相似样本用户的产品评分信息向目标用户推送所述产品数据。本申请解决了用户冷启动问题。
Description
技术领域
本申请涉及数据推送技术领域,尤其是涉及到一种产品数据推送方法及装置、存储介质、计算机设备。
背景技术
随着社会的不断发展,人们购买力不断提高,人们在面对琳琅满目的商品和各种各样的项目时,常常会陷入迷茫中,为了能够提高用户的购买效率和用户体验,许多商家开始针对用户的个性化需求,向不同的用户推荐他们可能感兴趣的商品,这种个性化推荐方法可以在恰当的场景给用户推荐合适的项目,提高了用户的购买效率和用户体验的同时,也为商家带来了利益。
目前个性化推荐系统的主要推荐方法的协同过滤方法,基于用户之间的兴趣相似度,向用户进行项目的推荐,协同过滤方法对于用户特征数据密集时有着较好的推荐准确率。而用户间的兴趣相似度是基于用户对不同产品的评分来计算的,这样就导致当一个用户对于某产品的评分矩阵极度稀疏甚至没有关于此产品的任何评分数据时,缺乏计算用户之间兴趣相似度的基础,因此,这种协同过滤的推荐方法在面对新用户或缺乏用户的评分数据时,推荐的准确度会大幅度降低,也即对于推荐系统的用户冷启动问题难以解决。
发明内容
有鉴于此,本申请提供了一种产品数据推送方法及装置、存储介质、计算机设备,综合分析用户之间的产品评分和基本属性的相似度进行产品数据推送,解决了产品数据推送问题中的用户冷启动问题。
根据本申请的一个方面,提供了一种产品数据推送方法,其特征在于,包括:
获取目标用户的特征信息,其中,所述目标用户的特征信息包括所述目标用户对各个产品的产品评分信息和所述目标用户的基本属性信息;
分别计算所述目标用户的任一项特征信息与任一样本用户对应的特征信息之间的特征相似度,并利用所述特征相似度构建所述目标用户与任一所述样本客户之间的相似度向量;
根据所述目标用户与任一所述样本用户之间的相似度向量,计算所述目标用户与任一所述样本用户之间的个体相似度;
利用所述目标用户与任一所述样本用户之间的个体相似度从所述样本用户中获取相似样本用户,并根据所述相似样本用户的产品评分信息向所述目标用户推送所述产品数据。
根据本申请的另一方面,提供了一种产品数据推送装置,其特征在于,包括:
相似度向量构建单元,获取目标用户的特征信息,其中,所述目标用户的特征信息包括所述目标用户对各个产品的产品评分信息和所述目标用户的基本属性信息;
相似度向量构建单元,用于分别计算所述目标用户的任一项特征信息与任一样本用户对应的特征信息之间的特征相似度,并利用所述特征相似度构建所述目标用户与任一所述样本客户之间的相似度向量;
相似度计算单元,用于根据所述目标用户与任一所述样本用户之间的相似度向量,计算所述目标用户与任一所述样本用户之间的个体相似度;
产品数据推送单元,用于利用所述目标用户与任一所述样本用户之间的个体相似度从所述样本用户中获取相似样本用户,并根据所述相似样本用户的产品评分信息向所述目标用户推送所述产品数据。
依据本申请又一个方面,提供了一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述产品数据推送方法。
依据本申请再一个方面,提供了一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述产品数据推送方法。
借由上述技术方案,本申请提供的一种产品数据推送方法及装置、存储介质、计算机设备,根据目标用户和样本用户的基本属性信息和产品评分信息之间的特征相似度,计算目标用户与每个样本用户之间的个体相似度,并利用个体相似度在样本用户中寻找与目标用户对应的相似样本用户,从而根据相似样本用户的产品评分情况向目标用户进行产品数据推送,实现产品的推荐,而传统的方法是基于用户评分数据分析用户兴趣,只能在用户特征信息密集的情况下进行产品推荐,无法解决用户的冷启动问题,本方案综合分析用户基本属性信息和产品评分信息,即使在用户的产品评分信息稀缺时,也能起到良好的推荐效果,解决了用户的冷启动问题。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了本申请实施例提供的一种产品数据推送方法的流程示意图;
图2示出了本申请实施例提供的另一种产品数据推送方法的流程示意图;
图3示出了本申请实施例提供的一种产品数据推送装置的结构示意图;
图4示出了本申请实施例提供的另一种产品数据推送装置的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
在本实施例中提供了一种产品数据推送方法,如图1所示,该方法包括:
步骤102,获取目标用户的特征信息。
其中,目标用户的特征信息包括目标用户对各个产品的产品评分信息和目标用户的基本属性信息。
具体地,目标用户的特征信息中可以包含自身的基本属性信息,例如目标用户的性别、年龄、籍贯、婚姻状况、配偶姓名、月收入、家庭可支配财产等等信息,特征信息中还可以包含目标用户对各个产品的产品评分信息,例如对于每一种产品满分评分为10分,用户对A类基金产品评分为5分、对于B类股票产品评分为8分、对于C类保险产品评分为6分。
