CN109697629A - 产品数据推送方法及装置、存储介质、计算机设备 - Google Patents

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，方法包括：获取用户的历史行为数据以及预设兴趣标签；根据历史行为数据分析所述用户对应的每个预设兴趣标签的兴趣值，并利用兴趣值建立用户‑兴趣矩阵；基于历史行为数据，分别计算每个预设兴趣标签与其他预设兴趣标签之间的兴趣相似度，并利用兴趣相似度建立兴趣相似度矩阵；利用兴趣相似度矩阵，更新用户‑兴趣矩阵，并根据更新后的用户‑兴趣矩阵推送产品数据。本申请结合用户对不同兴趣标签的兴趣值以及各个兴趣标签之间的相似度进行产品数据的推送，帮助用户发现其可能感兴趣的产品，相比于传统的基于用户之间的相似性或产品之间的相似性的推荐方法，效果更好。

Description

产品数据推送方法及装置、存储介质、计算机设备

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。

目前的个性化推荐方法，主要有两种，其一是基于用户的协同过滤推荐方法，其二是基于产品的协同过滤推荐方法，但无论是基于用户还是基于产品的协同过滤推荐，都只能依据用户之间的相似性或产品之间的相似性进行推荐，而没有考虑用户的实际兴趣需求，因而效果都不是很好。

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，根据用户对不同预设兴趣标签的兴趣值以及预设兴趣标签之间的相似度推送产品数据，向用户进行产品推荐，推荐效果更好。

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：

获取用户的历史行为数据以及预设兴趣标签；

根据所述历史行为数据分析所述用户对应的每个所述预设兴趣标签的兴趣值，并利用所述兴趣值建立用户-兴趣矩阵；

基于所述历史行为数据，分别计算每个所述预设兴趣标签与其他预设兴趣标签之间的兴趣相似度，并利用所述兴趣相似度建立兴趣相似度矩阵；

利用所述兴趣相似度矩阵，更新所述用户-兴趣矩阵，并根据更新后的所述用户-兴趣矩阵推送所述产品数据。

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：

获取单元，用于获取用户的历史行为数据以及预设兴趣标签；

用户-兴趣矩阵建立单元，用于根据所述历史行为数据分析用户对于的每个所述预设兴趣标签的兴趣值，并利用所述兴趣值建立用户-兴趣矩阵；

相似度矩阵建立单元，用于基于所述历史行为数据以及所述预设兴趣标签，分别计算每个预设兴趣标签与其他预设兴趣标签之间的相似度，并利用所述兴趣相似度建立兴趣相似度矩阵；

产品数据推送单元，用于利用所述兴趣相似度矩阵，更新所述用户-兴趣矩阵，并根据更新后的所述用户-兴趣矩阵推送所述产品数据。

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保单出单请求的处理方法。

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，通过应用本实施例的技术方案，根据用户的历史行为数据，首先计算每个用户对于每个预设兴趣标签的兴趣值并建立用户-兴趣矩阵，其次计算两两预设兴趣标签之间的相似度并建立兴趣相似度矩阵，从而利用兴趣相似度矩阵对用户-兴趣矩阵进行更新，进一步根据更新后的矩阵中各元素推送产品数据向用户推荐产品，这样，在进行产品推荐时结合预设兴趣标签之间的相似度分析用户对每个预设兴趣标签的兴趣值大小，有助于帮助用户发现其可能具备兴趣的产品，相比于传统的基于用户之间的相似性或产品之间的相似性，而没有考虑用户的实际兴趣需求的推荐方法，推荐效果更好。

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。

本发明实施例的第一个方面，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，获取用户的历史行为数据以及预设兴趣标签。

其中，预设兴趣标签可以包括：期货、股票、货币基金、债券、活期、定期、保险、高收益、低风险等等，用户的历史行为数据可以包括用户对这些预设兴趣标签的点击次数、浏览时长、评论次数以及是否收藏等数据，这些数据可以通过用户直接对这些标签进行操作得来，也可以通过用户对包含这些预设兴趣标签的产品进行点击、浏览、评论以及收藏得来。

步骤104，根据历史行为数据分析用户对应的每个预设兴趣标签的兴趣值，并利用兴趣值建立用户-兴趣矩阵。

首先，根据用户的历史行为数据量化用户对于每个预设兴趣标签的兴趣值，例如用户的历史行为数据包括用户对预设兴趣标签的点击次数、浏览时长、评论次数以及收藏数据，可具体设计如下计算规则：