需要说明的是,在目标用户的特征信息中,无论对于新用户还是老用户,基本属性信息都应是完整无缺的,而对于产品评分信息,新用户的产品评分信息往往是稀缺甚至是完全没有的。
步骤104,分别计算目标用户的任一项特征信息与任一样本用户对应的特征信息之间的特征相似度,并利用特征相似度构建目标用户与任一样本客户之间的相似度向量。
在上述实施例中,样本用户是由多个具备完整特征信息的历史用户组成的集合,分别计算目标用户与任一个样本用户的每一项对应的特征信息之间的特征相似度,例如计算目标用户与样本用户甲的对于A类基金产品评分的相似度。根据所计算的目标用户与任一样本用户的全部特征信息之间的特征相似度,构建目标用户与该样本用户之间的相似度向量。
步骤106,根据目标用户与任一样本用户之间的相似度向量,计算目标用户与任一样本用户之间的相似度。
需要说明的是,目标用户与任一样本用户之间的相似度向量反应了目标用户与该样本用户的每一项特征信息之间的特征相似度,利用相似度向量,也即目标用户与该样本用户的每一项特征信息之间的特征相似度,计算出目标用户与该样本用户之间的相似度,用以衡量目标用户与样本用户之间的相似程度。
步骤108,利用目标用户与任一样本用户之间的相似度从样本用户中获取相似样本用户,并根据相似样本用户的产品评分信息向目标用户推送产品数据。
计算出目标用户与每一个样本用户之间的相似度后,利用这些相似度数据,找出样本用户中与目标用户的相似程度较高的若干个作为相似样本用户,从而根据这些相似样本用户对于各个产品的产品评分信息向目标用户推送产品数据,实现产品的推荐。
通过应用本实施例的技术方案,根据目标用户和样本用户的基本属性信息和产品评分信息之间的特征相似度,计算目标用户与每个样本用户之间的个体相似度,并利用个体相似度在样本用户中寻找与目标用户对应的相似样本用户,从而根据相似样本用户的产品评分情况向目标用户进行产品数据推送,实现产品的推荐,而传统的方法是基于用户评分数据分析用户兴趣,只能在用户特征信息密集的情况下进行产品推荐,无法解决用户的冷启动问题,本方案综合分析用户基本属性信息和产品评分信息,即使在用户的产品评分信息稀缺时,也能起到良好的推荐效果,解决了用户的冷启动问题。
进一步的,作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例的具体实施过程,提供了另一种产品数据推送方法,如图2所示,该方法包括:
步骤202,获取目标用户的特征信息。
其中,目标用户的特征信息包括目标用户对各个产品的产品评分信息和目标用户的基本属性信息。
步骤204,获取目标用户的基本属性信息,分别计算目标用户的任一项基本属性信息与任一样本用户对应的基本属性信息之间的基本属性相似度,并利用基本属性相似度构建基本属性相似度向量。
在上述实施例中,具体地,若基本属性信息为枚举类基本属性信息,则计算目标用户的任一项与任一样本用户的对应的任一项之间的相似度,具体包括:
若目标用户的基本属性信息与任一样本用户的对应的基本属性信息一致,则该项基本属性相似度为1;若不一致,则该项基本属性相似度为0。
例如,对于“性别”这一基本属性信息,属于枚举类基本属性信息,假设目标用户的性别为男,样本用户甲的性别也为男,则目标用户与样本用户甲之间的“性别”相似度为1。
再例如,对于“婚姻状况”这一基本属性信息,也属于枚举类基本属性信息,假设目标用户的婚姻状况为已婚,而样本用户乙的婚姻状况为未婚,则目标用户与样本用户乙之间的“婚姻状况”相似度为0。
在上述实施例中,具体地,若基本属性信息为度量类基本属性信息,则计算目标用户的任一项与任一样本用户的对应的任一项之间的相似度,具体包括:
按照基本属性相似度计算公式,计算目标用户与样本用户的对应的基本属性信息的相似度,对于任一基本属性,基本属性相似度计算公式为:
其中,Y1为目标用户的基本属性值,Y2为任一样本用户对应的基本属性值,max(Y)和min(Y)分别为目标用户和全部样本用户中该项基本属性的最大值和最小值。
例如,对于“年龄”这一基本属性信息,属于度量类基本属性信息,假设目标用户的年龄为30岁,样本用户甲的年龄为25岁,而全部的样本用户加上目标用户组成的用户群体中,年龄最大的为50岁,年龄最小的为20岁,则目标用户与样本用户甲之间的“年龄”相似度为1-(|30-25|)/(50-20)≈0.833。
再例如,对于“月收入”这一基本属性信息,属于度量类基本属性信息,假设目标用户的月输入是5000元,样本用户乙的月收入也是5000元,那么目标用户与样本用户乙之间的“月收入”相似度为1。
可见,目标用户的任一项特征信息与样本用户对应的特征信息之间的特征相似度的取值范围为0~1。将目标用户与样本用户之间的枚举类以及度量类的基本属性信息相似度进行量化,为后续计算目标用户与样本用户之间的相似度,寻找相似样本用户提供数学基础。
另外,构建基本属性相似度向量,具体包括:
对于任一样本用户i,根据目标用户与样本用户i之间任一项基本属性相似度,建立目标用户与样本用户i之间的基本属性相似度向量fi;
fi=(fi1,fi2,fi3,…,fim2),
其中,i大于或等于1且小于或等于N,m2为基本属性的项数。
需要说明的是,计算目标用户与任一样本用户i之间的每一项基本属性相似度后,根据这些基本属性相似度,通过向量的形式,将这些基本属性相似度进行记录,具体将目标用户与样本用户i之间的基本属性相似度向量用fi表示,向量fi记录了目标用户与样本用户i之间每一项基本属性的相似度fi1、fi2、……fim2,便于查找和使用。
步骤206,当目标用户的特征信息中包含至少一项产品评分信息时,获取目标用户的产品评分信息,分别计算目标用户的任一项产品评分信息与任一样本用户的对应的产品评分信息之间的产品评分相似度,并利用产品评分相似度构建产品评分相似度向量。
在上述实施例中,具体地,对于任一项产品评分信息,若目标用户的产品评分信息中包含该项产品评分,则按照产品评分相似度计算公式,计算目标用户与任一样本用户的该项产品评分相似度,产品评分相似度计算公式为:
其中,X为目标用户与任一样本用户的该项产品评分之差的绝对值;
若目标用户的产品评分信息中不包含该项产品评分,则产品评分相似度为0。
例如,目标用户的产品评分信息中包含对A类股票产品的评分,则按照产品评分相似度计算公式,计算目标用户与样本用户甲之间的A类股票产品的产品评分相似度,假设目标用户对A类股票产品的评分为0.5分,样本用户甲对A类股票产品的评分为0.8分,则目标用户与样本用户甲之间的A类股票产品的产品评分相似度为2*(1-1/(1+exp(-0.3)))≈0.85。
另外,构建产品评分相似度向量,具体包括:
对于任一样本用户j,根据目标用户与样本用户j之间任一项产品评分相似度,建立目标用户与样本用户j之间的产品评分相似度向量gj;
gj=(gj1,gj2,gj3,…,gjm1),
其中,j大于或等于1且小于或等于N,N为样本用户的数量,m1为产品的数量。
需要说明的是,计算目标用户与任一样本用户j之间的每一项产品评分相似度后,根据这些产品评分相似度,通过向量的形式,将这些产品评分相似度进行记录,具体将目标用户与样本用户j之间的产品评分相似度向量用gj表示,向量gj记录了目标用户与样本用户j之间每一项基本属性的相似度gj1、gj2、……gjm1,便于查找和使用。
步骤208,根据目标用户与任一样本用户之间的相似度向量,计算目标用户与任一样本用户之间的相似度。
在上述实施例中,具体地,基于任一样本用户k,计算目标用户与样本用户k之间的产品评分相似度均值gk,
需要说明的是,目标用户与样本用户k之间的产品评分相似度均值gk为全部产品评分相似度的平均数。
计算目标用户与样本用户k之间的基本属性相似度均值fk,
需要说明的是,目标用户与样本用户k之间的基本属性相似度均值fk为全部基本属性相似度的平均数。
计算目标用户与样本用户k之间的个体相似度hk,
hk=ω1×fk+ω2×gk,
其中,k大于或等于1且小于或等于N,ω1和ω2分别为基本属性相似度权重和项目评分相似度权重。
需要说明的是,对目标用户与样本用户k之间的产品评分相似度均值与基本属性相似度均值分别赋予对应的权重,进行加权求和,得到目标用户与样本用户k之间的个体相似度hk。个体相似度hk反应了目标用户与样本用户k之间的相似程度,为后续获取相似样本用户提供数学基础。
在上述实施例中,具体地,基本属性相似度权重ω1=e-μM1,产品评分相似度权重ω2=1-ω1,预设系数μ的计算公式为:
其中,M1为目标用户的产品评分信息中包含的产品评分的项数,M2为目标用户的基本属性信息中包含的基本属性的项数。
需要说明的是,预设系数μ的完整计算公式为
化简后,得到:
预设系数μ的值越大代表着权重ω1衰减越快。由上述权重公式可知,产品评分信息中非空的项数越多,即包含产品评分的项数越多,产品评分相似度权重越大,产品评分信息中非空的项数越少,即包含产品评分的项数越少,产品评分相似度权重越小。
也就是说,若目标用户的特征信息中产品评分信息比较全面,则在计算目标用户与样本用户之间的个体相似度时,会更加看重目标用户与样本用户之间在产品评分信息方面的相似程度;而若目标用户的特征信息中产品评分信息比较稀疏,则在计算目标用户与样本用户之间的个体相似度时,由于产品评分信息过少,需要更加依赖目标用户与样本用户之间在基本属性信息方面的相似程度。
另外,为了加快计算速度,预设系数μ也可取一个固定的值。
步骤210,将全部样本用户按照与目标用户之间个体相似度从大到小的顺序进行排序,并取排名在前第一预设值对应的样本用户作为相似样本用户。
具体地,计算目标用户与全部样本用户之间的个体相似度后,对这些个体相似度按照从大到小的顺序进行排列,排名在前第一预设值的个体相似度所对应的样本用户,则为相似样本用户。寻找到相似样本用户后,即可根据相似样本用户的历史信息例如历史购买信息、历史评分信息等向目标用户推送产品数据,实现产品推荐。