收藏数据、浏览时长、评论次数以及点击次数中每一项的评分都为100分，兴趣值权重分别为：0.4、0.3、0.2、0.1。对于收藏数据，若用户收藏某个预设兴趣标签，则对这个预设兴趣标签的收藏评分为100分，若用户没有收藏这个预设兴趣标签，则对这个预设兴趣标签的收藏评分为0分；对于浏览时长，用户对某个预设兴趣标签的浏览时长占用户的总浏览时长的比例乘100，即为对这个预设兴趣标签的浏览评分；对于点击次数和评论次数，用户对某个预设兴趣标签的点击次数占用户对全部预设兴趣标签的点击次数的比例乘100，即为用户对这个预设兴趣标签的点击评分，同样的，用户对某个预设兴趣标签的评论次数占用户对全部预设兴趣标签的评论次数的比例乘100，即为用户对这个预设兴趣标签的评论评分。

具体地，例如，用户对“股票”这一预设兴趣标签进行了收藏，浏览时长占总浏览时长的50％，评论次数以及点击次数分别占总评论次数以及总点击次数的40％和30％，那么，用户对“股票”的兴趣值为：0.4*100+0.3*50％*100+0.2*40％*100+0.1*30％*100＝40+15+8+3＝66。

其次，利用每个用户对每个标签的兴趣值构建用户-兴趣矩阵，用户-兴趣矩阵中的元素对应于每个用户关于每一个预设兴趣标签的兴趣值。

步骤106，基于历史行为数据，分别计算每个预设兴趣标签与其他预设兴趣标签之间的兴趣相似度，并利用兴趣相似度建立兴趣相似度矩阵。

根据用户的历史行为不仅可以分析每个用户对不同标签的兴趣值大小，也可以根据不同用户对不同标签的点击、评论、浏览、收藏等情况分析不同标签之间的相似度，利用不同标签之间的相似度，建立兴趣相似度矩阵，矩阵中的元素对应于每个预设兴趣标签与全部预设兴趣标签之中的任意一个的相似度。

步骤108，利用兴趣相似度矩阵，更新用户-兴趣矩阵，并根据更新后的用户-兴趣矩阵推送产品数据。

兴趣相似度矩阵中的元素反应了不同预设兴趣标签之间的相似度情况，而用户-兴趣矩阵中的元素反应了每个用户对不同预设兴趣标签的兴趣值大小，在用户实际点击、浏览标签时，经常习惯性的点击、浏览自己已经熟知的标签，对于未知标签或不常关注的标签由于存在点击成本的问题，往往会忽略，而被用户忽略掉的标签中很可能存在与用户感兴趣的标签相似性较强的标签，这些标签虽然被用户忽略但很可能是用户感兴趣的标签，如果单纯根据用户的实际点击、浏览等情况进行推荐，不利于帮助用户发现那些容易被忽略的兴趣，因此，利用兴趣相似度矩阵对用户-兴趣矩阵进行更新，更新后的用户-兴趣矩阵中的元素反应的用户对于每个预设兴趣标签的兴趣值，不再是从历史数据中分析而来的用户实际的兴趣值，而是结合了预设兴趣标签之间相似度的兴趣值，从而根据更新后的用户-兴趣矩阵中的元素推送产品数据，向用户推荐产品。

通过应用本实施例的技术方案，根据用户的历史行为数据，首先计算每个用户对于每个预设兴趣标签的兴趣值并建立用户-兴趣矩阵，其次计算两两预设兴趣标签之间的相似度并建立兴趣相似度矩阵，从而利用兴趣相似度矩阵对用户-兴趣矩阵进行更新，进一步根据更新后的矩阵中各元素推送产品数据向用户推荐产品，这样，在进行产品推荐时结合预设兴趣标签之间的相似度分析用户对每个预设兴趣标签的兴趣值大小，有助于帮助用户发现其可能具备兴趣的产品，相比于传统的基于用户之间的相似性或产品之间的相似性，而没有考虑用户的实际兴趣需求的推荐方法，推荐效果更好。