例如,对目标用户与全部100个样本用户之间的个体相似度进行排序,取个体相似度排名前10的对应样本用户作为相似样本用户。
步骤212,计算全部相似样本用户对各个产品的产品评分均值;
在上述实施例中,还可以计算全部相似样本用户对于每一项产品评分的产品评分均值,统计全部相似样本用户的对各个产品的评分均值,有助于了解相似样本用户对于不同产品的满意程度。
步骤214,将产品按照产品评分均值从大到小的顺序进行排序,并取排名在前第二预设值的产品对应的产品数据向目标用户推送。
具体地,计算相似样本用户对于各个产品的产品评分均值后,将全部产品按照产品评分均值从大到小的顺序进行排序,得到相似样本用户对于各个产品的满意程度的排序,排名在前第二预设值的产品则为待推荐的产品,从而将这些产品对应的产品数据推送给目标用户。
通过应用本实施例的技术方案,分别计算目标用户与样本用户个体之间的产品评分相似度和基本属性相似度,并根据产品评分信息和基本属性信息的密集程度,也即产品评分信息和基本属性信息的完整性,为产品评分相似度和基本属性相似度进行赋权,解决了产品推荐问题中的用户冷启动问题,即在缺乏产品评分信息时,主要依靠基本属性信息计算用户间的个体相似度,从而寻找相似样本用户进而推荐产品,并且,为了保证推荐准确性,在产品评分信息较为全面时,主要依靠产品评分信息计算个体相似度,从而寻找相似样本用户进而推荐产品。
进一步的,作为图1方法的具体实现,本申请实施例提供了一种产品数据推送装置,如图3所示,该装置包括:相似度向量构建单元31、相似度向量构建单元32、个体相似度计算单元33、产品数据推送单元34。
特征信息获取单元31,用于获取目标用户的特征信息,其中,目标用户的特征信息包括目标用户对各个产品的产品评分信息和目标用户的基本属性信息;
相似度向量构建单元32,用于分别计算目标用户的任一项特征信息与任一样本用户对应的特征信息之间的特征相似度,并利用特征相似度构建目标用户与任一样本客户之间的相似度向量;
个体相似度计算单元33,用于根据目标用户与任一样本用户之间的相似度向量,计算目标用户与任一样本用户之间的个体相似度;
产品数据推送单元34,用于利用目标用户与任一样本用户之间的个体相似度从样本用户中获取相似样本用户,并根据相似样本用户的产品评分信息向目标用户推送产品数据。
在具体的应用场景中,为了分别构建产品评分相似度向量和基本属性相似度向量,如图4所示,相似度向量构建单元32还包括:基本属性相似度向量构建单元321、产品评分相似度向量构建单元322;
基本属性相似度向量构建单元321,用于获取目标用户的基本属性信息,分别计算目标用户的任一项基本属性信息与任一样本用户对应的基本属性信息之间的基本属性相似度,并利用基本属性相似度构建基本属性相似度向量;
产品评分相似度向量构建单元322,用于当目标用户的特征信息中包含至少一项产品评分信息时,获取目标用户的产品评分信息,分别计算目标用户的任一项产品评分信息与任一样本用户的对应的产品评分信息之间的产品评分相似度,并利用产品评分相似度构建产品评分相似度向量。
产品评分相似度向量构建单元322,具体包括:
产品评分相似度计算单元3221,用于对于任一项产品评分信息,若目标用户的产品评分信息中包含该项产品评分,则按照产品评分相似度计算公式,计算目标用户与任一样本用户的该项产品评分相似度,产品评分相似度计算公式为:
其中,X为目标用户与任一所述样本用户的该项产品评分之差的绝对值;
若目标用户的产品评分信息中不包含该项产品评分,则产品评分相似度为0;
产品评分相似度向量构建子单元3222,用于对于任一样本用户j,根据目标用户与样本用户j之间任一项产品评分相似度,建立目标用户与样本用户j之间的产品评分相似度向量gj;
gj=(gj1,gj2,gj3,…,gjm1),
其中,j大于或等于1且小于或等于N,N为样本用户的数量,m1为产品的数量。
基本属性相似度向量构建单元321,具体包括:
枚举类基本属性相似度计算单元3211,用于若基本属性信息为枚举类基本属性信息,则计算目标用户的任一项与任一样本用户的对应的任一项之间的相似度,具体包括:
若目标用户的基本属性信息与任一样本用户的对应的基本属性信息一致,则该项基本属性相似度为1;若不一致,则该项基本属性相似度为0;
度量类基本属性相似度计算单元3212,用于若基本属性信息为度量类基本属性信息,则计算目标用户的任一项与任一样本用户的对应的任一项之间的相似度,具体包括:
按照基本属性相似度计算公式,计算目标用户与样本用户的对应的基本属性信息的相似度,对于任一基本属性,基本属性相似度计算公式为:
其中,Y1为目标用户的基本属性值,Y2为任一样本用户对应的基本属性值,max(Y)和min(Y)分别为目标用户和全部样本用户中该项基本属性的最大值和最小值;
基本属性相似度向量构建子单元3213,用于对于任一样本用户i,根据目标用户与样本用户i之间任一项基本属性相似度,建立目标用户与样本用户i之间的基本属性相似度向量fi;
fi=(fi1,fi2,fi3,…,fim2),