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，获取用户的历史行为数据以及预设兴趣标签。

获取用户对于每个预设兴趣标签的点击、浏览、评论、收藏等历史数据。

步骤204，根据历史行为数据分析用户对应的每个预设兴趣标签的兴趣值，并利用兴趣值建立用户-兴趣矩阵。

其中，用户-兴趣矩阵为X行×Y列矩阵，其中，X表示用户的数量，矩阵中第i行第j列的元素值为用户i对于预设兴趣标签j的兴趣值，i为大于或等于1，且小于或等于X的整数。

利用每个用户对于每个预设兴趣标签的点击、浏览、评论、收藏等历史数据，计算出不同的用户对于每个预设兴趣标签的兴趣值，利用这些兴趣值建立用户-兴趣X行×Y列矩阵，矩阵中的每个元素分别对应于某个用户对于某个预设兴趣标签的兴趣值大小，用户-兴趣矩阵能够清楚直观的反应出用户通过浏览、点击等行为留下的历史数据所表现出对不同预设兴趣标签的兴趣值。

步骤206，基于历史行为数据，分别计算对于预设兴趣标签m和预设兴趣标签n具备兴趣的人数Nm和Nn。

其中，m和n均为大于或等于1，且小于或等于Y的整数。

从用户的历史行为数据，已分析出了用户对每个预设兴趣标签的兴趣值，兴趣值的大小反应了用户对各标签感兴趣的程度，对这些兴趣值进行统计，找出对于某个预设兴趣标签的兴趣值超过预设兴趣值的用户，例如，对于预设兴趣标签“货币基金”，有20个用户对于“货币基金”的兴趣值超过50，那么则认为对于“货币基金”这一兴趣标签具备兴趣的人数为20，找出对于每个预设兴趣标签具备兴趣的用户，便于后续对兴趣标签之间的相似度进行计算，进而对用户-兴趣矩阵进行更新。

步骤208，计算对于预设兴趣标签m和预设兴趣标签n同时具备兴趣的人数Nmn。

基于步骤206中的方法，分别找出对于预设兴趣标签m和预设兴趣标签n具备兴趣的用户后，统计对m具备兴趣的用户和对n具备兴趣的用户中相同的用户的数量，例如对于预设兴趣标签“股票”具备兴趣的用户为A、B、C、D，对于预设兴趣标签“高收益”具备兴趣的用户为C、D、E，那么对于“股票”和“高收益”同时具备兴趣的用户为2人，分别为C和D，分别统计对两两标签同时具备兴趣的用户数量，从而便于后续对兴趣标签之间的相似度进行计算，进而对用户-兴趣矩阵进行更新。

步骤210，根据Nm、Nn以及Nmn，计算预设兴趣标签m和预设兴趣标签n之间的兴趣相似度Wmn，

根据兴趣相似度Wmn，建立兴趣相似度矩阵；

其中，兴趣相似度矩阵为Y行×Y列矩阵，第m行第n列的元素值为预设兴趣标签m和预设兴趣标签n之间的相似度Wmn。

在该实施例中，利用上述的兴趣相似度计算公式，计算两两兴趣标签之间的相似度，根据相似度构建兴趣相似度矩阵，矩阵中的第m行第n列的元素值为预设兴趣标签m和预设兴趣标签n之间的相似度Wmn，而矩阵中的第m行第m列的元素应体现为标签m和标签m之间的相似度，元素值为1，并且矩阵中第m行第n列的元素值与第n行第m列的元素值相等，进而可以根据兴趣相似度矩阵对用户-兴趣矩阵进行更新。

步骤212，将用户-兴趣矩阵与兴趣相似度矩阵相乘，得到更新后的用户-兴趣矩阵。

在该实施例中，将用户-兴趣X行×Y列矩阵与兴趣相似度Y行×Y列矩阵相乘，得到更新后的用户-兴趣X行×Y列矩阵。

例如，在原有用户-兴趣矩阵中，用户甲对于标签A、B、C的兴趣值分别为甲A、甲B、甲C，在兴趣相似度矩阵中标签A与B、C之间的相似度分别AB、AC，那么更新后的用户-兴趣矩阵中，用户甲对应于标签A的元素值为甲A*1+甲B*AB+甲C*AC，可见，更新后的矩阵中的元素值在用户对兴趣标签的兴趣值(甲A)的基础上，也体现了与其他兴趣标签的相关性(甲B*AB+甲C*AC)，在更新后的用户-兴趣矩阵的基础上，进行产品推荐效果更佳。