其中,i大于或等于1且小于或等于N,m2为基本属性的项数。
在具体的应用场景中,在产品评分信息和基本属性信息的密集程度不同的情况下,为了实现个体相似度的计算,个体相似度计算单元33,具体包括:
产品评分相似度均值计算单元331,用于基于任一样本用户k,计算目标用户与样本用户k之间的产品评分相似度均值gk,
基本属性相似度均值计算单元332,用于计算目标用户与样本用户k之间的基本属性相似度均值fk,
个体相似度计算子单元333,用于计算目标用户与样本用户k之间的个体相似度hk,
hk=ω1×fk+ω2×gk,
其中,k大于或等于1且小于或等于N,ω1和ω2分别为基本属性相似度权重和项目评分相似度权重。
在具体的应用场景中,为了保证产品数据推送效果,产品数据推送单元34,具体包括:
个体相似度排序单元341,用于将全部样本用户按照与目标用户之间个体相似度从大到小的顺序进行排序,并取排名在前第一预设值对应的样本用户作为相似样本用户;
产品评分均值计算单元342,用于计算全部相似样本用户对各个产品的产品评分均值;
产品数据推送子单元343,用于将产品按照产品评分均值从大到小的顺序进行排序,并取排名在前第二预设值的产品对应的产品数据向目标用户推送。
需要说明的是,本申请实施例提供的一种产品数据推送装置所涉及各功能单元的其他相应描述,可以参考图1和图2中的对应描述,在此不再赘述。
基于上述如图1和图2所示方法,相应的,本申请实施例还提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述如图1和图2所示的产品数据推送方法。
基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)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,服务器,或者网络设备等)执行本申请各个实施场景所述的方法。
基于上述如图1、图2所示的方法,以及图3、图4所示的虚拟装置实施例,为了实现上述目的,本申请实施例还提供了一种计算机设备,具体可以为个人计算机、服务器、网络设备等,该计算机设备包括存储介质和处理器;存储介质,用于存储计算机程序;处理器,用于执行计算机程序以实现上述如图1和图2所示的产品数据推送方法。
可选地,该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency,RF)电路,传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等,可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。
本领域技术人员可以理解,本实施例提供的一种计算机设备结构并不构成对该计算机设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理和保存计算机设备硬件和软件资源的程序,支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信,以及与该实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现,也可以通过硬件实现。根据目标用户和样本用户的基本属性信息和产品评分信息之间的特征相似度,计算目标用户与每个样本用户之间的个体相似度,并利用个体相似度在样本用户中寻找与目标用户对应的相似样本用户,从而根据相似样本用户的产品评分情况向目标用户进行产品数据推送,实现产品的推荐,而传统的方法是基于用户评分数据分析用户兴趣,只能在用户特征信息密集的情况下进行产品推荐,无法解决用户的冷启动问题,本方案综合分析用户基本属性信息和产品评分信息,即使在用户的产品评分信息稀缺时,也能起到良好的推荐效果,解决了用户的冷启动问题。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述,不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景,但是,本申请并非局限于此,任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (10)
1.一种产品数据推送方法,其特征在于,包括:
获取目标用户的特征信息,其中,所述目标用户的特征信息包括所述目标用户对各个产品的产品评分信息和所述目标用户的基本属性信息;
分别计算所述目标用户的任一项特征信息与任一样本用户对应的特征信息之间的特征相似度,并利用所述特征相似度构建所述目标用户与任一所述样本客户之间的相似度向量;
根据所述目标用户与任一所述样本用户之间的相似度向量,计算所述目标用户与任一所述样本用户之间的个体相似度;
利用所述目标用户与任一所述样本用户之间的个体相似度从所述样本用户中获取相似样本用户,并根据所述相似样本用户的产品评分信息向所述目标用户推送所述产品数据。