步骤214，根据预设产品规则，计算每个产品对应的预设兴趣标签的兴趣评分，并利用兴趣评分构建兴趣-产品矩阵。

预设产品规则中包含不同的产品具备的不同的特性，这些特性可以通过兴趣标签来体现，例如一款S型股票，具有“高收益”、“高风险”等特性，那么这款股票所对应的标签为“股票”、“高收益”、“高风险”等。并且，对于每种产品对应的标签在产品中的影响力也是不同的，例如对于S型股票，通过“股票”标签搜索从而点击、浏览的用户较多，那么“股票”这一标签就是这款S型股票中影响力最大的标签，根据预设产品规则，计算每个产品对应的预设兴趣标签的兴趣标签影响力评分(兴趣评分)，并根据这些评分构建兴趣-产品矩阵，而对于产品不包含的标签，则兴趣评分记为0。

其中，兴趣-产品矩阵为Y行×Z列矩阵，Y表示预设兴趣标签的数量，Z代表产品的数量，第j行第k列的元素值表示产品k对应的预设兴趣标签j的兴趣评分，j为大于或等于1，且小于或等于Y的整数，k为大于或等于1，且小于或等于Z的整数。

兴趣-产品矩阵反应了不同产品包含的每个兴趣标签的影响力，据此，有助于对用户的兴趣，结合该矩阵进行产品推荐。

步骤216，将更新后的用户-兴趣矩阵与所述兴趣-产品矩阵相乘，得到用户-产品矩阵；

其中，用户-产品矩阵为X行×Z列矩阵，第i行第k列的元素值表示用户i对产品k的兴趣值。

从用户-产品矩阵中各元素值大小可反应出用户对某个产品感兴趣程度的大小，利用矩阵可以实现向用户进行产品推荐。

步骤218，对用户-产品矩阵中每一行的元素按照从大到小的顺序进行排列，按照排列后的元素对应的产品数据依次进行推送。

在该实施例中，用户-产品矩阵中每一行的元素值反应了用户对不同产品的兴趣程度，将这些元素从大到小进行排序，并按照顺序推送产品数据，推荐对应的产品，相比于推荐兴趣标签，直接推荐产品，避免了用户仍需通过根据兴趣标签对产品进行筛选，推荐效率更高、效果更好。

步骤220，若存在新增产品，则根据预设产品规则，获取新增产品对应的预设兴趣标签。

对于新增产品的冷启动问题，首先要根据预设产品规则找出产品对应的标签，从而根据这些兴趣标签，以及用户的兴趣情况决定是否对其推荐该款新增产品，提高了推荐的准确性。

步骤222，对更新后的用户-兴趣矩阵中每一行的元素按照从大到小的顺序进行排列，按照新增产品对应的预设兴趣标签在所述排列后的元素中的位置推送产品数据。

某一用户对不同兴趣标签的兴趣程度可由更新后的用户-兴趣矩阵中某一行的元素反应出来，对于某一用户，找出更新后的用户-兴趣矩阵中与其对应的一行元素，并将这一行的元素按照从大到小的顺序进行排列，若排序中前P的元素对应的标签中存在新增产品对应的兴趣标签，则推送这款新增产品的数据，向用户推荐这款新增产品，否则，不推送。

例如，新增货币基金Q包含兴趣标签“货币基金”、“定期”、“低风险”，更新后的用户-兴趣矩阵中的某一行元素值排列后，排名前3的元素对应的标签中包含“定期”，则向这一行对应的用户推荐这款新增产品。

通过应用本实施例的技术方案，利用兴趣相似度矩阵对用户-兴趣矩阵进行更新，并结合兴趣-产品矩阵得到用户-产品矩阵，以兴趣标签为纽带将用户与产品进行联系，从而根据用户-产品矩阵向用户推荐产品，避免用户错过其可能感兴趣的产品，并且，结合新增产品的标签以及更新后的用户-兴趣矩阵选择是否推荐新增产品解决了新增产品的冷启动问题。

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：获取单元31、用户-兴趣矩阵建立单元32、相似度矩阵建立单元33、产品数据推送单元34。