2.根据权利要求1所述的方法,其特征在于,所述分别计算所述目标用户的任一项特征信息与任一样本用户对应的所述特征信息之间的特征相似度,并利用所述特征相似度构建所述目标用户与任一所述样本客户之间的相似度向量,具体包括:
获取所述目标用户的基本属性信息,分别计算所述目标用户的任一项所述基本属性信息与任一所述样本用户对应的所述基本属性信息之间的基本属性相似度,并利用所述基本属性相似度构建基本属性相似度向量;
当所述目标用户的特征信息中包含至少一项所述产品评分信息时,获取目标用户的产品评分信息,分别计算所述目标用户的任一项所述产品评分信息与任一样本用户的对应的所述产品评分信息之间的产品评分相似度,并利用所述产品评分相似度构建产品评分相似度向量。
3.根据权利要求2所述的方法,其特征在于,所述分别计算所述目标用户的任一项所述产品评分信息与任一样本用户的对应的所述产品评分信息之间的产品评分相似度,具体包括:
对于任一项所述产品评分信息,若所述目标用户的产品评分信息中包含该项产品评分,则按照所述产品评分相似度计算公式,计算所述目标用户与任一所述样本用户的该项产品评分相似度,所述产品评分相似度计算公式为:
其中,X为所述目标用户与任一所述样本用户的该项产品评分之差的绝对值;
若所述目标用户的产品评分信息中不包含该项产品评分,则所述产品评分相似度为0;
所述构建产品评分相似度向量,具体包括:
对于任一样本用户j,根据所述目标用户与所述样本用户j之间任一项所述产品评分相似度,建立所述目标用户与所述样本用户j之间的产品评分相似度向量gj;
gj=(gj1,gj2,gj3,…,gjm1),
其中,j大于或等于1且小于或等于N,N为所述样本用户的数量,m1为所述产品的数量。
4.根据权利要求3所述的方法,其特征在于,
若所述基本属性信息为枚举类基本属性信息,则所述计算所述目标用户的任一项所述与任一样本用户的对应的任一项所述之间的相似度,具体包括:
若所述目标用户的所述基本属性信息与任一所述样本用户的对应的所述基本属性信息一致,则该项基本属性相似度为1;若不一致,则该项基本属性相似度为0;
若所述基本属性信息为度量类基本属性信息,则所述计算所述目标用户的任一项所述与任一样本用户的对应的任一项所述之间的相似度,具体包括:
按照基本属性相似度计算公式,计算所述目标用户与所述样本用户的对应的所述基本属性信息的相似度,对于任一所述基本属性,所述基本属性相似度计算公式为:
其中,Y1为所述目标用户的基本属性值,Y2为任一所述样本用户对应的基本属性值,max(Y)和min(Y)分别为所述目标用户和全部所述样本用户中该项基本属性的最大值和最小值;
所述构建基本属性相似度向量,具体包括:
对于任一样本用户i,根据所述目标用户与所述样本用户i之间任一项所述基本属性相似度,建立所述目标用户与所述样本用户i之间的基本属性相似度向量fi;
fi=(fi1,fi2,fi3,…,fim2),
其中,i大于或等于1且小于或等于N,m2为所述基本属性的项数。
5.根据权利要求4所述的方法,其特征在于,所述根据所述目标用户与任一所述样本用户之间的相似度向量,计算所述目标用户与任一所述样本用户之间的个体相似度,具体包括:
基于任一样本用户k,计算所述目标用户与所述样本用户k之间的产品评分相似度均值gk,
计算所述目标用户与所述样本用户k之间的基本属性相似度均值fk,
计算所述目标用户与所述样本用户k之间的个体相似度hk,
hk=ω1×fk+ω2×gk,
其中,k大于或等于1且小于或等于N,ω1和ω2分别为基本属性相似度权重和项目评分相似度权重。
6.根据权利要求5所述的方法,其特征在于,所述利用所述目标用户与任一所述样本用户之间的个体相似度从所述样本用户中获取相似样本用户,并根据所述相似样本用户的产品评分信息向所述目标用户推送所述产品数据,具体包括:
将全部所述样本用户按照与所述目标用户之间个体相似度从大到小的顺序进行排序,并取排名在前第一预设值对应的所述样本用户作为所述相似样本用户;
计算全部所述相似样本用户对各个产品的产品评分均值;
将所述产品按照所述产品评分均值从大到小的顺序进行排序,并取排名在前第二预设值的产品对应的产品数据向所述目标用户推送。
7.根据权利要求6所述的方法,其特征在于,
所述基本属性相似度权重ω1=e-μM1,所述产品评分相似度权重ω2=1-ω1,预设系数μ的计算公式为:
其中,M1为所述目标用户的产品评分信息中包含的产品评分的项数,M2为所述目标用户的基本属性信息中包含的基本属性的项数。
8.一种产品数据推送装置,其特征在于,包括:
相似度向量构建单元,获取目标用户的特征信息,其中,所述目标用户的特征信息包括所述目标用户对各个产品的产品评分信息和所述目标用户的基本属性信息;
相似度向量构建单元,用于分别计算所述目标用户的任一项特征信息与任一样本用户对应的特征信息之间的特征相似度,并利用所述特征相似度构建所述目标用户与任一所述样本客户之间的相似度向量;
相似度计算单元,用于根据所述目标用户与任一所述样本用户之间的相似度向量,计算所述目标用户与任一所述样本用户之间的个体相似度;