兴趣标签获取单元31，用于获取用户的历史行为数据以及预设兴趣标签；

用户-兴趣矩阵建立单元32，用于根据历史行为数据分析用户对于的每个预设兴趣标签的兴趣值，并利用兴趣值建立用户-兴趣矩阵；

相似度矩阵建立单元33，用于基于历史行为数据以及预设兴趣标签，分别计算每个预设兴趣标签与其他预设兴趣标签之间的相似度，并利用兴趣相似度建立兴趣相似度矩阵；

产品数据推送单元34，用于利用兴趣相似度矩阵，更新用户-兴趣矩阵，并根据更新后的用户-兴趣矩阵推送产品数据。

在具体的应用场景中，为了保证推荐效果，如图4所示，产品数据推送单元34具体包括：兴趣-产品矩阵建立单元341、用户-产品矩阵建立单元342、产品数据推送子单元343；

兴趣-产品矩阵建立单元341，用于根据预设产品规则，计算每个产品对应的预设兴趣标签的兴趣评分，并利用兴趣评分构建兴趣-产品矩阵；

用户-产品矩阵建立单元342，具体用于将更新后的所述用户-兴趣矩阵与兴趣-产品矩阵相乘，得到用户-产品矩阵；

其中，所述兴趣-产品矩阵为Y行×Z列矩阵，Y表示预设兴趣标签的数量，Z代表产品的数量，第j行第k列的元素值表示产品k对应的预设兴趣标签j的兴趣评分，j为大于或等于1，且小于或等于Y的整数，k为大于或等于1，且小于或等于Z的整数，所述用户-产品矩阵为X行×Z列矩阵，第i行第k列的元素值表示用户i对产品k的兴趣值；

产品数据推送子单元343，用于对用户-产品矩阵中每一行的元素按照从大到小的顺序进行排列，按照排列后的元素对应的产品数据依次进行推送；

用户-兴趣矩阵为X行×Y列矩阵，其中，X表示用户的数量，矩阵中第i行第j列的元素值为用户i对于预设兴趣标签j的兴趣值，i为大于或等于1，且小于或等于X的整数。

在具体的应用场景中，为了计算兴趣相似度，相似度矩阵建立单元33具体包括：

兴趣标签人数计算单元331，用于分别计算对于预设兴趣标签m和预设兴趣标签n具备兴趣的人数Nm和Nn；

兴趣标签人数计算单元331，还用于计算对于预设兴趣标签m和预设兴趣标签n同时具备兴趣的人数Nmn；

兴趣相似度计算单元332，用于根据Nm、Nn以及Nmn，计算预设兴趣标签m和预设兴趣标签n之间的兴趣相似度Wmn，

根据兴趣相似度Wmn，建立兴趣相似度矩阵；

其中，m和n均为大于或等于1，且小于或等于Y的整数，兴趣相似度矩阵为Y行×Y列矩阵，第m行第n列的元素值为预设兴趣标签m和预设兴趣标签n之间的相似度Wmn。

产品数据推送单元34还包括：

用户-兴趣矩阵更新单元344，用于将用户-兴趣矩阵与兴趣相似度矩阵相乘，得到更新后的所述用户-兴趣矩阵。

在具体的应用场景中，为了解决新增产品的冷启动问题，该装置还包括：

新增产品标签获取单元35，用于若存在新增产品，则根据预设产品规则，获取新增产品对应的预设兴趣标签；

新增产品数据推送单元36，用于对更新后的用户-兴趣矩阵中每一行的元素按照从大到小的顺序进行排列，按照新增产品对应的预设兴趣标签在排列后的元素中的位置推送产品数据。

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通过应用本实施例的技术方案，根据用户的历史行为数据，首先计算每个用户对于每个预设兴趣标签的兴趣值并建立用户-兴趣矩阵，其次计算两两预设兴趣标签之间的相似度并建立兴趣相似度矩阵，从而利用兴趣相似度矩阵对用户-兴趣矩阵进行更新，进一步根据更新后的矩阵中各元素推送产品数据向用户推荐产品，这样，在进行产品推荐时结合预设兴趣标签之间的相似度分析用户对每个预设兴趣标签的兴趣值大小，有助于帮助用户发现其可能具备兴趣的产品，相比于传统的基于用户之间的相似性或产品之间的相似性，而没有考虑用户的实际兴趣需求的推荐方法，推荐效果更好。