产品数据推送单元,用于利用所述目标用户与任一所述样本用户之间的个体相似度从所述样本用户中获取相似样本用户,并根据所述相似样本用户的产品评分信息向所述目标用户推送所述产品数据。
9.一种存储介质,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权利要求1至7中任一项所述的产品数据推送方法。
10.一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至7中任一项所述的产品数据推送方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811340688.2A CN109697628B (zh) | 2018-11-12 | 2018-11-12 | 产品数据推送方法及装置、存储介质、计算机设备 |
PCT/CN2019/074032 WO2020098163A1 (zh) | 2018-11-12 | 2019-01-30 | 产品数据推送方法及装置、计算机非易失性可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811340688.2A CN109697628B (zh) | 2018-11-12 | 2018-11-12 | 产品数据推送方法及装置、存储介质、计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109697628A true CN109697628A (zh) | 2019-04-30 |
CN109697628B CN109697628B (zh) | 2024-05-10 |
Family
ID=66230089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811340688.2A Active CN109697628B (zh) | 2018-11-12 | 2018-11-12 | 产品数据推送方法及装置、存储介质、计算机设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109697628B (zh) |
WO (1) | WO2020098163A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110134870A (zh) * | 2019-05-21 | 2019-08-16 | 重庆忽米网络科技有限公司 | 一种基于大数据的推送方法及系统 |
CN116739794A (zh) * | 2023-08-10 | 2023-09-12 | 北京中关村银行股份有限公司 | 基于大数据及机器学习的用户个性化方案推荐方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301583A (zh) * | 2017-05-26 | 2017-10-27 | 重庆邮电大学 | 一种基于用户偏好和信任的冷启动推荐方法 |
CN107329994A (zh) * | 2017-06-08 | 2017-11-07 | 天津大学 | 一种基于用户特征的改进协同过滤推荐方法 |
CN108460145A (zh) * | 2018-03-15 | 2018-08-28 | 北京邮电大学 | 一种基于混合兴趣相似度的协同过滤推荐方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915307B (zh) * | 2011-08-02 | 2018-01-02 | 腾讯科技(深圳)有限公司 | 一种个性化信息推荐的方法、装置及信息处理系统 |
CN106447372B (zh) * | 2015-08-10 | 2022-03-08 | 北京奇虎科技有限公司 | 产品信息推送方法及装置 |
CN107305677A (zh) * | 2016-04-25 | 2017-10-31 | 北京京东尚科信息技术有限公司 | 产品信息推送方法和装置 |
CN106651533A (zh) * | 2016-12-29 | 2017-05-10 | 合肥华凌股份有限公司 | 一种基于用户行为的个性化商品推荐方法及装置 |
CN106991592B (zh) * | 2017-03-22 | 2021-01-01 | 南京财经大学 | 一种基于购买用户行为分析的个性化推荐方法 |
-
2018
- 2018-11-12 CN CN201811340688.2A patent/CN109697628B/zh active Active
-
2019
- 2019-01-30 WO PCT/CN2019/074032 patent/WO2020098163A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301583A (zh) * | 2017-05-26 | 2017-10-27 | 重庆邮电大学 | 一种基于用户偏好和信任的冷启动推荐方法 |