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：

获取用户的历史行为数据以及预设兴趣标签；

根据所述历史行为数据分析所述用户对应的每个所述预设兴趣标签的兴趣值，并利用所述兴趣值建立用户-兴趣矩阵；

基于所述历史行为数据，分别计算每个所述预设兴趣标签与其他预设兴趣标签之间的兴趣相似度，并利用所述兴趣相似度建立兴趣相似度矩阵；

利用所述兴趣相似度矩阵，更新所述用户-兴趣矩阵，并根据更新后的所述用户-兴趣矩阵推送所述产品数据。

2.根据权利要求1所述的方法，其特征在于，所述根据更新后的所述用户-兴趣矩阵向用户推送所述产品数据，具体包括：

根据预设产品规则，计算每个所述产品对应的预设兴趣标签的兴趣评分，并利用所述兴趣评分构建兴趣-产品矩阵；

依据所述兴趣-产品矩阵以及更新后的所述用户-兴趣矩阵，推送所述产品数据。

3.根据权利要求2所述的方法，其特征在于，所述依据所述兴趣-产品矩阵以及更新后的所述用户-兴趣矩阵，推送所述产品数据，具体包括：

将更新后的所述用户-兴趣矩阵与所述兴趣-产品矩阵相乘，得到用户-产品矩阵；其中，所述兴趣-产品矩阵为Y行×Z列矩阵，Y表示预设兴趣标签的数量，Z代表产品的数量，第j行第k列的元素值表示产品k对应的预设兴趣标签j的兴趣评分，j为大于或等于1，且小于或等于Y的整数，k为大于或等于1，且小于或等于Z的整数，所述用户-产品矩阵为X行×Z列矩阵，第i行第k列的元素值表示用户i对产品k的兴趣值；

对所述用户-产品矩阵中每一行的元素按照从大到小的顺序进行排列，按照排列后的所述元素对应的产品数据依次进行推送。

4.根据权利要求3所述的方法，其特征在于，所述用户-兴趣矩阵为X行×Y列矩阵，其中，X表示用户的数量，矩阵中第i行第j列的元素值为用户i对于预设兴趣标签j的兴趣值，i为大于或等于1，且小于或等于X的整数。

5.根据权利要求4所述的方法，其特征在于，所述分别计算每个所述预设兴趣标签与其他预设兴趣标签之间的兴趣相似度，并利用所述兴趣相似度建立兴趣相似度矩阵，具体包括：

分别计算对于预设兴趣标签m和预设兴趣标签n具备兴趣的人数Nm和Nn；

计算对于预设兴趣标签m和预设兴趣标签n同时具备兴趣的人数Nmn；

根据Nm、Nn以及Nmn，计算预设兴趣标签m和预设兴趣标签n之间的兴趣相似度Wmn，

根据所述兴趣相似度Wmn，建立兴趣相似度矩阵；

其中，m和n均为大于或等于1，且小于或等于Y的整数，所述兴趣相似度矩阵为Y行×Y列矩阵，第m行第n列的元素值为预设兴趣标签m和预设兴趣标签n之间的相似度Wmn。

6.根据权利要求5所述的方法，其特征在于，所述利用所述兴趣相似度矩阵，更新所述用户-兴趣矩阵，具体包括：

将所述用户-兴趣矩阵与所述兴趣相似度矩阵相乘，得到更新后的所述用户-兴趣矩阵。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

若存在新增产品，则根据所述预设产品规则，获取所述新增产品对应的预设兴趣标签；

对更新后的所述用户-兴趣矩阵中每一行的元素按照从大到小的顺序进行排列，按照所述新增产品对应的预设兴趣标签在所述排列后的元素中的位置推送所述产品数据。

8.一种产品数据推送装置，其特征在于，包括：

兴趣标签获取单元，用于获取用户的历史行为数据以及预设兴趣标签；

用户-兴趣矩阵建立单元，用于根据所述历史行为数据分析用户对于的每个所述预设兴趣标签的兴趣值，并利用所述兴趣值建立用户-兴趣矩阵；

相似度矩阵建立单元，用于基于所述历史行为数据以及所述预设兴趣标签，分别计算每个预设兴趣标签与其他预设兴趣标签之间的相似度，并利用所述兴趣相似度建立兴趣相似度矩阵；

产品数据推送单元，用于利用所述兴趣相似度矩阵，更新所述用户-兴趣矩阵，并根据更新后的所述用户-兴趣矩阵推送所述产品数据。

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。