CN107329994A (zh) * | 2017-06-08 | 2017-11-07 | 天津大学 | 一种基于用户特征的改进协同过滤推荐方法 |
CN108460145A (zh) * | 2018-03-15 | 2018-08-28 | 北京邮电大学 | 一种基于混合兴趣相似度的协同过滤推荐方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110134870A (zh) * | 2019-05-21 | 2019-08-16 | 重庆忽米网络科技有限公司 | 一种基于大数据的推送方法及系统 |
CN116739794A (zh) * | 2023-08-10 | 2023-09-12 | 北京中关村银行股份有限公司 | 基于大数据及机器学习的用户个性化方案推荐方法及系统 |
CN116739794B (zh) * | 2023-08-10 | 2023-10-20 | 北京中关村银行股份有限公司 | 基于大数据及机器学习的用户个性化方案推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109697628B (zh) | 2024-05-10 |
WO2020098163A1 (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697629B (zh) | 产品数据推送方法及装置、存储介质、计算机设备 | |
US20200117675A1 (en) | Obtaining of Recommendation Information | |
CN110020188A (zh) | 基于隐式交互和简档数据的全局向量推荐 | |
US20150278350A1 (en) | Recommendation System With Dual Collaborative Filter Usage Matrix | |
WO2019196881A1 (zh) | 推荐方法、推荐装置、推荐设备、推荐系统及存储介质 | |
CN111782947B (zh) | 一种搜索内容展示方法、装置、电子设备及存储介质 | |
CN108805598B (zh) | 相似度信息确定方法、服务器及计算机可读存储介质 | |
CN107526810B (zh) | 建立点击率预估模型的方法及装置、展示方法及装置 | |
US10672055B2 (en) | Method and system for presenting personalized products based on digital signage for electronic commerce | |
CN113592535B (zh) | 一种广告推荐方法、装置、电子设备和存储介质 | |
CN108491540A (zh) | 文本信息推送方法、装置及智能终端 | |
CN108205775A (zh) | 一种业务对象的推荐方法、装置和客户端 | |
CN109711859A (zh) | 客户终生价值的预测方法及装置、存储介质、计算机设备 | |
CN111611496A (zh) | 产品推荐方法及其装置 | |
CN110706055A (zh) | 商品信息推送方法及装置、存储介质、计算机设备 | |
US20220121705A1 (en) | Multi-Resolution Color-Based Image Search | |
CN108335131A (zh) | 一种预估用户年龄段的方法、装置及电子设备 | |
CN108509458A (zh) | 一种业务对象识别方法及装置 | |
US20150278910A1 (en) | Directed Recommendations | |
US20150278907A1 (en) | User Inactivity Aware Recommendation System | |
CN109697628A (zh) | 产品数据推送方法及装置、存储介质、计算机设备 | |
CN111582979A (zh) | 服饰搭配推荐方法和装置及电子设备 | |
Weerahandi et al. | Using survey data to predict adoption and switching for services | |
CN110598094A (zh) | 基于矩阵补全的购物推荐方法、电子设备及存储介质 | |
CN107077475A (zh) | 根据产品/用户标签和共安装图推荐产品捆绑包的系统和方法 |
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 |